ડેટા વેરહાઉસ અને ERP | સેન્ટ્રલ ડેટા આર્કાઇવ: ઇતિહાસ અને ઉત્ક્રાંતિ

આર્કાઇવ ડાટી કેન્દ્રીય: ઇતિહાસ અને ઉત્ક્રાંતિ

90 ના દાયકામાં કોર્પોરેટ ટેક્નોલોજીની બે પ્રબળ થીમ્સ છે
સ્ટેટ્સ i માહિતી વેરહાઉસ અને ERP. લાંબા સમય સુધી આ બે શક્તિશાળી
પ્રવાહો ક્યારેય કર્યા વિના કોર્પોરેટ આઇટીના ભાગો રહ્યા છે
આંતરછેદો તે લગભગ એવું જ હતું કે તેઓ દ્રવ્ય અને વિરોધી બાબત છે. પણ
બંને ઘટનાઓની વૃદ્ધિ અનિવાર્યપણે એક તરફ દોરી ગઈ
તેમના આંતરછેદ. આજે, કંપનીઓ સમસ્યાનો સામનો કરી રહી છે
ERP સાથે શું કરવું e માહિતી વેરહાઉસ. આ લેખ સમજાવશે
સમસ્યાઓ શું છે અને કંપનીઓ દ્વારા તેને કેવી રીતે સંબોધવામાં આવે છે.
શરૂઆતામા…
શરૂઆતમાં ત્યાં હતો માહિતી વેરહાઉસ. ડેટા વેરહાઉસ માટે થયો હતો
ટ્રાન્ઝેક્શન પ્રોસેસિંગ એપ્લિકેશન સિસ્ટમનો સામનો કરો.
શરૂઆતના દિવસોમાં ની યાદગીરી dati તે બનવાનો હતો
ની પ્રોસેસિંગ એપ્લિકેશન્સ માટે માત્ર એક કાઉન્ટરપોઇન્ટ
વ્યવહારો પરંતુ આજકાલ ઘણા વધુ વ્યવહારદક્ષ દ્રષ્ટિકોણ છે
શું કરતાં a માહિતી વેરહાઉસ. આજની દુનિયામાં
માહિતી વેરહાઉસ તે હોઈ શકે તેવી રચનામાં દાખલ કરવામાં આવે છે
કોર્પોરેટ માહિતી ફેક્ટરી કહેવાય છે.
કોર્પોરેટ માહિતી ફેક્ટરી
(CIF)
કોર્પોરેટ માહિતી ફેક્ટરીમાં આર્કિટેક્ચરલ ઘટકો છે
ધોરણ: કોડ ટ્રાન્સફોર્મેશન અને એકીકરણનું સ્તર
જે એકીકૃત કરે છે i dati જ્યારે હું dati તેઓ ના પર્યાવરણમાંથી ખસે છે
ની પર્યાવરણીય એપ્લિકેશન માહિતી વેરહાઉસ કંપનીના; a
માહિતી વેરહાઉસ કંપનીની જ્યાં i dati
વિગતવાર અને સંકલિત ઇતિહાસ. આ માહિતી વેરહાઉસ તરીકે સેવા આપે છે
પાયો જેના પર અન્ય તમામ ભાગો બાંધી શકાય છે
ના પર્યાવરણની માહિતી વેરહાઉસ; ઓપરેશનલ ડેટા સ્ટોર (ODS).
ODS એ એક હાઇબ્રિડ માળખું છે જેમાં ડેટાના કેટલાક પાસાઓ હોય છે
વેરહાઉસ અને OLTP પર્યાવરણના અન્ય પાસાઓ; ડેટા માર્ટ્સ, જેમાં આઇ
વિવિધ વિભાગો પાસે ડેટાનું પોતાનું વર્ઝન હોઈ શકે છે
વેરહાઉસ; a માહિતી વેરહાઉસ સંશોધનનું જેમાં i
કંપની "વિચારકો" તેમના પ્રશ્નો રજૂ કરી શકે છે
પર હાનિકારક અસર વિના 72 કલાક માહિતી વેરહાઉસ; અને એક સ્મૃતિ
લાઇનની નજીક, જેમાં dati જૂના અને dati બલ્ક વિગત હોઈ શકે છે
સસ્તામાં સંગ્રહિત.
જ્યાં ERP ની સાથે જોડાય છે
કોર્પોરેટ માહિતી ફેક્ટરી
ERP બે જગ્યાએ કોર્પોરેટ માહિતી ફેક્ટરી સાથે મર્જ થાય છે.
પ્રથમ મૂળભૂત એપ્લિકેશન (બેઝલાઇન) તરીકે જે પ્રદાન કરે છે
dati માટે અરજી માહિતી વેરહાઉસ. આ કિસ્સામાં આઇ dati,
ટ્રાન્ઝેક્શન પ્રક્રિયાના આડપેદાશ તરીકે જનરેટ,
માં સંકલિત અને લોડ કરવામાં આવે છે માહિતી વેરહાઉસ કંપનીના. આ
ERP અને CIF અને ODS વચ્ચેના જોડાણનો બીજો મુદ્દો. ખરેખર, ઘણા
વાતાવરણમાં ERP નો ઉપયોગ ક્લાસિક ODS તરીકે થાય છે.
જો ઇઆરપીનો ઉપયોગ મુખ્ય એપ્લિકેશન તરીકે થાય છે, તો તે
સમાન ERP નો ઉપયોગ CIF માં ODS તરીકે પણ થઈ શકે છે. માં
જો કે, જો ERP નો ઉપયોગ બંને ભૂમિકાઓમાં કરવાનો હોય, તો ત્યાં
બે સંસ્થાઓ વચ્ચે સ્પષ્ટ તફાવત હોવો જોઈએ. બીજા શબ્દો માં,
જ્યારે ERP મુખ્ય એપ્લિકેશન અને ODS ની ભૂમિકા ભજવે છે,
બે આર્કિટેક્ચરલ એન્ટિટી અલગ હોવા જોઈએ. જો સિંગલ
ERP નો અમલ બંને ભૂમિકાઓ ભજવવાનો પ્રયાસ કરે છે
તે જ સમયે ત્યાં અનિવાર્યપણે સમસ્યાઓ હશે
આ માળખાની ડિઝાઇન અને અમલીકરણ.
ODS અને મૂળભૂત અરજીઓને અલગ કરો
ઘણા કારણો છે જે ઘટકોના વિભાજન તરફ દોરી જાય છે
સ્થાપત્ય અલગ કરવા માટે કદાચ સૌથી વધુ કહેવાતો પ્રશ્ન
આર્કિટેક્ચરના વિવિધ ઘટકો એ દરેક ઘટક છે
આર્કિટેક્ચરનો પોતાનો દૃષ્ટિકોણ છે. બેઝલાઇન એપ્લિકેશન જરૂરી છે
ODS કરતાં અલગ હેતુ માટે. ઓવરલેપ કરવાનો પ્રયાસ કરો
ODS ની દુનિયા પર અથવા તેનાથી વિપરીત બેઝલાઇન એપ્લિકેશન દૃશ્ય
તે કામ કરવાની યોગ્ય રીત નથી.
પરિણામે, CIF માં ERP ની પ્રથમ સમસ્યા તે છે
તપાસો કે બેઝલાઇન એપ્લીકેશન અને વચ્ચે તફાવત છે કે કેમ
ઓડીએસ.
કોર્પોરેટમાં ડેટા મોડલ્સ
માહિતી ફેક્ટરી
વિવિધ ઘટકો વચ્ચે સંકલન હાંસલ કરવા
CIF ના આર્કિટેક્ચરનું એક મોડેલ હોવું આવશ્યક છે dati. હું
ના મોડેલો dati વિવિધ ઘટકો વચ્ચેની કડી તરીકે સેવા આપે છે
આર્કિટેક્ચર જેમ કે બેઝલાઇન એપ્લિકેશન્સ અને ODS. ધ
ના મોડેલો dati મેળવવા માટે "બૌદ્ધિક માર્ગ નકશો" બનો
CIF ના વિવિધ આર્કિટેક્ચરલ ઘટકો દ્વારા યોગ્ય અર્થ.
આ ધારણા સાથે હાથ જોડીને જતા, વિચાર આવે છે કે હોવું જોઈએ
એક મહાન અને અનન્ય મોડેલ બનો dati. દેખીતી રીતે તેણે કરવું પડશે
નું મોડેલ બનો dati દરેક ઘટકો માટે અને વધુમાં ત્યાં
તે વિવિધ મોડેલોને જોડતો સમજદાર રસ્તો હોવો જોઈએ.
આર્કિટેક્ચરના દરેક ઘટક - ODS, બેઝલાઇન એપ્લિકેશન્સ,
માહિતી વેરહાઉસ કંપની, અને તેથી વધુ .. - તેની પોતાની જરૂર છે
નું મોડેલ dati. અને તેથી તેની ચોક્કસ વ્યાખ્યા હોવી જોઈએ
ના આ મોડેલોની જેમ 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 i dati નેલ માહિતી વેરહાઉસ, આવા નિવેશ જ જોઈએ
"ગ્રેન્યુલારિટી" ના સૌથી નીચા સ્તરે થાય છે. રીકેપ અથવા
ખાલી એકંદર i dati જેમ તેઓ બહાર આવે છે
ERP ની બેઝલાઈન એપ્લિકેશનમાંથી અથવા ERP ના ODS માંથી નથી
કરવા માટે યોગ્ય વસ્તુ. ધ dati તારીખમાં વિગતો જરૂરી છે
DSS પ્રક્રિયાનો આધાર બનાવવા માટે વેરહાઉસ. આવા dati
ડેટા માર્ટ્સ અને સંશોધનો દ્વારા તેઓને ઘણી રીતે પુનઃઆકાર આપવામાં આવશે
આ માહિતી વેરહાઉસ.
નું વિસ્થાપન dati બેઝલાઇન એપ્લિકેશન પર્યાવરણમાંથી
ERP ના પર્યાવરણ માટે માહિતી વેરહાઉસ કંપનીના a માં કરવામાં આવે છે
વ્યાજબી રીતે હળવા. તે શિફ્ટ તેના પછી થાય છે
ERP માં અપડેટ અથવા બનાવટના લગભગ 24 કલાક. ની હકીકત
દેવતાઓની "આળસુ" હિલચાલ છે dati નેલ માહિતી વેરહાઉસ
કંપની પરવાનગી આપે છે dati ERP માંથી "પતાવટ" પર આવે છે.
એકવાર હું dati બેઝલાઇન એપ્લિકેશનમાં જમા કરવામાં આવે છે,
પછી તમે સુરક્ષિત રીતે i ખસેડી શકો છો dati ERP ના
કંપનીમાં ચળવળને આભારી અન્ય ધ્યેય પ્રાપ્ત કરી શકાય છે
"આળસુ" દેવતાઓ dati ઓપરેશનલ પ્રક્રિયાઓ વચ્ચે સ્પષ્ટ સીમાંકન છે અને
ડીએસએસ. ની "ઝડપી" ચળવળ સાથે dati વિભાજન રેખા
DSS અને ઓપરેશનલ વચ્ચે 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
અલબત્ત, ODS માં i dati જે વધુ તાજેતરના છે
આદર dati ઇતિહાસકારોમાં જોવા મળે છે માહિતી વેરહાઉસ.
નું વિસ્થાપન dati નેલ માહિતી વેરહાઉસ તે લગભગ ક્યારેય પૂર્ણ થયું નથી
"જથ્થાબંધ" (જથ્થાબંધ વેપારી રીતે). કોષ્ટકની નકલ કરો
ERP પર્યાવરણ થી માહિતી વેરહાઉસ તે અર્થમાં નથી. એક અભિગમ
ના પસંદ કરેલા એકમોનું વિસ્થાપન વધુ વાસ્તવિક છે dati.
માત્ર આ dati જે તારીખના છેલ્લા અપડેટ પછી બદલાઈ ગયા છે
વેરહાઉસ તે છે જે ડેટામાં ખસેડવા જોઈએ
વેરહાઉસ કઈ છે તે જાણવાની એક રીત dati તેઓ સંશોધિત કરવામાં આવ્યા છે
કારણ કે છેલ્લું અપડેટ ના ટાઇમસ્ટેમ્પ જોવાનું છે dati
ERP પર્યાવરણમાં જોવા મળે છે. ડિઝાઇનર બધા ફેરફારો પસંદ કરે છે
જે છેલ્લી અપડેટ પછી આવી છે. અન્ય અભિગમ
ફેરફાર સંપાદન તકનીકોનો ઉપયોગ કરવાનો છે dati. સાથે
આ તકનીકોનું વિશ્લેષણ લોગ અને જર્નલ ટેપ માટે કરવામાં આવે છે
જે નક્કી કરો dati ERP પર્યાવરણમાંથી ખસેડવું આવશ્યક છે
ની કે માહિતી વેરહાઉસ. આ તકનીકો શ્રેષ્ઠ છે
ERP ફાઇલોમાંથી કેટલા લોગ અને જર્નલ ટેપ વાંચી શકાય છે
ERP ના અન્ય સંસાધનો પર વધુ અસર વિના.
અન્ય ગૂંચવણો
CIF માં ERP સાથેની એક સમસ્યા એ છે કે અન્ય લોકો સાથે શું થાય છે
એપ્લિકેશન સ્ત્રોતો અથવા એઆઈ dati ODS ના જેમાં યોગદાન આપવું આવશ્યક છે
માહિતી વેરહાઉસ પરંતુ તેઓ ERP પર્યાવરણનો ભાગ નથી. આપેલા
ERP ની બંધ પ્રકૃતિ, ખાસ કરીને SAP, એકીકૃત કરવાનો પ્રયાસ
ના બાહ્ય સ્ત્રોતોમાંથી કીઓ dati હું સાથે dati જે ERP થી આવે છે
ખસેડવાનો સમય i dati નેલ માહિતી વેરહાઉસ, તે એક મહાન પડકાર છે.
અને કેટલી ચોક્કસ સંભાવનાઓ છે કે i dati અરજીઓ અથવા
ERP પર્યાવરણની બહારના ODSને ડેટામાં એકીકૃત કરવામાં આવશે
વેરહાઉસ? મતભેદ ખરેખર ખૂબ ઊંચા છે.
શોધો ડાટી ERP માંથી ઐતિહાસિક
સાથે બીજી સમસ્યા dati ERP એ પરિણામી છે
હોવાની જરૂરિયાતમાંથી dati ની અંદર ઐતિહાસિક માહિતી વેરહાઉસ.
સામાન્ય રીતે આ માહિતી વેરહાઉસ જરૂરિયાતો dati ઇતિહાસકારો અને
સામાન્ય રીતે ERP ટેકનોલોજી આનો સંગ્રહ કરતી નથી dati
ઐતિહાસિક, ઓછામાં ઓછું તે બિંદુ સુધી નહીં જ્યાં તારીખે તેની જરૂર હોય
વેરહાઉસ જ્યારે મોટી માત્રામાં dati ઇતિહાસકારો શરૂ કરે છે
ERP પર્યાવરણમાં ઉમેરવામાં આવે છે, આવું વાતાવરણ હોવું જ જોઈએ
સ્વચ્છ કરેલ. ઉદાહરણ તરીકે, ધારો કે એ માહિતી વેરહાઉસ ડેબ્બા
પાંચ વર્ષ સાથે લોડ કરવામાં આવશે dati ઐતિહાસિક જ્યારે ERP ધરાવે છે
આમાંથી મહત્તમ છ મહિના dati. જ્યાં સુધી કંપની સંતુષ્ટ છે
વિવિધ એકત્રિત કરો dati જેમ જેમ સમય પસાર થાય તેમ ઐતિહાસિક
પછી સ્ત્રોત તરીકે ERP નો ઉપયોગ કરવામાં કોઈ સમસ્યા નથી
માહિતી વેરહાઉસ. પરંતુ જ્યારે ધ માહિતી વેરહાઉસ જવું જ પડશે
સમય માં પાછા ફરો અને દેવતાઓ લો dati જે ઇતિહાસકારો નથી
અગાઉ ERP દ્વારા એકત્રિત અને સાચવવામાં આવે છે, પછી ERP પર્યાવરણ
બિનકાર્યક્ષમ બની જાય છે.
ERP અને મેટાડેટા
ERP વિશે અન્ય વિચારણા અને માહિતી વેરહાઉસ કે છે
ERP પર્યાવરણમાં હાલના મેટાડેટા પર. તેમજ મેટાડેટા
તેઓ ERP પર્યાવરણમાંથી પસાર થાય છે માહિતી વેરહાઉસ, હું
મેટાડેટા એ જ રીતે ખસેડવું આવશ્યક છે. વધુમાં, આઇ
મેટાડેટાને ફોર્મેટ અને સ્ટ્રક્ચરમાં રૂપાંતરિત કરવું આવશ્યક છે
ના ઇન્ફ્રાસ્ટ્રક્ચર દ્વારા જરૂરી છે માહિતી વેરહાઉસ. એક મોટો છે
ઓપરેશનલ મેટાડેટા અને DSS મેટાડેટા વચ્ચેનો તફાવત. મેટાડેટા
ઓપરેશનલ મુખ્યત્વે વિકાસકર્તા અને માટે છે
પ્રોગ્રામર DSS મેટાડેટા મુખ્યત્વે વપરાશકર્તા માટે છે
આખરી. ERP એપ્લીકેશન અથવા ODS માં હાલનો મેટાડેટા
તેઓ રૂપાંતરિત હોવા જ જોઈએ અને આ રૂપાંતર હંમેશા સરળ નથી
અને પ્રત્યક્ષ.
ERP ડેટા સોર્સિંગ
જો ERP નો પ્રદાતા તરીકે ઉપયોગ થાય છે dati દીઠ IL માહિતી વેરહાઉસ ci
તે એક નક્કર ઇન્ટરફેસ હોવું જોઈએ જે i dati પર્યાવરણમાંથી
પર્યાવરણ માટે ERP માહિતી વેરહાઉસ. ઇન્ટરફેસ આવશ્યક છે:
▪ વાપરવા માટે સરળ હોય
▪ ઍક્સેસ કરવાની મંજૂરી આપો dati ERP ના
▪ નો અર્થ લો dati જે ખસેડવામાં આવનાર છે
નેલ માહિતી વેરહાઉસ
▪ ERP ની મર્યાદાઓ જાણો જે ઉદ્દભવી શકે છે
જ્યારે તમે લોગ ઇન કરો ત્યારે સમય 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
▪ પ્રિમ્સ સોલ્યુશન્સ
▪ D2k, વગેરે...
બહુવિધ ERP તકનીકો
ERP પર્યાવરણની સારવાર જાણે કે તે એક જ ટેક્નોલોજી છે
મોટી ભૂલ. ઘણી ERP તકનીકો છે, દરેક તેની પોતાની છે
શક્તિઓ બજારમાં સૌથી જાણીતા વિક્રેતાઓ છે:
▪ SAP
▪ ઓરેકલ ફાઇનાન્શિયલ
▪ પીપલ સોફ્ટ
▪ જેડી એડવર્ડ્સ
▪ બાન
એસએપી
SAP એ સૌથી મોટું અને સૌથી સંપૂર્ણ ERP સોફ્ટવેર છે. અરજીઓ
SAP ના ઘણા ક્ષેત્રોમાં ઘણા પ્રકારની એપ્લિકેશનોનો સમાવેશ થાય છે. SAP પાસે છે
હોવાની પ્રતિષ્ઠા:
▪ ખૂબ મોટું
▪ અમલમાં મૂકવું ખૂબ જ મુશ્કેલ અને ખર્ચાળ છે
▪ ઘણા લોકો અને સલાહકારોની જરૂર છે
અમલમાં મૂક્યો
▪ અમલીકરણ માટે વિશિષ્ટ લોકોની જરૂર છે
▪ અમલમાં લાંબો સમય લે છે
વધુમાં, SAP તેની પોતાની યાદ રાખવા માટે પ્રતિષ્ઠા ધરાવે છે dati મોલ્ટો
કાળજીપૂર્વક, તેને ઍક્સેસ કરવા માટે એક મુશ્કેલ બનાવે છે
SAP વિસ્તારની બહારની વ્યક્તિ. SAP ની તાકાત છે
ની મોટી માત્રાને કેપ્ચર અને સ્ટોર કરવામાં સક્ષમ dati.
SAPએ તાજેતરમાં જ તેનો વિસ્તાર કરવાનો ઇરાદો જાહેર કર્યો હતો
તેની અરજીઓ એ.આઈ માહિતી વેરહાઉસ. ત્યાં ઘણા ગુણદોષ છે
ના સપ્લાયર તરીકે SAP નો ઉપયોગ કરવામાં માહિતી વેરહાઉસ.
એક ફાયદો એ છે કે SAP પહેલેથી જ ઇન્સ્ટોલ કરેલું છે અને તે મોટાભાગના
સલાહકારો પહેલેથી જ SAP જાણે છે.
ના સપ્લાયર તરીકે SAP રાખવાના ગેરફાયદા માહિતી વેરહાઉસ ઊંઘ
ઘણા: 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 SAP નો ટ્રેક રેકોર્ડ
બંધ સિસ્ટમ, SAP થી i માં મેળવવું સરળ હોવાની શક્યતા નથી
તે (???). ઘણા વારસાગત વાતાવરણ છે જે SAP ને શક્તિ આપે છે,
જેમ કે IMS, VSAM, ADABAS, ORACLE, DB2, વગેરે.
SAP "અહીં શોધાયેલ નથી" અભિગમ પર આગ્રહ રાખે છે. એસએપી ઇચ્છતી નથી
નો ઉપયોગ કરવા અથવા બનાવવા માટે અન્ય વિક્રેતાઓ સાથે સહયોગ કરો માહિતી વેરહાઉસ.
SAP તેના તમામ સોફ્ટવેર પોતે જ જનરેટ કરવાનો આગ્રહ રાખે છે.
જો કે SAP એક મોટી અને શક્તિશાળી કંપની છે, પરંતુ હકીકત
ELT, OLAP, વહીવટીતંત્રની તકનીકને ફરીથી લખવાનો પ્રયાસ
સિસ્ટમ અને આધાર કોડ પણ ડીબીએમએસ તે માત્ર પાગલ છે.
સપ્લાયરો સાથે સહકારી વલણ અપનાવવાને બદલે
di માહિતી વેરહાઉસ લાંબા સમયથી, SAP એ અભિગમને અનુસરે છે
તેઓ "વધુ જાણે છે". આ વલણ સફળતાને પાછળ રાખે છે
SAP ના વિસ્તારમાં હોઈ શકે છે માહિતી વેરહાઉસ.
SAP નો બાહ્ય સપ્લાયર્સને ઍક્સેસ કરવાની મંજૂરી આપવાનો ઇનકાર
તાત્કાલિક અને કૃપાથી તેમને dati. ઉપયોગ ખૂબ જ સાર
un માહિતી વેરહાઉસ માટે સરળ ઍક્સેસ છે dati. SAP ની આખી વાર્તા છે
તેને ઍક્સેસ કરવું મુશ્કેલ બનાવવાના આધારે dati.
ના મોટા જથ્થા સાથે વ્યવહાર કરવામાં એસએપીનો અનુભવનો અભાવ dati;
ક્ષેત્રમાં માહિતી વેરહાઉસ ના વોલ્યુમો છે dati ત્યારથી ક્યારેય જોયું નથી
SAP અને આ મોટી માત્રામાં હેન્ડલ કરવા માટે dati તમારી પાસે એક હોવું જ જોઈએ
યોગ્ય ટેકનોલોજી. SAP દેખીતી રીતે આ વિશે જાગૃત નથી
ડેટા ફીલ્ડમાં પ્રવેશવા માટે અસ્તિત્વમાં છે તે તકનીકી અવરોધ
વેરહાઉસ
SAP નું કોર્પોરેટ કલ્ચર: SAP એ એક બિઝનેસ બનાવ્યો છે
i મેળવવામાં dati સિસ્ટમમાંથી. પરંતુ આ કરવા માટે તમારી પાસે હોવું જરૂરી છે
એક અલગ માનસિકતા. પરંપરાગત રીતે, સોફ્ટવેર કંપનીઓ જે હતી
પર્યાવરણમાં ડેટા મેળવવામાં સારા નથી
બીજી રીતે જવા માટે ડેટા મેળવો. જો SAP આ પ્રકારનું કરી શકે છે
switch આવું કરનાર પ્રથમ કંપની હશે.
ટૂંકમાં, કંપની પસંદ કરવી જોઈએ કે કેમ તે પ્રશ્નાર્થ છે
ના સપ્લાયર તરીકે SAP માહિતી વેરહાઉસ. ખૂબ ગંભીર જોખમો છે
એક તરફ અને બીજી તરફ બહુ ઓછા પુરસ્કારો. પણ બીજું છે
કારણ કે જે તારીખ સપ્લાયર તરીકે SAP ની પસંદગીને નિરાશ કરે છે
વેરહાઉસ કારણ કે દરેક કંપનીની એક જ તારીખ હોવી જોઈએ
અન્ય તમામ કંપનીઓના વેરહાઉસ? આ માહિતી વેરહાઉસ તે હૃદય છે
સ્પર્ધાત્મક લાભ. જો દરેક કંપની એ જ અપનાવે
માહિતી વેરહાઉસ તે મુશ્કેલ હશે, ભલે અશક્ય ન હોય,
સ્પર્ધાત્મક લાભ પ્રાપ્ત કરો. SAP એવું લાગે છે કે એ
માહિતી વેરહાઉસ તેને કૂકી તરીકે જોઈ શકાય છે અને તે એ છે
તેમની વધુ નિશાની “ડેટા મેળવો
માં”.
SAP જેટલો અન્ય કોઈ ERP વિક્રેતા પ્રબળ નથી.
નિઃશંકપણે એવી કંપનીઓ હશે જે SAP પાથને અનુસરશે
તેમના માટે માહિતી વેરહાઉસ પરંતુ સંભવતઃ આ તારીખો
SAP વેરહાઉસ મોટા, ખર્ચાળ અને ખૂબ માંગવાળા હશે
તેમની રચના માટેનો સમય.
આ વાતાવરણમાં "બેંક ટેલર પ્રોસેસિંગ" જેવી પ્રવૃત્તિઓનો સમાવેશ થાય છે.
એરલાઇન રિઝર્વેશન માટેની પ્રક્રિયાઓ, ફરિયાદો માટેની પ્રક્રિયાઓ
વીમો, અને તેથી વધુ. ટ્રાન્ઝેક્શન સિસ્ટમ વધુ પ્રદર્શન કરતી હતી,
ઓપરેશનલ પ્રક્રિયા અને વચ્ચે વિભાજનની જરૂરિયાત વધુ સ્પષ્ટ હતી
ડીએસએસ (ડિસિઝન સપોર્ટ સિસ્ટમ). જો કે, સંસાધન સિસ્ટમો સાથે
માનવીય અને વ્યક્તિગત, તમે ક્યારેય મોટી માત્રામાં સામનો કરતા નથી
વ્યવહારો અને, અલબત્ત, જ્યારે કોઈ વ્યક્તિને ભાડે રાખવામાં આવે છે
અથવા કંપની છોડી દો આ વ્યવહારનો રેકોર્ડ છે.
પરંતુ અન્ય સિસ્ટમોની તુલનામાં, માનવ સંસાધન પ્રણાલીઓ અને
વ્યક્તિગત માત્ર ઘણા વ્યવહારો નથી. તેથી, માં
માનવ અને વ્યક્તિગત સંસાધન સિસ્ટમો તે સંપૂર્ણપણે સ્પષ્ટ નથી કે ત્યાં છે
ડેટા વેરહાઉસની જરૂર છે. ઘણી રીતે આ સિસ્ટમો
DSS સિસ્ટમ્સના એકીકરણનું પ્રતિનિધિત્વ કરે છે.
પરંતુ એક બીજું પરિબળ છે જેને ધ્યાનમાં લેવું જરૂરી છે જો તે કરવું હોય
ડેટાવેરહાઉસ અને પીપલસોફ્ટ સાથે કરો. ઘણા વાતાવરણમાં, i dati
માનવીય અને વ્યક્તિગત સંસાધનો વ્યવસાય માટે ગૌણ છે
પ્રાથમિક કંપની. મોટાભાગની કંપનીઓ કામગીરી કરે છે
ઉત્પાદન, વેચાણ, સેવાઓ પૂરી પાડે છે અને તેથી વધુ. ધ
માનવ અને વ્યક્તિગત સંસાધન સિસ્ટમો સામાન્ય રીતે ગૌણ હોય છે (અથવા
આધાર) કંપનીની મુખ્ય બિઝનેસ લાઇનને. તેથી, તે છે
અસ્પષ્ટ અને અસુવિધાજનક એ માહિતી વેરહાઉસ માટે અલગ
માનવ અને વ્યક્તિગત સંસાધનોને સમર્થન.
પીપલસોફ્ટ આ બાબતમાં SAP કરતાં ઘણું અલગ છે. SAP સાથે, તે છે
ફરજિયાત છે કે ત્યાં a માહિતી વેરહાઉસ. પીપલસોફ્ટ સાથે, તે નથી
પછી ખૂબ સ્પષ્ટ. પીપલસોફ્ટ સાથે ડેટા વેરહાઉસ વૈકલ્પિક છે.
માટે કહી શકાય તે શ્રેષ્ઠ વસ્તુ dati પીપલસોફ્ટ એ ડેટા છે
સંગ્રહ કરવા માટે વેરહાઉસનો ઉપયોગ કરી શકાય છે dati સંબંધિત
જૂના માનવ અને વ્યક્તિગત સંસાધનો. માટે બીજું કારણ
જેનો ઉપયોગ કંપની કરવા માંગે છે માહિતી વેરહાઉસ a
પીપલસોફ્ટ પર્યાવરણને નુકસાન પહોંચાડવા માટે ઍક્સેસની મંજૂરી આપવી અને
વિશ્લેષણ સાધનોની મફત ઍક્સેસ, એઆઈ dati પીપલસોફ્ટ દ્વારા. પણ
આ કારણો ઉપરાંત, એવા કિસ્સાઓ હોઈ શકે છે જ્યાં તે ન કરવું વધુ સારું છે
માટે ડેટા વેરહાઉસ છે dati પીપલસોફ્ટ.
સારમાં
તારીખના બાંધકામમાં ઘણી આંતરદૃષ્ટિ છે
ERP સોફ્ટવેરની અંદર વેરહાઉસ.
આમાંના કેટલાક છે:
▪ એ હોવું અર્થપૂર્ણ છે માહિતી વેરહાઉસ તે કોઈપણ જેવો દેખાય છે
ઉદ્યોગમાં બીજું?
▪ ERP કેટલું લવચીક છે માહિતી વેરહાઉસ સ softwareફ્ટવેર?
▪ એક ERP માહિતી વેરહાઉસ સોફ્ટવેર વોલ્યુમ હેન્ડલ કરી શકે છે
dati જે "માહિતી વેરહાઉસ અખાડો"?
▪ ERP વિક્રેતા જે ટ્રેક રેકોર્ડ બનાવે છે તે શું છે
સમયની દ્રષ્ટિએ, સરળ અને સસ્તું સામનો કરવો dati? (શું
સસ્તી ડિલિવરી પર ERP વિક્રેતાઓનો ટ્રેક રેકોર્ડ છે
સમય, ડેટા ઍક્સેસ કરવા માટે સરળ?)
▪ DSS આર્કિટેક્ચરની સમજ શું છે અને
ERP વિક્રેતા દ્વારા "કોર્પોરેટ માહિતી ફેક્ટરી"?
▪ ERP વિક્રેતાઓ સમજે છે કે કેવી રીતે મેળવવું dati ની અંદર
પર્યાવરણ, પણ તેમને નિકાસ કેવી રીતે સમજવું?
▪ ERP ના વેચાણકર્તા અત્યાર સુધીના સાધનો કેટલા ખુલ્લા છે
વેરહાઉસિંગ?
આ બધી વિચારણાઓ નક્કી કરતી વખતે થવી જોઈએ
ક્યાં મૂકવું માહિતી વેરહાઉસ જે હોસ્ટ કરશે i dati ERP અને અન્ય
dati. સામાન્ય રીતે, જ્યાં સુધી તેના માટે કોઈ અનિવાર્ય કારણ ન હોય
અન્યથા કરવા માટે, બિલ્ડ કરવાની ભલામણ કરવામાં આવે છે માહિતી વેરહાઉસ બહાર
ERP વિક્રેતાના પર્યાવરણમાંથી.
પ્રકરણ 1
BI સંસ્થાની ઝાંખી
કી પોઇન્ટ:
માહિતીના ભંડાર આદરની વિરુદ્ધ રીતે કાર્ય કરે છે
બિઝનેસ ઇન્ટેલિજન્સ (BI) આર્કિટેક્ચર માટે:
કોર્પોરેટ કલ્ચર અને આઈટી સફળતાને મર્યાદિત કરી શકે છે
BI સંસ્થાઓનું નિર્માણ.
ટેક્નોલોજી હવે BI સંસ્થાઓ માટે મર્યાદિત પરિબળ નથી. આ
આર્કિટેક્ટ્સ અને પ્રોજેક્ટ પ્લાનર્સ માટે સમસ્યા એ નથી કે જો
ટેકનોલોજી અસ્તિત્વમાં છે, પરંતુ જો તેઓ અસરકારક રીતે અમલ કરી શકે
ઉપલબ્ધ ટેકનોલોજી.
ઘણી કંપનીઓ માટે એ માહિતી વેરહાઉસ તે થાપણ કરતાં થોડું વધારે છે
નિષ્ક્રિય વિતરણ i dati જે વપરાશકર્તાઓને તેની જરૂર છે. ધ dati
તેઓ સ્ત્રોત સિસ્ટમોમાંથી કાઢવામાં આવે છે અને લક્ષ્ય માળખામાં વસવાટ કરે છે
di માહિતી વેરહાઉસ. હું dati તેઓ પણ સમગ્ર સાથે સાફ કરી શકાય છે
નસીબ. જો કે કોઈ વધારાની કિંમત પણ ઉમેરવામાં આવતી નથી
દ્વારા એકત્રિત dati આ પ્રક્રિયા દરમિયાન.
આવશ્યકપણે, નિષ્ક્રિય DW, શ્રેષ્ઠ રીતે, પહોંચાડે છે
માત્ર હું dati સ્વચ્છ અને વપરાશકર્તા સંગઠનો માટે કાર્યરત. ત્યાં
માહિતી નિર્માણ અને વિશ્લેષણાત્મક સમજ આધાર રાખે છે
સંપૂર્ણપણે વપરાશકર્તાઓ દ્વારા. ન્યાયાધીશ જો DW (ડેટા વેરહાઉસ) છે
સફળતા વ્યક્તિલક્ષી છે. જો આપણે સફળતાનો ન્યાય કરીએ તો
કાર્યક્ષમ રીતે એકત્રિત, એકીકૃત અને સાફ કરવાની ક્ષમતા i dati
અનુમાનિત ધોરણે કોર્પોરેટ, તો પછી હા, DW હિટ છે.
બીજી બાજુ, જો આપણે સંગ્રહ, એકત્રીકરણ અને તે જોઈએ
માહિતી શોષણ સમગ્ર સંસ્થા, પછી
DW નિષ્ફળતા છે. A DW નું ઓછું અથવા કોઈ મૂલ્ય પૂરું પાડે છે
માહિતી પરિણામે, વપરાશકર્તાઓને કરવા માટે ફરજ પાડવામાં આવે છે,
આમ માહિતી સિલોસ બનાવે છે. આ પ્રકરણ રજૂ કરે છે
BI (બિઝનેસ
ઇન્ટેલિજન્સ) કંપનીઓની. ચાલો BI અને ના વર્ણન સાથે પ્રારંભ કરીએ
પછી અમે ડિઝાઇનની ચર્ચાઓ તરફ આગળ વધીશું અને
માહિતી વિકાસ, ફક્ત i પ્રદાન કરવાના વિરોધમાં dati
વપરાશકર્તાઓ માટે. ચર્ચાઓ પછી ની ગણતરી પર કેન્દ્રિત છે
તમારા BI પ્રયત્નોનું મૂલ્ય. અમે IBM કેવી રીતે વ્યાખ્યાયિત કરીને નિષ્કર્ષ કાઢીએ છીએ
તમારી સંસ્થાની આર્કિટેક્ચરલ BI જરૂરિયાતોને સંબોધિત કરે છે.
ના આર્કિટેક્ચરનું વર્ણન
BI નું સંગઠન
શક્તિશાળી ટ્રાન્ઝેક્શન લક્ષી માહિતી સિસ્ટમો હવે છે
દરેક મોટા એન્ટરપ્રાઈઝમાં કાર્યસૂચિ પર, જેમ કે તેઓ સ્તરે છે
વિશ્વભરની કંપનીઓ માટે અસરકારક રીતે રમતનું મેદાન.
સ્પર્ધાત્મક રહેવા માટે, જો કે, હવે વિશ્લેષણાત્મક રીતે સિસ્ટમોની જરૂર છે
તેના માટે લક્ષી પુનઃશોધ કરીને કંપનીની ક્ષમતામાં ક્રાંતિ લાવી શકે છે અને
તેમની પાસે પહેલેથી જ છે તે માહિતીનો ઉપયોગ કરીને. આ સિસ્ટમો
ની સંપત્તિની સમજણમાંથી વિશ્લેષણ મેળવે છે dati
ઉપલબ્ધ. BI તમામ માહિતીમાં પ્રદર્શન સુધારી શકે છે
કંપનીના. કંપનીઓ ગ્રાહક સંબંધો સુધારી શકે છે અને
સપ્લાયર્સ, ઉત્પાદનો અને સેવાઓના નફામાં સુધારો, પેદા કરે છે
નવી અને શ્રેષ્ઠ ઑફરો, જોખમ નિયંત્રણ અને અન્ય ઘણા લોકો વચ્ચે
કમાણી ખર્ચમાં ભારે ઘટાડો કરે છે. BI તમારી સાથે
કંપની આખરે ગ્રાહક માહિતીનો ઉપયોગ કરવાનું શરૂ કરે છે
એક સ્પર્ધાત્મક સંપત્તિ તરીકે જે એપ્લિકેશનના ઉદ્દેશ્ય ધરાવે છે તેના માટે આભાર
બજાર
યોગ્ય વ્યવસાય હોવાનો અર્થ એ છે કે ચોક્કસ જવાબો હોવા
મુખ્ય પ્રશ્નો જેવા કે:
▪ આપણામાંથી કયું ગ્રાહકો તેઓ અમને વધુ કમાણી કરાવે છે, અથવા ત્યાં
શું તેઓ ખોટમાં મોકલે છે?
▪ જ્યાં આપણું શ્રેષ્ઠ રહે છે ગ્રાહકો ના સંબંધમાં દુકાન/
વેરહાઉસ કે તેઓ વારંવાર?
▪ અમારા ઉત્પાદનો અને સેવાઓમાંથી કઈ સૌથી વધુ વેચી શકાય છે
અસરકારક રીતે અને કોને?
▪ કયા ઉત્પાદનો સૌથી વધુ અસરકારક રીતે અને કોને વેચી શકાય છે?
▪ કઈ વેચાણ ઝુંબેશ સૌથી સફળ રહી 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 જવાબ આપવા માટે રફ
આ પ્રશ્નો.
કાર્યકારી પ્રણાલીઓ ઉત્પાદનના મોટા જથ્થામાં ઉત્પાદન કરે છે
ગ્રાહક અને dati વેચાણના સ્થળો, બુકિંગથી બજાર,
ગ્રાહક સેવા અને તકનીકી સપોર્ટ સિસ્ટમ્સમાંથી. પડકાર છે
આ માહિતીને બહાર કાઢો અને તેનો ઉપયોગ કરો.
ઘણી કંપનીઓ તેમના પોતાના માત્ર નાના અપૂર્ણાંકનો લાભ લે છે dati
વ્યૂહાત્મક વિશ્લેષણ માટે.
I dati બાકી, ઘણીવાર i સાથે જોડાયા dati બાહ્ય સ્ત્રોતોમાંથી પરિણમે છે જેમ કે i
"સરકારી અહેવાલો", અને અન્ય ખરીદેલી માહિતી, એક છે
સોનાની ખાણ માત્ર અન્વેષણની રાહ જોઈ રહી છે, ei dati જ જોઈએ
ફક્ત તમારા માહિતીપ્રદ સંદર્ભમાં શુદ્ધ કરો
સંસ્થા
આ જ્ઞાનને ઘણી રીતે, વિવિધતાઓમાં લાગુ કરી શકાય છે
સામાન્ય કોર્પોરેટ વ્યૂહરચના ડિઝાઇન કરવાથી
કોલ સેન્ટરો દ્વારા સપ્લાયરો સાથે વ્યક્તિગત સંચાર,
ઇન્વોઇસિંગ ઈન્ટરનેટ અને અન્ય મુદ્દાઓ. આજનું બિઝનેસ વાતાવરણ નિર્દેશ કરે છે
કે DW અને સંબંધિત BI ઉકેલો વધુ વિકસિત થાય છે
ની પરંપરાગત રચનાઓનું અમલીકરણ dati જે i dati માટે નોર્મલાઇઝ્ડ
અણુ-સ્તર અને "સ્ટાર/ક્યુબ ફાર્મ્સ".
સ્પર્ધાત્મક રહેવા માટે જે જરૂરી છે તે મર્જર છે
ટેકો આપવાના પ્રયાસમાં પરંપરાગત અને અદ્યતન ટેકનોલોજી
વિશાળ વિશ્લેષણાત્મક લેન્ડસ્કેપ.
છેવટે, સામાન્ય વાતાવરણે જ્ઞાનમાં સુધારો કરવો જોઈએ
સમગ્ર કંપનીની, ખાતરી કરો કે પગલાં લેવામાં આવ્યા છે
હાથ ધરવામાં આવેલા વિશ્લેષણના પરિણામે, તેઓ ઉપયોગી છે જેથી દરેક કરે
લાભ
ઉદાહરણ તરીકે, ચાલો કહીએ કે તમે તમારો રેન્ક છો ગ્રાહકો શ્રેણીઓમાં
ઉચ્ચ અથવા ઓછું જોખમ.
જો આ માહિતી એક્સ્ટ્રેક્ટીંગ મોડેલ દ્વારા જનરેટ કરવામાં આવે છે અથવા
અન્ય માધ્યમો, તેને DW માં મૂકવું જોઈએ અને તેને સુલભ બનાવવું જોઈએ
કોઈપણ, ઍક્સેસના કોઈપણ માધ્યમ દ્વારા, જેમ કે i
સ્થિર અહેવાલો, સ્પ્રેડશીટ્સ, કોષ્ટકો અથવા વિશ્લેષણાત્મક પ્રક્રિયામાં
રેખા (OLAP).
જો કે, હાલમાં, આ પ્રકારની ઘણી બધી માહિતી
ના સિલોસમાં રહે છે dati તેઓ જે વ્યક્તિઓ અથવા વિભાગો બનાવે છે
વિશ્લેષણ એકંદરે સંસ્થામાં ઓછી અથવા કોઈ દૃશ્યતા નથી
સમજણ માટે. ફક્ત આ પ્રકારની સામગ્રીને મિશ્રિત કરીને
તમારી કંપની DW માં માહિતી તમે ના silos દૂર કરી શકો છો
માહિતી અને તમારા Dw પર્યાવરણને ઉન્નત કરો.
સંસ્થાના વિકાસમાં બે મુખ્ય અવરોધો છે
BI ના.
પ્રથમ, આપણી પાસે સંસ્થાની જ સમસ્યા છે
સંબંધિત નિયમો.
જોકે અમે નીતિમાં ફેરફાર કરવામાં મદદ કરી શકતા નથી
સંસ્થા, અમે તમને ના ઘટકો સમજવામાં મદદ કરી શકીએ છીએ
BI સંસ્થા, તેનું આર્કિટેક્ચર અને કેવી રીતે
IBM તકનીક તેના વિકાસને સરળ બનાવે છે.
