ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್ ಮತ್ತು ಎಂಟರ್‌ಪ್ರೈಸ್ ಸಂಪನ್ಮೂಲ ಯೋಜನೆ | DWH ಮತ್ತು ERP

ಆರ್ಕೈವ್ ಡೇಟಾ ಸೆಂಟ್ರಲ್: ಹಿಸ್ಟರಿ ಇಡಿ ವಿಕಾಸಗಳು

90 ರ ದಶಕದಲ್ಲಿ ಕಾರ್ಪೊರೇಟ್ ತಂತ್ರಜ್ಞಾನದ ಎರಡು ಪ್ರಮುಖ ವಿಷಯಗಳೆಂದರೆ i ಡೇಟಾ ವೇರ್ಹೌಸ್ ಮತ್ತು ERP. ದೀರ್ಘಕಾಲದವರೆಗೆ ಈ ಎರಡು ಶಕ್ತಿಯುತ ಪ್ರವಾಹಗಳು ಎಂದಿಗೂ ಛೇದಕಗಳಿಲ್ಲದೆ ಕಾರ್ಪೊರೇಟ್ ಐಟಿಯ ಭಾಗಗಳಾಗಿವೆ. ಬಹುತೇಕ ಅವರು ಮ್ಯಾಟರ್ ಮತ್ತು ಆಂಟಿ ಮ್ಯಾಟರ್ ಇದ್ದಂತೆ. ಆದರೆ ಎರಡೂ ವಿದ್ಯಮಾನಗಳ ಬೆಳವಣಿಗೆಯು ಅನಿವಾರ್ಯವಾಗಿ ಅವುಗಳ ಛೇದಕಕ್ಕೆ ಕಾರಣವಾಗಿದೆ. ಇಂದು ಕಂಪನಿಗಳು ERP ಯೊಂದಿಗೆ ಏನು ಮಾಡಬೇಕೆಂಬುದರ ಸಮಸ್ಯೆಯನ್ನು ಎದುರಿಸುತ್ತಿವೆ ಮತ್ತು ಡೇಟಾ ವೇರ್ಹೌಸ್. ಈ ಲೇಖನವು ಸಮಸ್ಯೆಗಳೇನು ಮತ್ತು ಕಂಪನಿಗಳು ಅವುಗಳನ್ನು ಹೇಗೆ ಪರಿಹರಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತದೆ.

ಪ್ರಾರಂಭದಲ್ಲಿ…

ಆರಂಭದಲ್ಲಿ ಇತ್ತು ಡೇಟಾ ವೇರ್ಹೌಸ್. ಮಾಹಿತಿ ಉಗ್ರಾಣ ವಹಿವಾಟು ಪ್ರಕ್ರಿಯೆ ಅಪ್ಲಿಕೇಶನ್ ವ್ಯವಸ್ಥೆಯನ್ನು ಎದುರಿಸಲು ರಚಿಸಲಾಗಿದೆ. ಆರಂಭಿಕ ದಿನಗಳಲ್ಲಿ ಕಂಠಪಾಠ dati ಇದು ವ್ಯವಹಾರ ಪ್ರಕ್ರಿಯೆ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗೆ ಕೇವಲ ಕೌಂಟರ್‌ಪಾಯಿಂಟ್ ಎಂದು ಅರ್ಥೈಸಲಾಗಿತ್ತು. ಆದರೆ ಇತ್ತೀಚಿನ ದಿನಗಳಲ್ಲಿ ಹೆಚ್ಚು ಅತ್ಯಾಧುನಿಕ ವೀಕ್ಷಣೆಗಳು ಇವೆ ಏನು a ಡೇಟಾ ವೇರ್ಹೌಸ್. ಇಂದಿನ ಜಗತ್ತಿನಲ್ಲಿ ದಿ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಇದನ್ನು ಕಾರ್ಪೊರೇಟ್ ಮಾಹಿತಿ ಕಾರ್ಖಾನೆ ಎಂದು ಕರೆಯಬಹುದಾದ ರಚನೆಯೊಳಗೆ ಸೇರಿಸಲಾಗುತ್ತದೆ.

ಕಾರ್ಪೊರೇಟ್ ಮಾಹಿತಿ ಕಾರ್ಖಾನೆ (CIF)

ಕಾರ್ಪೊರೇಟ್ ಮಾಹಿತಿ ಕಾರ್ಖಾನೆಯು ಪ್ರಮಾಣಿತ ವಾಸ್ತುಶಿಲ್ಪದ ಘಟಕಗಳನ್ನು ಹೊಂದಿದೆ: ರೂಪಾಂತರದ ಮಟ್ಟ ಮತ್ತು ಕೋಡ್ ಏಕೀಕರಣವನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ dati ಆದರೆ ನಾನು dati ಅವರು ಅಪ್ಲಿಕೇಶನ್ ಪರಿಸರದಿಂದ ಪರಿಸರದ ಕಡೆಗೆ ಚಲಿಸುತ್ತಾರೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಸಂಸ್ಥೆಯ; ಎ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಅಲ್ಲಿ ಕಂಪನಿಯ dati ವಿವರವಾದ ಮತ್ತು ಸಮಗ್ರ ಇತಿಹಾಸಗಳು. ದಿ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಕಂಪನಿಯು ಪರಿಸರದ ಎಲ್ಲಾ ಇತರ ಭಾಗಗಳನ್ನು ನಿರ್ಮಿಸಬಹುದಾದ ಅಡಿಪಾಯವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್; ಕಾರ್ಯಾಚರಣೆಯ ಡೇಟಾ ಸ್ಟೋರ್ (ODS). ODS ಒಂದು ಹೈಬ್ರಿಡ್ ರಚನೆಯಾಗಿದ್ದು ಅದು ಕೆಲವು ಅಂಶಗಳನ್ನು ಒಳಗೊಂಡಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಮತ್ತು OLTP ಪರಿಸರದ ಇತರ ಅಂಶಗಳು; ಡೇಟಾ ಮಾರ್ಟ್‌ಗಳು, ಅಲ್ಲಿ ವಿವಿಧ ಇಲಾಖೆಗಳು ತಮ್ಮದೇ ಆದ ಆವೃತ್ತಿಯನ್ನು ಹೊಂದಬಹುದು ಡೇಟಾ ವೇರ್ಹೌಸ್; ಎ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಕಂಪನಿಯ "ತತ್ವಜ್ಞಾನಿಗಳು" ತಮ್ಮ ಪ್ರಶ್ನೆಗಳನ್ನು 72 ಗಂಟೆಗಳವರೆಗೆ ಹಾನಿಕಾರಕ ಪರಿಣಾಮವಿಲ್ಲದೆ ಸಲ್ಲಿಸಬಹುದಾದ ಪರಿಶೋಧನೆ ಡೇಟಾ ವೇರ್ಹೌಸ್; ಮತ್ತು ಹತ್ತಿರದ ಸಾಲಿನ ಸ್ಮರಣೆ, ​​ಇದರಲ್ಲಿ dati ಹಳೆಯ ಮತ್ತು dati ಬೃಹತ್ ವಿವರಗಳನ್ನು ಅಗ್ಗವಾಗಿ ಸಂಗ್ರಹಿಸಬಹುದು.

ERP LA ನೊಂದಿಗೆ ಎಲ್ಲಿ ಸೇರುತ್ತದೆ ಕಾರ್ಪೊರೇಟ್ ಮಾಹಿತಿ ಕಾರ್ಖಾನೆ

ERP ಎರಡು ಸ್ಥಳಗಳಲ್ಲಿ ಕಾರ್ಪೊರೇಟ್ ಮಾಹಿತಿ ಕಾರ್ಖಾನೆಯೊಂದಿಗೆ ವಿಲೀನಗೊಳ್ಳುತ್ತದೆ. ಐ ಅನ್ನು ಒದಗಿಸುವ ಮೂಲಭೂತ ಅಪ್ಲಿಕೇಶನ್ (ಬೇಸ್‌ಲೈನ್) ಆಗಿ ಮೊದಲು dati ಗೆ ಅರ್ಜಿಯ ಡೇಟಾ ವೇರ್ಹೌಸ್. ಈ ಸಂದರ್ಭದಲ್ಲಿ ಐ dati, ವಹಿವಾಟು ಪ್ರಕ್ರಿಯೆಯ ಉಪಉತ್ಪನ್ನವಾಗಿ ರಚಿಸಲಾಗಿದೆ, ಇದನ್ನು ಸಂಯೋಜಿಸಲಾಗಿದೆ ಮತ್ತು ಲೋಡ್ ಮಾಡಲಾಗುತ್ತದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಸಂಸ್ಥೆಯ. ERP ಮತ್ತು CIF ಮತ್ತು ODS ನಡುವಿನ ಒಕ್ಕೂಟದ ಎರಡನೇ ಹಂತ. ವಾಸ್ತವವಾಗಿ, ಅನೇಕ ಪರಿಸರಗಳಲ್ಲಿ ERP ಅನ್ನು ಕ್ಲಾಸಿಕ್ ODS ಆಗಿ ಬಳಸಲಾಗುತ್ತದೆ.

ERP ಅನ್ನು ಮೂಲ ಅಪ್ಲಿಕೇಶನ್ ಆಗಿ ಬಳಸಿದರೆ, ಅದೇ ERP ಅನ್ನು CIF ನಲ್ಲಿ ODS ನಂತೆ ಬಳಸಬಹುದು. ಯಾವುದೇ ಸಂದರ್ಭದಲ್ಲಿ, ERP ಅನ್ನು ಎರಡೂ ಪಾತ್ರಗಳಲ್ಲಿ ಬಳಸಬೇಕಾದರೆ, ಎರಡು ಘಟಕಗಳ ನಡುವೆ ಸ್ಪಷ್ಟವಾದ ವ್ಯತ್ಯಾಸವಿರಬೇಕು. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ERP ಒಂದು ಪ್ರಮುಖ ಅಪ್ಲಿಕೇಶನ್ ಮತ್ತು ODS ನ ಪಾತ್ರವನ್ನು ವಹಿಸಿದಾಗ, ಎರಡು ವಾಸ್ತುಶಿಲ್ಪದ ಘಟಕಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಬೇಕು. ಒಂದೇ ERP ಅನುಷ್ಠಾನವು ಎರಡೂ ಪಾತ್ರಗಳನ್ನು ಏಕಕಾಲದಲ್ಲಿ ನಿರ್ವಹಿಸಲು ಪ್ರಯತ್ನಿಸಿದರೆ ಆ ರಚನೆಯ ವಿನ್ಯಾಸ ಮತ್ತು ಅನುಷ್ಠಾನದಲ್ಲಿ ಅನಿವಾರ್ಯವಾಗಿ ಸಮಸ್ಯೆಗಳಿರುತ್ತವೆ.

ಪ್ರತ್ಯೇಕ ODS ಮತ್ತು ಮೂಲ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು

ವಾಸ್ತುಶಿಲ್ಪದ ಘಟಕಗಳ ವಿಭಜನೆಗೆ ಕಾರಣವಾಗುವ ಹಲವು ಕಾರಣಗಳಿವೆ. ವಾಸ್ತುಶಿಲ್ಪದ ವಿವಿಧ ಘಟಕಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ಬಹುಶಃ ಹೆಚ್ಚು ಹೇಳುವ ಸಮಸ್ಯೆಯೆಂದರೆ, ವಾಸ್ತುಶಿಲ್ಪದ ಪ್ರತಿಯೊಂದು ಅಂಶವು ತನ್ನದೇ ಆದ ದೃಷ್ಟಿಕೋನವನ್ನು ಹೊಂದಿದೆ. ಬೇಸ್‌ಲೈನ್ ಅಪ್ಲಿಕೇಶನ್ ODS ಗಿಂತ ವಿಭಿನ್ನ ಉದ್ದೇಶವನ್ನು ಹೊಂದಿದೆ. ಅತಿಕ್ರಮಿಸಲು ಪ್ರಯತ್ನಿಸಿ

ODS ಪ್ರಪಂಚದ ಮೇಲೆ ಬೇಸ್‌ಲೈನ್ ಅಪ್ಲಿಕೇಶನ್ ವೀಕ್ಷಣೆ ಅಥವಾ ಪ್ರತಿಯಾಗಿ ಕೆಲಸ ಮಾಡಲು ಸರಿಯಾದ ಮಾರ್ಗವಲ್ಲ.

ಪರಿಣಾಮವಾಗಿ, CIF ನಲ್ಲಿ ERP ಯ ಮೊದಲ ಸಮಸ್ಯೆಯು ಬೇಸ್‌ಲೈನ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಮತ್ತು ODS ನಡುವೆ ವ್ಯತ್ಯಾಸವಿದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸುವುದು.

ಕಾರ್ಪೊರೇಟ್‌ನಲ್ಲಿ ಡೇಟಾ ಮಾದರಿಗಳು ಮಾಹಿತಿ ಕಾರ್ಖಾನೆ

CIF ವಾಸ್ತುಶಿಲ್ಪದ ವಿವಿಧ ಘಟಕಗಳ ನಡುವೆ ಒಗ್ಗಟ್ಟು ಸಾಧಿಸಲು, ಒಂದು ಮಾದರಿ ಇರಬೇಕು dati. ನ ಮಾದರಿಗಳು dati ಬೇಸ್‌ಲೈನ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಮತ್ತು ODS ನಂತಹ ವಾಸ್ತುಶಿಲ್ಪದ ವಿವಿಧ ಘಟಕಗಳ ನಡುವಿನ ಕೊಂಡಿಯಾಗಿ ಅವು ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ. ನ ಮಾದರಿಗಳು dati CIF ನ ವಿವಿಧ ವಾಸ್ತುಶಿಲ್ಪದ ಅಂಶಗಳಿಂದ ಸರಿಯಾದ ಅರ್ಥವನ್ನು ಪಡೆಯಲು ಅವರು "ಬೌದ್ಧಿಕ ಮಾರ್ಗ ನಕ್ಷೆ" ಆಗುತ್ತಾರೆ.

ಈ ಕಲ್ಪನೆಯೊಂದಿಗೆ ಕೈಜೋಡಿಸಿದರೆ, ಒಂದು ದೊಡ್ಡ ಮತ್ತು ಒಂದೇ ಮಾದರಿ ಇರಬೇಕು ಎಂಬುದು ಕಲ್ಪನೆ dati. ನಿಸ್ಸಂಶಯವಾಗಿ ಒಂದು ಮಾದರಿ ಇರಬೇಕು dati ಪ್ರತಿಯೊಂದು ಘಟಕಗಳಿಗೆ ಮತ್ತು ವಿಭಿನ್ನ ಮಾದರಿಗಳನ್ನು ಸಂಪರ್ಕಿಸುವ ಸಂವೇದನಾಶೀಲ ಮಾರ್ಗವಿರಬೇಕು. ಆರ್ಕಿಟೆಕ್ಚರ್‌ನ ಪ್ರತಿಯೊಂದು ಅಂಶ - ODS, ಬೇಸ್‌ಲೈನ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು, ಡೇಟಾ ವೇರ್ಹೌಸ್ ಕಂಪನಿಯ, ಮತ್ತು ಹೀಗೆ.. - ತನ್ನದೇ ಆದ ಮಾದರಿಯ ಅಗತ್ಯವಿದೆ dati. ಮತ್ತು ಆದ್ದರಿಂದ ಈ ಮಾದರಿಗಳು ಹೇಗೆ ಎಂಬುದಕ್ಕೆ ನಿಖರವಾದ ವ್ಯಾಖ್ಯಾನ ಇರಬೇಕು dati ಅವರು ಪರಸ್ಪರ ಇಂಟರ್ಫೇಸ್ ಮಾಡುತ್ತಾರೆ.

ಮೂವ್ I ಡೇಟಾ ಡೇಟಾದಲ್ಲಿ ERP ವೇರ್‌ಹೌಸ್

ಒಂದು ವೇಳೆ ಮೂಲ dati ERP ಅನ್ನು ಸೇರಿಸಿದಾಗ ಬೇಸ್‌ಲೈನ್ ಅಪ್ಲಿಕೇಶನ್ ಮತ್ತು/ಅಥವಾ ODS ಆಗಿದೆ dati ನೆಲ್ ಡೇಟಾ ವೇರ್ಹೌಸ್, ಈ ಅಳವಡಿಕೆಯು "ಗ್ರ್ಯಾನ್ಯುಲಾರಿಟಿ" ಯ ಕಡಿಮೆ ಮಟ್ಟದಲ್ಲಿ ನಡೆಯಬೇಕು. ಸರಳವಾಗಿ ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸಿ ಅಥವಾ i ಅನ್ನು ಒಟ್ಟುಗೂಡಿಸಿ dati ಅವರು ERP ಬೇಸ್‌ಲೈನ್ ಅಪ್ಲಿಕೇಶನ್‌ನಿಂದ ಹೊರಬರುವುದರಿಂದ ಅಥವಾ ERP ODS ಮಾಡುವುದು ಸರಿಯಾದ ಕೆಲಸವಲ್ಲ. ದಿ dati ವಿವರಗಳು ಅಗತ್ಯವಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ DSS ಪ್ರಕ್ರಿಯೆಯ ಆಧಾರವನ್ನು ರೂಪಿಸಲು. ಇಂತಹ dati ದತ್ತಾಂಶ ಮಾರ್ಟ್‌ಗಳು ಮತ್ತು ಪರಿಶೋಧನೆಗಳಿಂದ ಹಲವು ರೀತಿಯಲ್ಲಿ ಮರುರೂಪಿಸಲಾಗುವುದು ಡೇಟಾ ವೇರ್ಹೌಸ್.

ಸ್ಥಳಾಂತರ dati ERP ಬೇಸ್‌ಲೈನ್ ಅಪ್ಲಿಕೇಶನ್ ಪರಿಸರದಿಂದ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಕಂಪನಿಯನ್ನು ಸಮಂಜಸವಾಗಿ ಶಾಂತ ರೀತಿಯಲ್ಲಿ ಮಾಡಲಾಗುತ್ತದೆ. ERP ನಲ್ಲಿ ನವೀಕರಣ ಅಥವಾ ರಚನೆಯ ನಂತರ ಸರಿಸುಮಾರು 24 ಗಂಟೆಗಳ ನಂತರ ಈ ಕ್ರಮವು ಸಂಭವಿಸುತ್ತದೆ. ನ "ಸೋಮಾರಿಯಾದ" ಚಲನೆಯನ್ನು ಹೊಂದಿರುವ ಸತ್ಯ dati ನೆಲ್ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಕಂಪನಿಯು ಅನುಮತಿಸುತ್ತದೆ dati ERP ಯಿಂದ "ಠೇವಣಿ" ಗೆ ಬರುತ್ತಿದೆ. ಒಮ್ಮೆ ಐ dati ಬೇಸ್‌ಲೈನ್ ಅಪ್ಲಿಕೇಶನ್‌ನಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ, ನಂತರ ನೀವು ಸುರಕ್ಷಿತವಾಗಿ ಚಲಿಸಬಹುದು dati ಎಂಟರ್‌ಪ್ರೈಸ್‌ನಲ್ಲಿ ಇಆರ್‌ಪಿ. ನ "ಸೋಮಾರಿ" ಚಳುವಳಿಗೆ ಧನ್ಯವಾದಗಳು ಸಾಧಿಸಬಹುದಾದ ಮತ್ತೊಂದು ಗುರಿ dati ಇದು ಕಾರ್ಯಾಚರಣೆಯ ಪ್ರಕ್ರಿಯೆಗಳು ಮತ್ತು DSS ನಡುವಿನ ಸ್ಪಷ್ಟವಾದ ವಿವರಣೆಯಾಗಿದೆ. "ವೇಗದ" ಚಲನೆಯೊಂದಿಗೆ dati DSS ಮತ್ತು ಕಾರ್ಯಾಚರಣೆಯ ನಡುವಿನ ವಿಭಜನಾ ರೇಖೆಯು ಅಸ್ಪಷ್ಟವಾಗಿ ಉಳಿದಿದೆ.

ಇಲ್ ಮೂವಿಮೆಂಟೋ ಡೀ dati ERP ODS ನಿಂದ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಕಂಪನಿಯ ನಿಯತಕಾಲಿಕವಾಗಿ ಮಾಡಲಾಗುತ್ತದೆ, ಸಾಮಾನ್ಯವಾಗಿ ಸಾಪ್ತಾಹಿಕ ಅಥವಾ ಮಾಸಿಕ. ಈ ಸಂದರ್ಭದಲ್ಲಿ ಚಲನೆ dati ಇದು ಹಳೆಯದನ್ನು "ಸ್ವಚ್ಛಗೊಳಿಸುವ" ಅಗತ್ಯವನ್ನು ಆಧರಿಸಿದೆ dati ಇತಿಹಾಸಕಾರರು. ಸಹಜವಾಗಿ, ODS ಐ ಅನ್ನು ಒಳಗೊಂಡಿದೆ dati ಗಿಂತ ತೀರಾ ಇತ್ತೀಚಿನದು dati ಇತಿಹಾಸಕಾರರು ಕಂಡುಬರುತ್ತಾರೆ ಡೇಟಾ ವೇರ್ಹೌಸ್.

ಸ್ಥಳಾಂತರ dati ನೆಲ್ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಇದನ್ನು ಎಂದಿಗೂ "ಸಗಟು" (ಸಗಟು ಮಾರಾಟದ ರೀತಿಯಲ್ಲಿ) ಮಾಡಲಾಗುವುದಿಲ್ಲ. ERP ಪರಿಸರದಿಂದ ಟೇಬಲ್ ಅನ್ನು ನಕಲಿಸಿ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಇದಕ್ಕೆ ಅರ್ಥವಿಲ್ಲ. ಆಯ್ದ ಘಟಕಗಳನ್ನು ಸರಿಸಲು ಹೆಚ್ಚು ವಾಸ್ತವಿಕ ವಿಧಾನವಾಗಿದೆ dati. ಕೇವಲ ದಿ dati ನ ಕೊನೆಯ ನವೀಕರಣದಿಂದ ಬದಲಾಗಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಅವರು ಒಳಗೆ ಸರಿಸಬೇಕಾದವರು ಡೇಟಾ ವೇರ್ಹೌಸ್. ಯಾವುದನ್ನು ತಿಳಿಯಲು ಒಂದು ಮಾರ್ಗ dati ಕೊನೆಯ ಅಪ್‌ಡೇಟ್‌ನ ಸಮಯಸ್ಟ್ಯಾಂಪ್‌ಗಳನ್ನು ನೋಡುವುದರಿಂದ ಬದಲಾಗಿದೆ dati ERP ಪರಿಸರದಲ್ಲಿ ಕಂಡುಬರುತ್ತದೆ. ಕೊನೆಯ ನವೀಕರಣದ ನಂತರ ಸಂಭವಿಸಿದ ಎಲ್ಲಾ ಬದಲಾವಣೆಗಳನ್ನು ಡಿಸೈನರ್ ಆಯ್ಕೆಮಾಡುತ್ತಾರೆ. ಬದಲಾವಣೆಯ ಕ್ಯಾಪ್ಚರ್ ತಂತ್ರಗಳನ್ನು ಬಳಸುವುದು ಮತ್ತೊಂದು ವಿಧಾನವಾಗಿದೆ dati. ಈ ತಂತ್ರಗಳೊಂದಿಗೆ, ಲಾಗ್‌ಗಳು ಮತ್ತು ಜರ್ನಲ್ ಟೇಪ್‌ಗಳನ್ನು ಯಾವವುಗಳನ್ನು ನಿರ್ಧರಿಸಲು ವಿಶ್ಲೇಷಿಸಲಾಗುತ್ತದೆ dati ERP ಪರಿಸರದಿಂದ ಅದಕ್ಕೆ ಸ್ಥಳಾಂತರಿಸಬೇಕು ಡೇಟಾ ವೇರ್ಹೌಸ್. ಈ ತಂತ್ರಗಳು ಉತ್ತಮವಾಗಿವೆ ಏಕೆಂದರೆ ಲಾಗ್‌ಗಳು ಮತ್ತು ಜರ್ನಲ್ ಟೇಪ್‌ಗಳನ್ನು ಇಆರ್‌ಪಿ ಫೈಲ್‌ಗಳಿಂದ ಇತರ ಇಆರ್‌ಪಿ ಸಂಪನ್ಮೂಲಗಳ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರದೆ ಓದಬಹುದು.

ಇತರ ತೊಡಕುಗಳು

CIF ನಲ್ಲಿನ ERP ಸಮಸ್ಯೆಗಳಲ್ಲಿ ಒಂದು ಇತರ ಅಪ್ಲಿಕೇಶನ್ ಮೂಲಗಳಿಗೆ ಅಥವಾ ಅದಕ್ಕೆ ಏನಾಗುತ್ತದೆ dati ಅವರು ಕೊಡುಗೆ ನೀಡಬೇಕಾದ ODS ನ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಆದರೆ ಅವರು ERP ಪರಿಸರದ ಭಾಗವಾಗಿಲ್ಲ. ERP ಯ ಮುಚ್ಚಿದ ಸ್ವಭಾವವನ್ನು ನೀಡಲಾಗಿದೆ, ವಿಶೇಷವಾಗಿ SAP, ಬಾಹ್ಯ ಮೂಲಗಳಿಂದ ಕೀಗಳನ್ನು ಸಂಯೋಜಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದೆ dati ನಾನು ಜೊತೆ dati ಚಲಿಸುವಾಗ ERP ಯಿಂದ ಬರುತ್ತದೆ dati ನೆಲ್ ಡೇಟಾ ವೇರ್ಹೌಸ್, ಇದು ದೊಡ್ಡ ಸವಾಲು. ಮತ್ತು ನಿಖರವಾಗಿ ಏನು ಸಂಭವನೀಯತೆಗಳು ಅಂದರೆ i dati ERP ಪರಿಸರದ ಹೊರಗಿನ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಅಥವಾ ODS ಅನ್ನು ಸಂಯೋಜಿಸಲಾಗುತ್ತದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್? ಆಡ್ಸ್ ವಾಸ್ತವವಾಗಿ ತುಂಬಾ ಹೆಚ್ಚು.

ಹುಡುಕಿ ಡೇಟಾ ERP ಯಿಂದ ಐತಿಹಾಸಿಕ

ಐ ಜೊತೆಗಿನ ಇನ್ನೊಂದು ಸಮಸ್ಯೆ dati ERP ಯೆಂದರೆ ಹೊಂದುವ ಅಗತ್ಯದಿಂದ ಪಡೆಯಲಾಗಿದೆ dati ಒಳಗೆ ಇತಿಹಾಸಕಾರರು ಡೇಟಾ ವೇರ್ಹೌಸ್. ಸಾಮಾನ್ಯವಾಗಿ ದಿ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಅಗತ್ಯಗಳು dati ಇತಿಹಾಸಕಾರರು. ಮತ್ತು ERP ತಂತ್ರಜ್ಞಾನವು ಸಾಮಾನ್ಯವಾಗಿ ಇವುಗಳನ್ನು ಸಂಗ್ರಹಿಸುವುದಿಲ್ಲ dati ಐತಿಹಾಸಿಕ, ಕನಿಷ್ಠ ಇದು ಅಗತ್ಯವಿರುವ ಬಿಂದುವಿಗೆ ಅಲ್ಲ ಡೇಟಾ ವೇರ್ಹೌಸ್. ಯಾವಾಗ ದೊಡ್ಡ ಪ್ರಮಾಣದ dati ERP ಪರಿಸರದಲ್ಲಿ ಇತಿಹಾಸವನ್ನು ಸೇರಿಸಲು ಪ್ರಾರಂಭಿಸುತ್ತದೆ, ಆ ಪರಿಸರವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಬೇಕಾಗಿದೆ. ಉದಾಹರಣೆಗೆ, ಎ ಎಂದು ಭಾವಿಸೋಣ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಐದು ವರ್ಷಗಳ ಲೋಡ್ ಮಾಡಬೇಕು dati ಐತಿಹಾಸಿಕವಾಗಿ ERP ಇವುಗಳಲ್ಲಿ ಗರಿಷ್ಠ ಆರು ತಿಂಗಳುಗಳನ್ನು ಇಡುತ್ತದೆ dati. ಕಂಪನಿಯು ಸರಣಿಯನ್ನು ಸಂಗ್ರಹಿಸುವುದರೊಂದಿಗೆ ತೃಪ್ತವಾಗಿರುವವರೆಗೆ dati ಇತಿಹಾಸಕಾರರು ಸಮಯ ಕಳೆದಂತೆ, ನಂತರ ERP ಅನ್ನು ಮೂಲವಾಗಿ ಬಳಸುವುದರಲ್ಲಿ ಯಾವುದೇ ಸಮಸ್ಯೆ ಇಲ್ಲ ಡೇಟಾ ವೇರ್ಹೌಸ್. ಆದರೆ ಯಾವಾಗ ದಿ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಅವನು ಹಿಂದೆ ಹೋಗಿ ದೇವರುಗಳನ್ನು ಪಡೆಯಬೇಕು dati ERP ಯಿಂದ ಹಿಂದೆ ಸಂಗ್ರಹಿಸಿದ ಮತ್ತು ಉಳಿಸದ ಇತಿಹಾಸಗಳು, ನಂತರ ERP ಪರಿಸರವು ಅಸಮರ್ಥವಾಗುತ್ತದೆ.

ERP ಮತ್ತು ಮೆಟಾಡೇಟಾ

ERP ಬಗ್ಗೆ ಮಾಡಲು ಇನ್ನೊಂದು ಪರಿಗಣನೆ ಇ ಡೇಟಾ ವೇರ್ಹೌಸ್ ERP ಪರಿಸರದಲ್ಲಿ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಮೆಟಾಡೇಟಾದಲ್ಲಿ ಒಂದಾಗಿದೆ. ERP ಪರಿಸರದಿಂದ ಮೆಟಾಡೇಟಾ ಹರಿಯುತ್ತದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್, ಮೆಟಾಡೇಟಾವನ್ನು ಅದೇ ರೀತಿಯಲ್ಲಿ ಸರಿಸಬೇಕು. ಇದಲ್ಲದೆ, ಮೆಟಾಡೇಟಾವನ್ನು ಮೂಲಸೌಕರ್ಯಕ್ಕೆ ಅಗತ್ಯವಿರುವ ಸ್ವರೂಪ ಮತ್ತು ರಚನೆಯಾಗಿ ಪರಿವರ್ತಿಸಬೇಕು ಡೇಟಾ ವೇರ್ಹೌಸ್. ಕಾರ್ಯಾಚರಣೆಯ ಮೆಟಾಡೇಟಾ ಮತ್ತು DSS ಮೆಟಾಡೇಟಾ ನಡುವೆ ದೊಡ್ಡ ವ್ಯತ್ಯಾಸವಿದೆ. ಕಾರ್ಯಾಚರಣೆಯ ಮೆಟಾಡೇಟಾ ಪ್ರಾಥಮಿಕವಾಗಿ ಡೆವಲಪರ್ ಮತ್ತು ದಿ

ಪ್ರೋಗ್ರಾಮರ್. DSS ಮೆಟಾಡೇಟಾ ಪ್ರಾಥಮಿಕವಾಗಿ ಅಂತಿಮ ಬಳಕೆದಾರರಿಗಾಗಿ. ERP ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಅಥವಾ ODS ಗಳಲ್ಲಿ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಮೆಟಾಡೇಟಾವನ್ನು ಪರಿವರ್ತಿಸುವ ಅಗತ್ಯವಿದೆ, ಮತ್ತು ಈ ಪರಿವರ್ತನೆಯು ಯಾವಾಗಲೂ ಸುಲಭ ಮತ್ತು ಸರಳವಾಗಿರುವುದಿಲ್ಲ.