દૂર કરવા માટેનો બીજો અવરોધ ટેકનોલોજીનો અભાવ છે
સંકલિત અને એક પદ્ધતિનું જ્ઞાન જે સમગ્ર જગ્યાને યાદ કરે છે
BI ના માત્ર એક નાના ઘટકના વિરોધમાં.
IBM ટેક્નોલોજીમાં થતા ફેરફારોને પ્રતિસાદ આપી રહ્યું છે
એકીકરણનું. ડિઝાઇન પ્રદાન કરવાની જવાબદારી તમારી છે
સ્વ સભાન. આ આર્કિટેક્ચર સાથે વિકસિત થવું જોઈએ
કોઈપણ અવરોધ વિના અથવા ઓછામાં ઓછા સાથે સંકલન માટે પસંદ કરેલ તકનીક
ટેકનોલોજી કે જે ખુલ્લા ધોરણોનું પાલન કરે છે. પણ, તમારું
કંપની મેનેજમેન્ટે ખાતરી કરવી જોઈએ કે Bi નું એન્ટરપ્રાઇઝ છે
શેડ્યૂલ અનુસાર હાથ ધરવામાં આવે છે અને તેને મંજૂરી આપવી નહીં
સ્વ-સેવાથી મેળવેલી માહિતી સિલોસનો વિકાસ
કાર્યસૂચિ અથવા લક્ષ્યો.
આનો અર્થ એ નથી કે BI પર્યાવરણ પ્રત્યે સંવેદનશીલ નથી
વિવિધ વપરાશકર્તાઓની વિવિધ જરૂરિયાતો અને જરૂરિયાતો પર પ્રતિક્રિયા; તેના બદલે, તેનો અર્થ છે
કે તે વ્યક્તિગત જરૂરિયાતો અને જરૂરિયાતોનું અમલીકરણ છે
સમગ્ર BI સંસ્થાના લાભ માટે કરવામાં આવે છે.
BI સંસ્થાના આર્કિટેક્ચરનું વર્ણન કરી શકે છે
આકૃતિ 9 માં પૃષ્ઠ 1.1 પર જોવા મળે છે. આર્કિટેક્ચર દર્શાવે છે
તકનીકો અને તકનીકોનું સમૃદ્ધ મિશ્રણ.
પરંપરાગત દૃષ્ટિકોણથી, આર્કિટેક્ચરમાં નીચેના ઘટકોનો સમાવેશ થાય છે
વેરહાઉસનું
અણુ સ્તર.
આ પાયો છે, સમગ્ર DW નું હૃદય અને તેથી
વ્યૂહાત્મક અહેવાલ.
I dati અહીં સંગ્રહિત ઐતિહાસિક અખંડિતતા જાળવી રાખશે, ના અહેવાલો
dati અને વ્યુત્પન્ન મેટ્રિક, તેમજ સ્વચ્છ હોવાનો સમાવેશ કરો,
એક્સ્ટ્રેક્ટીંગ ટેમ્પ્લેટ્સનો ઉપયોગ કરીને સંકલિત અને સંગ્રહિત.
આ તમામ અનુગામી ઉપયોગ dati અને સંબંધિત માહિતી છે
આ રચનામાંથી તારવેલી. માટે આ એક ઉત્તમ સ્ત્રોત છે
ના નિષ્કર્ષણ 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 માટે ખાસ રચાયેલ છે
તકનીકી અહેવાલ.
I dati સંગ્રહિત અને આ માળખાં પર વહન કરી શકે છે
સંગઠન ઝોન દ્વારા વેરહાઉસમાં પ્રચાર કરો (સ્ટેજિંગ
વિસ્તાર), જ્યાં તેનો ઉપયોગ વ્યૂહાત્મક રિપોર્ટિંગ માટે થઈ શકે છે.
સ્ટેજીંગ વિસ્તાર.
મોટાભાગના માટે પ્રથમ સ્ટોપ dati ના પર્યાવરણ માટે બનાવાયેલ છે
વેરહાઉસ એ સંસ્થાનું ક્ષેત્ર છે.
અહીં આઇ dati તેઓ એકીકૃત, સાફ અને રૂપાંતરિત થાય છે dati તે ઉપયોગી છે
વેરહાઉસ માળખું વસાવશે
ડેટ માર્ટ્સ.
આર્કિટેક્ચરનો આ ભાગ ની રચનાનું પ્રતિનિધિત્વ કરે છે dati વપરાયેલ
ખાસ કરીને OLAP માટે. ડેટામાર્ટની હાજરી, જો i dati ઊંઘ
ઓવરલેપ થતી સ્ટાર સ્કીમમાં સંગ્રહિત dati
રિલેશનલ વાતાવરણમાં અથવા ફાઇલિંગ કેબિનેટમાં બહુપરીમાણીય
di dati ચોક્કસ OLAP ટેક્નોલોજી દ્વારા ઉપયોગમાં લેવાતી માલિકી, જેમ કે
DB2 OLAP સર્વર, તે સંબંધિત નથી.
એકમાત્ર અવરોધ એ છે કે આર્કિટેક્ચર ઉપયોગની સુવિધા આપે છે dati
બહુપરીમાણીય.
આર્કિટેક્ચરમાં Bi ની નિર્ણાયક તકનીકો અને તકનીકોનો પણ સમાવેશ થાય છે
જે આ રીતે અલગ પડે છે:
અવકાશી વિશ્લેષણ
વિશ્લેષક અને માટે અવકાશ માહિતીનો વિન્ડફોલ છે
તે પૂર્ણ રીઝોલ્યુશન માટે મહત્વપૂર્ણ છે. જગ્યા કરી શકે છે
ચોક્કસમાં રહેતા લોકોની માહિતીનું પ્રતિનિધિત્વ કરે છે
સ્થાન, તેમજ તે સ્થાન ક્યાં છે તેની માહિતી
શારીરિક રીતે બાકીના વિશ્વની સરખામણીમાં.
આ પૃથ્થકરણ કરવા માટે, તમારે તમારી સાથે બાંધીને શરૂ કરવું આવશ્યક છે
અક્ષાંશ અને રેખાંશ સંકલન પર માહિતી. તે જ
"જીઓકોડિંગ" તરીકે ઓળખવામાં આવે છે અને તે નિષ્કર્ષણનો ભાગ હોવો જોઈએ,
ટ્રાન્સફોર્મેશન, અને લોડિંગ પ્રક્રિયા (ETL) સ્તર પર
તમારા વેરહાઉસની.
માહિતી ખાણકામ.
ના નિષ્કર્ષણ dati અમારી કંપનીઓને વૃદ્ધિ કરવાની મંજૂરી આપે છે
નંબર ડી ગ્રાહકો, વેચાણના વલણોની આગાહી કરવા અને મંજૂરી આપવા માટે
i સાથે સંબંધોનું સંચાલન ગ્રાહકો (સીઆરએમ), ની અન્ય પહેલો વચ્ચે
BI.
ના નિષ્કર્ષણ dati તેથી તે ના બંધારણો સાથે સંકલિત હોવું આવશ્યક છે
dati DWHouse ના અને માટે વેરહાઉસ પ્રક્રિયાઓ દ્વારા સમર્થિત
ટેકનોલોજીના અસરકારક અને કાર્યક્ષમ ઉપયોગની ખાતરી કરો અને
સંબંધિત તકનીકો.
BI આર્કિટેક્ચરમાં સૂચવ્યા મુજબ, ના અણુ સ્તર
Dwhouse, datamarts જેમ, એક ઉત્તમ સ્ત્રોત છે dati
નિષ્કર્ષણ માટે. તે જ રચનાઓ પણ હોવી જોઈએ
ની ઉપલબ્ધતા સુનિશ્ચિત કરવા માટે નિષ્કર્ષણ પરિણામોના પ્રાપ્તકર્તાઓ
વ્યાપક પ્રેક્ષકો.
એજન્ટો.
દરેક મુદ્દા માટે ક્લાયન્ટની તપાસ કરવા માટે વિવિધ એજન્ટો છે જેમ કે, i
કંપનીની ઓપરેટિંગ સિસ્ટમ્સ અને તે જ dw. આ એજન્ટો કરી શકે છે
અદ્યતન ન્યુરલ નેટવર્ક વિશે જાણવા માટે પ્રશિક્ષિત બનો
દરેક બિંદુના વલણો, જેમ કે ઉત્પાદન આધારિત ભાવિ માંગ
વેચાણ પ્રમોશન પર, પ્રતિક્રિયા આપવા માટે નિયમો-આધારિત એન્જિન
un ડેટો સંજોગોનો સમૂહ, અથવા તો સરળ એજન્ટો કે જે
તેઓ "ટોચના અધિકારીઓ" ને અપવાદોની જાણ કરે છે. આ પ્રક્રિયાઓ કરે છે
સામાન્ય રીતે વાસ્તવિક સમયમાં હાજર હોય છે અને તેથી આવશ્યક છે
તેની હિલચાલ સાથે નજીકથી જોડાયેલા રહો dati.
ની આ બધી રચનાઓ dati, તકનીકો અને તકનીકો ગેરંટી આપે છે
કે તમે એક સંસ્થા બનાવવા માટે રાત વિતાવશો નહીં
તમારું BI.
આ પ્રવૃતિ નાના લોકો માટે વધતા જતા પગલાઓમાં વિકસાવવામાં આવશે
પોઈન્ટ
દરેક પગલું એક સ્વતંત્ર પ્રોજેક્ટ પ્રયાસ છે, અને તેની જાણ કરવામાં આવે છે
તમારી dw અથવા BI પહેલમાં પુનરાવર્તન તરીકે. પુનરાવર્તનો
માટે, નવી તકનીકોના અમલીકરણનો સમાવેશ કરી શકે છે
નવી રચનાઓ ઉમેરીને નવી તકનીકો સાથે પ્રારંભ કરો dati ,
લોડ કરી રહ્યું છે i dati વધારાના, અથવા વિશ્લેષણના વિસ્તરણ સાથે
તમારું વાતાવરણ. આ ફકરાની વધુ ચર્ચા કરવામાં આવી છે
પ્રકરણ 3 માં ઊંડાણપૂર્વક.
Dw ની પરંપરાગત રચનાઓ અને Bi ના સાધનો ઉપરાંત અન્ય છે
તમારી BI સંસ્થાના કાર્યો કે જેના પર તમે ઋણી છો
ડિઝાઇન, જેમ કે:
ગ્રાહક સ્પર્શ બિંદુઓ (ગ્રાહક સ્પર્શ
બિંદુઓ).
કોઈપણ આધુનિક સંસ્થાની જેમ ત્યાં સંખ્યાબંધ છે
ગ્રાહક ટચપોઇન્ટ્સ જે સૂચવે છે કે અનુભવ કેવી રીતે મેળવવો
તમારા માટે સકારાત્મક ગ્રાહકો. ત્યાં પરંપરાગત ચેનલો છે જેમ કે i
વેપારીઓ, સ્વીચબોર્ડ ઓપરેટર્સ, ડાયરેક્ટ મેઇલ, મલ્ટીમીડિયા અને પ્રિન્ટીંગ
જાહેરાત, તેમજ સૌથી વર્તમાન ચેનલો જેમ કે ઈમેલ અને વેબ, i dati
સંપર્કના અમુક બિંદુ સાથે ઉત્પાદનો હસ્તગત કરવા આવશ્યક છે,
ની રચનાઓમાં પરિવહન, સાફ, રૂપાંતરિત અને પછી વસ્તી dati ડેલ્લા
BI.
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
ઊંઘ dati પરંપરાગત કે જે પુનઃજોડાવું જોઈએ અને સાથે મર્જ કરવું જોઈએ dati કે
આવશ્યકતા પૂરી કરવા માટે સંપર્ક બિંદુઓમાંથી પ્રવાહ
માહિતી
વિશ્લેષકો. (વિશ્લેષકો)
BI પર્યાવરણના પ્રાથમિક લાભાર્થી વિશ્લેષક છે. તે તે છે જે
ના વર્તમાન નિષ્કર્ષણથી લાભો dati ઓપરેશનલ, સાથે સંકલિત
ના વિવિધ સ્ત્રોતો dati , વિશ્લેષણ જેવી વિશેષતાઓ સાથે વિસ્તૃત
ભૌગોલિક (જિયોકોડિંગ) અને BI ટેક્નોલોજીમાં પ્રસ્તુત કે
તમને અર્ક, OLAP, અદ્યતન SQL રિપોર્ટિંગ અને વિશ્લેષણ કરવાની મંજૂરી આપે છે
ભૌગોલિક ના પર્યાવરણ માટે વિશ્લેષક માટે પ્રાથમિક ઇન્ટરફેસ
રિપોર્ટિંગ એ BI પોર્ટલ છે.
જો કે, વિશ્લેષક એકમાત્ર એવા નથી કે જેઓ આર્કિટેક્ચરથી લાભ મેળવે છે
BI.
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. એક સિદ્ધાંત
ની સતત રચનાઓને મંજૂરી આપવી એ વિકાસની લાક્ષણિકતા છે dati
વપરાયેલ BI ટેક્નોલોજી અને ક્રિયાઓ દ્વારા અપડેટ કરવા માટે
વપરાશકર્તાની સમજ. એક ઉદાહરણ એ મૂલ્યાંકન છે
ગ્રાહક (ગ્રાહક સ્કોરિંગ).
જો વેચાણ વિભાગ ખાણકામનું મોડેલ બનાવે છે
નવી સેવાનો ઉપયોગ કરવા માટે ગ્રાહકના સ્કોર્સમાંથી, પછી
વેચાણ વિભાગ માત્ર લાભાર્થી જૂથ ન હોવું જોઈએ
સેવાની.
તેના બદલે, માઇનિંગ મોડેલને એક ભાગ તરીકે બનાવવું જોઈએ
કંપનીમાં કુદરતી ડેટાનો પ્રવાહ અને ગ્રાહકના સ્કોર્સ
તે માહિતી વાતાવરણનો એક સંકલિત ભાગ બનવો જોઈએ
વેરહાઉસ, બધા વપરાશકર્તાઓ માટે દૃશ્યક્ષમ. દ્વિ-દ્વિ-કેન્દ્રિત IBM સ્યુટ
DB2 UDB સહિત, DB2 OLAP સર્વરમાં મોટા ભાગનો સમાવેશ થાય છે
ટેક્નોલોજીના મહત્વના ઘટકોનો ભાગ, આકૃતિમાં વ્યાખ્યાયિત
1.1.
અમે આર્કિટેક્ચરનો ઉપયોગ કરીએ છીએ કારણ કે તે આ પુસ્તકની આકૃતિમાં દેખાય છે
અમને સાતત્યનું સ્તર આપો અને દરેક ઉત્પાદન કેવી રીતે બતાવો
IBM ની BI ની સામાન્ય યોજનામાં ફિટ છે.
માહિતી સામગ્રી પૂરી પાડવી (પૂરી પાડવી
માહિતી સામગ્રી)
તમારા BI પર્યાવરણની રચના, વિકાસ અને અમલીકરણ છે
એક મુશ્કેલ ઓપરેશન. ડિઝાઇન ખૂબ આલિંગવું જ જોઈએ
વર્તમાન અને ભાવિ વ્યવસાય જરૂરિયાતો. આર્કિટેક્ચરની ડિઝાઇન
મળેલા તમામ તારણો સમાવવા માટે તે પૂર્ણ હોવું આવશ્યક છે
ડિઝાઇન તબક્કા દરમિયાન. અમલ રહે જ જોઈએ
એક જ હેતુ માટે પ્રતિબદ્ધ: BI ના આર્કિટેક્ચરને વિકસાવવા
ની જરૂરિયાતોને આધારે ડ્રોઇંગમાં ઔપચારિક રીતે રજૂ કર્યા મુજબ
બિઝનેસ.
ખાસ કરીને એવી દલીલ કરવી મુશ્કેલ છે કે શિસ્ત ખાતરી કરશે
સંબંધિત સફળતા.
આ સરળ છે કારણ કે તમે સંપૂર્ણ BI વાતાવરણ વિકસાવતા નથી
અચાનક, પરંતુ તે સમય જતાં નાના પગલાઓમાં થાય છે.
જો કે, તમારા આર્કિટેક્ચરના BI ઘટકોને ઓળખવા છે
બે કારણોસર મહત્વપૂર્ણ: તમે પછીના તમામ નિર્ણયોનું માર્ગદર્શન કરશો
આર્કિટેક્ચરલ તકનીકો.
તમે ટેક્નોલોજીના ચોક્કસ ઉપયોગને સભાનપણે ડિઝાઇન કરી શકશો
જો કે તમને જરૂર હોય તેવા પ્રતિનિધિ ન મળે
કેટલાક મહિનાઓ માટે ટેકનોલોજી.
તમારી વ્યવસાયની જરૂરિયાતોને પૂરતા પ્રમાણમાં સમજવાથી પ્રકારને અસર થશે
ઉત્પાદનો કે જે તમે તમારા આર્કિટેક્ચર માટે પ્રાપ્ત કરશો.
તમારા આર્કિટેક્ચરની ડિઝાઇન અને વિકાસ સુનિશ્ચિત કરે છે
કે તમારું વેરહાઉસ છે
કોઈ અવ્યવસ્થિત ઘટના નથી, પરંતુ "સુવિચારી"
કાળજીપૂર્વક બનાવેલ જાહેરાત ઓપેરા એક મોઝેક તરીકે કલા
મિશ્રિત તકનીક.
માહિતી સામગ્રી ડિઝાઇન
તમામ પ્રારંભિક આયોજન પર ધ્યાન કેન્દ્રિત કરવું અને ઓળખવું આવશ્યક છે
BI ના મુખ્ય ઘટકો કે જે પર્યાવરણ દ્વારા જરૂરી હશે
વર્તમાન અને ભવિષ્યમાં સામાન્ય.
વ્યવસાયની આવશ્યકતાઓને જાણવી મહત્વપૂર્ણ છે.
તમામ પરંપરાગત આયોજન શરૂ થાય તે પહેલાં જ, ધ
પ્રોજેક્ટ પ્લાનર ઘણીવાર એક કે બે ઓળખી શકે છે
તરત જ ઘટક.
ઘટકોનું સંતુલન જે માટે જરૂરી હોઈ શકે છે
તમારું આર્કિટેક્ચર, જોકે, સરળતાથી શોધી શકાતું નથી.
ડિઝાઇન તબક્કા દરમિયાન, આર્કિટેક્ચરનો મુખ્ય ભાગ
એપ્લિકેશન ડેવલપમેન્ટ સેશન (JAD) ને શોધ પર જોડે છે
વ્યવસાય જરૂરિયાતો ઓળખવા માટે.
કેટલીકવાર આ જરૂરિયાતોને આઉટસોર્સ કરી શકાય છે
પ્રશ્નો અને અહેવાલ.
ઉદાહરણ તરીકે, વપરાશકર્તાઓ જાહેર કરે છે કે જો તેઓ સ્વચાલિત કરવા માંગતા હોય
હાલમાં સંકલન કરીને રિપોર્ટ મેન્યુઅલી જનરેટ કરવાનો હોય છે
બે વર્તમાન ગુણોત્તર અને તેમાંથી મેળવેલી ગણતરીઓ ઉમેરી રહ્યા છે
નું સંયોજન dati.
જ્યારે આ જરૂરિયાત સરળ છે, તે ચોક્કસ એક વ્યાખ્યાયિત કરે છે
સુવિધાની કાર્યક્ષમતા જ્યારે તમારે શામેલ કરવી આવશ્યક છે
તમારી સંસ્થા માટે રિપોર્ટિંગ સાધનો ખરીદો.
ડિઝાઇનર માટે વધારાની આવશ્યકતાઓને પણ અનુસરવી આવશ્યક છે
સંપૂર્ણ ચિત્ર મેળવો. વપરાશકર્તાઓ સબ્સ્ક્રાઇબ કરવા માંગે છે
આ અહેવાલ?
રિપોર્ટના સબસેટ્સ જનરેટ કરવામાં આવે છે અને વિવિધને ઈમેલ કરવામાં આવે છે
વપરાશકર્તાઓ? કંપનીના પોર્ટલ પર આ રિપોર્ટ જોવા માંગો છો?
આ તમામ જરૂરિયાતો માટે સરળ જરૂરિયાતનો ભાગ છે
વપરાશકર્તાઓ દ્વારા આવશ્યકતા મુજબ મેન્યુઅલ રિપોર્ટ બદલો. લાભ
આ પ્રકારની જરૂરિયાતો દરેકને, વપરાશકર્તાઓ અને ડિઝાઇનરો પાસે હોય છે
અહેવાલોના ખ્યાલની સમજ.
અન્ય પ્રકારના વ્યવસાયો છે, જો કે, આપણે આયોજન કરવાની જરૂર છે.
જ્યારે વ્યવસાયની આવશ્યકતાઓ સ્વરૂપમાં જણાવવામાં આવે છે
વ્યવસાયિક વ્યૂહાત્મક પ્રશ્નો, તે અનુભવી ડિઝાઇનર માટે સરળ છે
માપ / હકીકત અને પરિમાણીય આવશ્યકતાઓને પારખવી.
આકૃતિ 1.2 a ના માપન અને પરિમાણીય ઘટકોને દર્શાવે છે
ધંધાકીય સમસ્યા.
જો JAD વપરાશકર્તાઓ તેમની જરૂરિયાતો કેવી રીતે જાહેર કરવી તે જાણતા નથી
વ્યવસાયિક સમસ્યાના સ્વરૂપમાં, ડિઝાઇનર ઘણીવાર પ્રદાન કરશે
સંગ્રહ સત્રને છોડવા-શરૂ કરવાના ઉદાહરણો
જરૂરિયાતો
નિષ્ણાત ડિઝાઇનર વપરાશકર્તાઓને માત્ર સમજવામાં મદદ કરી શકે છે
વ્યૂહાત્મક વેપાર, પણ તેને કેવી રીતે તાલીમ આપવી.
જરૂરિયાતો એકત્ર કરવાના અભિગમની ચર્ચા પ્રકરણ 3માં કરવામાં આવી છે; માટે
હવે અમે ફક્ત દરેક માટે ડિઝાઇન કરવાની જરૂરિયાત દર્શાવવા માંગીએ છીએ
BI જરૂરિયાતોના પ્રકાર
વ્યૂહાત્મક વ્યવસાય સમસ્યા એ માત્ર જરૂરિયાત નથી
વ્યવસાય, પણ એક ડિઝાઇન ચાવી. જવાબ આપવો હોય તો
બહુપરીમાણીય પ્રશ્ન માટે, પછી તમારે યાદ રાખવું પડશે,
સબમિટ કરો i dati પરિમાણો, અને જો તમારે સંગ્રહ કરવાની જરૂર હોય તો i
dati બહુપરીમાણીય, તમારે નક્કી કરવું પડશે કે કઈ પ્રકારની તકનીક અથવા
તમે ઉપયોગ કરવા જઈ રહ્યા છો તે તકનીક.
શું તમે આરક્ષિત ક્યુબ સ્ટાર સ્કીમ લાગુ કરો છો કે બંને?
જેમ તમે જોઈ શકો છો, એક સરળ વ્યવસાય સમસ્યા પણ
તે ડિઝાઇન પર નોંધપાત્ર પ્રભાવ પાડી શકે છે. જોકે
આ પ્રકારની વ્યવસાયિક આવશ્યકતાઓ સામાન્ય છે અને અલબત્ત, ઓછામાં ઓછી
અનુભવી ડિઝાઇનરો અને પ્રોજેક્ટ પ્લાનર્સ દ્વારા.
ની ટેક્નોલોજી અને સમર્થન પર પૂરતી ચર્ચા થઈ છે
OLAP, અને ઉકેલોની વિશાળ શ્રેણી ઉપલબ્ધ છે. અત્યાર સુધી
અમે i સાથે સરળ રિપોર્ટિંગને જોડવાની જરૂરિયાતનો ઉલ્લેખ કર્યો છે
વ્યવસાયની પરિમાણીય જરૂરિયાતો અને આ જરૂરિયાતો કેવી રીતે
તકનીકી સ્થાપત્ય નિર્ણયોને પ્રભાવિત કરે છે.
પરંતુ એવી કઈ જરૂરિયાતો છે જે સહેલાઈથી સમજી શકાતી નથી
વપરાશકર્તાઓ અથવા DW ટીમ દ્વારા? તમારે ક્યારેય વિશ્લેષણની જરૂર પડશે નહીં
અવકાશી (અવકાશી વિશ્લેષણ)?
ના ખાણકામ મોડેલો dati તેઓ તમારા માટે જરૂરી ભાગ હશે
ભવિષ્ય? કોણ જાણે?
એ નોંધવું અગત્યનું છે કે આ પ્રકારની તકનીકો ઘણી બધી નથી
ના સામાન્ય વપરાશકર્તા સમુદાયો અને ટીમના સભ્યો દ્વારા ઓળખાય છે
Dw, આંશિક રીતે, આ થઈ શકે છે કારણ કે તેઓ સામાન્ય રીતે
તેઓ કેટલાક આંતરિક અથવા તૃતીય-પક્ષ તકનીકી નિષ્ણાતો દ્વારા નિયંત્રિત થાય છે. તે એક
આ પ્રકારની ટેક્નોલોજીઓ પેદા કરતી સમસ્યાઓનો આત્યંતિક કેસ. સ્વ
વપરાશકર્તાઓ વ્યવસાયની આવશ્યકતાઓનું વર્ણન કરી શકતા નથી અથવા તેને ફ્રેમ કરી શકતા નથી
જેથી ડિઝાઇનરોને માર્ગદર્શિકા પૂરી પાડી શકાય, તેઓ કરી શકે
કોઈનું ધ્યાન ન જાય અથવા, ખરાબ, ખાલી અવગણવામાં આવે.
જ્યારે ડિઝાઇનર અને વિકાસકર્તા નિષ્ફળ જાય ત્યારે તે વધુ સમસ્યારૂપ બને છે
તેઓ આમાંની એક અદ્યતન એપ્લિકેશનને ઓળખી શકે છે પરંતુ
નિર્ણાયક તકનીકો.
જેમ કે આપણે ઘણીવાર ડિઝાઇનરોને કહેતા સાંભળ્યા છે, "સારું, શા માટે
જ્યાં સુધી આ બીજી વસ્તુ ન મળે ત્યાં સુધી આપણે તેને બાજુએ ન રાખીએ?
"શું તેઓ ખરેખર પ્રાથમિકતાઓમાં રસ ધરાવે છે, અથવા ફક્ત i ને ટાળે છે
જરૂરિયાતો તેઓ સમજી શકતા નથી? તે મોટે ભાગે છેલ્લી પૂર્વધારણા છે.
ચાલો કહીએ કે તમારી સેલ્સ ટીમે એક આવશ્યકતા જણાવી છે
વ્યવસાયનું, આકૃતિ 1.3 માં જણાવ્યા મુજબ, તમે જોઈ શકો છો,
જરૂરિયાત વ્યવસાય સમસ્યાના સ્વરૂપમાં ઘડવામાં આવી છે. ત્યાં
આ સમસ્યા અને લાક્ષણિક પરિમાણીય સમસ્યા વચ્ચેનો તફાવત છે
અંતર. આ કિસ્સામાં, વેચાણ જૂથ જાણવા માંગે છે,
માસિક ધોરણે, ઉત્પાદનો, વેરહાઉસ અને માંથી કુલ વેચાણ
ગ્રાહકો જેઓ તેઓ જ્યાં છે તે વેરહાઉસના 5 માઇલની અંદર રહે છે
તેઓ ખરીદે છે.
દુર્ભાગ્યે, ડિઝાઇનર્સ અથવા આર્કિટેક્ટ ફક્ત કરી શકે છે
સ્પેસ કમ્પોનન્ટને એમ કહીને અવગણો, “અમારી પાસે ક્લાયન્ટ છે
ઉત્પાદન અને આઇ dati ડિપોઝિટની. સુધીનું અંતર રાખીએ છીએ
અન્ય પુનરાવર્તન.
"ખોટો જવાબ. આ પ્રકારની વ્યવસાયિક સમસ્યા ચિંતા કરે છે
સંપૂર્ણપણે BI. તે ની ઊંડી સમજણ દર્શાવે છે
અમારો વ્યવસાય અને અમારા વિશ્લેષકો માટે એક મજબૂત વિશ્લેષણાત્મક જગ્યા.
BI એ સરળ ક્વેરી અથવા માનક રિપોર્ટિંગની બહાર છે, અથવા
પણ OLAP. આનો અર્થ એ નથી કે આ તકનીકીઓ નથી કરતી
તમારા BI માટે મહત્વપૂર્ણ છે, પરંતુ એકલા તેઓ પ્રતિનિધિત્વ કરતા નથી
BI પર્યાવરણ.
માહિતી સંદર્ભ માટે ડિઝાઇન
(માહિતી સામગ્રી માટે ડિઝાઇનિંગ)
હવે અમે વ્યવસાયની આવશ્યકતાઓને ઓળખી કાઢી છે જે તેમને અલગ પાડે છે
ડ્રોઇંગમાં વિવિધ મૂળભૂત ઘટકો શામેલ હોવા આવશ્યક છે
સામાન્ય સ્થાપત્ય. BI ના કેટલાક ઘટકોનો ભાગ છે
અમારા પ્રારંભિક પ્રયાસોમાંથી, જ્યારે કેટલાક માટે અમલ કરવામાં આવશે નહીં
કેટલાક મહિનાઓ.
જો કે, બધી જાણીતી જરૂરિયાતો ડિઝાઇનમાં પ્રતિબિંબિત થાય છે જેથી
જ્યારે આપણે કોઈ ચોક્કસ ટેક્નોલોજીનો અમલ કરવાની હોય છે, ત્યારે આપણે છીએ
તે કરવા માટે તૈયાર થાઓ. પ્રોજેક્ટ વિશે કંઈક વિચારને પ્રતિબિંબિત કરશે
પરંપરાગત.
ઉદાહરણ તરીકે, આકૃતિ 1.1, પ્રકરણની શરૂઆતમાં, તારીખ બતાવે છે
માર્ટ જે રાખે છે dati પરિમાણીય
આ સમૂહ dati ના પછીના ઉપયોગોને સમર્થન આપવા માટે વપરાય છે
dati વ્યાપાર મુદ્દાઓ દ્વારા સંચાલિત પરિમાણીય કે
અમે ઓળખી કાઢ્યા છે. જેમ વધારાના દસ્તાવેજો છે
ની ડિઝાઇન વિકાસ જેવી પેદા dati, અમે
અમે કેવી રીતે i dati તેઓ પર્યાવરણમાં ફેલાય છે.
અમે પ્રતિનિધિત્વ કરવાની જરૂરિયાતની ખાતરી કરી છે dati તેથી
પરિમાણીય, તેમને વિભાજન (વિશિષ્ટ જરૂરિયાતો અનુસાર
નિર્ધારિત) માર્ટ્સ પર.
જવાબ આપવા માટેનો આગળનો પ્રશ્ન છે: તેઓ કેવી રીતે બાંધવામાં આવશે
આ ડેટા માર્ટ્સ?
શું તમે ક્યુબ્સને ટેકો આપવા માટે તારાઓ બનાવો છો, અથવા ફક્ત સમઘનનું, અથવા ફક્ત તારાઓ?
(અથવા જમણા સમઘન, અથવા જમણા તારા). ડેટા માટે આર્કિટેક્ચર જનરેટ કરો
આશ્રિત માર્ટ્સ કે જે બધા માટે અણુ સ્તરની જરૂર છે 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 વિશ્લેષણ માટે જરૂરી
અથવા તમારે એક પર તમારા નેશનલ સેલ્સ ફોર્સ ક્યુબ્સની જરૂર છે
સાપ્તાહિક ધોરણે અથવા બંને પર? એક શક્તિશાળી વસ્તુ બનાવો
જેમ કે ફાઇનાન્સ માટે DB2 OLAP સર્વર અથવા કોગ્નોસ ક્યુબ્સ
પાવરપ્લે તમારી વેચાણ સંસ્થા માટે કે બંને માટે?
આ મહાન આર્કિટેક્ચરલ ડિઝાઇન નિર્ણયો છે જે
અહીંથી તમારા BI પર્યાવરણને અસર કરશે. હા,
તમે OLAP ની જરૂરિયાત ઓળખી છે. હવે તમે તે કેવી રીતે કરશો
તકનીક અને તકનીકનો પ્રકાર?
કેટલીક સૌથી અદ્યતન તકનીકો તમારા પર કેવી અસર કરે છે
રેખાંકનો? અમે માની લઈએ છીએ કે તમે જરૂરિયાતની ખાતરી કરી છે
તમારી સંસ્થામાં જગ્યા. હવે તમારે ફોન કરવો પડશે
બિનઆયોજિત હોવા છતાં આર્કિટેક્ચરલ ડ્રોઇંગ એડિશન
કેટલાક મહિનાઓ સુધી અવકાશના ઘટકો હાથ ધરવા. આર્કિટેક્ટ જ જોઈએ
આજે જે જરૂરી છે તેના આધારે ડિઝાઇન કરો. ની જરૂરિયાતની આગાહી કરો
અવકાશી વિશ્લેષણ જે જનરેટ કરે છે, સ્ટોર કરે છે, કરે છે અને પ્રદાન કરે છે
પ્રવેશ મેળવવો dati જગ્યા આ બદલામાં એ તરીકે સેવા આપવી જોઈએ
ટેક્નોલોજીના પ્રકાર અને વિશિષ્ટતાઓને લગતી મર્યાદા
સોફ્ટવેર પ્લેટફોર્મ તમે હાલમાં ધ્યાનમાં લઈ શકો છો. માટે
ઉદાહરણ તરીકે, વહીવટી તંત્ર ડેટા બેઝ સંબંધ
(RDBMS) જે તમે તમારા અણુ સ્તર માટે હાથ ધરો છો તે હોવું આવશ્યક છે
એક મજબૂત અવકાશી વિસ્તરણ ઉપલબ્ધ છે. આ ખાતરી કરશે
ભૂમિતિ અને વસ્તુઓનો ઉપયોગ કરતી વખતે મહત્તમ પ્રદર્શન
તમારી વિશ્લેષણાત્મક એપ્લિકેશન્સમાં જગ્યા. જો તમારું RDBMS નથી કરતું
હું સંભાળી શકે છે dati (અવકાશી-કેન્દ્રિત) આંતરિક રીતે, તેથી તમારે કરવું પડશે
સ્થિર થવું ડેટા બેઝ (અવકાશી-કેન્દ્રિત) બાહ્ય. આ જટિલ બનાવે છે
આવૃત્તિઓનું સંચાલન કરવું અને તમારા એકંદર પ્રદર્શન સાથે સમાધાન કરવું,
તમારા માટે બનાવેલ વધારાની સમસ્યાઓનો ઉલ્લેખ ન કરવો
DBAs, કારણ કે તેઓ કદાચ થોડી સમજ ધરાવે છે
ની મૂળભૂત બાબતો dati જગ્યા પણ. બીજી બાજુ, જો તમારા
RDMBS તમામ અવકાશી અને સંબંધિત ઘટકોનું સંચાલન કરે છે
ઑપ્ટિમાઇઝર ખાસ જરૂરિયાતોથી વાકેફ છે (ઉદાહરણ તરીકે,
અવકાશી પદાર્થોનું અનુક્રમણિકા), પછી તમારા DBAs હેન્ડલ કરી શકે છે
તરત જ આવૃત્તિઓનું સંચાલન કરો અને તમે વધારી શકો છો
prestazioni
ઉપરાંત, તમારે સ્ટેજીંગ વિસ્તાર અને સ્તરને સમાયોજિત કરવાની જરૂર છે
એડ્રેસ ક્લિનઅપનો સમાવેશ કરવા માટે અણુ વાતાવરણ (એ
અવકાશી વિશ્લેષણનું મુખ્ય તત્વ), તેમજ નીચેના
અવકાશ વસ્તુઓની બચત. ની આવૃત્તિઓનો ઉત્તરાધિકાર
ડિઝાઇન હવે ચાલુ છે કે અમે સફાઈની કલ્પના રજૂ કરી છે
સરનામું એક વસ્તુ માટે, આ એપ્લિકેશનનો પ્રકાર નક્કી કરશે
તમારા ETL પ્રયાસ માટે જરૂરી સોફ્ટવેર.
તમને સરનામું આપવા માટે ટ્રિલિયમ જેવા ઉત્પાદનોની જરૂર છે
સ્વચ્છ, અથવા તમે તે પ્રદાન કરવા માટે પસંદ કરેલ ETL પ્રદાતા
કાર્યક્ષમતા?
અત્યારે એ મહત્વનું છે કે તમે જે ડિઝાઇન છો તેના સ્તરની તમે કદર કરો
તમે તમારું બનાવવાનું શરૂ કરો તે પહેલાં તે પૂર્ણ કરવું આવશ્યક છે
પર્યાવરણ (વેરહાઉસ). ઉપરોક્ત ઉદાહરણો જોઈએ
ઘણા બધા ડિઝાઇન નિર્ણયો દર્શાવે છે જેનું પાલન કરવું આવશ્યક છે
કોઈપણ ચોક્કસ વ્યવસાય જરૂરિયાતની ઓળખ. જો કરવામાં આવે છે
યોગ્ય રીતે, આ ડિઝાઇન નિર્ણયો પ્રોત્સાહન આપે છે
તમારા પર્યાવરણની ભૌતિક રચનાઓ વચ્ચેની પરસ્પર નિર્ભરતા
વપરાયેલી તકનીકની પસંદગી અને પ્રચારનો પ્રવાહ
માહિતી સામગ્રી. આ પરંપરાગત સ્થાપત્ય વિના
BI ના, તમારી સંસ્થા મિશ્રણને આધીન રહેશે
હાલની તકનીકીઓની અસ્તવ્યસ્ત, શ્રેષ્ઠ રીતે, એક રીતે સંયુક્ત
સ્પષ્ટ સ્થિરતા પ્રદાન કરવા માટે સચોટ નથી.
માહિતી સામગ્રી જાળવી રાખો
તમારી સંસ્થાને માહિતીનું મૂલ્ય લાવવું છે
ખૂબ જ મુશ્કેલ ઓપરેશન. પૂરતી સમજણ વિના
અને અનુભવ, અથવા યોગ્ય આયોજન અને ચિત્રકામ, પણ
સારી ટીમો નિષ્ફળ જશે. બીજી બાજુ, જો તમારી પાસે મોટી હોય
આંતરદૃષ્ટિ અને વિગતવાર ડિઝાઇન પરંતુ તેના માટે કોઈ શિસ્ત નથી
અમલ, તમે ફક્ત તમારા પૈસા અને તમારો સમય બગાડ્યો છે
કારણ કે તમારો પ્રયાસ નિષ્ફળ જવા માટે તૈયાર છે. સંદેશ જોઈએ
સ્પષ્ટ રહો: ​​જો તમને આમાંથી એક અથવા વધુ ખૂટે છે
કુશળતા, સમજ / અનુભવ અથવા આયોજન / ચિત્ર ઓ
અમલીકરણ શિસ્ત, આ અપંગ તરફ દોરી જશે અથવા
BI સંસ્થાના બાંધકામનો નાશ કરો.
શું તમારી ટીમ પૂરતી તૈયાર છે? તમારા પર કોઈ છે
BI ટીમ જે ઉપલબ્ધ વિશાળ વિશ્લેષણાત્મક લેન્ડસ્કેપને સમજે છે
BI વાતાવરણમાં, જરૂરી તકનીકો અને તકનીકોમાં
તે લેન્ડસ્કેપને અસર કરવા માટે? તમારી ટીમમાં કોઈ છે
જે અદ્યતન વચ્ચેના એપ્લિકેશન તફાવતને ઓળખી શકે છે
સ્ટેટિક રિપોર્ટિંગ અને OLAP, અથવા ROLAP અને OLAP વચ્ચેનો તફાવત? આ પૈકી એક
તમારી ટીમના સભ્યો રસ્તો સ્પષ્ટ રીતે ઓળખે છે
અર્ક અને તે વેરહાઉસ અથવા કેવી રીતે અસર કરી શકે છે
શું વેરહાઉસ ખાણકામની કામગીરીને સમર્થન આપી શકે છે? એક સદસ્ય
ટીમનું મૂલ્ય સમજે છે dati જગ્યા અથવા તકનીક
એજન્ટ આધારિત? શું તમારી પાસે કોઈ એવી વ્યક્તિ છે જે અનન્ય એપ્લિકેશનની પ્રશંસા કરે છે
ETL ટૂલ્સ વિરુદ્ધ બ્રોકર ટેક્નોલોજી
સંદેશ? જો તમારી પાસે નથી, તો એક મેળવો. BI ઘણું વધારે છે
સામાન્યકૃત અણુ સ્તરનો મોટો, OLAPનો, યોજનાઓનો a
સ્ટાર અને ODS.
જરૂરિયાતોને ઓળખવા માટે સમજ અને અનુભવ રાખો
BI અને તેમના ઉકેલો તમારી ક્ષમતા માટે જરૂરી છે
વપરાશકર્તાની જરૂરિયાતો અને ડિઝાઇનને યોગ્ય રીતે ઔપચારિક બનાવે છે
અને તેમના ઉકેલો હાથ ધરે છે. જો તમારા વપરાશકર્તા સમુદાય પાસે છે
જરૂરિયાતોનું વર્ણન કરવામાં મુશ્કેલી, તે ટીમનું કામ છે
વેરહાઉસ તે સમજ આપે છે. પરંતુ જો ટીમ
વેરહાઉસ
BI ની વિશિષ્ટ એપ્લિકેશનને ઓળખતી નથી - ઉદાહરણ તરીકે, આપેલ
ખાણકામ - પછી તે શ્રેષ્ઠ વસ્તુ નથી જે BI વાતાવરણ કરે છે
ઘણીવાર નિષ્ક્રિય થાપણો સુધી મર્યાદિત હોય છે. જો કે, આને અવગણો
ટેક્નોલોજીઓ તેમના મહત્વ અને તેમની અસરને ઓછી કરતી નથી
તમારી બિઝનેસ ઇન્ટેલિજન્સ શક્યતાઓના ઉદભવ પર
સંસ્થા, તેમજ તમે ડિઝાઇન કરેલ માહિતી માળખું
બઢત આપવી.
ડિઝાઇનમાં ડિઝાઇનની કલ્પના શામેલ હોવી આવશ્યક છે, ઇડી
બંનેને સક્ષમ વ્યક્તિની જરૂર છે. વધુમાં, ડિઝાઇન
તેને ટીમ વેરહાઉસ ફિલોસોફી અને અવલોકનની જરૂર છે
ધોરણો ઉદાહરણ તરીકે, જો તમારી કંપનીએ એક સ્થાપિત કર્યું છે
પ્રમાણભૂત પ્લેટફોર્મ અથવા તમે ચોક્કસ RDBMS ઓળખી કાઢ્યું છે
સમગ્ર પ્લેટફોર્મ પર પ્રમાણિત કરવા માંગો છો, તે આગળ વધી રહ્યું છે
ટીમમાં દરેક વ્યક્તિ તે ધોરણોનું પાલન કરે છે. સામાન્ય રીતે એક
ટીમ નોર્મલાઇઝેશનની જરૂરિયાતને ઉજાગર કરે છે (વપરાશકર્તાને
કોમ્યુનિટ્સ), પરંતુ ટીમ પોતે તેમાં જોડાવા તૈયાર નથી
કંપનીના અન્ય ક્ષેત્રોમાં અથવા કદાચ માં પણ સ્થાપિત ધોરણો
સમાન કંપનીઓ. માત્ર આ દંભી નથી, પરંતુ તે ખાતરી કરે છે કે પેઢી ન કરે
હાલના સંસાધનો અને રોકાણોનો ઉપયોગ કરવામાં સક્ષમ છે. તેનો અર્થ નથી
કે એવી કોઈ પરિસ્થિતિ નથી કે જે પ્લેટફોર્મ અથવા એકની ખાતરી આપે
બિન-માનક તકનીક; જો કે, વેરહાઉસના પ્રયત્નો
સુધીના એન્ટરપ્રાઇઝના ધોરણોનું ઇર્ષ્યાપૂર્વક રક્ષણ કરવું જોઈએ
કે વ્યવસાયની જરૂરિયાતો અન્યથા નક્કી કરતી નથી.
BI બનાવવા માટે જરૂરી ત્રીજો મુખ્ય ઘટક
સંસ્થા એ શિસ્ત છે.
તે સંપૂર્ણ રીતે, વ્યક્તિઓ અને પર્યાવરણ પર સમાન રીતે આધાર રાખે છે.
પ્રોજેક્ટ આયોજકો, પ્રાયોજકો, આર્કિટેક્ટ્સ અને વપરાશકર્તાઓએ પ્રશંસા કરવી આવશ્યક છે
કંપનીની માહિતી માળખું બનાવવા માટે જરૂરી શિસ્ત.
ડિઝાઇનરોએ તેમના પ્રોજેક્ટ પ્રયત્નોને એવી રીતે નિર્દેશિત કરવા જોઈએ
સમાજમાં અન્ય જરૂરી પ્રયાસો પૂર્ણ કરો.
ઉદાહરણ તરીકે, ધારો કે તમારી કંપની એ બિલ્ડ કરે છે
ERP એપ્લિકેશન જેમાં વેરહાઉસ ઘટક હોય છે.
આથી ERP ડિઝાઇનરોની સાથે સહયોગ કરવાની જવાબદારી છે
વેરહાઉસ પર્યાવરણ ટીમ જેથી સ્પર્ધા ન થાય અથવા
પહેલેથી જ શરૂ થયેલ કામની નકલ કરો.
શિસ્ત પણ એક વિષય છે જેની કાળજી લેવી જરૂરી છે
સમગ્ર સંસ્થા દ્વારા અને સામાન્ય રીતે સ્થાપિત કરવામાં આવે છે અને તેને સોંપવામાં આવે છે
એક્ઝિક્યુટિવ સ્તર.
શું મેનેજરો ડિઝાઇન કરેલ અભિગમનું પાલન કરવા તૈયાર છે? એ
અભિગમ કે જે માહિતી સામગ્રી બનાવવાનું વચન આપે છે
અંત વ્યવસાયના તમામ ક્ષેત્રોમાં મૂલ્ય લાવશે, પરંતુ કદાચ
શું તે વ્યક્તિગત અથવા વિભાગીય એજન્ડા સાથે સમાધાન કરે છે? કહેવત યાદ રાખો
"માત્ર એક વસ્તુ વિશે વિચારવા કરતાં દરેક વસ્તુ વિશે વિચારવું વધુ મહત્વનું છે."
આ કહેવત BI સંસ્થાઓ માટે સાચી છે.
કમનસીબે, ઘણા વેરહાઉસ તેમના પ્રયત્નો પર ધ્યાન કેન્દ્રિત કરે છે
ચોક્કસ વિભાગને લક્ષ્ય બનાવવા અને મૂલ્ય લાવવાનો પ્રયાસ કરે છે અથવા
ચોક્કસ વપરાશકર્તાઓ, માં સંસ્થાને ધ્યાનમાં રાખીને
સામાન્ય ધારો કે મેનેજર ટીમ પાસેથી સહાયની વિનંતી કરે છે
વેરહાઉસ ટીમ 90 દિવસ સુધી ચાલતી નોકરી સાથે જવાબ આપે છે જે
દ્વારા વ્યાખ્યાયિત સૂચના આવશ્યકતાઓની ડિલિવરી જ નહીં
મેનેજર પરંતુ તે બધાની ખાતરી કરે છે dati આધાર સ્તરમાં મિશ્ર કરવામાં આવે છે
ક્યુબ ટેક્નોલોજીમાં દાખલ થતાં પહેલાં અણુ
દરખાસ્ત
આ ઇજનેરી ઉમેરણ ખાતરી કરે છે કે બાંયધરી
વેરહાઉસથી ફાયદો થશે dati મેનેજર દ્વારા જરૂરી છે.
જો કે, એક્ઝિક્યુટિવે બહારની કન્સલ્ટિંગ કંપનીઓ સાથે વાત કરી હતી કે
4 કરતા ઓછા સમયમાં ડિલિવરી સાથે સમાન એપ્લિકેશનની દરખાસ્ત કરી છે
અઠવાડિયા
આંતરિક વેરહાઉસ ટીમ સક્ષમ છે એમ ધારીને, ધ
મેનેજર પાસે પસંદગી છે. ની શિસ્તને કોણ સમર્થન આપી શકે છે
સંપત્તિ વધારવા માટે વધારાના એન્જિનિયરિંગની જરૂર છે
માહિતીપ્રદ વ્યવસાય અથવા તમે તમારી પોતાની બનાવવાનું પસંદ કરી શકો છો
ઝડપથી ઉકેલ. છેલ્લું એક ખરેખર પસંદ કરવામાં આવ્યું હોય તેવું લાગે છે
ઘણી વાર અને માત્ર માહિતી કન્ટેનર બનાવવા માટે સેવા આપે છે
જેનો લાભ માત્ર અમુકને અથવા વ્યક્તિગતને.
ટૂંકા અને લાંબા ગાળાના લક્ષ્યો
આર્કિટેક્ટ અને પ્રોજેક્ટ ડિઝાઇનરોએ ઔપચારિકતા કરવી જોઈએ
એકંદર આર્કિટેક્ચરની લાંબા ગાળાની દ્રષ્ટિ અને માટેની યોજનાઓ
BI સંસ્થામાં વધારો. આ સંયોજન
ટૂંકા ગાળાના લાભ અને લાંબા ગાળાના આયોજન
BI પ્રયત્નોની બે બાજુઓનું પ્રતિનિધિત્વ કરે છે. ટૂંકા ગાળાનો નફો
ડેડલાઇન એ BI નું પાસું છે જે ની પુનરાવર્તનો સાથે સંકળાયેલ છે
તમારું વેરહાઉસ.
આ તે છે જ્યાં આયોજકો, આર્કિટેક્ટ અને પ્રાયોજકો ધ્યાન કેન્દ્રિત કરે છે
ચોક્કસ બિઝનેસ જરૂરિયાતો પૂરી. તે આ સ્તરે છે જ્યાં
ભૌતિક બંધારણો બાંધવામાં આવે છે, ટેકનોલોજી ખરીદવામાં આવે છે અને
તકનીકોનો અમલ કરવામાં આવે છે. તેઓ બધા સાથે વ્યવહાર કરવા માટે બનાવવામાં આવ્યા નથી
ચોક્કસ વપરાશકર્તા સમુદાયો દ્વારા વ્યાખ્યાયિત ચોક્કસ જરૂરિયાતો.
ચોક્કસ વ્યાખ્યાયિત આવશ્યકતાઓને સંબોધવા માટે બધું કરવામાં આવે છે
ચોક્કસ સમુદાયમાંથી.
જો કે, લાંબા અંતરનું આયોજન એ બીજું પાસું છે
BI ના. આ તે છે જ્યાં યોજનાઓ અને પ્રોજેક્ટ્સ ખાતરી કરે છે કે તે હતું
કોઈપણ ભૌતિક માળખું, પસંદ કરેલી તકનીકો અને
એન્ટરપ્રાઇઝ તરફ નજર રાખીને બનાવવામાં આવેલી તકનીકોને સમજાયું. અને
લાંબા ગાળાનું આયોજન જે સંકલન પૂરું પાડે છે
વ્યવસાયિક લાભો બધાને મળે તેની ખાતરી કરવા માટે જરૂરી છે
ટૂંકા ગાળાના લાભ મળ્યા.
તમારા BI પ્રયાસને યોગ્ય ઠેરવો
Un માહિતી વેરહાઉસ પોતે જ તેનું કોઈ સ્વાભાવિક મૂલ્ય નથી. અન્ય
શબ્દો, ની તકનીકોમાં કોઈ સહજ મૂલ્ય નથી
વેરહાઉસ અને અમલીકરણ તકનીકો.
કોઈપણ વેરહાઉસ પ્રયત્નોનું મૂલ્ય ક્રિયાઓમાં જોવા મળે છે
વેરહાઉસ પર્યાવરણ અને સામગ્રીને અનુસરીને કરવામાં આવે છે
સમય જતાં માહિતીપ્રદ ખેતી. સમજવા માટે આ એક નિર્ણાયક મુદ્દો છે
ની કોઈપણ પહેલના મૂલ્યનો અંદાજ કાઢવાનો પ્રયાસ કરો તે પહેલાં
જ્યાં ઘર.
ઘણી વાર, આર્કિટેક્ટ અને ડિઝાઇનર્સ મૂલ્ય લાગુ કરવાનો પ્રયાસ કરે છે
વેરહાઉસના ભૌતિક અને તકનીકી ઘટકો જ્યારે હકીકતમાં મૂલ્ય છે
વ્યવસાયિક પ્રક્રિયાઓ પર આધારિત છે જેનાથી સકારાત્મક અસર થાય છે
વેરહાઉસ અને સારી રીતે હસ્તગત માહિતી.
અહીં BI સ્થાપિત કરવાનો પડકાર છે: તમે રોકાણને કેવી રીતે ન્યાયી ઠેરવશો?
જો જ્યાં ઘરનું પોતાનું કોઈ આંતરિક મૂલ્ય નથી, તો ડિઝાઇનર્સ
પ્રોજેક્ટે લાભોની તપાસ, વ્યાખ્યા અને ઔપચારિકતા કરવી જોઈએ
તે વ્યક્તિઓ દ્વારા પ્રાપ્ત થાય છે જેઓ માટે વેરહાઉસનો ઉપયોગ કરશે
ચોક્કસ વ્યવસાય પ્રક્રિયાઓ અથવા મૂલ્યમાં સુધારો
સુરક્ષિત માહિતી અથવા બંને.
બાબતોને જટિલ બનાવવા માટે, કોઈપણ વ્યવસાય પ્રક્રિયા
વેરહાઉસ પ્રયાસોથી પ્રભાવિત લાભો પ્રદાન કરી શકે છે
"નોંધપાત્ર" અથવા "થોડું". નોંધપાત્ર ફાયદાઓ પ્રદાન કરે છે
રોકાણ પર વળતર (ROI) માપવા માટે મૂર્ત મેટ્રિક - દા.ત
ઉદાહરણ તરીકે, સમયગાળા દરમિયાન ઇન્વેન્ટરીને વધારાનો સમય ફેરવવો
ચોક્કસ અથવા શિપમેન્ટ દીઠ ઓછા શિપિંગ ખર્ચ માટે. તે વધુ છે
આની સુધારેલી ઍક્સેસ જેવા નજીવા લાભોને વ્યાખ્યાયિત કરવું મુશ્કેલ છે
માહિતી, મૂર્ત મૂલ્યની દ્રષ્ટિએ.
તમારા પ્રોજેક્ટને જાણવા માટે કનેક્ટ કરો
વ્યવસાય વિનંતીઓ
ઘણી વાર, પ્રોજેક્ટ ડિઝાઇનર્સ મૂલ્યને કનેક્ટ કરવાનો પ્રયાસ કરે છે
આકારહીન કંપનીના ઉદ્દેશ્યો સાથેના વેરહાઉસનું. તેવી જાહેરાત કરી
“વેરહાઉસનું મૂલ્ય અમારી ક્ષમતા પર આધારિત છે
વ્યૂહાત્મક વિનંતીઓને સંતોષો” અમે ખોલીએ છીએ
ભાષણ પરંતુ તે એકલા તે નક્કી કરવા માટે પૂરતું નથી
ઇન્વેન્ટરીમાં રોકાણ અર્થપૂર્ણ છે. પુનરાવર્તનોને જોડવાનું વધુ સારું છે
વિશિષ્ટ અને જાણીતી વ્યવસાય વિનંતીઓ સાથેના વેરહાઉસીસ.
ROI માપો
વેરહાઉસ સેટિંગમાં ROI ની ગણતરી કરી શકાય છે
ખાસ કરીને મુશ્કેલ. તે ખાસ કરીને મુશ્કેલ છે જો ફાયદો
ચોક્કસ પુનરાવર્તનની મુખ્ય વસ્તુ કંઈક અમૂર્ત છે અથવા
માપવા માટે સરળ. એક અભ્યાસમાં જાણવા મળ્યું છે કે વપરાશકર્તાઓ સમજે છે
BI પહેલના બે મુખ્ય ફાયદા:
▪ નિર્ણયો લેવાની ક્ષમતા બનાવો
▪ માહિતીની ઍક્સેસ બનાવો
આ લાભો નરમ (અથવા હળવા) લાભો છે. તે જોવા માટે સરળ છે
હાર્ડ લીડ (અથવા
વધુ) જેમ કે પરિવહનની કિંમત ઘટાડવી, પરંતુ કેવી રીતે
શું આપણે વધુ સારા નિર્ણયો લેવાની ક્ષમતાને માપીએ છીએ?
પ્રોજેક્ટ ડિઝાઇનરો માટે આ ચોક્કસપણે એક પડકાર છે જ્યારે
તેઓ કંપનીને ચોક્કસ રોકાણ કરવા માટે સમજાવવાનો પ્રયાસ કરી રહ્યા છે
વેરહાઉસ પ્રયાસ. વેચાણમાં વધારો અથવા ખર્ચમાં ઘટાડો
તેઓ હવે કેન્દ્રીય થીમ નથી કે જે BI પર્યાવરણને ચલાવે છે.
તેના બદલે, તમે ઍક્સેસ માટે વ્યવસાયિક વિનંતીઓ જોઈ રહ્યાં છો
માહિતી માટે શ્રેષ્ઠ છે જેથી ચોક્કસ વિભાગ કરી શકે
ઝડપી નિર્ણયો લો. આ વ્યૂહાત્મક ડ્રાઇવરો છે a
જે વ્યવસાય માટે સમાનરૂપે મહત્વપૂર્ણ છે પરંતુ છે
વધુ અસ્પષ્ટ અને મૂર્ત મેટ્રિકમાં દર્શાવવા માટે વધુ મુશ્કેલ.
આ કિસ્સામાં, ROIની ગણતરી કરવી ગેરમાર્ગે દોરનારી હોઈ શકે છે, જો અપ્રસ્તુત ન હોય.
પ્રોજેક્ટ ડિઝાઇનર્સ મૂલ્ય દર્શાવવા માટે સક્ષમ હોવા જોઈએ
રોકાણ કરવું કે કેમ તે નક્કી કરવા માટે એક્ઝિક્યુટિવ્સ માટે મૂર્ત
ચોક્કસ પુનરાવર્તન લાગુ પડે છે. જો કે, અમે કોઈ નવો પ્રસ્તાવ આપીશું નહીં
ROI ની ગણતરી કરવાની પદ્ધતિ, કે અમે અથવા માટે કોઈ દલીલો કરીશું નહીં
તેની સામે.
ત્યાં ઘણા લેખો અને પુસ્તકો ઉપલબ્ધ છે જે માટે મૂળભૂત બાબતોની ચર્ચા કરે છે
ROI ની ગણતરી કરો. મૂલ્ય તરીકે વિશેષ મૂલ્ય પ્રસ્તાવો છે
ગાર્ટનર જેવા જૂથો દ્વારા ઓફર કરાયેલ ઇન્વેસ્ટિંગ (VOI) પર, જે તમે કરી શકો છો
સંશોધન. તેના બદલે, અમે કોઈપણના મુખ્ય પાસાઓ પર ધ્યાન કેન્દ્રિત કરીશું
ROI અથવા અન્ય મૂલ્ય દરખાસ્તો તમારે ધ્યાનમાં લેવાની જરૂર છે.
ROI લાગુ કરી રહ્યાં છીએ
"હાર્ડ" લાભો વિ. "સોફ્ટ" લાભોની દલીલથી આગળ
BI પ્રયાસો સાથે સંકળાયેલા અન્ય મુદ્દાઓ ધ્યાનમાં લેવાના છે
જ્યારે અમે ROI લાગુ કરીએ છીએ. દાખ્લા તરીકે:
આવનારા DW પ્રયત્નોને ઘણી બધી બચતનો શ્રેય આપો
જો કે
ચાલો કહીએ કે તમારી કંપની ની આર્કિટેક્ચરમાંથી ગઈ છે
વિતરિત UNIX પર્યાવરણ માટે મેઈનફ્રેમ. તેથી કોઈપણ
બચત કે જે તે પ્રયત્નોથી પ્રાપ્ત થઈ શકે છે (અથવા ન પણ હોઈ શકે).
જો બિલકુલ (?), તો વિશેષ રૂપે આભારી ન હોવું જોઈએ
વેરહાઉસ
દરેક વસ્તુનો હિસાબ ન રાખવો મોંઘો છે. અને કરવા માટે ઘણી વસ્તુઓ છે
ધ્યાનમાં લેવા. નીચેની સૂચિ ધ્યાનમાં લો:
▪ સ્ટાર્ટ-અપ ખર્ચ, શક્યતા સહિત.
▪ સંબંધિત સ્ટોરેજ સાથે સમર્પિત હાર્ડવેરની કિંમત ઇ
સંચાર
▪ સંચાલન સહિત સોફ્ટવેરની કિંમત dati અને એક્સ્ટેન્શન્સ
ક્લાયંટ/સર્વર, ETL સોફ્ટવેર, DSS ટેક્નોલોજી, ટૂલ્સ
વિઝ્યુલાઇઝેશન, પ્રોગ્રામિંગ અને ફ્લો એપ્લિકેશન્સ
કામ અને મોનીટરીંગ સોફ્ટવેર, .
▪ સ્ટ્રક્ચર ડિઝાઇન ખર્ચ dati, અનુભૂતિ સાથે, અને
નું ઑપ્ટિમાઇઝેશન
▪ સૉફ્ટવેર ડેવલપમેન્ટ ખર્ચ સીધા પ્રયાસ સાથે સંકળાયેલ છે
BI
▪ ઑપ્ટિમાઇઝેશન સહિત હોમ સપોર્ટની કિંમત
સોફ્ટવેર વર્ઝન કંટ્રોલ અને સહિતની કામગીરી
મદદ કામગીરી
"બિગ-બેંગ" ROI લાગુ કરો.
એક જ અને વિશાળ પ્રયાસ તરીકે વેરહાઉસની રચના
નિષ્ફળ થવા માટે બંધાયેલ છે, તેથી પણ પહેલ માટે ROI ની ગણતરી કરો
મોટા એન્ટરપ્રાઇઝની ઓફર આશ્ચર્યજનક છે, અને તે ડિઝાઇનર્સ
સમગ્રના મૂલ્યનો અંદાજ કાઢવાના નબળા પ્રયાસો કરવાનું ચાલુ રાખો
પ્રયાસ
કારણ કે ડિઝાઇનરો નાણાકીય મૂલ્ય આપવાનો પ્રયાસ કરે છે
વ્યવસાય પહેલ પર જો તે વ્યાપકપણે જાણીતું હોય અને સ્વીકારવામાં આવે
શું ચોક્કસ પ્રતિનિધિઓનો અંદાજ કાઢવો મુશ્કેલ છે? તે કેવી રીતે શક્ય છે? તે નથી
થોડા અપવાદો સાથે શક્ય છે. તે ન કરો.
હવે જ્યારે ગણતરી કરતી વખતે શું ન કરવું જોઈએ તે અમે સ્થાપિત કર્યું છે
ROI, અહીં કેટલાક મુદ્દા છે જે અમને વ્યાખ્યાયિત કરવામાં મદદ કરશે
તમારા BI પ્રયત્નોના મૂલ્યનો અંદાજ કાઢવા માટે વિશ્વસનીય પ્રક્રિયા.
ROI સર્વસંમતિ મેળવવી. તમારું ગમે તે હોય
તમારા BI પ્રયત્નોના મૂલ્યનો અંદાજ કાઢવા માટે તકનીકની પસંદગી, આવશ્યક છે
પ્રોજેક્ટ ડિઝાઇનર્સ સહિત તમામ પક્ષો દ્વારા સંમત થવું,
પ્રાયોજકો અને કંપનીના અધિકારીઓ.
ROI ને ઓળખી શકાય તેવા ભાગોમાં ઘટાડો. તરફ જરૂરી પગલું
ROI ની વાજબી ગણતરી એ ગણતરીને a
ચોક્કસ પ્રોજેક્ટ. આ પછી તમે મૂલ્યનો અંદાજ લગાવી શકો છો
ચોક્કસ વ્યવસાયિક આવશ્યકતાઓને આધારે જે પૂરી થાય છે
ખર્ચ વ્યાખ્યાયિત કરો. ઉલ્લેખ કર્યો છે તેમ, અસંખ્ય ખર્ચ હોવા જોઈએ
ગણવામાં આવે છે. તદુપરાંત, ખર્ચમાં માત્ર સંકળાયેલ ખર્ચનો સમાવેશ થવો જોઈએ નહીં
એક પુનરાવૃત્તિ માટે પણ સંકળાયેલ ખર્ચ માટે
કંપનીના ધોરણોનું પાલન સુનિશ્ચિત કરવા.
લાભો વ્યાખ્યાયિત કરો. સ્પષ્ટપણે ROI ને જરૂરિયાતો સાથે લિંક કરવું
ચોક્કસ વ્યવસાયો, અમે ઓળખવા માટે સમર્થ હોવા જોઈએ
લાભો જે જરૂરિયાતોને સંતોષવા તરફ દોરી જશે.
ખર્ચમાં ઘટાડો અને નિકટવર્તી નફામાં લાભ. તે માર્ગ છે
તમારા વેલ્યુએશનને નેટ પ્રેઝન્ટ વેલ્યુ પર બેસાડવાનું શ્રેષ્ઠ છે
(NPV) માં ભાવિ મૂલ્યની આગાહી કરવાના પ્રયાસના વિરોધમાં
ભાવિ કમાણી.
તમારા ROIને ન્યૂનતમ વિભાજિત કરવાનો સમય રાખો. અને'
તે તમારામાં ઉપયોગમાં લેવાતા લાંબા સમય સુધી સારી રીતે દસ્તાવેજીકૃત થયેલ છે
ROI.
એક કરતાં વધુ ROI ફોર્મ્યુલાનો ઉપયોગ કરો. માટે અસંખ્ય પદ્ધતિઓ છે
ROI ની આગાહી અને તમારે યોજના બનાવવી જોઈએ કે એકનો ઉપયોગ કરવો કે
વત્તા, ચોખ્ખું વર્તમાન મૂલ્ય, વળતરનો આંતરિક વેગ સહિત
(IRR) અને પુનઃપ્રાપ્તિ.
પુનરાવર્તિત પ્રક્રિયાને વ્યાખ્યાયિત કરો. આ ગણતરી માટે નિર્ણાયક છે
કોઈપણ લાંબા ગાળાની કિંમત. તે દસ્તાવેજીકૃત હોવું જોઈએ a
તમામ પ્રોજેક્ટ અનુગામી માટે એક પુનરાવર્તિત પ્રક્રિયા a
અનુસરો
સૂચિબદ્ધ સમસ્યાઓ નિષ્ણાતો દ્વારા નિર્ધારિત સૌથી સામાન્ય સમસ્યાઓ છે
વેરહાઉસ પર્યાવરણની. ના સંચાલનના ભાગનો આગ્રહ
"બિગ-બેંગ" ROI વિતરિત કરવું ખૂબ જ મૂંઝવણભર્યું છે. જો તમે બધા શરૂ કરો
તમારી ROI ગણતરીઓને ઓળખી શકાય તેવા અને મૂર્ત ટુકડાઓમાં ઘટાડીને, તમારી પાસે છે
ચોક્કસ ROI મૂલ્યાંકનનો અંદાજ કાઢવાની સારી તક.
ROI લાભો વિશે પ્રશ્નો
તમારા ફાયદા ગમે તે હોય, નરમ કે સખત, તમે તેનો ઉપયોગ કરી શકો છો
તેમની કિંમત નક્કી કરવા માટે કેટલાક મૂળભૂત પ્રશ્નો. પ્રતિ
એક સરળ સ્કેલિંગ સિસ્ટમનો ઉપયોગ કરીને ઉદાહરણ, 1 થી 10 સુધી, તમે
તમે નીચેનાનો ઉપયોગ કરીને કોઈપણ પ્રયત્નોની અસરને ટ્રેક કરી શકો છો
વિનંતીઓ:
▪ તમે સમજણને કેવી રીતે રેટ કરશો dati આને અનુસરીને
તમારી કંપનીનો પ્રોજેક્ટ?
▪ તમે પરિણામ સ્વરૂપે પ્રક્રિયા સુધારણાઓનો અંદાજ કેવી રીતે કરશો
આ પ્રોજેક્ટ?
▪ તમે હવે નવી આંતરદૃષ્ટિ અને અનુમાનોની અસરને કેવી રીતે માપશો
આ પુનરાવર્તન દ્વારા ઉપલબ્ધ કરાવ્યું
▪ નવા કોમ્પ્યુટર વાતાવરણની શું અસર થઈ છે e
જે શીખ્યા હતા તેના પરિણામ રૂપે પ્રદર્શન કરવું?
જો આ પ્રશ્નોના જવાબો ઓછા છે, તો તે શક્ય છે
કંપની કરેલા રોકાણને યોગ્ય નથી. ઉચ્ચ સાથે પ્રશ્નો
નોંધપાત્ર મૂલ્ય લાભો માટે સ્કોર પોઈન્ટ અને જોઈએ
વધુ તપાસ માટે માર્ગદર્શક તરીકે સેવા આપે છે.
ઉદાહરણ તરીકે, પ્રક્રિયા સુધારણા માટે ઉચ્ચ સ્કોર
પ્રક્રિયાઓ કેવી છે તે તપાસવા માટે તે ડિઝાઇનરોને દોરી જશે
સુધારેલ છે. તમે શોધી શકો છો કે કેટલાક અથવા તમામ લાભો તમને મળે છે
તેઓ મૂર્ત છે અને તેથી નાણાકીય મૂલ્ય સરળતાથી મેળવી શકાય છે
લાગુ.
ની પ્રથમ પુનરાવૃત્તિમાંથી સૌથી વધુ મેળવવું
વેરહાઉસ
તમારા વ્યવસાયિક પ્રયત્નોનું સૌથી મોટું પરિણામ ઘણીવાર છે
પ્રથમ થોડા પુનરાવર્તનો. પરંપરાગત રીતે આ પ્રથમ પ્રયાસો
જાહેર જનતા માટે સૌથી ઉપયોગી માહિતી સામગ્રી સ્થાપિત કરો અને
અનુગામી લોકો માટે ટેક્નોલોજી ફાઉન્ડેશન સહાયની સ્થાપના કરે છે
BI એપ્લિકેશન્સ.
સામાન્ય રીતે દરેક અનુગામી અનુગામી dati પ્રોજેક્ટનું
વેરહાઉસ કંપનીને ઓછા અને ઓછા વધારાના મૂલ્ય લાવે છે
સામાન્ય જો તમે પુનરાવર્તન ન કરો તો આ ખાસ કરીને સાચું છે
નવા વિષયો ઉમેરે છે અથવા નવા વિષયોની જરૂરિયાતોને પૂર્ણ કરતા નથી
વપરાશકર્તાઓનો સમુદાય.
સ્ટોર કરવાની આ સુવિધા બેટરી પર પણ લાગુ પડે છે
ની વૃદ્ધિ 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 ઊંઘ
વારંવાર બોલાવવામાં આવે છે dati નિષ્ક્રિય છે અને તેમને રાખવા હંમેશા ખર્ચાળ છે કારણ કે
તેઓ લગભગ ક્યારેય ઉપયોગમાં લેવાતા નથી.
પ્રોજેક્ટ પ્રાયોજકો માટે આનો અર્થ શું છે? અનિવાર્યપણે, આઇ
પ્રારંભિક પ્રાયોજકો રોકાણનો ખર્ચ કેટલો છે તે વધુ વહેંચે છે.
આ પ્રાથમિક છે કારણ કે તેઓ સ્તરની સ્થાપના માટે પ્રેરણા છે
વ્યાપક તકનીકી વાતાવરણ અને વેરહાઉસ સંસાધનો,
કાર્બનિક સહિત.
પરંતુ આ પ્રથમ પગલાં ઉચ્ચતમ મૂલ્ય લાવે છે અને તેથી ડિઝાઇનર્સ
પ્રોજેક્ટમાં ઘણીવાર રોકાણને યોગ્ય ઠેરવવું પડે છે.
તમારી BI પહેલ પછી કરવામાં આવેલ પ્રોજેક્ટમાં ખર્ચો હોઈ શકે છે
હલકી ગુણવત્તાવાળા (પ્રથમની તુલનામાં) અને પ્રત્યક્ષ, પરંતુ ઓછું મૂલ્ય લાવે છે
કંપનીને.
અને સંસ્થાના માલિકોએ વિચારણા શરૂ કરવાની જરૂર છે
ના સંચયને ફેંકી દો dati અને ઓછી સંબંધિત તકનીકો.
ડેટા માઇનિંગ: નિષ્કર્ષણ Dati
અસંખ્ય આર્કિટેક્ચરલ ઘટકોને વિવિધતાની જરૂર છે
ડેટા માઇનિંગ તકનીકો અને તકનીકો-
ઉદાહરણ તરીકે, વિવિધ "એજન્ટ્સ" ના રસના મુદ્દાઓની તપાસ કરવા માટે
ગ્રાહકો, કંપનીની ઓપરેટિંગ સિસ્ટમ્સ અને dw માટે જ. આ
એજન્ટો પ્રશિક્ષિત અદ્યતન ન્યુરલ નેટવર્ક હોઈ શકે છે
પોટ વલણો, જેમ કે ભાવિ ઉત્પાદન માંગ પર આધારિત છે
વેચાણ પ્રમોશન; માટે નિયમો આધારિત એન્જિન
સમૂહ પર પ્રતિક્રિયા આપો ડેટો સંજોગોમાં, ઉદાહરણ તરીકે, નિદાન
તબીબી અને સારવાર ભલામણો; અથવા તો સરળ એજન્ટો
વરિષ્ઠ મેનેજરોને અપવાદોની જાણ કરવાની ભૂમિકા સાથે (ટોચ
એક્ઝિક્યુટિવ્સ). સામાન્ય રીતે આ નિષ્કર્ષણ પ્રક્રિયાઓ dati si
વાસ્તવિક સમયમાં ચકાસો; તેથી, તેઓએ એક થવું જોઈએ
ની હિલચાલ સાથે સંપૂર્ણપણે dati પોતાને.
ઑનલાઇન વિશ્લેષણાત્મક પ્રક્રિયા પ્રક્રિયા
ઓનલાઇન એનાલિટિક્સ
સ્લાઇસ, ડાઇસ, રોલ, ડ્રિલ ડાઉન કરવાની ક્ષમતા
અને વિશ્લેષણ હાથ ધરે છે
શું-જો, સ્યુટના કાર્યક્ષેત્રમાં છે, ઉદ્દેશ્ય
IBM ટેકનોલોજી. ઉદાહરણ તરીકે, વિશ્લેષણાત્મક પ્રક્રિયા કાર્યો
DB2 માટે ઓનલાઈન (OLAP) અસ્તિત્વમાં છે જે પરિમાણીય વિશ્લેષણ લાવે છે
નું એન્જિન ડેટાબેઝ સમાન
જ્યારે કાર્યો SQL માં પરિમાણીય ઉપયોગિતા ઉમેરે છે
તેઓ DB2 નો કુદરતી ભાગ હોવાના તમામ લાભોનો લાભ લે છે. અન્ય
OLAP એકીકરણનું ઉદાહરણ નિષ્કર્ષણ સાધન છે, DB2
OLAP સર્વર વિશ્લેષક. આ ટેકનોલોજી સમઘનનું પરવાનગી આપે છે
DB2 OLAP સર્વર ઝડપથી અને આપમેળે બનશે
ના મૂલ્યોને ઓળખવા અને તેની જાણ કરવા માટે વિશ્લેષણ કર્યું dati અસામાન્ય અથવા અણધારી
સમગ્ર ક્યુબમાં બિઝનેસ એનાલિસ્ટ સુધી. અને છેલ્લે, ના કાર્યો
ડીડબ્લ્યુ સેન્ટર આર્કિટેક્ટ્સને તપાસવા માટેના માધ્યમો પ્રદાન કરે છે
અન્ય વસ્તુઓ, એક ભાગ તરીકે DB2 OLAP સર્વર ક્યુબની પ્રોફાઇલ
ETL પ્રક્રિયાઓની કુદરતી પ્રકૃતિ.
અવકાશી વિશ્લેષણ અવકાશી વિશ્લેષણ
જગ્યા વિશ્લેષણાત્મક એન્કર (લીડ્સ) ના અડધા ભાગનું પ્રતિનિધિત્વ કરે છે.
પેનોરમા માટે જરૂરી
વિશ્લેષણાત્મક વ્યાપક (સમય બીજા અડધા ભાગનું પ્રતિનિધિત્વ કરે છે). અણુ સ્તર
વેરહાઉસનું (પરમાણુ-સ્તર), આકૃતિ 1.1 માં દર્શાવવામાં આવ્યું છે,
સમય અને જગ્યા બંને માટેના પાયાનો સમાવેશ થાય છે. રેકોર્ડિંગ્સ
સમય અને સરનામાની માહિતી માટે સમય એન્કર વિશ્લેષણ
એન્કર અવકાશમાંથી વિશ્લેષણ કરે છે. ટાઇમસ્ટેમ્પ્સ
તેઓ સમયસર પૃથ્થકરણ કરે છે અને માહિતી દિશા નિર્દેશ કરે છે
અવકાશ દ્વારા વિશ્લેષણ. આકૃતિ જીઓકોડિંગ-પ્રક્રિયા બતાવે છે
સરનામાંઓને નકશા પરના બિંદુઓ અથવા અવકાશમાંના બિંદુઓમાં રૂપાંતરિત કરવું
જેથી અંતર અને અંદર/બહાર જેવા ખ્યાલો હોઈ શકે
વિશ્લેષણમાં વપરાય છે-પરમાણુ સ્તર અને અવકાશી વિશ્લેષણ પર હાથ ધરવામાં આવે છે
જે વિશ્લેષકને ઉપલબ્ધ કરાવવામાં આવે છે. IBM એક્સ્ટેંશન પ્રદાન કરે છે
એન્વાયર્નમેન્ટલ સિસ્ટમ રિસર્ચ ઇન્સ્ટિટ્યૂટ (ESRI) સાથે વિકસિત જગ્યા,
al ડેટાબેઝ DB2 જેથી અવકાશ પદાર્થો હોઈ શકે
ના સામાન્ય ભાગ તરીકે સંગ્રહિત ડેટાબેઝ સંબંધી db2
અવકાશી એક્સ્ટેન્ડર્સ, માટે તમામ SQL એક્સ્ટેંશન પણ પ્રદાન કરે છે
અવકાશી વિશ્લેષણનો ઉપયોગ કરો. ઉદાહરણ તરીકે, માંથી SQL એક્સ્ટેન્શન્સ
વિશે પ્રશ્ન
સરનામાંઓ વચ્ચેનું અંતર અથવા બિંદુ વિસ્તારની અંદર છે કે બહાર છે
વ્યાખ્યાયિત બહુકોણીય, અવકાશી સાથે વિશ્લેષણાત્મક ધોરણ છે
એક્સ્ટેન્ડર્સ. વધુ માહિતી માટે પ્રકરણ 16 જુઓ.
ડેટાબેઝ-નિવાસી સાધનો સાધનો ડેટાબેઝ-
રહેવાસી
DB2 પાસે ઘણી BI-નિવાસી SQL સુવિધાઓ છે જે સહાય કરે છે
વિશ્લેષણ ક્રિયામાં. આમાં શામેલ છે:
▪ વિશ્લેષણ કરવા માટે પુનરાવર્તિત કાર્યો, જેમ કે “શોધો
થી તમામ સંભવિત ફ્લાઇટ પાથ સાન ફ્રાન્સિસ્કો a ન્યુ યોર્ક".
▪ રેન્કિંગ, સંચિત કાર્યો, ક્યુબ માટે વિશ્લેષણાત્મક કાર્યો
અને સામાન્ય રીતે થતા કાર્યોને સરળ બનાવવા માટે રોલઅપ્સ
માત્ર OLAP ટેક્નોલોજી સાથે, તેઓ હવે તેનો કુદરતી ભાગ છે
નું એન્જિન ડેટાબેઝ
▪ પરિણામો સમાવતા કોષ્ટકો બનાવવાની ક્ષમતા
ના વેચાણકર્તાઓ ડેટાબેઝ નેતાઓ BI ક્ષમતાઓ કરતાં વધુ મિશ્રણ કરે છે
નેલ ડેટાબેઝ સમાન.
ના મુખ્ય સપ્લાયર્સ ડેટા બેઝ કરતાં વધુ મિશ્રણ કરી રહ્યાં છે
માં BI કાર્યક્ષમતા ડેટાબેઝ સમાન.
આ તમારા માટે વધુ સારું પ્રદર્શન અને વધુ ચાલવાના વિકલ્પો પ્રદાન કરે છે
BI ઉકેલો.
DB2 V8 ના લક્ષણો અને કાર્યોની ચર્ચા કરવામાં આવી છે
નીચેના પ્રકરણોમાં વિગતવાર:
ટેકનિકલ આર્કિટેક્ચર અને ડેટા મેનેજમેન્ટ ફાઉન્ડેશન્સ
(પ્રકરણ 5)
▪ DB2 BI ફંડામેન્ટલ્સ (પ્રકરણ 6)
▪ DB2 સામગ્રીયુક્ત ક્વેરી કોષ્ટકો
કોષ્ટકો) (પ્રકરણ 7)
▪ DB2 OLAP કાર્યો (પ્રકરણ 13)
▪ DB2 ઉન્નત BI લક્ષણો અને કાર્યો (ઉન્નત BI
લક્ષણો અને કાર્યો) (પ્રકરણ 15)
સરળ ડેટા ડિલિવરી સિસ્ટમ
ની ડિલિવરી સિસ્ટમ dati સરળ
આકૃતિ 1.1 માં દર્શાવવામાં આવેલ આર્કિટેક્ચરમાં અસંખ્યનો સમાવેશ થાય છે
માળખાં dati ભૌતિક એક નું વેરહાઉસ છે dati ઓપરેશનલ
સામાન્ય રીતે, ODS ઑબ્જેક્ટ ઓરિએન્ટેડ હોય છે,
સંકલિત અને વર્તમાન. શું તમે આધાર આપવા માટે ODS બનાવશો, દા.ત
ઉદાહરણ તરીકે, વેચાણ કચેરી. ODS વેચાણ પૂરક બનશે dati
અસંખ્ય વિવિધ સિસ્ટમોમાંથી આવે છે પરંતુ માત્ર જાળવી રાખશે, દા.ત
ઉદાહરણ તરીકે, આજના વ્યવહારો. ODS અપડેટ કરી શકાય છે
દિવસમાં ઘણી વખત પણ. તે જ સમયે, પ્રક્રિયાઓ
તેઓ દબાણ કરે છે dati અન્ય કાર્યક્રમોમાં સંકલિત. આ રચના છે
ખાસ કરીને એકીકૃત કરવા માટે રચાયેલ છે dati વર્તમાન અને ગતિશીલ ઇ
રીઅલ-ટાઇમ એનાલિટિક્સને ટેકો આપવા માટે સંભવિત ઉમેદવાર હશે,
સેવા એજન્ટો કેવી રીતે પ્રદાન કરવા ગ્રાહકો વેચાણ માહિતી
વેચાણ વલણની માહિતી કાઢીને ગ્રાહકના વર્તમાન વલણો
વેરહાઉસમાંથી જ. આકૃતિ 1.1 માં બતાવેલ બીજું માળખું છે
dw માટે ઔપચારિક સ્થિતિ. એટલું જ નહીં માટે આ સ્થળ છે
જરૂરી એકીકરણનો અમલ, ગુણવત્તા dati, ઇ
ના રૂપાંતરણની dati સ્ટોક ટૂંક સમયમાં આવી રહ્યો છે, પરંતુ તે પણ છે
માટે વિશ્વસનીય અને અસ્થાયી સંગ્રહ વિસ્તાર dati તેનો જવાબ આપો
રીઅલ-ટાઇમ વિશ્લેષણમાં ઉપયોગ કરી શકાય છે. જો તમે નક્કી કરો
ODS અથવા સ્ટેજીંગ એરિયાનો ઉપયોગ કરો, એક
આ સ્ટ્રક્ચર્સને વસાવવા માટેના શ્રેષ્ઠ સાધનોમાંથી dati ઉપયોગ કરીને
વિવિધ ઓપરેશનલ સ્ત્રોતો DB2 ની વિષમ વિતરિત ક્વેરી છે.
આ ક્ષમતા DB2 ની વૈકલ્પિક સુવિધા દ્વારા પ્રદાન કરવામાં આવી છે
DB2 રિલેશનલ કનેક્ટ (ફક્ત ક્વેરી) અને DB2 દ્વારા કહેવાય છે
ડેટાજોઇનર (એક અલગ ઉત્પાદન જે એપ્લિકેશન પહોંચાડે છે,
નિવેશ, અપડેટ અને કાઢી નાખવાની શક્યતા a
વિજાતીય વિતરિત RDBMSs).
આ ટેકનોલોજી આર્કિટેક્ટ્સને પરવાનગી આપે છે dati બાંધવું dati di
વિશ્લેષણાત્મક પ્રક્રિયાઓ સાથે ઉત્પાદન. ટેક્નોલોજી જ નહીં
વર્ચ્યુઅલ રીતે કોઈપણ પ્રતિકૃતિ વિનંતીઓ સાથે અનુકૂલન કરો
તેઓ રીઅલ-ટાઇમ એનાલિટિક્સ સાથે દેખાઈ શકે છે, પરંતુ તે
તેઓ વિવિધ પ્રકારના પાયા સાથે પણ જોડાઈ શકે છે dati વધુ
DB2, Oracle, Sybase, SQL સર્વર સહિત લોકપ્રિય,
ઇન્ફોર્મિક્સ અને અન્ય. DB2 DataJoiner નો ઉપયોગ પોપ્યુલેટ કરવા માટે કરી શકાય છે
એક માળખું dati ODS અથવા તો ટેબલની જેમ ઔપચારિક
પુનઃસંગ્રહ માટે રચાયેલ વેરહાઉસમાં કાયમી રૂપે રજૂ થાય છે
ત્વરિત અપડેટ્સ અથવા વેચાણ માટે ઝડપી. સ્વાભાવિક રીતે,
આ જ રચનાઓ dati નો ઉપયોગ કરીને વસ્તી કરી શકાય છે
ની પ્રતિકૃતિ માટે રચાયેલ અન્ય મહત્વપૂર્ણ તકનીક dati, IBM
ડેટાપ્રોપેગેટર રિલેશનલ. (ડેટાપ્રોપેગેટર એક અલગ ઉત્પાદન છે
કેન્દ્રીય સિસ્ટમો માટે. DB2 UNIX, Linux, Windows અને OS/2 નો સમાવેશ થાય છે
પ્રતિકૃતિ સેવાઓ dati પ્રમાણભૂત લક્ષણ તરીકે).
ખસેડવાની બીજી પદ્ધતિ dati આસપાસ કામ કરે છે
એન્ટરપ્રાઇઝ એ ​​એન્ટરપ્રાઇઝ એપ્લિકેશન ઇન્ટિગ્રેટર છે અન્યથા
મેસેજ બ્રોકર તરીકે ઓળખાય છે
યુનિક ટેક્નોલોજી સેન્ટરિંગ માટે અજોડ નિયંત્રણની મંજૂરી આપે છે
(લક્ષ્ય) અને ખસેડો dati કંપનીની આસપાસ. IBM પાસે મધ્યસ્થી છે
સૌથી વધુ ઉપયોગમાં લેવાતા સંદેશ, MQSeries અથવા વિવિધતા
ની જરૂરિયાતો સમાવે છે ઈ-કોમર્સ, IBM
વેબસ્ફીયર MQ.