ERP ಡೇಟಾವನ್ನು ಸೋರ್ಸಿಂಗ್ ಮಾಡುವುದು

ERP ಅನ್ನು ಒದಗಿಸುವವರಾಗಿ ಬಳಸಿದರೆ dati ಪ್ರತಿ ಇಲ್ಗೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಚಲಿಸುವ ಘನ ಇಂಟರ್ಫೇಸ್ ಇರಬೇಕು dati ERP ಪರಿಸರದಿಂದ ಪರಿಸರಕ್ಕೆ ಡೇಟಾ ವೇರ್ಹೌಸ್. ಇಂಟರ್ಫೇಸ್ ಮಾಡಬೇಕು:

• ▪ ಬಳಸಲು ಸುಲಭ
• ▪ ಗೆ ಪ್ರವೇಶವನ್ನು ಅನುಮತಿಸಿ dati ERP ನ
• ▪ ಅರ್ಥವನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ dati ಗೆ ಸ್ಥಳಾಂತರಿಸಲಿರುವ ಡೇಟಾ ವೇರ್ಹೌಸ್
• ▪ ಅನ್ನು ಪ್ರವೇಶಿಸುವಾಗ ಉಂಟಾಗಬಹುದಾದ ERP ಮಿತಿಗಳನ್ನು ತಿಳಿಯಿರಿ dati ERP ಯ:
• ▪ ಉಲ್ಲೇಖದ ಸಮಗ್ರತೆ
• ▪ ಕ್ರಮಾನುಗತ ಸಂಬಂಧಗಳು
• ▪ ಸೂಚ್ಯ ತಾರ್ಕಿಕ ಸಂಬಂಧಗಳು
• ▪ ಅಪ್ಲಿಕೇಶನ್ ಸಮಾವೇಶ
• ▪ ಎಲ್ಲಾ ರಚನೆಗಳು dati ERP ನಿಂದ ಬೆಂಬಲಿತವಾಗಿದೆ, ಮತ್ತು ಹೀಗೆ...
• ▪ ಪ್ರವೇಶಿಸುವಲ್ಲಿ ಸಮರ್ಥರಾಗಿರಿ dati, ಒದಗಿಸುವ ಮೂಲಕ:
• ▪ ನೇರ ಚಲನೆ dati
• ▪ ಬದಲಾವಣೆಯ ಸ್ವಾಧೀನ dati
• ▪ ಸಕಾಲಿಕ ಪ್ರವೇಶವನ್ನು ಬೆಂಬಲಿಸಿ dati
• ▪ ಸ್ವರೂಪವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ dati, ಮತ್ತು ಇತ್ಯಾದಿ… SAP ನೊಂದಿಗೆ ಇಂಟರ್ಫೇಸಿಂಗ್ ಇಂಟರ್ಫೇಸ್ ಎರಡು ರೀತಿಯದ್ದಾಗಿರಬಹುದು, ಸ್ವದೇಶಿ ಅಥವಾ ವಾಣಿಜ್ಯ. ಕೆಲವು ಪ್ರಮುಖ ವ್ಯಾಪಾರ ಇಂಟರ್ಫೇಸ್‌ಗಳು ಸೇರಿವೆ:

• ▪ SAS
• ▪ ಪ್ರಿಮ್ಸ್ ಪರಿಹಾರಗಳು
• ▪ D2k, ಹೀಗೆ... ಬಹು ERP ತಂತ್ರಜ್ಞಾನಗಳು ERP ಪರಿಸರವನ್ನು ಒಂದೇ ತಂತ್ರಜ್ಞಾನದಂತೆ ಪರಿಗಣಿಸುವುದು ದೊಡ್ಡ ತಪ್ಪು. ಹಲವಾರು ERP ತಂತ್ರಜ್ಞಾನಗಳಿವೆ, ಪ್ರತಿಯೊಂದೂ ತನ್ನದೇ ಆದ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಹೊಂದಿದೆ. ಮಾರುಕಟ್ಟೆಯಲ್ಲಿ ಅತ್ಯಂತ ಪ್ರಸಿದ್ಧ ಮಾರಾಟಗಾರರು:

• ▪ SAP
• ▪ ಒರಾಕಲ್ ಫೈನಾನ್ಶಿಯಲ್ಸ್
• ▪ ಪೀಪಲ್ ಸಾಫ್ಟ್
• ▪ ಜೆಡಿ ಎಡ್ವರ್ಡ್ಸ್
• ▪ ಬಾನ್ ಸ್ಯಾಪ್ SAP ಅತಿದೊಡ್ಡ ಮತ್ತು ಸಂಪೂರ್ಣ ERP ಸಾಫ್ಟ್‌ವೇರ್ ಆಗಿದೆ. SAP ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಅನೇಕ ಪ್ರದೇಶಗಳಲ್ಲಿ ಹಲವು ರೀತಿಯ ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿವೆ. SAP ಎಂಬುದಕ್ಕಾಗಿ ಖ್ಯಾತಿಯನ್ನು ಹೊಂದಿದೆ:

• ▪ ತುಂಬಾ ದೊಡ್ಡದು
• ▪ ಕಾರ್ಯಗತಗೊಳಿಸಲು ತುಂಬಾ ಕಷ್ಟ ಮತ್ತು ದುಬಾರಿ
• ▪ ಕಾರ್ಯಗತಗೊಳಿಸಲು ಅನೇಕ ಜನರು ಮತ್ತು ಸಲಹೆಗಾರರ ​​ಅಗತ್ಯವಿದೆ
• ▪ ಅನುಷ್ಠಾನಕ್ಕೆ ವಿಶೇಷ ವ್ಯಕ್ತಿಗಳ ಅಗತ್ಯವಿದೆ
• ▪ ಕಾರ್ಯಗತಗೊಳಿಸಲು ಬಹಳ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ, SAP ಅದರ ಕಂಠಪಾಠದಲ್ಲಿ ಖ್ಯಾತಿಯನ್ನು ಹೊಂದಿದೆ dati ಬಹಳ ಎಚ್ಚರಿಕೆಯಿಂದ, SAP ಪ್ರದೇಶದ ಹೊರಗಿನ ಯಾರಿಗಾದರೂ ಅವುಗಳನ್ನು ಪ್ರವೇಶಿಸಲು ಕಷ್ಟವಾಗುತ್ತದೆ. SAP ಯ ಸಾಮರ್ಥ್ಯವೆಂದರೆ ಅದು ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ಸೆರೆಹಿಡಿಯುವ ಮತ್ತು ಸಂಗ್ರಹಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ dati. ಇತ್ತೀಚೆಗೆ SAP ತನ್ನ ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ವಿಸ್ತರಿಸುವ ಉದ್ದೇಶವನ್ನು ಪ್ರಕಟಿಸಿತು ಡೇಟಾ ವೇರ್ಹೌಸ್. SAP ಅನ್ನು ಮಾರಾಟಗಾರರಾಗಿ ಬಳಸಲು ಹಲವು ಸಾಧಕ-ಬಾಧಕಗಳಿವೆ ಡೇಟಾ ವೇರ್ಹೌಸ್. ಪ್ರಯೋಜನವೆಂದರೆ SAP ಅನ್ನು ಈಗಾಗಲೇ ಸ್ಥಾಪಿಸಲಾಗಿದೆ ಮತ್ತು ಹೆಚ್ಚಿನ ಸಲಹೆಗಾರರು ಈಗಾಗಲೇ SAP ಅನ್ನು ತಿಳಿದಿದ್ದಾರೆ.
  SAP ಅನ್ನು ಪೂರೈಕೆದಾರರಾಗಿ ಹೊಂದಿರುವ ಅನಾನುಕೂಲಗಳು ಡೇಟಾ ವೇರ್ಹೌಸ್ ಅನೇಕ ಇವೆ: SAP ಜಗತ್ತಿನಲ್ಲಿ ಯಾವುದೇ ಅನುಭವವನ್ನು ಹೊಂದಿಲ್ಲ ಡೇಟಾ ವೇರ್ಹೌಸ್ SAP ಪೂರೈಕೆದಾರರಾಗಿದ್ದರೆ ಡೇಟಾ ವೇರ್ಹೌಸ್, ನಾನು "ಹೊರತೆಗೆಯಲು" ಅಗತ್ಯ dati SAP ನಿಂದ ಡೇಟಾ ವೇರ್ಹೌಸ್. ದಿನಾಂಕ ಮುಚ್ಚಿದ ವ್ಯವಸ್ಥೆಯ SAP ನ ದಾಖಲೆ, SAP ನಿಂದ i ಅನ್ನು ಅದರೊಳಗೆ ಪಡೆಯುವುದು ಸುಲಭವಲ್ಲ (???). IMS, VSAM, ADABAS, ORACLE, DB2, ಇತ್ಯಾದಿಗಳಂತಹ SAP ಅನ್ನು ಶಕ್ತಿಯುತಗೊಳಿಸುವ ಅನೇಕ ಪರಂಪರೆ ಪರಿಸರಗಳಿವೆ. SAP "ಇಲ್ಲಿ ಕಂಡುಹಿಡಿಯಲಾಗಿಲ್ಲ" ವಿಧಾನವನ್ನು ಒತ್ತಾಯಿಸುತ್ತದೆ. SAP ಅನ್ನು ಬಳಸಲು ಅಥವಾ ರಚಿಸಲು ಇತರ ಮಾರಾಟಗಾರರೊಂದಿಗೆ ಪಾಲುದಾರರಾಗಲು ಬಯಸುವುದಿಲ್ಲ ಡೇಟಾ ವೇರ್ಹೌಸ್. SAP ತನ್ನ ಎಲ್ಲಾ ಸಾಫ್ಟ್‌ವೇರ್ ಅನ್ನು ಸ್ವತಃ ಉತ್ಪಾದಿಸಲು ಒತ್ತಾಯಿಸುತ್ತದೆ.

SAP ಒಂದು ದೊಡ್ಡ ಮತ್ತು ಶಕ್ತಿಯುತ ಕಂಪನಿಯಾಗಿದ್ದರೂ, ELT, OLAP, ಸಿಸ್ಟಮ್ ಆಡಳಿತ ಮತ್ತು ಕೋರ್ ಕೋಡ್‌ನ ತಂತ್ರಜ್ಞಾನವನ್ನು ಪುನಃ ಬರೆಯಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದೆ. dbms ಇದು ಕೇವಲ ಹುಚ್ಚು. ಪೂರೈಕೆದಾರರೊಂದಿಗೆ ಸಹಕಾರ ಮನೋಭಾವವನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಬದಲು ಡೇಟಾ ವೇರ್ಹೌಸ್ ದೀರ್ಘಕಾಲದ, SAP "ಅವರಿಗೆ ಚೆನ್ನಾಗಿ ತಿಳಿದಿದೆ" ವಿಧಾನವನ್ನು ಅನುಸರಿಸಿದೆ. ಈ ಧೋರಣೆಯು SAP ಕ್ಷೇತ್ರದಲ್ಲಿ ಸಾಧಿಸಬಹುದಾದ ಯಶಸ್ಸನ್ನು ತಡೆಹಿಡಿಯುತ್ತದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್.
ಬಾಹ್ಯ ಮಾರಾಟಗಾರರನ್ನು ತ್ವರಿತವಾಗಿ ಮತ್ತು ಆಕರ್ಷಕವಾಗಿ ಪ್ರವೇಶಿಸಲು SAP ನ ನಿರಾಕರಣೆ dati. ಎ ಅನ್ನು ಬಳಸುವ ಅತ್ಯಂತ ಮೂಲತತ್ವ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಗೆ ಸುಲಭ ಪ್ರವೇಶವಾಗಿದೆ dati. SAP ನ ಸಂಪೂರ್ಣ ಇತಿಹಾಸವು ಪ್ರವೇಶಿಸಲು ಕಷ್ಟವಾಗುವುದರ ಮೇಲೆ ಆಧಾರಿತವಾಗಿದೆ dati.
ದೊಡ್ಡ ಸಂಪುಟಗಳೊಂದಿಗೆ ವ್ಯವಹರಿಸುವಾಗ SAP ನ ಅನುಭವದ ಕೊರತೆ dati; ಕ್ಷೇತ್ರದಲ್ಲಿ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಸಂಪುಟಗಳಿವೆ dati SAP ನಿಂದ ಎಂದಿಗೂ ನೋಡಿಲ್ಲ ಮತ್ತು ಈ ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ನಿರ್ವಹಿಸಲು dati ನೀವು ಸೂಕ್ತವಾದ ತಂತ್ರಜ್ಞಾನವನ್ನು ಹೊಂದಿರಬೇಕು. ಕ್ಷೇತ್ರವನ್ನು ಪ್ರವೇಶಿಸಲು ಇರುವ ಈ ತಾಂತ್ರಿಕ ತಡೆಗೋಡೆಯ ಬಗ್ಗೆ SAP ಸ್ಪಷ್ಟವಾಗಿ ತಿಳಿದಿಲ್ಲ ಡೇಟಾ ವೇರ್ಹೌಸ್.
SAP ನ ಕಾರ್ಪೊರೇಟ್ ಸಂಸ್ಕೃತಿ: SAP ಅನ್ನು ಪಡೆಯುವ ವ್ಯವಹಾರವನ್ನು ಮಾಡಿದೆ dati ವ್ಯವಸ್ಥೆಯಿಂದ. ಆದರೆ ಇದನ್ನು ಮಾಡಲು ನೀವು ವಿಭಿನ್ನ ಮನಸ್ಥಿತಿಯನ್ನು ಹೊಂದಿರಬೇಕು. ಸಾಂಪ್ರದಾಯಿಕವಾಗಿ, ಪರಿಸರಕ್ಕೆ ಡೇಟಾವನ್ನು ಪಡೆಯುವಲ್ಲಿ ಉತ್ತಮವಾದ ಸಾಫ್ಟ್‌ವೇರ್ ಕಂಪನಿಗಳು ಡೇಟಾವನ್ನು ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಪಡೆಯಲು ಉತ್ತಮವಾಗಿಲ್ಲ. SAP ಈ ರೀತಿಯ ಸ್ವಿಚ್ ಮಾಡಲು ನಿರ್ವಹಿಸಿದರೆ, ಹಾಗೆ ಮಾಡುವ ಮೊದಲ ಕಂಪನಿಯಾಗಿದೆ.

ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಹೇಳುವುದಾದರೆ, ಕಂಪನಿಯು SAP ಅನ್ನು ಅದರ ಪೂರೈಕೆದಾರರಾಗಿ ಆಯ್ಕೆ ಮಾಡಬೇಕೆ ಎಂಬುದು ಪ್ರಶ್ನಾರ್ಹವಾಗಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್. ಒಂದೆಡೆ ಬಹಳ ಗಂಭೀರವಾದ ಅಪಾಯಗಳು ಮತ್ತು ಇನ್ನೊಂದೆಡೆ ಬಹಳ ಕಡಿಮೆ ಪ್ರತಿಫಲಗಳು ಇವೆ. ಆದರೆ SAP ಅನ್ನು ಸರಬರಾಜುದಾರರಾಗಿ ಆಯ್ಕೆ ಮಾಡುವುದನ್ನು ವಿರೋಧಿಸುವ ಇನ್ನೊಂದು ಕಾರಣವಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್. ಏಕೆಂದರೆ ಪ್ರತಿಯೊಂದು ಕಂಪನಿಯೂ ಒಂದೇ ಆಗಿರಬೇಕು ಡೇಟಾ ವೇರ್ಹೌಸ್ ಎಲ್ಲಾ ಇತರ ಕಂಪನಿಗಳು? ದಿ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಇದು ಸ್ಪರ್ಧಾತ್ಮಕ ಪ್ರಯೋಜನದ ಹೃದಯವಾಗಿದೆ. ಪ್ರತಿ ಕಂಪನಿಯೂ ಅದೇ ಅಳವಡಿಸಿಕೊಂಡರೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಸ್ಪರ್ಧಾತ್ಮಕ ಪ್ರಯೋಜನವನ್ನು ಸಾಧಿಸಲು ಅಸಾಧ್ಯವಲ್ಲದಿದ್ದರೂ ಕಷ್ಟವಾಗುತ್ತದೆ. SAP ಎ ಎಂದು ಭಾವಿಸುವಂತೆ ತೋರುತ್ತದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಇದನ್ನು ಕುಕೀಯಾಗಿ ಕಾಣಬಹುದು ಮತ್ತು ಇದು ಅವರ ಅಪ್ಲಿಕೇಶನ್‌ಗಳ "ಡೇಟಾವನ್ನು ಪಡೆಯಿರಿ" ಮನಸ್ಥಿತಿಯ ಮತ್ತಷ್ಟು ಸಂಕೇತವಾಗಿದೆ.

ಯಾವುದೇ ERP ಮಾರಾಟಗಾರರು SAP ನಷ್ಟು ಪ್ರಬಲವಾಗಿಲ್ಲ. ನಿಸ್ಸಂದೇಹವಾಗಿ ಅವರಿಗಾಗಿ SAP ನ ಮಾರ್ಗವನ್ನು ಅನುಸರಿಸುವ ಕಂಪನಿಗಳು ಇರುತ್ತವೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಆದರೆ ಬಹುಶಃ ಇವು ಡೇಟಾ ವೇರ್ಹೌಸ್ SAP ದೊಡ್ಡದಾಗಿರುತ್ತದೆ, ದುಬಾರಿ ಮತ್ತು ರಚಿಸಲು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ.

ಈ ಪರಿಸರದಲ್ಲಿ ಬ್ಯಾಂಕ್ ಟೆಲ್ಲರ್ ಪ್ರಕ್ರಿಯೆ, ಏರ್‌ಲೈನ್ ಕಾಯ್ದಿರಿಸುವಿಕೆ ಪ್ರಕ್ರಿಯೆಗಳು, ವಿಮಾ ಹಕ್ಕು ಪ್ರಕ್ರಿಯೆಗಳು ಇತ್ಯಾದಿ ಚಟುವಟಿಕೆಗಳು ಸೇರಿವೆ. ವಹಿವಾಟು ವ್ಯವಸ್ಥೆಯು ಹೆಚ್ಚು ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿದೆ, ಕಾರ್ಯಾಚರಣೆಯ ಪ್ರಕ್ರಿಯೆ ಮತ್ತು ಡಿಎಸ್ಎಸ್ (ಡಿಸಿಷನ್ ಸಪೋರ್ಟ್ ಸಿಸ್ಟಮ್) ನಡುವಿನ ಪ್ರತ್ಯೇಕತೆಯ ಅಗತ್ಯವು ಹೆಚ್ಚು ಸ್ಪಷ್ಟವಾಗಿದೆ. ಆದಾಗ್ಯೂ, ಮಾನವ ಸಂಪನ್ಮೂಲ ಮತ್ತು ಸಿಬ್ಬಂದಿ ವ್ಯವಸ್ಥೆಗಳೊಂದಿಗೆ, ನೀವು ಎಂದಿಗೂ ದೊಡ್ಡ ಪ್ರಮಾಣದ ವಹಿವಾಟುಗಳನ್ನು ಎದುರಿಸುವುದಿಲ್ಲ. ಮತ್ತು, ಸಹಜವಾಗಿ, ಒಬ್ಬ ವ್ಯಕ್ತಿಯು ನೇಮಕಗೊಂಡಾಗ ಅಥವಾ ಕಂಪನಿಯನ್ನು ತೊರೆದಾಗ ಇದು ವಹಿವಾಟಿನ ದಾಖಲೆಯಾಗಿದೆ. ಆದರೆ ಇತರ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಹೋಲಿಸಿದರೆ, ಮಾನವ ಸಂಪನ್ಮೂಲ ಮತ್ತು ಸಿಬ್ಬಂದಿ ವ್ಯವಸ್ಥೆಗಳು ಸರಳವಾಗಿ ಹೆಚ್ಚಿನ ವಹಿವಾಟುಗಳನ್ನು ಹೊಂದಿಲ್ಲ. ಆದ್ದರಿಂದ, ಮಾನವ ಸಂಪನ್ಮೂಲ ಮತ್ತು ಸಿಬ್ಬಂದಿ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಡೇಟಾ ವೇರ್‌ಹೌಸ್‌ನ ಅವಶ್ಯಕತೆಯಿದೆ ಎಂಬುದು ಸಂಪೂರ್ಣವಾಗಿ ಸ್ಪಷ್ಟವಾಗಿಲ್ಲ. ಅನೇಕ ವಿಧಗಳಲ್ಲಿ ಈ ವ್ಯವಸ್ಥೆಗಳು DSS ವ್ಯವಸ್ಥೆಗಳ ಸಂಯೋಜನೆಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ.

ಆದರೆ ನೀವು ಡೇಟಾ ಗೋದಾಮುಗಳು ಮತ್ತು ಪೀಪಲ್‌ಸಾಫ್ಟ್‌ನೊಂದಿಗೆ ವ್ಯವಹರಿಸುತ್ತಿದ್ದರೆ ಪರಿಗಣಿಸಬೇಕಾದ ಇನ್ನೊಂದು ಅಂಶವಿದೆ. ಅನೇಕ ಪರಿಸರಗಳಲ್ಲಿ, ಐ dati ಮಾನವ ಮತ್ತು ವೈಯಕ್ತಿಕ ಸಂಪನ್ಮೂಲಗಳು ಕಂಪನಿಯ ಪ್ರಾಥಮಿಕ ವ್ಯವಹಾರಕ್ಕೆ ದ್ವಿತೀಯಕವಾಗಿದೆ. ಹೆಚ್ಚಿನ ಕಂಪನಿಗಳು ಉತ್ಪಾದನೆ, ಮಾರಾಟ, ಸೇವೆಗಳನ್ನು ಒದಗಿಸುವುದು ಇತ್ಯಾದಿಗಳಲ್ಲಿ ತೊಡಗಿಸಿಕೊಂಡಿವೆ. ಮಾನವ ಸಂಪನ್ಮೂಲಗಳು ಮತ್ತು ಸಿಬ್ಬಂದಿ ವ್ಯವಸ್ಥೆಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಕಂಪನಿಯ ಮುಖ್ಯ ವ್ಯವಹಾರಕ್ಕೆ (ಅಥವಾ ಬೆಂಬಲಿಸುವ) ದ್ವಿತೀಯಕವಾಗಿದೆ. ಆದ್ದರಿಂದ, ಇದು ಅಸ್ಪಷ್ಟ ಮತ್ತು ಅನಾನುಕೂಲವಾಗಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಮಾನವ ಸಂಪನ್ಮೂಲ ಮತ್ತು ಸಿಬ್ಬಂದಿ ಬೆಂಬಲಕ್ಕಾಗಿ ಪ್ರತ್ಯೇಕ.

ಈ ವಿಷಯದಲ್ಲಿ ಪೀಪಲ್‌ಸಾಫ್ಟ್ SAP ಗಿಂತ ತುಂಬಾ ಭಿನ್ನವಾಗಿದೆ. SAP ಯೊಂದಿಗೆ, ಒಂದು ಇರುವುದು ಕಡ್ಡಾಯವಾಗಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್. ಪೀಪಲ್‌ಸಾಫ್ಟ್‌ನೊಂದಿಗೆ, ಅದು ಸ್ಪಷ್ಟವಾಗಿಲ್ಲ. ಪೀಪಲ್‌ಸಾಫ್ಟ್‌ನೊಂದಿಗೆ ಡೇಟಾ ವೇರ್‌ಹೌಸ್ ಐಚ್ಛಿಕವಾಗಿರುತ್ತದೆ.

ನಾನು ಹೇಳಬಹುದಾದ ಅತ್ಯುತ್ತಮ ವಿಷಯ dati ಪೀಪಲ್ ಸಾಫ್ಟ್ ಅದು ಡೇಟಾ ವೇರ್ಹೌಸ್ ಆರ್ಕೈವ್ ಮಾಡಲು ಬಳಸಬಹುದು i dati ಹಳೆಯ ಮಾನವ ಮತ್ತು ವೈಯಕ್ತಿಕ ಸಂಪನ್ಮೂಲಗಳಿಗೆ ಸಂಬಂಧಿಸಿದೆ. ಕಂಪನಿಯು ಬಳಸಲು ಬಯಸುವ ಎರಡನೆಯ ಕಾರಣ ಎ ಡೇಟಾ ವೇರ್ಹೌಸ್ a

ಪೀಪಲ್‌ಸಾಫ್ಟ್ ಪರಿಸರದ ಹಾನಿಯು ವಿಶ್ಲೇಷಣಾ ಸಾಧನಗಳಿಗೆ ಪ್ರವೇಶ ಮತ್ತು ಉಚಿತ ಪ್ರವೇಶವನ್ನು ಅನುಮತಿಸುವುದು dati ಪೀಪಲ್‌ಸಾಫ್ಟ್‌ನಿಂದ. ಆದರೆ ಈ ಕಾರಣಗಳನ್ನು ಮೀರಿ, ಡೇಟಾ ವೇರ್‌ಹೌಸ್ ಅನ್ನು ಹೊಂದಿರದಿರುವುದು ಉತ್ತಮವಾದ ಸಂದರ್ಭಗಳು ಇರಬಹುದು dati ಪೀಪಲ್ ಸಾಫ್ಟ್.

ಸಾರಾಂಶದಲ್ಲಿ

ಎ ನಿರ್ಮಾಣಕ್ಕೆ ಸಂಬಂಧಿಸಿದಂತೆ ಹಲವು ವಿಚಾರಗಳಿವೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ERP ಸಾಫ್ಟ್‌ವೇರ್‌ನಲ್ಲಿ.
ಇವುಗಳಲ್ಲಿ ಕೆಲವು:

• ▪ ಹೊಂದಲು ಇದು ಅರ್ಥಪೂರ್ಣವಾಗಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಅದು ಇಂಡಸ್ಟ್ರಿಯಲ್ಲಿ ಇನ್ನೇನಿದೆ?
• ▪ ERP ಎಷ್ಟು ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಸಾಫ್ಟ್ವೇರ್?
• ▪ ಒಂದು ERP ಡೇಟಾ ವೇರ್ಹೌಸ್ ಸಾಫ್ಟ್‌ವೇರ್ ಪರಿಮಾಣವನ್ನು ನಿಭಾಯಿಸಬಲ್ಲದು dati ಇದು a ನಲ್ಲಿ ಇದೆಡೇಟಾ ವೇರ್ಹೌಸ್ ರಂಗ"?
• ▪ ERP ಮಾರಾಟಗಾರರು ಸಮಯದ ಪರಿಭಾಷೆಯಲ್ಲಿ ಸುಲಭ ಮತ್ತು ಅಗ್ಗದ ಸಂದರ್ಭದಲ್ಲಿ ಮಾಡುವ ಟ್ರೇಸ್ ರೆಕಾರ್ಡಿಂಗ್ ಏನು, dati? (ಅಗ್ಗದ, ಸಮಯಕ್ಕೆ, ಡೇಟಾವನ್ನು ಪ್ರವೇಶಿಸಲು ಸುಲಭವಾದ ವಿತರಣೆಯಲ್ಲಿ ERP ಮಾರಾಟಗಾರರ ಟ್ರ್ಯಾಕ್ ರೆಕಾರ್ಡ್ ಏನು?)
• ▪ DSS ಆರ್ಕಿಟೆಕ್ಚರ್ ಮತ್ತು ಕಾರ್ಪೊರೇಟ್ ಮಾಹಿತಿ ಕಾರ್ಖಾನೆಯ ಬಗ್ಗೆ ERP ಮಾರಾಟಗಾರರ ತಿಳುವಳಿಕೆ ಏನು?
• ▪ ERP ಮಾರಾಟಗಾರರು ಹೇಗೆ ಸಾಧಿಸಬೇಕೆಂದು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತಾರೆ dati ಪರಿಸರದೊಳಗೆ, ಆದರೆ ಅವುಗಳನ್ನು ರಫ್ತು ಮಾಡುವುದು ಹೇಗೆ ಎಂದು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ?
• ▪ ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್ ಪರಿಕರಗಳಿಗೆ ERP ಮಾರಾಟಗಾರರು ಎಷ್ಟು ತೆರೆದಿರುತ್ತಾರೆ?
  ಎಲ್ಲಿ ಹಾಕಬೇಕೆಂದು ನಿರ್ಧರಿಸುವಲ್ಲಿ ಈ ಎಲ್ಲಾ ಪರಿಗಣನೆಗಳನ್ನು ಮಾಡಬೇಕು ಡೇಟಾ ವೇರ್ಹೌಸ್ ನಾನು ಹೋಸ್ಟ್ ಮಾಡುತ್ತದೆ dati ERP ಮತ್ತು ಇತರರು dati. ಸಾಮಾನ್ಯವಾಗಿ, ಇಲ್ಲದಿದ್ದರೆ ಮಾಡಲು ಬಲವಾದ ಕಾರಣವಿಲ್ಲದಿದ್ದರೆ, ಕಟ್ಟಡವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ERP ಮಾರಾಟಗಾರರ ಪರಿಸರದ ಹೊರಗೆ. ಅಧ್ಯಾಯ 1 BI ಸಂಸ್ಥೆಯ ಪ್ರಮುಖ ಅಂಶಗಳ ಅವಲೋಕನ:
  ಮಾಹಿತಿ ಭಂಡಾರಗಳು ವ್ಯವಹಾರ ಬುದ್ಧಿಮತ್ತೆ (BI) ಆರ್ಕಿಟೆಕ್ಚರ್‌ಗೆ ವಿರುದ್ಧವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ:
  ಕಾರ್ಪೊರೇಟ್ ಸಂಸ್ಕೃತಿ ಮತ್ತು IT BI ಸಂಸ್ಥೆಗಳನ್ನು ನಿರ್ಮಿಸುವಲ್ಲಿ ಯಶಸ್ಸನ್ನು ಮಿತಿಗೊಳಿಸಬಹುದು.

ತಂತ್ರಜ್ಞಾನವು ಇನ್ನು ಮುಂದೆ BI ಸಂಸ್ಥೆಗಳಿಗೆ ಸೀಮಿತಗೊಳಿಸುವ ಅಂಶವಲ್ಲ. ವಾಸ್ತುಶಿಲ್ಪಿಗಳು ಮತ್ತು ಯೋಜನಾ ಯೋಜಕರ ಪ್ರಶ್ನೆಯು ತಂತ್ರಜ್ಞಾನವು ಅಸ್ತಿತ್ವದಲ್ಲಿದೆಯೇ ಅಲ್ಲ, ಆದರೆ ಅವರು ಲಭ್ಯವಿರುವ ತಂತ್ರಜ್ಞಾನವನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದೇ ಎಂಬುದು.

ಅನೇಕ ಕಂಪನಿಗಳಿಗೆ ಎ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಇದು ವಿತರಿಸುವ ನಿಷ್ಕ್ರಿಯ ಠೇವಣಿಗಿಂತ ಸ್ವಲ್ಪ ಹೆಚ್ಚು dati ಅಗತ್ಯವಿರುವ ಬಳಕೆದಾರರಿಗೆ. ದಿ dati ಅವುಗಳನ್ನು ಮೂಲ ವ್ಯವಸ್ಥೆಗಳಿಂದ ಹೊರತೆಗೆಯಲಾಗುತ್ತದೆ ಮತ್ತು ಗುರಿ ರಚನೆಗಳಾಗಿ ಜನಸಂಖ್ಯೆ ಮಾಡಲಾಗುತ್ತದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್. ನಾನು dati ಅವುಗಳನ್ನು ಯಾವುದೇ ಅದೃಷ್ಟದಿಂದ ಸ್ವಚ್ಛಗೊಳಿಸಬಹುದು. ಆದಾಗ್ಯೂ ಯಾವುದೇ ಹೆಚ್ಚುವರಿ ಮೌಲ್ಯವನ್ನು ಸೇರಿಸುವುದಿಲ್ಲ ಅಥವಾ ಸಂಗ್ರಹಿಸುವುದಿಲ್ಲ dati ಈ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ.

ಮೂಲಭೂತವಾಗಿ, ನಿಷ್ಕ್ರಿಯ Dw, ಅತ್ಯುತ್ತಮವಾಗಿ, i ಅನ್ನು ಮಾತ್ರ ಒದಗಿಸುತ್ತದೆ dati ಬಳಕೆದಾರರ ಸಂಘಗಳಿಗೆ ಶುದ್ಧ ಮತ್ತು ಕಾರ್ಯಾಚರಣೆ. ಮಾಹಿತಿ ರಚನೆ ಮತ್ತು ವಿಶ್ಲೇಷಣಾತ್ಮಕ ತಿಳುವಳಿಕೆ ಸಂಪೂರ್ಣವಾಗಿ ಬಳಕೆದಾರರಿಗೆ ಬಿಟ್ಟದ್ದು. DW ಎಂಬುದನ್ನು ನಿರ್ಣಯಿಸಿ (ಮಾಹಿತಿ ಉಗ್ರಾಣ) ಒಂದು ಯಶಸ್ಸು ವ್ಯಕ್ತಿನಿಷ್ಠವಾಗಿದೆ. ಸಮರ್ಥವಾಗಿ ಸಂಗ್ರಹಿಸುವ, ಸಂಯೋಜಿಸುವ ಮತ್ತು ಸ್ವಚ್ಛಗೊಳಿಸುವ ಸಾಮರ್ಥ್ಯದ ಮೇಲೆ ನಾವು ಯಶಸ್ಸನ್ನು ನಿರ್ಣಯಿಸಿದರೆ dati ಊಹಿಸಬಹುದಾದ ಆಧಾರದ ಮೇಲೆ ಕಾರ್ಪೊರೇಟ್, ನಂತರ ಹೌದು, DW ಯಶಸ್ವಿಯಾಗಿದೆ. ಮತ್ತೊಂದೆಡೆ, ನಾವು ಒಟ್ಟಾರೆಯಾಗಿ ಸಂಸ್ಥೆಯ ಮಾಹಿತಿಯ ಸಂಗ್ರಹಣೆ, ಬಲವರ್ಧನೆ ಮತ್ತು ಶೋಷಣೆಯನ್ನು ನೋಡಿದರೆ, ಡಿಡಬ್ಲ್ಯೂ ವಿಫಲವಾಗಿದೆ. ಒಂದು DW ಯಾವುದೇ ಮಾಹಿತಿ ಮೌಲ್ಯವನ್ನು ಕಡಿಮೆ ನೀಡುತ್ತದೆ. ಪರಿಣಾಮವಾಗಿ, ಬಳಕೆದಾರರು ಮಾಡಲು ಬಲವಂತವಾಗಿ ಮಾಹಿತಿ ಸಿಲೋಗಳನ್ನು ರಚಿಸುತ್ತಾರೆ. ಈ ಅಧ್ಯಾಯವು ಕಂಪನಿಯ ಬಿಐ (ಬಿಸಿನೆಸ್ ಇಂಟೆಲಿಜೆನ್ಸ್) ಆರ್ಕಿಟೆಕ್ಚರ್ ಅನ್ನು ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸಲು ಸಮಗ್ರ ನೋಟವನ್ನು ಒದಗಿಸುತ್ತದೆ. ನಾವು BI ಯ ವಿವರಣೆಯೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸುತ್ತೇವೆ ಮತ್ತು ನಂತರ ಮಾಹಿತಿ ವಿನ್ಯಾಸ ಮತ್ತು ಅಭಿವೃದ್ಧಿಯ ಚರ್ಚೆಗಳಿಗೆ ಹೋಗುತ್ತೇವೆ, ಕೇವಲ ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸುವುದಕ್ಕೆ ವಿರುದ್ಧವಾಗಿ. dati ಬಳಕೆದಾರರಿಗೆ. ಚರ್ಚೆಗಳು ನಂತರ ನಿಮ್ಮ BI ಪ್ರಯತ್ನಗಳ ಮೌಲ್ಯವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದರ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತವೆ. ನಿಮ್ಮ ಸಂಸ್ಥೆಯ ಬಿಐ ಆರ್ಕಿಟೆಕ್ಚರಲ್ ಅವಶ್ಯಕತೆಗಳನ್ನು IBM ಹೇಗೆ ಪರಿಹರಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸುವ ಮೂಲಕ ನಾವು ತೀರ್ಮಾನಿಸುತ್ತೇವೆ.