A ને સમર્થન આપવા માટે MQ નો લાભ કેવી રીતે મેળવવો તેના પર વધુ ચર્ચા માટે
વેરહાઉસ અને BI પર્યાવરણ, મુલાકાત લો વેબસાઇટ પુસ્તકની. હમણાં માટે, તે છે
તે કહેવું પૂરતું છે કે આ ટેક્નોલોજી એક ઉત્તમ માધ્યમ છે
કેપ્ચર અને ટ્રાન્સફોર્મ (MQSeries ઈન્ટિગ્રેટરનો ઉપયોગ કરીને) dati
BI સોલ્યુશન્સ માટે ભરતી કેન્દ્રીત (લક્ષિત) ઓપરેટરો. ત્યાં
MQ ટેક્નોલોજીને UDB V8 માં સંકલિત અને પેકેજ કરવામાં આવી છે, જે
મતલબ કે સંદેશ કતાર હવે મેનેજ કરી શકાય છે
જાણે કે તેઓ DB2 કોષ્ટકો હોય. ની વેલ્ડીંગની વિભાવના
કતારબદ્ધ સંદેશાઓ અને બ્રહ્માંડ ડેટાબેઝ રિલેશનલ નિર્દેશિત છે
ના શક્તિશાળી વિતરણ વાતાવરણ તરફ dati.
ઝીરો-લેટન્સી ઝીરો લેટન્સી
IBM માટે અંતિમ વ્યૂહાત્મક ધ્યેય શૂન્ય લેટન્સી (ઝીરોલેટન્સી) એનાલિટિક્સ છે.
દ્વારા વ્યાખ્યાયિત કર્યા મુજબ
ગાર્ટનર, BI સિસ્ટમ અનુમાન કરવા, આત્મસાત કરવા સક્ષમ હોવી જોઈએ
અને વિનંતી પર વિશ્લેષકો માટે માહિતી પ્રદાન કરો. પડકાર,
અલબત્ત, તે કેવી રીતે ભળવું તે છે dati વર્તમાન અને વાસ્તવિક સમયમાં
જરૂરી ઐતિહાસિક માહિતી સાથે, જેમ કે i dati સંબંધિત મોડેલ(ઓ).
વલણ, અથવા અર્કિત સમજ, ના ચિત્રણ તરીકે
ગ્રાહક
આવી માહિતીમાં, ઉદાહરણ તરીકે, ની ઓળખ શામેલ છે ગ્રાહકો ad
ઉચ્ચ અથવા ઓછું જોખમ અથવા કયા ઉત્પાદનો i ગ્રાહકો તેઓ ઘણું ખરીદશે
કદાચ જો તેમની પાસે પહેલેથી જ તેમની ગાડીઓમાં ચીઝ હોય
એક્વિઝિશન
શૂન્ય લેટન્સી મેળવવી ખરેખર બે પર આધારિત છે
મૂળભૂત પદ્ધતિઓ:
▪ નું સંપૂર્ણ જોડાણ dati જેની સાથે વિશ્લેષણ કરવામાં આવે છે
BI દ્વારા નિર્મિત તકનીકો અને સાધનો
▪ ની ડિલિવરી સિસ્ટમ dati તેની ખાતરી કરવા માટે કાર્યક્ષમ
વાસ્તવિક સમયનું વિશ્લેષણ ખરેખર ઉપલબ્ધ છે
શૂન્ય વિલંબ માટેની આ પૂર્વજરૂરીયાતો બેથી અલગ નથી
IBM દ્વારા સ્થાપિત અને ઉપર વર્ણવેલ ઉદ્દેશ્યો.
ના બંધ સમાગમ dati કાર્યક્રમનો એક ભાગ છે
IBM દ્વારા ગોઠવાયેલ સીમલેસ એકીકરણ. અને સિસ્ટમ બનાવો
ની ડિલિવરી dati કાર્યક્ષમતા પર સંપૂર્ણપણે આધાર રાખે છે
ઉપલબ્ધ તકનીક કે જે ડિલિવરી પ્રક્રિયાને સરળ બનાવે છે
dati. પરિણામે, IBM ના ત્રણ ધ્યેયોમાંથી બે મહત્વપૂર્ણ છે
ત્રીજું બનાવવા માટે. IBM સભાનપણે પોતાનો વિકાસ કરી રહ્યું છે
શૂન્ય વિલંબની ખાતરી કરવા માટેની તકનીક વપરાશકર્તાઓ માટે વાસ્તવિકતા છે
વેરહાઉસ પ્રયાસો.
સારાંશ / સંશ્લેષણ
BI સંસ્થા માટે માર્ગ નકશો પ્રદાન કરે છે
તમારું વાતાવરણ બનાવો
પુનરાવર્તિત રીતે ની જરૂરિયાતોને પ્રતિબિંબિત કરવા માટે તેને સમાયોજિત કરવું આવશ્યક છે
તમારો વ્યવસાય, વર્તમાન અને ભવિષ્ય બંને. આર્કિટેક્ચરલ દ્રષ્ટિ વિના
વિશાળ, વેરહાઉસ પુનરાવર્તનો કરતાં થોડી વધુ છે
રેન્ડમ સેન્ટ્રલ વેરહાઉસ અમલીકરણ જે બહુ ઓછું કરે છે
એક વ્યાપક, માહિતીપ્રદ એન્ટરપ્રાઇઝ બનાવો.
પ્રોજેક્ટ મેનેજરો માટે પ્રથમ અવરોધ એ છે કે કેવી રીતે વાજબી ઠેરવવું
BI સંસ્થાના વિકાસ માટે જરૂરી રોકાણો.
જોકે ROI ગણતરી માટે મુખ્ય આધાર રહ્યો છે
વેરહાઉસ સિદ્ધિઓ, તે વધુ મુશ્કેલ બની રહ્યું છે
બરાબર આગાહી કરો. આ માટે અન્ય પદ્ધતિઓ તરફ દોરી ગઈ છે
તમે તમારા પૈસાની કિંમત મેળવી રહ્યા છો કે કેમ તે નક્કી કરવું. આ
ઇન્વેસ્ટમેન્ટ2 (VOI) પર મૂલ્ય, ઉદાહરણ તરીકે, પ્રાપ્ત થાય છે
ઉકેલ તરીકે.
ના આર્કિટેક્ટ્સ પર તે ફરજિયાત છે dati અને પ્રોજેક્ટ પ્લાનર્સ
ઇરાદાપૂર્વક જનરેટ કરો અને એસોસિએશનોને માહિતી પ્રદાન કરો
વપરાશકર્તાઓ અને માત્ર તેમને સેવા પૂરી પાડતા નથી dati. ત્યાં છે
બંને વચ્ચે મોટો તફાવત. માહિતી એવી વસ્તુ છે જે વ્યક્તિ કરે છે
નિર્ણય લેવાની પ્રક્રિયાઓ અને અસરકારકતામાં તફાવત; પ્રમાણમાં, i
dati તેઓ તે માહિતી મેળવવા માટે બ્લોક્સ બનાવી રહ્યા છે.
ભલે સ્ત્રોતની ટીકા કરતા હોય dati વિનંતીઓ સંબોધવા માટે
વ્યાપારી, BI પર્યાવરણે મોટી ભૂમિકા ભજવવી જોઈએ
માહિતી સામગ્રીના નિર્માણમાં. આપણે લેવું પડશે
વધારાના પગલાં સાફ કરવા, એકીકૃત કરવા, રૂપાંતરિત કરવા અથવા
અન્યથા એક માહિતી સામગ્રી બનાવો જે મુજબ
વપરાશકર્તાઓ પગલાં લઈ શકે છે, અને તેથી અમારે ખાતરી કરવાની જરૂર છે કે તે
ક્રિયાઓ અને નિર્ણયો, જ્યાં વાજબી હોય ત્યાં, સમર્થિત છે
BI પર્યાવરણમાં. જો આપણે વેરહાઉસને ફક્ત સેવા આપવા માટે ઉતારીએ છીએ dati,
તે ખાતરી આપે છે કે વપરાશકર્તા સંગઠનો સામગ્રી બનાવશે
પગલાં લેવા માટે જરૂરી માહિતી. આ ખાતરી કરે છે કે તેમના
સમુદાય વધુ સારા નિર્ણયો લેવામાં સક્ષમ હશે, પરંતુ એન્ટરપ્રાઇઝ
જ્ઞાનના અભાવથી પીડાય છે જેનો તેઓએ ઉપયોગ કર્યો છે.
તારીખ કે આર્કિટેક્ટ્સ અને પ્રોજેક્ટ પ્લાનર્સ પ્રોજેક્ટ્સ શરૂ કરે છે
BI પર્યાવરણ માટે વિશિષ્ટ, તેઓ એન્ટરપ્રાઇઝ માટે જવાબદાર રહે છે
મોટા પ્રમાણમાં. આ બે લક્ષણનું એક સરળ ઉદાહરણ
BI પુનરાવર્તનોના ચહેરા સ્ત્રોતમાં જોવા મળે છે dati. બધાજ
dati ચોક્કસ વ્યાપારી વિનંતીઓ માટે પ્રાપ્ત થવી જોઈએ
પ્રથમ અણુ સ્તરમાં વસ્તી. આના વિકાસની ખાતરી આપે છે
કોર્પોરેટ માહિતીની સંપત્તિ, તેમજ મેનેજ કરો, નિર્દેશિત કરો
પુનરાવૃત્તિમાં વ્યાખ્યાયિત વપરાશકર્તા-વિશિષ્ટ વિનંતીઓ.

W hatisa D ata W arehouse ?
ડેટા વેરહાઉસ તે માહિતી સિસ્ટમ આર્કિટેક્ચરનું હૃદય છે
1990 થી અને નક્કર ઓફર કરીને માહિતી પ્રક્રિયાઓને સમર્થન આપે છે
સંકલિત પ્લેટફોર્મ dati ઇતિહાસકારો અનુગામી લોકો માટે આધાર તરીકે લેવામાં આવે છે
વિશ્લેષણ કરે છે. ધ માહિતી વેરહાઉસ માં એકીકરણની સરળતા આપે છે
એપ્લિકેશન સિસ્ટમ્સની દુનિયા જે એકબીજા સાથે સુસંગત નથી. તારીખ
વેરહાઉસ એક વલણમાં વિકસિત થયું છે. ડેટા વેરહાઉસ
ગોઠવો અને યાદ રાખો i dati માહિતી પ્રક્રિયાઓ માટે જરૂરી ઇ
લાંબા ઐતિહાસિક ટેમ્પોરલ પરિપ્રેક્ષ્ય પર આધારિત વિશ્લેષણાત્મક. બધા
આમાં બાંધકામ માટે નોંધપાત્ર અને સતત પ્રતિબદ્ધતા શામેલ છે અને
ની જાળવણીમાં માહિતી વેરહાઉસ.
તો એ શું છે માહિતી વેરહાઉસ? એ માહિતી વેરહાઉસ છે:
▪ વિષય લક્ષી
▪ સંકલિત સિસ્ટમ
▪ ચલ સમય
▪ બિન-અસ્થિર (ભૂંસી શકાતું નથી)
નો સંગ્રહ dati માં સંચાલકીય નિર્ણયોને ટેકો આપવા માટે વપરાય છે
પ્રક્રિયાઓ અમલીકરણ.
I dati દાખલ કરેલ માહિતી વેરહાઉસ મોટા ભાગનામાં ઉદભવે છે
ઓપરેશનલ વાતાવરણમાંથી કેસો. આ માહિતી વેરહાઉસ તે એક દ્વારા બનાવવામાં આવે છે
સંગ્રહ એકમ, ભૌતિક રીતે બાકીનાથી અલગ
સિસ્ટમ, જેમાં સમાવે છે dati દ્વારા અગાઉ રૂપાંતરિત
એપ્લિકેશન કે જે પર્યાવરણમાંથી મેળવેલી માહિતી પર કાર્ય કરે છે
ઓપરેશનલ
a ની શાબ્દિક વ્યાખ્યા માહિતી વેરહાઉસ ગહન અભ્યાસને પાત્ર છે
સમજૂતી કારણ કે ત્યાં મહત્વપૂર્ણ પ્રેરણા અને અર્થ છે
પૃષ્ઠભૂમિ કે જે વેરહાઉસની લાક્ષણિકતાઓનું વર્ણન કરે છે.
વિષય ઓરિએન્ટેશન ઓરિએન્ટેશન
થિમેટિક
એનું પ્રથમ લક્ષણ માહિતી વેરહાઉસ તે તરફ લક્ષી છે
કંપનીમાં મુખ્ય ખેલાડીઓ. દ્વારા ટ્રાયલ્સ માર્ગદર્શિકા
dati તે પૂરી પાડે છે તે વધુ ક્લાસિક પદ્ધતિથી વિપરીત છે
પ્રક્રિયાઓ અને કાર્યો તરફ એપ્લિકેશનનું અભિગમ,
પદ્ધતિ મોટે ભાગે મોટાભાગના દ્વારા શેર કરવામાં આવે છે
જૂની મેનેજમેન્ટ સિસ્ટમ્સ.
ઓપરેશનલ વર્લ્ડ એપ્લીકેશન્સ અને ફંક્શન્સની આસપાસ રચાયેલ છે
જેમ કે લોન, બચત, બેંકકાર્ડ અને સંસ્થા માટે ટ્રસ્ટ
નાણાકીય dw ની દુનિયા વિષયોની આસપાસ સંગઠિત છે
મુખ્ય જેમ કે ગ્રાહક, વિક્રેતા, ઉત્પાદન અને વ્યવસાય.
વિષયોની આસપાસ ગોઠવણી ડિઝાઇનને અસર કરે છે અને
ની અનુભૂતિ પર dati dw માં જોવા મળે છે. વધારે અગત્યનું,
મુખ્ય વિષય ના સૌથી મહત્વપૂર્ણ ભાગને અસર કરે છે
કી માળખું.
એપ્લિકેશનની દુનિયા ડેટાની બંને ડિઝાઇનથી પ્રભાવિત છે
પ્રક્રિયા ડિઝાઇન પર આધારિત. ની દુનિયા
dw માત્ર મોડેલિંગ પર કેન્દ્રિત છે dati ઇ સુલ
નું ચિત્ર ડેટાબેઝ. પ્રક્રિયાની રચના (તેના સ્વરૂપમાં
ક્લાસિકલ) dw પર્યાવરણનો ભાગ નથી.
પ્રક્રિયા/કાર્ય અને એપ્લિકેશનની પસંદગી વચ્ચેનો તફાવત
વિષય દ્વારા પસંદગી પણ સામગ્રીમાં તફાવત તરીકે જાહેર કરવામાં આવે છે
ડીઆઈ dati વિગતવાર સ્તર પર. ધ dati del dw માં i નો સમાવેશ થતો નથી dati કે
અરજી કરતી વખતે DSS પ્રક્રિયા માટે ઉપયોગમાં લેવાશે નહીં
ઓપરેશનલ લક્ષી dati i સમાવે છે dati સંતોષવા માટે
તરત જ કાર્યાત્મક/પ્રોસેસિંગ જરૂરિયાતો કે જે ઓ
DSS વિશ્લેષક માટે ઓછા કોઈ ઉપયોગ છે.
અન્ય મહત્વની રીત જેમાં ઓપરેશનલ ઓરિએન્ટેડ એપ્લીકેશન
ai dati થી અલગ પડે છે dati dw ના અહેવાલોમાં છે dati. હું dati
ઓપરેશનલ બે અથવા વધુ કોષ્ટકો વચ્ચે સતત સંબંધ જાળવી રાખે છે
વ્યવસાયના નિયમ પર આધારિત છે જે સક્રિય છે. ધ dati dw દ્વારા
તેઓ સમયના સ્પેક્ટ્રમને ફેલાવે છે અને dw માં જોવા મળતા સંબંધો છે
ઘણા ઘણા ટ્રેડિંગ નિયમો (અને અનુરૂપ, ઘણા
ના અહેવાલો dati ) ના સ્ટોકમાં રજૂ થાય છે dati બે ઓ વચ્ચે
બહુવિધ કોષ્ટકો.
(ની વચ્ચેના સંબંધો કેવી રીતે છે તેની વિગતવાર સમજૂતી માટે dati ઊંઘ
DW માં હેન્ડલ, અમે તેના પર ટેક વિષયનો સંદર્ભ લઈએ છીએ
પ્રશ્ન.)
તફાવત કરતાં અન્ય કોઈ દૃષ્ટિકોણથી
વિધેયાત્મક/પ્રક્રિયા એપ્લિકેશનની પસંદગી અને વચ્ચે મૂળભૂત
વિષય પસંદગી, સિસ્ટમો વચ્ચે મોટો તફાવત છે
ઓપરેશનલ ei dati અને DW.
એકીકરણ એકીકરણ
dw પર્યાવરણનું સૌથી મહત્વનું પાસું એ છે કે i dati મળી
dw ની અંદર તેઓ સરળતાથી સંકલિત થાય છે. હંમેશા. વગર
અપવાદો. dw પર્યાવરણનો સાર એ છે કે i dati
વેરહાઉસની મર્યાદામાં સમાયેલ છે.
એકીકરણ પોતાને ઘણી જુદી જુદી રીતે પ્રગટ કરે છે - સંમેલનોમાં
સુસંગત ચલોના માપમાં, સુસંગત ઓળખવામાં આવે છે, માં
ના ભૌતિક લક્ષણોમાં સમાવિષ્ટ કોડીફાઇડ સ્ટ્રક્ચર્સ dati
સુસંગત, અને તેથી વધુ.
વર્ષોથી વિવિધ એપ્લિકેશનના ડિઝાઇનરોએ આમ કર્યું છે
અરજી કેવી રીતે કરવી જોઈએ તે અંગેના ઘણા નિર્ણયોનો કબજો
વિકસાવવામાં આવશે. વ્યક્તિગત શૈલી અને ડિઝાઇન નિર્ણયો
ડિઝાઇનર્સની એપ્લિકેશન્સ પોતાને સો રીતે પ્રગટ કરે છે: માં
કોડિંગ તફાવતો, મુખ્ય માળખું, ભૌતિક લાક્ષણિકતાઓ,
સંમેલનોની ઓળખ, અને તેથી વધુ. ઘણાની સામૂહિક ક્ષમતા
એપ્લિકેશન ડિઝાઇનર્સ અસંગત એપ્લિકેશનો બનાવે છે
તે સુપ્રસિદ્ધ છે. આકૃતિ 3 કેટલાક વધુ તફાવતો દર્શાવે છે
જે રીતે એપ્લીકેશન ડિઝાઇન કરવામાં આવે છે તે રીતે મહત્વપૂર્ણ છે.
એન્કોડિંગ: એન્કોડ:
એપ્લિકેશન ડિઝાઇનરોએ ફીલ્ડ કોડિંગ પસંદ કર્યું -
સેક્સ - જુદી જુદી રીતે. ડિઝાઇનર સેક્સ તરીકે રજૂ કરે છે
એક “m” અને “f”. અન્ય ડિઝાઇનર સેક્સને "1" તરીકે રજૂ કરે છે
અને "0". અન્ય ડિઝાઇનર સેક્સને "x" તરીકે રજૂ કરે છે અને
"વાય". અન્ય ડિઝાઇનર સેક્સને "પુરુષ" તરીકે રજૂ કરે છે અને
"સ્ત્રી". સેક્સ DW માં કેવી રીતે આવે છે તેનાથી કોઈ ફરક પડતો નથી. "એમ"
અને "F" કદાચ બધા જેટલા સારા છે
પ્રતિનિધિત્વ
મહત્વની બાબત એ છે કે લૈંગિક ક્ષેત્ર જે પણ ઉદ્દભવે છે તેમાંથી,
તે ક્ષેત્ર સતત સંકલિત સ્થિતિમાં DW માં આવે છે. થી
જ્યારે ફીલ્ડને DW માં લોડ કરવામાં આવે છે
એક એપ્લિકેશન જ્યાં તેને ફોર્મેટમાં રજૂ કરવામાં આવી છે
“M” અને “F”, i dati DW ફોર્મેટમાં કન્વર્ટ કરવું આવશ્યક છે.
લક્ષણોનું માપન: નું માપન
વિશેષતાઓ:
એપ્લિકેશન ડિઝાઇનરોએ પાઇપલાઇનને માપવાનું પસંદ કર્યું
અભ્યાસક્રમમાં વિવિધ રીતે
કેટલાક વર્ષો. એક ડિઝાઇનર સ્ટોર કરે છે dati માં પાઇપલાઇનની
સેન્ટીમીટર અન્ય એપ્લિકેશન ડિઝાઇનર સ્ટોર કરે છે dati
ઇંચની દ્રષ્ટિએ પાઇપલાઇનની. ના અન્ય ડિઝાઇનર
એપ્લિકેશન સ્ટોર્સ i dati મિલિયન ક્યુબિક ફીટમાં પાઇપલાઇન
પ્રતિ સેકન્ડ. અને અન્ય ડિઝાઇનર ની માહિતી સંગ્રહિત કરે છે
યાર્ડની દ્રષ્ટિએ પાઇપલાઇન. સ્ત્રોત ગમે તે હોય, જ્યારે
પાઇપલાઇન માહિતી DW માં આવે છે તે હોવી જોઈએ
એ જ રીતે માપવામાં આવે છે.
આકૃતિ 3 માં સંકેતો અનુસાર, એકીકરણ મુદ્દાઓ
તેઓ પ્રોજેક્ટના લગભગ દરેક પાસાઓને અસર કરે છે - સુવિધાઓ
ભૌતિક દેવતાઓ dati, એક કરતાં વધુ સ્ત્રોત હોવાની દ્વિધા dati, લા
અસંગત ઓળખાયેલ નમૂનાઓનો મુદ્દો, ના ફોર્મેટ dati
અસંગત, અને તેથી વધુ.
ડિઝાઇનનો વિષય ગમે તે હોય, પરિણામ એક જ છે -
i dati DW માં એકવચન e માં સંગ્રહિત હોવું આવશ્યક છે
ની ઓપરેટિંગ સિસ્ટમો હોવા છતાં પણ વૈશ્વિક સ્તરે સ્વીકાર્ય રીતે
નીચે તેઓ અલગ રીતે સંગ્રહ કરે છે i dati.
જ્યારે DSS વિશ્લેષક DW ને જુએ છે, ત્યારે વિશ્લેષકનો ઉદ્દેશ
તેનું શોષણ હોવું જોઈએ dati જે વેરહાઉસમાં છે,
ની વિશ્વસનીયતા અથવા સુસંગતતા વિશે આશ્ચર્ય કરવાને બદલે
dati.
સમય ભિન્નતા
બધાજ dati DW માં તેઓ અમુક સમયે ચોક્કસ હોય છે.
ની આ મૂળભૂત લાક્ષણિકતા dati DW માં ખૂબ જ અલગ છે dati
ઓપરેટિંગ વાતાવરણમાં જોવા મળે છે. ધ dati ઓપરેટિંગ પર્યાવરણ છે
ઍક્સેસની ક્ષણની જેમ ચોક્કસ. બીજા શબ્દો માં,
ઑપરેટિંગ વાતાવરણમાં જ્યારે ડ્રાઇવ એક્સેસ થાય છે dati, હા
જ્યાં સુધી તે ઍક્સેસના સમયે ચોક્કસ મૂલ્યોને પ્રતિબિંબિત કરે ત્યાં સુધી રાહ જુઓ.
કારણ કે હું dati DW માં અમુક બિંદુએ જેટલા ચોક્કસ છે
સમય (એટલે ​​​​કે, "હમણાં" નહીં), એવું કહેવાય છે કે i dati DW માં જોવા મળે છે
તેઓ "સમય ભિન્નતા" છે.
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 તે એક
લાંબા સમયની ક્ષિતિજ - પાંચ થી દસ વર્ષ. ક્ષિતિજ
ઓપરેટિંગ પર્યાવરણ માટે રજૂ કરાયેલ સમયમર્યાદા ઘણી ટૂંકી છે
▪ આજના વર્તમાન મૂલ્યોથી સાઠ નેવું સુધી
એપ્લિકેશનો કે જે સારી રીતે કામ કરવાની જરૂર છે અને તે હોવું જરૂરી છે
ટ્રાન્ઝેક્શન પ્રોસેસિંગ માટે ઉપલબ્ધ હોવું આવશ્યક છે
નો ન્યૂનતમ જથ્થો dati જો તેઓ કોઈપણ ડિગ્રી સ્વીકારે છે
લવચીકતા તેથી ઓપરેશનલ એપ્લિકેશન્સમાં ક્ષિતિજ હોય ​​છે
ના ડિઝાઇન વિષય તરીકે ટૂંકા ટાઇમસ્કેલ
ઓડિયો એપ્લિકેશન્સ.
DW માં બીજી રીતે 'ટાઇમ વેરિઅન્સ' દેખાય છે તે છે
કી માળખું. DW માં દરેક કી માળખું સમાવે છે,
ગર્ભિત અથવા સ્પષ્ટ રીતે, સમયનું તત્વ, જેમ કે
દિવસ, અઠવાડિયું, મહિનો, વગેરે. સમયનું તત્વ લગભગ હંમેશા હોય છે
DW માં મળેલ સંકલિત કીના તળિયે. આમાં
પ્રસંગો, સમયનું તત્વ તકની જેમ ગર્ભિત રીતે અસ્તિત્વમાં રહેશે
જ્યાં મહિના અથવા ક્વાર્ટરના અંતે આખી ફાઇલ ડુપ્લિકેટ થાય છે.
ત્રીજી રીત ટાઈમ વેરિઅન્સ પ્રદર્શિત થાય છે કે i dati આ
ડીડબ્લ્યુ, યોગ્ય રીતે રજીસ્ટર થતાં જ, હોઈ શકતું નથી
અપડેટ કર્યું. ધ dati DW ના તમામ વ્યવહારુ હેતુઓ માટે, લાંબા છે
સ્નેપશોટની શ્રેણી. અલબત્ત જો સ્નેપશોટ છે
ખોટી રીતે લેવામાં આવ્યું છે, તો પછી સ્નેપશોટ હોઈ શકે છે
સંશોધિત પરંતુ ધારી રહ્યા છીએ કે સ્નેપશોટ લેવામાં આવ્યા છે
યોગ્ય રીતે, તેઓ બનાવતાની સાથે જ સંશોધિત થતા નથી. કેટલાકમાં
કિસ્સાઓમાં તે અનૈતિક અથવા અમાન્ય પણ હોઈ શકે છે કે જેમાં સ્નેપશોટ
DW સુધારેલ છે. ધ dati ઓપરેશનલ, માંની જેમ ચોક્કસ છે
લૉગિન ક્ષણ, તે આવે તે પ્રમાણે અપડેટ કરી શકાય છે
જરૂરિયાત.
અસ્થિર નથી
DW ની ચોથી મહત્વની લાક્ષણિકતા એ છે કે તે બિન-અસ્થિર છે.
સુધારાઓ, નિવેશ, કાઢી નાખવા અને ફેરફારો કરવામાં આવે છે
રેકોર્ડ-બાય-રેકોર્ડ ઓપરેશનલ વાતાવરણ માટે નિયમિતપણે. પરંતુ
ની મૂળભૂત મેનીપ્યુલેશન dati જે DW માં જરૂરી છે તે ઘણું વધારે છે
સરળ ત્યાં માત્ર બે પ્રકારના ઓપરેશન થાય છે
DW - નું પ્રારંભિક લોડિંગ dati અને ઍક્સેસ કરો dati. નથી
નું અપડેટ નથી dati (સામાન્ય અર્થમાં
અપડેટ) સામાન્ય પ્રક્રિયા કામગીરી તરીકે DW માં.
આ તફાવતના કેટલાક ખૂબ જ શક્તિશાળી પરિણામો છે
ઓપરેશનલ પ્રોસેસિંગ અને DW પ્રોસેસિંગ વચ્ચેનો આધાર. સ્તરે
ડિઝાઇન દ્વારા, અપગ્રેડ કરવા વિશે સાવચેત રહેવાની જરૂર છે
ના અપડેટ થી DW માં અસામાન્ય કોઈ પરિબળ નથી dati તે નથી
હાથ ધરવામાં આવે છે. આનો અર્થ એ છે કે ભૌતિક ડિઝાઇન સ્તરે,
ઍક્સેસને ઑપ્ટિમાઇઝ કરવા માટે સ્વતંત્રતા લેવામાં આવી શકે છે dati,
ખાસ કરીને માનકીકરણના વિષયો સાથે વ્યવહાર કરવામાં અને
શારીરિક વિકૃતિકરણ. સાદગીનું બીજું પરિણામ
DW ની કામગીરી માટે ઉપયોગમાં લેવાતી અંતર્ગત ટેકનોલોજીમાં છે
DW પર્યાવરણ ચલાવો. અપડેટ્સને ટેકો આપવો પડશે
રેકોર્ડ ઇનલાઇન દ્વારા રેકોર્ડ કરો (જેમ કે ઘણીવાર કેસ હોય છે
ઓપરેશનલ પ્રોસેસિંગ) ટેક્નોલોજીમાં કેટલીક હોવી જરૂરી છે
દેખીતી સરળતા હેઠળ ખૂબ જટિલ પાયા.
ટેક્નોલોજી કે જે બેકઅપ અને પુનઃપ્રાપ્તિ, વ્યવહારોને સપોર્ટ કરે છે
અને અખંડિતતા dati અને ડેડલોક સ્થિતિની શોધ અને ઉપાય છે
તદ્દન જટિલ અને DW પ્રક્રિયા માટે જરૂરી નથી.
DW ની લાક્ષણિકતાઓ, ડિઝાઇન ઓરિએન્ટેશન,
નું એકીકરણ dati DW ની અંદર, સમયનો તફાવત અને સરળતા
નું સંચાલન dati, બધું એક પર્યાવરણ તરફ દોરી જાય છે જે ખૂબ જ છે
ક્લાસિક ઓપરેટિંગ વાતાવરણથી અલગ. લગભગ બધાનો સ્ત્રોત
dati DW ના ઓપરેટિંગ વાતાવરણ છે. તે વિચારવા માટે લલચાવે છે
ની મોટાપાયે રીડન્ડન્સી છે dati બે વાતાવરણ વચ્ચે.
હકીકતમાં, ઘણા લોકોની પ્રથમ છાપ તે છે
ની મહાન નિરર્થકતા dati ઓપરેટિંગ પર્યાવરણ અને પર્યાવરણ વચ્ચે
DW. આવા અર્થઘટન સુપરફિસિયલ છે અને એક દર્શાવે છે
DW માં શું થાય છે તે સમજવાનો અભાવ.
ખરેખર નિરર્થકતા એક ન્યૂનતમ છે dati ઓપરેટિંગ પર્યાવરણ વચ્ચે
એડ i dati DW ના. ચાલો નીચેનાનો વિચાર કરીએ:
▪ આઇ dati તેઓ ફિલ્ટર કરવામાં આવે છે ડેટો જે ઓપરેટિંગ પર્યાવરણમાંથી પસાર થાય છે
DW પર્યાવરણ માટે. ઘણા dati તેઓ ક્યારેય બહારથી પસાર થતા નથી
ઓપરેટિંગ વાતાવરણમાંથી. તે સિવાય i dati જે માટે જરૂરી છે
DSS પ્રક્રિયા પર્યાવરણમાં તેમની દિશા શોધે છે
▪ સમયની ક્ષિતિજ dati તે પર્યાવરણથી ખૂબ જ અલગ છે
બીજાને. ધ dati ઓપરેટિંગ વાતાવરણમાં તેઓ ખૂબ જ તાજા છે. ધ dati
DW માં તેઓ ઘણા જૂના છે. માત્ર દ્રષ્ટિકોણથી
સમયની ક્ષિતિજમાં, બહુ ઓછું ઓવરલેપ છે
ઓપરેટિંગ પર્યાવરણ અને DW વચ્ચે.
▪ DW સમાવે છે dati સારાંશનો જે ક્યારેય મળ્યો નથી
પર્યાવરણમાં
▪ આઇ dati માંથી મૂળભૂત પરિવર્તનમાંથી પસાર થવું
તેઓ આકૃતિ 3 માં સંક્રમણ કરે છે તે ક્ષણ સૌથી વધુ સમજાવે છે
ભાગ dati સ્થિતિમાં નોંધપાત્ર ફેરફાર થાય છે
પસંદ કરવા અને DW માં ખસેડવા માટે. બીજી રીતે, ધ
મોટાભાગના dati શારીરિક રીતે સુધારેલ છે અને
ધરમૂળથી તેને DW માં કેવી રીતે ખસેડવામાં આવે છે. દૃષ્ટિકોણથી
એકીકરણ સમાન નથી dati જેઓ રહે છે
ઓપરેટિંગ વાતાવરણમાં.
આ પરિબળોના પ્રકાશમાં, ની નિરર્થકતા dati બે વાતાવરણ વચ્ચે છે
એક દુર્લભ ઘટના, જે બંને વચ્ચે 1% થી ઓછી રીડન્ડન્સી તરફ દોરી જાય છે
વાતાવરણ
વેરહાઉસનું માળખું
DWs એક અલગ માળખું ધરાવે છે. સારાંશના વિવિધ સ્તરો છે અને
DWs ને સીમાંકન કરતી વિગતો.
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 વિગતવાર
પ્રવાહો તે મુખ્ય ચિંતા છે કારણ કે:
▪ આઇ dati વર્તમાન વિગતો સૌથી તાજેતરની ઘટનાઓને પ્રતિબિંબિત કરે છે,
જે હંમેશા ખૂબ જ રસ ધરાવે છે અને
▪ i dati વર્તમાન વિગતો વિશાળ છે કારણ કે તે છે
ગ્રેન્યુલારિટીના સૌથી નીચા સ્તરે સંગ્રહિત e
▪ i dati વર્તમાન વિગતો લગભગ હંમેશા સંગ્રહિત થાય છે
ડિસ્ક સ્ટોરેજ, જે ઍક્સેસ કરવા માટે ઝડપી છે, પરંતુ ખર્ચાળ અને
થી જટિલ
I dati વિગતો જૂની છે dati જે પર સંગ્રહિત છે
ની કેટલીક યાદો માસ. તે છૂટાછવાયા ઍક્સેસ ધરાવે છે અને છે
સાથે સુસંગત વિગતોના સ્તરે સંગ્રહિત dati વિગતવાર
પ્રવાહો જ્યારે તે ના માધ્યમ પર સંગ્રહ કરવો ફરજિયાત નથી
ની મોટી માત્રાને કારણે વૈકલ્પિક સંગ્રહ dati સાથે સંયુક્ત
ની છૂટાછવાયા ઍક્સેસ dati, માટે સંગ્રહ માધ્યમ dati di
જૂની વિગતો સામાન્ય રીતે ડિસ્ક પર સંગ્રહિત થતી નથી.
I dati તેઓ છે dati જે નીચેથી નિસ્યંદિત છે
વિગતના વર્તમાન સ્તરે મળેલ વિગતનું સ્તર. આ
DW સ્તર લગભગ હંમેશા ડિસ્ક સ્ટોરેજ પર સંગ્રહિત થાય છે. ધ
ડિઝાઇન સમસ્યાઓ કે જે આર્કિટેક્ટ માટે ઊભી થાય છે dati
DW ના આ સ્તરના નિર્માણમાં છે:
▪ ઉપર આપેલ સારાંશ સમયનો કયો એકમ છે
▪ કઈ સામગ્રીઓ, વિશેષતાઓ સહેજ સારાંશ આપશે
ની સામગ્રી dati
નું આગલું સ્તર dati DW માં જોવા મળે છે તે છે dati ખૂબ
સારાંશ ધ dati ખૂબ સારાંશ કોમ્પેક્ટ અને સરળતાથી છે
સુલભ ધ dati ખૂબ સારાંશ ક્યારેક જોવા મળે છે
DW પર્યાવરણમાં અને અન્ય કિસ્સાઓમાં i dati ખૂબ સારાંશ છે
ટેક્નોલોજીની તાત્કાલિક દિવાલોની બહાર જોવા મળે છે જે DW ધરાવે છે.
(કોઈપણ સંજોગોમાં, i dati ખૂબ સારાંશ DW નો ભાગ છે
ગમે ત્યાં હું dati શારીરિક રીતે રાખવામાં આવે છે).
DW નો અંતિમ ઘટક મેટાડેટા 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. મેટાડેટાની વિશેષ ભૂમિકા છે e
DW માં ખૂબ જ મહત્વપૂર્ણ. મેટાડેટાનો ઉપયોગ આ રીતે થાય છે:
▪ ડીએસએસ વિશ્લેષકને શોધવામાં મદદ કરવા માટે ડિરેક્ટરી
DW ની સામગ્રી,
▪ મેપિંગ માટે માર્ગદર્શિકા dati કેવી રીતે હું dati સોનો સ્ટેટી
ઓપરેશનલ પર્યાવરણમાંથી DW પર્યાવરણમાં રૂપાંતરિત,
▪ વચ્ચે સારાંશ માટે ઉપયોગમાં લેવાતા અલ્ગોરિધમ્સની માર્ગદર્શિકા dati di
વર્તમાન વિગત ei dati સહેજ સારાંશ, i dati ખૂબ
સારાંશ,
મેટાડેટા DW પર્યાવરણમાં ઘણી મોટી ભૂમિકા ભજવે છે
તેઓ ક્યારેય ઓપરેશનલ વાતાવરણમાં ધરાવે છે
જૂની વિગતો સ્ટોરેજ માધ્યમ
મેગ્નેટિક ટેપનો ઉપયોગ તે પ્રકારના સંગ્રહ માટે કરી શકાય છે
dati. હકીકતમાં સ્ટોરેજ ટૂલ્સની વિશાળ વિવિધતા છે જે
તેઓને જૂનાની જાળવણી માટે ધ્યાનમાં લેવા જોઈએ dati di
વિગત
ના વોલ્યુમ પર આધાર રાખીને dati, ઍક્સેસની આવર્તન, કિંમત
સાધનો અને ઍક્સેસના પ્રકાર, તે સંપૂર્ણપણે સંભવિત છે
કે અન્ય સાધનોને જૂના સ્તરની વિગતોની જરૂર પડશે
DW માં.
ડેટાનો પ્રવાહ
નો સામાન્ય અને અનુમાનિત પ્રવાહ છે dati DW ની અંદર.
I dati તેઓ ઓપરેટિંગ પર્યાવરણમાંથી DW દાખલ કરે છે. (નોંધ: ત્યાં છે
આ નિયમના કેટલાક ખૂબ જ રસપ્રદ અપવાદો. જો કે, લગભગ
બધાજ dati ઓપરેટિંગ પર્યાવરણમાંથી DW દાખલ કરો). તારીખ કે હું dati
તેઓ ઓપરેટિંગ પર્યાવરણમાંથી DW માં પ્રવેશ કરે છે, તે જેમ હતું તેમ રૂપાંતરિત થાય છે
પહેલાં વર્ણવેલ. DW દાખલ કરવાની શરતે, i dati તેઓ દાખલ કરે છે
વિગતનું વર્તમાન સ્તર, બતાવ્યા પ્રમાણે. તે ત્યાં રહે છે અને તેનો ઉપયોગ થાય છે
ત્રણમાંથી એક ઘટના બને ત્યાં સુધી:
▪ શુદ્ધ થાય છે,
▪ સારાંશ આપેલ છે, અને/અથવા
▪ છે
DW મૂવની અંદર અપ્રચલિત પ્રક્રિયા i dati વર્તમાન વિગતો
a 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. ત્યા છે
દર્શાવેલ પ્રવાહના કેટલાક અપવાદો (પછીથી ચર્ચા કરવામાં આવશે).
જો કે, સામાન્ય રીતે, મોટા ભાગના માટે dati મળી
DW ની અંદર, ના પ્રવાહ dati તે દર્શાવ્યા પ્રમાણે છે.
ડેટાવેરહાઉસનો ઉપયોગ
ના વિવિધ સ્તરો આશ્ચર્યજનક નથી dati DW ની અંદર નથી
ઉપયોગના વિવિધ સ્તરો મેળવો. એક નિયમ તરીકે, નું ઉચ્ચ સ્તર
સારાંશ, વત્તા i dati તેઓ વપરાય છે.
ઘણા ઉપયોગો થાય છે dati ખૂબ સારાંશ, જ્યારે જૂના
dati વિગતવારનો લગભગ ક્યારેય ઉપયોગ થતો નથી. માં એક સારું કારણ છે
સંસ્થાને સંસાધન ઉપયોગના દાખલા પર ખસેડો. તેની પાસે જેટલું વધારે છે
સારાંશ i dati, તે પહોંચવું તેટલું ઝડપી અને વધુ કાર્યક્ષમ છે dati. પોતે
un દુકાન શોધો કે તે DW વિગતવાર સ્તરે ઘણી પ્રક્રિયા કરે છે,
પછી મશીન સંસાધનોની અનુરૂપ મોટી રકમ
વપરાશ થાય છે. કાર્યવાહી કરવી એ દરેકના હિતમાં છે
શક્ય તેટલી વહેલી તકે સારાંશના ઉચ્ચ સ્તરમાં.
ઘણા સ્ટોર્સ માટે, પૂર્વ-DW પર્યાવરણમાં DSS વિશ્લેષકે ઉપયોગ કર્યો છે
dati વિગતના સ્તરે. ખાતે આગમન ઘણી બાબતોમાં dati વિગતવાર
જ્યારે તે ઉપલબ્ધ હોય ત્યારે પણ તે સુરક્ષા ધાબળો જેવું લાગે છે
સારાંશના અન્ય સ્તરો. આર્કિટેક્ટની પ્રવૃત્તિઓમાંની એક dati è
DSS વપરાશકર્તાને સતત ઉપયોગથી મુક્ત કરો dati ઉચ્ચતમ સ્તરે
ઓછી વિગત. ત્યાં બે કારણો ઉપલબ્ધ છે
ના આર્કિટેક્ટનું dati:
▪ ચાર્જબેક સિસ્ટમ ઇન્સ્ટોલ કરવી, જ્યાં અંતિમ વપરાશકર્તા ચૂકવણી કરે છે
સંસાધનોનો વપરાશ ઇ
▪ જે દર્શાવે છે કે પ્રતિભાવ સમય ખૂબ સારો હોઈ શકે છે
જ્યારે i સાથે વર્તન થાય ત્યારે પ્રાપ્ત થાય છે dati તે ઉચ્ચ સ્તરે છે
સારાંશ, જ્યારે નબળો પ્રતિસાદ સમય માંથી આવે છે
નું વર્તન dati ના નીચા સ્તરે
અન્ય સંમતિઓ
કેટલાક અન્ય બાંધકામ અને સંચાલન વિચારણાઓ છે
DW.