ವಾಸ್ತುಶಿಲ್ಪದ ವಿವರಣೆ BI ಸಂಸ್ಥೆ

ಶಕ್ತಿಯುತ ವಹಿವಾಟು-ಆಧಾರಿತ ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆಗಳು ಈಗ ಪ್ರತಿ ದೊಡ್ಡ ಉದ್ಯಮದಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿದೆ, ಪ್ರಪಂಚದಾದ್ಯಂತದ ನಿಗಮಗಳಿಗೆ ಆಟದ ಮೈದಾನವನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ನೆಲಸಮಗೊಳಿಸುತ್ತದೆ.

ಸ್ಪರ್ಧಾತ್ಮಕವಾಗಿ ಉಳಿದಿದೆ, ಆದಾಗ್ಯೂ, ಈಗ ಅವರು ಈಗಾಗಲೇ ಹೊಂದಿರುವ ಮಾಹಿತಿಯನ್ನು ಮರುಶೋಧಿಸುವ ಮತ್ತು ಬಳಸುವ ಕಂಪನಿಯ ಸಾಮರ್ಥ್ಯವನ್ನು ಕ್ರಾಂತಿಗೊಳಿಸಬಹುದಾದ ವಿಶ್ಲೇಷಣಾತ್ಮಕವಾಗಿ ಆಧಾರಿತ ವ್ಯವಸ್ಥೆಗಳ ಅಗತ್ಯವಿದೆ. ಈ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ವ್ಯವಸ್ಥೆಗಳು ಶ್ರೀಮಂತಿಕೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದರಿಂದ ಹುಟ್ಟಿಕೊಂಡಿವೆ dati ಲಭ್ಯವಿದೆ. BI ಎಂಟರ್‌ಪ್ರೈಸ್‌ನಾದ್ಯಂತ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸುಧಾರಿಸಬಹುದು. ಕಂಪನಿಗಳು ಗ್ರಾಹಕ-ಪೂರೈಕೆದಾರರ ಸಂಬಂಧಗಳನ್ನು ಸುಧಾರಿಸಬಹುದು, ಉತ್ಪನ್ನಗಳು ಮತ್ತು ಸೇವೆಗಳ ಲಾಭದಾಯಕತೆಯನ್ನು ಸುಧಾರಿಸಬಹುದು, ಹೊಸ ಮತ್ತು ಉತ್ತಮ ಕೊಡುಗೆಗಳನ್ನು ಉತ್ಪಾದಿಸಬಹುದು, ಅಪಾಯವನ್ನು ನಿಯಂತ್ರಿಸಬಹುದು ಮತ್ತು ಇತರ ಅನೇಕ ಲಾಭಗಳ ನಡುವೆ ನಾಟಕೀಯವಾಗಿ ವೆಚ್ಚಗಳನ್ನು ಕಡಿತಗೊಳಿಸಬಹುದು. BI ನೊಂದಿಗೆ ನಿಮ್ಮ ಕಂಪನಿಯು ಅಂತಿಮವಾಗಿ ಗ್ರಾಹಕರ ಮಾಹಿತಿಯನ್ನು ಸ್ಪರ್ಧಾತ್ಮಕ ಆಸ್ತಿಯಾಗಿ ಬಳಸಲು ಪ್ರಾರಂಭಿಸುತ್ತದೆ ಮಾರುಕಟ್ಟೆ ಉದ್ದೇಶಗಳನ್ನು ಹೊಂದಿರುವ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗೆ ಧನ್ಯವಾದಗಳು.

ಸರಿಯಾದ ವ್ಯಾಪಾರ ಸಾಧನಗಳನ್ನು ಹೊಂದಿರುವುದು ಎಂದರೆ ಪ್ರಮುಖ ಪ್ರಶ್ನೆಗಳಿಗೆ ನಿರ್ಣಾಯಕ ಉತ್ತರಗಳನ್ನು ಹೊಂದಿರುವುದು:

• ▪ ನಮ್ಮದು ಯಾವುದು ಗ್ರಾಹಕರಿಗೆ ಅವರು ನಮ್ಮನ್ನು ಹೆಚ್ಚು ಸಂಪಾದಿಸುತ್ತಾರೆಯೇ ಅಥವಾ ಹಣವನ್ನು ಕಳೆದುಕೊಳ್ಳುವಂತೆ ಮಾಡುತ್ತಾರೆಯೇ?
• ▪ ನಮ್ಮ ಅತ್ಯುತ್ತಮ ವಾಸಿಸುವ ಸ್ಥಳ ಗ್ರಾಹಕರಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಅಂಗಡಿ/ ಅವರು ಆಗಾಗ್ಗೆ ಗೋದಾಮು?
• ▪ ನಮ್ಮ ಯಾವ ಉತ್ಪನ್ನಗಳು ಮತ್ತು ಸೇವೆಗಳನ್ನು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಮಾರಾಟ ಮಾಡಬಹುದು ಮತ್ತು ಯಾರಿಗೆ?
• ▪ ಯಾವ ಉತ್ಪನ್ನಗಳನ್ನು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಮಾರಾಟ ಮಾಡಬಹುದು ಮತ್ತು ಯಾರಿಗೆ?
• ▪ ಯಾವ ಮಾರಾಟ ಪ್ರಚಾರವು ಹೆಚ್ಚು ಯಶಸ್ವಿಯಾಗಿದೆ ಮತ್ತು ಏಕೆ?
• ▪ ಯಾವ ಉತ್ಪನ್ನಗಳಿಗೆ ಯಾವ ಮಾರಾಟ ಚಾನಲ್‌ಗಳು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿ?
• ▪ ನಮ್ಮ ಉತ್ತಮ ಜನರೊಂದಿಗೆ ನಾವು ಹೇಗೆ ಸಂಬಂಧವನ್ನು ಸುಧಾರಿಸಬಹುದು ಗ್ರಾಹಕರಿಗೆ? ಹೆಚ್ಚಿನ ಕಂಪನಿಗಳು ಹೊಂದಿವೆ dati ಈ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸಲು ಒರಟು ಮಾರ್ಗಗಳು.
  ಕಾರ್ಯಾಚರಣಾ ವ್ಯವಸ್ಥೆಗಳು ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಉತ್ಪನ್ನವನ್ನು ಉತ್ಪಾದಿಸುತ್ತವೆ, ಗ್ರಾಹಕರು ಮತ್ತು dati ಮಾರಾಟದ ಬಿಂದುಗಳಿಂದ ಮಾರುಕಟ್ಟೆ, ಕಾಯ್ದಿರಿಸುವಿಕೆಗಳು, ಗ್ರಾಹಕ ಸೇವೆ ಮತ್ತು ತಾಂತ್ರಿಕ ಬೆಂಬಲ ವ್ಯವಸ್ಥೆಗಳು. ಈ ಮಾಹಿತಿಯನ್ನು ಹೊರತೆಗೆಯುವುದು ಮತ್ತು ಬಳಸಿಕೊಳ್ಳುವುದು ಸವಾಲು. ಅನೇಕ ಕಂಪನಿಗಳು ತಮ್ಮ ಸಣ್ಣ ಭಾಗಗಳಿಂದ ಮಾತ್ರ ಲಾಭ ಪಡೆಯುತ್ತವೆ dati ಕಾರ್ಯತಂತ್ರದ ವಿಶ್ಲೇಷಣೆಗಾಗಿ.
  I dati ಉಳಿದಿದೆ, ಸಾಮಾನ್ಯವಾಗಿ i ನೊಂದಿಗೆ ಸೇರಿಕೊಳ್ಳುತ್ತದೆ dati ಸರ್ಕಾರಿ ವರದಿಗಳು ಮತ್ತು ಇತರ ಖರೀದಿಸಿದ ಮಾಹಿತಿಯಂತಹ ಬಾಹ್ಯ ಮೂಲಗಳಿಂದ ಪಡೆಯಲಾಗಿದೆ, ಇದು ಅನ್ವೇಷಿಸಲು ಕಾಯುತ್ತಿರುವ ಚಿನ್ನದ ಗಣಿಯಾಗಿದೆ, ಮತ್ತು dati ನಿಮ್ಮ ಸಂಸ್ಥೆಯ ಮಾಹಿತಿಯ ಸಂದರ್ಭದಲ್ಲಿ ಅವುಗಳನ್ನು ಪರಿಷ್ಕರಿಸಬೇಕು.

ಈ ಜ್ಞಾನವನ್ನು ಹಲವಾರು ವಿಧಗಳಲ್ಲಿ ಅನ್ವಯಿಸಬಹುದು, ಒಟ್ಟಾರೆ ಸಾಂಸ್ಥಿಕ ಕಾರ್ಯತಂತ್ರವನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವುದರಿಂದ ಹಿಡಿದು ಪೂರೈಕೆದಾರರೊಂದಿಗೆ ವೈಯಕ್ತಿಕ ಸಂವಹನದವರೆಗೆ, ಕರೆ ಕೇಂದ್ರಗಳು, ಇನ್‌ವಾಯ್ಸ್, ಇಂಟರ್ನೆಟ್ ಮತ್ತು ಇತರ ಅಂಶಗಳು. ಇಂದಿನ ವ್ಯಾಪಾರ ಪರಿಸರವು DW ಮತ್ತು ಸಂಬಂಧಿತ BI ಪರಿಹಾರಗಳು ಸಾಂಪ್ರದಾಯಿಕ ವ್ಯಾಪಾರ ರಚನೆಗಳನ್ನು ಚಲಾಯಿಸುವುದನ್ನು ಮೀರಿ ವಿಕಸನಗೊಳ್ಳುತ್ತವೆ ಎಂದು ನಿರ್ದೇಶಿಸುತ್ತದೆ. dati ಯಾವ ನಾನು dati ಪರಮಾಣು ಮಟ್ಟದಲ್ಲಿ ಮತ್ತು "ಸ್ಟಾರ್/ಕ್ಯೂಬ್ ಫಾರ್ಮ್ಸ್" ನಲ್ಲಿ ಸಾಮಾನ್ಯೀಕರಿಸಲಾಗಿದೆ.

ಸ್ಪರ್ಧಾತ್ಮಕವಾಗಿ ಉಳಿಯಲು ಬೇಕಾಗಿರುವುದು ವಿಶಾಲವಾದ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಭೂದೃಶ್ಯವನ್ನು ಬೆಂಬಲಿಸುವ ಪ್ರಯತ್ನದಲ್ಲಿ ಸಾಂಪ್ರದಾಯಿಕ ಮತ್ತು ಸುಧಾರಿತ ತಂತ್ರಜ್ಞಾನಗಳ ಸಮ್ಮಿಳನವಾಗಿದೆ.
ತೀರ್ಮಾನಿಸಲು, ಸಾಮಾನ್ಯ ಪರಿಸರವು ಒಟ್ಟಾರೆಯಾಗಿ ಕಂಪನಿಯ ಜ್ಞಾನವನ್ನು ಸುಧಾರಿಸಬೇಕು, ನಡೆಸಿದ ವಿಶ್ಲೇಷಣೆಗಳ ಪರಿಣಾಮವಾಗಿ ತೆಗೆದುಕೊಂಡ ಕ್ರಮಗಳು ಎಲ್ಲರಿಗೂ ಪ್ರಯೋಜನಕಾರಿಯಾಗುತ್ತವೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಬೇಕು.

ಉದಾಹರಣೆಗೆ, ನಿಮ್ಮದನ್ನು ನೀವು ವರ್ಗೀಕರಿಸುತ್ತೀರಿ ಎಂದು ಹೇಳೋಣ ಗ್ರಾಹಕರಿಗೆ ಹೆಚ್ಚಿನ ಅಥವಾ ಕಡಿಮೆ ಅಪಾಯದ ವರ್ಗಗಳಾಗಿ.
ಈ ಮಾಹಿತಿಯನ್ನು ಮಾದರಿ ಗಣಿಗಾರಿಕೆ ಅಥವಾ ಇತರ ವಿಧಾನಗಳಿಂದ ರಚಿಸಿದರೆ, ಅದನ್ನು DW ಗೆ ಹಾಕಬೇಕು ಮತ್ತು ಸ್ಥಿರ ವರದಿಗಳು, ಸ್ಪ್ರೆಡ್‌ಶೀಟ್‌ಗಳು, ಕೋಷ್ಟಕಗಳು ಅಥವಾ ಆನ್‌ಲೈನ್ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಪ್ರಕ್ರಿಯೆ (OLAP ) ನಂತಹ ಯಾವುದೇ ಪ್ರವೇಶ ಸಾಧನದ ಮೂಲಕ ಯಾರಿಗಾದರೂ ಪ್ರವೇಶಿಸಬಹುದು.

ಆದಾಗ್ಯೂ, ಪ್ರಸ್ತುತ, ಈ ರೀತಿಯ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಯು ಸಿಲೋಗಳಲ್ಲಿ ಉಳಿದಿದೆ dati ವಿಶ್ಲೇಷಣೆಯನ್ನು ಉತ್ಪಾದಿಸುವ ವ್ಯಕ್ತಿಗಳು ಅಥವಾ ಇಲಾಖೆಗಳು. ಸಂಸ್ಥೆಯು ಒಟ್ಟಾರೆಯಾಗಿ, ತಿಳುವಳಿಕೆಗಾಗಿ ಯಾವುದೇ ಗೋಚರತೆಯನ್ನು ಹೊಂದಿಲ್ಲ. ನಿಮ್ಮ ಎಂಟರ್‌ಪ್ರೈಸ್ ಡಿಡಬ್ಲ್ಯೂಗೆ ಈ ರೀತಿಯ ಮಾಹಿತಿ ವಿಷಯವನ್ನು ಮಿಶ್ರಣ ಮಾಡುವ ಮೂಲಕ ಮಾತ್ರ ನೀವು ಮಾಹಿತಿ ಸಿಲೋಗಳನ್ನು ತೊಡೆದುಹಾಕಬಹುದು ಮತ್ತು ನಿಮ್ಮ ಡಿಡಬ್ಲ್ಯೂ ಪರಿಸರವನ್ನು ಹೆಚ್ಚಿಸಬಹುದು.
ಬಿಐ ಸಂಸ್ಥೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಎರಡು ಪ್ರಮುಖ ಅಡಚಣೆಗಳಿವೆ.
ಮೊದಲನೆಯದಾಗಿ, ನಮಗೆ ಸಂಸ್ಥೆಯ ಸಮಸ್ಯೆ ಮತ್ತು ಅದರ ಶಿಸ್ತಿನ ಸಮಸ್ಯೆ ಇದೆ.
ಸಾಂಸ್ಥಿಕ ನೀತಿ ಬದಲಾವಣೆಗಳಿಗೆ ನಮಗೆ ಸಹಾಯ ಮಾಡಲು ಸಾಧ್ಯವಾಗದಿದ್ದರೂ, ಸಂಸ್ಥೆಯ ಬಿಐ, ಅದರ ಆರ್ಕಿಟೆಕ್ಚರ್ ಮತ್ತು ಐಬಿಎಂ ತಂತ್ರಜ್ಞಾನವು ಅದರ ಅಭಿವೃದ್ಧಿಯನ್ನು ಹೇಗೆ ಸುಗಮಗೊಳಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ನಾವು ಸಹಾಯ ಮಾಡಬಹುದು.
ಜಯಿಸಲು ಎರಡನೆಯ ತಡೆಗೋಡೆಯೆಂದರೆ ಸಮಗ್ರ ತಂತ್ರಜ್ಞಾನದ ಕೊರತೆ ಮತ್ತು ಸಂಪೂರ್ಣ ಬಿಐ ಜಾಗವನ್ನು ಕೇವಲ ಒಂದು ಸಣ್ಣ ಘಟಕಕ್ಕೆ ವಿರುದ್ಧವಾಗಿ ತಿಳಿಸುವ ವಿಧಾನದ ಜ್ಞಾನ.

IBM ಏಕೀಕರಣ ತಂತ್ರಜ್ಞಾನದಲ್ಲಿನ ಬದಲಾವಣೆಗಳೊಂದಿಗೆ ಹಿಡಿತಕ್ಕೆ ಬರುತ್ತಿದೆ. ಚಿಂತನಶೀಲ ವಿನ್ಯಾಸವನ್ನು ಒದಗಿಸುವುದು ನಿಮ್ಮ ಜವಾಬ್ದಾರಿಯಾಗಿದೆ. ಈ ಆರ್ಕಿಟೆಕ್ಚರ್ ಅನ್ನು ಅನಿಯಂತ್ರಿತ ಏಕೀಕರಣಕ್ಕಾಗಿ ಆಯ್ಕೆಮಾಡಿದ ತಂತ್ರಜ್ಞಾನದೊಂದಿಗೆ ಅಭಿವೃದ್ಧಿಪಡಿಸಬೇಕು, ಅಥವಾ ಕನಿಷ್ಠ, ತೆರೆದ ಮಾನದಂಡಗಳಿಗೆ ಬದ್ಧವಾಗಿರುವ ತಂತ್ರಜ್ಞಾನದೊಂದಿಗೆ. ಇದಲ್ಲದೆ, ನಿಮ್ಮ ಕಂಪನಿ ನಿರ್ವಹಣೆಯು ಯೋಜನೆಯ ಪ್ರಕಾರ BI ಕಾರ್ಯವನ್ನು ಕೈಗೊಳ್ಳಲಾಗಿದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಬೇಕು ಮತ್ತು ಸ್ವಯಂ-ಸೇವೆಯ ಅಜೆಂಡಾಗಳು ಅಥವಾ ಉದ್ದೇಶಗಳಿಂದ ಉಂಟಾಗುವ ಮಾಹಿತಿ ಸಿಲೋಗಳ ಅಭಿವೃದ್ಧಿಯನ್ನು ಅನುಮತಿಸುವುದಿಲ್ಲ.
ವಿಭಿನ್ನ ಬಳಕೆದಾರರ ವಿವಿಧ ಅಗತ್ಯಗಳು ಮತ್ತು ಅವಶ್ಯಕತೆಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯಿಸಲು BI ಪರಿಸರವು ಸಂವೇದನಾಶೀಲವಾಗಿಲ್ಲ ಎಂದು ಹೇಳುವುದಿಲ್ಲ; ಬದಲಾಗಿ, ಆ ವೈಯಕ್ತಿಕ ಅಗತ್ಯಗಳು ಮತ್ತು ಅವಶ್ಯಕತೆಗಳ ಅನುಷ್ಠಾನವನ್ನು ಸಂಪೂರ್ಣ BI ಸಂಸ್ಥೆಯ ಪ್ರಯೋಜನಕ್ಕಾಗಿ ಮಾಡಲಾಗುತ್ತದೆ ಎಂದರ್ಥ.
BI ಸಂಸ್ಥೆಯ ವಾಸ್ತುಶಿಲ್ಪದ ವಿವರಣೆಯನ್ನು ಚಿತ್ರ 9 ರಲ್ಲಿ ಪುಟ 1.1 ರಲ್ಲಿ ಕಾಣಬಹುದು.ವಾಸ್ತುಶೈಲಿಯು ತಂತ್ರಜ್ಞಾನಗಳು ಮತ್ತು ತಂತ್ರಗಳ ಸಮೃದ್ಧ ಮಿಶ್ರಣವನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ.
ಸಾಂಪ್ರದಾಯಿಕ ದೃಷ್ಟಿಕೋನದಿಂದ, ವಾಸ್ತುಶಿಲ್ಪವು ಈ ಕೆಳಗಿನ ಗೋದಾಮಿನ ಘಟಕಗಳನ್ನು ಒಳಗೊಂಡಿದೆ

ಪರಮಾಣು ಪದರ.

ಇದು ಸಂಪೂರ್ಣ DW ಯ ಅಡಿಪಾಯ, ಹೃದಯ ಮತ್ತು ಆದ್ದರಿಂದ ಕಾರ್ಯತಂತ್ರದ ವರದಿಯಾಗಿದೆ.
I dati ಇಲ್ಲಿ ಸಂಗ್ರಹವಾಗಿರುವ ಐತಿಹಾಸಿಕ ಸಮಗ್ರತೆ, ಸಂಬಂಧಗಳನ್ನು ಉಳಿಸಿಕೊಳ್ಳುತ್ತದೆ dati ಮತ್ತು ಪಡೆದ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ, ಜೊತೆಗೆ ಮಾದರಿಯ ಹೊರತೆಗೆಯುವಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಸ್ವಚ್ಛಗೊಳಿಸಲಾಗುತ್ತದೆ, ಸಂಯೋಜಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ.
ಇವುಗಳ ಎಲ್ಲಾ ನಂತರದ ಬಳಕೆ dati ಮತ್ತು ಸಂಬಂಧಿತ ಮಾಹಿತಿಯನ್ನು ಈ ರಚನೆಯಿಂದ ಪಡೆಯಲಾಗಿದೆ. ಗಣಿಗಾರಿಕೆಗೆ ಇದು ಅತ್ಯುತ್ತಮ ಮೂಲವಾಗಿದೆ dati ಮತ್ತು ರಚನಾತ್ಮಕ SQL ಪ್ರಶ್ನೆಗಳೊಂದಿಗೆ ವರದಿಗಳಿಗಾಗಿ

ಕಾರ್ಯಾಚರಣಾ ಡಿಪೋ dati ಅಥವಾ ಆಧರಿಸಿ ವರದಿ ಮಾಡಿ dati(ಆಪರೇಷನಲ್ ಡೇಟಾ ಸ್ಟೋರ್ (ODS) ಅಥವಾ ವರದಿ ಮಾಡುವಿಕೆ ಡೇಟಾಬೇಸ್.)

ಇದು ಒಂದು ರಚನೆಯಾಗಿದೆ dati ತಾಂತ್ರಿಕ ವರದಿಗಾಗಿ ನಿರ್ದಿಷ್ಟವಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ.

I dati ಈ ರಚನೆಗಳ ಮೇಲೆ ಸಂಗ್ರಹಿಸಿದ ಮತ್ತು ವರದಿ ಮಾಡಲಾದ ಸ್ಟೇಜಿಂಗ್ ಪ್ರದೇಶದ ಮೂಲಕ ಅಂತಿಮವಾಗಿ ಗೋದಾಮಿನೊಳಗೆ ಹರಡಬಹುದು, ಅಲ್ಲಿ ಅದನ್ನು ಕಾರ್ಯತಂತ್ರದ ಸಂಕೇತಕ್ಕಾಗಿ ಬಳಸಬಹುದು.

ರಂಗಮಂಚ.

ಹೆಚ್ಚಿನವರಿಗೆ ಮೊದಲ ನಿಲುಗಡೆ dati ಗೋದಾಮಿನ ಪರಿಸರಕ್ಕೆ ಉದ್ದೇಶಿಸಲಾಗಿದೆ ಸಂಸ್ಥೆಯ ವಲಯ.
ಇಲ್ಲಿ ಐ dati ಅವುಗಳನ್ನು ಸಂಯೋಜಿಸಲಾಗಿದೆ, ಸ್ವಚ್ಛಗೊಳಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಪರಿವರ್ತಿಸಲಾಗುತ್ತದೆ dati ಗೋದಾಮಿನ ರಚನೆಯನ್ನು ಜನಪ್ರಿಯಗೊಳಿಸುವ ಲಾಭಗಳು

ಡೇಟಾ ಮಾರ್ಟ್ಸ್.

ವಾಸ್ತುಶಿಲ್ಪದ ಈ ಭಾಗವು ರಚನೆಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ dati OLAP ಗಾಗಿ ನಿರ್ದಿಷ್ಟವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಡೇಟಾಮಾರ್ಟ್‌ಗಳ ಉಪಸ್ಥಿತಿ, ಒಂದು ವೇಳೆ i dati ಅತಿಕ್ರಮಿಸುವ ನಕ್ಷತ್ರ ಸ್ಕೀಮಾಗಳಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ dati ಸಂಬಂಧಿತ ಪರಿಸರದಲ್ಲಿ ಅಥವಾ ಫೈಲ್‌ಗಳಲ್ಲಿ ಬಹುಆಯಾಮದ dati DB2 OLAP ಸರ್ವರ್‌ನಂತಹ ನಿರ್ದಿಷ್ಟ OLAP ತಂತ್ರಜ್ಞಾನದಿಂದ ಬಳಸಲಾಗುವ ಗೌಪ್ಯವು ಪ್ರಸ್ತುತವಲ್ಲ.

ವಾಸ್ತುಶೈಲಿಯು ಬಳಕೆಯನ್ನು ಸುಗಮಗೊಳಿಸುತ್ತದೆ ಎಂಬುದು ಒಂದೇ ನಿರ್ಬಂಧವಾಗಿದೆ dati ಬಹು ಆಯಾಮದ.
ವಾಸ್ತುಶಿಲ್ಪವು ನಿರ್ಣಾಯಕ ದ್ವಿ ತಂತ್ರಜ್ಞಾನಗಳು ಮತ್ತು ತಂತ್ರಗಳನ್ನು ಒಳಗೊಂಡಿದೆ:

ಪ್ರಾದೇಶಿಕ ವಿಶ್ಲೇಷಣೆ

ವಿಶ್ಲೇಷಕರಿಗೆ ಬಾಹ್ಯಾಕಾಶವು ಮಾಹಿತಿಯ ವಿಂಡ್‌ಫಾಲ್ ಆಗಿದೆ ಮತ್ತು ಸಂಪೂರ್ಣ ರೆಸಲ್ಯೂಶನ್‌ಗೆ ನಿರ್ಣಾಯಕವಾಗಿದೆ. ಬಾಹ್ಯಾಕಾಶವು ನಿರ್ದಿಷ್ಟ ಸ್ಥಳದಲ್ಲಿ ವಾಸಿಸುವ ಜನರ ಬಗ್ಗೆ ಮಾಹಿತಿಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ, ಹಾಗೆಯೇ ಆ ಸ್ಥಳವು ಪ್ರಪಂಚದ ಇತರ ಭಾಗಗಳಿಗೆ ಭೌತಿಕವಾಗಿ ಸಂಬಂಧಿಸಿರುವ ಮಾಹಿತಿಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ.

ಈ ವಿಶ್ಲೇಷಣೆಯನ್ನು ನಿರ್ವಹಿಸಲು, ನಿಮ್ಮ ಮಾಹಿತಿಯನ್ನು ಅಕ್ಷಾಂಶ ಮತ್ತು ರೇಖಾಂಶ ನಿರ್ದೇಶಾಂಕಗಳಿಗೆ ಜೋಡಿಸುವ ಮೂಲಕ ನೀವು ಪ್ರಾರಂಭಿಸಬೇಕು. ಇದನ್ನು "ಜಿಯೋಕೋಡಿಂಗ್" ಎಂದು ಉಲ್ಲೇಖಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ನಿಮ್ಮ ಗೋದಾಮಿನ ಪರಮಾಣು ಮಟ್ಟದಲ್ಲಿ ಸಾರ, ರೂಪಾಂತರ ಮತ್ತು ಲೋಡ್ (ETL) ಪ್ರಕ್ರಿಯೆಯ ಭಾಗವಾಗಿರಬೇಕು.

ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ.

ಹೊರತೆಗೆಯುವಿಕೆ dati ನಮ್ಮ ಕಂಪನಿಗಳ ಸಂಖ್ಯೆಯನ್ನು ಹೆಚ್ಚಿಸಲು ಅನುಮತಿಸುತ್ತದೆ ಗ್ರಾಹಕರಿಗೆ, ಮಾರಾಟದ ಪ್ರವೃತ್ತಿಗಳನ್ನು ಊಹಿಸಲು ಮತ್ತು ಸಂಬಂಧಗಳ ನಿರ್ವಹಣೆಯನ್ನು ಅನುಮತಿಸಲು ಗ್ರಾಹಕರಿಗೆ (ಸಿಆರ್ಎಂ), ಇತರ BI ಉಪಕ್ರಮಗಳ ನಡುವೆ.

ಹೊರತೆಗೆಯುವಿಕೆ dati ಆದ್ದರಿಂದ ಇದನ್ನು ರಚನೆಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸಬೇಕು dati Dwhouse ನ ಮತ್ತು ಸಂಬಂಧಿತ ತಂತ್ರಜ್ಞಾನ ಮತ್ತು ತಂತ್ರಗಳ ಪರಿಣಾಮಕಾರಿ ಮತ್ತು ಪರಿಣಾಮಕಾರಿ ಬಳಕೆಯನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಗೋದಾಮಿನ ಪ್ರಕ್ರಿಯೆಗಳಿಂದ ಬೆಂಬಲಿತವಾಗಿದೆ.

ಬಿಐ ಆರ್ಕಿಟೆಕ್ಚರ್‌ನಲ್ಲಿ ಸೂಚಿಸಿದಂತೆ, ಡ್ವ್‌ಹೌಸ್‌ನ ಪರಮಾಣು ಮಟ್ಟ ಮತ್ತು ಡೇಟಾಮಾರ್ಟ್‌ಗಳು ಅತ್ಯುತ್ತಮ ಮೂಲವಾಗಿದೆ dati ಹೊರತೆಗೆಯುವಿಕೆಗಾಗಿ. ವಿಶಾಲವಾದ ಪ್ರೇಕ್ಷಕರಿಗೆ ಲಭ್ಯತೆಯನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಅದೇ ಸೌಲಭ್ಯಗಳು ಹೊರತೆಗೆಯುವ ಫಲಿತಾಂಶಗಳನ್ನು ಸ್ವೀಕರಿಸುವವರಾಗಿರಬೇಕು.

ಏಜೆಂಟರು.

ಕಂಪನಿಯ ಕಾರ್ಯಾಚರಣಾ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು dw ನಂತಹ ಪ್ರತಿಯೊಂದು ಹಂತಕ್ಕೂ ಕ್ಲೈಂಟ್ ಅನ್ನು ಪರೀಕ್ಷಿಸಲು ವಿವಿಧ "ಏಜೆಂಟ್"ಗಳಿವೆ. ಈ ಏಜೆಂಟ್‌ಗಳು ಪ್ರತಿ ಹಂತದಲ್ಲಿ ಟ್ರೆಂಡ್‌ಗಳ ಬಗ್ಗೆ ಕಲಿಯಲು ತರಬೇತಿ ಪಡೆದ ಸುಧಾರಿತ ನರಮಂಡಲಗಳಾಗಿರಬಹುದು, ಉದಾಹರಣೆಗೆ ಮಾರಾಟ ಪ್ರಚಾರಗಳ ಆಧಾರದ ಮೇಲೆ ಭವಿಷ್ಯದ ಉತ್ಪನ್ನ ಬೇಡಿಕೆ, ನಿಯಮ-ಆಧಾರಿತ ಎಂಜಿನ್‌ಗಳು ಪ್ರತಿಕ್ರಿಯಿಸಲು ನೀಡಿದ ಸಂದರ್ಭಗಳ ಸೆಟ್, ಅಥವಾ "ಉನ್ನತ ಕಾರ್ಯನಿರ್ವಾಹಕರಿಗೆ" ವಿನಾಯಿತಿಗಳನ್ನು ವರದಿ ಮಾಡುವ ಸರಳ ಏಜೆಂಟ್‌ಗಳು. ಈ ಪ್ರಕ್ರಿಯೆಗಳು ಸಾಮಾನ್ಯವಾಗಿ ನೈಜ ಸಮಯದಲ್ಲಿ ಸಂಭವಿಸುತ್ತವೆ ಮತ್ತು ಆದ್ದರಿಂದ, ಅವುಗಳ ಚಲನೆಯೊಂದಿಗೆ ನಿಕಟವಾಗಿ ಜೋಡಿಸಬೇಕು dati. ಈ ಎಲ್ಲಾ ರಚನೆಗಳು dati, ತಂತ್ರಜ್ಞಾನಗಳು ಮತ್ತು ತಂತ್ರಗಳು ನಿಮ್ಮ ಬಿಐ ಸಂಘಟನೆಯನ್ನು ರಚಿಸಲು ನೀವು ರಾತ್ರಿಯನ್ನು ಕಳೆಯುವುದಿಲ್ಲ ಎಂದು ಖಾತರಿಪಡಿಸುತ್ತದೆ.