પ્રથમ વિચારણા સૂચકાંકોની છે. ધ dati ના ઉચ્ચતમ સ્તરે
સારાંશ મુક્તપણે અનુક્રમિત કરી શકાય છે, જ્યારે i dati
વિગતના નીચલા સ્તરે તેઓ બની શકે તેટલા વિશાળ છે
કરકસરપૂર્વક અનુક્રમિત. સમાન ટોકનથી, આઇ dati ઉચ્ચ સ્તરે
વિગતો પ્રમાણમાં સરળતાથી નવીનીકરણ કરી શકાય છે,
જ્યારે વોલ્યુમ dati નીચલા સ્તરે તે એટલું મોટું છે કે i dati બિન
તેઓ સરળતાથી નવીનીકરણ કરી શકાય છે. તદનુસાર, મોડેલ
ડીઆઈ dati અને ઔપચારિક કાર્ય ડિઝાઇન દ્વારા કરવામાં આવે છે
DW માટે ફાઉન્ડેશન લગભગ સંપૂર્ણપણે સ્તર પર લાગુ થાય છે
વિગત વર્તમાન. 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 અલ
એપ્લિકેશન સ્તર. કક્ષાએ વિભાગમાં ડીબીએમએસતે ડીબીએમએસ è
વિભાગોની જાણ કરે છે અને તે મુજબ તેનું નિયંત્રણ કરે છે. કિસ્સામાં
એપ્લિકેશન સ્તરે વિભાજન, ફક્ત પ્રોગ્રામર છે
વિભાગો અને તેમની જવાબદારીની જાણ
વહીવટ તેના પર છોડી દેવામાં આવે છે
સ્તર નીચે ડીબીએમએસ, ઘણું કામ આપોઆપ થાય છે. ત્યાં છે
ના સ્વચાલિત વહીવટ સાથે સંકળાયેલી ઘણી બધી અસ્થિરતા
વિભાગો ના એપ્લિકેશન સ્તરે વિભાગોના કિસ્સામાં dati આ
માહિતી વેરહાઉસ, પ્રોગ્રામર પર ઘણાં કામનું વજન હોય છે, પરંતુ
અંતિમ પરિણામ વહીવટમાં સુગમતા છે dati તારીખમાં
વેરહાઉસ
અન્ય અસંગતતાઓ
જ્યારે ના ઘટકો માહિતી વેરહાઉસ તેઓ વર્ણવ્યા પ્રમાણે કામ કરે છે
લગભગ બધા માટે dati, કેટલાક ઉપયોગી અપવાદો છે જે આવશ્યક છે
ચર્ચા કરવામાં આવશે. તેનો અપવાદ છે dati જાહેર સારાંશ
(જાહેર સારાંશ ડેટા). આ છે dati સારાંશ જે હતા
માંથી ગણવામાં આવે છે માહિતી વેરહાઉસ પરંતુ તેઓ સમાજ દ્વારા ઉપયોગમાં લેવાય છે. ધ dati
માં સાર્વજનિક સારાંશ સંગ્રહિત અને સંચાલિત થાય છે માહિતી વેરહાઉસ,
જો કે અગાઉ ઉલ્લેખ કર્યો છે તેમ તેઓની ગણતરી કરવામાં આવે છે. ધ
એકાઉન્ટન્ટ્સ આ ત્રિમાસિક ઉત્પાદન માટે કામ કરે છે dati તરીકે
આવક, ત્રિમાસિક ખર્ચ, ત્રિમાસિક નફો, વગેરે. કામ
એકાઉન્ટન્ટ્સ દ્વારા કરવામાં આવે છે તે માટે બાહ્ય છે માહિતી વેરહાઉસ. જો કે, આઇ dati ઊંઘ
કંપનીની અંદર “આંતરિક રીતે” વપરાયેલ – થી માર્કેટિંગ, વેચાણ, વગેરે.
અન્ય વિસંગતતા, જેની ચર્ચા કરવામાં આવશે નહીં, તે છે dati એસ્ટર્ની
અન્ય ઉત્કૃષ્ટ પ્રકાર dati જે આપેલ માં મળી શકે છે
વેરહાઉસ એ કાયમી વિગત ડેટાનું છે. આનું કારણ બને છે
કાયમી ધોરણે સંગ્રહ કરવાની જરૂર છે i dati એક સ્તર પર
નૈતિક અથવા કાનૂની કારણોસર વિગતવાર. જો કોઈ કંપની પ્રદર્શન કરી રહી હોય તો i
જોખમી પદાર્થો સાથે સંબંધિત કામદારોની જરૂર છે dati
વિગતવાર અને કાયમી. જો કોઈ કંપની એવી પ્રોડક્ટ બનાવે છે જે
જાહેર સલામતી શામેલ છે, વિમાનના કયા ભાગો છે, ત્યાં છે
માટે જરૂરિયાત dati વિગતવાર કાયમી, તેમજ જો કોઈ કંપની
ખતરનાક કરારમાં પ્રવેશ કરે છે.
સમાજ વિગતોને અવગણી શકે તેમ નથી કારણ કે
આગામી થોડા વર્ષોમાં, મુકદ્દમાની ઘટનામાં, રિકોલ, એ
વિવાદિત બાંધકામ ખામી, વગેરે. કંપનીનું એક્સપોઝર
તે મોટું હોઈ શકે છે. પરિણામે એક અનન્ય પ્રકાર છે dati
કાયમી વિગત ડેટા તરીકે ઓળખાય છે.
સારાંશ
Un માહિતી વેરહાઉસ નું ઑબ્જેક્ટ લક્ષી, સંકલિત, ચલ છે
સમય, એક સંગ્રહ dati ની જરૂરિયાતોને ટેકો આપવા માટે બિન-અસ્થિર
વહીવટી નિર્ણય. ના દરેક મુખ્ય કાર્યો
un માહિતી વેરહાઉસ તેની અસરો છે. ઉપરાંત ચાર છે
ના સ્તરો dati આ માહિતી વેરહાઉસ:
▪ જૂની વિગત
▪ વર્તમાન વિગત
▪ Dati સહેજ સારાંશ
▪ Dati ખૂબ સારાંશ
મેટાડેટા પણ એક મહત્વપૂર્ણ ભાગ છે માહિતી વેરહાઉસ.
અમૂર્ત
ના સંગ્રહનો ખ્યાલ dati તાજેતરમાં પ્રાપ્ત
ખૂબ ધ્યાન આપવામાં આવે છે અને 90 ના દાયકાનો ટ્રેન્ડ બની ગયો છે
a ની ક્ષમતાને કારણે માહિતી વેરહાઉસ તેમને દૂર કરવા માટે
એડમિનિસ્ટ્રેશન સપોર્ટ સિસ્ટમ્સની મર્યાદાઓ જેમ કે i
નિર્ણય સપોર્ટ સિસ્ટમ્સ (DSS) અને માહિતી સિસ્ટમ્સ
એક્ઝિક્યુટિવ (EIS).
ની વિભાવના હોય તો પણ માહિતી વેરહાઉસ આશાસ્પદ લાગે છે,
અમલીકરણ i માહિતી વેરહાઉસ કારણે સમસ્યા થઈ શકે છે
મોટા પાયે વેરહાઉસિંગ પ્રક્રિયાઓ. છતાં પણ
વેરહાઉસિંગ પ્રોજેક્ટ્સની જટિલતા dati, ઘણા સપ્લાયર્સ
અને વેરહાઉસિંગ સલાહકારો dati તેઓ દાવો કરે છે કે
ના સંગ્રહ dati વર્તમાન કોઈ સમસ્યા ઊભી કરતું નથી.
જો કે, આ સંશોધન પ્રોજેક્ટની શરૂઆતમાં, લગભગ કોઈ નહીં
સ્વતંત્ર, સખત અને વ્યવસ્થિત સંશોધન હાથ ધરવામાં આવ્યું હતું. થી
પરિણામે ખરેખર શું થાય છે તે કહેવું મુશ્કેલ છે
ઉદ્યોગમાં જ્યારે તેઓ બાંધવામાં આવે છે માહિતી વેરહાઉસ.
આ અભ્યાસમાં વેરહાઉસિંગ પ્રેક્ટિસની શોધ કરવામાં આવી હતી dati
સમકાલીન કે જેનો હેતુ સમૃદ્ધ સમજ વિકસાવવાનો છે
ઓસ્ટ્રેલિયન પ્રેક્ટિસ. સાહિત્ય વિશ્લેષણ પ્રદાન કરે છે
પ્રયોગમૂલક અભ્યાસ માટે સંદર્ભ અને પાયો.
આ સંશોધનમાંથી સંખ્યાબંધ તારણો છે. પ્રથમ
સ્થળ, આ અભ્યાસમાં જે પ્રવૃત્તિઓ થઈ તે બહાર આવ્યું
ના વિકાસ દરમિયાન માહિતી વેરહાઉસ. ઘણા વિસ્તારોમાં, i dati ભેગા થયા
સાહિત્યમાં નોંધાયેલી પ્રથાની પુષ્ટિ કરી. બીજું
સાઇટ, સમસ્યાઓ અને સમસ્યાઓ જે અસર કરી શકે છે
નો વિકાસ માહિતી વેરહાઉસ આ અભ્યાસ દ્વારા ઓળખવામાં આવી હતી.
છેલ્લે, સાથે જોડાયેલ ઓસ્ટ્રેલિયન સંસ્થાઓ પાસેથી લાભ મેળવ્યો
નો ઉપયોગ માહિતી વેરહાઉસ જાહેર કરવામાં આવ્યા છે.
પ્રકરણ 1
સંદર્ભ શોધો
ડેટા વેરહાઉસિંગની વિભાવનાને વ્યાપક માન્યતા મળી છે
એક્સપોઝર અને તે એક ઉભરતા વલણમાં ફેરવાઈ ગયું છે
90 (મેકફેડન 1996, TDWI 1996, શાહ અને મિલ્સ્ટીન 1997,
શેન્ક્સ એટ અલ. 1997, એકર્સન 1998, એડેલમેન અને ઓટ્સ 2000). તે જ
ડેટા પરના લેખોની વધતી સંખ્યા પરથી જોઈ શકાય છે
વેપાર પ્રકાશનોમાં વેરહાઉસિંગ (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, ક્લાર્ક
1997, મેકકાર્થી 1997, ઓ' ડોનેલ 1997, એડવર્ડ્સ 1998, TDWI
1999)એ સંસ્થાઓમાંથી મેળવેલ નોંધપાત્ર લાભોની જાણ કરી છે
કે અમલીકરણ i માહિતી વેરહાઉસ. તેઓએ તેમના સિદ્ધાંતને સમર્થન આપ્યું
સફળ અમલીકરણના કાલ્પનિક પુરાવા સાથે, ઉચ્ચ વળતર
રોકાણના આંકડા (ROI) પર અને, પણ, માર્ગદર્શન પૂરું પાડે છે
ના વિકાસ માટે સંદર્ભ અથવા પદ્ધતિઓ માહિતી વેરહાઉસ
(શેન્ક્સ એટ અલ. 1997, સેડન અને બેન્જામિન 1998, લિટલ અને ગિબ્સન
1999). આત્યંતિક કિસ્સામાં, ગ્રેહામ એટ અલ. (1996) પાસે છે
401% ના ત્રણ વર્ષના રોકાણ પર સરેરાશ વળતરની જાણ કરી.
મોટા ભાગના વર્તમાન સાહિત્યે, જો કે, ઉપેક્ષા કરી છે
આવા પ્રોજેક્ટ હાથ ધરવામાં સામેલ જટિલતાઓ. ના પ્રોજેક્ટ્સ
માહિતી વેરહાઉસ તેઓ સામાન્ય રીતે જટિલ અને મોટા પાયે અને
તેથી જો તેઓ ન હોય તો તેઓ નિષ્ફળ થવાની ઉચ્ચ સંભાવના સૂચવે છે
કાળજીપૂર્વક નિયંત્રિત (શાહ અને મિલ્સ્ટીન 1997, એકર્સન 1997,
ફોલી 1997b, ઝિમર 1997, બોર્ટ 1998, ગિબ્સ અને ક્લાઇમર 1998, રાવ
1998). તેમને માનવ અને સંસાધન બંનેની વિશાળ માત્રાની જરૂર છે
નાણાકીય અને, તેમને બનાવવા માટે સમય અને પ્રયત્નો (હિલ 1998, ક્રોફ્ટ્સ 1998). આ
લાક્ષણિક સમય અને જરૂરી નાણાકીય સાધનો અનુક્રમે છે
લગભગ બે વર્ષ અને બે કે ત્રણ મિલિયન ડોલર (બ્રાલી 1995, ફોલી
1997b, બોર્ટ 1998, હમ્ફ્રીઝ એટ અલ. 1999). આ વખત અને અર્થ
નાણાકીય સંસ્થાઓએ ઘણા પાસાઓને નિયંત્રિત અને એકીકૃત કરવા માટે જરૂરી છે
ડેટા વેરહાઉસિંગમાં તફાવતો (કાફાસો 1995, હિલ 1998). બાજુ પર
હાર્ડવેર અને સોફ્ટવેરની વિચારણાઓ, અન્ય કાર્યો, જે બદલાય છે
ના નિષ્કર્ષણમાંથી dati ની લોડિંગ પ્રક્રિયાઓ માટે datiમાંથી,
અપડેટ્સ અને મેટા ડેટા મેનેજ કરવા માટે મેમરી ક્ષમતા dati
વપરાશકર્તા તાલીમ માટે, ધ્યાનમાં લેવું આવશ્યક છે.
આ સંશોધન પ્રોજેક્ટ શરૂ થયો તે સમયે, ત્યાં બહુ ઓછું હતું
ડેટા વેરહાઉસિંગના ક્ષેત્રમાં હાથ ધરવામાં આવેલ શૈક્ષણિક સંશોધન,
ખાસ કરીને ઓસ્ટ્રેલિયામાં. આ વસ્તુઓની અછત પરથી સ્પષ્ટ થયું હતું
અખબારો અથવા અન્ય લખાણો દ્વારા ડેટા વેરહાઉસિંગ પર પ્રકાશિત
તે સમયના વિદ્વાનો. શૈક્ષણિક લખાણો ઘણા
ઉપલબ્ધ યુએસ અનુભવ વર્ણવ્યા. ની કમી
આ વિસ્તારમાં શૈક્ષણિક સંશોધન SL ડેટા વેરહાઉસિંગનું કારણ બન્યું છે
સખત સંશોધન અને પ્રયોગમૂલક અભ્યાસ માટે કૉલ કરો (મેકફેડન 1996,
શેન્ક્સ એટ અલ. 1997, લિટલ એન્ડ ગિબ્સન 1999). ખાસ કરીને, અભ્યાસ
ની અમલીકરણ પ્રક્રિયા પર સંશોધન માહિતી વેરહાઉસ
જ્ઞાન વિસ્તારવા માટે હાથ ધરવાની જરૂર છે
ના અમલીકરણ અંગે સામાન્ય માહિતી વેરહાઉસ e
ભવિષ્યના સંશોધન અભ્યાસ માટેના આધાર તરીકે સેવા આપશે (શાંક્સ એડ
અન્ય 1997, લિટલ એન્ડ ગિબ્સન 1999).
તેથી, આ અભ્યાસનો હેતુ ખરેખર શું છે તેનો અભ્યાસ કરવાનો છે
તે ત્યારે થાય છે જ્યારે સંસ્થાઓ ડેટા જાળવી રાખે છે અને તેનો ઉપયોગ કરે છે
ઓસ્ટ્રેલિયામાં વેરહાઉસ. ખાસ કરીને, આ અભ્યાસ સામેલ હશે
a ની સમગ્ર વિકાસ પ્રક્રિયાનું વિશ્લેષણ માહિતી વેરહાઉસ,
ડિઝાઇન દ્વારા દીક્ષા અને આયોજનથી શરૂ કરીને અને
સંસ્થાઓમાં અમલીકરણ અને અનુગામી ઉપયોગ
ઓસ્ટ્રેલિયન. વધુમાં, અભ્યાસ વર્તમાન પ્રેક્ટિસમાં પણ યોગદાન આપશે
એવા ક્ષેત્રોની ઓળખ કરવી કે જ્યાં પ્રેક્ટિસને વધુ વિકસિત કરી શકાય
સુધારેલ અને બિનકાર્યક્ષમતા અને જોખમો ઘટાડી શકાય છે અથવા
ટાળો વધુમાં, તે પરના અન્ય અભ્યાસો માટેના આધાર તરીકે સેવા આપશે માહિતી વેરહાઉસ in
ઑસ્ટ્રેલિયા અને હાલમાં સાહિત્યમાં જે અવકાશ છે તેને ભરશે.
સંશોધન પ્રશ્નો
આ સંશોધનનો ઉદ્દેશ સામેલ પ્રવૃત્તિઓનો અભ્યાસ કરવાનો છે
ના અમલીકરણમાં માહિતી વેરહાઉસ અને તેમના દ્વારા ઉપયોગ
ઓસ્ટ્રેલિયન સંસ્થાઓ. ખાસ કરીને, તત્વોનો અભ્યાસ કરવામાં આવે છે
પ્રોજેક્ટ આયોજન, વિકાસ અંગે,
કામગીરી, ઉપયોગ અને તેમાં સામેલ જોખમો. તો પ્રશ્ન
આ સંશોધન છે:
“ની વર્તમાન પ્રથા કેવી છે માહિતી વેરહાઉસ ઓસ્ટ્રેલિયામાં?"
આ સમસ્યાને અસરકારક રીતે પ્રતિસાદ આપવા માટે, એ
પેટાકંપની સંશોધન પ્રશ્નોની ચોક્કસ સંખ્યા. ખાસ કરીને, ત્રણ
સાહિત્યમાંથી પેટા-પ્રશ્નો ઓળખવામાં આવ્યા છે, જે છે
આ સંશોધન પ્રોજેક્ટને માર્ગદર્શન આપવા માટે પ્રકરણ 2 માં પ્રસ્તુત:
તેઓ કેવી રીતે અમલમાં આવે છે i માહિતી વેરહાઉસ સંસ્થાઓ દ્વારા
ઓસ્ટ્રેલિયન? તમને કઈ સમસ્યાઓનો સામનો કરવો પડ્યો છે?
શું લાભો અનુભવાય છે?
આ પ્રશ્નોના જવાબમાં, એક ચિત્રનો ઉપયોગ કરવામાં આવ્યો હતો
એક સર્વેક્ષણનો ઉપયોગ કરીને સંશોધનાત્મક સંશોધન. હું કેવી રીતે અભ્યાસ કરું છું
સંશોધનાત્મક, ઉપરના પ્રશ્નોના જવાબો સંપૂર્ણ નથી
(શેન્ક્સ એટ અલ. 1993, ડેન્સકોમ્બે 1998). આ કિસ્સામાં, તે છે
આના પ્રતિભાવોને સુધારવા માટે ત્રિકોણ જરૂરી છે
વિનંતીઓ જો કે, તપાસ માટે નક્કર પાયો પૂરો પાડશે
આ પ્રશ્નોની તપાસ કરતા ભાવિ કાર્ય. વિગતવાર એક
સંશોધન પદ્ધતિના સમર્થન અને ડિઝાઇનની ચર્ચા
પ્રકરણ 3 માં પ્રસ્તુત છે.
સંશોધન પ્રોજેક્ટનું માળખું
આ સંશોધન પ્રોજેક્ટ બે ભાગોમાં વહેંચાયેલો છે: સંદર્ભ અભ્યાસ
ડેટા વેરહાઉસિંગ અને પ્રયોગમૂલક સંશોધનની વિભાવના (જુઓ
આકૃતિ 1.1), જેમાંથી દરેકની નીચે ચર્ચા કરવામાં આવી છે.
ભાગ I: સંદર્ભિત અભ્યાસ
સંશોધનનો પ્રથમ ભાગ પુનઃપરીક્ષાનો સમાવેશ કરે છે
વિવિધ પ્રકારના ડેટા વેરહાઉસિંગ પર વર્તમાન સાહિત્ય સહિત i
નિર્ણય સપોર્ટ સિસ્ટમ્સ (DSS), માહિતી સિસ્ટમ્સ
એક્ઝિક્યુટિવ (EIS), કેસ સ્ટડીઝ માહિતી વેરહાઉસ અને તારીખની વિભાવનાઓ
વેરહાઉસ વધુમાં, ફોરમના પરિણામો માહિતી વેરહાઉસ અને દેવતાઓ
ના જૂથ દ્વારા હાથ ધરવામાં આવેલા નિષ્ણાતો અને વ્યાવસાયિકો માટે મીટિંગ જૂથો
મોનાશ ડીએસએસ સંશોધન, અભ્યાસના આ તબક્કામાં ફાળો આપ્યો
જેનો હેતુ ડેટાની પ્રેક્ટિસ પર માહિતી મેળવવાનો હતો
વેરહાઉસ અને તેમના દત્તક લેવામાં સામેલ જોખમોને ઓળખવા.
સંદર્ભ અભ્યાસ, સમજણના આ સમયગાળા દરમિયાન
નું જ્ઞાન આપવા માટે સમસ્યા વિસ્તારની સ્થાપના કરવામાં આવી છે
અનુગામી પ્રયોગમૂલક તપાસનો આધાર. જો કે, આ
જ્યારે અભ્યાસ થઈ રહ્યો હતો ત્યારે તે ચાલુ પ્રક્રિયા હતી
સંશોધન.
ભાગ II: પ્રયોગમૂલક સંશોધન
ડેટા વેરહાઉસિંગનો પ્રમાણમાં નવો ખ્યાલ, સ્પે
ઑસ્ટ્રેલિયામાં, માટે સર્વેક્ષણ હાથ ધરવાની જરૂરિયાત ઊભી કરી
ઉપયોગના અનુભવનું વ્યાપક ચિત્ર મેળવો. આ
એકવાર સમસ્યા ડોમેન હતી ત્યારે ભાગ હાથ ધરવામાં આવ્યો હતો
વ્યાપક સાહિત્ય સમીક્ષા દ્વારા સ્થાપના કરવામાં આવી હતી. ખ્યાલ
સંદર્ભ અભ્યાસના તબક્કા દરમિયાન રચાયેલ ડેટા-વેરહાઉસિંગ છે
આ અભ્યાસની પ્રારંભિક પ્રશ્નાવલિ માટે ઇનપુટ તરીકે ઉપયોગ કરવામાં આવ્યો હતો.
આ પછી, પ્રશ્નાવલીની તપાસ કરવામાં આવી. તમે તારીખ નિષ્ણાતો છો
વેરહાઉસ પરીક્ષણમાં ભાગ લીધો હતો. કસોટીનો હેતુ
પ્રારંભિક પ્રશ્નાવલી સંપૂર્ણતા અને ચોકસાઈ માટે તપાસવા માટે હતી
કેટલાક પ્રશ્નો. પરીક્ષણ પરિણામોના આધારે, પ્રશ્નાવલી છે
સંશોધિત કરવામાં આવ્યું છે અને સંશોધિત સંસ્કરણ મોકલવામાં આવ્યું છે
સર્વેના સહભાગીઓ. પ્રશ્નાવલી પછી પરત આવી હતી
i માટે વિશ્લેષણ કર્યું dati કોષ્ટકો, આકૃતિઓ અને અન્ય ફોર્મેટમાં. ધ
ના વિશ્લેષણ પરિણામો dati ના ત્વરિત ફોટોગ્રાફ બનાવો
ઓસ્ટ્રેલિયામાં ડેટા વેરહાઉસિંગ પ્રેક્ટિસ.
ડેટા વેરહાઉસિંગ વિહંગાવલોકન
ડેટા વેરહાઉસિંગનો ખ્યાલ સુધારાઓ સાથે વિકસિત થયો છે
કમ્પ્યુટર ટેકનોલોજી.
ના જૂથો દ્વારા આવતી સમસ્યાઓને દૂર કરવાનો હેતુ છે
એપ્લિકેશન સપોર્ટ જેમ કે ડિસિઝન સપોર્ટ સિસ્ટમ (DSS) e
એક્ઝિક્યુટિવ ઇન્ફર્મેશન સિસ્ટમ (EIS).
ભૂતકાળમાં આ અરજીઓનો મોટો અવરોધ રહ્યો છે
પ્રદાન કરવામાં આ એપ્લિકેશનોની અસમર્થતા a ડેટા બેઝ
વિશ્લેષણ માટે જરૂરી.
આ મુખ્યત્વે કામની પ્રકૃતિને કારણે થાય છે
સંચાલન કંપનીના મેનેજમેન્ટના હિતો અલગ અલગ હોય છે
સારવાર કરેલ વિસ્તાર પર સતત આધાર રાખે છે. તેથી આઇ dati
આ એપ્લિકેશન્સ માટે મૂળભૂત સક્ષમ હોવા જોઈએ
સારવાર કરવાના ભાગના આધારે ઝડપથી બદલો.
આનો અર્થ એ છે કે આઇ dati ફોર્મમાં ઉપલબ્ધ હોવું જોઈએ
જરૂરી વિશ્લેષણ માટે પર્યાપ્ત. હકીકતમાં, ના સમર્થન જૂથો
એપ્લીકેશનોને ભૂતકાળમાં એડ એકત્રિત કરવાનું ખૂબ જ મુશ્કેલ લાગતું હતું
એકીકૃત કરવા માટે dati જટિલ અને વૈવિધ્યસભર સ્ત્રોતોમાંથી.
આ વિભાગનો બાકીનો ભાગ ખ્યાલની ઝાંખી રજૂ કરે છે
ડેટા વેરહાઉસિંગ અને કેવી રીતે સાથે વ્યવહાર કરે છે માહિતી વેરહાઉસ પર કાબુ મેળવી શકે છે
એપ્લિકેશન સપોર્ટ જૂથ સમસ્યાઓ.
શબ્દ “ડેટા વેરહાઉસ” 1990 માં વિલિયમ ઇનમોન દ્વારા રજૂ કરવામાં આવી હતી.
તેમની વારંવાર ટાંકવામાં આવેલી વ્યાખ્યા જુએ છે ડેટા વેરહાઉસ આવે
નો સંગ્રહ dati વિષય-લક્ષી, સંકલિત, બિન-અસ્થિર અને ચલ
સમય જતાં, મેનેજમેન્ટના નિર્ણયોના સમર્થનમાં.
આ વ્યાખ્યાનો ઉપયોગ કરીને ઇનમોન નિર્દેશ કરે છે કે i dati રહેવાસીઓ
યુ.એન. માં માહિતી વેરહાઉસ નીચેના 4 ધરાવવું આવશ્યક છે
લાક્ષણિકતા:
▪ વિષય લક્ષી
▪ સંકલિત
▪ બિન-અસ્થિર
▪ સમયાંતરે પરિવર્તનશીલ
વિષય લક્ષી ઇન્મોન દ્વારા એટલે કે i dati તારીખમાં
સૌથી મોટા સંગઠનાત્મક વિસ્તારોમાં વેરહાઉસ છે
મોડેલમાં વ્યાખ્યાયિત dati. ઉદાહરણ તરીકે બધા dati હું વિશે ગ્રાહકો
વિષય વિસ્તારમાં સમાયેલ છે ગ્રાહકો. એ જ રીતે બધા
dati ઉત્પાદનો સંબંધિત વિષય વિસ્તારમાં સમાયેલ છે
ઉત્પાદનો.
ઇન્ટિગ્રેટેડ ઇનમોન દ્વારા એટલે કે આઇ dati અલગથી આવે છે
પ્લેટફોર્મ્સ, સિસ્ટમ્સ અને સ્થાનો સંયુક્ત અને સંગ્રહિત છે
એક સ્થળ. પરિણામે dati સમાન રૂપાંતરિત થવું જોઈએ
સુસંગત ફોર્મેટમાં જેથી તેઓ ઉમેરી શકાય અને સરખામણી કરી શકાય
સરળતાથી.
ઉદાહરણ તરીકે સ્ત્રી અને પુરૂષ લિંગ રજૂ થાય છે
એક સિસ્ટમમાં M અને F અક્ષરો દ્વારા અને બીજી સિસ્ટમમાં 1 અને 0 સાથે. માટે
તેમને યોગ્ય રીતે એકીકૃત કરવા, એક અથવા બંને ફોર્મેટ આવશ્યક છે
રૂપાંતરિત કરો જેથી બે ફોર્મેટ સમાન હોય. આ માં
કિસ્સામાં આપણે M ને 1 અને F ને 0 માં બદલી શકીએ અથવા તેનાથી ઊલટું. તરફ લક્ષી
વિષય અને સંકલિત સૂચવે છે કે માહિતી વેરહાઉસ તે માટે રચાયેલ છે
ની કાર્યાત્મક અને ટ્રાન્સવર્સલ દ્રષ્ટિ પ્રદાન કરે છે dati એક બાજુ
કંપનીના.
બિન-અસ્થિર દ્વારા તેનો અર્થ એ છે કે i dati નેલ માહિતી વેરહાઉસ રહે
ની સુસંગત અને અપડેટિંગ dati તે જરૂરી નથી. તેના બદલે, દરેક
માં ફેરફાર dati મૂળ ઉમેરવામાં આવે છે ડેટાબેઝ તારીખની
વેરહાઉસ આનો અર્થ એ થયો કે ઐતિહાસિક ડી.ઇ 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 સામાન્ય રીતે
ચોક્કસ સમયની ક્ષિતિજને પાર કરો. ઉદાહરણ તરીકે એ
માહિતી વેરહાઉસ ના 5 વર્ષનાં ઐતિહાસિક મૂલ્યો સમાવી શકે છે ગ્રાહકો દાળ
1993 થી 1997. ઇતિહાસની ઉપલબ્ધતા અને સમય શ્રેણી
ડીઆઈ dati તમને વલણોનું વિશ્લેષણ કરવાની મંજૂરી આપે છે.
Un માહિતી વેરહાઉસ તે પોતાનું એકત્ર કરી શકે છે dati સિસ્ટમોમાંથી
OLTP;મૂળમાંથી dati સંસ્થા માટે બાહ્ય અને/અથવા અન્ય નિષ્ણાતો દ્વારા
સિસ્ટમ પ્રોજેક્ટ્સ કેપ્ચર કરો dati.
I dati અર્ક સફાઈ પ્રક્રિયામાંથી પસાર થઈ શકે છે
આ કેસ i dati તેઓ રૂપાંતરિત અને સંકલિત થયા પહેલા
માં સંગ્રહિત ડેટાબેઝ આ માહિતી વેરહાઉસ. પછી હું dati
ની અંદર રહે છે ડેટાબેઝ આ માહિતી વેરહાઉસ ઉપલબ્ધ કરાવવામાં આવે છે
વપરાશકર્તા ઍક્સેસ અને પુનઃપ્રાપ્તિ સાધનોને સમાપ્ત કરવા માટે. ઉપયોગ કરીને
આ સાધનો અંતિમ વપરાશકર્તા સંકલિત દૃશ્યને ઍક્સેસ કરી શકે છે
ની સંસ્થાની dati.
I dati ની અંદર રહે છે ડેટાબેઝ આ માહિતી વેરહાઉસ ઊંઘ
વિગતવાર અને સારાંશ બંને ફોર્મેટમાં સંગ્રહિત.
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 એ પણ
એક અલગ પ્રકારનો સંગ્રહ કરો ડેટો મેટાડેટા કહેવાય છે જે
i વર્ણન કરો dati તેનામાં રહે છે ડેટાબેઝ.
મેટાડેટાના બે પ્રકાર છે: વિકાસ મેટાડેટા અને વિકાસ મેટાડેટા
વિશ્લેષણ કરે છે.
ડેવલપમેન્ટ મેટાડેટાનો ઉપયોગ સંચાલન અને સ્વચાલિત કરવા માટે થાય છે
નિષ્કર્ષણ, સફાઈ, મેપિંગ અને લોડિંગ પ્રક્રિયાઓ dati નેલ
માહિતી વેરહાઉસ.
વિકાસ મેટાડેટામાં સમાવિષ્ટ માહિતી સમાવી શકે છે
ઓપરેટિંગ સિસ્ટમ્સની વિગતો, એક્સટ્રેક્ટ કરવા માટે તત્વોની વિગતો,
મોડલો dati આ માહિતી વેરહાઉસ અને કંપનીના નિયમો
રૂપાંતર ડીઇ dati.
મેટાડેટાનો બીજો પ્રકાર, જેને એનાલિટિક્સ મેટાડેટા તરીકે ઓળખવામાં આવે છે
અંતિમ વપરાશકર્તાને ડેટાની સામગ્રીનું અન્વેષણ કરવામાં સક્ષમ કરે છે
શોધવા માટે વેરહાઉસ dati ઉપલબ્ધ છે અને તેનો અર્થ શું છે
સ્પષ્ટ અને બિન-તકનીકી.
તેથી એનાલિટિક્સ મેટાડેટા ડેટા વચ્ચે સેતુ તરીકે કામ કરે છે
વેરહાઉસ અને અંતિમ વપરાશકર્તા એપ્લિકેશનો. આ મેટાડેટા કરી શકે છે
બિઝનેસ મોડલ સમાવે છે, ના વર્ણનો dati સંવાદદાતાઓ
બિઝનેસ મોડલ, પૂર્વ નિર્ધારિત પ્રશ્નો અને અહેવાલો,
વપરાશકર્તા લૉગિન અને ઇન્ડેક્સ માટેની માહિતી.
વિશ્લેષણ અને વિકાસ મેટાડેટાને એકમાં જોડવા જોઈએ
યોગ્ય રીતે કાર્ય કરવા માટે સંકલિત મેટાડેટા નિયંત્રણ.
કમનસીબે હાલના ઘણા સાધનો પાસે પોતાના છે
મેટાડેટા અને હાલમાં કોઈ વર્તમાન ધોરણો નથી કે જે
ડેટા વેરહાઉસિંગ ટૂલ્સને આને એકીકૃત કરવાની મંજૂરી આપો
મેટાડેટા આ પરિસ્થિતિને ઉકેલવા માટે ઘણા વેપારીઓના
મુખ્ય ડેટા વેરહાઉસિંગ સાધનોએ મેટા ડેટાની રચના કરી છે
કાઉન્સિલ જે પાછળથી મેટા ડેટા ગઠબંધન બની.
આ ગઠબંધનનો હેતુ મેટાડેટા સેટ બનાવવાનો છે
સ્ટાન્ડર્ડ જે વિવિધ ડેટા વેરહાઉસિંગ સાધનોને મંજૂરી આપે છે
મેટાડેટા કન્વર્ટ કરો
તેમના પ્રયત્નોના પરિણામે મેટાનો જન્મ થયો
ડેટા ઇન્ટરચેન્જ સ્પેસિફિકેશન (MDIS) જે એક્સચેન્જને મંજૂરી આપશે
Microsoft આર્કાઇવ્સ અને સંબંધિત MDIS ફાઇલો વચ્ચેની માહિતી.
નું અસ્તિત્વ dati સારાંશ/અનુક્રમિત અને વિગતવાર આપે છે
વપરાશકર્તાને ડ્રિલ ડ્રાઉન હાથ ધરવાની શક્યતા
(ડ્રિલિંગ) આવો dati વિગતવાર રાશિઓ માટે અનુક્રમિત અને ઊલટું.
નું અસ્તિત્વ dati વિગતવાર ઇતિહાસ બનાવવાની મંજૂરી આપે છે
સમય સાથે વલણ વિશ્લેષણ. વધુમાં વિશ્લેષણ મેટાડેટા કરી શકો છો
ની ડિરેક્ટરી તરીકે ઉપયોગ થાય છે ડેટાબેઝ આ માહિતી વેરહાઉસ પ્રતિ
અંતિમ વપરાશકર્તાઓને શોધવામાં મદદ કરો i dati જરૂરી
OLTP સિસ્ટમ્સની સરખામણીમાં, તેમની સપોર્ટ કરવાની ક્ષમતા સાથે
નું વિશ્લેષણ dati અને રિપોર્ટિંગ, ધ માહિતી વેરહાઉસ તે એક સિસ્ટમ તરીકે જોવામાં આવે છે
બનાવવા અને જેવી માહિતી પ્રક્રિયાઓ માટે વધુ યોગ્ય
પ્રશ્નોના જવાબ આપો અને અહેવાલો આપો. આગામી વિભાગ
બે સિસ્ટમના તફાવતોને વિગતવાર રીતે પ્રકાશિત કરશે.
ડેટા વેરહાઉસ OLTP સિસ્ટમ્સની વિરુદ્ધ
સંસ્થાઓમાંની ઘણી માહિતી પ્રણાલીઓ
તેઓ દૈનિક કામગીરીને ટેકો આપવા માટે બનાવાયેલ છે. આ
OLTP સિસ્ટમ્સ તરીકે ઓળખાતી સિસ્ટમો, કેપ્ચર ટ્રાન્ઝેક્શન
દરરોજ સતત અપડેટ થાય છે.
I dati આ સિસ્ટમોની અંદર તેઓ વારંવાર સંશોધિત, ઉમેરવામાં આવે છે અથવા
કાઢી નાખ્યું ઉદાહરણ તરીકે, ગ્રાહકનું સરનામું ભાગ્યે જ બદલાય છે
તે એક જગ્યાએથી બીજી જગ્યાએ જાય છે. આ કિસ્સામાં નવું સરનામું
ના સરનામાં ફીલ્ડમાં ફેરફાર કરીને નોંધણી કરવામાં આવશે ડેટાબેઝ.
આ સિસ્ટમોનો મુખ્ય ઉદ્દેશ ખર્ચ ઘટાડવાનો છે
વ્યવહારો અને તે જ સમયે પ્રક્રિયા સમય ઘટાડે છે.
OLTP સિસ્ટમના ઉદાહરણોમાં લખાણ જેવી જટિલ ક્રિયાઓનો સમાવેશ થાય છે
ઓર્ડર એકાઉન્ટિંગ, પગારપત્રક, ઇન્વૉઇસેસ, ઉત્પાદન, એઆઈ સેવાઓ ગ્રાહકો.
OLTP સિસ્ટમ્સથી વિપરીત, જે પ્રક્રિયા દીઠ બનાવવામાં આવી હતી
વ્યવહારો અને ઘટનાઓ પર આધારિત, i માહિતી વેરહાઉસ તેઓ બનાવવામાં આવ્યા હતા
ની એનાલિટિક્સ-આધારિત પ્રક્રિયાઓને સમર્થન પૂરું પાડવા માટે dati ઇ સુ
નિર્ણય પ્રક્રિયાઓ.
આ સામાન્ય રીતે i ને એકીકૃત કરીને પ્રાપ્ત થાય છે dati વિવિધ સિસ્ટમોમાંથી
OLTP અને એકલ "કન્ટેનર" માં બાહ્ય. dati, જેમ ચર્ચા કરી
અગાઉના વિભાગમાં.
મોનાશ ડેટા વેરહાઉસિંગ પ્રોસેસ મોડલ
માટે પ્રક્રિયા મોડેલ માહિતી વેરહાઉસ મોનાશ દ્વારા વિકસાવવામાં આવી હતી
મોનાશ ડીએસએસ સંશોધન જૂથના સંશોધકો પર આધારિત છે
ના સાહિત્ય માહિતી વેરહાઉસ, ટેકો આપવાના અનુભવ પર
ના વિક્રેતાઓ સાથે ચર્ચાઓ પર સિસ્ટમ ક્ષેત્રોનો વિકાસ
પર ઉપયોગ માટે કાર્યક્રમો માહિતી વેરહાઉસ, નિષ્ણાતોના જૂથ પર
ના ઉપયોગમાં માહિતી વેરહાઉસ.
તબક્કાઓ છે: શરૂઆત, આયોજન, વિકાસ અને કામગીરી
ખુલાસાઓ. આકૃતિ પુનરાવર્તિત પ્રકૃતિ અથવા સમજાવે છે
એનો ઉત્ક્રાંતિ વિકાસ માહિતી વેરહાઉસ મદદથી પ્રક્રિયા
દ્વિ-માર્ગી તીરો વિવિધ તબક્કાઓ વચ્ચે મૂકવામાં આવે છે. આ માં
"પુનરાવર્તિત" અને "ઉત્ક્રાંતિ" સંદર્ભનો અર્થ એ છે કે, દરેક પર
પ્રક્રિયાના તબક્કામાં, અમલીકરણ પ્રવૃત્તિઓ કરી શકાય છે
હંમેશા પાછલા તબક્કામાં પાછળની તરફ પ્રચાર કરો. આ છે
પ્રોજેક્ટની પ્રકૃતિને કારણે એ માહિતી વેરહાઉસ જેમાં
વધારાની વિનંતીઓ કોઈપણ સમયે ઊભી થાય છે
અંતિમ વપરાશકર્તાની. ઉદાહરણ તરીકે, વિકાસના તબક્કા દરમિયાન a
ની પ્રક્રિયા માહિતી વેરહાઉસ, એક અંતિમ વપરાશકર્તા દ્વારા વિનંતી કરવામાં આવે છે
નવું પરિમાણ અથવા વિષય વિસ્તાર, જે આનો ન હતો
મૂળ યોજના, આ સિસ્ટમમાં ઉમેરવી આવશ્યક છે. આ
પ્રોજેક્ટમાં ફેરફારનું કારણ બને છે. પરિણામ એ આવ્યું છે કે ની ટીમ
ડિઝાઇને અત્યાર સુધી બનાવેલા દસ્તાવેજોની જરૂરિયાતો બદલવી આવશ્યક છે
ડિઝાઇન તબક્કા દરમિયાન. ઘણા કિસ્સાઓમાં, વર્તમાન સ્થિતિ
પ્રોજેક્ટને ડિઝાઇન તબક્કામાં પાછા જવું જોઈએ જ્યાં
નવી વિનંતી ઉમેરવી અને દસ્તાવેજીકૃત કરવી આવશ્યક છે. વપરાશકર્તા
અંતિમ ચોક્કસ દસ્તાવેજોની સમીક્ષા કરવામાં સક્ષમ હોવા જોઈએ
વિકાસના તબક્કામાં કરવામાં આવેલ ફેરફારો. ના અંતે
આ વિકાસ ચક્રથી પ્રોજેક્ટને સારો પ્રતિસાદ મળવો જોઈએ
બંને ટીમો, વિકાસ ટીમ અને વપરાશકર્તા ટીમ. ધ
પ્રતિસાદ પછી ભવિષ્યના પ્રોજેક્ટને સુધારવા માટે ફરીથી ઉપયોગમાં લેવાય છે.
ક્ષમતા આયોજન
Dw કદમાં ખૂબ મોટા હોય છે અને વધે છે
ખૂબ જ ઝડપથી (શ્રેષ્ઠ 1995, રુડિન 1997a) અનુસરે છે
જથ્થો dati ઇતિહાસ કે જે તેઓ તેમની અવધિથી જાળવી રાખે છે. ત્યાં
વૃદ્ધિને કારણે પણ થઈ શકે છે dati દ્વારા વિનંતી કરાયેલ વધારાની વસ્તુઓ
ની કિંમત વધારવા માટે વપરાશકર્તાઓ dati જે તેમની પાસે પહેલેથી જ છે. થી
પરિણામે, માટે સંગ્રહ જરૂરિયાતો dati કરી શકો છો
નોંધપાત્ર રીતે ઉન્નત (એકરસન 1997). તેથી તે છે
નું આયોજન કરીને ખાતરી કરવી જરૂરી છે
ક્ષમતા, જેની સાથે સિસ્ટમ બનાવવામાં આવશે તે વધી શકે છે
જરૂરિયાતોની વૃદ્ધિ (શ્રેષ્ઠ 1995, લાપ્લાન્ટે 1996, લેંગ 1997,
એકરસન 1997, રુડિન 1997a, ફોલી 1997a).
dw માપનીયતા માટે આયોજનમાં, વ્યક્તિએ જાણવું જોઈએ
ઇન્વેન્ટરીના કદમાં અપેક્ષિત વૃદ્ધિ, પ્રશ્નોના પ્રકાર
હાથ ધરવામાં આવે તેવી શક્યતા, અને સમર્થિત અંતિમ વપરાશકર્તાઓની સંખ્યા (શ્રેષ્ઠ
1995, રુડિન 1997b, ફોલી 1997a). સ્કેલેબલ એપ્લિકેશન્સ બનાવો
સ્કેલેબલ સર્વર તકનીકો અને તકનીકોના સંયોજનની જરૂર છે
સ્કેલેબલ એપ્લીકેશન ડિઝાઇન કરવાની (શ્રેષ્ઠ 1995, રુડિન 1997b.
એપ્લિકેશન બનાવતી વખતે બંને જરૂરી છે
અત્યંત સ્કેલેબલ. સ્કેલેબલ સર્વર તકનીકો કરી શકે છે
સ્ટોરેજ, મેમરી અને ઉમેરવા માટે તેને સરળ અને ફાયદાકારક બનાવો
ડિગ્રેડીંગ પર્ફોર્મન્સ વિના સીપીયુ (લેંગ 1997, ટેલિફોની 1997).
બે મુખ્ય માપી શકાય તેવી સર્વર તકનીકો છે: ગણતરી
સપ્રમાણ બહુવિધ (SMP) અને વિશાળ પ્રક્રિયા
સમાંતર (MPP) ) (IDC 1997, હમ્ફ્રીઝ એટ અલ. 1999). એક સર્વર
SMP સામાન્ય રીતે એક મેમરી શેર કરતા બહુવિધ પ્રોસેસર્સ ધરાવે છે,
બસ સિસ્ટમ અને અન્ય સંસાધનો (IDC 1997, Humphries et al. 1999).
વધારા માટે વધારાના પ્રોસેસરો ઉમેરી શકાય છે
તેણીના શક્તિ કોમ્પ્યુટેશનલ. વધારવા માટેની બીજી પદ્ધતિ
શક્તિ એસએમપી સર્વરની કોમ્પ્યુટેશનલ પાવર, અસંખ્યને જોડવાની છે
SMP મશીનો. આ તકનીકને ક્લસ્ટરિંગ (હમ્ફ્રીઝ
વગેરે. 1999). એક MPP સર્વર, બીજી તરફ, દરેકમાં બહુવિધ પ્રોસેસર્સ હોય છે
તેની પોતાની મેમરી, બસ સિસ્ટમ અને અન્ય સંસાધનો સાથે (IDC 1997,
હમ્ફ્રીઝ એટ અલ. 1999). દરેક પ્રોસેસરને નોડ કહેવામાં આવે છે. એ
માં વધારો શક્તિ કોમ્પ્યુટેશનલ મેળવી શકાય છે
MPP સર્વર્સમાં વધારાના નોડ્સ ઉમેરી રહ્યા છે (હમ્ફ્રીઝ એટ અલ.
1999).
SMP સર્વરની નબળાઈ એ ઘણી બધી ઇનપુટ-આઉટપુટ કામગીરી છે
(I/O) બસ સિસ્ટમને ભીડ કરી શકે છે (IDC 1997). આ
MPP સર્વર્સમાં દરેક સમયથી સમસ્યા ઊભી થતી નથી
પ્રોસેસરની પોતાની બસ સિસ્ટમ છે. જો કે, ઇન્ટરકનેક્શન્સ
દરેક નોડ વચ્ચે તેઓ સામાન્ય રીતે બસ સિસ્ટમ કરતા ખૂબ ધીમા હોય છે
SMP ના. વધુમાં, MPP સર્વર્સ એક સ્તર ઉમેરી શકે છે
એપ્લિકેશન વિકાસકર્તાઓ માટે વધારાની જટિલતા (IDC
1997). આમ, SMP અને MPP સર્વર વચ્ચેની પસંદગીને પ્રભાવિત કરી શકાય છે
પ્રશ્નોની જટિલતા, સંબંધ સહિતના ઘણા પરિબળો દ્વારા
કિંમત/પ્રદર્શન, જરૂરી સારવાર ક્ષમતા,
dw એપ્લિકેશન અને કદમાં વધારો અટકાવ્યો ડેટાબેઝ
dw અને અંતિમ વપરાશકર્તાઓની સંખ્યામાં.
સંખ્યાબંધ સ્કેલેબલ એપ્લિકેશન ડિઝાઇન તકનીકો
ક્ષમતા આયોજનમાં વાપરી શકાય છે. એક
દિવસો, અઠવાડિયા, મહિનાઓ અને વર્ષો જેવા વિવિધ સૂચના અવધિનો ઉપયોગ કરે છે.
વિવિધ સૂચના અવધિઓ રાખવાથી, ધ ડેટાબેઝ માં વિભાજિત કરી શકાય છે
ટુકડાઓ સરળતાથી એકસાથે જૂથબદ્ધ થાય છે (ઈનમોન એટ અલ. 1997). બીજો કોઈ
ટેકનિક એ સારાંશ કોષ્ટકોનો ઉપયોગ કરવાની છે જે બાંધવામાં આવે છે
સારાંશ dati da dati વિગતવાર આમ, આઇ dati સારાંશ વધુ છે
વિગતવાર કરતાં કોમ્પેક્ટ, જેને ઓછી મેમરી સ્પેસની જરૂર છે.
તેથી dati વિગતવાર માહિતી ડ્રાઇવમાં સંગ્રહિત કરી શકાય છે
સસ્તું સ્ટોરેજ, જે વધુ સ્ટોરેજ બચાવે છે.
જોકે સારાંશ કોષ્ટકોનો ઉપયોગ જગ્યા બચાવી શકે છે
મેમરી, તેમને અદ્યતન અને અદ્યતન રાખવા માટે ઘણા પ્રયત્નોની જરૂર છે
વ્યાપારી જરૂરિયાતોને અનુરૂપ. જો કે, આ તકનીક છે
વ્યાપકપણે ઉપયોગમાં લેવાય છે અને ઘણીવાર તકનીક સાથે જોડાણમાં વપરાય છે
અગાઉના(શ્રેષ્ઠ 1995, ઇનમોન 1996a, ચૌદુરી અને દયાલ
1997).
વ્યાખ્યાયિત ડેટા વેરહાઉસ તકનીકી
આર્કિટેક્ચર તકનીકોની વ્યાખ્યા
dw આર્કિટેક્ચર
ડેટા વેરહાઉસિંગના પ્રારંભિક અપનાવનારાઓ મુખ્યત્વે કલ્પના કરે છે
dw નું કેન્દ્રિય અમલીકરણ જ્યાં તમામ dati, સમાવેશ થાય છે
i dati બાહ્ય, એકમાં સંકલિત કરવામાં આવ્યા હતા,
ભૌતિક ભંડાર (ઈનમોન 1996a, બ્રેસ્નાહન 1996, પીકોક 1998).
આ અભિગમનો મુખ્ય ફાયદો એ છે કે અંતિમ વપરાશકર્તાઓ
હું ઉદ્યોગસાહસિક ધોરણે દૃશ્યને ઍક્સેસ કરવામાં સક્ષમ છું
(એન્ટરપ્રાઇઝ-વ્યાપી દૃશ્ય) dei dati સંસ્થાકીય (ઓવમ 1998). અન્ય
ફાયદો એ છે કે તે માનકીકરણ પ્રદાન કરે છે dati દ્વારા
સંસ્થા, જેનો અર્થ છે કે ત્યાં ફક્ત એક જ સંસ્કરણ છે અથવા
dw ડિપોઝિટમાં વપરાતી દરેક પરિભાષા માટે વ્યાખ્યા
(રિપોઝીટી) મેટાડેટા (ફ્લાનાગન અને સેફડી 1997, ઓવુમ 1998). આ
બીજી તરફ, આ અભિગમનો ગેરલાભ એ છે કે તે ખર્ચાળ અને મુશ્કેલ છે
બાંધવામાં આવશે (ફ્લાનાગન અને સેફડી 1997, ઓવુમ 1998, ઇનમોન એટ અલ.
1998). સ્ટોરેજ આર્કિટેક્ચર પછી લાંબો સમય નથી dati
કેન્દ્રીયકૃત લોકપ્રિય બન્યું, નિષ્કર્ષણનો ખ્યાલ વિકસિત થયો
ના સૌથી નાના સબસેટ્સમાંથી dati ની જરૂરિયાતોને ટેકો આપવા માટે
ચોક્કસ એપ્લિકેશન્સ (વાર્ની 1996, IDC 1997, બર્સન અને સ્મિથ
1997, પીકોક 1998). આ નાની સિસ્ટમો વધુમાંથી લેવામાં આવી છે
મોટા માહિતી વેરહાઉસ કેન્દ્રીયકૃત. તેમને તારીખ કહેવામાં આવે છે
આશ્રિત વિભાગીય વેરહાઉસ અથવા આશ્રિત ડેટા માર્ટ.
આશ્રિત ડેટા માર્ટ આર્કિટેક્ચર તરીકે ઓળખાય છે
ત્રિ-સ્તરીય આર્કિટેક્ચર જ્યાં પ્રથમ સ્તર ડેટા ધરાવે છે
કેન્દ્રિય વેરહાઉસ, બીજામાં વેરહાઉસનો સમાવેશ થાય છે dati
વિભાગીય અને ત્રીજામાં પ્રવેશનો સમાવેશ થાય છે dati અને ના સાધનોમાંથી
વિશ્લેષણ (ડીમારેસ્ટ 1994, ઇનમોન એટ અલ. 1997).
ડેટા માર્ટ્સ સામાન્ય રીતે પછી બનાવવામાં આવે છે માહિતી વેરહાઉસ
ની જરૂરિયાતોને પહોંચી વળવા માટે કેન્દ્રીયકૃત બનાવવામાં આવ્યું હતું
ચોક્કસ એકમો (વ્હાઈટ 1995, વર્ની 1996).
ડેટા માર્ટ સ્ટોર i dati વિગતો સંબંધિત ખૂબ જ સુસંગત
યુનિટી (ઈનમોન એટ અલ. 1997, ઈન્મોન એટ અલ. 1998, આઈએ 1998).
આ પદ્ધતિનો ફાયદો એ છે કે ત્યાં ના હશે ડેટો બિન
સંકલિત અને તે i dati તેઓ ડેટાની અંદર ઓછા નિરર્થક હશે
બધા થી marts dati ની ડિપોઝિટમાંથી આવે છે dati સંકલિત.
બીજો ફાયદો એ છે કે દરેક વચ્ચે થોડા જોડાણો હશે
ડેટા માર્ટ્સ અને સંબંધિત સ્ત્રોતો dati કારણ કે દરેક ડેટા માર્ટ પાસે જ હોય ​​છે
નો સ્ત્રોત dati. પ્લસ આ આર્કિટેક્ચર સાથે, વપરાશકર્તાઓ
ફાઇનલ્સ હજુ પણ ની વિહંગાવલોકન ઍક્સેસ કરી શકે છે dati
કોર્પોરેટ સંસ્થાઓ. આ પદ્ધતિ તરીકે ઓળખાય છે
ટોપ-ડાઉન પદ્ધતિ, જેમાં ડેટા પછી ડેટા માર્ટ્સ બનાવવામાં આવે છે
વેરહાઉસ (પીકોક 1998, ગોફ 1998).
પરિણામો વહેલા બતાવવાની જરૂરિયાત વધારવી, કેટલાક
સંસ્થાઓએ સ્વતંત્ર ડેટા માર્ટ્સ બનાવવાનું શરૂ કર્યું છે
(ફ્લાનાગન અને સેફડી 1997, વ્હાઇટ 2000). આ કિસ્સામાં, ડેટા માર્ટ્સ
તેઓ તેમના લે છે dati ની મૂળભૂત બાબતોમાંથી સીધી dati OLTP અને માંથી નહીં
કેન્દ્રિય અને સંકલિત સંગ્રહ, આમ જરૂરિયાતને દૂર કરે છે
સાઇટ પર કેન્દ્રીય સંગ્રહ છે.
દરેક ડેટા માર્ટને તેના સ્ત્રોતોની ઓછામાં ઓછી એક લિંકની જરૂર હોય છે
di dati. દરેક તારીખ માટે બહુવિધ લિંક્સ હોવાનો એક ગેરલાભ
માર્ટ એ છે કે, અગાઉના બે આર્કિટેક્ચરની તુલનામાં, ધ
ની અતિશયતા dati નોંધપાત્ર રીતે વધે છે.
દરેક ડેટા માર્ટે તમામ સ્ટોર કરવું આવશ્યક છે dati માટે સ્થાનિક રીતે વિનંતી કરી હતી
OLTP સિસ્ટમ પર કોઈ અસર થતી નથી. આનું કારણ બને છે કે i dati
તેઓ અલગ અલગ ડેટા માર્ટમાં સંગ્રહિત થાય છે (ઈનમોન એટ અલ. 1997).
આ આર્કિટેક્ચરનો બીજો ગેરલાભ એ છે કે તે તરફ દોરી જાય છે
ડેટા માર્ટ્સ અને તેમની વચ્ચે જટિલ આંતરજોડાણોનું નિર્માણ
ના સ્ત્રોતો dati જેનું અમલીકરણ અને નિયંત્રણ કરવું મુશ્કેલ છે (Inmon ed
અન્ય 1997).
અન્ય ગેરલાભ એ છે કે અંતિમ વપરાશકર્તાઓ પાવર કરી શકતા નથી
કંપનીની માહિતીનું વિહંગાવલોકન ઍક્સેસ કરો તરીકે i dati
વિવિધ ડેટા માર્ટ્સ એકીકૃત નથી (ઓવમ 1998).
હજુ સુધી અન્ય ગેરલાભ એ છે કે ત્યાં એક કરતાં વધુ હોઈ શકે છે
તે જે ડેટા માર્ટ્સ બનાવે છે તેમાં વપરાતી દરેક પરિભાષા માટેની વ્યાખ્યા
ની અસંગતતાઓ dati સંસ્થામાં (ઓવમ 1998).
ઉપર ચર્ચા કરેલ ગેરફાયદા હોવા છતાં, સ્વતંત્ર ડેટા માર્ટ્સ
તેઓ હજુ પણ ઘણી સંસ્થાઓના રસને આકર્ષે છે (IDC 1997).
એક પરિબળ જે તેમને આકર્ષક બનાવે છે તે એ છે કે તેઓ ઝડપથી વિકાસ પામે છે
અને ઓછા સમય અને સંસાધનોની જરૂર છે (બ્રેસ્નાહન 1996, બેર્સન ઇ
સ્મિથ 1997, ઓવમ 1998). તદનુસાર, તેઓ મુખ્યત્વે સેવા આપે છે
પરીક્ષણ પ્રોજેક્ટ્સ તરીકે જેનો ઉપયોગ ઓળખવા માટે થઈ શકે છે
પ્રોજેક્ટમાં ઝડપથી લાભો અને/અથવા અપૂર્ણતાઓ (પર્સયે
1995, બ્રાલી 1995, નવું 1996). આ કિસ્સામાં, માંથી ભાગ
પાયલોટ પ્રોજેક્ટમાં અમલ નાના પરંતુ મહત્વપૂર્ણ હોવા જોઈએ
સંસ્થા માટે (ન્યુઇંગ 1996, મેન્સેલ-લેવિસ 1996).
પ્રોટોટાઇપની તપાસ કરીને, અંતિમ વપરાશકર્તાઓ અને વહીવટ કરી શકે છે
નક્કી કરો કે પ્રોજેક્ટ ચાલુ રાખવો કે બંધ કરવો (ફ્લાનાગન અને સેફડી
1997).
જો નિર્ણય ચાલુ રાખવાનો છે, તો અન્ય ક્ષેત્રો માટે ડેટા માર્ટ્સ
તેઓ એક સમયે એક બાંધવામાં જોઈએ. માટે બે વિકલ્પો છે
અંતિમ વપરાશકર્તાઓ ડેટા નિર્માણમાં તેમની જરૂરિયાતોને આધારે
સ્વતંત્ર મેટર્સ: સંકલિત/સંઘિત અને અસંકલિત (ઓવમ
1998)
પ્રથમ પદ્ધતિમાં, દરેક નવા ડેટા માર્ટનું નિર્માણ કરવું જોઈએ
વર્તમાન ડેટા માર્ટ્સ અને મોડેલ પર આધારિત dati વપરાય
પેઢી દ્વારા (વાર્ની 1996, બેર્સન અને સ્મિથ 1997, પીકોક 1998).
મોડેલનો ઉપયોગ કરવાની જરૂર છે dati કંપની તે જરૂરી બનાવે છે
ખાતરી કરો કે દરેક પરિભાષા માટે માત્ર એક જ વ્યાખ્યા છે
ડેટા માર્ટ દ્વારા ઉપયોગમાં લેવાય છે, આ તે ડેટાની ખાતરી કરવા માટે પણ છે
ની વિહંગાવલોકન આપવા માટે વિવિધ માર્ટ્સ મર્જ કરી શકાય છે
કોર્પોરેટ માહિતી (બ્રેસ્નાહન 1996). આ પદ્ધતિ છે
બોટમ-અપ કહેવાય છે અને જ્યારે કોઈ અવરોધ હોય ત્યારે શ્રેષ્ઠ છે
નાણાકીય માધ્યમો અને સમય (ફ્લાનાગન અને સેફદી 1997, ઓવુમ 1998,
પીકોક 1998, ગોફ 1998). બીજી પદ્ધતિમાં, ડેટા માર્ટ્સ
બિલ્ટ માત્ર ચોક્કસ એકમની જરૂરિયાતોને સંતોષી શકે છે.
ફેડરેટેડ ડેટા માર્ટનો એક પ્રકાર છે માહિતી વેરહાઉસ વિતરિત
જેમાં ડેટાબેઝ હબ સર્વર મિડલવેરનો ઉપયોગ ઘણાને જોડવા માટે થાય છે
ની એક જ રીપોઝીટરીમાં ડેટા માર્ટ્સ dati વિતરિત (વ્હાઈટ 1995). માં
આ કેસ, i dati કંપનીઓ 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 દ્વારા વિનંતી કરવામાં આવી હતી
માર્ટ્સ કરે છે અને અંતિમ વપરાશકર્તા એપ્લિકેશનોને પરિણામો પરત કરે છે. આ
પદ્ધતિ અંતિમ વપરાશકર્તાઓને વ્યવસાય માહિતી પ્રદાન કરે છે. જો કે,
ડેટા માર્ટની સમસ્યાઓ હજુ પણ દૂર થઈ નથી
સ્વતંત્ર અન્ય આર્કિટેક્ચર છે જેનો ઉપયોગ કરી શકાય છે જે છે
કૉલ કરો માહિતી વેરહાઉસ વર્ચ્યુઅલ (વ્હાઈટ 1995). જો કે, આ
આર્કિટેક્ચર, જે આકૃતિ 2.9 માં વર્ણવેલ છે, તે આર્કિટેક્ચર નથી
સંગ્રહ dati વાસ્તવિક કારણ કે તે ભારને ખસેડતું નથી
OLTP સિસ્ટમ્સથી માહિતી વેરહાઉસ (ડિમારેસ્ટ 1994).
હકીકતમાં, ની વિનંતીઓ dati અંતે વપરાશકર્તાઓ દ્વારા પસાર થઈ ગયા છે
OLTP સિસ્ટમો કે જે પ્રક્રિયા કર્યા પછી પરિણામ આપે છે
વપરાશકર્તા વિનંતીઓ. જોકે આ આર્કિટેક્ચર વપરાશકર્તાઓને પરવાનગી આપે છે
રિપોર્ટ્સ જનરેટ કરવા અને વિનંતિઓ ઘડવાની ફાઈનલ, પૂરી પાડી શકતી નથી i
dati કંપનીની માહિતીનું ઐતિહાસિક અને વિહંગાવલોકન જેમ કે i dati
વિવિધ OLTP સિસ્ટમોમાંથી સંકલિત નથી. તેથી, આ એક
આર્કિટેક્ચર ના વિશ્લેષણને સંતોષી શકતું નથી dati જટિલ જેમ કે
ઉદાહરણ આગાહીઓ.
ઍક્સેસ અને ઍક્સેસ એપ્લિકેશન્સની પસંદગી
ની પુનઃપ્રાપ્તિ dati
મકાનનો હેતુ એ માહિતી વેરહાઉસ પ્રસારિત કરવાનું છે
અંતિમ વપરાશકર્તાઓ માટે માહિતી (ઈનમોન એટ અલ 1997, પો 1996,
મેકફેડન 1996, શેન્ક્સ એટ અલ 1997, હેમરગ્રેન 1998); એક અથવા
બહુવિધ ઍક્સેસ અને પુનઃપ્રાપ્તિ એપ્લિકેશન્સ dati પ્રદાન કરવું આવશ્યક છે. પ્રતિ
આજે, વપરાશકર્તા માટે પસંદ કરવા માટે આ એપ્લિકેશન્સની વિશાળ વિવિધતા છે
પસંદ કરો (હેમરગ્રેન 1998, હમ્ફ્રીઝ એટ અલ. 1999). આ
પસંદ કરેલ એપ્લિકેશનો પ્રયાસની સફળતા નક્કી કરે છે
સંગ્રહ dati સંસ્થામાં કારણ કે
એપ્લીકેશનનો સૌથી વધુ દૃશ્યમાન ભાગ છે માહિતી વેરહાઉસ વપરાશકર્તાને
અંતિમ (ઈનમોન એટ અલ. 1997, પો 1996). તારીખ સફળ થવા માટે
વેરહાઉસ, ની વિશ્લેષણ પ્રવૃત્તિઓને ટેકો આપવા સક્ષમ હોવા જોઈએ dati
અંતિમ વપરાશકર્તા (Poe 1996, Seddon and Benjamin 1998, Eckerson
1999). તેથી અંતિમ વપરાશકર્તા જે ઇચ્છે છે તેનું "સ્તર" હોવું આવશ્યક છે
ઓળખાયેલ (Poe 1996, Mattison 1996, Inmon et al 1997,
હમ્ફ્રીઝ એટ અલ. 1999).
સામાન્ય રીતે કહીએ તો, અંતિમ વપરાશકર્તાઓને ત્રણમાં જૂથબદ્ધ કરી શકાય છે
શ્રેણીઓ: એક્ઝિક્યુટિવ યુઝર્સ, બિઝનેસ એનાલિસ્ટ અને પાવર યુઝર્સ (Poe
1996, હમ્ફ્રીઝ એટ અલ. 1999). એક્ઝિક્યુટિવ વપરાશકર્તાઓની જરૂર છે
અહેવાલોના પૂર્વવ્યાખ્યાયિત સેટની સરળ ઍક્સેસ (હમ્ફ્રીઝ એડ
અન્ય 1999). આ અહેવાલો સાથે સરળતાથી મેળવી શકાય છે
મેનુ નેવિગેશન (Poe 1996). ઉપરાંત, અહેવાલો જોઈએ
ગ્રાફિકલ રજૂઆતનો ઉપયોગ કરીને માહિતી પ્રસ્તુત કરો
જેમ કે કોષ્ટકો અને નમૂનાઓ ઝડપથી પરિવહન કરવા માટે
માહિતી (હમ્ફ્રીઝ એટ અલ. 1999). વ્યાપાર વિશ્લેષકો, જેઓ નથી
તેમની પાસે સંબંધો વિકસાવવા માટેની તકનીકી શક્યતાઓ હોઈ શકે છે
તેમના પોતાના પર શૂન્ય, તેઓ વર્તમાન સંબંધોને સંશોધિત કરવા સક્ષમ હોવા જોઈએ
તેમની ચોક્કસ જરૂરિયાતોને સંતોષે છે (Poe 1996, Humphries et al
1999). પાવર યુઝર્સ, બીજી બાજુ, અંતિમ વપરાશકર્તાઓનો પ્રકાર છે જેઓ
પાસેથી વિનંતીઓ અને અહેવાલો જનરેટ કરવાની અને લખવાની ક્ષમતા ધરાવે છે
શૂન્ય (Poe 1996, Humphries et al. 1999). તેઓ જેઓ છે
અન્ય પ્રકારના વપરાશકર્તાઓ માટે અહેવાલો વિકસાવો (Poe 1996, Humphries
અને અન્ય 1999).
એકવાર નિર્ધારિત કર્યા પછી અંતિમ વપરાશકર્તાની આવશ્યકતાઓ પૂર્ણ કરવી આવશ્યક છે
ઍક્સેસ અને પુનઃપ્રાપ્તિ એપ્લિકેશન્સની પસંદગી dati બધા વચ્ચે
તે ઉપલબ્ધ છે (Poe 1996, Inmon et al. 1997).
પ્રવેશ મેળવવો dati અને પુનઃપ્રાપ્તિ સાધનો હોઈ શકે છે
4 પ્રકારોમાં વર્ગીકૃત: OLAP ટૂલ, EIS/DSS ટૂલ, ક્વેરી ટૂલ અને
રિપોર્ટિંગ અને ડેટા માઇનિંગ સાધનો.
OLAP ટૂલ્સ વપરાશકર્તાઓને એડહોક ક્વેરીઝ તેમજ બનાવવા માટે પરવાનગી આપે છે
પર બનેલ છે ડેટાબેઝ આ માહિતી વેરહાઉસ. વત્તા આ ઉત્પાદનો
વપરાશકર્તાઓને નીચેથી ડ્રિલ કરવાની મંજૂરી આપો dati તે માટે સામાન્ય
વિગતવાર
EIS/DSS ટૂલ્સ "શું હોય તો" વિશ્લેષણ તરીકે એક્ઝિક્યુટિવ રિપોર્ટિંગ પ્રદાન કરે છે
અને મેનુ-આયોજિત અહેવાલોની ઍક્સેસ. રિપોર્ટ્સ હોવા જોઈએ
સરળ નેવિગેશન માટે પૂર્વવ્યાખ્યાયિત અને મેનુ સાથે મર્જ.
ક્વેરી અને રિપોર્ટિંગ ટૂલ્સ વપરાશકર્તાઓને રિપોર્ટ્સ બનાવવા દે છે
પૂર્વવ્યાખ્યાયિત અને ચોક્કસ.
ડેટા માઇનિંગ ટૂલ્સનો ઉપયોગ સંબંધોને ઓળખવા માટે થાય છે
માં ભૂલી ગયેલી કામગીરી પર નવો પ્રકાશ પાડી શકે છે dati આ
ડેટાવેરહાઉસ
દરેક પ્રકારના વપરાશકર્તાની જરૂરિયાતોને ઑપ્ટિમાઇઝ કરવાની સાથે, i
પસંદ કરેલ સાધનો સાહજિક, કાર્યક્ષમ અને ઉપયોગમાં સરળ હોવા જોઈએ.
તેઓ આર્કિટેક્ચરના અન્ય ભાગો સાથે પણ સુસંગત હોવા જોઈએ e
હાલની સિસ્ટમો સાથે કામ કરવા સક્ષમ. તે પણ સૂચવવામાં આવે છે
કિંમતો અને પ્રદર્શન સાથે ડેટા એક્સેસ અને પુનઃપ્રાપ્તિ સાધનો પસંદ કરો
વાજબી ધ્યાનમાં લેવાના અન્ય માપદંડોમાં પ્રતિબદ્ધતાનો સમાવેશ થાય છે
સાધનના વિક્રેતા તેમના ઉત્પાદન અને વિકાસને સમર્થન આપે છે
તે જ ભવિષ્યના પ્રકાશનોમાં હશે. વપરાશકર્તા જોડાણ સુનિશ્ચિત કરવા
ડેટા વેરહાઉસનો ઉપયોગ કરવામાં, વિકાસ ટીમનો સમાવેશ થાય છે
સાધન પસંદગી પ્રક્રિયામાં વપરાશકર્તાઓ. આ બાબતે
વ્યવહારુ વપરાશકર્તા આકારણી હાથ ધરવામાં આવવી જોઈએ.
ડેટા વેરહાઉસનું મૂલ્ય સુધારવા માટે વિકાસ ટીમ કરી શકે છે
તેમના ડેટા વેરહાઉસમાં વેબ એક્સેસ પણ પ્રદાન કરે છે. એ
વેબ-સક્ષમ ડેટા વેરહાઉસ વપરાશકર્તાઓને ઍક્સેસ કરવાની મંજૂરી આપે છે dati
દૂરના સ્થળોએથી અથવા મુસાફરી દરમિયાન. વધુમાં માહિતી કરી શકે છે
ખર્ચ ઘટાડા દ્વારા ઓછા ખર્ચે પ્રદાન કરવામાં આવશે
ડી તાલીમ.
2.4.3 ડેટા વેરહાઉસ ઓપરેશન તબક્કો
આ તબક્કામાં ત્રણ પ્રવૃત્તિઓનો સમાવેશ થાય છે: તારીખ વ્યૂહરચનાઓ વ્યાખ્યાયિત કરવી
તાજું કરો, ડેટા વેરહાઉસ પ્રવૃત્તિઓનું નિયંત્રણ અને સંચાલન
ડેટા વેરહાઉસ સુરક્ષા.
ડેટા રિફ્રેશ વ્યૂહરચનાઓની વ્યાખ્યા
પ્રારંભિક લોડિંગ પછી, i dati નેલ ડેટાબેઝ ડેટા વેરહાઉસનું
રમવા માટે સમયાંતરે તાજું કરવું આવશ્યક છે
ના રોજ કરવામાં આવેલ ફેરફારો dati મૂળ તેથી આપણે નક્કી કરવું જોઈએ
ક્યારે તાજું કરવું, કેટલી વાર
તાજું કરો અને કેવી રીતે તાજું કરવું dati. કરવા માટે સૂચવવામાં આવે છે
તાજું કરો dati જ્યારે સિસ્ટમ ઑફલાઇન લઈ શકાય છે. ત્યાં
રિફ્રેશ રેટ ડેવલપમેન્ટ ટીમ દ્વારા નક્કી કરવામાં આવે છે
વપરાશકર્તા જરૂરિયાતો પર. તાજું કરવા માટેના બે અભિગમો છે
ડેટા વેરહાઉસ: સંપૂર્ણ તાજું અને સતત લોડિંગ
ફેરફાર.
પ્રથમ અભિગમ, સંપૂર્ણ તાજું, ફરીથી લોડ કરવાની જરૂર છે
બધાજ dati શરૂઆતથી આનો અર્થ એ છે કે બધા dati આવશ્યક જ જોઈએ
દરેક રિફ્રેશમાં એક્સ્ટ્રેક્ટ, સાફ, રૂપાંતરિત અને સંકલિત કરી શકાય છે. આ
અભિગમ, શક્ય હોય ત્યાં સુધી, ટાળવો જોઈએ કારણ કે
તેને ઘણો સમય અને સંસાધનોની જરૂર પડે છે.
વૈકલ્પિક અભિગમ એ છે કે i ને સતત લોડ કરો
ફેરફારો આ ઉમેરે છે i dati જે બદલાઈ ગયા છે
છેલ્લા ડેટા વેરહાઉસ રિફ્રેશ ચક્રથી. ની ઓળખ
નવા અથવા સંશોધિત રેકોર્ડ્સની માત્રામાં નોંધપાત્ર ઘટાડો થાય છે
dati જેનો દરેકમાં ડેટા વેરહાઉસમાં પ્રચાર કરવો આવશ્યક છે
ફક્ત આનાથી અપડેટ કરો dati માં ઉમેરવામાં આવશે ડેટાબેઝ
ડેટા વેરહાઉસનું.
ત્યાં ઓછામાં ઓછા 5 અભિગમો છે જેનો ઉપયોગ પાછો ખેંચવા માટે થઈ શકે છે
i dati નવું અથવા સંશોધિત. એક કાર્યક્ષમ વ્યૂહરચના મેળવવા માટે
તાજું કરો dati આ અભિગમોનું મિશ્રણ ઉપયોગી થઈ શકે છે
સિસ્ટમમાંના તમામ ફેરફારોને પસંદ કરે છે.
પ્રથમ અભિગમ, જે ટાઇમસ્ટેમ્પનો ઉપયોગ કરે છે, તે ધારે છે કે આવે છે
બધાને સોંપેલ dati એક ટાઇમસ્ટેમ્પ સંપાદિત અને અપડેટ કર્યું
બધાને સરળતાથી ઓળખવામાં સક્ષમ થવા માટે dati સુધારેલ અને નવું.
આ અભિગમ, જોકે, મોટા ભાગનામાં વ્યાપકપણે ઉપયોગમાં લેવાતો નથી
આજની ઓપરેટિંગ સિસ્ટમનો ભાગ.
દ્વારા જનરેટ કરાયેલ ડેલ્ટા ફાઇલનો ઉપયોગ કરવાનો બીજો અભિગમ છે
એપ્લીકેશન કે જેમાં માત્ર કરવામાં આવેલ ફેરફારો છે dati.
આ ફાઇલનો ઉપયોગ અપડેટ ચક્રને પણ વિસ્તૃત કરે છે.
જો કે, આ પદ્ધતિનો પણ ઘણામાં ઉપયોગ થયો નથી
એપ્લિકેશન્સ
ત્રીજો અભિગમ લોગ ફાઇલને સ્કેન કરવાનો છે, જે
મૂળભૂત રીતે ડેલ્ટા ફાઇલ જેવી જ માહિતી ધરાવે છે. બસ એકજ
તફાવત એ છે કે લોગ ફાઇલ પુનઃપ્રાપ્તિ પ્રક્રિયા માટે બનાવવામાં આવી છે અને
તે સમજવું મુશ્કેલ હોઈ શકે છે.
ચોથો અભિગમ એપ્લીકેશન કોડમાં ફેરફાર કરવાનો છે.
જો કે મોટાભાગના એપ્લિકેશન કોડ જૂના છે અને
નાજુક તેથી આ તકનીક ટાળવી જોઈએ.
છેલ્લો અભિગમ સરખામણી કરવાનો છે dati ફાઇલ સાથે સ્ત્રોતો
મુખ્ય દેવતાઓ dati.
ડેટા વેરહાઉસ પ્રવૃત્તિઓનું નિયંત્રણ
એકવાર ડેટા વેરહાઉસ વપરાશકર્તાઓ માટે રિલીઝ થઈ જાય, તે છે
સમયાંતરે તેનું નિરીક્ષણ કરવું જરૂરી છે. આ કિસ્સામાં, સંચાલક
ડેટા વેરહાઉસ એક અથવા વધુ મેનેજમેન્ટ ટૂલ્સનો ઉપયોગ કરી શકે છે અને
ડેટા વેરહાઉસના ઉપયોગ પર દેખરેખ રાખવા માટે નિયંત્રણ. વિશેષ રીતે
લોકો અને હવામાન વિશે માહિતી એકત્રિત કરી શકાય છે
જે તેઓ ડેટા વેરહાઉસ સુધી પહોંચે છે. ચલ dati પાક બનાવી શકાય છે
કરેલા કાર્યની પ્રોફાઇલ જેનો ઇનપુટ તરીકે ઉપયોગ કરી શકાય છે
વપરાશકર્તા ચાર્જબેકના અમલીકરણમાં. આ ચાર્જબેક
વપરાશકર્તાઓને પ્રક્રિયાની કિંમત વિશે જાણ કરવાની મંજૂરી આપે છે
ડેટાવેરહાઉસ
વધુમાં, ડેટા વેરહાઉસ નિયંત્રણ માટે પણ ઉપયોગ કરી શકાય છે
પ્રશ્નોના પ્રકારો, તેમનું કદ, પ્રતિ પ્રશ્નોની સંખ્યા ઓળખો
દિવસ, ક્વેરીનો પ્રતિભાવ સમય, પહોંચેલા સેક્ટર અને જથ્થો
di dati પ્રક્રિયા કરેલ. ની તપાસ કરવાનો બીજો હેતુ
માહિતી વેરહાઉસ ઓળખવા માટે 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 કે
સરળતાથી પહોંચી શકાય છે. આ કારણોસર તે જોઈએ
અનધિકૃત વપરાશકર્તાઓથી સુરક્ષિત રહો. માટે એક માર્ગ
સુરક્ષા અમલીકરણ એ ડેલ ફંક્શનનો ઉપયોગ કરવાનો છે ડીબીએમએસ
વિવિધ પ્રકારના વપરાશકર્તાઓને વિવિધ વિશેષાધિકારો સોંપવા માટે. આ માં
રીતે, દરેક પ્રકારના વપરાશકર્તા માટે પ્રોફાઇલ જાળવવી આવશ્યક છે
ઍક્સેસ તમારા ડેટા વેરહાઉસને સુરક્ષિત કરવાની બીજી રીત છે તેને એન્ક્રિપ્ટ કરવી
જેમ તે લખેલ છે ડેટા બેઝ ડેટા વેરહાઉસનું. પ્રવેશ મેળવવો
dati અને પુનઃપ્રાપ્તિ સાધનોને ડિક્રિપ્ટ કરવું આવશ્યક છે dati સબમિટ કરતા પહેલા i
વપરાશકર્તાઓ માટે પરિણામો.
2.4.4 ડેટા વેરહાઉસ જમાવટ તબક્કો
ડેટા વેરહાઉસ અમલીકરણ ચક્રમાં તે છેલ્લો તબક્કો છે. આ
આ તબક્કામાં હાથ ધરવામાં આવનારી પ્રવૃત્તિઓમાં તાલીમનો સમાવેશ થાય છે
વપરાશકર્તાઓ ડેટા વેરહાઉસનો ઉપયોગ કરવા અને સમીક્ષાઓ બનાવવા માટે
ડેટા વેરહાઉસનું.
વપરાશકર્તા તાલીમ
યુઝર ટ્રેનિંગ પહેલા થવી જોઈએ
ની ઍક્સેસ dati ડેટા વેરહાઉસ અને સાધનોનો ઉપયોગ
પુનઃપ્રાપ્તિ. સામાન્ય રીતે, સત્રો સાથે શરૂ થવું જોઈએ
ના સંગ્રહની વિભાવનાનો પરિચય dati, માટે
ડેટા વેરહાઉસની સામગ્રી, એઆઈ મેટા dati અને મૂળભૂત સુવિધાઓ
સાધનોની. પછી, વધુ અદ્યતન વપરાશકર્તાઓ પણ અભ્યાસ કરી શકે છે
ભૌતિક કોષ્ટકો અને ડેટા એક્સેસ અને ટૂલ્સની વપરાશકર્તા સુવિધાઓ
પુનઃપ્રાપ્તિ.
વપરાશકર્તા તાલીમ કરવા માટે ઘણા અભિગમો છે. માનૂ એક
આમાં a દ્વારા પસંદ કરાયેલા ઘણા વપરાશકર્તાઓ અથવા વિશ્લેષકોની પસંદગીનો સમાવેશ થાય છે
વપરાશકર્તાઓનું જૂથ, તેમના નેતૃત્વ અને ક્ષમતાના આધારે
સંચાર આ પર વ્યક્તિગત ક્ષમતામાં તાલીમ આપવામાં આવે છે
સાથે પરિચિત થવા માટે તેઓને જાણવાની જરૂર છે તે બધું
સિસ્ટમ એકવાર તાલીમ સમાપ્ત થઈ જાય, તેઓ તેમના કામ પર પાછા ફરે છે અને
તેઓ અન્ય વપરાશકર્તાઓને સિસ્ટમનો ઉપયોગ કેવી રીતે કરવો તે શીખવવાનું શરૂ કરે છે. પર
તેઓ જે શીખ્યા છે તેના આધારે, અન્ય વપરાશકર્તાઓ પ્રારંભ કરી શકે છે
ડેટા વેરહાઉસનું અન્વેષણ કરો.
અન્ય અભિગમ એ ઘણા વપરાશકર્તાઓને સમાન રીતે તાલીમ આપવાનો છે
સમય, જાણે તમે વર્ગખંડનો અભ્યાસક્રમ લઈ રહ્યા હોવ. આ પદ્ધતિ
તે યોગ્ય છે જ્યારે ઘણા વપરાશકર્તાઓ હોય જેમને તાલીમ લેવાની જરૂર હોય
તે જ સમયે. હજુ સુધી બીજી પદ્ધતિ તાલીમ છે
દરેક વપરાશકર્તા વ્યક્તિગત રીતે, એક પછી એક. આ પદ્ધતિ છે
જ્યારે ઓછા વપરાશકર્તાઓ હોય ત્યારે યોગ્ય.
વપરાશકર્તા તાલીમનો હેતુ તમને પરિચિત કરવાનો છે
ની ઍક્સેસ સાથે dati અને પુનઃપ્રાપ્તિ સાધનો તેમજ સમાવિષ્ટો
ડેટાવેરહાઉસ જો કે, કેટલાક વપરાશકર્તાઓ અભિભૂત થઈ શકે છે
સત્ર દરમિયાન પૂરી પાડવામાં આવેલ માહિતીના જથ્થા દ્વારા
તાલીમ તેથી ચોક્કસ સંખ્યામાં વસ્તુઓ કરવી પડશે
પ્રતિસાદ આપવા માટે ચાલુ સપોર્ટ અને રિફ્રેશર સત્રો
ચોક્કસ પ્રશ્નો માટે. કેટલાક કિસ્સાઓમાં એક જૂથ રચાય છે
વપરાશકર્તાઓ આ પ્રકારનો આધાર પૂરો પાડવા માટે.
પ્રતિસાદ ભેગો
એકવાર ડેટા વેરહાઉસ રોલઆઉટ થઈ ગયા પછી, વપરાશકર્તાઓ કરી શકે છે
i નો ઉપયોગ કરો dati જે વિવિધ હેતુઓ માટે ડેટા વેરહાઉસમાં રહે છે.
મોટે ભાગે, વિશ્લેષકો અથવા વપરાશકર્તાઓ i નો ઉપયોગ કરે છે dati નેલ
માટે ડેટા વેરહાઉસ:
1 કંપનીના વલણોને ઓળખો
2 ની ખરીદી પ્રોફાઇલ્સનું વિશ્લેષણ કરો ગ્રાહકો
3 ભાગાકાર i ગ્રાહકો એડ i
4 શ્રેષ્ઠ સેવાઓ પ્રદાન કરો ગ્રાહકો - સેવાઓ કસ્ટમાઇઝ કરો
5 વ્યૂહરચના બનાવો માર્કેટિંગ
6 ખર્ચ વિશ્લેષણ અને મદદ માટે સ્પર્ધાત્મક અવતરણો પ્રદાન કરો
નિયંત્રણ
7 વ્યૂહાત્મક નિર્ણય લેવામાં ટેકો આપો
8 અલગ થવાની તકો ઓળખો
9 વર્તમાન વ્યવસાય પ્રક્રિયાઓની ગુણવત્તામાં સુધારો
10 નફો તપાસો
ડેટા વેરહાઉસના વિકાસની દિશાને અનુસરીને, તેઓ કરી શકે છે
પ્રતિસાદ મેળવવા માટે સિસ્ટમ સમીક્ષાઓની શ્રેણીબદ્ધ સંચાલન કરો
બંને વિકાસ ટીમ તરફથી અને ના સમુદાય તરફથી
અંતિમ વપરાશકર્તાઓ.
પ્રાપ્ત પરિણામો માટે ધ્યાનમાં લઈ શકાય છે
આગામી વિકાસ ચક્ર.
ડેટા વેરહાઉસમાં વધારાનો અભિગમ હોવાથી,
અગાઉની સફળતાઓ અને ભૂલોમાંથી શીખવું જરૂરી છે
વિકાસ
2.5 સારાંશ
આ પ્રકરણમાં પ્રસ્તુત અભિગમોની ચર્ચા કરવામાં આવી છે
સાહિત્ય વિભાગ 1 માં ખ્યાલની ચર્ચા કરવામાં આવી હતી
ડેટા વેરહાઉસ અને નિર્ણય વિજ્ઞાનમાં તેની ભૂમિકા. માં
વિભાગ 2 વચ્ચેના મુખ્ય તફાવતો
ડેટા વેરહાઉસ અને OLTP સિસ્ટમ્સ. વિભાગ 3 માં અમે ચર્ચા કરી
મોનાશ ડેટા વેરહાઉસ મોડેલ જેનો ઉપયોગ કરવામાં આવ્યો હતો
પ્રક્રિયામાં સામેલ પ્રવૃત્તિઓનું વર્ણન કરવા માટે વિભાગ 4 માં
ડેટા વેરહાઉસનો વિકાસ, આ થીસીસ પર આધારિત નથી
સખત સંશોધન. વાસ્તવિકતામાં જે થાય છે તે બની શકે છે
સાહિત્ય જે અહેવાલ આપે છે તેનાથી ખૂબ જ અલગ છે, જો કે આ
પરિણામોનો ઉપયોગ મૂળભૂત સામાન બનાવવા માટે થઈ શકે છે
આ સંશોધન માટે ડેટા વેરહાઉસની વિભાવના પર ભાર મૂકે છે.