ಈ ಚಟುವಟಿಕೆಯನ್ನು ಸಣ್ಣ ಅಂಕಗಳಿಗಾಗಿ ಹೆಚ್ಚುತ್ತಿರುವ ಹಂತಗಳಲ್ಲಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗುತ್ತದೆ.
ಪ್ರತಿಯೊಂದು ಹಂತವು ಸ್ವತಂತ್ರ ಯೋಜನೆಯ ಪ್ರಯತ್ನವಾಗಿದೆ ಮತ್ತು ನಿಮ್ಮ DW ಅಥವಾ BI ಉಪಕ್ರಮದಲ್ಲಿ ಪುನರಾವರ್ತನೆ ಎಂದು ಉಲ್ಲೇಖಿಸಲಾಗುತ್ತದೆ. ಪುನರಾವರ್ತನೆಗಳು ಹೊಸ ತಂತ್ರಜ್ಞಾನಗಳನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳುವುದು, ಹೊಸ ತಂತ್ರಗಳಿಂದ ಪ್ರಾರಂಭಿಸಿ, ಹೊಸ ರಚನೆಗಳನ್ನು ಸೇರಿಸುವುದು dati , ಲೋಡ್ ಮಾಡಲಾಗುತ್ತಿದೆ i dati ಹೆಚ್ಚುವರಿ , ಅಥವಾ ನಿಮ್ಮ ಪರಿಸರದ ವಿಶ್ಲೇಷಣೆಯ ವಿಸ್ತರಣೆಯೊಂದಿಗೆ. ಈ ಪ್ಯಾರಾಗ್ರಾಫ್ ಅನ್ನು ಅಧ್ಯಾಯ 3 ರಲ್ಲಿ ಹೆಚ್ಚು ಆಳವಾಗಿ ಚರ್ಚಿಸಲಾಗಿದೆ.

ಸಾಂಪ್ರದಾಯಿಕ DW ರಚನೆಗಳು ಮತ್ತು BI ಪರಿಕರಗಳ ಜೊತೆಗೆ ನಿಮ್ಮ BI ಸಂಸ್ಥೆಯ ಇತರ ಕಾರ್ಯಗಳನ್ನು ನೀವು ವಿನ್ಯಾಸಗೊಳಿಸಬೇಕಾಗಿದೆ, ಅವುಗಳೆಂದರೆ:

ಗ್ರಾಹಕ ಸ್ಪರ್ಶ ಬಿಂದುಗಳು (ಗ್ರಾಹಕ ಸ್ಪರ್ಶ ಅಂಕಗಳು).

ಯಾವುದೇ ಆಧುನಿಕ ಸಂಸ್ಥೆಯಂತೆ ನಿಮ್ಮದಕ್ಕಾಗಿ ಧನಾತ್ಮಕ ಅನುಭವವನ್ನು ಹೊಂದುವುದು ಹೇಗೆ ಎಂಬುದನ್ನು ಸೂಚಿಸುವ ಹಲವಾರು ಗ್ರಾಹಕ ಟಚ್‌ಪಾಯಿಂಟ್‌ಗಳಿವೆ ಗ್ರಾಹಕರಿಗೆ. ಚಿಲ್ಲರೆ ವ್ಯಾಪಾರಿಗಳು, ಸ್ವಿಚ್‌ಬೋರ್ಡ್ ಆಪರೇಟರ್‌ಗಳು, ನೇರ ಮೇಲ್, ಮಲ್ಟಿಮೀಡಿಯಾ ಮತ್ತು ಮುದ್ರಣ ಜಾಹೀರಾತುಗಳಂತಹ ಸಾಂಪ್ರದಾಯಿಕ ಚಾನೆಲ್‌ಗಳು, ಹಾಗೆಯೇ ಇಮೇಲ್ ಮತ್ತು ವೆಬ್‌ನಂತಹ ಹೆಚ್ಚು ಪ್ರಸ್ತುತ ಚಾನಲ್‌ಗಳಿವೆ, dati ಸಂಪರ್ಕದ ಕೆಲವು ಬಿಂದುಗಳೊಂದಿಗೆ ಉತ್ಪನ್ನಗಳನ್ನು ಸ್ವಾಧೀನಪಡಿಸಿಕೊಳ್ಳಬೇಕು, ಸಾಗಿಸಬೇಕು, ಸ್ವಚ್ಛಗೊಳಿಸಬೇಕು, ಸಂಸ್ಕರಿಸಬೇಕು ಮತ್ತು ನಂತರ ಸೌಲಭ್ಯಗಳಲ್ಲಿ ಜನಸಂಖ್ಯೆ ಮಾಡಬೇಕು dati BI ನ.

ಮೂಲಭೂತ ಅಂಶಗಳು dati ಕಾರ್ಯಾಚರಣೆ ಮತ್ತು ಬಳಕೆದಾರ ಸಂಘಗಳು (ಕಾರ್ಯಾಚರಣೆ

ಡೇಟಾಬೇಸ್‌ಗಳು ಮತ್ತು ಬಳಕೆದಾರ ಸಮುದಾಯಗಳು).
ನ ಸಂಪರ್ಕ ಬಿಂದುಗಳ ಕೊನೆಯಲ್ಲಿ ಗ್ರಾಹಕರಿಗೆ ನ ಅಡಿಪಾಯಗಳು ಕಂಡುಬರುತ್ತವೆ dati ಕಂಪನಿಯ ಅಪ್ಲಿಕೇಶನ್ ಮತ್ತು ಬಳಕೆದಾರರ ಸಮುದಾಯಗಳು. ದಿ dati ಅಸ್ತಿತ್ವದಲ್ಲಿರುವವು dati ಸಾಂಪ್ರದಾಯಿಕ ಅದನ್ನು ಒಟ್ಟಿಗೆ ತರಬೇಕು ಮತ್ತು ವಿಲೀನಗೊಳಿಸಬೇಕು dati ಅಗತ್ಯ ಮಾಹಿತಿಯನ್ನು ಪೂರೈಸಲು ಸಂಪರ್ಕ ಬಿಂದುಗಳಿಂದ ಹರಿಯುತ್ತದೆ.

ವಿಶ್ಲೇಷಕರು. (ವಿಶ್ಲೇಷಕರು)

BI ಪರಿಸರದ ಪ್ರಾಥಮಿಕ ಫಲಾನುಭವಿ ವಿಶ್ಲೇಷಕ. ಪ್ರಸ್ತುತ ಹೊರತೆಗೆಯುವಿಕೆಯಿಂದ ಅವನು ಪ್ರಯೋಜನ ಪಡೆಯುತ್ತಾನೆ dati ಕಾರ್ಯಾಚರಣೆಯ, ವಿವಿಧ ಮೂಲಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸಲಾಗಿದೆ dati , ಭೌಗೋಳಿಕ ವಿಶ್ಲೇಷಣೆ (ಜಿಯೋಕೋಡಿಂಗ್) ನಂತಹ ವೈಶಿಷ್ಟ್ಯಗಳೊಂದಿಗೆ ವರ್ಧಿಸಲಾಗಿದೆ ಮತ್ತು ಹೊರತೆಗೆಯುವಿಕೆ, OLAP, ಸುಧಾರಿತ SQL ವರದಿ ಮತ್ತು ಭೌಗೋಳಿಕ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುವ BI ತಂತ್ರಜ್ಞಾನಗಳಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ. ವರದಿ ಮಾಡುವ ಪರಿಸರಕ್ಕೆ ಪ್ರಾಥಮಿಕ ವಿಶ್ಲೇಷಕ ಇಂಟರ್ಫೇಸ್ BI ಪೋರ್ಟಲ್ ಆಗಿದೆ.

ಆದಾಗ್ಯೂ, ಬಿಐ ಆರ್ಕಿಟೆಕ್ಚರ್‌ನಿಂದ ವಿಶ್ಲೇಷಕರು ಮಾತ್ರ ಪ್ರಯೋಜನ ಪಡೆಯುವುದಿಲ್ಲ.
ನಿರ್ವಾಹಕರು, ದೊಡ್ಡ ಬಳಕೆದಾರ ಸಂಘಗಳು, ಮತ್ತು ಸದಸ್ಯರು, ಪೂರೈಕೆದಾರರು ಮತ್ತು ಗ್ರಾಹಕರಿಗೆ ಅವರು ಎಂಟರ್‌ಪ್ರೈಸ್ ಬಿಐನಲ್ಲಿ ಪ್ರಯೋಜನಗಳನ್ನು ಕಂಡುಕೊಳ್ಳಬೇಕು.

ಬ್ಯಾಕ್-ಫೀಡ್ ಲೂಪ್.

ಬಿಐ ಆರ್ಕಿಟೆಕ್ಚರ್ ಕಲಿಕೆಯ ವಾತಾವರಣವಾಗಿದೆ. ಅಭಿವೃದ್ಧಿಯ ವಿಶಿಷ್ಟ ತತ್ವವೆಂದರೆ ನಿರಂತರ ರಚನೆಗಳನ್ನು ಅನುಮತಿಸುವುದು dati ಬಳಸಿದ BI ತಂತ್ರಜ್ಞಾನದಿಂದ ಮತ್ತು ಬಳಕೆದಾರರು ತೆಗೆದುಕೊಂಡ ಕ್ರಮಗಳ ಮೂಲಕ ನವೀಕರಿಸಲಾಗುತ್ತದೆ. ಗ್ರಾಹಕರ ಸ್ಕೋರಿಂಗ್ ಒಂದು ಉದಾಹರಣೆಯಾಗಿದೆ.

ಮಾರಾಟ ವಿಭಾಗವು ಹೊಸ ಸೇವೆಯನ್ನು ಬಳಸಲು ಗ್ರಾಹಕರ ಸ್ಕೋರ್‌ಗಳನ್ನು ಮಾದರಿಯಾಗಿಸಿದರೆ, ಮಾರಾಟ ವಿಭಾಗವು ಸೇವೆಯಿಂದ ಲಾಭ ಪಡೆಯುವ ಏಕೈಕ ಗುಂಪಾಗಿರಬಾರದು.

ಬದಲಿಗೆ, ಮಾದರಿಯ ಹೊರತೆಗೆಯುವಿಕೆಯನ್ನು ಎಂಟರ್‌ಪ್ರೈಸ್‌ನೊಳಗಿನ ಡೇಟಾ ಹರಿವಿನ ನೈಸರ್ಗಿಕ ಭಾಗವಾಗಿ ನಿರ್ವಹಿಸಬೇಕು ಮತ್ತು ಗ್ರಾಹಕರ ಅಂಕಗಳು ಗೋದಾಮಿನ ಮಾಹಿತಿ ಸಂದರ್ಭದ ಸಮಗ್ರ ಭಾಗವಾಗಬೇಕು, ಇದು ಎಲ್ಲಾ ಬಳಕೆದಾರರಿಗೆ ಗೋಚರಿಸುತ್ತದೆ. DB2 UDB, DB2 OLAP ಸರ್ವರ್ ಸೇರಿದಂತೆ Bi-bI-ಕೇಂದ್ರಿತ IBM ಸೂಟ್ ಚಿತ್ರ 1.1 ರಲ್ಲಿ ವ್ಯಾಖ್ಯಾನಿಸಲಾದ ಹೆಚ್ಚಿನ ಪ್ರಮುಖ ತಂತ್ರಜ್ಞಾನ ಘಟಕಗಳನ್ನು ಒಳಗೊಂಡಿದೆ.

ನಮಗೆ ನಿರಂತರತೆಯ ಮಟ್ಟವನ್ನು ನೀಡಲು ಮತ್ತು ಒಟ್ಟಾರೆ BI ಸ್ಕೀಮ್‌ಗೆ ಪ್ರತಿ IBM ಉತ್ಪನ್ನವು ಹೇಗೆ ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ ಎಂಬುದನ್ನು ಪ್ರದರ್ಶಿಸಲು ಪುಸ್ತಕದಿಂದ ಈ ಚಿತ್ರದಲ್ಲಿ ಕಂಡುಬರುವಂತೆ ನಾವು ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಬಳಸುತ್ತೇವೆ.

ಮಾಹಿತಿ ವಿಷಯವನ್ನು ಒದಗಿಸುವುದು (ಒದಗಿಸುವುದು ಮಾಹಿತಿ ವಿಷಯ)

ನಿಮ್ಮ ಬಿಐ ಪರಿಸರವನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವುದು, ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದು ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸುವುದು ಬೆದರಿಸುವ ಕೆಲಸವಾಗಿದೆ. ವಿನ್ಯಾಸವು ಪ್ರಸ್ತುತ ಮತ್ತು ಭವಿಷ್ಯದ ವ್ಯಾಪಾರದ ಅವಶ್ಯಕತೆಗಳನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳಬೇಕು. ವಿನ್ಯಾಸ ಹಂತದಲ್ಲಿ ಕಂಡುಬರುವ ಎಲ್ಲಾ ತೀರ್ಮಾನಗಳನ್ನು ಸೇರಿಸಲು ವಾಸ್ತುಶಿಲ್ಪದ ರೇಖಾಚಿತ್ರವು ಪೂರ್ಣವಾಗಿರಬೇಕು. ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆಯು ಒಂದೇ ಉದ್ದೇಶಕ್ಕೆ ಬದ್ಧವಾಗಿರಬೇಕು: BI ಆರ್ಕಿಟೆಕ್ಚರ್ ಅನ್ನು ಔಪಚಾರಿಕವಾಗಿ ವಿನ್ಯಾಸದಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಿದಂತೆ ಮತ್ತು ವ್ಯಾಪಾರದ ಅಗತ್ಯತೆಗಳ ಆಧಾರದ ಮೇಲೆ ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದು.

ಶಿಸ್ತು ಸಾಪೇಕ್ಷ ಯಶಸ್ಸನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ ಎಂದು ವಾದಿಸುವುದು ವಿಶೇಷವಾಗಿ ಕಷ್ಟಕರವಾಗಿದೆ.
ಇದು ಸರಳವಾಗಿದೆ ಏಕೆಂದರೆ ನೀವು ಏಕಕಾಲದಲ್ಲಿ BI ಪರಿಸರವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದಿಲ್ಲ, ಆದರೆ ನೀವು ಅದನ್ನು ಕಾಲಾನಂತರದಲ್ಲಿ ಸಣ್ಣ ಹಂತಗಳಲ್ಲಿ ಮಾಡುತ್ತೀರಿ.

ಆದಾಗ್ಯೂ, ನಿಮ್ಮ ಆರ್ಕಿಟೆಕ್ಚರ್‌ನ ಬಿಐ ಘಟಕಗಳನ್ನು ಗುರುತಿಸುವುದು ಎರಡು ಕಾರಣಗಳಿಗಾಗಿ ಮುಖ್ಯವಾಗಿದೆ: ನೀವು ಎಲ್ಲಾ ನಂತರದ ತಾಂತ್ರಿಕ ಆರ್ಕಿಟೆಕ್ಚರ್ ನಿರ್ಧಾರಗಳಿಗೆ ಮಾರ್ಗದರ್ಶನ ನೀಡುತ್ತೀರಿ.
ಹಲವಾರು ತಿಂಗಳುಗಳವರೆಗೆ ತಂತ್ರಜ್ಞಾನದ ಅಗತ್ಯವಿರುವ ಪುನರಾವರ್ತನೆಯನ್ನು ನೀವು ಪಡೆಯದಿದ್ದರೂ ಸಹ ನೀವು ಪ್ರಜ್ಞಾಪೂರ್ವಕವಾಗಿ ತಂತ್ರಜ್ಞಾನದ ನಿರ್ದಿಷ್ಟ ಬಳಕೆಯನ್ನು ಯೋಜಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.

ನಿಮ್ಮ ವ್ಯಾಪಾರದ ಅವಶ್ಯಕತೆಗಳನ್ನು ಸಾಕಷ್ಟು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ನಿಮ್ಮ ಆರ್ಕಿಟೆಕ್ಚರ್‌ಗಾಗಿ ನೀವು ಪಡೆದುಕೊಳ್ಳುವ ಉತ್ಪನ್ನಗಳ ಪ್ರಕಾರವನ್ನು ಪ್ರಭಾವಿಸುತ್ತದೆ.
ನಿಮ್ಮ ವಾಸ್ತುಶೈಲಿಯನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವುದು ಮತ್ತು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದು ನಿಮ್ಮ ಉಗ್ರಾಣವನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ

ಯಾದೃಚ್ಛಿಕ ಘಟನೆಯಲ್ಲ, ಬದಲಿಗೆ ಎಚ್ಚರಿಕೆಯಿಂದ ನಿರ್ಮಿಸಿದ "ಚೆನ್ನಾಗಿ ಯೋಚಿಸಿದ". ಒಪೆರಾ ಮಿಶ್ರ ತಂತ್ರಜ್ಞಾನದ ಮೊಸಾಯಿಕ್ ಆಗಿ ಕಲೆ.

ಮಾಹಿತಿ ವಿಷಯವನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿ

ಎಲ್ಲಾ ಆರಂಭಿಕ ವಿನ್ಯಾಸವು ಈಗ ಮತ್ತು ಭವಿಷ್ಯದಲ್ಲಿ ಒಟ್ಟಾರೆ ಪರಿಸರಕ್ಕೆ ಅಗತ್ಯವಿರುವ ಪ್ರಮುಖ BI ಘಟಕಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಬೇಕು ಮತ್ತು ಗುರುತಿಸಬೇಕು.
ವ್ಯಾಪಾರದ ಅವಶ್ಯಕತೆಗಳನ್ನು ತಿಳಿದುಕೊಳ್ಳುವುದು ಮುಖ್ಯ.

ಯಾವುದೇ ಔಪಚಾರಿಕ ವಿನ್ಯಾಸ ಪ್ರಾರಂಭವಾಗುವ ಮೊದಲು, ಯೋಜನಾ ಯೋಜಕರು ಒಂದು ಅಥವಾ ಎರಡು ಘಟಕಗಳನ್ನು ತಕ್ಷಣವೇ ಗುರುತಿಸಬಹುದು.
ಆದಾಗ್ಯೂ, ನಿಮ್ಮ ವಾಸ್ತುಶಿಲ್ಪಕ್ಕೆ ಅಗತ್ಯವಿರುವ ಘಟಕಗಳ ಸಮತೋಲನವನ್ನು ಸುಲಭವಾಗಿ ಕಂಡುಹಿಡಿಯಲಾಗುವುದಿಲ್ಲ. ವಿನ್ಯಾಸದ ಹಂತದಲ್ಲಿ, ಆರ್ಕಿಟೆಕ್ಚರ್‌ನ ಮುಖ್ಯ ಭಾಗವು ವ್ಯವಹಾರದ ಅಗತ್ಯತೆಗಳನ್ನು ಗುರುತಿಸುವ ಅನ್ವೇಷಣೆಯಲ್ಲಿ ಅಪ್ಲಿಕೇಶನ್ ಅಭಿವೃದ್ಧಿ (JAD) ಅಧಿವೇಶನವನ್ನು ಕಟ್ಟುತ್ತದೆ.

ಕೆಲವೊಮ್ಮೆ ಈ ಅವಶ್ಯಕತೆಗಳನ್ನು ಪ್ರಶ್ನೆ ಮತ್ತು ವರದಿ ಮಾಡುವ ಸಾಧನಗಳಿಗೆ ವಹಿಸಿಕೊಡಬಹುದು.
ಉದಾಹರಣೆಗೆ, ಬಳಕೆದಾರರು ಪ್ರಸ್ತುತ ವರದಿಯನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಲು ಬಯಸಿದರೆ ಅವರು ಎರಡು ಪ್ರಸ್ತುತ ವರದಿಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಮೂಲಕ ಮತ್ತು ಸಂಯೋಜನೆಯಿಂದ ಪಡೆದ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ಸೇರಿಸುವ ಮೂಲಕ ಅದನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ರಚಿಸಬೇಕು ಎಂದು ಹೇಳುತ್ತಾರೆ dati.
ಈ ಅವಶ್ಯಕತೆಯು ಸರಳವಾಗಿದ್ದರೂ, ನಿಮ್ಮ ಸಂಸ್ಥೆಗಾಗಿ ವರದಿ ಮಾಡುವ ಪರಿಕರಗಳನ್ನು ಖರೀದಿಸುವಾಗ ನೀವು ಸೇರಿಸಬೇಕಾದ ವೈಶಿಷ್ಟ್ಯದ ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯವನ್ನು ಇದು ವಿವರಿಸುತ್ತದೆ.

ಸಂಪೂರ್ಣ ಚಿತ್ರವನ್ನು ಪಡೆಯಲು ಡಿಸೈನರ್ ಹೆಚ್ಚುವರಿ ಅವಶ್ಯಕತೆಗಳನ್ನು ಅನುಸರಿಸಬೇಕು. ಬಳಕೆದಾರರು ಈ ವರದಿಗೆ ಚಂದಾದಾರರಾಗಲು ಬಯಸುತ್ತಾರೆಯೇ?
ವರದಿ ಉಪವಿಭಾಗಗಳನ್ನು ರಚಿಸಲಾಗಿದೆಯೇ ಮತ್ತು ವಿವಿಧ ಬಳಕೆದಾರರಿಗೆ ಇಮೇಲ್ ಮಾಡಲಾಗಿದೆಯೇ? ಅವರು ಈ ವರದಿಯನ್ನು ಕಂಪನಿ ಪೋರ್ಟಲ್‌ನಲ್ಲಿ ನೋಡಲು ಬಯಸುತ್ತಾರೆಯೇ? ಈ ಎಲ್ಲಾ ಅವಶ್ಯಕತೆಗಳು ಬಳಕೆದಾರರಿಂದ ವಿನಂತಿಸಿದಂತೆ ಹಸ್ತಚಾಲಿತ ವರದಿಯನ್ನು ಬದಲಾಯಿಸುವ ಸರಳ ಅಗತ್ಯತೆಯ ಭಾಗವಾಗಿದೆ. ಈ ರೀತಿಯ ಅವಶ್ಯಕತೆಗಳ ಪ್ರಯೋಜನವೆಂದರೆ ಪ್ರತಿಯೊಬ್ಬರೂ, ಬಳಕೆದಾರರು ಮತ್ತು ವಿನ್ಯಾಸಕರು, ವರದಿಗಳ ಪರಿಕಲ್ಪನೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತಾರೆ.

ಇತರ ರೀತಿಯ ವ್ಯವಹಾರಗಳಿವೆ, ಆದಾಗ್ಯೂ, ನಾವು ಯೋಜಿಸಬೇಕಾಗಿದೆ. ವ್ಯವಹಾರದ ಅವಶ್ಯಕತೆಗಳನ್ನು ಕಾರ್ಯತಂತ್ರದ ವ್ಯವಹಾರ ಪ್ರಶ್ನೆಗಳ ರೂಪದಲ್ಲಿ ಹೇಳಿದಾಗ, ಪರಿಣಿತ ವಿನ್ಯಾಸಕರು ಅಳತೆ/ವಾಸ್ತವ ಮತ್ತು ಆಯಾಮದ ಅವಶ್ಯಕತೆಗಳನ್ನು ಗ್ರಹಿಸಲು ಸುಲಭವಾಗುತ್ತದೆ.

JAD ಬಳಕೆದಾರರಿಗೆ ವ್ಯಾಪಾರದ ಸಮಸ್ಯೆಯ ರೂಪದಲ್ಲಿ ತಮ್ಮ ಅವಶ್ಯಕತೆಗಳನ್ನು ಹೇಗೆ ಹೇಳಬೇಕೆಂದು ತಿಳಿದಿಲ್ಲದಿದ್ದರೆ, ವಿನ್ಯಾಸಕಾರರು ಆಗಾಗ್ಗೆ ಅವಶ್ಯಕತೆಗಳನ್ನು ಸಂಗ್ರಹಿಸುವ ಅಧಿವೇಶನವನ್ನು ಪ್ರಾರಂಭಿಸಲು ಉದಾಹರಣೆಗಳನ್ನು ನೀಡುತ್ತಾರೆ.
ಪರಿಣಿತ ವಿನ್ಯಾಸಕರು ಕಾರ್ಯತಂತ್ರದ ವ್ಯಾಪಾರವನ್ನು ಮಾತ್ರವಲ್ಲದೆ ಅದನ್ನು ಹೇಗೆ ರೂಪಿಸಬೇಕು ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಬಳಕೆದಾರರಿಗೆ ಸಹಾಯ ಮಾಡಬಹುದು.
ಅವಶ್ಯಕತೆಗಳನ್ನು ಸಂಗ್ರಹಿಸುವ ವಿಧಾನವನ್ನು ಅಧ್ಯಾಯ 3 ರಲ್ಲಿ ಚರ್ಚಿಸಲಾಗಿದೆ; ಇದೀಗ ನಾವು ಎಲ್ಲಾ ರೀತಿಯ BI ಅವಶ್ಯಕತೆಗಳಿಗಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸುವ ಅಗತ್ಯವನ್ನು ಸೂಚಿಸಲು ಬಯಸುತ್ತೇವೆ.

ಕಾರ್ಯತಂತ್ರದ ವ್ಯವಹಾರ ಸಮಸ್ಯೆಯು ವ್ಯಾಪಾರದ ಅವಶ್ಯಕತೆ ಮಾತ್ರವಲ್ಲ, ವಿನ್ಯಾಸದ ಸುಳಿವು ಕೂಡ ಆಗಿದೆ. ನೀವು ಬಹು ಆಯಾಮದ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸಬೇಕಾದರೆ, ನೀವು ನೆನಪಿಟ್ಟುಕೊಳ್ಳಬೇಕು, ಪ್ರಸ್ತುತಪಡಿಸಿ i dati ಆಯಾಮ, ಮತ್ತು ನೀವು ಸಂಗ್ರಹಿಸಬೇಕಾದರೆ dati ಬಹುಆಯಾಮದ, ನೀವು ಯಾವ ರೀತಿಯ ತಂತ್ರಜ್ಞಾನ ಅಥವಾ ತಂತ್ರವನ್ನು ಬಳಸಿಕೊಳ್ಳಲಿದ್ದೀರಿ ಎಂಬುದನ್ನು ನೀವು ನಿರ್ಧರಿಸಬೇಕು.

ನೀವು ಕಾಯ್ದಿರಿಸಿದ ಕ್ಯೂಬ್ ಸ್ಟಾರ್ ಸ್ಕೀಮಾ ಅಥವಾ ಎರಡನ್ನೂ ಕಾರ್ಯಗತಗೊಳಿಸುತ್ತೀರಾ? ನೀವು ನೋಡುವಂತೆ, ಸರಳವಾದ ವ್ಯವಹಾರ ಸಮಸ್ಯೆಯು ವಿನ್ಯಾಸವನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಪ್ರಭಾವಿಸುತ್ತದೆ. ಆದರೆ ಈ ರೀತಿಯ ವ್ಯಾಪಾರದ ಅಗತ್ಯತೆಗಳು ಸಾಮಾನ್ಯ ಮತ್ತು ಅರ್ಥಮಾಡಿಕೊಂಡಿವೆ, ಕನಿಷ್ಠ ವಿನ್ಯಾಸಕರು ಮತ್ತು ಯೋಜನಾ ಅನುಭವ ಹೊಂದಿರುವ ಯೋಜಕರು.

OLAP ತಂತ್ರಜ್ಞಾನಗಳು ಮತ್ತು ಬೆಂಬಲದ ಕುರಿತು ಸಾಕಷ್ಟು ಚರ್ಚೆಗಳು ನಡೆದಿವೆ ಮತ್ತು ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ಪರಿಹಾರಗಳು ಲಭ್ಯವಿದೆ. ಇಲ್ಲಿಯವರೆಗೆ ನಾವು ವ್ಯಾಪಾರ ಆಯಾಮದ ಅವಶ್ಯಕತೆಗಳೊಂದಿಗೆ ಸರಳವಾದ ವರದಿಯನ್ನು ಒಟ್ಟುಗೂಡಿಸುವ ಅಗತ್ಯವನ್ನು ಪ್ರಸ್ತಾಪಿಸಿದ್ದೇವೆ ಮತ್ತು ಈ ಅವಶ್ಯಕತೆಗಳು ತಾಂತ್ರಿಕ ವಾಸ್ತುಶಿಲ್ಪದ ನಿರ್ಧಾರಗಳನ್ನು ಹೇಗೆ ಪ್ರಭಾವಿಸುತ್ತವೆ.

ಆದರೆ ಬಳಕೆದಾರರಿಗೆ ಅಥವಾ Dw ತಂಡಕ್ಕೆ ಸುಲಭವಾಗಿ ಅರ್ಥವಾಗದ ಅವಶ್ಯಕತೆಗಳು ಯಾವುವು? ನಿಮಗೆ ಎಂದಾದರೂ ಪ್ರಾದೇಶಿಕ ವಿಶ್ಲೇಷಣೆ ಅಗತ್ಯವಿದೆಯೇ?
ಹೊರತೆಗೆಯುವ ಮಾದರಿಗಳು dati ಅವರು ನಿಮ್ಮ ಭವಿಷ್ಯದ ಅಗತ್ಯ ಭಾಗವಾಗುತ್ತಾರೆಯೇ? ಯಾರಿಗೆ ಗೊತ್ತು?

ಈ ರೀತಿಯ ತಂತ್ರಜ್ಞಾನಗಳು ಸಾಮಾನ್ಯ ಬಳಕೆದಾರ ಸಮುದಾಯಗಳು ಮತ್ತು Dw ತಂಡದ ಸದಸ್ಯರಿಂದ ಚೆನ್ನಾಗಿ ತಿಳಿದಿಲ್ಲ ಎಂಬುದನ್ನು ಗಮನಿಸುವುದು ಮುಖ್ಯವಾಗಿದೆ, ಇದು ಕೆಲವು ಆಂತರಿಕ ಅಥವಾ ಮೂರನೇ ವ್ಯಕ್ತಿಯ ತಾಂತ್ರಿಕ ಪರಿಣಿತರಿಂದ ಸಾಮಾನ್ಯವಾಗಿ ನಿರ್ವಹಿಸಲ್ಪಡುವ ಕಾರಣದಿಂದಾಗಿರಬಹುದು. ಈ ರೀತಿಯ ತಂತ್ರಜ್ಞಾನಗಳು ಸೃಷ್ಟಿಸುವ ಸಮಸ್ಯೆಗಳ ವಿಪರೀತ ಪ್ರಕರಣವಾಗಿದೆ. ಬಳಕೆದಾರರಿಗೆ ವ್ಯಾಪಾರದ ಅವಶ್ಯಕತೆಗಳನ್ನು ವಿವರಿಸಲು ಅಥವಾ ವಿನ್ಯಾಸಕಾರರಿಗೆ ಮಾರ್ಗದರ್ಶನ ನೀಡುವ ರೀತಿಯಲ್ಲಿ ಅವುಗಳನ್ನು ರೂಪಿಸಲು ಸಾಧ್ಯವಾಗದಿದ್ದರೆ, ಅವರು ಗಮನಿಸದೆ ಹೋಗಬಹುದು ಅಥವಾ ಕೆಟ್ಟದಾಗಿ, ಸರಳವಾಗಿ ನಿರ್ಲಕ್ಷಿಸಬಹುದು.

ಡಿಸೈನರ್ ಮತ್ತು ಡೆವಲಪರ್ ಈ ಸುಧಾರಿತ ಆದರೆ ನಿರ್ಣಾಯಕ ತಂತ್ರಜ್ಞಾನಗಳ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಗುರುತಿಸಲು ಸಾಧ್ಯವಾಗದಿದ್ದಾಗ ಅದು ಹೆಚ್ಚು ಸಮಸ್ಯಾತ್ಮಕವಾಗುತ್ತದೆ.
ನಾವು ಸಾಮಾನ್ಯವಾಗಿ ವಿನ್ಯಾಸಕರು ಹೇಳುವುದನ್ನು ಕೇಳಿರುವಂತೆ, “ಸರಿ, ನಾವು ಇನ್ನೊಂದು ವಿಷಯವನ್ನು ಪಡೆಯುವವರೆಗೆ ಅದನ್ನು ಏಕೆ ಪಕ್ಕಕ್ಕೆ ಇಡಬಾರದು? "ಅವರು ನಿಜವಾಗಿಯೂ ಆದ್ಯತೆಗಳಲ್ಲಿ ಆಸಕ್ತಿ ಹೊಂದಿದ್ದಾರೆಯೇ ಅಥವಾ ಅವರು ಅರ್ಥಮಾಡಿಕೊಳ್ಳದ ಅವಶ್ಯಕತೆಗಳನ್ನು ಸರಳವಾಗಿ ತಪ್ಪಿಸುತ್ತಿದ್ದಾರೆಯೇ? ಇದು ಹೆಚ್ಚಾಗಿ ಕೊನೆಯ ಊಹೆಯಾಗಿದೆ. ಚಿತ್ರ 1.3 ರಲ್ಲಿ ಹೇಳಿರುವಂತೆ ನಿಮ್ಮ ಮಾರಾಟ ತಂಡವು ವ್ಯಾಪಾರದ ಅಗತ್ಯವನ್ನು ಸಂವಹಿಸಿದೆ ಎಂದು ಹೇಳೋಣ, ನೀವು ನೋಡುವಂತೆ, ಅವಶ್ಯಕತೆಯನ್ನು ವ್ಯಾಪಾರ ಸಮಸ್ಯೆಯ ರೂಪದಲ್ಲಿ ರಚಿಸಲಾಗಿದೆ. ಈ ಸಮಸ್ಯೆ ಮತ್ತು ವಿಶಿಷ್ಟ ಆಯಾಮದ ಸಮಸ್ಯೆಯ ನಡುವಿನ ವ್ಯತ್ಯಾಸವೆಂದರೆ ದೂರ. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಮಾರಾಟ ತಂಡವು ಮಾಸಿಕ ಆಧಾರದ ಮೇಲೆ, ಉತ್ಪನ್ನಗಳು, ಗೋದಾಮುಗಳು ಮತ್ತು ಒಟ್ಟು ಮಾರಾಟವನ್ನು ತಿಳಿಯಲು ಬಯಸುತ್ತದೆ ಗ್ರಾಹಕರಿಗೆ ಅವರು ಖರೀದಿಸುವ ಗೋದಾಮಿನ 5 ಮೈಲುಗಳ ಒಳಗೆ ವಾಸಿಸುವವರು.

ದುಃಖಕರವೆಂದರೆ, ವಿನ್ಯಾಸಕರು ಅಥವಾ ವಾಸ್ತುಶಿಲ್ಪಿಗಳು ಪ್ರಾದೇಶಿಕ ಘಟಕವನ್ನು ನಿರ್ಲಕ್ಷಿಸಬಹುದು, "ನಮ್ಮಲ್ಲಿ ಗ್ರಾಹಕರು, ಉತ್ಪನ್ನ ಮತ್ತು dati ಠೇವಣಿ ನ. ಇನ್ನೊಂದು ಪುನರಾವರ್ತನೆಯ ತನಕ ಅಂತರವನ್ನು ಹೊರಗಿಡೋಣ.

"ತಪ್ಪು ಉತ್ತರ. ಈ ರೀತಿಯ ವ್ಯಾಪಾರ ಸಮಸ್ಯೆಯು ಬಿಐಗೆ ಸಂಬಂಧಿಸಿದೆ. ಇದು ನಮ್ಮ ವ್ಯವಹಾರದ ಆಳವಾದ ತಿಳುವಳಿಕೆ ಮತ್ತು ನಮ್ಮ ವಿಶ್ಲೇಷಕರಿಗೆ ದೃಢವಾದ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಸ್ಥಳವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. BI ಸರಳ ವಿಚಾರಣೆ ಅಥವಾ ಪ್ರಮಾಣಿತ ವರದಿ ಅಥವಾ OLAP ಅನ್ನು ಮೀರಿದೆ. ಈ ತಂತ್ರಜ್ಞಾನಗಳು ನಿಮ್ಮ BI ಗೆ ಮುಖ್ಯವಲ್ಲ ಎಂದು ಹೇಳಲು ಸಾಧ್ಯವಿಲ್ಲ, ಆದರೆ ಅವು ಮಾತ್ರ BI ಪರಿಸರವನ್ನು ಪ್ರತಿನಿಧಿಸುವುದಿಲ್ಲ.

ಮಾಹಿತಿ ಸಂದರ್ಭಕ್ಕಾಗಿ ವಿನ್ಯಾಸ (ಮಾಹಿತಿ ವಿಷಯಕ್ಕಾಗಿ ವಿನ್ಯಾಸ)

ಈಗ ನಾವು ವಿವಿಧ ಮೂಲಭೂತ ಘಟಕಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸುವ ವ್ಯಾಪಾರದ ಅವಶ್ಯಕತೆಗಳನ್ನು ಗುರುತಿಸಿದ್ದೇವೆ, ಅವುಗಳನ್ನು ಒಟ್ಟಾರೆ ವಾಸ್ತುಶಿಲ್ಪದ ವಿನ್ಯಾಸದಲ್ಲಿ ಸೇರಿಸಬೇಕು. ಕೆಲವು BI ಘಟಕಗಳು ನಮ್ಮ ಆರಂಭಿಕ ಪ್ರಯತ್ನಗಳ ಭಾಗವಾಗಿದೆ, ಆದರೆ ಕೆಲವು ಹಲವಾರು ತಿಂಗಳುಗಳವರೆಗೆ ಕಾರ್ಯಗತಗೊಳ್ಳುವುದಿಲ್ಲ.

ಆದಾಗ್ಯೂ, ತಿಳಿದಿರುವ ಎಲ್ಲಾ ಅವಶ್ಯಕತೆಗಳು ವಿನ್ಯಾಸದಲ್ಲಿ ಪ್ರತಿಫಲಿಸುತ್ತದೆ ಆದ್ದರಿಂದ ನಾವು ನಿರ್ದಿಷ್ಟ ತಂತ್ರಜ್ಞಾನವನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಲು ಅಗತ್ಯವಿರುವಾಗ, ನಾವು ಹಾಗೆ ಮಾಡಲು ಸಿದ್ಧರಾಗಿದ್ದೇವೆ. ಯೋಜನೆಯ ಬಗ್ಗೆ ಏನಾದರೂ ಸಾಂಪ್ರದಾಯಿಕ ಚಿಂತನೆಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ.

ಈ ಸೆಟ್ dati ನ ನಂತರದ ಬಳಕೆಗಳನ್ನು ಬೆಂಬಲಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ dati ನಾವು ಗುರುತಿಸಿದ ವ್ಯಾಪಾರ ಸಮಸ್ಯೆಗಳಿಂದ ಆಯಾಮದ ಮಾರ್ಗದರ್ಶನ. ವಿನ್ಯಾಸ ಅಭಿವೃದ್ಧಿಯಂತಹ ಹೆಚ್ಚುವರಿ ದಾಖಲೆಗಳನ್ನು ರಚಿಸಲಾಗಿದೆ dati, ನಾವು ನಾನು ಹೇಗೆ ಔಪಚಾರಿಕಗೊಳಿಸಲು ಪ್ರಾರಂಭಿಸುತ್ತೇವೆ dati ಅವು ಪರಿಸರದಲ್ಲಿ ಹರಡುತ್ತವೆ. i ಪ್ರತಿನಿಧಿಸುವ ಅಗತ್ಯವನ್ನು ನಾವು ಖಚಿತಪಡಿಸಿಕೊಂಡಿದ್ದೇವೆ dati ಆಯಾಮದ ರೀತಿಯಲ್ಲಿ, ಅವುಗಳನ್ನು (ನಿರ್ದಿಷ್ಟ ನಿರ್ದಿಷ್ಟ ಅಗತ್ಯಗಳಿಗೆ ಅನುಗುಣವಾಗಿ) ಡೇಟಾ ಮಾರ್ಟ್‌ಗಳಾಗಿ ವಿಭಜಿಸುವುದು.

ಉತ್ತರಿಸಲು ಮುಂದಿನ ಪ್ರಶ್ನೆ: ಈ ಡೇಟಾ ಮಾರ್ಟ್‌ಗಳನ್ನು ಹೇಗೆ ನಿರ್ಮಿಸಲಾಗುತ್ತದೆ?
ಘನಗಳನ್ನು ಬೆಂಬಲಿಸಲು ನೀವು ನಕ್ಷತ್ರಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತೀರಾ ಅಥವಾ ಘನಗಳು ಅಥವಾ ಕೇವಲ ನಕ್ಷತ್ರಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತೀರಾ? (ಅಥವಾ ಬಲ ಘನಗಳು, ಅಥವಾ ಬಲ ನಕ್ಷತ್ರಗಳು). ಎಲ್ಲರಿಗೂ ಪರಮಾಣು ಪದರದ ಅಗತ್ಯವಿರುವ ಅವಲಂಬಿತ ಡೇಟಾ ಮಾರ್ಟ್‌ಗಳಿಗಾಗಿ ಆರ್ಕಿಟೆಕ್ಚರ್ ಅನ್ನು ರಚಿಸಿ dati ಸ್ವಾಧೀನಪಡಿಸಿಕೊಂಡಿದೆಯೇ? ಸ್ವತಂತ್ರ ಡೇಟಾ ಮಾರ್ಟ್‌ಗಳನ್ನು ಸ್ವಾಧೀನಪಡಿಸಿಕೊಳ್ಳಲು ಅನುಮತಿಸಿ i dati ಆಪರೇಟಿಂಗ್ ಸಿಸ್ಟಮ್‌ಗಳಿಂದ ನೇರವಾಗಿ?

ನೀವು ಯಾವ ಕ್ಯೂಬ್ ತಂತ್ರಜ್ಞಾನವನ್ನು ಪ್ರಮಾಣೀಕರಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತೀರಿ?

ನೀವು ಬೃಹತ್ ಪ್ರಮಾಣದಲ್ಲಿ ಹೊಂದಿದ್ದೀರಿ dati ಆಯಾಮದ ವಿಶ್ಲೇಷಣೆಗೆ ಅಗತ್ಯವಿದೆಯೇ ಅಥವಾ ವಾರಕ್ಕೊಮ್ಮೆ ಅಥವಾ ಎರಡರ ಆಧಾರದ ಮೇಲೆ ನಿಮ್ಮ ರಾಷ್ಟ್ರೀಯ ಮಾರಾಟ ಪಡೆಯಿಂದ ಘನಗಳ ಅಗತ್ಯವಿದೆಯೇ? ನೀವು ಹಣಕಾಸುಗಾಗಿ DB2 OLAP ಸರ್ವರ್‌ನಂತೆ ಅಥವಾ ನಿಮ್ಮ ಮಾರಾಟ ಸಂಸ್ಥೆಗಾಗಿ Cognos PowerPlay ಘನಗಳು ಅಥವಾ ಎರಡರಂತೆಯೇ ಶಕ್ತಿಯುತವಾದದ್ದನ್ನು ನಿರ್ಮಿಸುತ್ತೀರಾ? ಇಲ್ಲಿಂದ ನಿಮ್ಮ ಬಿಐ ಪರಿಸರದ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ದೊಡ್ಡ ವಾಸ್ತುಶಿಲ್ಪದ ವಿನ್ಯಾಸ ನಿರ್ಧಾರಗಳು ಇವು. ಹೌದು, ನೀವು OLAP ನ ಅಗತ್ಯವನ್ನು ಸ್ಥಾಪಿಸಿರುವಿರಿ. ಈಗ ನೀವು ಆ ರೀತಿಯ ತಂತ್ರ ಮತ್ತು ತಂತ್ರಜ್ಞಾನವನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸುತ್ತೀರಿ?

ಕೆಲವು ಅತ್ಯಾಧುನಿಕ ತಂತ್ರಜ್ಞಾನಗಳು ನಿಮ್ಮ ವಿನ್ಯಾಸಗಳ ಮೇಲೆ ಹೇಗೆ ಪರಿಣಾಮ ಬೀರುತ್ತವೆ? ನಿಮ್ಮ ಸಂಸ್ಥೆಯಲ್ಲಿ ಸ್ಥಳಾವಕಾಶದ ಅಗತ್ಯವನ್ನು ನೀವು ಗುರುತಿಸಿದ್ದೀರಿ ಎಂದು ಭಾವಿಸೋಣ. ನೀವು ಹಲವಾರು ತಿಂಗಳುಗಳವರೆಗೆ ಪ್ರಾದೇಶಿಕ ಘಟಕಗಳನ್ನು ಮಾಡಲು ಯೋಜಿಸದಿದ್ದರೂ ಸಹ ನೀವು ಈಗ ವಾಸ್ತುಶಿಲ್ಪದ ಡ್ರಾಯಿಂಗ್ ಆವೃತ್ತಿಗಳನ್ನು ನೆನಪಿಸಿಕೊಳ್ಳಬೇಕು. ವಾಸ್ತುಶಾಸ್ತ್ರಜ್ಞನು ಇಂದು ಅಗತ್ಯವಿರುವದನ್ನು ಆಧರಿಸಿ ವಿನ್ಯಾಸಗೊಳಿಸಬೇಕು. ಉತ್ಪಾದಿಸುವ, ಸಂಗ್ರಹಿಸುವ, ನಿರ್ವಹಿಸುವ ಮತ್ತು ಪ್ರವೇಶವನ್ನು ಒದಗಿಸುವ ಪ್ರಾದೇಶಿಕ ವಿಶ್ಲೇಷಣೆಯ ಅಗತ್ಯವನ್ನು ಊಹಿಸಿ dati ಪ್ರಾದೇಶಿಕ. ನೀವು ಪ್ರಸ್ತುತ ಪರಿಗಣಿಸಬಹುದಾದ ಸಾಫ್ಟ್‌ವೇರ್ ತಂತ್ರಜ್ಞಾನ ಮತ್ತು ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ವಿಶೇಷಣಗಳ ಪ್ರಕಾರಕ್ಕೆ ಇದು ಪ್ರತಿಯಾಗಿ ನಿರ್ಬಂಧವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಆಡಳಿತ ವ್ಯವಸ್ಥೆ ಡೇಟಾ ಬೇಸ್ ನಿಮ್ಮ ಪರಮಾಣು ಪದರಕ್ಕಾಗಿ ನೀವು ನಿರ್ವಹಿಸುವ ಸಂಬಂಧಿತ ಪದರ (RDBMS) ದೃಢವಾದ ಪ್ರಾದೇಶಿಕ ವ್ಯಾಪ್ತಿಯನ್ನು ಹೊಂದಿರಬೇಕು. ನಿಮ್ಮ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಲ್ಲಿ ಜ್ಯಾಮಿತಿ ಮತ್ತು ಪ್ರಾದೇಶಿಕ ವಸ್ತುಗಳನ್ನು ಬಳಸುವಾಗ ಇದು ಗರಿಷ್ಠ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ. ನಿಮ್ಮ RDBMS ನಿಭಾಯಿಸಲು ಸಾಧ್ಯವಾಗದಿದ್ದರೆ dati (ಪ್ರಾದೇಶಿಕ-ಕೇಂದ್ರಿತ) ಆಂತರಿಕವಾಗಿ, ಆದ್ದರಿಂದ ನೀವು a ಅನ್ನು ಸ್ಥಾಪಿಸಬೇಕಾಗುತ್ತದೆ ಡೇಟಾ ಬೇಸ್ (ಪ್ರಾದೇಶಿಕ-ಕೇಂದ್ರಿತ) ಬಾಹ್ಯ. ಇದು ಸಮಸ್ಯೆಗಳ ನಿರ್ವಹಣೆಯನ್ನು ಸಂಕೀರ್ಣಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ನಿಮ್ಮ ಒಟ್ಟಾರೆ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ರಾಜಿ ಮಾಡುತ್ತದೆ, ನಿಮ್ಮ DBA ಗಳಿಗಾಗಿ ರಚಿಸಲಾದ ಹೆಚ್ಚುವರಿ ಸಮಸ್ಯೆಗಳನ್ನು ಉಲ್ಲೇಖಿಸಬಾರದು, ಏಕೆಂದರೆ ಅವುಗಳು ಬಹುಶಃ ಮೂಲಭೂತ ವಿಷಯಗಳ ಬಗ್ಗೆ ಕನಿಷ್ಠ ತಿಳುವಳಿಕೆಯನ್ನು ಹೊಂದಿರಬಹುದು. dati ಪ್ರಾದೇಶಿಕ ಹಾಗೂ. ಮತ್ತೊಂದೆಡೆ, ನಿಮ್ಮ RDMBS ಎಂಜಿನ್ ಎಲ್ಲಾ ಪ್ರಾದೇಶಿಕ ಘಟಕಗಳನ್ನು ನಿರ್ವಹಿಸಿದರೆ ಮತ್ತು ಅದರ ಆಪ್ಟಿಮೈಜರ್ ಪ್ರಾದೇಶಿಕ ವಸ್ತುಗಳ ವಿಶೇಷ ಅಗತ್ಯಗಳ (ಉದಾಹರಣೆಗೆ, ಇಂಡೆಕ್ಸಿಂಗ್) ಬಗ್ಗೆ ತಿಳಿದಿದ್ದರೆ, ನಿಮ್ಮ DBA ಗಳು ಸಮಸ್ಯೆಗಳ ನಿರ್ವಹಣೆಯನ್ನು ಸುಲಭವಾಗಿ ನಿಭಾಯಿಸಬಹುದು ಮತ್ತು ನೀವು ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಗರಿಷ್ಠಗೊಳಿಸಬಹುದು.

ಹೆಚ್ಚುವರಿಯಾಗಿ, ವಿಳಾಸವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಲು (ಎ

ಪ್ರಾದೇಶಿಕ ವಿಶ್ಲೇಷಣೆಗೆ ಪ್ರಮುಖ ಅಂಶ), ಹಾಗೆಯೇ ಬಾಹ್ಯಾಕಾಶ ವಸ್ತುಗಳ ನಂತರದ ಉಳಿತಾಯ. ಡ್ರಾಯಿಂಗ್ ಆವೃತ್ತಿಗಳ ಅನುಕ್ರಮವು ಈಗ ನಾವು ಸ್ಪಷ್ಟ ನಿರ್ದೇಶನದ ಕಲ್ಪನೆಯನ್ನು ಪರಿಚಯಿಸಿದ್ದೇವೆ. ಒಂದು ವಿಷಯಕ್ಕಾಗಿ, ಈ ಅಪ್ಲಿಕೇಶನ್ ನಿಮ್ಮ ETL ಪ್ರಯತ್ನಕ್ಕೆ ಅಗತ್ಯವಿರುವ ಸಾಫ್ಟ್‌ವೇರ್ ಪ್ರಕಾರವನ್ನು ನಿರ್ದೇಶಿಸುತ್ತದೆ.

ನಿಮಗೆ ಕ್ಲೀನ್ ವಿಳಾಸವನ್ನು ಒದಗಿಸಲು Trillium ನಂತಹ ಉತ್ಪನ್ನಗಳ ಅಗತ್ಯವಿದೆಯೇ ಅಥವಾ ಆ ಕಾರ್ಯವನ್ನು ಒದಗಿಸಲು ನಿಮ್ಮ ಆಯ್ಕೆಯ ETL ಮಾರಾಟಗಾರರ ಅಗತ್ಯವಿದೆಯೇ?
ನಿಮ್ಮ ಗೋದಾಮಿನ ಅನುಷ್ಠಾನವನ್ನು ಪ್ರಾರಂಭಿಸುವ ಮೊದಲು ಪೂರ್ಣಗೊಳಿಸಬೇಕಾದ ವಿನ್ಯಾಸದ ಮಟ್ಟವನ್ನು ನೀವು ಪ್ರಶಂಸಿಸುವುದು ಇದೀಗ ಮುಖ್ಯವಾಗಿದೆ. ಮೇಲಿನ ಉದಾಹರಣೆಗಳು ಯಾವುದೇ ನಿರ್ದಿಷ್ಟ ವ್ಯಾಪಾರದ ಅವಶ್ಯಕತೆಗಳ ಗುರುತಿಸುವಿಕೆಯನ್ನು ಅನುಸರಿಸಬೇಕಾದ ವಿನ್ಯಾಸ ನಿರ್ಧಾರಗಳ ಬಹುಸಂಖ್ಯೆಯನ್ನು ಪ್ರದರ್ಶಿಸಬೇಕು. ಸರಿಯಾಗಿ ಮಾಡಿದರೆ, ಈ ವಿನ್ಯಾಸ ನಿರ್ಧಾರಗಳು ನಿಮ್ಮ ಪರಿಸರದ ಭೌತಿಕ ರಚನೆಗಳು, ಬಳಸಿದ ತಂತ್ರಜ್ಞಾನದ ಆಯ್ಕೆ ಮತ್ತು ಮಾಹಿತಿ ವಿಷಯದ ಪ್ರಸರಣದ ನಡುವೆ ಪರಸ್ಪರ ಅವಲಂಬನೆಯನ್ನು ಉತ್ತೇಜಿಸುತ್ತದೆ. ಈ ಸಾಂಪ್ರದಾಯಿಕ BI ಆರ್ಕಿಟೆಕ್ಚರ್ ಇಲ್ಲದೆ, ನಿಮ್ಮ ಸಂಸ್ಥೆಯು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ತಂತ್ರಜ್ಞಾನಗಳ ಅಸ್ತವ್ಯಸ್ತವಾಗಿರುವ ಮಿಶ್ರಣಕ್ಕೆ ಒಳಪಟ್ಟಿರುತ್ತದೆ, ಸ್ಪಷ್ಟವಾಗಿ ಸ್ಥಿರತೆಯನ್ನು ಒದಗಿಸಲು ಸಡಿಲವಾಗಿ ಒಟ್ಟಿಗೆ ಜೋಡಿಸಲಾಗುತ್ತದೆ.

ಮಾಹಿತಿ ವಿಷಯವನ್ನು ನಿರ್ವಹಿಸಿ

ನಿಮ್ಮ ಸಂಸ್ಥೆಗೆ ಮಾಹಿತಿಯ ಮೌಲ್ಯವನ್ನು ತರುವುದು ತುಂಬಾ ಕಷ್ಟದ ಕೆಲಸ. ಸಾಕಷ್ಟು ತಿಳುವಳಿಕೆ ಮತ್ತು ಅನುಭವ, ಅಥವಾ ಸರಿಯಾದ ಯೋಜನೆ ಮತ್ತು ವಿನ್ಯಾಸವಿಲ್ಲದೆ, ಉತ್ತಮ ತಂಡಗಳು ಸಹ ವಿಫಲಗೊಳ್ಳುತ್ತವೆ. ಮತ್ತೊಂದೆಡೆ, ನೀವು ಉತ್ತಮ ಅಂತಃಪ್ರಜ್ಞೆ ಮತ್ತು ವಿವರವಾದ ಯೋಜನೆಯನ್ನು ಹೊಂದಿದ್ದರೆ ಆದರೆ ಮರಣದಂಡನೆಗೆ ಯಾವುದೇ ಶಿಸ್ತು ಇಲ್ಲದಿದ್ದರೆ, ನಿಮ್ಮ ಪ್ರಯತ್ನವು ವಿಫಲಗೊಳ್ಳುವ ಕಾರಣ ನಿಮ್ಮ ಹಣವನ್ನು ಮತ್ತು ಸಮಯವನ್ನು ನೀವು ವ್ಯರ್ಥ ಮಾಡಿದ್ದೀರಿ. ಸಂದೇಶವು ಸ್ಪಷ್ಟವಾಗಿರಬೇಕು: ನೀವು ಈ ಒಂದು ಅಥವಾ ಹೆಚ್ಚಿನ ಕೌಶಲ್ಯಗಳು, ತಿಳುವಳಿಕೆ/ಅನುಭವ ಅಥವಾ ಯೋಜನೆ/ವಿನ್ಯಾಸ ಅಥವಾ ಅನುಷ್ಠಾನದ ಶಿಸ್ತುಗಳ ಕೊರತೆಯನ್ನು ಹೊಂದಿದ್ದರೆ, ಅದು BI ಸಂಸ್ಥೆಯ ಕಟ್ಟಡವನ್ನು ದುರ್ಬಲಗೊಳಿಸುತ್ತದೆ ಅಥವಾ ನಾಶಪಡಿಸುತ್ತದೆ.

ನಿಮ್ಮ ತಂಡವು ಸಾಕಷ್ಟು ಸಿದ್ಧವಾಗಿದೆಯೇ? BI ಪರಿಸರದಲ್ಲಿ ಲಭ್ಯವಿರುವ ವಿಶಾಲವಾದ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಭೂದೃಶ್ಯವನ್ನು ಮತ್ತು ಆ ಭೂದೃಶ್ಯವನ್ನು ನಿರ್ವಹಿಸಲು ಅಗತ್ಯವಿರುವ ತಂತ್ರಗಳು ಮತ್ತು ತಂತ್ರಜ್ಞಾನಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಯಾರಾದರೂ ನಿಮ್ಮ BI ತಂಡದಲ್ಲಿದ್ದಾರೆಯೇ? ಸುಧಾರಿತ ನಡುವಿನ ಅಪ್ಲಿಕೇಶನ್ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸಲು ನಿಮ್ಮ ತಂಡದಲ್ಲಿ ಯಾರಾದರೂ ಇದ್ದಾರೆಯೇ

ಸ್ಥಿರ ವರದಿ ಮತ್ತು OLAP, ಅಥವಾ ROLAP ಮತ್ತು OLAP ನಡುವಿನ ವ್ಯತ್ಯಾಸಗಳು? ನಿಮ್ಮ ತಂಡದ ಸದಸ್ಯರಲ್ಲಿ ಒಬ್ಬರು ಹೇಗೆ ಹೊರತೆಗೆಯಬೇಕು ಮತ್ತು ಅದು ಗೋದಾಮಿನ ಮೇಲೆ ಹೇಗೆ ಪರಿಣಾಮ ಬೀರಬಹುದು ಅಥವಾ ವೇರ್‌ಹೌಸ್ ಹೊರತೆಗೆಯುವ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೇಗೆ ಬೆಂಬಲಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಗುರುತಿಸುತ್ತದೆಯೇ? ತಂಡದ ಸದಸ್ಯನು ಇದರ ಮೌಲ್ಯವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತಾನೆ dati ಬಾಹ್ಯಾಕಾಶ ಅಥವಾ ಏಜೆಂಟ್ ಆಧಾರಿತ ತಂತ್ರಜ್ಞಾನ? ಸಂದೇಶ ಬ್ರೋಕರ್ ತಂತ್ರಜ್ಞಾನದ ವಿರುದ್ಧ ETL ಪರಿಕರಗಳ ಅನನ್ಯ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಮೆಚ್ಚುವ ಯಾರಾದರೂ ನೀವು ಹೊಂದಿದ್ದೀರಾ? ನೀವು ಒಂದನ್ನು ಹೊಂದಿಲ್ಲದಿದ್ದರೆ, ಒಂದನ್ನು ಪಡೆದುಕೊಳ್ಳಿ. ಸಾಮಾನ್ಯೀಕರಿಸಿದ ಪರಮಾಣು ಪದರ, OLAP, ಸ್ಟಾರ್ ಸ್ಕೀಮಾಗಳು ಮತ್ತು ODS ಗಿಂತ BI ತುಂಬಾ ದೊಡ್ಡದಾಗಿದೆ.

BI ಅವಶ್ಯಕತೆಗಳನ್ನು ಮತ್ತು ಅವುಗಳ ಪರಿಹಾರಗಳನ್ನು ಗುರುತಿಸಲು ತಿಳುವಳಿಕೆ ಮತ್ತು ಅನುಭವವನ್ನು ಹೊಂದಿರುವುದು ಬಳಕೆದಾರರ ಅಗತ್ಯಗಳನ್ನು ಸರಿಯಾಗಿ ಔಪಚಾರಿಕಗೊಳಿಸುವ ಮತ್ತು ಅವರ ಪರಿಹಾರಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವ ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸುವ ನಿಮ್ಮ ಸಾಮರ್ಥ್ಯಕ್ಕೆ ಅತ್ಯಗತ್ಯ. ನಿಮ್ಮ ಬಳಕೆದಾರ ಸಮುದಾಯಕ್ಕೆ ಅವಶ್ಯಕತೆಗಳನ್ನು ವಿವರಿಸಲು ಕಷ್ಟವಾಗಿದ್ದರೆ, ಆ ತಿಳುವಳಿಕೆಯನ್ನು ಒದಗಿಸುವುದು ಗೋದಾಮಿನ ತಂಡದ ಕೆಲಸವಾಗಿದೆ. ಆದರೆ ಉಗ್ರಾಣ ತಂಡ ವೇಳೆ

BI ಯ ನಿರ್ದಿಷ್ಟ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಗುರುತಿಸುವುದಿಲ್ಲ - ಉದಾಹರಣೆಗೆ, ಡೇಟಾ ಮೈನಿಂಗ್ - ನಂತರ BI ಪರಿಸರಗಳು ಸಾಮಾನ್ಯವಾಗಿ ನಿಷ್ಕ್ರಿಯ ರೆಪೊಸಿಟರಿಗಳಿಗೆ ಸೀಮಿತವಾಗಿರುವುದು ಉತ್ತಮ ವಿಷಯವಲ್ಲ. ಆದಾಗ್ಯೂ, ಈ ತಂತ್ರಜ್ಞಾನಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದರಿಂದ ಅವುಗಳ ಪ್ರಾಮುಖ್ಯತೆ ಮತ್ತು ನಿಮ್ಮ ಸಂಸ್ಥೆಯ ವ್ಯಾಪಾರ ಗುಪ್ತಚರ ಸಾಮರ್ಥ್ಯಗಳ ಹೊರಹೊಮ್ಮುವಿಕೆಯ ಮೇಲೆ ಪರಿಣಾಮವು ಕಡಿಮೆಯಾಗುವುದಿಲ್ಲ, ಹಾಗೆಯೇ ನೀವು ಬೆಳೆಸಲು ಯೋಜಿಸಿರುವ ಮಾಹಿತಿ ಭೂದೃಶ್ಯ.

ಯೋಜನೆಯು ರೇಖಾಚಿತ್ರದ ಕಲ್ಪನೆಯನ್ನು ಒಳಗೊಂಡಿರಬೇಕು ಮತ್ತು ಎರಡಕ್ಕೂ ಸಮರ್ಥ ವ್ಯಕ್ತಿಯ ಅಗತ್ಯವಿರುತ್ತದೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ವಿನ್ಯಾಸಕ್ಕೆ ತಂಡದ ಗೋದಾಮಿನ ತತ್ವಶಾಸ್ತ್ರ ಮತ್ತು ಮಾನದಂಡಗಳ ಅನುಸರಣೆ ಅಗತ್ಯವಿರುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ನಿಮ್ಮ ಕಂಪನಿಯು ಸ್ಟ್ಯಾಂಡರ್ಡ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಅನ್ನು ಸ್ಥಾಪಿಸಿದ್ದರೆ ಅಥವಾ ನೀವು ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನಾದ್ಯಂತ ಪ್ರಮಾಣೀಕರಿಸಲು ಬಯಸುವ ನಿರ್ದಿಷ್ಟ RDBMS ಅನ್ನು ಗುರುತಿಸಿದ್ದರೆ, ಆ ಮಾನದಂಡಗಳಿಗೆ ಬದ್ಧವಾಗಿರುವ ಜವಾಬ್ದಾರಿಯು ತಂಡದ ಪ್ರತಿಯೊಬ್ಬರ ಮೇಲಿರುತ್ತದೆ. ಸಾಮಾನ್ಯವಾಗಿ ತಂಡವು ಪ್ರಮಾಣೀಕರಣದ ಅಗತ್ಯವನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ (ಬಳಕೆದಾರ ಸಮುದಾಯಗಳಿಗೆ), ಆದರೆ ತಂಡವು ಕಂಪನಿಯ ಇತರ ಪ್ರದೇಶಗಳಲ್ಲಿ ಅಥವಾ ಬಹುಶಃ ಇದೇ ರೀತಿಯ ಕಂಪನಿಗಳಲ್ಲಿ ಸಹ ಸ್ಥಾಪಿಸಲಾದ ಮಾನದಂಡಗಳಿಗೆ ಬದ್ಧವಾಗಿರಲು ಇಷ್ಟವಿರುವುದಿಲ್ಲ. ಇದು ಬೂಟಾಟಿಕೆ ಮಾತ್ರವಲ್ಲ, ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಸಂಪನ್ಮೂಲಗಳು ಮತ್ತು ಹೂಡಿಕೆಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳಲು ಕಂಪನಿಯು ಅಸಮರ್ಥವಾಗಿದೆ ಎಂದು ಇದು ಸ್ಥಾಪಿಸುತ್ತದೆ. ಪ್ರಮಾಣಿತವಲ್ಲದ ವೇದಿಕೆ ಅಥವಾ ತಂತ್ರಜ್ಞಾನವನ್ನು ಸಮರ್ಥಿಸುವ ಯಾವುದೇ ಸಂದರ್ಭಗಳಿಲ್ಲ ಎಂದು ಇದರ ಅರ್ಥವಲ್ಲ; ಆದಾಗ್ಯೂ, ಗೋದಾಮಿನ ಪ್ರಯತ್ನಗಳು

ವ್ಯಾಪಾರದ ಅವಶ್ಯಕತೆಗಳು ಇಲ್ಲದಿದ್ದರೆ ನಿರ್ದೇಶಿಸುವವರೆಗೆ ಅವರು ಎಂಟರ್‌ಪ್ರೈಸ್‌ನ ಮಾನದಂಡಗಳನ್ನು ಅಸೂಯೆಯಿಂದ ರಕ್ಷಿಸಬೇಕು.

BI ಸಂಸ್ಥೆಯನ್ನು ನಿರ್ಮಿಸಲು ಅಗತ್ಯವಿರುವ ಮೂರನೇ ಪ್ರಮುಖ ಅಂಶವೆಂದರೆ ಶಿಸ್ತು.
ಇದು ಒಟ್ಟಾರೆಯಾಗಿ, ವ್ಯಕ್ತಿಗಳು ಮತ್ತು ಪರಿಸರದ ಮೇಲೆ ಸಮಾನವಾಗಿ ಅವಲಂಬಿತವಾಗಿದೆ. ಪ್ರಾಜೆಕ್ಟ್ ಯೋಜಕರು, ಪ್ರಾಯೋಜಕರು, ವಾಸ್ತುಶಿಲ್ಪಿಗಳು ಮತ್ತು ಬಳಕೆದಾರರು ಕಂಪನಿಯ ಮಾಹಿತಿ ಭೂದೃಶ್ಯವನ್ನು ನಿರ್ಮಿಸಲು ಅಗತ್ಯವಾದ ಶಿಸ್ತುಗಳನ್ನು ಶ್ಲಾಘಿಸಬೇಕು. ಸಮಾಜದಲ್ಲಿ ಇತರ ಅಗತ್ಯ ಪ್ರಯತ್ನಗಳಿಗೆ ಪೂರಕವಾಗುವಂತೆ ವಿನ್ಯಾಸಕರು ತಮ್ಮ ವಿನ್ಯಾಸ ಪ್ರಯತ್ನಗಳನ್ನು ನಿರ್ದೇಶಿಸಬೇಕು.