પ્રકરણ 3
સંશોધન અને ડિઝાઇન પદ્ધતિઓ
આ પ્રકરણ સંશોધન અને ડિઝાઇન પદ્ધતિઓ સાથે સંબંધિત છે
આ અભ્યાસ. પ્રથમ ભાગ પદ્ધતિઓનો સામાન્ય દૃષ્ટિકોણ દર્શાવે છે
માહિતી પુનઃપ્રાપ્ત કરવા માટે ઉપલબ્ધ સંશોધન, વધુમાં
એક માટે શ્રેષ્ઠ પદ્ધતિ પસંદ કરવાના માપદંડોની ચર્ચા કરવામાં આવી છે
ખાસ અભ્યાસ. પછી વિભાગ 2 માં બે પદ્ધતિઓની ચર્ચા કરવામાં આવી છે
હમણાં જ નિર્ધારિત માપદંડ સાથે પસંદ કરેલ છે; આમાંથી પસંદ કરવામાં આવશે અને
જ્યાં તેઓ છે ત્યાં વિભાગ 3 માં નિર્ધારિત કારણો સાથે એક અપનાવ્યું
અન્ય માપદંડને બાકાત રાખવાના કારણો પણ સમજાવવામાં આવ્યા છે. ત્યાં
વિભાગ 4 સંશોધન ડિઝાઇન રજૂ કરે છે અને વિભાગ 5 તેને રજૂ કરે છે
તારણો
3.1 માહિતી પ્રણાલીઓમાં સંશોધન
માહિતી પ્રણાલીઓમાં સંશોધન ફક્ત મર્યાદિત નથી
ટેક્નોલોજીકલ ફિલ્ડમાં પણ સામેલ કરવા માટે વિસ્તૃત હોવું જોઈએ
વર્તન અને સંગઠન સંબંધિત લક્ષ્યો.
થી લઈને વિવિધ વિદ્યાશાખાના થીસીસ માટે અમે આના ઋણી છીએ
સામાજિક વિજ્ઞાન ને કુદરતી વિજ્ઞાન; આ a ની જરૂરિયાત તરફ દોરી જાય છે
જથ્થાત્મક પદ્ધતિઓનો સમાવેશ કરતી સંશોધન પદ્ધતિઓના ચોક્કસ સ્પેક્ટ્રમ
અને માહિતી પ્રણાલીઓ માટે ઉપયોગમાં લેવાના ગુણાત્મક.
બધી ઉપલબ્ધ સંશોધન પદ્ધતિઓ મહત્વપૂર્ણ છે, હકીકતમાં ઘણી
સંશોધકો જેમ કે જેનકિન્સ (1985), નુનામેકર એટ અલ. (1991), અને ગેલિયર્સ
(1992) એવી દલીલ કરે છે કે ત્યાં કોઈ ચોક્કસ સાર્વત્રિક પદ્ધતિ નથી
માહિતી પ્રણાલીના વિવિધ ક્ષેત્રોમાં સંશોધન કરવા; ખરેખર
કોઈ પદ્ધતિ ચોક્કસ સંશોધન માટે યોગ્ય હોઈ શકે છે પરંતુ નહીં
અન્ય લોકો માટે. આ અમને એક પદ્ધતિ પસંદ કરવાની જરૂરિયાત લાવે છે જે
અમારા ચોક્કસ સંશોધન પ્રોજેક્ટ માટે યોગ્ય છે: આ માટે
પસંદગી બેનબાસત એટ અલ. (1987) જણાવે છે કે તેઓ ધ્યાનમાં લેવા જોઈએ
સંશોધનની પ્રકૃતિ અને હેતુ.
3.1.1 સંશોધનની પ્રકૃતિ
સંશોધનની પ્રકૃતિ પર આધારિત વિવિધ પદ્ધતિઓ હોઈ શકે છે
વિજ્ઞાનમાં વ્યાપકપણે જાણીતી ત્રણ પરંપરાઓમાં વર્ગીકૃત
માહિતીનું: સકારાત્મક, અર્થઘટનાત્મક અને વિવેચનાત્મક સંશોધન.
3.1.1.1 સકારાત્મક સંશોધન
હકારાત્મક સંશોધનને વૈજ્ઞાનિક અભ્યાસ અથવા તરીકે પણ ઓળખવામાં આવે છે
પ્રયોગમૂલક તે આનો પ્રયાસ કરે છે: “સમજાવો અને આગાહી કરો કે માં શું થશે
નિયમિતતા અને કારણ-અને-અસર સંબંધોને જોઈને સામાજિક વિશ્વ
તેની રચના કરતા તત્વોમાં" (શાંક્સ એટ અલ 1993).
હકારાત્મક સંશોધન પણ પુનરાવર્તિતતા દ્વારા વર્ગીકૃત થયેલ છે,
સરળીકરણ અને ખંડન. વધુમાં, હકારાત્મક સંશોધન સ્વીકારે છે
અભ્યાસ કરેલ ઘટનાઓ વચ્ચેના પ્રાથમિક સંબંધોનું અસ્તિત્વ.
ગેલિયર્સ (1992) અનુસાર વર્ગીકરણ એ સંશોધન પદ્ધતિ છે
સકારાત્મક દૃષ્ટાંતમાં સમાવેશ થાય છે, જે જો કે આ સુધી મર્યાદિત નથી,
વાસ્તવમાં પ્રયોગશાળાના પ્રયોગો, ક્ષેત્રીય પ્રયોગો,
કેસ સ્ટડીઝ, પ્રમેય પુરાવાઓ, અનુમાનો અને અનુકરણો.
આ પદ્ધતિઓનો ઉપયોગ કરીને સંશોધકો સ્વીકારે છે કે ઘટના
અભ્યાસ નિરપેક્ષપણે અને સખત રીતે અવલોકન કરી શકાય છે.
3.1.1.2 અર્થઘટનાત્મક સંશોધન
અર્થઘટનાત્મક સંશોધન, જેને ઘણીવાર ફેનોમેનોલોજી અથવા કહેવામાં આવે છે
ન્યુમેન (1994) દ્વારા એન્ટિ-પોઝિટિવિઝમનું વર્ણન "વિશ્લેષણ" તરીકે કરવામાં આવ્યું છે
પ્રત્યક્ષ અને દ્વારા ક્રિયાના સામાજિક અર્થનું વ્યવસ્થિત
ક્રમમાં, કુદરતી પરિસ્થિતિઓમાં લોકોનું વિગતવાર નિરીક્ષણ
કેવી રીતે તેની સમજણ અને અર્થઘટન પર પહોંચવા માટે
લોકો તેમની સામાજિક દુનિયા બનાવે છે અને જાળવી રાખે છે." અભ્યાસ
અર્થઘટન પદ્ધતિઓ એ ધારણાને નકારી કાઢે છે કે અવલોકન કરેલ ઘટના
નિરપેક્ષપણે અવલોકન કરી શકાય છે. હકીકતમાં તેઓ આધારિત છે
વ્યક્તિલક્ષી અર્થઘટન પર. વધુમાં, અર્થઘટન સંશોધકો નથી કરતા
તેઓ જે ઘટનાનો અભ્યાસ કરે છે તેના પર તેઓ પ્રાથમિક અર્થ લાદે છે.
આ પદ્ધતિમાં વ્યક્તિલક્ષી/વાદકીય અભ્યાસ, ની ક્રિયાઓનો સમાવેશ થાય છે
સંશોધન, વર્ણનાત્મક/અર્થઘટનાત્મક અભ્યાસ, ભાવિ સંશોધન અને રમતો
ભૂમિકા આ ઉપરાંત તપાસ અને કેસ સ્ટડી પણ થઈ શકે છે
આ અભિગમમાં સમાવેશ થાય છે કારણ કે તેઓ અભ્યાસની ચિંતા કરે છે
જટિલ પરિસ્થિતિઓમાં વ્યક્તિઓ અથવા સંસ્થાઓ
વાસ્તવિક દુનિયાની.
3.1.1.3 જટિલ સંશોધન
વિવેચનાત્મક તપાસ એ વિજ્ઞાનમાં સૌથી ઓછો જાણીતો અભિગમ છે
સામાજિક પરંતુ તાજેતરમાં સંશોધકો દ્વારા ધ્યાન મેળવ્યું છે
માહિતી પ્રણાલીના ક્ષેત્રમાં. ફિલોસોફિકલ ધારણા છે કે ધ
સામાજિક વાસ્તવિકતા ઐતિહાસિક રીતે લોકો દ્વારા ઉત્પન્ન અને પુનઃઉત્પાદિત કરવામાં આવે છે,
તેમજ તેમની ક્રિયાઓ અને ક્રિયાપ્રતિક્રિયાઓ સાથે સામાજિક સિસ્ટમો. તેમના
ક્ષમતા, જો કે, ચોક્કસ રકમની વિચારણા દ્વારા મધ્યસ્થી કરવામાં આવે છે
સામાજિક, સાંસ્કૃતિક અને રાજકીય.
અર્થઘટનાત્મક સંશોધનની જેમ જ, વિવેચનાત્મક સંશોધન જાળવી રાખે છે કે
હકારાત્મક સંશોધનને સામાજિક સંદર્ભ સાથે કોઈ લેવાદેવા નથી અને તેની અવગણના કરે છે
માનવ ક્રિયાઓ પર તેનો પ્રભાવ.
વિવેચનાત્મક સંશોધન, બીજી બાજુ, માટે અર્થઘટનાત્મક સંશોધનની ટીકા કરે છે
ખૂબ વ્યક્તિલક્ષી બનો અને કારણ કે તેનો હેતુ મદદ કરવાનો નથી
લોકો તેમના જીવનને સુધારવા માટે. વચ્ચેનો સૌથી મોટો તફાવત
જટિલ સંશોધન અને અન્ય બે અભિગમો તેનું મૂલ્યાંકનકારી પરિમાણ છે.
જ્યારે સકારાત્મકતાવાદી અને અર્થઘટનાત્મક પરંપરાઓની ઉદ્દેશ્યતા માટે છે
યથાસ્થિતિ અથવા સામાજિક વાસ્તવિકતા, જટિલ સંશોધનની આગાહી કરો અથવા સમજાવો
અંતર્ગત સામાજિક વાસ્તવિકતાનું વિવેચનાત્મક મૂલ્યાંકન અને પરિવર્તન કરવાનો હેતુ છે
સ્ટુડિયો
જટિલ સંશોધકો સામાન્ય રીતે યથાસ્થિતિનો વિરોધ કરે છે
સામાજિક તફાવતો દૂર કરો અને સામાજિક પરિસ્થિતિઓમાં સુધારો કરો. ત્યાં
જટિલ સંશોધન પ્રક્રિયાત્મક દૃષ્ટિકોણ માટે પ્રતિબદ્ધતા ધરાવે છે
રસની ઘટના અને તેથી, સામાન્ય રીતે રેખાંશ હોય છે.
સંશોધન પદ્ધતિઓના ઉદાહરણો લાંબા ગાળાના ઐતિહાસિક અભ્યાસ છે અને
એથનોગ્રાફિક અભ્યાસ. જટિલ સંશોધન, જોકે, કરવામાં આવ્યું નથી
માહિતી પ્રણાલી સંશોધનમાં વ્યાપકપણે ઉપયોગમાં લેવાય છે
3.1.2 સંશોધનનો હેતુ
શોધની પ્રકૃતિ સાથે, તેના હેતુનો ઉપયોગ કરી શકાય છે
ચોક્કસ પદ્ધતિ પસંદ કરવામાં સંશોધકને માર્ગદર્શન આપવા
સંશોધન સંશોધન પ્રોજેક્ટનો હેતુ નજીકથી સંબંધિત છે
શોધ ચક્રને લગતી શોધની સ્થિતિ કે જેમાં સમાવેશ થાય છે
ત્રણ તબક્કાઓ: થિયરી બિલ્ડિંગ, થિયરી ટેસ્ટિંગ અને થિયરી રિફાઇનમેન્ટ
સિદ્ધાંત તેથી, શોધ ચક્રના સંદર્ભમાં વેગના આધારે, એ
સંશોધન પ્રોજેક્ટમાં સમજૂતીત્મક, વર્ણનાત્મક, હેતુ હોઈ શકે છે
સંશોધનાત્મક અથવા આગાહીયુક્ત.
3.1.2.1 સંશોધનાત્મક સંશોધન
સંશોધનાત્મક સંશોધનનો હેતુ વિષયની તપાસ કરવાનો છે
તદ્દન નવા અને સંશોધન પ્રશ્નો અને પૂર્વધારણાઓ ઘડે છે
ભવિષ્ય આ પ્રકારના સંશોધનનો ઉપયોગ બાંધકામમાં થાય છે
નવા ક્ષેત્રમાં પ્રારંભિક સંદર્ભો મેળવવા માટે સિદ્ધાંત.
લાક્ષણિક રીતે, ગુણાત્મક સંશોધન પદ્ધતિઓ, જેમ કે કેસોનો ઉપયોગ થાય છે
અભ્યાસ અથવા અસાધારણ અભ્યાસ.
જો કે, જથ્થાત્મક તકનીકોનો ઉપયોગ કરવો પણ શક્ય છે જેમ કે
સંશોધનાત્મક તપાસ અથવા પ્રયોગો.
3.1.3.3 વર્ણનાત્મક સંશોધન
વર્ણનાત્મક સંશોધનનો હેતુ મોટાભાગે વિશ્લેષણ અને વર્ણન કરવાનો છે
ચોક્કસ પરિસ્થિતિ અથવા સંસ્થાકીય પ્રેક્ટિસની વિગતો. આ
સિદ્ધાંત નિર્માણ માટે યોગ્ય છે અને તેનો ઉપયોગ પણ કરી શકાય છે
પૂર્વધારણાઓની પુષ્ટિ કરો અથવા વિવાદ કરો. સામાન્ય રીતે વર્ણનાત્મક સંશોધન
માપન અને નમૂનાઓનો ઉપયોગ શામેલ છે. સૌથી યોગ્ય સંશોધન પદ્ધતિઓ
પૂર્વજોની તપાસ 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 શોધવાનો પ્રયાસ કરે છે
આ હકીકતોના કારણો.
તેથી સમજૂતીત્મક સંશોધન સામાન્ય રીતે સંશોધન પર બનેલ છે
સંશોધનાત્મક અથવા વર્ણનાત્મક અને પરીક્ષણ અને શુદ્ધિકરણ માટે આનુષંગિક છે
સિદ્ધાંતો. સ્પષ્ટીકરણ સંશોધન સામાન્ય રીતે કેસ સ્ટડીનો ઉપયોગ કરે છે
અથવા સર્વેક્ષણ આધારિત સંશોધન પદ્ધતિઓ.
3.1.2.4 નિવારક સંશોધન
નિવારક સંશોધનનો હેતુ ઘટનાઓ અને વર્તનની આગાહી કરવાનો છે
અવલોકન હેઠળ 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 ત્યાં સંખ્યાબંધ છે
સંભવિત સંશોધન પદ્ધતિઓ જેનો અભ્યાસમાં ઉપયોગ કરી શકાય છે
ખાસ જો કે, ત્યાં એક ચોક્કસ પદ્ધતિ હોવી જોઈએ જે વધુ યોગ્ય છે
ચોક્કસ પ્રકારના સંશોધન પ્રોજેક્ટ માટે અન્ય. (ગેલિયર્સ
1987, યીન 1989, ડી વોસ 1991). તેથી, દરેક સંશોધક પાસે છે
ની શક્તિઓ અને નબળાઈઓનું કાળજીપૂર્વક મૂલ્યાંકન કરવાની જરૂર છે
વિવિધ પદ્ધતિઓ, સૌથી યોગ્ય સંશોધન પદ્ધતિ અપનાવવા માટે ઇ
સંશોધન પ્રોજેક્ટ સાથે સુસંગત. (જેનકિન્સ 1985, પરવાન અને ક્લાસ
1992, બોનોમિયા 1985, યીન 1989, હિમિલ્ટન અને આઇવ્સ 1992).
3.2. સંભવિત સંશોધન પદ્ધતિઓ
આ પ્રોજેક્ટનો ધ્યેય માં અનુભવનો અભ્યાસ કરવાનો હતો
ઓસ્ટ્રેલિયન સંસ્થાઓ આઇ dati એક સાથે સંગ્રહિત
સ્વિલુપ્પો ડી માહિતી વેરહાઉસ. તારીખ જે, હાલમાં, એક છે
ઓસ્ટ્રેલિયામાં ડેટા વેરહાઉસિંગ વિસ્તારમાં સંશોધનનો અભાવ,
આ સંશોધન પ્રોજેક્ટ હજુ પણ ચક્રના સૈદ્ધાંતિક તબક્કામાં છે
સંશોધન અને સંશોધન હેતુ ધરાવે છે. માં અનુભવની શોધખોળ
ઓસ્ટ્રેલિયન સંસ્થાઓ ડેટા વેરહાઉસિંગ અપનાવે છે
વાસ્તવિક સમાજના અર્થઘટનની જરૂર છે. પરિણામે, ધ
સંશોધન પ્રોજેક્ટ અંતર્ગત ફિલોસોફિકલ ધારણા નીચે મુજબ છે
પરંપરાગત અર્થઘટન.
ઉપલબ્ધ પદ્ધતિઓની સખત તપાસ કર્યા પછી, તેઓની ઓળખ કરવામાં આવી
બે સંભવિત સંશોધન પદ્ધતિઓ: સર્વેક્ષણ અને કેસ અભ્યાસ
(કેસ સ્ટડીઝ), જેનો ઉપયોગ સંશોધન માટે થઈ શકે છે
શોધખોળ (શાંક્સ એટ અલ. 1993). ગેલિયર્સ (1992) એવી દલીલ કરે છે
માં આ ચોક્કસ અભ્યાસ માટે આ બે પદ્ધતિઓની યોગ્યતા
તેનું સુધારેલું વર્ગીકરણ કહે છે કે તે બાંધકામ માટે યોગ્ય છે
સૈદ્ધાંતિક નીચેના બે પેટાવિભાગો દરેક પદ્ધતિની ચર્ચા કરે છે
વિગત
3.2.1 સર્વે સંશોધન પદ્ધતિ
સર્વેક્ષણ સંશોધન પદ્ધતિ પ્રાચીન પદ્ધતિમાંથી આવે છે
વસ્તી ગણતરી વસ્તીગણતરી એમાંથી માહિતી એકત્રિત કરવાનો સમાવેશ થાય છે
સમગ્ર વસ્તી. આ પદ્ધતિ ખર્ચાળ અને અવ્યવહારુ છે
ખાસ કરીને જો વસ્તી મોટી હોય. તેથી, સરખામણીમાં
વસ્તી ગણતરી, એક સર્વે સામાન્ય રીતે તેના પર કેન્દ્રિત હોય છે
ની નાની સંખ્યા અથવા નમૂના માટે માહિતી એકત્રિત કરો
વસ્તીના પ્રતિનિધિઓ (ફાઉલર 1988, ન્યુમેન 1994). એ
નમૂના તે વસ્તીને પ્રતિબિંબિત કરે છે જેમાંથી તે દોરવામાં આવે છે, અલગ સાથે
ચોકસાઈના સ્તરો, નમૂનાના બંધારણ અનુસાર,
કદ અને ઉપયોગમાં લેવાતી પસંદગી પદ્ધતિ (ફાઉલર 1988, બેબી
1982, ન્યુમેન 1994).
તપાસ પદ્ધતિને "વ્યવહારોના સ્નેપશોટ,
સમયના ચોક્કસ બિંદુએ પરિસ્થિતિઓ અથવા દૃશ્યો, ઉપયોગ કરીને હાથ ધરવામાં આવે છે
પ્રશ્નાવલિ અથવા ઇન્ટરવ્યુ, જેમાંથી અનુમાન હોઈ શકે છે
બનાવ્યું” (ગેલિયર્સ 1992:153) [પ્રેક્ટિસનો તાત્કાલિક ફોટોગ્રાફ,
સમયના ચોક્કસ તબક્કે પરિસ્થિતિઓ અથવા મંતવ્યો, ઉપયોગ કરીને હાથ ધરવામાં આવે છે
પ્રશ્નાવલિ અથવા ઇન્ટરવ્યુ, જેમાંથી અનુમાન કરી શકાય છે]. આ
તપાસ ચોક્કસ પાસાઓ પર માહિતીના સંગ્રહ સાથે વ્યવહાર કરે છે
અભ્યાસના, ચોક્કસ સંખ્યામાં સહભાગીઓ દ્વારા, બનાવે છે
પ્રશ્નો (ફાઉલર 1988). પણ આ પ્રશ્નાવલિ અને મુલાકાતો, જે
સામ-સામે ટેલિફોન અને માળખાગત ઇન્ટરવ્યુનો સમાવેશ કરો,
ની સંગ્રહ તકનીકો છે dati માં સૌથી સામાન્ય વપરાય છે
તપાસ
1988), અવલોકનો અને વિશ્લેષણનો ઉપયોગ કરી શકાય છે (ગેબલ
1994). એકત્રિત કરવાની આ બધી પદ્ધતિઓમાંથી dati, નો ઉપયોગ
પ્રશ્નાવલી એ સૌથી લોકપ્રિય તકનીક છે, કારણ કે તે ખાતરી કરે છે કે i dati
એકત્રિત કરવામાં આવેલ છે સંરચિત અને ફોર્મેટ, અને તેથી સુવિધા આપે છે
માહિતીનું વર્ગીકરણ (હવાંગ 1987, ડી વોસ 1991).
વિશ્લેષણ કરતી વખતે i dati, એક તપાસ વ્યૂહરચના વારંવાર ઉપયોગ કરે છે
માત્રાત્મક તકનીકો, જેમ કે આંકડાકીય વિશ્લેષણ, પરંતુ તે હોઈ શકે છે
ગુણાત્મક તકનીકોનો પણ ઉપયોગ થાય છે (ગેલિયર્સ 1992, પરવાન
અને ક્લાસ 1992, ગેબલ 1994). સામાન્ય રીતે, આઇ dati એકત્રિત છે
એસોસિએશનના વિતરણો અને પેટર્નનું વિશ્લેષણ કરવા માટે વપરાય છે
(ફાઉલર 1988).
જોકે સર્વેક્ષણો સામાન્ય રીતે સંશોધન માટે યોગ્ય હોય છે
તે પ્રશ્ન 'શું?' (શું) અથવા તેમાંથી
વ્યુત્પન્ન, જેમ કે 'કેટલા' અને 'કેટલા', તેઓ
'શા માટે' પ્રશ્ન દ્વારા પૂછી શકાય છે (સોનક્વિસ્ટ અને
ડંકલબર્ગ 1977, યીન 1989). સોનક્વિસ્ટ અને ડંકલબર્ગ અનુસાર
(1977), સંશોધન તપાસનો હેતુ મુશ્કેલ પૂર્વધારણાઓ, પ્રોગ્રામ ઓફ
મૂલ્યાંકન, વસ્તીનું વર્ણન અને મોડેલો વિકસાવવા
માનવ વર્તન. વધુમાં, સર્વેક્ષણોનો ઉપયોગ કરી શકાય છે
વસ્તી, પરિસ્થિતિઓના ચોક્કસ અભિપ્રાયનો અભ્યાસ કરવા માટે,
અભિપ્રાયો, લાક્ષણિકતાઓ, અપેક્ષાઓ અને ભૂતકાળના વર્તન
અથવા વર્તમાન (ન્યુમેન 1994).
તપાસ સંશોધનકર્તાને વચ્ચેના સંબંધો શોધવાની મંજૂરી આપે છે
વસ્તી અને પરિણામો સામાન્ય રીતે કરતાં વધુ સામાન્ય છે
અન્ય પદ્ધતિઓ (સોનક્વિસ્ટ અને ડંકલબર્ગ 1977, ગેબલ 1994). આ
સર્વેક્ષણો સંશોધકોને ભૌગોલિક વિસ્તારને આવરી લેવાની મંજૂરી આપે છે
વ્યાપક અને ઘણા ઘોષણાઓ સુધી પહોંચવા માટે (બ્લેક 1970,
સોનક્વિસ્ટ અને ડંકલબર્ગ 1977, હવાંગ અને લિન 1987, ગેબલ 1994,
ન્યુમેન 1994). છેલ્લે, સર્વેક્ષણ માહિતી પ્રદાન કરી શકે છે
જે અન્યત્ર અથવા વિશ્લેષણ માટે જરૂરી ફોર્મમાં ઉપલબ્ધ નથી
(ફાઉલર 1988).
જો કે, સર્વેક્ષણ હાથ ધરવા માટે કેટલીક મર્યાદાઓ છે. એક
ગેરલાભ એ છે કે સંશોધક વધુ માહિતી મેળવી શકતા નથી
અભ્યાસ કરેલ પદાર્થ અંગે. આ એ હકીકતને કારણે છે કે
તપાસ 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 ચલાવવું શું હોઈ શકે છે
સમય અને સંસાધનોની દ્રષ્ટિએ ખૂબ ખર્ચાળ, ખાસ કરીને જો
સામ-સામે ઇન્ટરવ્યુનો સમાવેશ થાય છે (ફાઉલર 1988).
3.2.2. પૂછપરછ સંશોધન પદ્ધતિ
પૂછપરછ સંશોધન પદ્ધતિમાં ગહન અભ્યાસનો સમાવેશ થાય છે
તેના વાસ્તવિક સંદર્ભમાં ચોક્કસ પરિસ્થિતિ a
ના ભાગ પર કોઈપણ હસ્તક્ષેપ વિના સમયનો નિર્ધારિત સમયગાળો
સંશોધક (Shanks & C. 1993, Eisenhardt 1989, Jenkins 1985).
મુખ્યત્વે આ પદ્ધતિનો ઉપયોગ વચ્ચેના સંબંધોનું વર્ણન કરવા માટે થાય છે
ચલો કે જેનો ચોક્કસ પરિસ્થિતિમાં અભ્યાસ કરવામાં આવે છે
(ગેલિયર્સ 1992). તપાસમાં વ્યક્તિગત કેસો સામેલ હોઈ શકે છે અથવા
બહુવિધ, વિશ્લેષિત ઘટનાના આધારે (ફ્રાંઝ અને રોબે 1987,
આઇઝેનહાર્ટ 1989, યીન 1989).
પૂછપરછ સંશોધન પદ્ધતિને "પૂછપરછ" તરીકે વ્યાખ્યાયિત કરવામાં આવી છે
પ્રયોગમૂલક અભ્યાસ કે જે અંદરની સમકાલીન ઘટનાનો અભ્યાસ કરે છે
સાપેક્ષ વાસ્તવિક સંદર્ભ, એકમાંથી એકત્ર થયેલા બહુવિધ સ્ત્રોતોનો ઉપયોગ કરીને અથવા
બહુવિધ સંસ્થાઓ જેમ કે લોકો, જૂથો અથવા સંસ્થાઓ” (યિન 1989).
ઘટના અને તેના સંદર્ભ વચ્ચે કોઈ સ્પષ્ટ વિભાજન નથી
ચલોનું કોઈ નિયંત્રણ અથવા પ્રાયોગિક મેનીપ્યુલેશન નથી (યિન
1989, બેનબાસત એટ અલ. 1987).
એકત્ર કરવા માટે વિવિધ તકનીકો છે dati કે તેઓ કરી શકે છે
પૂછપરછ પદ્ધતિમાં કાર્યરત થાઓ, જેમાં સમાવેશ થાય છે
પ્રત્યક્ષ અવલોકનો, આર્કાઇવલ રેકોર્ડની સમીક્ષાઓ, પ્રશ્નાવલીઓ,
દસ્તાવેજીકરણ અને માળખાગત ઇન્ટરવ્યુની સમીક્ષા. કર્યા
લણણી તકનીકોની વિવિધ શ્રેણી dati, તપાસ
સંશોધકોને બંને સાથે વ્યવહાર કરવાની મંજૂરી આપો dati ગુણાત્મક કે
તે જ સમયે જથ્થો (બોનોમા 1985, આઇઝેનહાર્ટ 1989, યીન
1989, ગેબલ 1994). સર્વેક્ષણ પદ્ધતિની જેમ, એ
પૂછપરછ સંશોધક નિરીક્ષક અથવા સંશોધક તરીકે કાર્ય કરે છે અને નહીં
અભ્યાસ હેઠળની સંસ્થામાં સક્રિય સહભાગી તરીકે.
બેનબાસત એટ અલ. (1987) દાવો કરે છે કે પૂછપરછ પદ્ધતિ છે
ખાસ કરીને સિદ્ધાંત નિર્માણ સંશોધન માટે યોગ્ય છે, જે
સંશોધન પ્રશ્ન સાથે પ્રારંભ કરો અને તાલીમ સાથે ચાલુ રાખો
એકત્ર કરવાની પ્રક્રિયા દરમિયાન સિદ્ધાંતની dati. હોવા
સ્ટેજ માટે પણ યોગ્ય
થિયરી બિલ્ડિંગ, ફ્રાન્ઝ અને રોબે (1987) સૂચવે છે
સંકુલ માટે પૂછપરછ પદ્ધતિનો પણ ઉપયોગ કરી શકાય છે
સિદ્ધાંત તબક્કો. આ કિસ્સામાં, એકત્ર કરાયેલા પુરાવાના આધારે, એક
આપેલ સિદ્ધાંત અથવા પૂર્વધારણા ચકાસવામાં આવે છે અથવા રદિયો આપે છે. ઉપરાંત, તપાસ છે
'કેવી રીતે' અથવા 'કેવી રીતે' પ્રશ્નો સાથેના સંશોધન માટે પણ યોગ્ય
'શા માટે' (યિન 1989).
અન્ય પદ્ધતિઓની તુલનામાં, સર્વેક્ષણો સંશોધકને પરવાનગી આપે છે
વધુ વિગતમાં આવશ્યક માહિતી મેળવો (ગેલિયર્સ
1992, શેન્ક્સ એટ અલ 1993). વધુમાં, તપાસ પરવાનગી આપે છે
અભ્યાસ કરેલ પ્રક્રિયાઓની પ્રકૃતિ અને જટિલતાને સમજવા માટે સંશોધક
(બેનબાસત એટ અલ. 1987).
પદ્ધતિ સાથે સંકળાયેલા ચાર મુખ્ય ગેરફાયદા છે
તપાસ પ્રથમ નિયંત્રિત કપાતનો અભાવ છે. ત્યાં
સંશોધક વ્યક્તિત્વ પરિણામો અને તારણો બદલી શકે છે
અભ્યાસ (યિન 1989). બીજો ગેરલાભ એ અભાવ છે
નિયંત્રિત અવલોકન. પ્રાયોગિક પદ્ધતિઓથી વિપરીત, ધ
તપાસ સંશોધક અભ્યાસ કરેલ ઘટનાને નિયંત્રિત કરી શકતા નથી
જેમ કે તેઓ તેમના કુદરતી સંદર્ભમાં તપાસવામાં આવે છે (ગેબલ 1994). આ
ત્રીજો ગેરલાભ એ પ્રતિકૃતિનો અભાવ છે. આ હકીકતને કારણે છે
કે સંશોધક સમાન ઘટનાઓનું અવલોકન કરે તેવી શક્યતા નથી, અને
ચોક્કસ અભ્યાસના પરિણામોની ચકાસણી કરી શકતા નથી (લી 1989).
છેવટે, બિન-પ્રતિકૃતિના પરિણામે, તે મુશ્કેલ છે
એક અથવા વધુ તપાસમાંથી મેળવેલા પરિણામોનું સામાન્યીકરણ કરો (ગેલિયર્સ
1992, શેન્ક્સ એટ અલ 1993). આ બધી સમસ્યાઓ, જોકે, નથી
દુસ્તર છે અને હકીકતમાં, દ્વારા ઘટાડી શકાય છે
યોગ્ય ક્રિયાઓ લાગુ કરનાર સંશોધક (લી 1989).
3.3. સંશોધન પદ્ધતિને ન્યાય આપો
દત્તક
આ અભ્યાસ માટેની બે સંભવિત સંશોધન પદ્ધતિઓમાંથી, પદ્ધતિ
તપાસ સૌથી યોગ્ય માનવામાં આવે છે. તે તપાસ છે
સંબંધિત બાબતોની કાળજીપૂર્વક વિચારણા કર્યા બાદ કાઢી નાખવામાં આવી હતી
ગુણો અને નબળાઈઓ. દરેકની સગવડ અથવા અયોગ્યતા
આ અભ્યાસ માટેની પદ્ધતિ નીચે ચર્ચા કરવામાં આવી છે.
3.3.1. સંશોધન પદ્ધતિની અયોગ્યતા
તપાસ
પૂછપરછ પદ્ધતિ માટે એક વિશે ગહન અભ્યાસ જરૂરી છે
માટે એક અથવા વધુ સંસ્થાઓમાં ચોક્કસ પરિસ્થિતિ
સમયગાળો (આઈઝેનહાર્ટ 1989). આ કિસ્સામાં, સમયગાળો કરી શકે છે
આ અભ્યાસ માટે આપવામાં આવેલ સમયમર્યાદાને ઓળંગો. અન્ય
સર્વેક્ષણ પદ્ધતિ ન અપનાવવાનું કારણ એ છે કે પરિણામો
તેઓ સખતાઈના અભાવથી પીડાઈ શકે છે (યિન 1989). વ્યક્તિત્વ
સંશોધકના પરિણામો અને નિષ્કર્ષોને પ્રભાવિત કરી શકે છે. અન્ય
કારણ એ છે કે આ પદ્ધતિ પ્રશ્નોના સંશોધન માટે વધુ યોગ્ય છે
'કેવી રીતે' અથવા 'શા માટે' પ્રકાર (યિન 1989), જ્યારે સંશોધન પ્રશ્ન
આ અભ્યાસ માટે તે 'કયા' પ્રકારનું છે. છેલ્લું પરંતુ ઓછામાં ઓછું નહીં
મહત્ત્વની વાત એ છે કે, માત્ર એક અથવા માંથી તારણોનું સામાન્યીકરણ કરવું મુશ્કેલ છે
થોડી તપાસ (ગેલિયર્સ 1992, શેન્ક્સ એટ અલ 1993). ના આધાર પર
આ તર્કસંગત સમજૂતી, તપાસની સંશોધન પદ્ધતિ નથી
પસંદ કરવામાં આવ્યું હતું કારણ કે તે આ અભ્યાસ માટે અયોગ્ય હતું.
3.3.2. ની શોધ પદ્ધતિની સગવડ
તપાસ
જ્યારે આ સંશોધન હાથ ધરવામાં આવ્યું હતું, ત્યારે ડેટા વેરહાઉસિંગની પ્રેક્ટિસ
દ્વારા વ્યાપકપણે અપનાવવામાં આવ્યું ન હતું
ઓસ્ટ્રેલિયન સંસ્થાઓ. તેથી, ત્યાં વધુ માહિતી ન હતી
ની અંદર તેમના અમલીકરણ અંગે
ઓસ્ટ્રેલિયન સંસ્થાઓ. ઉપલબ્ધ માહિતી આવી
સંસ્થાઓ પાસેથી કે જેણે ડેટાનો અમલ કર્યો હતો અથવા તેનો ઉપયોગ કર્યો હતો
વેરહાઉસ આ કિસ્સામાં, સર્વેક્ષણ સંશોધન પદ્ધતિ સૌથી વધુ છે
યોગ્ય છે કારણ કે તે તમને માહિતી મેળવવા માટે પરવાનગી આપે છે જે નથી
અન્યત્ર અથવા વિશ્લેષણ માટે જરૂરી ફોર્મમાં ઉપલબ્ધ છે (ફાઉલર 1988).
વધુમાં, સર્વેક્ષણ સંશોધન પદ્ધતિ સંશોધકને પરવાનગી આપે છે
પ્રથાઓ, પરિસ્થિતિઓ અથવા વિશે સારી સમજ મેળવો
ચોક્કસ સમયે જોવા મળે છે (ગેલિયર્સ 1992, ડેન્સકોમ્બે 1998).
વધારવા માટે એકંદર દૃશ્ય જરૂરી હતું
ઓસ્ટ્રેલિયન ડેટા વેરહાઉસિંગ અનુભવ વિશે જ્ઞાન.
ફરીથી, સોનક્વિસ્ટ અને ડંકલબર્ગ (1977) જણાવે છે કે પરિણામો
સર્વે સંશોધન અન્ય પદ્ધતિઓ કરતાં વધુ સામાન્ય છે.
3.4. સર્વે સંશોધન ડિઝાઇન
ડેટા વેરહાઉસિંગ પ્રેક્ટિસની તપાસ 1999 માં હાથ ધરવામાં આવી હતી.

લક્ષિત વસ્તીમાં સંસ્થાઓનો સમાવેશ થતો હતો
ઓસ્ટ્રેલિયનો ડેટા વેરહાઉસિંગ અભ્યાસમાં રસ ધરાવતા હતા, જેમ કે તેઓ હતા
કદાચ પહેલાથી જ i વિશે જાણ કરી છે dati કે તેઓ સંગ્રહ કરે છે અને,
તેથી, તે આ અભ્યાસ માટે ઉપયોગી માહિતી પ્રદાન કરી શકે છે. ત્યાં
ના પ્રારંભિક સર્વેક્ષણ સાથે લક્ષ્ય વસ્તીને ઓળખવામાં આવી હતી
'ધ ડેટા વેરહાઉસિંગ ઇન્સ્ટિટ્યૂટ' (Tdwiaap) ના તમામ ઓસ્ટ્રેલિયન સભ્યો.
આ વિભાગ સંશોધન તબક્કાની રચનાની ચર્ચા કરે છે
આ અભ્યાસના પ્રયોગમૂલક પુરાવા.
3.4.1. લણણી તકનીક dati
સર્વેક્ષણ સંશોધનમાં સામાન્ય રીતે ઉપયોગમાં લેવાતી ત્રણ તકનીકોમાંથી
(એટલે ​​કે પોસ્ટલ પ્રશ્નાવલી, ટેલિફોન ઇન્ટરવ્યુ અને ઇન્ટરવ્યુ
વ્યક્તિગત) (નાચમિયાસ 1976, ફાઉલર 1988, ડી વોસ 1991), માટે
આ અભ્યાસમાં મેઇલ પ્રશ્નાવલી અપનાવવામાં આવી હતી. પહેલું
બાદમાં અપનાવવાનું કારણ એ છે કે તે હાંસલ કરી શકે છે
ભૌગોલિક રીતે વિખરાયેલી વસ્તી (બ્લેક 1970, નાચમિયાસ ઇ
Nachmias 1976, Hwang and Lin 1987, de Vaus 1991, Gable 1994).
બીજું, પોસ્ટલ પ્રશ્નાવલી સહભાગીઓ માટે યોગ્ય છે
ઉચ્ચ શિક્ષિત (ફાઉલર 1988). આ માટે મેઇલ પ્રશ્નાવલી
અભ્યાસ ડેટા વેરહાઉસિંગ પ્રોજેક્ટ પ્રાયોજકોને સંબોધવામાં આવ્યો હતો,
ડિરેક્ટર્સ અને/અથવા પ્રોજેક્ટ મેનેજર. ત્રીજું, પ્રશ્નાવલિ દૂર
જ્યારે તમારી પાસે સુરક્ષિત યાદી હોય ત્યારે મેઇલ યોગ્ય છે
સરનામાં (સલેન્ટ અને દિલમાન 1994). TDWI, આ કિસ્સામાં, એક
વિશ્વસનીય ડેટા વેરહાઉસિંગ એસોસિએશને સરનામાની સૂચિ પ્રદાન કરી છે
તેના ઓસ્ટ્રેલિયન સભ્યો. પ્રશ્નાવલીનો બીજો ફાયદો
મેઇલ વિરુદ્ધ ટેલિફોન પ્રશ્નાવલિ અથવા ઇન્ટરવ્યુ દ્વારા
વ્યક્તિગત છે કે તે નોંધણીકર્તાઓને વધુ પ્રતિસાદ આપવા માટે પરવાનગી આપે છે
ચોકસાઈ, ખાસ કરીને જ્યારે નોંધણીકર્તાઓએ સંપર્ક કરવાની જરૂર હોય
નોંધો અથવા અન્ય લોકો સાથે પ્રશ્નોની ચર્ચા કરો (ફાઉલર
1988).
સંભવિત ગેરલાભ માટે જરૂરી સમય હોઈ શકે છે
મેઇલ દ્વારા પ્રશ્નાવલિનું સંચાલન કરો. સામાન્ય રીતે, પ્રશ્નાવલી દૂર
મેઇલ આ ક્રમમાં હાથ ધરવામાં આવે છે: પત્રો મોકલો, રાહ જુઓ
જવાબો અને પુષ્ટિકરણ મોકલો (ફાઉલર 1988, બેનબ્રિજ 1989).
આમ, કુલ સમય માટે જરૂરી સમય કરતાં લાંબો હોઈ શકે છે
વ્યક્તિગત ઇન્ટરવ્યુ અથવા ટેલિફોન ઇન્ટરવ્યુ માટે. જો કે, ધ
કુલ સમય અગાઉથી જાણી શકાય છે (ફાઉલર 1988,
ડેન્સકોમ્બે 1998). ઇન્ટરવ્યુ લેવા માટે સમય પસાર કર્યો
વ્યક્તિગત ડેટા અગાઉથી જાણી શકાતો નથી કારણ કે તે બદલાય છે
એક ઇન્ટરવ્યુ બીજા સાથે (ફાઉલર 1988). ટેલિફોન ઇન્ટરવ્યુ
પોસ્ટલ પ્રશ્નાવલિ કરતાં ઝડપી હોઈ શકે છે અને
વ્યક્તિગત ઇન્ટરવ્યુ પરંતુ ગુમ થવાનો ઉચ્ચ દર હોઈ શકે છે
કેટલાક લોકોની અનુપલબ્ધતાને કારણે પ્રતિભાવ (ફાઉલર 1988).
વધુમાં, ટેલિફોન ઇન્ટરવ્યુ સામાન્ય રીતે યાદીઓ સુધી મર્યાદિત હોય છે
પ્રમાણમાં ટૂંકા પ્રશ્નો (બેનબ્રિજ 1989).
મેલ પ્રશ્નાવલીની બીજી નબળાઈ એ ની ઊંચી દર છે
પ્રતિભાવનો અભાવ (ફાઉલર 1988, બેનબ્રિજ 1989, ન્યુમેન
1994). જો કે, સાંકળીને, વળતા પગલાં લેવામાં આવ્યા છે
ડેટાના ક્ષેત્રમાં વિશ્વસનીય સંસ્થા સાથેનો આ અભ્યાસ
વેરહાઉસિંગ (એટલે ​​​​કે TDWI) (બેનબ્રિજ 1989, ન્યુમેન 1994),
જે તેમને બે રીમાઇન્ડર પત્રો મોકલે છે જેમણે જવાબ આપ્યો નથી
(ફાઉલર 1988, ન્યુમેન 1994) અને તેમાં એક પત્ર પણ સામેલ છે
અભ્યાસના હેતુને સમજાવતી પૂરક (ન્યુમેન 1994).
3.4.2. વિશ્લેષણનું એકમ
આ અભ્યાસનો હેતુ વિશે માહિતી મેળવવાનો છે
ડેટા વેરહાઉસિંગનો અમલ અને તેનો ઉપયોગ
ઓસ્ટ્રેલિયન સંસ્થાઓમાં. લક્ષ્ય વસ્તી
જે તમામ ઓસ્ટ્રેલિયન સંસ્થાઓનું બનેલું છે
અમલમાં મૂકાયેલ છે, અથવા અમલમાં છે, i માહિતી વેરહાઉસ. માં
વ્યક્તિગત સંસ્થાઓ પછી નોંધાયેલ છે. પ્રશ્નાવલી
તે દત્તક લેવામાં રસ ધરાવતી સંસ્થાઓને ટપાલ દ્વારા મોકલવામાં આવી હતી
di માહિતી વેરહાઉસ. આ પદ્ધતિ ખાતરી કરે છે કે માહિતી
એકત્રિત દરેક સંસ્થાના સૌથી યોગ્ય સંસાધનોમાંથી આવે છે
સહભાગી
3.4.3. સર્વે નમૂના
સર્વેના સહભાગીઓની "મેઇલિંગ સૂચિ" પાસેથી મેળવવામાં આવી હતી
TDWI. આ યાદીમાંથી 3000 ઓસ્ટ્રેલિયન સંસ્થાઓ
નમૂના માટેના આધાર તરીકે પસંદ કરવામાં આવ્યા હતા. એ
વધારાના પત્રમાં પ્રોજેક્ટ અને તપાસનો હેતુ સમજાવવામાં આવ્યો હતો,
જવાબ પત્રક અને પ્રી-પેઇડ પરબિડીયું સાથે
પરત મોકલો પૂર્ણ થયેલ પ્રશ્નાવલી નમૂનાને મોકલવામાં આવી હતી.