ಉದಾಹರಣೆಗೆ, ನಿಮ್ಮ ಕಂಪನಿಯು ಗೋದಾಮಿನ ಘಟಕವನ್ನು ಹೊಂದಿರುವ ERP ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ ಎಂದು ಹೇಳೋಣ.
ಆದ್ದರಿಂದ ಈಗಾಗಲೇ ಪ್ರಾರಂಭವಾದ ಕೆಲಸವನ್ನು ಸ್ಪರ್ಧಿಸದಂತೆ ಅಥವಾ ನಕಲು ಮಾಡದಂತೆ ಗೋದಾಮಿನ ಪರಿಸರ ತಂಡದೊಂದಿಗೆ ಸಹಕರಿಸುವುದು ERP ವಿನ್ಯಾಸಕರ ಜವಾಬ್ದಾರಿಯಾಗಿದೆ.

ಶಿಸ್ತು ಕೂಡ ಒಂದು ವಿಷಯವಾಗಿದ್ದು ಅದನ್ನು ಇಡೀ ಸಂಸ್ಥೆಯು ತಿಳಿಸಬೇಕು ಮತ್ತು ಸಾಮಾನ್ಯವಾಗಿ ಸ್ಥಾಪಿಸಲಾಗಿದೆ ಮತ್ತು ಕಾರ್ಯನಿರ್ವಾಹಕ ಮಟ್ಟಕ್ಕೆ ವಹಿಸಿಕೊಡಲಾಗುತ್ತದೆ.
ನಿರ್ವಾಹಕರು ವಿನ್ಯಾಸಗೊಳಿಸಿದ ವಿಧಾನವನ್ನು ಅನುಸರಿಸಲು ಸಿದ್ಧರಿದ್ದಾರೆಯೇ? ಮಾಹಿತಿ ವಿಷಯವನ್ನು ರಚಿಸಲು ಭರವಸೆ ನೀಡುವ ವಿಧಾನವು ಅಂತಿಮವಾಗಿ ಉದ್ಯಮದ ಎಲ್ಲಾ ಕ್ಷೇತ್ರಗಳಿಗೆ ಮೌಲ್ಯವನ್ನು ತರುತ್ತದೆ, ಆದರೆ ಬಹುಶಃ ವೈಯಕ್ತಿಕ ಅಥವಾ ಇಲಾಖಾ ಕಾರ್ಯಸೂಚಿಗಳನ್ನು ರಾಜಿ ಮಾಡುತ್ತದೆ? "ಒಂದು ವಿಷಯದ ಬಗ್ಗೆ ಯೋಚಿಸುವುದಕ್ಕಿಂತ ಎಲ್ಲದರ ಬಗ್ಗೆ ಯೋಚಿಸುವುದು ಹೆಚ್ಚು ಮುಖ್ಯ" ಎಂಬ ಮಾತನ್ನು ನೆನಪಿಡಿ. ಬಿಐ ಸಂಸ್ಥೆಗಳಿಗೆ ಈ ಮಾತು ನಿಜ.

ದುರದೃಷ್ಟವಶಾತ್, ಅನೇಕ ಗೋದಾಮುಗಳು ನಿರ್ದಿಷ್ಟ ಇಲಾಖೆ ಅಥವಾ ನಿರ್ದಿಷ್ಟ ಬಳಕೆದಾರರನ್ನು ಗುರಿಯಾಗಿಸಲು ಮತ್ತು ಮೌಲ್ಯವನ್ನು ತರಲು ಪ್ರಯತ್ನಿಸುವುದರ ಮೇಲೆ ತಮ್ಮ ಪ್ರಯತ್ನಗಳನ್ನು ಕೇಂದ್ರೀಕರಿಸುತ್ತವೆ. ಕಾರ್ಯನಿರ್ವಾಹಕರು ವೇರ್‌ಹೌಸ್ ತಂಡದಿಂದ ಸಹಾಯವನ್ನು ಕೋರುತ್ತಾರೆ ಎಂದು ಭಾವಿಸೋಣ. ತಂಡವು 90-ದಿನದ ಪ್ರಯತ್ನದೊಂದಿಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ, ಇದು ಮ್ಯಾನೇಜರ್ ವ್ಯಾಖ್ಯಾನಿಸಿದ ಅಧಿಸೂಚನೆಯ ಅವಶ್ಯಕತೆಗಳನ್ನು ತಲುಪಿಸುವುದನ್ನು ಮಾತ್ರವಲ್ಲದೆ ಎಲ್ಲವನ್ನೂ ಖಚಿತಪಡಿಸಿಕೊಳ್ಳುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ dati ಪ್ರಸ್ತಾವಿತ ಕ್ಯೂಬ್ ತಂತ್ರಜ್ಞಾನಕ್ಕೆ ಪರಿಚಯಿಸುವ ಮೊದಲು ಬೇಸ್ ಅನ್ನು ಪರಮಾಣು ಮಟ್ಟದಲ್ಲಿ ಮಿಶ್ರಣ ಮಾಡಲಾಗುತ್ತದೆ.
ಈ ಎಂಜಿನಿಯರಿಂಗ್ ಸೇರ್ಪಡೆಯು ವಾಯರ್‌ಹೌಸ್ ಎಂಟರ್‌ಪ್ರೈಸ್‌ನಿಂದ ಪ್ರಯೋಜನ ಪಡೆಯುತ್ತದೆ ಎಂದು ಖಚಿತಪಡಿಸುತ್ತದೆ dati ವ್ಯವಸ್ಥಾಪಕರಿಗೆ ಅಗತ್ಯ.
ಆದಾಗ್ಯೂ, ಕಾರ್ಯನಿರ್ವಾಹಕರು ಹೊರಗಿನ ಸಲಹಾ ಸಂಸ್ಥೆಗಳೊಂದಿಗೆ ಮಾತನಾಡಿದರು, ಅವರು 4 ವಾರಗಳಿಗಿಂತ ಕಡಿಮೆ ಅವಧಿಯಲ್ಲಿ ವಿತರಣೆಯೊಂದಿಗೆ ಇದೇ ರೀತಿಯ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಪ್ರಸ್ತಾಪಿಸಿದರು.

ಆಂತರಿಕ ಗೋದಾಮಿನ ತಂಡವು ಸಮರ್ಥವಾಗಿದೆ ಎಂದು ಭಾವಿಸಿದರೆ, ಕಾರ್ಯನಿರ್ವಾಹಕರಿಗೆ ಆಯ್ಕೆ ಇದೆ. ಮಾಹಿತಿ ಆಸ್ತಿ ಉದ್ಯಮವನ್ನು ಬೆಳೆಸಲು ಅಗತ್ಯವಿರುವ ಹೆಚ್ಚುವರಿ ಎಂಜಿನಿಯರಿಂಗ್ ಶಿಸ್ತನ್ನು ಯಾರು ಬೆಂಬಲಿಸಬಹುದು ಅಥವಾ ತಮ್ಮದೇ ಆದ ಪರಿಹಾರವನ್ನು ತ್ವರಿತವಾಗಿ ನಿರ್ಮಿಸಲು ಆಯ್ಕೆ ಮಾಡಬಹುದು. ಕೊನೆಯದನ್ನು ತುಂಬಾ ಹೆಚ್ಚಾಗಿ ಆಯ್ಕೆ ಮಾಡಲಾಗಿದೆ ಎಂದು ತೋರುತ್ತದೆ ಮತ್ತು ಕೆಲವು ಅಥವಾ ವ್ಯಕ್ತಿಗೆ ಮಾತ್ರ ಪ್ರಯೋಜನಕಾರಿಯಾದ ಮಾಹಿತಿಯ ಧಾರಕಗಳನ್ನು ರಚಿಸಲು ಮಾತ್ರ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ.

ಅಲ್ಪಾವಧಿಯ ಮತ್ತು ದೀರ್ಘಾವಧಿಯ ಉದ್ದೇಶಗಳು

ಆರ್ಕಿಟೆಕ್ಟ್‌ಗಳು ಮತ್ತು ಪ್ರಾಜೆಕ್ಟ್ ಡಿಸೈನರ್‌ಗಳು ಒಟ್ಟಾರೆ ಆರ್ಕಿಟೆಕ್ಚರ್‌ನ ದೀರ್ಘಾವಧಿಯ ದೃಷ್ಟಿ ಮತ್ತು ಬಿಐ ಸಂಸ್ಥೆಯಲ್ಲಿನ ಬೆಳವಣಿಗೆಯ ಯೋಜನೆಗಳನ್ನು ಔಪಚಾರಿಕಗೊಳಿಸಬೇಕು. ಅಲ್ಪಾವಧಿಯ ಲಾಭ ಮತ್ತು ದೀರ್ಘಾವಧಿಯ ಯೋಜನೆಗಳ ಈ ಸಂಯೋಜನೆಯು BI ಪ್ರಯತ್ನಗಳ ಎರಡು ಬದಿಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ಅಲ್ಪಾವಧಿಯ ಲಾಭವು ನಿಮ್ಮ ಗೋದಾಮಿನ ಪುನರಾವರ್ತನೆಗಳೊಂದಿಗೆ ಸಂಬಂಧಿಸಿದ BI ಯ ಅಂಶವಾಗಿದೆ.

ಇಲ್ಲಿ ಯೋಜಕರು, ವಾಸ್ತುಶಿಲ್ಪಿಗಳು ಮತ್ತು ಪ್ರಾಯೋಜಕರು ನಿರ್ದಿಷ್ಟ ವಾಣಿಜ್ಯ ಅವಶ್ಯಕತೆಗಳನ್ನು ಪೂರೈಸುವಲ್ಲಿ ಗಮನಹರಿಸುತ್ತಾರೆ. ಈ ಹಂತದಲ್ಲಿಯೇ ಭೌತಿಕ ರಚನೆಗಳನ್ನು ನಿರ್ಮಿಸಲಾಗಿದೆ, ತಂತ್ರಜ್ಞಾನವನ್ನು ಖರೀದಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ತಂತ್ರಗಳನ್ನು ಅಳವಡಿಸಲಾಗಿದೆ. ನಿರ್ದಿಷ್ಟ ಬಳಕೆದಾರ ಸಮುದಾಯಗಳಿಂದ ವ್ಯಾಖ್ಯಾನಿಸಲಾದ ನಿರ್ದಿಷ್ಟ ಅವಶ್ಯಕತೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಅವುಗಳನ್ನು ಯಾವುದೇ ರೀತಿಯಲ್ಲಿ ಮಾಡಲಾಗಿಲ್ಲ. ನಿರ್ದಿಷ್ಟ ಸಮುದಾಯದಿಂದ ವ್ಯಾಖ್ಯಾನಿಸಲಾದ ನಿರ್ದಿಷ್ಟ ಅವಶ್ಯಕತೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಎಲ್ಲವನ್ನೂ ಮಾಡಲಾಗುತ್ತದೆ.
ದೀರ್ಘಾವಧಿಯ ಯೋಜನೆ, ಆದಾಗ್ಯೂ, BI ಯ ಇನ್ನೊಂದು ಮುಖವಾಗಿದೆ. ಇಲ್ಲಿಯೇ ಯೋಜನೆಗಳು ಮತ್ತು ವಿನ್ಯಾಸಗಳು ಯಾವುದೇ ಭೌತಿಕ ರಚನೆಯನ್ನು ನಿರ್ಮಿಸಲಾಗಿದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಂಡಿದೆ, ತಂತ್ರಜ್ಞಾನಗಳನ್ನು ಆಯ್ಕೆಮಾಡಲಾಗಿದೆ ಮತ್ತು ಉದ್ಯಮದ ಕಡೆಗೆ ಗಮನಹರಿಸುವ ತಂತ್ರಗಳನ್ನು ಅಳವಡಿಸಲಾಗಿದೆ. ಇದು ದೀರ್ಘಾವಧಿಯ ಯೋಜನೆಯಾಗಿದ್ದು, ಕಂಡುಬರುವ ಯಾವುದೇ ಅಲ್ಪಾವಧಿಯ ಲಾಭಗಳಿಂದ ವ್ಯಾಪಾರ ಪ್ರಯೋಜನಗಳು ಉಂಟಾಗುವುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಅಗತ್ಯವಾದ ಒಗ್ಗಟ್ಟನ್ನು ಒದಗಿಸುತ್ತದೆ.

ನಿಮ್ಮ BI ಪ್ರಯತ್ನವನ್ನು ಸಮರ್ಥಿಸಿ

Un ಡೇಟಾ ವೇರ್ಹೌಸ್ ಸ್ವತಃ ಅದು ಯಾವುದೇ ಅಂತರ್ಗತ ಮೌಲ್ಯವನ್ನು ಹೊಂದಿಲ್ಲ. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಗೋದಾಮಿನ ತಂತ್ರಜ್ಞಾನಗಳು ಮತ್ತು ಅನುಷ್ಠಾನ ತಂತ್ರಗಳ ನಡುವೆ ಯಾವುದೇ ಅಂತರ್ಗತ ಮೌಲ್ಯವಿಲ್ಲ.

ಯಾವುದೇ ಗೋದಾಮಿನ ಪ್ರಯತ್ನದ ಮೌಲ್ಯವು ಗೋದಾಮಿನ ಪರಿಸರ ಮತ್ತು ಕಾಲಾನಂತರದಲ್ಲಿ ಬೆಳೆಸಿದ ಮಾಹಿತಿ ವಿಷಯದ ಪರಿಣಾಮವಾಗಿ ಮಾಡಿದ ಕ್ರಿಯೆಗಳಲ್ಲಿ ಕಂಡುಬರುತ್ತದೆ. ನೀವು ಯಾವುದೇ ವೇರ್ಹೌಸ್ ಉಪಕ್ರಮದ ಮೌಲ್ಯವನ್ನು ಅಂದಾಜು ಮಾಡಲು ಪ್ರಯತ್ನಿಸುವ ಮೊದಲು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಇದು ನಿರ್ಣಾಯಕ ಅಂಶವಾಗಿದೆ.

ಆಗಾಗ್ಗೆ, ವಾಸ್ತುಶಿಲ್ಪಿಗಳು ಮತ್ತು ವಿನ್ಯಾಸಕರು ಗೋದಾಮಿನ ಭೌತಿಕ ಮತ್ತು ತಾಂತ್ರಿಕ ಘಟಕಗಳಿಗೆ ಮೌಲ್ಯವನ್ನು ಅನ್ವಯಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಾರೆ, ವಾಸ್ತವವಾಗಿ ಮೌಲ್ಯವು ವೇರ್ಹೌಸ್ ಮತ್ತು ಉತ್ತಮವಾಗಿ-ಸ್ವಾಧೀನಪಡಿಸಿಕೊಂಡ ಮಾಹಿತಿಯಿಂದ ಧನಾತ್ಮಕವಾಗಿ ಪ್ರಭಾವ ಬೀರುವ ವ್ಯವಹಾರ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಆಧರಿಸಿದೆ.

ಬಿಐ ಸ್ಥಾಪಿಸುವ ಸವಾಲು ಇಲ್ಲಿದೆ: ಹೂಡಿಕೆಯನ್ನು ನೀವು ಹೇಗೆ ಸಮರ್ಥಿಸಿಕೊಳ್ಳುತ್ತೀರಿ? ಅಲ್ಲಿಯೇ ಯಾವುದೇ ಆಂತರಿಕ ಮೌಲ್ಯವನ್ನು ಹೊಂದಿಲ್ಲದಿದ್ದರೆ, ನಿರ್ದಿಷ್ಟ ವ್ಯವಹಾರ ಪ್ರಕ್ರಿಯೆಗಳು ಅಥವಾ ಸಂರಕ್ಷಿತ ಮಾಹಿತಿಯ ಮೌಲ್ಯವನ್ನು ಸುಧಾರಿಸಲು ಗೋದಾಮನ್ನು ಬಳಸುವ ವ್ಯಕ್ತಿಗಳು ಸಾಧಿಸಿದ ಪ್ರಯೋಜನಗಳನ್ನು ಯೋಜನಾ ವಿನ್ಯಾಸಕರು ತನಿಖೆ ಮಾಡಬೇಕು, ವ್ಯಾಖ್ಯಾನಿಸಬೇಕು ಮತ್ತು ಔಪಚಾರಿಕಗೊಳಿಸಬೇಕು.

ವಿಷಯಗಳನ್ನು ಸಂಕೀರ್ಣಗೊಳಿಸಲು, ವೇರ್ಹೌಸಿಂಗ್ ಪ್ರಯತ್ನಗಳಿಂದ ಪ್ರಭಾವಿತವಾಗಿರುವ ಯಾವುದೇ ವ್ಯವಹಾರ ಪ್ರಕ್ರಿಯೆಯು "ಗಣನೀಯ" ಅಥವಾ "ಸ್ವಲ್ಪ" ಪ್ರಯೋಜನಗಳನ್ನು ಒದಗಿಸಬಹುದು. ಗಣನೀಯ ಪ್ರಯೋಜನಗಳು ಹೂಡಿಕೆಯ ಮೇಲಿನ ಆದಾಯವನ್ನು ಅಳೆಯಲು ಒಂದು ಸ್ಪಷ್ಟವಾದ ಮೆಟ್ರಿಕ್ ಅನ್ನು ಒದಗಿಸುತ್ತವೆ (ROI) - ಉದಾಹರಣೆಗೆ, ಒಂದು ನಿರ್ದಿಷ್ಟ ಅವಧಿಯಲ್ಲಿ ಅಥವಾ ಪ್ರತಿ ಸಾಗಣೆಗೆ ಕಡಿಮೆ ಸಾರಿಗೆ ವೆಚ್ಚಕ್ಕಾಗಿ ದಾಸ್ತಾನು ಹೆಚ್ಚುವರಿ ಸಮಯವನ್ನು ತಿರುಗಿಸುವುದು. ಸ್ಪಷ್ಟವಾದ ಮೌಲ್ಯದ ವಿಷಯದಲ್ಲಿ ಮಾಹಿತಿಗೆ ಸುಧಾರಿತ ಪ್ರವೇಶದಂತಹ ಸೂಕ್ಷ್ಮ ಪ್ರಯೋಜನಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು ಕಷ್ಟ.

ಇದರ ಬಗ್ಗೆ ತಿಳಿದುಕೊಳ್ಳಲು ನಿಮ್ಮ ಪ್ರಾಜೆಕ್ಟ್ ಅನ್ನು ಸಂಪರ್ಕಿಸಿ ವ್ಯಾಪಾರ ವಿನಂತಿಗಳು

ಆಗಾಗ್ಗೆ, ಯೋಜನಾ ಯೋಜಕರು ಗೋದಾಮಿನ ಮೌಲ್ಯವನ್ನು ಅಸ್ಫಾಟಿಕ ಎಂಟರ್‌ಪ್ರೈಸ್ ಉದ್ದೇಶಗಳಿಗೆ ಲಿಂಕ್ ಮಾಡಲು ಪ್ರಯತ್ನಿಸುತ್ತಾರೆ. "ಗೋದಾಮಿನ ಮೌಲ್ಯವು ಕಾರ್ಯತಂತ್ರದ ವಿನಂತಿಗಳನ್ನು ಪೂರೈಸುವ ನಮ್ಮ ಸಾಮರ್ಥ್ಯವನ್ನು ಆಧರಿಸಿದೆ" ಎಂದು ಘೋಷಿಸುವ ಮೂಲಕ ನಾವು ಚರ್ಚೆಯನ್ನು ಆಹ್ಲಾದಕರ ರೀತಿಯಲ್ಲಿ ತೆರೆಯುತ್ತೇವೆ. ಆದರೆ ದಾಸ್ತಾನುಗಳಲ್ಲಿ ಹೂಡಿಕೆ ಮಾಡುವುದು ಅರ್ಥಪೂರ್ಣವಾಗಿದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಲು ಇದು ಸಾಕಾಗುವುದಿಲ್ಲ. ನಿರ್ದಿಷ್ಟ, ತಿಳಿದಿರುವ ವ್ಯಾಪಾರ ಬೇಡಿಕೆಗಳೊಂದಿಗೆ ಗೋದಾಮಿನ ಪುನರಾವರ್ತನೆಗಳನ್ನು ಲಿಂಕ್ ಮಾಡುವುದು ಉತ್ತಮವಾಗಿದೆ.

ROI ಅನ್ನು ಅಳೆಯುವುದು

ಗೋದಾಮಿನ ಸೆಟ್ಟಿಂಗ್‌ನಲ್ಲಿ ROI ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು ವಿಶೇಷವಾಗಿ ಕಷ್ಟಕರವಾಗಿರುತ್ತದೆ. ಅನುಕೂಲವಿದ್ದರೆ ವಿಶೇಷವಾಗಿ ಕಷ್ಟ

ನಿರ್ದಿಷ್ಟ ಪುನರಾವರ್ತನೆಯ ಮೂಲವು ಸ್ಪಷ್ಟವಾದ ಅಥವಾ ಅಳೆಯಲು ಸುಲಭವಲ್ಲದ ಸಂಗತಿಯಾಗಿದೆ. BI ಉಪಕ್ರಮಗಳ ಎರಡು ಮುಖ್ಯ ಪ್ರಯೋಜನಗಳನ್ನು ಬಳಕೆದಾರರು ಗ್ರಹಿಸುತ್ತಾರೆ ಎಂದು ಒಂದು ಅಧ್ಯಯನವು ಕಂಡುಹಿಡಿದಿದೆ:

• ▪ ನಿರ್ಧಾರಗಳನ್ನು ರಚಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ರಚಿಸಿ
• ▪ ಮಾಹಿತಿಗೆ ಪ್ರವೇಶವನ್ನು ರಚಿಸಿ
  ಈ ಪ್ರಯೋಜನಗಳು ಮೃದು (ಅಥವಾ ಸೌಮ್ಯ) ಪ್ರಯೋಜನಗಳಾಗಿವೆ. ಕಡಿಮೆಯಾದ ಸಾರಿಗೆ ವೆಚ್ಚಗಳಂತಹ ಕಠಿಣ (ಅಥವಾ ಪ್ರಮುಖ) ಪ್ರಯೋಜನವನ್ನು ಆಧರಿಸಿ ನಾವು ROI ಅನ್ನು ಹೇಗೆ ಲೆಕ್ಕ ಹಾಕಬಹುದು ಎಂಬುದನ್ನು ನೋಡುವುದು ಸುಲಭ, ಆದರೆ ಉತ್ತಮ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯವನ್ನು ನಾವು ಹೇಗೆ ಅಳೆಯಬಹುದು?
  ನಿರ್ದಿಷ್ಟ ಗೋದಾಮಿನ ಪ್ರಯತ್ನದಲ್ಲಿ ಹೂಡಿಕೆ ಮಾಡಲು ಕಂಪನಿಯನ್ನು ಮನವೊಲಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿರುವಾಗ ಯೋಜನಾ ಯೋಜಕರಿಗೆ ಇದು ಖಂಡಿತವಾಗಿಯೂ ಸವಾಲಾಗಿದೆ. ಮಾರಾಟವನ್ನು ಹೆಚ್ಚಿಸುವುದು ಅಥವಾ ವೆಚ್ಚವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು ಇನ್ನು ಮುಂದೆ BI ಪರಿಸರವನ್ನು ಚಾಲನೆ ಮಾಡುವ ಕೇಂದ್ರ ವಿಷಯಗಳಲ್ಲ.
  ಬದಲಾಗಿ, ನೀವು ಮಾಹಿತಿಗೆ ಉತ್ತಮ ಪ್ರವೇಶಕ್ಕಾಗಿ ವ್ಯಾಪಾರ ವಿನಂತಿಗಳನ್ನು ನೋಡುತ್ತಿರುವಿರಿ ಇದರಿಂದ ನಿರ್ದಿಷ್ಟ ಇಲಾಖೆಯು ವೇಗವಾಗಿ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಬಹುದು. ಇವುಗಳು ಕಾರ್ಯತಂತ್ರದ ಚಾಲಕಗಳಾಗಿವೆ, ಅದು ಉದ್ಯಮಕ್ಕೆ ಸಮಾನವಾಗಿ ಮುಖ್ಯವಾಗಿದೆ ಆದರೆ ಹೆಚ್ಚು ಅಸ್ಪಷ್ಟವಾಗಿದೆ ಮತ್ತು ಸ್ಪಷ್ಟವಾದ ಮೆಟ್ರಿಕ್‌ನಲ್ಲಿ ನಿರೂಪಿಸಲು ಕಷ್ಟವಾಗುತ್ತದೆ. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ROI ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು ಅಪ್ರಸ್ತುತವಲ್ಲದಿದ್ದರೂ ತಪ್ಪುದಾರಿಗೆಳೆಯಬಹುದು.
  ನಿರ್ದಿಷ್ಟ ಪುನರಾವರ್ತನೆಯಲ್ಲಿನ ಹೂಡಿಕೆಯು ಯೋಗ್ಯವಾಗಿದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಲು ಕಾರ್ಯನಿರ್ವಾಹಕರಿಗೆ ಪ್ರಾಜೆಕ್ಟ್ ಯೋಜಕರು ಸ್ಪಷ್ಟವಾದ ಮೌಲ್ಯವನ್ನು ಪ್ರದರ್ಶಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. ಆದಾಗ್ಯೂ, ROI ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ನಾವು ಹೊಸ ವಿಧಾನವನ್ನು ಪ್ರಸ್ತಾಪಿಸುವುದಿಲ್ಲ ಅಥವಾ ನಾವು ಅದರ ಪರವಾಗಿ ಅಥವಾ ವಿರುದ್ಧವಾಗಿ ಯಾವುದೇ ವಾದಗಳನ್ನು ಮಾಡುವುದಿಲ್ಲ.
  ROI ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಮೂಲಭೂತ ಅಂಶಗಳನ್ನು ಚರ್ಚಿಸುವ ಅನೇಕ ಲೇಖನಗಳು ಮತ್ತು ಪುಸ್ತಕಗಳು ಲಭ್ಯವಿವೆ. ಹೂಡಿಕೆಯ ಮೇಲಿನ ಮೌಲ್ಯದಂತಹ ವಿಶೇಷ ಮೌಲ್ಯದ ಪ್ರಸ್ತಾಪಗಳಿವೆ (VOI), ನೀವು ಸಂಶೋಧನೆ ಮಾಡಬಹುದಾದಂತಹ ಗಾರ್ಟ್‌ನರ್‌ನಂತಹ ಗುಂಪುಗಳು ನೀಡುತ್ತವೆ. ಬದಲಾಗಿ, ನೀವು ಪರಿಗಣಿಸಬೇಕಾದ ಯಾವುದೇ ROI ಅಥವಾ ಇತರ ಮೌಲ್ಯದ ಪ್ರಸ್ತಾಪಗಳ ಪ್ರಮುಖ ಅಂಶಗಳ ಮೇಲೆ ನಾವು ಕೇಂದ್ರೀಕರಿಸುತ್ತೇವೆ. ROI ಅನ್ನು ಅನ್ವಯಿಸಲಾಗುತ್ತಿದೆ BI ಪ್ರಯತ್ನಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ "ಕಠಿಣ" ಪ್ರಯೋಜನಗಳ ವಿರುದ್ಧ "ಮೃದು" ಪ್ರಯೋಜನಗಳ ಬಗ್ಗೆ ವಾದವನ್ನು ಮೀರಿ ROI ಅನ್ನು ಅನ್ವಯಿಸುವಾಗ ಪರಿಗಣಿಸಲು ಇತರ ಸಮಸ್ಯೆಗಳಿವೆ. ಉದಾಹರಣೆಗೆ:

ಹೇಗಾದರೂ ಬರಲಿರುವ DW ಪ್ರಯತ್ನಗಳಿಗೆ ಹಲವಾರು ಉಳಿತಾಯಗಳನ್ನು ಆಟ್ರಿಬ್ಯೂಟ್ ಮಾಡಿ
ನಿಮ್ಮ ಕಂಪನಿಯು ಮೇನ್‌ಫ್ರೇಮ್ ಆರ್ಕಿಟೆಕ್ಚರ್‌ನಿಂದ ವಿತರಿಸಿದ UNIX ಪರಿಸರಕ್ಕೆ ಸ್ಥಳಾಂತರಗೊಂಡಿದೆ ಎಂದು ಹೇಳೋಣ. ಆದ್ದರಿಂದ ಆ ಪ್ರಯತ್ನದಿಂದ ಅರಿತುಕೊಳ್ಳಬಹುದಾದ (ಅಥವಾ ಇಲ್ಲದಿರಬಹುದಾದ) ಯಾವುದೇ ಉಳಿತಾಯವನ್ನು ಗೋದಾಮಿಗೆ (?) ಪ್ರತ್ಯೇಕವಾಗಿ ಆರೋಪಿಸಬಾರದು.

ಎಲ್ಲದಕ್ಕೂ ಲೆಕ್ಕ ಕೊಡದಿರುವುದು ದುಬಾರಿ. ಮತ್ತು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳಬೇಕಾದ ಹಲವು ಅಂಶಗಳಿವೆ. ಕೆಳಗಿನ ಪಟ್ಟಿಯನ್ನು ಪರಿಗಣಿಸಿ:

• ▪ ಕಾರ್ಯಸಾಧ್ಯತೆ ಸೇರಿದಂತೆ ಪ್ರಾರಂಭದ ವೆಚ್ಚ.
• ▪ ಸಂಬಂಧಿತ ಸಂಗ್ರಹಣೆ ಮತ್ತು ಸಂವಹನಗಳೊಂದಿಗೆ ಮೀಸಲಾದ ಯಂತ್ರಾಂಶದ ವೆಚ್ಚ
• ▪ ನಿರ್ವಹಣೆ ಸೇರಿದಂತೆ ಸಾಫ್ಟ್‌ವೇರ್‌ನ ವೆಚ್ಚ dati ಮತ್ತು ಕ್ಲೈಂಟ್/ಸರ್ವರ್ ವಿಸ್ತರಣೆಗಳು, ETL ಸಾಫ್ಟ್‌ವೇರ್, DSS ತಂತ್ರಜ್ಞಾನಗಳು, ದೃಶ್ಯೀಕರಣ ಉಪಕರಣಗಳು, ವೇಳಾಪಟ್ಟಿ ಮತ್ತು ವರ್ಕ್‌ಫ್ಲೋ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಮತ್ತು ಮಾನಿಟರಿಂಗ್ ಸಾಫ್ಟ್‌ವೇರ್, .
• ▪ ರಚನೆಯ ವಿನ್ಯಾಸ ವೆಚ್ಚ dati, ಸೃಷ್ಟಿ ಮತ್ತು ಆಪ್ಟಿಮೈಸೇಶನ್ ಜೊತೆಗೆ
• ▪ ಸಾಫ್ಟ್‌ವೇರ್ ಅಭಿವೃದ್ಧಿ ವೆಚ್ಚವು BI ಪ್ರಯತ್ನದೊಂದಿಗೆ ನೇರವಾಗಿ ಸಂಬಂಧಿಸಿದೆ
• ▪ ಸಾಫ್ಟ್‌ವೇರ್ ಆವೃತ್ತಿ ನಿಯಂತ್ರಣ ಮತ್ತು ಸಹಾಯ ಕಾರ್ಯಾಚರಣೆಗಳು ಸೇರಿದಂತೆ ಕಾರ್ಯಕ್ಷಮತೆ ಆಪ್ಟಿಮೈಸೇಶನ್ ಸೇರಿದಂತೆ ಆನ್-ಸೈಟ್ ಬೆಂಬಲದ ವೆಚ್ಚ "ಬಿಗ್-ಬ್ಯಾಂಗ್" ROI ಅನ್ನು ಅನ್ವಯಿಸಿ. ಗೋದಾಮನ್ನು ಒಂದೇ, ದೈತ್ಯಾಕಾರದ ಪ್ರಯತ್ನವು ವಿಫಲಗೊಳಿಸಲು ಅವನತಿ ಹೊಂದುತ್ತದೆ, ಆದ್ದರಿಂದ ದೊಡ್ಡ-ಉದ್ಯಮ ಉಪಕ್ರಮಕ್ಕಾಗಿ ROI ಅನ್ನು ಸಹ ಲೆಕ್ಕಹಾಕಿ ಕೊಡುಗೆಯು ಆಶ್ಚರ್ಯಕರವಾಗಿದೆ ಮತ್ತು ಯೋಜಕರು ಸಂಪೂರ್ಣ ಪ್ರಯತ್ನದ ಮೌಲ್ಯವನ್ನು ಅಂದಾಜು ಮಾಡಲು ದುರ್ಬಲ ಪ್ರಯತ್ನಗಳನ್ನು ಮುಂದುವರೆಸುತ್ತಾರೆ . ನಿರ್ದಿಷ್ಟ ಪುನರಾವರ್ತನೆಗಳನ್ನು ಅಂದಾಜು ಮಾಡುವುದು ಕಷ್ಟ ಎಂದು ವ್ಯಾಪಕವಾಗಿ ತಿಳಿದಿರುವ ಮತ್ತು ಒಪ್ಪಿಕೊಂಡರೆ ವ್ಯಾಪಾರದ ಉಪಕ್ರಮದ ಮೇಲೆ ವಿತ್ತೀಯ ಮೌಲ್ಯವನ್ನು ಹಾಕಲು ಯೋಜಕರು ಏಕೆ ಪ್ರಯತ್ನಿಸುತ್ತಾರೆ? ಅದು ಹೇಗೆ ಸಾಧ್ಯ? ಕೆಲವು ವಿನಾಯಿತಿಗಳೊಂದಿಗೆ ಇದು ಸಾಧ್ಯವಿಲ್ಲ. ಅದನ್ನು ಮಾಡಬೇಡ. ROI ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವಾಗ ಏನು ಮಾಡಬಾರದು ಎಂಬುದನ್ನು ನಾವು ಈಗ ಸ್ಥಾಪಿಸಿದ್ದೇವೆ, ನಿಮ್ಮ BI ಪ್ರಯತ್ನಗಳ ಮೌಲ್ಯವನ್ನು ಅಂದಾಜು ಮಾಡಲು ವಿಶ್ವಾಸಾರ್ಹ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸ್ಥಾಪಿಸಲು ನಮಗೆ ಸಹಾಯ ಮಾಡುವ ಕೆಲವು ಅಂಶಗಳು ಇಲ್ಲಿವೆ.

ROI ಒಮ್ಮತವನ್ನು ಪಡೆಯುವುದು. ನಿಮ್ಮ ಬಿಐ ಪ್ರಯತ್ನಗಳ ಮೌಲ್ಯವನ್ನು ಅಂದಾಜು ಮಾಡುವ ತಂತ್ರದ ನಿಮ್ಮ ಆಯ್ಕೆಯ ಹೊರತಾಗಿಯೂ, ಪ್ರಾಜೆಕ್ಟ್ ವಿನ್ಯಾಸಕರು, ಪ್ರಾಯೋಜಕರು ಮತ್ತು ವ್ಯಾಪಾರ ಕಾರ್ಯನಿರ್ವಾಹಕರು ಸೇರಿದಂತೆ ಎಲ್ಲಾ ಪಕ್ಷಗಳು ಇದನ್ನು ಒಪ್ಪಿಕೊಳ್ಳಬೇಕು.

ROI ಅನ್ನು ಗುರುತಿಸಬಹುದಾದ ಭಾಗಗಳಾಗಿ ಕಡಿಮೆ ಮಾಡಿ. ಒಂದು ROI ಅನ್ನು ಸಮಂಜಸವಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಅಗತ್ಯವಾದ ಹೆಜ್ಜೆಯೆಂದರೆ ಆ ಲೆಕ್ಕಾಚಾರವನ್ನು ನಿರ್ದಿಷ್ಟ ಯೋಜನೆಯ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುವುದು. ಇದು ನಿರ್ದಿಷ್ಟ ವ್ಯಾಪಾರದ ಅವಶ್ಯಕತೆಗಳನ್ನು ಪೂರೈಸುವ ಆಧಾರದ ಮೇಲೆ ಮೌಲ್ಯವನ್ನು ಅಂದಾಜು ಮಾಡಲು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ

ವೆಚ್ಚಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿ. ಹೇಳಿದಂತೆ, ಹಲವಾರು ವೆಚ್ಚಗಳನ್ನು ಪರಿಗಣಿಸಬೇಕು. ಇದಲ್ಲದೆ, ವೆಚ್ಚಗಳು ಏಕ ಪುನರಾವರ್ತನೆಗೆ ಸಂಬಂಧಿಸಿದವುಗಳನ್ನು ಮಾತ್ರವಲ್ಲದೆ ಎಂಟರ್‌ಪ್ರೈಸ್ ಮಾನದಂಡಗಳ ಅನುಸರಣೆಯನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಸಂಬಂಧಿಸಿದ ವೆಚ್ಚಗಳನ್ನು ಒಳಗೊಂಡಿರಬೇಕು.

ಪ್ರಯೋಜನಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿ. ನಿರ್ದಿಷ್ಟ ವ್ಯಾಪಾರದ ಅವಶ್ಯಕತೆಗಳಿಗೆ ROI ಅನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಲಿಂಕ್ ಮಾಡುವ ಮೂಲಕ, ಅವಶ್ಯಕತೆಗಳನ್ನು ಪೂರೈಸಲು ಕಾರಣವಾಗುವ ಪ್ರಯೋಜನಗಳನ್ನು ಗುರುತಿಸಲು ನಮಗೆ ಸಾಧ್ಯವಾಗುತ್ತದೆ.

ಸನ್ನಿಹಿತ ಲಾಭಗಳಲ್ಲಿ ವೆಚ್ಚಗಳು ಮತ್ತು ಪ್ರಯೋಜನಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಿ. ಭವಿಷ್ಯದ ಗಳಿಕೆಯಲ್ಲಿ ಭವಿಷ್ಯದ ಮೌಲ್ಯವನ್ನು ಊಹಿಸಲು ಪ್ರಯತ್ನಿಸುವುದರ ವಿರುದ್ಧವಾಗಿ ನಿವ್ವಳ ಪ್ರಸ್ತುತ ಮೌಲ್ಯದ (NPV) ಮೇಲೆ ನಿಮ್ಮ ಮೌಲ್ಯಮಾಪನಗಳನ್ನು ಆಧರಿಸಿರುವುದು ಉತ್ತಮ ಮಾರ್ಗವಾಗಿದೆ.

ನಿಮ್ಮ ROI ಅನ್ನು ವಿಭಜಿಸುವ ಸಮಯವನ್ನು ಕನಿಷ್ಠಕ್ಕೆ ಇರಿಸಿ. ನಿಮ್ಮ ROI ನಲ್ಲಿ ಬಳಸಲಾದ ದೀರ್ಘಾವಧಿಯ ಅವಧಿಯಲ್ಲಿ ಇದನ್ನು ಉತ್ತಮವಾಗಿ ದಾಖಲಿಸಲಾಗಿದೆ.

ಒಂದಕ್ಕಿಂತ ಹೆಚ್ಚು ROI ಸೂತ್ರಗಳನ್ನು ಬಳಸಿ. ROI ಅನ್ನು ಮುನ್ಸೂಚಿಸಲು ಹಲವಾರು ವಿಧಾನಗಳಿವೆ ಮತ್ತು ನಿವ್ವಳ ಪ್ರಸ್ತುತ ಮೌಲ್ಯ, ಆಂತರಿಕ ಆದಾಯದ ದರ (IRR) ಮತ್ತು ಮರುಪಾವತಿ ಸೇರಿದಂತೆ ಅವುಗಳಲ್ಲಿ ಒಂದು ಅಥವಾ ಹೆಚ್ಚಿನದನ್ನು ಬಳಸಬೇಕೆ ಎಂದು ನೀವು ಯೋಜಿಸಬೇಕು.

ಪುನರಾವರ್ತಿತ ಪ್ರಕ್ರಿಯೆಯನ್ನು ವಿವರಿಸಿ. ಯಾವುದೇ ದೀರ್ಘಾವಧಿಯ ಮೌಲ್ಯವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಇದು ನಿರ್ಣಾಯಕವಾಗಿದೆ. ಎಲ್ಲಾ ಯೋಜನೆಯ ಅನುಕ್ರಮಗಳನ್ನು ಅನುಸರಿಸಲು ಒಂದೇ ಪುನರಾವರ್ತನೀಯ ಪ್ರಕ್ರಿಯೆಯನ್ನು ದಾಖಲಿಸಬೇಕು.

ಪಟ್ಟಿ ಮಾಡಲಾದ ಸಮಸ್ಯೆಗಳು ವಾಟರ್‌ಹೌಸ್ ಪರಿಸರದಲ್ಲಿ ತಜ್ಞರು ವ್ಯಾಖ್ಯಾನಿಸಿರುವ ಸಾಮಾನ್ಯವಾದವುಗಳಾಗಿವೆ. "ಬಿಗ್-ಬ್ಯಾಂಗ್" ROI ಅನ್ನು ತಲುಪಿಸಲು ಮ್ಯಾನೇಜ್‌ಮೆಂಟ್‌ನ ಒತ್ತಾಯವು ತುಂಬಾ ದಿಗ್ಭ್ರಮೆಗೊಳಿಸುವಂತಿದೆ. ನಿಮ್ಮ ಎಲ್ಲಾ ROI ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ಗುರುತಿಸಬಹುದಾದ, ಸ್ಪಷ್ಟವಾದ ತುಣುಕುಗಳಾಗಿ ವಿಭಜಿಸುವ ಮೂಲಕ ನೀವು ಪ್ರಾರಂಭಿಸಿದರೆ, ನಿಖರವಾದ ROI ರೇಟಿಂಗ್ ಅನ್ನು ಅಂದಾಜು ಮಾಡಲು ನಿಮಗೆ ಉತ್ತಮ ಅವಕಾಶವಿದೆ.

ROI ಪ್ರಯೋಜನಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ಪ್ರಶ್ನೆಗಳು

ನಿಮ್ಮ ಪ್ರಯೋಜನಗಳು ಏನೇ ಇರಲಿ, ಮೃದುವಾಗಿರಲಿ ಅಥವಾ ಕಠಿಣವಾಗಿರಲಿ, ಅವುಗಳ ಮೌಲ್ಯವನ್ನು ನಿರ್ಧರಿಸಲು ನೀವು ಕೆಲವು ಮೂಲಭೂತ ಪ್ರಶ್ನೆಗಳನ್ನು ಬಳಸಬಹುದು. ಉದಾಹರಣೆಗೆ, 1 ರಿಂದ 10 ರವರೆಗಿನ ಸರಳ ಸ್ಕೇಲಿಂಗ್ ವ್ಯವಸ್ಥೆಯನ್ನು ಬಳಸಿಕೊಂಡು, ಈ ಕೆಳಗಿನ ಪ್ರಶ್ನೆಗಳನ್ನು ಬಳಸಿಕೊಂಡು ನೀವು ಯಾವುದೇ ಪ್ರಯತ್ನದ ಪರಿಣಾಮವನ್ನು ಅಳೆಯಬಹುದು:

• ತಿಳುವಳಿಕೆಯನ್ನು ನೀವು ಹೇಗೆ ರೇಟ್ ಮಾಡುತ್ತೀರಿ dati ನಿಮ್ಮ ಕಂಪನಿಯ ಈ ಯೋಜನೆಯನ್ನು ಅನುಸರಿಸಿರುವಿರಾ?
• ಈ ಯೋಜನೆಯ ಪರಿಣಾಮವಾಗಿ ಪ್ರಕ್ರಿಯೆಯ ಸುಧಾರಣೆಗಳನ್ನು ನೀವು ಹೇಗೆ ಅಂದಾಜು ಮಾಡುತ್ತೀರಿ?
• ಈ ಪುನರಾವರ್ತನೆಯಿಂದ ಈಗ ಲಭ್ಯವಿರುವ ಹೊಸ ಒಳನೋಟಗಳು ಮತ್ತು ತೀರ್ಮಾನಗಳ ಪ್ರಭಾವವನ್ನು ನೀವು ಹೇಗೆ ಅಳೆಯುತ್ತೀರಿ
• ಕಲಿತ ವಿಷಯದ ಪರಿಣಾಮವಾಗಿ ಹೊಸ ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯ ಕಂಪ್ಯೂಟಿಂಗ್ ಪರಿಸರದ ಪರಿಣಾಮವೇನು? ಈ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಗಳು ಕಡಿಮೆಯಿದ್ದರೆ, ಕಂಪನಿಯು ಮಾಡಿದ ಹೂಡಿಕೆಗೆ ಯೋಗ್ಯವಾಗಿಲ್ಲದಿರಬಹುದು. ಹೆಚ್ಚಿನ ಸ್ಕೋರಿಂಗ್ ಪ್ರಶ್ನೆಗಳು ಗಮನಾರ್ಹ ಮೌಲ್ಯದ ಲಾಭಗಳನ್ನು ಸೂಚಿಸುತ್ತವೆ ಮತ್ತು ಮುಂದಿನ ತನಿಖೆಗೆ ಮಾರ್ಗದರ್ಶಿಗಳಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಬೇಕು. ಉದಾಹರಣೆಗೆ, ಪ್ರಕ್ರಿಯೆಯ ಸುಧಾರಣೆಗಳಿಗೆ ಹೆಚ್ಚಿನ ಸ್ಕೋರ್ ವಿನ್ಯಾಸಕರು ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಹೇಗೆ ಸುಧಾರಿಸಲಾಗಿದೆ ಎಂಬುದನ್ನು ಪರೀಕ್ಷಿಸಲು ಕಾರಣವಾಗುತ್ತದೆ. ಮಾಡಿದ ಕೆಲವು ಅಥವಾ ಎಲ್ಲಾ ಲಾಭಗಳು ಸ್ಪಷ್ಟವಾದವು ಎಂದು ನೀವು ಕಂಡುಕೊಳ್ಳಬಹುದು ಮತ್ತು ಆದ್ದರಿಂದ ವಿತ್ತೀಯ ಮೌಲ್ಯವನ್ನು ಸುಲಭವಾಗಿ ಅನ್ವಯಿಸಬಹುದು. ನ ಮೊದಲ ಪುನರಾವರ್ತನೆಯಿಂದ ಹೆಚ್ಚಿನದನ್ನು ಪಡೆಯುವುದು ಗೋದಾಮಿನ ನಿಮ್ಮ ಎಂಟರ್‌ಪ್ರೈಸ್ ಪ್ರಯತ್ನದ ಹೆಚ್ಚಿನ ಫಲಿತಾಂಶವು ಮೊದಲ ಕೆಲವು ಪುನರಾವರ್ತನೆಗಳಲ್ಲಿದೆ. ಈ ಆರಂಭಿಕ ಪ್ರಯತ್ನಗಳು ಸಾಂಪ್ರದಾಯಿಕವಾಗಿ ಸಾರ್ವಜನಿಕರಿಗೆ ಹೆಚ್ಚು ಉಪಯುಕ್ತ ಮಾಹಿತಿ ವಿಷಯವನ್ನು ಸ್ಥಾಪಿಸುತ್ತವೆ ಮತ್ತು ನಂತರದ BI ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗೆ ತಂತ್ರಜ್ಞಾನದ ಅಡಿಪಾಯವನ್ನು ಸ್ಥಾಪಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಸಾಮಾನ್ಯವಾಗಿ ಪ್ರತಿ ನಂತರದ ಅನುಕ್ರಮ dati ಗೋದಾಮಿನ ಯೋಜನೆಗಳು ಒಟ್ಟಾರೆಯಾಗಿ ಉದ್ಯಮಕ್ಕೆ ಕಡಿಮೆ ಮತ್ತು ಕಡಿಮೆ ಹೆಚ್ಚುವರಿ ಮೌಲ್ಯವನ್ನು ತರುತ್ತವೆ. ಪುನರಾವರ್ತನೆಯು ಹೊಸ ವಿಷಯಗಳನ್ನು ಸೇರಿಸದಿದ್ದರೆ ಅಥವಾ ಹೊಸ ಬಳಕೆದಾರರ ಸಮುದಾಯದ ಅಗತ್ಯಗಳನ್ನು ಪೂರೈಸದಿದ್ದರೆ ಇದು ವಿಶೇಷವಾಗಿ ಸತ್ಯವಾಗಿದೆ.

ಈ ಶೇಖರಣಾ ವೈಶಿಷ್ಟ್ಯವು ಬೆಳೆಯುತ್ತಿರುವ ಸ್ಟ್ಯಾಕ್‌ಗಳಿಗೂ ಅನ್ವಯಿಸುತ್ತದೆ dati ಇತಿಹಾಸಕಾರರು. ನಂತರದ ಪ್ರಯತ್ನಗಳಿಗೆ ಹೆಚ್ಚಿನ ಅಗತ್ಯವಿರುತ್ತದೆ dati ಮತ್ತು ಎಷ್ಟು ಹೆಚ್ಚು dati ಕಾಲಾನಂತರದಲ್ಲಿ ಗೋದಾಮಿಗೆ ಸುರಿಯಲಾಗುತ್ತದೆ, ಹೆಚ್ಚಿನವುಗಳು dati ಬಳಸಿದ ವಿಶ್ಲೇಷಣೆಗೆ ಕಡಿಮೆ ಸಂಬಂಧಿತವಾಗುತ್ತದೆ. ಇವು dati ಅವರನ್ನು ಹೆಚ್ಚಾಗಿ ಕರೆಯಲಾಗುತ್ತದೆ dati ಸುಪ್ತ ಮತ್ತು ಅವುಗಳನ್ನು ಇಡಲು ಯಾವಾಗಲೂ ದುಬಾರಿಯಾಗಿದೆ ಏಕೆಂದರೆ ಅವುಗಳನ್ನು ಎಂದಿಗೂ ಬಳಸಲಾಗುವುದಿಲ್ಲ.

ಪ್ರಾಜೆಕ್ಟ್ ಪ್ರಾಯೋಜಕರಿಗೆ ಇದರ ಅರ್ಥವೇನು? ಮೂಲಭೂತವಾಗಿ, ಆರಂಭಿಕ ಪ್ರಾಯೋಜಕರು ಹೂಡಿಕೆಯ ವೆಚ್ಚಕ್ಕಿಂತ ಹೆಚ್ಚಿನದನ್ನು ಹಂಚಿಕೊಳ್ಳುತ್ತಾರೆ. ಇದು ಪ್ರಾಥಮಿಕವಾಗಿದೆ ಏಕೆಂದರೆ ಅವು ಸಾವಯವ ಸೇರಿದಂತೆ ಗೋದಾಮಿನ ವಿಶಾಲ ತಂತ್ರಜ್ಞಾನ ಮತ್ತು ಸಂಪನ್ಮೂಲ ಪರಿಸರ ಪದರವನ್ನು ಸ್ಥಾಪಿಸಲು ಪ್ರಚೋದನೆಯಾಗಿದೆ.

ಆದರೆ ಈ ಮೊದಲ ಹಂತಗಳು ಅತ್ಯಧಿಕ ಮೌಲ್ಯವನ್ನು ತರುತ್ತವೆ ಮತ್ತು ಆದ್ದರಿಂದ ಯೋಜನಾ ವಿನ್ಯಾಸಕರು ಸಾಮಾನ್ಯವಾಗಿ ಹೂಡಿಕೆಯನ್ನು ಸಮರ್ಥಿಸಬೇಕಾಗುತ್ತದೆ.
ನಿಮ್ಮ BI ಉಪಕ್ರಮದ ನಂತರ ಮಾಡಿದ ಯೋಜನೆಗಳು ಕಡಿಮೆ (ಮೊದಲನೆಯದಕ್ಕೆ ಹೋಲಿಸಿದರೆ) ಮತ್ತು ನೇರ ವೆಚ್ಚಗಳನ್ನು ಹೊಂದಿರಬಹುದು, ಆದರೆ ಕಂಪನಿಗೆ ಕಡಿಮೆ ಮೌಲ್ಯವನ್ನು ತರುತ್ತವೆ.

ಮತ್ತು ಸಂಸ್ಥೆಯ ಮಾಲೀಕರು ಶೇಖರಣೆಯನ್ನು ಎಸೆಯುವುದನ್ನು ಪರಿಗಣಿಸಲು ಪ್ರಾರಂಭಿಸಬೇಕು dati ಮತ್ತು ಕಡಿಮೆ ಸಂಬಂಧಿತ ತಂತ್ರಜ್ಞಾನಗಳು.

ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ: ಹೊರತೆಗೆಯುವಿಕೆ Dati

ಹಲವಾರು ವಾಸ್ತುಶಿಲ್ಪದ ಘಟಕಗಳಿಗೆ ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ ತಂತ್ರಜ್ಞಾನಗಳು ಮತ್ತು ತಂತ್ರಗಳಲ್ಲಿ ವ್ಯತ್ಯಾಸಗಳ ಅಗತ್ಯವಿದೆ-
ಉದಾಹರಣೆಗೆ, ಆಸಕ್ತಿಯ ಅಂಶಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು ವಿಭಿನ್ನ "ಏಜೆಂಟರು" ಗ್ರಾಹಕರಿಗೆ, ಕಂಪನಿಯ ಕಾರ್ಯಾಚರಣಾ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಸ್ವತಃ dw. ಈ ಏಜೆಂಟ್‌ಗಳು POT ಟ್ರೆಂಡ್‌ಗಳ ಮೇಲೆ ತರಬೇತಿ ಪಡೆದ ಸುಧಾರಿತ ನರ ನೆಟ್‌ವರ್ಕ್‌ಗಳಾಗಿರಬಹುದು, ಉದಾಹರಣೆಗೆ ಮಾರಾಟ ಪ್ರಚಾರಗಳ ಆಧಾರದ ಮೇಲೆ ಭವಿಷ್ಯದ ಉತ್ಪನ್ನದ ಬೇಡಿಕೆ; ಒಂದು ಸೆಟ್‌ಗೆ ಪ್ರತಿಕ್ರಿಯಿಸಲು ನಿಯಮ-ಆಧಾರಿತ ಎಂಜಿನ್‌ಗಳು ನೀಡಿದ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಉದಾಹರಣೆಗೆ, ವೈದ್ಯಕೀಯ ರೋಗನಿರ್ಣಯ ಮತ್ತು ಚಿಕಿತ್ಸೆಯ ಶಿಫಾರಸುಗಳು; ಅಥವಾ ಉನ್ನತ ಕಾರ್ಯನಿರ್ವಾಹಕರಿಗೆ ವಿನಾಯಿತಿಗಳನ್ನು ವರದಿ ಮಾಡುವ ಪಾತ್ರವನ್ನು ಹೊಂದಿರುವ ಸರಳ ಏಜೆಂಟ್‌ಗಳು. ಸಾಮಾನ್ಯವಾಗಿ ಈ ಹೊರತೆಗೆಯುವ ಪ್ರಕ್ರಿಯೆಗಳು dati si

ನೈಜ ಸಮಯದಲ್ಲಿ ಪರಿಶೀಲಿಸಿ; ಆದ್ದರಿಂದ, ಅವರು ಚಲನೆಯೊಂದಿಗೆ ಸಂಪೂರ್ಣವಾಗಿ ಒಂದಾಗಬೇಕು dati ತಮ್ಮನ್ನು.

ಆನ್‌ಲೈನ್ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಪ್ರಕ್ರಿಯೆ ಪ್ರಕ್ರಿಯೆ

ಆನ್‌ಲೈನ್ ಅನಾಲಿಟಿಕ್ಸ್

ಸ್ಲೈಸ್, ಡೈಸ್, ರೋಲ್, ಡ್ರಿಲ್ ಡೌನ್ ಮತ್ತು ವಿಶ್ಲೇಷಣೆ ಮಾಡುವ ಸಾಮರ್ಥ್ಯ
what-if, IBM ತಂತ್ರಜ್ಞಾನ ಸೂಟ್‌ನ ಕೇಂದ್ರಬಿಂದು ವ್ಯಾಪ್ತಿಯಲ್ಲಿದೆ. ಉದಾಹರಣೆಗೆ, DB2 ಗಾಗಿ ಆನ್‌ಲೈನ್ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಪ್ರಕ್ರಿಯೆ (OLAP) ಕಾರ್ಯಗಳು ಅಸ್ತಿತ್ವದಲ್ಲಿವೆ, ಇದು ಸಾಫ್ಟ್‌ವೇರ್ ಎಂಜಿನ್‌ಗೆ ಆಯಾಮದ ವಿಶ್ಲೇಷಣೆಯನ್ನು ತರುತ್ತದೆ. ಡೇಟಾಬೇಸ್ ಅದೇ .

DB2 ನ ನೈಸರ್ಗಿಕ ಭಾಗವಾಗಿರುವ ಎಲ್ಲಾ ಪ್ರಯೋಜನಗಳ ಲಾಭವನ್ನು ಪಡೆದುಕೊಳ್ಳುವಾಗ ಕಾರ್ಯಗಳು SQL ಗೆ ಆಯಾಮದ ಉಪಯುಕ್ತತೆಯನ್ನು ಸೇರಿಸುತ್ತವೆ. OLAP ಏಕೀಕರಣದ ಇನ್ನೊಂದು ಉದಾಹರಣೆಯೆಂದರೆ ಹೊರತೆಗೆಯುವ ಸಾಧನ, DB2 OLAP ಸರ್ವರ್ ವಿಶ್ಲೇಷಕ. ಈ ತಂತ್ರಜ್ಞಾನವು DB2 OLAP ಸರ್ವರ್ ಘನಗಳನ್ನು ತ್ವರಿತವಾಗಿ ಮತ್ತು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ವಿಶ್ಲೇಷಿಸಲು ಮತ್ತು ಮೌಲ್ಯದ ಮೌಲ್ಯಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಮತ್ತು ವರದಿ ಮಾಡಲು ಅನುಮತಿಸುತ್ತದೆ dati ವ್ಯಾಪಾರ ವಿಶ್ಲೇಷಕರಿಗೆ ಘನದಾದ್ಯಂತ ಅಸಾಮಾನ್ಯ ಅಥವಾ ಅನಿರೀಕ್ಷಿತ. ಮತ್ತು ಅಂತಿಮವಾಗಿ, DW ಸೆಂಟರ್ ವೈಶಿಷ್ಟ್ಯಗಳು ETL ಪ್ರಕ್ರಿಯೆಗಳ ನೈಸರ್ಗಿಕ ಭಾಗವಾಗಿ DB2 OLAP ಸರ್ವರ್ ಕ್ಯೂಬ್‌ನ ಪ್ರೊಫೈಲ್ ಅನ್ನು ನಿಯಂತ್ರಿಸಲು ವಾಸ್ತುಶಿಲ್ಪಿಗಳಿಗೆ ಸಾಧನವನ್ನು ಒದಗಿಸುತ್ತದೆ.

ಪ್ರಾದೇಶಿಕ ವಿಶ್ಲೇಷಣೆ ಪ್ರಾದೇಶಿಕ ವಿಶ್ಲೇಷಣೆ

ಪನೋರಮಾಕ್ಕೆ ಅಗತ್ಯವಿರುವ ಅರ್ಧದಷ್ಟು ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಆಂಕರ್‌ಗಳನ್ನು (ಲೀಡ್‌ಗಳು) ಸ್ಪೇಸ್ ಪ್ರತಿನಿಧಿಸುತ್ತದೆ
ವಿಶ್ಲೇಷಣಾತ್ಮಕ ವಿಶಾಲ (ಸಮಯವು ಇತರ ಅರ್ಧವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ). ಚಿತ್ರ 1.1 ರಲ್ಲಿ ಚಿತ್ರಿಸಲಾದ ಗೋದಾಮಿನ ಪರಮಾಣು ಮಟ್ಟವು ಸಮಯ ಮತ್ತು ಸ್ಥಳದ ಮೂಲಭೂತ ಅಂಶಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಸಮಯದ ಅಂಚೆಚೀಟಿಗಳು ಸಮಯದ ಮೂಲಕ ಆಂಕರ್ ವಿಶ್ಲೇಷಣೆಗಳು ಮತ್ತು ಸ್ಥಳದ ಮೂಲಕ ವಿಳಾಸ ಮಾಹಿತಿ ಆಂಕರ್ ವಿಶ್ಲೇಷಣೆಗಳು. ಟೈಮ್‌ಸ್ಟ್ಯಾಂಪ್‌ಗಳು ಸಮಯದ ಮೂಲಕ ವಿಶ್ಲೇಷಣೆಯನ್ನು ನಡೆಸುತ್ತವೆ ಮತ್ತು ವಿಳಾಸದ ಮಾಹಿತಿಯು ಬಾಹ್ಯಾಕಾಶದಿಂದ ವಿಶ್ಲೇಷಣೆಯನ್ನು ನಡೆಸುತ್ತದೆ. ರೇಖಾಚಿತ್ರವು ಜಿಯೋಕೋಡಿಂಗ್ ಅನ್ನು ತೋರಿಸುತ್ತದೆ - ವಿಳಾಸಗಳನ್ನು ನಕ್ಷೆಯಲ್ಲಿ ಬಿಂದುಗಳಾಗಿ ಪರಿವರ್ತಿಸುವ ಪ್ರಕ್ರಿಯೆ ಅಥವಾ ಬಾಹ್ಯಾಕಾಶದಲ್ಲಿನ ಬಿಂದುಗಳಿಗೆ ದೂರ ಮತ್ತು ಒಳ/ಹೊರಗಿನ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಬಳಸಬಹುದು - ಪರಮಾಣು ಮಟ್ಟದಲ್ಲಿ ನಡೆಸಲಾಗುತ್ತದೆ ಮತ್ತು ಪ್ರಾದೇಶಿಕ ವಿಶ್ಲೇಷಣೆ ವಿಶ್ಲೇಷಕ. IBM ಪ್ರಾದೇಶಿಕ ವಿಸ್ತರಣೆಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ, ಎನ್ವಿರಾನ್ಮೆಂಟಲ್ ಸಿಸ್ಟಮ್ ರಿಸರ್ಚ್ ಇನ್ಸ್ಟಿಟ್ಯೂಟ್ (ESRI), ಗೆ ಡೇಟಾಬೇಸ್ DB2 ಆದ್ದರಿಂದ ಬಾಹ್ಯಾಕಾಶ ವಸ್ತುಗಳನ್ನು ಸಾಮಾನ್ಯ ಭಾಗವಾಗಿ ಸಂಗ್ರಹಿಸಬಹುದು ಡೇಟಾಬೇಸ್ ಸಂಬಂಧಿತ. DB2

ಪ್ರಾದೇಶಿಕ ವಿಸ್ತರಣೆಗಳು, ಪ್ರಾದೇಶಿಕ ವಿಶ್ಲೇಷಣೆಯ ಲಾಭವನ್ನು ಪಡೆಯಲು ಎಲ್ಲಾ SQL ವಿಸ್ತರಣೆಗಳನ್ನು ಸಹ ಒದಗಿಸುತ್ತವೆ. ಉದಾಹರಣೆಗೆ, ಪ್ರಶ್ನಿಸಲು SQL ವಿಸ್ತರಣೆಗಳು
ವಿಳಾಸಗಳ ನಡುವಿನ ಅಂತರ ಅಥವಾ ಒಂದು ಬಿಂದುವು ವ್ಯಾಖ್ಯಾನಿಸಲಾದ ಬಹುಭುಜಾಕೃತಿಯ ಪ್ರದೇಶದ ಒಳಗೆ ಅಥವಾ ಹೊರಗೆ ಇದೆಯೇ ಎಂಬುದು ಪ್ರಾದೇಶಿಕ ವಿಸ್ತರಣೆಯೊಂದಿಗೆ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಮಾನದಂಡವಾಗಿದೆ. ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ ಅಧ್ಯಾಯ 16 ನೋಡಿ.