3000 સંસ્થાઓમાંથી, 198 આમાં ભાગ લેવા સંમત થયા
અભ્યાસ આટલા ઓછા પ્રતિભાવોની અપેક્ષા હતી ડેટો il
મોટી સંખ્યામાં ઓસ્ટ્રેલિયન સંસ્થાઓ કે જે તેમની પાસે હતી
સ્વીકાર્યું અથવા તારીખ વ્યૂહરચના અપનાવી રહ્યા હતા
તેમની સંસ્થાઓમાં વેરહાઉસિંગ. તેથી
આ અભ્યાસ માટે લક્ષિત વસ્તી માત્ર 198 છે
સંસ્થાઓ
3.4.4. પ્રશ્નાવલીની સામગ્રી
પ્રશ્નાવલીનું માળખું તારીખ મોડેલ પર આધારિત હતું
મોનાશ વેરહાઉસિંગ (અગાઉ ભાગ 2.3 માં ચર્ચા કરવામાં આવી છે). આ
પ્રશ્નાવલીની સામગ્રીના વિશ્લેષણ પર આધારિત હતી
પ્રકરણ 2 માં પ્રસ્તુત સાહિત્ય. પ્રશ્નાવલીની નકલ
સર્વેક્ષણ સહભાગીઓને મોકલવામાં આવી શકે છે
પરિશિષ્ટ B માં. પ્રશ્નાવલી છ વિભાગો ધરાવે છે, જે
ચર્ચા કરેલ મોડેલના તબક્કાઓ અનુસરે છે. નીચેના છ ફકરા
તેઓ દરેક વિભાગની સામગ્રીનો ટૂંકમાં સારાંશ આપે છે.
વિભાગ A: સંસ્થા વિશે મૂળભૂત માહિતી
આ વિભાગમાં ની પ્રોફાઇલ સંબંધિત પ્રશ્નો છે
સહભાગી સંસ્થાઓ. ઉપરાંત, કેટલાક પ્રશ્નો છે
ડેટા વેરહાઉસિંગ પ્રોજેક્ટની સ્થિતિ સાથે સંબંધિત
સહભાગી ગોપનીય માહિતી જેમ કે તમારું નામ
સંસ્થાના સર્વેક્ષણ વિશ્લેષણમાં જાહેર કરવામાં આવ્યા ન હતા.
વિભાગ B: શરૂઆત
આ વિભાગના પ્રશ્નો પ્રારંભિક પ્રવૃત્તિ સાથે સંબંધિત છે
ડેટા વેરહાઉસિંગ. કેટલા સમય માટે પ્રશ્નો પૂછવામાં આવ્યા હતા
પ્રોજેક્ટ આરંભકર્તાઓ, બાંયધરી આપનારાઓ, કૌશલ્યો અને જ્ઞાનની ચિંતા કરે છે
વિનંતીઓ, ડેટા વેરહાઉસિંગ વિકાસના ઉદ્દેશ્યો અને
અંતિમ વપરાશકર્તાઓની અપેક્ષાઓ.
વિભાગ C: ડિઝાઇન
આ વિભાગમાં ની પ્રવૃત્તિઓ સંબંધિત પ્રશ્નો છે
નું આયોજન માહિતી વેરહાઉસ. ખાસ કરીને, પ્રશ્નો છે
અમલના અવકાશ, પ્રોજેક્ટની અવધિ, કિંમત વિશે જણાવો
પ્રોજેક્ટ અને ખર્ચ/લાભ વિશ્લેષણ.
વિભાગ D: વિકાસ
વિકાસ વિભાગમાં ની પ્રવૃત્તિઓને લગતા પ્રશ્નો છે
નો વિકાસ માહિતી વેરહાઉસ: વપરાશકર્તા જરૂરિયાતોનો સંગ્રહ
અંતિમ, સ્ત્રોતો dati, નું લોજિકલ મોડેલ dati, પ્રોટોટાઇપ, ધ
ક્ષમતા આયોજન, તકનીકી આર્કિટેક્ચર અને પસંદગી
ડેટા વેરહાઉસિંગ વિકાસ સાધનો.
વિભાગ E: ઓપરેશન
ઑપરેશનને લગતા ઑપરેશન પ્રશ્નો
ની વિસ્તૃતતા માટે માહિતી વેરહાઉસ, તે કેવી રીતે વિકસિત થાય છે
વિકાસનો આગલો તબક્કો. ત્યાં ડેટા ગુણવત્તા, ની વ્યૂહરચના
તાજું કરો dati, ની ગ્રેન્યુલારિટી dati, ડેટા માપનીયતા
વેરહાઉસ અને સુરક્ષા સમસ્યાઓ માહિતી વેરહાઉસ તેઓ વચ્ચે હતા
પૂછાયેલા પ્રશ્નોના પ્રકાર.
વિભાગ F: વિકાસ
આ વિભાગમાં ડેટાના ઉપયોગને લગતા પ્રશ્નો છે
અંતિમ વપરાશકર્તાઓ દ્વારા વેરહાઉસ. સંશોધકને રસ હતો
ના હેતુ અને ઉપયોગિતા માટે માહિતી વેરહાઉસ, સમીક્ષા અને વ્યૂહરચના
અપનાવેલ તાલીમ અને ડેટા નિયંત્રણ વ્યૂહરચના
વેરહાઉસ અપનાવ્યું.
3.4.5. પ્રતિભાવ દર
ની દર હોવા માટે મેઇલ સર્વેની ટીકા કરવામાં આવે છે
ઓછો પ્રતિસાદ, વધારવા માટે પગલાં લેવામાં આવ્યા છે
વળતરનો દર (અગાઉ ભાગમાં ચર્ચા કર્યા મુજબ
3.4.1). 'પ્રતિભાવ દર' શબ્દ ટકાવારીને દર્શાવે છે
ચોક્કસ સર્વેક્ષણના નમૂનામાંના લોકો
પ્રશ્નાવલી (ડેન્સકોમ્બે 1998). નીચેનો ઉપયોગ કરવામાં આવ્યો હતો
આ અભ્યાસ માટે પ્રતિભાવ દરની ગણતરી કરવા માટેનું સૂત્ર:
પ્રતિસાદ આપનાર લોકોની સંખ્યા
પ્રતિભાવ દર =
————————————————————————————– X 100
મોકલવામાં આવેલ પ્રશ્નાવલિની કુલ સંખ્યા
3.4.6. પાયલોટ ટેસ્ટ
પ્રશ્નાવલી નમૂના પર મોકલવામાં આવે તે પહેલાં, પ્રશ્નો છે
લક દ્વારા સૂચવ્યા મુજબ, પાયલોટ પરીક્ષણો હાથ ધરીને તપાસવામાં આવી હતી
અને રૂબિન (1987), જેક્સન (1988), અને ડી વોસ (1991). નો હેતુ
પાયલોટ પરીક્ષણો એ તમામ બેડોળ, અસ્પષ્ટ અને અભિવ્યક્તિઓ જાહેર કરવા માટે છે
પ્રશ્નો કે જેનું અર્થઘટન કરવું મુશ્કેલ છે, કોઈપણ સ્પષ્ટ કરવા માટે
વ્યાખ્યાઓ અને શબ્દોનો ઉપયોગ અને અંદાજિત સમયને ઓળખવા માટે
પ્રશ્નાવલી પૂર્ણ કરવા માટે જરૂરી છે (વોરવિક અને લાઇનિંગર 1975,
જેક્સન 1988, સલાંટ અને દિલમાન 1994). પાયલોટ પરીક્ષણો હતા
તેના જેવી જ લાક્ષણિકતાઓ ધરાવતા વિષયો પસંદ કરીને હાથ ધરવામાં આવે છે
અંતિમ વિષયોમાંથી, ડેવિસ ઇ Cosenza (1993) માં
આ અભ્યાસ, છ ડેટા વેરહાઉસિંગ વ્યાવસાયિકો હતા
પાયલોટ વિષય તરીકે પસંદ કરેલ. દરેક પાયલોટ ટેસ્ટ પછી, તેઓ છે
જરૂરી સુધારા કરવામાં આવ્યા છે. હાથ ધરવામાં આવેલા પાયલોટ પરીક્ષણોમાંથી, i
સહભાગીઓએ ફરીથી આકાર આપવા અને ફરીથી સેટ કરવામાં મદદ કરી
પ્રશ્નાવલીનું અંતિમ સંસ્કરણ.
3.4.7. દ્વારા વિશ્લેષણ પદ્ધતિઓ Dati
I dati બંધ પ્રશ્નોની પ્રશ્નાવલીઓમાંથી એકત્ર કરાયેલી તપાસ છે
આંકડાકીય સોફ્ટવેર પેકેજનો ઉપયોગ કરીને વિશ્લેષણ કરવામાં આવ્યું હતું
SPSS કહેવાય છે. ઘણા પ્રતિભાવોનું વિશ્લેષણ કરવામાં આવ્યું હતું
વર્ણનાત્મક આંકડાઓનો ઉપયોગ કરીને. પ્રશ્નાવલીની ચોક્કસ સંખ્યા
તેઓ અધૂરા પરત ફર્યા. તેમની સાથે વધુ સારવાર કરવામાં આવી હતી
ખાતરી કરવા માટે ધ્યાન રાખો કે i dati ગુમ થયેલ એક ન હતા
ડેટા એન્ટ્રી ભૂલોનું પરિણામ, પરંતુ પ્રશ્નો શા માટે નથી
ઘોષણાકર્તા માટે યોગ્ય હતા, અથવા ઘોષણાકર્તાએ ન કરવાનો નિર્ણય કર્યો
એક અથવા વધુ ચોક્કસ પ્રશ્નોના જવાબ આપો. આ જવાબો
વિશ્લેષણ દરમિયાન ગુમ થયેલ અવગણના કરવામાં આવી હતી dati અને તેઓ હતા
પ્રક્રિયામાંથી તેમની બાકાતની ખાતરી કરવા માટે '- 9' તરીકે કોડેડ
વિશ્લેષણ કરે છે.
પ્રશ્નાવલી તૈયાર કરતી વખતે, પ્રશ્નો બંધ કરવામાં આવ્યા હતા
દરેક વિકલ્પને નંબર આપીને પ્રીકોડેડ. સંખ્યા
પછી તેનો ઉપયોગ i તૈયાર કરવા માટે થતો હતો dati વિશ્લેષણ દરમિયાન
(ડેન્સકોમ્બે 1998, સેપ્સફોર્ડ અને જુપ 1996). ઉદાહરણ તરીકે, ત્યાં હતા
વિભાગ B ના પ્રશ્ન 1 માં સૂચિબદ્ધ છ વિકલ્પો: સલાહ
બોર્ડ, ઉચ્ચ સ્તરીય એક્ઝિક્યુટિવ, આઈટી વિભાગ, એકમ
વ્યવસાય, સલાહકારો અને વધુ. ની ફાઇલમાં dati SPSS ના, છે
'પ્રોજેક્ટ ઇનિશિયેટર' સૂચવવા માટે એક ચલ જનરેટ કરવામાં આવ્યું હતું,
છ વેલ્યુ લેબલ સાથે: '1' 'બોર્ડ ઓફ ડિરેક્ટર્સ' માટે, '2'
'ઉચ્ચ-સ્તરીય એક્ઝિક્યુટિવ' અને તેથી વધુ માટે. લિકર્ટિન સ્કેલનો ઉપયોગ
કેટલાક બંધ પ્રશ્નોમાં તે પણ મંજૂરી આપે છે
મૂલ્યોના ઉપયોગને જોતાં કોઈ પ્રયાસની જરૂર નથી એવી ઓળખ
અનુરૂપ નંબરો SPSS માં દાખલ થયા છે. સાથેના પ્રશ્નો માટે
બિન-સંપૂર્ણ જવાબો, જે પરસ્પર વિશિષ્ટ ન હતા,
દરેક વિકલ્પને બે સાથે એક ચલ તરીકે ગણવામાં આવતો હતો
મૂલ્ય લેબલ્સ: 'ચિહ્નિત' માટે '1' અને 'અનચિહ્નિત' માટે '2'.
ઓપન-એન્ડેડ પ્રશ્નોને પ્રશ્નો કરતાં અલગ રીતે ગણવામાં આવ્યા હતા
બંધ આ પ્રશ્નોના જવાબો દાખલ કરવામાં આવ્યા નથી
SPSS. તેના બદલે, તેઓ હાથ દ્વારા વિશ્લેષણ કરવામાં આવ્યા હતા. આનો ઉપયોગ
પ્રશ્નોના પ્રકાર તમને વિચારો વિશે માહિતી મેળવવા માટે પરવાનગી આપે છે
મુક્તપણે અભિવ્યક્ત અને ઉત્તરદાતાઓના વ્યક્તિગત અનુભવો
(બેનબ્રિજ 1989, ડેન્સકોમ્બે 1998). જ્યાં શક્ય છે, તે કરવામાં આવ્યું છે
જવાબોનું વર્ગીકરણ.
ના વિશ્લેષણ માટે dati, સરળ આંકડાકીય વિશ્લેષણ પદ્ધતિઓનો ઉપયોગ કરવામાં આવે છે,
જેમ કે પ્રતિભાવોની આવર્તન, સરેરાશ, પ્રમાણભૂત વિચલન
સરેરાશ અને મધ્યક (Argyrous 1996, Denscombe 1998).
ગામા પરીક્ષણ માત્રાત્મક માપ મેળવવા માટે અસરકારક હતું
વચ્ચેના સંગઠનોની dati ઓર્ડિનલ્સ (નોરુસિસ 1983, આર્ગીરોસ 1996).
આ પરીક્ષણો યોગ્ય હતા કારણ કે ઉપયોગમાં લેવાતા ઓર્ડિનલ સ્કેલ ન હતા
તેમની ઘણી શ્રેણીઓ હતી અને તેઓ કોષ્ટકમાં બતાવી શકાય છે
(નોરુસિસ 1983).
3.5 સોમ્મારિયો
આ પ્રકરણમાં, સંશોધન પદ્ધતિ અને ધ
આ અભ્યાસ માટે અપનાવવામાં આવેલ ડિઝાઇન.
માટે સૌથી યોગ્ય સંશોધન પદ્ધતિ પસંદ કરવી
ચોક્કસ અભ્યાસ લે છે
પ્રકૃતિ અને પ્રકાર સહિત સંખ્યાબંધ નિયમોની વિચારણા
સંશોધન, તેમજ દરેક શક્યની યોગ્યતાઓ અને નબળાઈઓ
પદ્ધતિ (જેનકિન્સ 1985, બેનબાસટ એટ અલ. 1097, ગેલિયર્સ એન્ડ લેન્ડ 1987,
યીન 1989, હેમિલ્ટન અને આઇવ્સ 1992, ગેલિયર્સ 1992, ન્યુમેન 1994). જુઓ
તેના વિશે હાલના જ્ઞાન અને સિદ્ધાંતનો અભાવ
ઓસ્ટ્રેલિયામાં ડેટા વેરહાઉસિંગ અપનાવવા અંગે, આ અભ્યાસ દ્વારા
સંશોધનને કુશળતા સાથે અર્થઘટનાત્મક સંશોધન પદ્ધતિની જરૂર છે
સંસ્થાઓના અનુભવોનું અન્વેષણ કરવા માટે સંશોધનાત્મક
ઓસ્ટ્રેલિયન. માટે પસંદ કરેલ સંશોધન પદ્ધતિ પસંદ કરવામાં આવી હતી
તારીખ ખ્યાલ અપનાવવા સંબંધિત માહિતી એકત્રિત કરો
ઓસ્ટ્રેલિયન સંસ્થાઓ દ્વારા વેર-હાઉસિંગ. એ
પોસ્ટલ પ્રશ્નાવલી સંગ્રહ તકનીક તરીકે પસંદ કરવામાં આવી હતી dati. લે
સંશોધન પદ્ધતિ અને સંગ્રહ તકનીક માટે સમર્થન dati
પસંદ કરેલ આ પ્રકરણમાં પ્રદાન કરવામાં આવશે. તે પણ હતું
વિશ્લેષણના એકમ, નમૂના પર ચર્ચા રજૂ કરી
વપરાયેલ, પ્રતિભાવોની ટકાવારી, પ્રશ્નાવલીની સામગ્રી,
પ્રશ્નાવલીની પૂર્વ-પરીક્ષણ અને વિશ્લેષણ પદ્ધતિ dati.

ડિઝાઇનિંગ એ ડેટા વેરહાઉસ:
એન્ટિટી રિલેશનશિપ અને ડાયમેન્શનલ મોડેલિંગનું સંયોજન
અમૂર્ત
સંગ્રહ i dati તે ઘણા લોકો માટે એક મુખ્ય વર્તમાન સમસ્યા છે
સંસ્થાઓ વિકાસમાં મુખ્ય સમસ્યા
ના સંગ્રહની dati તે તેની ડિઝાઇન છે.
ડિઝાઇન ડેટામાં ખ્યાલોની શોધને સમર્થન આપવી આવશ્યક છે
વેરહાઉસ થી લેગસી સિસ્ટમ અને અન્ય સ્ત્રોતો dati અને એક પણ
ડેટા અમલીકરણમાં સરળ સમજ અને કાર્યક્ષમતા
વેરહાઉસ
ના મોટા ભાગનું સંગ્રહ સાહિત્ય dati ભલામણ કરેલ
માટે એન્ટિટી રિલેશનશિપ મોડલિંગ અથવા ડાયમેન્શનલ મૉડલિંગનો ઉપયોગ
ની ડિઝાઇન રજૂ કરે છે માહિતી વેરહાઉસ.
આ પેપરમાં અમે બતાવીએ છીએ કે કેવી રીતે બંને
રજૂઆતોને એક અભિગમમાં જોડી શકાય છે
નું ચિત્ર માહિતી વેરહાઉસ. વપરાયેલ અભિગમ વ્યવસ્થિત છે
કેસ સ્ટડીમાં તપાસવામાં આવે છે અને સંખ્યાબંધમાં ઓળખાય છે
વ્યાવસાયિકો સાથે મહત્વપૂર્ણ અસરો.
ડેટા વેરહાઉસિંગ
Un માહિતી વેરહાઉસ સામાન્ય રીતે "વિષય-લક્ષી,
સંકલિત, સમય-ચલ, અને આધારમાં ડેટાનો બિન-અસ્થિર સંગ્રહ
મેનેજમેન્ટના નિર્ણયો” (ઈનમોન અને હેકાથોર્ન, 1994).
વિષય લક્ષી અને સંકલિત સૂચવે છે કે માહિતી વેરહાઉસ è
માટે લેગસી સિસ્ટમ્સની કાર્યાત્મક સીમાઓને પાર કરવા માટે રચાયેલ છે
ના સંકલિત પરિપ્રેક્ષ્ય ઓફર કરે છે dati.
સમય-ચલન ની ઐતિહાસિક અથવા સમય-શ્રેણી પ્રકૃતિને અસર કરે છે dati in
un માહિતી વેરહાઉસ, જે વલણોનું વિશ્લેષણ કરવામાં સક્ષમ બનાવે છે.
બિન-અસ્થિર સૂચવે છે કે માહિતી વેરહાઉસ તે સતત નથી
તરીકે અપડેટ કરેલ ડેટાબેઝ OLTP ના. તેના બદલે તે અપડેટ થાય છે
સમયાંતરે, સાથે dati આંતરિક અને બાહ્ય સ્ત્રોતોમાંથી આવે છે. આ
માહિતી વેરહાઉસ તે ખાસ કરીને સંશોધન માટે રચાયેલ છે
અપડેટ્સની અખંડિતતા અને ની કામગીરીને બદલે
કામગીરી
સંગ્રહ કરવાનો વિચાર i dati તે નવું નથી, તેનો એક હેતુ હતો
નું સંચાલન dati સાઠના દાયકાથી (ધ માર્ટિન, 1982).
I માહિતી વેરહાઉસ તેઓ ઈન્ફ્રાસ્ટ્રક્ચર ઓફર કરે છે dati સંચાલન માટે
સપોર્ટ સિસ્ટમ્સ. મેનેજમેન્ટ સપોર્ટ સિસ્ટમ્સમાં નિર્ણયનો સમાવેશ થાય છે
સપોર્ટ સિસ્ટમ્સ (DSS) અને એક્ઝિક્યુટિવ ઇન્ફર્મેશન સિસ્ટમ્સ (EIS).
DSS એ કોમ્પ્યુટર આધારિત માહિતી સિસ્ટમ છે જે છે
પ્રક્રિયા અને પરિણામે પકડ સુધારવા માટે રચાયેલ છે
માનવ નિર્ણય. EIS સામાન્ય રીતે ની ડિલિવરી સિસ્ટમ છે
dati જે બિઝનેસ એક્ઝિક્યુટિવ્સને સરળતાથી વ્યૂ એક્સેસ કરવા સક્ષમ બનાવે છે
ડીઆઈ dati.
એનું સામાન્ય આર્કિટેક્ચર માહિતી વેરહાઉસ ની ભૂમિકા પર પ્રકાશ પાડે છે
માહિતી વેરહાઉસ મેનેજમેન્ટ સપોર્ટમાં. અર્પણ કરવા ઉપરાંત
ઈન્ફ્રાસ્ટ્રક્ચર dati EIS અને DSS માટે, al માહિતી વેરહાઉસ શક્ય છે
ક્વેરી દ્વારા તેને સીધો જ ઍક્સેસ કરો. ધ dati તારીખમાં સમાવેશ થાય છે
વેરહાઉસ ની માહિતી આવશ્યકતાઓના વિશ્લેષણ પર આધારિત છે
સંચાલન અને ત્રણ સ્ત્રોતોમાંથી મેળવવામાં આવે છે: આંતરિક વારસો સિસ્ટમો,
વિશેષ હેતુ ડેટા કેપ્ચર સિસ્ટમ્સ અને બાહ્ય ડેટા સ્ત્રોતો. ધ
dati આંતરિક વારસાની પ્રણાલીઓમાં તેઓ વારંવાર નિરર્થક હોય છે,
અસંગત, ઓછી ગુણવત્તા અને બહુવિધ ફોર્મેટમાં સંગ્રહિત
તેથી તમે તેમને માં લોડ કરો તે પહેલાં તેમને સમાધાન અને સાફ કરવાની જરૂર છે
માહિતી વેરહાઉસ (ઈનમોન, 1992; મેકફેડન, 1996). ધ dati થી
સ્ટોરેજ સિસ્ટમ્સમાંથી 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 ઉપયોગ દ્વારા બહેતર નિર્ણય લેવાનો સમાવેશ થાય છે
અસરકારક વધુ માહિતી (Ives 1995), ફોકસ માટે સપોર્ટ
સંપૂર્ણ વ્યવસાય પર (ગ્રેહામ 1996), અને ખર્ચમાં ઘટાડો
ની જોગવાઈ dati EIS અને DSS માટે (ગ્રાહામ 1996, મેકફેડન
1996).
તાજેતરના પ્રયોગમૂલક અભ્યાસમાં, સરેરાશ વળતર મળ્યું છે
i માટે રોકાણ માહિતી વેરહાઉસ ત્રણ વર્ષ પછી 401% દ્વારા (ગ્રેહામ,
1996). જો કે, અન્ય પ્રયોગમૂલક અભ્યાસો માહિતી વેરહાઉસ હોય
ઇડી માપવામાં મુશ્કેલી સહિત નોંધપાત્ર સમસ્યાઓ મળી
લાભો સોંપવા, સ્પષ્ટ હેતુનો અભાવ, તેને ઓછો અંદાજ
સંગ્રહ કરવાની પ્રક્રિયાનો હેતુ અને જટિલતા i datiમાં
ખાસ કરીને સ્ત્રોતો અને સ્વચ્છતા અંગે dati.
સંગ્રહ i dati ઉકેલ તરીકે ગણી શકાય
ના સંચાલનની સમસ્યા માટે dati સંસ્થાઓ વચ્ચે. ત્યાં
ની હેરફેર dati સામાજિક સંસાધન તરીકે તે એક રહ્યું છે
સમગ્ર માહિતી પ્રણાલીઓના સંચાલનમાં મુખ્ય મુદ્દાઓ
ઘણા વર્ષોથી વિશ્વ (બ્રાન્ચેઉ એટ અલ. 1996, ગેલિયર્સ એટ અલ. 1994,
નિડરમેન એટ અલ. 1990, પરવાન 1993).
વ્યવસ્થાપન માટે લોકપ્રિય અભિગમ dati એંસીના દાયકામાં તે હતું
એક મોડેલ વિકસાવી રહ્યું છે dati સામાજિક મોડલ dati સામાજિક હતી
નવી સિસ્ટમોના વિકાસ માટે સ્થિર આધાર પ્રદાન કરવા માટે રચાયેલ છે
અરજીઓ ઇ ડેટાબેઝ અને વારસાનું પુનર્નિર્માણ અને એકીકરણ
સિસ્ટમ્સ (બ્રાન્ચેઉ એટ અલ.
1989, ગુડહ્યુ એટ અલ. 1988:1992, કિમ અને એવરેસ્ટ 1994).
જો કે, આ અભિગમ સાથે ઘણી સમસ્યાઓ છે, માં
ખાસ કરીને, દરેક કાર્યની જટિલતા અને ખર્ચ, અને લાંબો સમય
મૂર્ત પરિણામો મેળવવા માટે જરૂરી છે (બેનોન-ડેવિસ 1994, અર્લ
1993, ગુડહ્યુ એટ અલ. 1992, પેરિયાસામી 1994, શેન્ક્સ 1997).
Il માહિતી વેરહાઉસ તે એક અલગ ડેટાબેઝ છે જે વારસાની સાથે સહ-અસ્તિત્વ ધરાવે છે
ડેટાબેસેસને બદલવાને બદલે. તેથી તે તમને પરવાનગી આપે છે
ના સંચાલનને દિશામાન કરો dati અને ખર્ચાળ પુનઃનિર્માણ ટાળો
લેગસી સિસ્ટમ્સ.
ડેટા ડિઝાઇન માટે હાલના અભિગમો
વેરહાઉસ
નિર્માણ અને પૂર્ણ કરવાની પ્રક્રિયા a માહિતી વેરહાઉસ
a ને બદલે એક ઉત્ક્રાંતિ પ્રક્રિયા તરીકે વધુ સમજવું જોઈએ
પરંપરાગત પ્રણાલીઓના વિકાસ જીવનચક્ર (દેસીયો, 1995, શેન્ક્સ,
ઓ'ડોનેલ અને આર્નોટ 1997a). એમાં ઘણી પ્રક્રિયાઓ સામેલ છે
ના પ્રોજેક્ટ માહિતી વેરહાઉસ જેમ કે પ્રારંભ, આયોજન;
કંપની મેનેજરો દ્વારા પૂછવામાં આવેલી જરૂરિયાતોમાંથી મેળવેલ માહિતી;
સ્ત્રોતો, પરિવર્તન, સફાઈ dati અને વારસામાંથી સિંક્રનાઇઝેશન
સિસ્ટમો અને અન્ય સ્ત્રોતો dati; વિકાસમાં ડિલિવરી સિસ્ટમ્સ;
ની દેખરેખ માહિતી વેરહાઉસ; અને પ્રક્રિયાની અણસમજુતા
એનું ઉત્ક્રાંતિ અને બાંધકામ માહિતી વેરહાઉસ (સ્ટિંચી, ઓ'ડોનેલ
અને આર્નોટ 1997b). આ જર્નલમાં, અમે કેવી રીતે ધ્યાન કેન્દ્રિત કરીએ છીએ
દોરો i dati આ અન્ય પ્રક્રિયાઓના સંદર્ભમાં સંગ્રહિત.
ડેટા આર્કિટેક્ચર માટે ઘણા બધા અભિગમો પ્રસ્તાવિત છે
સાહિત્યમાં વેરહાઉસ (ઈનમોન 1994, આઈવ્સ 1995, કિમબોલ 1994
મેકફેડન 1996). આ દરેક પદ્ધતિમાં સંક્ષિપ્ત છે
તેમની શક્તિઓ અને નબળાઈઓના વિશ્લેષણ સાથે સમીક્ષા કરો.
ઇનમોન્સ (1994) માટે અભિગમ ડેટા વેરહાઉસ
ડિઝાઇન
ઇનમોન (1994) એ ડેટા દોરવા માટે ચાર પુનરાવર્તિત પગલાં સૂચવ્યા
વેરહાઉસ (આકૃતિ 2 જુઓ). પ્રથમ પગલું એ ટેમ્પલેટ ડિઝાઇન કરવાનું છે
dati કેવી રીતે i dati સંકલિત કરી શકાય છે
સંસ્થાની અંદર કાર્યાત્મક ક્ષેત્રોમાં
વિભાજન i dati વિસ્તારોમાં સ્ટોર કરો. મોડલ dati તે માટે બનાવવામાં આવે છે
સંગ્રહવા માટે dati નિર્ણય લેવા સંબંધિત, સહિત dati
ઇતિહાસકારો, અને સમાવેશ થાય છે dati અનુમાનિત અને એકીકૃત. બીજું પગલું છે
અમલીકરણ માટે વિષય વિસ્તારો ઓળખો. આ આધારિત છે
ચોક્કસ સંસ્થા દ્વારા નિર્ધારિત પ્રાથમિકતાઓ પર. ત્રીજો
પગલામાં ચિત્રકામનો સમાવેશ થાય છે ડેટાબેઝ વિષય વિસ્તાર, સ્થાનો માટે
ગ્રેન્યુલારિટીના યોગ્ય સ્તરો સહિત ખાસ ધ્યાન આપો.
ઇનમોન એન્ટિટી અને રિલેશનશિપ મોડલનો ઉપયોગ કરવાની ભલામણ કરે છે. ચોથું
સોર્સ સિસ્ટમ્સને ઓળખવાનું પગલું છે dati જરૂરી અને વિકાસ
કેપ્ચર કરવા, સાફ કરવા અને ફોર્મેટ કરવા માટે પરિવર્તન પ્રક્રિયાઓ i dati.
ઇનમોનના અભિગમની શક્તિ એ છે કે મોડેલ dati સામાજિક
ના એકીકરણ માટેનો આધાર આપે છે dati સંસ્થાની અંદર
અને પુનરાવર્તિત ડેટા વિકાસ માટે સમર્થન આયોજન
વેરહાઉસ તેની ખામીઓ ચિત્રકામની મુશ્કેલી અને ખર્ચ છે
IL મોડેલો dati સામાજિક, સંસ્થાઓના મોડલને સમજવામાં મુશ્કેલી અને
બંને મોડેલોમાં વપરાતા સંબંધો, કે dati સામાજિક અને તે dati
વિષય વિસ્તાર અને તેની યોગ્યતા દ્વારા સંગ્રહિત dati આ
નું ચિત્ર માહિતી વેરહાઉસ ની અનુભૂતિ માટે ડેટાબેઝ
સંબંધી પરંતુ માટે નહીં ડેટાબેઝ બહુ-પરિમાણીય.
Ives' (1995) એપ્રોચ ટુ ડેટા વેરહાઉસ
ડિઝાઇન
Ives (1995) એ ડિઝાઇન કરવા માટે ચાર-પગલાની અભિગમની દરખાસ્ત કરે છે
માહિતી સિસ્ટમ કે જે તે ડેટાની ડિઝાઇનને લાગુ પડે છે
વેરહાઉસ (આકૃતિ 3 જુઓ). અભિગમ ખૂબ જ આધારિત છે
માહિતી પ્રણાલીઓના વિકાસ માટે માહિતી ઇજનેરી
(માર્ટિન 1990). પ્રથમ પગલું એ હેતુઓ, પરિબળો નક્કી કરવાનું છે
નિર્ણાયક અને સફળ અને મુખ્ય પ્રદર્શન સૂચકાંકો. ધ
મુખ્ય વ્યવસાય પ્રક્રિયાઓ અને જરૂરી માહિતી છે
અમને એક મોડેલ તરફ દોરી જવા માટે મોડેલ બનાવ્યું dati સામાજિક બીજું પગલું
વ્યાખ્યાયિત આર્કિટેક્ચરના વિકાસનો સમાવેશ થાય છે dati
વિસ્તારો દ્વારા સંગ્રહિત, ડેટાબેઝ di માહિતી વેરહાઉસ, ઘટકો
તકનીકી કે જે જરૂરી છે, સંસ્થાકીય સમર્થનનો સમૂહ
સાથે અમલ કરવા અને ચલાવવા માટે જરૂરી છે માહિતી વેરહાઉસ. ત્રીજો
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 બંધાયેલ માણસ છે
પુનરાવર્તિત પ્રક્રિયા.
ઇવ્સના અભિગમની મજબૂતાઈ માટે ચોક્કસ તકનીકોનો ઉપયોગ છે
માહિતીની આવશ્યકતાઓ નક્કી કરો, સ્ટ્રક્ચર્ડનો ઉપયોગ કરો
ના એકીકરણને ટેકો આપવાની પ્રક્રિયા માહિતી વેરહાઉસ,
યોગ્ય હાર્ડવેર અને સોફ્ટવેરની પસંદગી અને બહુવિધનો ઉપયોગ
માટે પ્રતિનિધિત્વ તકનીકો માહિતી વેરહાઉસ. તેની ખામીઓ
તેઓ જટિલતામાં સહજ છે. અન્યમાં મુશ્કેલીનો સમાવેશ થાય છે
ના ઘણા સ્તરોનો વિકાસ કરો ડેટાબેઝ ની અંદર માહિતી વેરહાઉસ in
વાજબી સમય અને ખર્ચ.
કિમબોલ્સ (1994) એપ્રોચ ટુ ડેટા વેરહાઉસ
ડિઝાઇન
કિમબોલ (1994) એ ડેટા દોરવા માટે પાંચ પુનરાવર્તિત પગલાં સૂચવ્યા
વેરહાઉસ (આકૃતિ 4 જુઓ). તેમનો અભિગમ ખાસ કરીને છે
માત્ર એકની ડિઝાઇનને સમર્પિત માહિતી વેરહાઉસ અને મોડેલોનો ઉપયોગ
એકમો અને સંબંધોના મોડલની પસંદગીમાં પરિમાણીય. કિમબોલ
તે પરિમાણીય મોડેલોનું વિશ્લેષણ કરો કારણ કે તે મારા માટે સમજવું સરળ છે
બિઝનેસ સાથે કામ કરતી વખતે બિઝનેસ લીડર્સ વધુ કાર્યક્ષમ હોય છે
જટિલ પરામર્શ, અને ડિઝાઇન ડેટાબેઝ ભૌતિક વધુ છે
કાર્યક્ષમ (કિમ્બોલ 1994). કિમબોલ ઓળખે છે કે વિકાસ એ
માહિતી વેરહાઉસ તે પુનરાવર્તિત છે, અને તે માહિતી વેરહાઉસ અલગ તેઓ કરી શકે છે
પરિમાણ કોષ્ટકોમાં વિભાજન દ્વારા સંકલિત કરો
સામાન્ય
પ્રથમ પગલું એ ચોક્કસ વિષય વિસ્તારને ઓળખવાનું છે
સંપૂર્ણ બીજા અને ત્રીજા પગલાં આકારની ચિંતા કરે છે
પરિમાણીય બીજા પગલામાં માપન વસ્તુઓને ઓળખે છે
વિષય વિસ્તારમાં રસ અને હકીકત કોષ્ટકમાં જૂથબદ્ધ.
ઉદાહરણ તરીકે, વેચાણ વિષયના ક્ષેત્રમાં રસના પગલાં
વેચાયેલી વસ્તુઓની રકમ અને ડોલરનો સમાવેશ થઈ શકે છે
વેચાણ ચલણ તરીકે. ત્રીજા પગલામાં ઓળખનો સમાવેશ થાય છે
પરિમાણો કે જે રીતે તેઓને જૂથબદ્ધ કરી શકાય છે i
તથ્યો વેચાણ વિષયના ક્ષેત્રમાં, સંબંધિત પરિમાણો
આઇટમ, સ્થાન અને સમયગાળો શામેલ હોઈ શકે છે. ત્યાં
ફેક્ટ ટેબલમાં દરેકને લિંક કરવા માટે મલ્ટી-પાર્ટ કી છે
પરિમાણ કોષ્ટકોની અને સામાન્ય રીતે ખૂબ સંખ્યા ધરાવે છે
તથ્યોથી ભરપૂર. તેનાથી વિપરીત, પરિમાણ કોષ્ટકો સમાવે છે
પરિમાણો અને અન્ય લક્ષણો વિશે વર્ણનાત્મક માહિતી કે જે
તથ્યો જૂથ કરવા માટે વાપરી શકાય છે. હકીકત કોષ્ટક ઇ
દરખાસ્ત સાથે સંકળાયેલા પરિમાણો એક કહેવાય છે
તેના આકારને કારણે સ્ટાર પેટર્ન. ચોથું પગલું સામેલ છે
એનું બાંધકામ ડેટાબેઝ તેને પૂર્ણ કરવા માટે બહુપરીમાણીય
સ્ટાર પેટર્ન. અંતિમ પગલું એ સ્રોત સિસ્ટમ્સને ઓળખવાનું છે dati
હસ્તગત કરવા, સાફ કરવા માટે પરિવર્તન પ્રક્રિયાઓની આવશ્યકતા અને વિકાસ
અને ફોર્મેટ i dati.
કિમબોલના અભિગમની શક્તિમાં મોડેલનો ઉપયોગ શામેલ છે
પ્રતિનિધિત્વ કરવા માટે પરિમાણીય i dati સંગ્રહિત કે તે બનાવે છે
સમજવા માટે સરળ અને કાર્યક્ષમ ભૌતિક ડિઝાઇન તરફ દોરી જાય છે. એ
પરિમાણીય મોડેલ કે જે બંનેનો સરળતાથી ઉપયોગ કરે છે
સિસ્ટમો ડેટાબેઝ રિલેશનલ સંપૂર્ણ અથવા સિસ્ટમો હોઈ શકે છે
ડેટાબેઝ બહુપરીમાણીય. તેની ખામીઓમાં અભાવનો સમાવેશ થાય છે
ના આયોજન અથવા એકીકરણની સુવિધા માટે કેટલીક તકનીકો
એકની અંદર તારાની ઘણી પેટર્ન માહિતી વેરહાઉસ અને
એ
પરિમાણીય મોડેલ એ dati લેગસી સિસ્ટમમાં.
મેકફેડન્સ (1996) એપ્રોચ ટુ ડેટા
વેરહાઉસ ડિઝાઇન
મેકફેડન (1996) માટે પાંચ-પગલાંનો અભિગમ પ્રસ્તાવિત કરે છે
દોરો એ માહિતી વેરહાઉસ (જુઓ આકૃતિ 5).
તેમનો અભિગમ સાહિત્યના વિચારોના સંશ્લેષણ પર આધારિત છે
અને માત્ર એકની ડિઝાઇન પર ધ્યાન કેન્દ્રિત કરે છે માહિતી વેરહાઉસ. પહેલું
પગલામાં આવશ્યકતાઓનું વિશ્લેષણ શામેલ છે. જોકે વિશિષ્ટતાઓ
તકનીકો સૂચવવામાં આવી નથી, મેકફેડનની નોંધો ઓળખે છે
એન્ટિટી dati સ્પષ્ટીકરણો અને તેમના લક્ષણો, અને વોટસન વાચકોનો સંદર્ભ આપે છે
અને ફ્રોલિક (1993) જરૂરિયાતો સંપાદન માટે.
બીજા પગલામાં, એક એન્ટિટી રિલેશન્સ મોડલ માટે રચાયેલ છે
માહિતી વેરહાઉસ અને પછી કંપનીના અધિકારીઓ દ્વારા માન્ય કરવામાં આવે છે. ત્રીજો
પગલામાં લેગસી સિસ્ટમમાંથી મેપિંગ નક્કી કરવાનો સમાવેશ થાય છે
અને બાહ્ય સ્ત્રોતો માહિતી વેરહાઉસ. ચોથું પગલું સામેલ છે
વિકાસ, જમાવટ અને સુમેળમાં પ્રક્રિયાઓ dati નેલ
માહિતી વેરહાઉસ. અંતિમ તબક્કામાં, સિસ્ટમ વિતરિત કરવામાં આવે છે
યુઝર ઈન્ટરફેસ પર ખાસ ભાર મૂકીને વિકસિત.
મેકફેડન નિર્દેશ કરે છે કે ડ્રોઇંગ પ્રક્રિયા સામાન્ય રીતે છે
પુનરાવર્તિત
મેકફેડનના અભિગમની શક્તિઓ સહભાગિતા પર ધ્યાન કેન્દ્રિત કરે છે
જરૂરિયાતો નક્કી કરવા માટે અને તે પણ
સંસાધનોનું મહત્વ dati, તેમની સફાઈ અને સંગ્રહ. તેણીના
ક્ષતિઓ એ વિભાજન માટેની પ્રક્રિયાના અભાવની ચિંતા કરે છે
દ્વારા મહાન પ્રોજેક્ટ માહિતી વેરહાઉસ ઘણા સંકલિત તબક્કામાં, અને
ની ડિઝાઇનમાં વપરાતા એન્ટિટી અને રિલેશનશિપ મોડલ્સને સમજવામાં મુશ્કેલી
માહિતી વેરહાઉસ.

સંચાલક સીઇઓ

👍ઓનલાઈન વેબ એજન્સી | ડિજિટલ માર્કેટિંગ અને SEO માં વેબ એજન્સી નિષ્ણાત. વેબ એજન્સી ઓનલાઈન એ વેબ એજન્સી છે. Agenzia વેબ ઓનલાઈન માટે ડિજિટલ ટ્રાન્સફોર્મેશનમાં સફળતા આયર્ન એસઇઓ સંસ્કરણ 3 ના પાયા પર આધારિત છે. વિશેષતાઓ: સિસ્ટમ એકીકરણ, એન્ટરપ્રાઇઝ એપ્લિકેશન એકીકરણ, સર્વિસ ઓરિએન્ટેડ આર્કિટેક્ચર, ક્લાઉડ કોમ્પ્યુટિંગ, ડેટા વેરહાઉસ, બિઝનેસ ઇન્ટેલિજન્સ, બિગ ડેટા, પોર્ટલ, ઇન્ટ્રાનેટ, વેબ એપ્લિકેશન રિલેશનલ અને મલ્ટિ-ડાયમેન્શનલ ડેટાબેઝની ડિઝાઇન અને મેનેજમેન્ટ ડિજિટલ મીડિયા માટે ઇન્ટરફેસ ડિઝાઇનિંગ: ઉપયોગીતા અને ગ્રાફિક્સ. ઓનલાઈન વેબ એજન્સી કંપનીઓને નીચેની સેવાઓ આપે છે: -Google, Amazon, Bing, Yandex પર SEO; -વેબ એનાલિટિક્સ: Google Analytics, Google Tag Manager, Yandex Metrica; -વપરાશકર્તા રૂપાંતરણો: ગૂગલ ઍનલિટિક્સ, માઈક્રોસોફ્ટ ક્લેરિટી, યાન્ડેક્સ મેટ્રિકા; -Google, Bing, Amazon જાહેરાતો પર SEM; -સોશિયલ મીડિયા માર્કેટિંગ (ફેસબુક, લિંક્ડિન, યુટ્યુબ, ઇન્સ્ટાગ્રામ).

સંપૂર્ણ બાયો જુઓ

ડિજિટલ માર્કેટિંગ ડેટાબેઝ ડીબીએમએસ ડેટા વેરહાઉસ ડેટા સાયન્સ ઑનલાઇન જાહેરાત માહિતિ વિક્ષાન વેબ એજન્સી જાહેરાત આપનાર સંસ્થાન માર્કેટિંગ