ಡೇಟಾಬೇಸ್-ನಿವಾಸಿ ಪರಿಕರಗಳ ಪರಿಕರಗಳು ಡೇಟಾಬೇಸ್- ನಿವಾಸಿ

DB2 ವಿಶ್ಲೇಷಣೆಯ ಕ್ರಿಯೆಯಲ್ಲಿ ಸಹಾಯ ಮಾಡುವ ಅನೇಕ BI-ನಿವಾಸಿ SQL ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಹೊಂದಿದೆ. ಇವುಗಳ ಸಹಿತ:

• ವಿಶ್ಲೇಷಣೆಯನ್ನು ನಿರ್ವಹಿಸಲು ಪುನರಾವರ್ತನೆಯ ಕಾರ್ಯಗಳು, ಉದಾಹರಣೆಗೆ "ಎಲ್ಲಾ ಸಂಭವನೀಯ ವಿಮಾನ ಮಾರ್ಗಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವುದು ಸ್ಯಾನ್ ಫ್ರಾನ್ಸಿಸ್ಕೋ a ನ್ಯೂ ಯಾರ್ಕ್".
• ಶ್ರೇಯಾಂಕ, ಸಂಚಿತ ಕಾರ್ಯಗಳು, ಕ್ಯೂಬ್ ಮತ್ತು ರೋಲ್‌ಅಪ್‌ಗಾಗಿ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಕಾರ್ಯಗಳು ಸಾಮಾನ್ಯವಾಗಿ OLAP ತಂತ್ರಜ್ಞಾನದೊಂದಿಗೆ ಮಾತ್ರ ಸಂಭವಿಸುವ ಕಾರ್ಯಗಳನ್ನು ಸುಲಭಗೊಳಿಸಲು, ಈಗ ಎಂಜಿನ್‌ನ ನೈಸರ್ಗಿಕ ಭಾಗವಾಗಿದೆ ಡೇಟಾಬೇಸ್
• ಫಲಿತಾಂಶಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಕೋಷ್ಟಕಗಳನ್ನು ರಚಿಸುವ ಸಾಮರ್ಥ್ಯ
  ನ ಮಾರಾಟಗಾರರು ಡೇಟಾಬೇಸ್ ನಾಯಕರು ಹೆಚ್ಚಿನ ಬಿಐ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಮಿಶ್ರಣ ಮಾಡುತ್ತಾರೆ ಡೇಟಾಬೇಸ್ ಅದೇ.
  ಮುಖ್ಯ ಪೂರೈಕೆದಾರರು ಡೇಟಾ ಬೇಸ್ ಅವರು ಹೆಚ್ಚು BI ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಮಿಶ್ರಣ ಮಾಡುತ್ತಿದ್ದಾರೆ ಡೇಟಾಬೇಸ್ ಅದೇ.
  ಇದು BI ಪರಿಹಾರಗಳಿಗಾಗಿ ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ಹೆಚ್ಚಿನ ಕಾರ್ಯಗತಗೊಳಿಸುವ ಆಯ್ಕೆಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.
  DB2 V8 ನ ವೈಶಿಷ್ಟ್ಯಗಳು ಮತ್ತು ಕಾರ್ಯಗಳನ್ನು ಈ ಕೆಳಗಿನ ಅಧ್ಯಾಯಗಳಲ್ಲಿ ವಿವರವಾಗಿ ಚರ್ಚಿಸಲಾಗಿದೆ:
  ಟೆಕ್ನಿಕಲ್ ಆರ್ಕಿಟೆಕ್ಚರ್ ಮತ್ತು ಡೇಟಾ ಮ್ಯಾನೇಜ್ಮೆಂಟ್ ಫೌಂಡೇಶನ್ಸ್ (ಅಧ್ಯಾಯ 5)

• DB2 BI ಫಂಡಮೆಂಟಲ್ಸ್ (ಅಧ್ಯಾಯ 6)
• DB2 ಮೆಟೀರಿಯಲೈಸ್ಡ್ ಕ್ವೆರಿ ಟೇಬಲ್‌ಗಳು (ಅಧ್ಯಾಯ 7)
• DB2 OLAP ಕಾರ್ಯಗಳು (ಅಧ್ಯಾಯ 13)
• DB2 ವರ್ಧಿತ BI ವೈಶಿಷ್ಟ್ಯಗಳು ಮತ್ತು ಕಾರ್ಯಗಳು (ಅಧ್ಯಾಯ 15) ಸರಳೀಕೃತ ಡೇಟಾ ವಿತರಣಾ ವ್ಯವಸ್ಥೆ ವಿತರಣಾ ವ್ಯವಸ್ಥೆ dati ಸರಳೀಕೃತ

ಚಿತ್ರ 1.1 ರಲ್ಲಿ ಚಿತ್ರಿಸಲಾದ ವಾಸ್ತುಶಿಲ್ಪವು ಹಲವಾರು ರಚನೆಗಳನ್ನು ಒಳಗೊಂಡಿದೆ dati ಭೌತಿಕ. ಒಂದು ಗೋದಾಮು dati ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿದೆ. ಸಾಮಾನ್ಯವಾಗಿ, ODS ಒಂದು ವಿಷಯ ಆಧಾರಿತ, ಸಂಯೋಜಿತ ಮತ್ತು ಪ್ರಸ್ತುತ ವಸ್ತುವಾಗಿದೆ. ನೀವು ಬೆಂಬಲಿಸಲು ODS ಅನ್ನು ನಿರ್ಮಿಸುತ್ತೀರಿ, ಉದಾಹರಣೆಗೆ, ಮಾರಾಟ ಕಚೇರಿ. ODS ಮಾರಾಟವು ಪೂರಕವಾಗಿದೆ dati ಹಲವಾರು ವಿಭಿನ್ನ ವ್ಯವಸ್ಥೆಗಳಿಂದ ಆದರೆ ಕೇವಲ ಉಳಿಸಿಕೊಳ್ಳುತ್ತದೆ, ಉದಾಹರಣೆಗೆ, ಇಂದಿನ ವಹಿವಾಟುಗಳು. ODS ಅನ್ನು ದಿನಕ್ಕೆ ಹಲವು ಬಾರಿ ನವೀಕರಿಸಬಹುದು. ಅದೇ ಸಮಯದಲ್ಲಿ, ಪ್ರಕ್ರಿಯೆಗಳು ತಳ್ಳುತ್ತವೆ dati ಇತರ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಲ್ಲಿ ಸಂಯೋಜಿಸಲಾಗಿದೆ. ಈ ರಚನೆಯನ್ನು ನಿರ್ದಿಷ್ಟವಾಗಿ ಸಂಯೋಜಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ dati ಪ್ರಸ್ತುತ ಮತ್ತು ಕ್ರಿಯಾತ್ಮಕ ಮತ್ತು ಸೇವಾ ಏಜೆಂಟ್‌ಗಳಿಗೆ ಒದಗಿಸುವಂತಹ ನೈಜ-ಸಮಯದ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಬೆಂಬಲಿಸುವ ಸಂಭಾವ್ಯ ಅಭ್ಯರ್ಥಿಯಾಗಿರಬಹುದು ಗ್ರಾಹಕರಿಗೆ ಗೋದಾಮಿನಿಂದಲೇ ಮಾರಾಟ ಪ್ರವೃತ್ತಿಯ ಮಾಹಿತಿಯನ್ನು ಹೊರತೆಗೆಯುವ ಮೂಲಕ ಗ್ರಾಹಕರ ಪ್ರಸ್ತುತ ಮಾರಾಟದ ಮಾಹಿತಿ. ಚಿತ್ರ 1.1 ರಲ್ಲಿ ತೋರಿಸಿರುವ ಮತ್ತೊಂದು ರಚನೆಯು dw ಗಾಗಿ ಔಪಚಾರಿಕ ಸ್ಥಿತಿಯಾಗಿದೆ. ಅಗತ್ಯ ಏಕೀಕರಣ, ಗುಣಮಟ್ಟವನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಲು ಇದು ಸ್ಥಳ ಮಾತ್ರವಲ್ಲ dati, ಮತ್ತು ರೂಪಾಂತರದ dati ಒಳಬರುವ ಗೋದಾಮಿನ, ಆದರೆ ಇದು ವಿಶ್ವಾಸಾರ್ಹ ಮತ್ತು ತಾತ್ಕಾಲಿಕ ಶೇಖರಣಾ ಪ್ರದೇಶವಾಗಿದೆ dati ನೈಜ-ಸಮಯದ ವಿಶ್ಲೇಷಣೆಗಳಲ್ಲಿ ಬಳಸಬಹುದಾದ ಪ್ರತಿಕೃತಿಗಳು. ನೀವು ODS ಅಥವಾ ಸ್ಟೇಜಿಂಗ್ ಪ್ರದೇಶವನ್ನು ಬಳಸಲು ನಿರ್ಧರಿಸಿದರೆ, ಈ ರಚನೆಗಳನ್ನು ಜನಪ್ರಿಯಗೊಳಿಸುವ ಅತ್ಯುತ್ತಮ ಸಾಧನಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ dati ವಿಭಿನ್ನ ಕಾರ್ಯಾಚರಣೆಯ ಮೂಲಗಳನ್ನು ಬಳಸುವುದು DB2 ನ ವೈವಿಧ್ಯಮಯ ವಿತರಣೆ ಪ್ರಶ್ನೆಯಾಗಿದೆ. ಈ ಸಾಮರ್ಥ್ಯವನ್ನು DB2 ರಿಲೇಶನಲ್ ಕನೆಕ್ಟ್ (ಕೇವಲ ಪ್ರಶ್ನೆ) ಎಂದು ಕರೆಯಲಾಗುವ ಐಚ್ಛಿಕ DB2 ವೈಶಿಷ್ಟ್ಯದಿಂದ ಮತ್ತು DB2 DataJoiner ಮೂಲಕ (ವಿಜಾತೀಯ ವಿತರಣೆ RDBMS ಗಳಿಗೆ ಪ್ರಶ್ನೆ, ಸೇರಿಸು, ನವೀಕರಿಸುವುದು ಮತ್ತು ಅಳಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಒದಗಿಸುವ ಪ್ರತ್ಯೇಕ ಉತ್ಪನ್ನ) ಮೂಲಕ ವಿತರಿಸಲಾಗುತ್ತದೆ.

ಈ ತಂತ್ರಜ್ಞಾನವು ವಾಸ್ತುಶಿಲ್ಪಿಗಳಿಗೆ ಅನುಮತಿಸುತ್ತದೆ dati ಕಟ್ಟಲು dati ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಪ್ರಕ್ರಿಯೆಗಳೊಂದಿಗೆ ಉತ್ಪಾದನೆ. ನೈಜ-ಸಮಯದ ವಿಶ್ಲೇಷಣೆಯೊಂದಿಗೆ ಉದ್ಭವಿಸಬಹುದಾದ ಯಾವುದೇ ಪುನರಾವರ್ತನೆಯ ಬೇಡಿಕೆಗಳಿಗೆ ತಂತ್ರಜ್ಞಾನವು ಹೊಂದಿಕೊಳ್ಳುವುದು ಮಾತ್ರವಲ್ಲದೆ, ಇದು ವಿವಿಧ ರೀತಿಯ ಡೇಟಾ ಬೇಸ್‌ಗಳಿಗೆ ಸಂಪರ್ಕಿಸಬಹುದು. dati DB2, Oracle, Sybase, SQL Server, Informix ಮತ್ತು ಇತರವುಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ಅತ್ಯಂತ ಜನಪ್ರಿಯವಾಗಿದೆ. DB2 DataJoiner ಅನ್ನು ರಚನೆಯನ್ನು ಜನಪ್ರಿಯಗೊಳಿಸಲು ಬಳಸಬಹುದು dati ಔಪಚಾರಿಕ ಒಡಿಎಸ್ ಅಥವಾ ಶಾಶ್ವತವಾದ ಟೇಬಲ್ ಅನ್ನು ತಕ್ಷಣದ ನವೀಕರಣಗಳ ತ್ವರಿತ ಮರುಪಡೆಯುವಿಕೆಗಾಗಿ ಅಥವಾ ಮಾರಾಟಕ್ಕಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಗೋದಾಮಿನಲ್ಲಿ ಪ್ರತಿನಿಧಿಸಲಾಗುತ್ತದೆ. ಸಹಜವಾಗಿ, ಇದೇ ರಚನೆಗಳು dati ಬಳಸಿ ಜನಸಂಖ್ಯೆ ಮಾಡಬಹುದು

ಪ್ರತಿಕೃತಿಗಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಮತ್ತೊಂದು ಪ್ರಮುಖ ತಂತ್ರಜ್ಞಾನ dati, IBM DataPropagator Relational. (DataPropagator ಕೇಂದ್ರೀಯ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಪ್ರತ್ಯೇಕ ಉತ್ಪನ್ನವಾಗಿದೆ. DB2 UNIX, Linux, Windows, ಮತ್ತು OS/2 ಡೇಟಾ ರೆಪ್ಲಿಕೇಶನ್ ಸೇವೆಗಳನ್ನು ಒಳಗೊಂಡಿದೆ dati ಪ್ರಮಾಣಿತ ವೈಶಿಷ್ಟ್ಯವಾಗಿ).
ಚಲಿಸುವ ಮತ್ತೊಂದು ವಿಧಾನ dati ಎಂಟರ್‌ಪ್ರೈಸ್‌ನ ಸುತ್ತಲೂ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದು ಎಂಟರ್‌ಪ್ರೈಸ್ ಅಪ್ಲಿಕೇಶನ್ ಇಂಟಿಗ್ರೇಟರ್ ಆಗಿದ್ದು ಇದನ್ನು ಸಂದೇಶ ಬ್ರೋಕರ್ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಈ ಅನನ್ಯ ತಂತ್ರಜ್ಞಾನವು ಗುರಿ ಮತ್ತು ಚಲಿಸುವಿಕೆಗೆ ಸಾಟಿಯಿಲ್ಲದ ನಿಯಂತ್ರಣವನ್ನು ಅನುಮತಿಸುತ್ತದೆ. dati ಕಂಪನಿಯ ಸುತ್ತಲೂ. IBM ಹೆಚ್ಚು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಿದ ಸಂದೇಶ ಬ್ರೋಕರ್, MQSeries, ಅಥವಾ ಉತ್ಪನ್ನದ ಬದಲಾವಣೆಯ ಅವಶ್ಯಕತೆಗಳನ್ನು ಒಳಗೊಂಡಿದೆ ಇ-ವಾಣಿಜ್ಯ, IBM ವೆಬ್‌ಸ್ಪಿಯರ್ MQ.
ಗೋದಾಮು ಮತ್ತು BI ಪರಿಸರವನ್ನು ಬೆಂಬಲಿಸಲು MQ ಅನ್ನು ಹೇಗೆ ನಿಯಂತ್ರಿಸುವುದು ಎಂಬುದರ ಕುರಿತು ಹೆಚ್ಚಿನ ಚರ್ಚೆಗಾಗಿ, ಭೇಟಿ ನೀಡಿ ಜಾಲತಾಣ ಪುಸ್ತಕದ. ಸದ್ಯಕ್ಕೆ, ಈ ತಂತ್ರಜ್ಞಾನವು ಸೆರೆಹಿಡಿಯಲು ಮತ್ತು ಪರಿವರ್ತಿಸಲು (MQSeries ಇಂಟಿಗ್ರೇಟರ್ ಬಳಸಿ) ಅತ್ಯುತ್ತಮ ಸಾಧನವಾಗಿದೆ ಎಂದು ಹೇಳಲು ಸಾಕು. dati BI ಪರಿಹಾರಗಳಿಗಾಗಿ ಕೇಂದ್ರೀಕೃತ (ಉದ್ದೇಶಿತ) ನಿರ್ವಾಹಕರನ್ನು ನೇಮಿಸಲಾಗಿದೆ. MQ ತಂತ್ರಜ್ಞಾನವನ್ನು UDB V8 ಗೆ ಸಂಯೋಜಿಸಲಾಗಿದೆ ಮತ್ತು ಪ್ಯಾಕ್ ಮಾಡಲಾಗಿದೆ, ಅಂದರೆ ಸಂದೇಶ ಸರತಿ ಸಾಲುಗಳನ್ನು DB2 ಕೋಷ್ಟಕಗಳಂತೆಯೇ ನಿರ್ವಹಿಸಬಹುದು. ವೆಲ್ಡಿಂಗ್ ಕ್ಯೂಡ್ ಸಂದೇಶಗಳ ಪರಿಕಲ್ಪನೆ ಮತ್ತು ಬ್ರಹ್ಮಾಂಡ ಡೇಟಾಬೇಸ್ ಪ್ರಬಲ ವಿತರಣಾ ಪರಿಸರದ ಕಡೆಗೆ ಸಂಬಂಧಿತ ಮುಖ್ಯಸ್ಥರು dati.

ಶೂನ್ಯ-ಸುಪ್ತತೆ ಶೂನ್ಯ ಸುಪ್ತತೆ

IBM ಗಾಗಿ ಅಂತಿಮ ಕಾರ್ಯತಂತ್ರದ ಗುರಿ ಶೂನ್ಯ-ಸುಪ್ತ ವಿಶ್ಲೇಷಣೆಯಾಗಿದೆ. ವ್ಯಾಖ್ಯಾನಿಸಿದಂತೆ
ಗಾರ್ಟ್ನರ್, BI ವ್ಯವಸ್ಥೆಯು ಬೇಡಿಕೆಯ ಮೇರೆಗೆ ವಿಶ್ಲೇಷಕರಿಗೆ ಊಹಿಸಲು, ಸಂಯೋಜಿಸಲು ಮತ್ತು ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. ಸವಾಲು, ಸಹಜವಾಗಿ, ಹೇಗೆ ಮಿಶ್ರಣ ಮಾಡುವುದು dati ಅಗತ್ಯ ಐತಿಹಾಸಿಕ ಮಾಹಿತಿಯೊಂದಿಗೆ ಪ್ರಸ್ತುತ ಮತ್ತು ನೈಜ-ಸಮಯ, ಉದಾಹರಣೆಗೆ i dati ಗ್ರಾಹಕ ಪ್ರೊಫೈಲಿಂಗ್‌ನಂತಹ ಸಂಬಂಧಿತ ಮಾದರಿ/ಟ್ರೆಂಡ್ ಅಥವಾ ಹೊರತೆಗೆಯಲಾದ ತಿಳುವಳಿಕೆ.

ಅಂತಹ ಮಾಹಿತಿಯು ಉದಾಹರಣೆಗೆ, ಗುರುತಿಸುವಿಕೆಯನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ ಗ್ರಾಹಕರಿಗೆ ಹೆಚ್ಚಿನ ಅಥವಾ ಕಡಿಮೆ ಅಪಾಯ ಅಥವಾ ಯಾವ ಉತ್ಪನ್ನಗಳು i ಗ್ರಾಹಕರಿಗೆ ಅವರು ಈಗಾಗಲೇ ತಮ್ಮ ಶಾಪಿಂಗ್ ಕಾರ್ಟ್‌ಗಳಲ್ಲಿ ಚೀಸ್ ಹೊಂದಿದ್ದರೆ ಅವರು ಹೆಚ್ಚಾಗಿ ಖರೀದಿಸುತ್ತಾರೆ.

ಶೂನ್ಯ ಸುಪ್ತತೆಯನ್ನು ಸಾಧಿಸುವುದು ವಾಸ್ತವವಾಗಿ ಎರಡು ಮೂಲಭೂತ ಕಾರ್ಯವಿಧಾನಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ:

• ಸಂಪೂರ್ಣ ಒಕ್ಕೂಟ dati ಬಿಐ ರಚಿಸಿದ ಸ್ಥಾಪಿತ ತಂತ್ರಗಳು ಮತ್ತು ಸಾಧನಗಳೊಂದಿಗೆ ವಿಶ್ಲೇಷಿಸಲಾಗುತ್ತದೆ
• ಒಂದು ವಿತರಣಾ ವ್ಯವಸ್ಥೆ dati ನೈಜ-ಸಮಯದ ವಿಶ್ಲೇಷಣೆಯು ನಿಜವಾಗಿಯೂ ಲಭ್ಯವಿದೆಯೇ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಸಮರ್ಥವಾಗಿದೆ ಶೂನ್ಯ ಲೇಟೆನ್ಸಿಗಾಗಿ ಈ ಪೂರ್ವಾಪೇಕ್ಷಿತಗಳು IBM ನಿಂದ ಹೊಂದಿಸಲಾದ ಮತ್ತು ಮೇಲೆ ವಿವರಿಸಿದ ಎರಡು ಗುರಿಗಳಿಗಿಂತ ಭಿನ್ನವಾಗಿರುವುದಿಲ್ಲ. ನ ನಿಕಟ ಸಂಯೋಗ dati ಇದು IBM ನ ತಡೆರಹಿತ ಏಕೀಕರಣ ಕಾರ್ಯಕ್ರಮದ ಭಾಗವಾಗಿದೆ. ಮತ್ತು ವಿತರಣಾ ವ್ಯವಸ್ಥೆಯನ್ನು ರಚಿಸಿ dati ದಕ್ಷತೆಯು ಲಭ್ಯವಿರುವ ತಂತ್ರಜ್ಞಾನದ ಮೇಲೆ ಸಂಪೂರ್ಣವಾಗಿ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ ಅದು ವಿತರಣಾ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸರಳಗೊಳಿಸುತ್ತದೆ dati. ಇದರ ಪರಿಣಾಮವಾಗಿ, IBM ನ ಮೂರು ಗುರಿಗಳಲ್ಲಿ ಎರಡು ಮೂರನೆಯದನ್ನು ಸಾಧಿಸಲು ನಿರ್ಣಾಯಕವಾಗಿವೆ. ಗೋದಾಮಿನ ಪ್ರಯತ್ನಗಳಿಗೆ ಶೂನ್ಯ ಸುಪ್ತತೆಯನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು IBM ಪ್ರಜ್ಞಾಪೂರ್ವಕವಾಗಿ ತನ್ನ ತಂತ್ರಜ್ಞಾನವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತಿದೆ. ಸಾರಾಂಶ / ಸಂಶ್ಲೇಷಣೆ BI ಸಂಸ್ಥೆಯು ನಿಮ್ಮ ಪರಿಸರವನ್ನು ನಿರ್ಮಿಸಲು ರಸ್ತೆ ನಕ್ಷೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ
  ಪುನರಾವರ್ತಿತವಾಗಿ. ಪ್ರಸ್ತುತ ಮತ್ತು ಭವಿಷ್ಯದ ಎರಡೂ ನಿಮ್ಮ ವ್ಯಾಪಾರದ ಅಗತ್ಯಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸಲು ಅದನ್ನು ಸರಿಹೊಂದಿಸಬೇಕು. ವಿಶಾಲವಾದ ವಾಸ್ತುಶಿಲ್ಪದ ದೃಷ್ಟಿ ಇಲ್ಲದೆ, ಗೋದಾಮಿನ ಪುನರಾವರ್ತನೆಗಳು ಕೇಂದ್ರ ಗೋದಾಮಿನ ಅವ್ಯವಸ್ಥಿತ ಅನುಷ್ಠಾನಗಳಿಗಿಂತ ಸ್ವಲ್ಪ ಹೆಚ್ಚು, ಅದು ವಿಶಾಲವಾದ, ತಿಳಿವಳಿಕೆ ನೀಡುವ ಉದ್ಯಮವನ್ನು ರಚಿಸಲು ಸ್ವಲ್ಪಮಟ್ಟಿಗೆ ಮಾಡುತ್ತದೆ. ಪ್ರಾಜೆಕ್ಟ್ ಮ್ಯಾನೇಜರ್‌ಗಳಿಗೆ ಮೊದಲ ಅಡಚಣೆಯೆಂದರೆ ಬಿಐ ಸಂಸ್ಥೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಅಗತ್ಯವಾದ ಹೂಡಿಕೆಗಳನ್ನು ಹೇಗೆ ಸಮರ್ಥಿಸುವುದು. ROI ಲೆಕ್ಕಾಚಾರವು ಗೋದಾಮಿನ ಅಳವಡಿಕೆಗಳ ಮುಖ್ಯ ಆಧಾರವಾಗಿ ಉಳಿದಿದೆ, ನಿಖರವಾಗಿ ಊಹಿಸಲು ಇದು ಹೆಚ್ಚು ಕಷ್ಟಕರವಾಗುತ್ತಿದೆ. ನಿಮ್ಮ ಹಣದ ಮೌಲ್ಯವನ್ನು ನೀವು ಪಡೆಯುತ್ತಿರುವಿರಾ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ಇದು ಇತರ ವಿಧಾನಗಳಿಗೆ ಕಾರಣವಾಗಿದೆ. ಉದಾಹರಣೆಗೆ ಹೂಡಿಕೆ2 (VOI) ಮೇಲಿನ ಮೌಲ್ಯವನ್ನು ಪರಿಹಾರವಾಗಿ ಪ್ರಚಾರ ಮಾಡಲಾಗುತ್ತದೆ. ಇದು ವಾಸ್ತುಶಿಲ್ಪಿಗಳ ಮೇಲೆ ಬದ್ಧವಾಗಿದೆ dati ಮತ್ತು ಯೋಜನಾ ಯೋಜಕರು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಬಳಕೆದಾರರ ಸಂಘಗಳಿಗೆ ಮಾಹಿತಿಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತಾರೆ ಮತ್ತು ಒದಗಿಸುತ್ತಾರೆ ಮತ್ತು ಅವರಿಗೆ ಸೇವೆಯನ್ನು ಒದಗಿಸುವುದಿಲ್ಲ dati. ಇವೆರಡರ ನಡುವೆ ಅಜಗಜಾಂತರ ವ್ಯತ್ಯಾಸವಿದೆ. ಮಾಹಿತಿಯು ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆ ಮತ್ತು ಪರಿಣಾಮಕಾರಿತ್ವದಲ್ಲಿ ವ್ಯತ್ಯಾಸವನ್ನುಂಟುಮಾಡುತ್ತದೆ; ತುಲನಾತ್ಮಕವಾಗಿ, i dati ಅವರು ಮಾಹಿತಿಯನ್ನು ಪಡೆಯಲು ಬಿಲ್ಡಿಂಗ್ ಬ್ಲಾಕ್ಸ್.

ನಾನು ಮೂಲವನ್ನು ಟೀಕಿಸಿದರೂ ಸಹ dati ವ್ಯಾಪಾರ ವಿನಂತಿಗಳನ್ನು ಪರಿಹರಿಸಲು, ಮಾಹಿತಿ ವಿಷಯವನ್ನು ರಚಿಸುವಲ್ಲಿ BI ಪರಿಸರವು ದೊಡ್ಡ ಪಾತ್ರವನ್ನು ನಿರ್ವಹಿಸಬೇಕು. ಬಳಕೆದಾರರು ಕಾರ್ಯನಿರ್ವಹಿಸಬಹುದಾದ ಮಾಹಿತಿ ವಿಷಯವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಲು, ಸಂಯೋಜಿಸಲು, ಪರಿವರ್ತಿಸಲು ಅಥವಾ ರಚಿಸಲು ನಾವು ಹೆಚ್ಚುವರಿ ಕ್ರಮಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಬೇಕು ಮತ್ತು ನಂತರ ಆ ಕ್ರಮಗಳು ಮತ್ತು ನಿರ್ಧಾರಗಳು ಸಮಂಜಸವಾದಲ್ಲಿ ಬಿಐ ಪರಿಸರದಲ್ಲಿ ಪ್ರತಿಫಲಿಸುತ್ತದೆ ಎಂದು ನಾವು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಬೇಕು. ನಾವು ಗೋದಾಮನ್ನು ಮಾತ್ರ ಸೇವೆ ಮಾಡಲು ಹಿಮ್ಮೆಟ್ಟಿಸಿದರೆ dati, ಬಳಕೆದಾರ ಸಂಘಗಳು ಕ್ರಮ ತೆಗೆದುಕೊಳ್ಳಲು ಅಗತ್ಯವಿರುವ ಮಾಹಿತಿ ವಿಷಯವನ್ನು ರಚಿಸುತ್ತವೆ ಎಂದು ಖಾತ್ರಿಪಡಿಸಲಾಗಿದೆ. ಇದು ಅವರ ಸಮುದಾಯವು ಉತ್ತಮ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ ಎಂದು ಖಚಿತಪಡಿಸುತ್ತದೆ, ಆದರೆ ಅವರು ಬಳಸಿದ ಜ್ಞಾನದ ಕೊರತೆಯಿಂದ ಉದ್ಯಮವು ನರಳುತ್ತದೆ. ದಿನಾಂಕ ವಾಸ್ತುಶಿಲ್ಪಿಗಳು ಮತ್ತು ಯೋಜನಾ ಯೋಜಕರು BI ಪರಿಸರದಲ್ಲಿ ನಿರ್ದಿಷ್ಟ ಯೋಜನೆಗಳನ್ನು ಪ್ರಾರಂಭಿಸುವುದರಿಂದ, ಅವರು ಒಟ್ಟಾರೆಯಾಗಿ ಉದ್ಯಮಕ್ಕೆ ಜವಾಬ್ದಾರರಾಗಿರುತ್ತಾರೆ. BI ಪುನರಾವರ್ತನೆಗಳ ಈ ಎರಡು-ಬದಿಯ ಗುಣಲಕ್ಷಣದ ಸರಳ ಉದಾಹರಣೆ ಮೂಲದಲ್ಲಿ ಕಂಡುಬರುತ್ತದೆ dati. ಎಲ್ಲಾ dati ನಿರ್ದಿಷ್ಟ ವ್ಯವಹಾರ ವಿನಂತಿಗಳಿಗಾಗಿ ಸ್ವೀಕರಿಸಲಾಗಿದೆ ಮೊದಲ ಪರಮಾಣು ಪದರದಲ್ಲಿ ಜನಸಂಖ್ಯೆ ಹೊಂದಿರಬೇಕು. ಇದು ಎಂಟರ್‌ಪ್ರೈಸ್ ಮಾಹಿತಿ ಆಸ್ತಿಯ ಅಭಿವೃದ್ಧಿಯನ್ನು ಖಾತ್ರಿಗೊಳಿಸುತ್ತದೆ, ಜೊತೆಗೆ ಪುನರಾವರ್ತನೆಯಲ್ಲಿ ವ್ಯಾಖ್ಯಾನಿಸಲಾದ ನಿರ್ದಿಷ್ಟ ಬಳಕೆದಾರರ ವಿನಂತಿಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ.

WhatisaDataWarehouse?

ಮಾಹಿತಿ ಉಗ್ರಾಣ ಇದು 1990 ರಿಂದ ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆಗಳ ಆರ್ಕಿಟೆಕ್ಚರ್‌ನ ಹೃದಯವಾಗಿದೆ ಮತ್ತು ಘನ ಸಮಗ್ರ ವೇದಿಕೆಯನ್ನು ನೀಡುವ ಮೂಲಕ ಮಾಹಿತಿ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ dati ಐತಿಹಾಸಿಕ ಡೇಟಾವನ್ನು ನಂತರದ ವಿಶ್ಲೇಷಣೆಗಳಿಗೆ ಆಧಾರವಾಗಿ ತೆಗೆದುಕೊಳ್ಳಲಾಗಿದೆ. ದಿ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಅವರು ಹೊಂದಾಣಿಕೆಯಾಗದ ಅಪ್ಲಿಕೇಶನ್ ಸಿಸ್ಟಮ್‌ಗಳ ಜಗತ್ತಿನಲ್ಲಿ ಏಕೀಕರಣದ ಸುಲಭತೆಯನ್ನು ಒದಗಿಸುತ್ತಾರೆ. ಮಾಹಿತಿ ಉಗ್ರಾಣ ಇದು ಪ್ರವೃತ್ತಿಯಾಗಿ ವಿಕಸನಗೊಂಡಿದೆ. ಮಾಹಿತಿ ಉಗ್ರಾಣ ಸಂಘಟಿಸಿ ಮತ್ತು ಸಂಗ್ರಹಿಸು i dati ಸುದೀರ್ಘ ಐತಿಹಾಸಿಕ ತಾತ್ಕಾಲಿಕ ದೃಷ್ಟಿಕೋನದ ಆಧಾರದ ಮೇಲೆ ಮಾಹಿತಿ ಮತ್ತು ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಪ್ರಕ್ರಿಯೆಗಳಿಗೆ ಅವಶ್ಯಕ. ಇವೆಲ್ಲವೂ ನಿರ್ಮಾಣ ಮತ್ತು ನಿರ್ವಹಣೆಯಲ್ಲಿ ಗಣನೀಯ ಮತ್ತು ನಿರಂತರ ಬದ್ಧತೆಯನ್ನು ಒಳಗೊಳ್ಳುತ್ತವೆ ಡೇಟಾ ವೇರ್ಹೌಸ್.

ಹಾಗಾದರೆ ಎ ಎಂದರೇನು ಡೇಟಾ ವೇರ್ಹೌಸ್? ಎ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಮತ್ತು:

• ▪ ವಿಷಯ-ಆಧಾರಿತ
• ▪ ಸಂಯೋಜಿತ ವ್ಯವಸ್ಥೆ
• ▪ ರೂಪಾಂತರ ಸಮಯ
• ▪ ಬಾಷ್ಪಶೀಲವಲ್ಲದ (ಅಳಿಸಲಾಗುವುದಿಲ್ಲ)

ಒಂದು ಸಂಗ್ರಹ dati ಪ್ರಕ್ರಿಯೆಗಳ ಅನುಷ್ಠಾನದಲ್ಲಿ ವ್ಯವಸ್ಥಾಪಕ ನಿರ್ಧಾರಗಳನ್ನು ಬೆಂಬಲಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ.
I dati ಸೇರಿಸಲಾಯಿತು ಡೇಟಾ ವೇರ್ಹೌಸ್ ಹೆಚ್ಚಿನ ಸಂದರ್ಭಗಳಲ್ಲಿ ಅವರು ಕಾರ್ಯಾಚರಣೆಯ ಪರಿಸರದಿಂದ ಪಡೆಯುತ್ತಾರೆ. ದಿ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಇದು ಶೇಖರಣಾ ಘಟಕದಿಂದ ರಚಿಸಲ್ಪಟ್ಟಿದೆ, ಅದು ಒಳಗೊಂಡಿರುವ ಸಿಸ್ಟಮ್ನ ಉಳಿದ ಭಾಗಗಳಿಂದ ಭೌತಿಕವಾಗಿ ಪ್ರತ್ಯೇಕಿಸಲ್ಪಟ್ಟಿದೆ dati ಆಪರೇಟಿಂಗ್ ಪರಿಸರದಿಂದ ಪಡೆದ ಮಾಹಿತಿಯ ಮೇಲೆ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಂದ ಹಿಂದೆ ರೂಪಾಂತರಗೊಂಡಿದೆ.

ಅಕ್ಷರಶಃ ವ್ಯಾಖ್ಯಾನ ಎ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಗೋದಾಮಿನ ಗುಣಲಕ್ಷಣಗಳನ್ನು ವಿವರಿಸುವ ಪ್ರಮುಖ ಪ್ರೇರಣೆಗಳು ಮತ್ತು ಆಧಾರವಾಗಿರುವ ಅರ್ಥಗಳು ಇರುವುದರಿಂದ ಆಳವಾದ ವಿವರಣೆಗೆ ಅರ್ಹವಾಗಿದೆ.

ವಿಷಯದ ದೃಷ್ಟಿಕೋನ ದೃಷ್ಟಿಕೋನ ವಿಷಯಾಧಾರಿತ

ಎ ನ ಮೊದಲ ಲಕ್ಷಣ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಇದು ಕಂಪನಿಯ ಪ್ರಮುಖ ಆಟಗಾರರ ಕಡೆಗೆ ಆಧಾರಿತವಾಗಿದೆ. ಮೂಲಕ ಪ್ರಯೋಗಗಳ ಮಾರ್ಗದರ್ಶಿ dati ಪ್ರಕ್ರಿಯೆಗಳು ಮತ್ತು ಕಾರ್ಯಗಳ ಕಡೆಗೆ ಅಪ್ಲಿಕೇಶನ್‌ಗಳ ದೃಷ್ಟಿಕೋನವನ್ನು ಒಳಗೊಂಡಿರುವ ಹೆಚ್ಚು ಕ್ಲಾಸಿಕ್ ವಿಧಾನಕ್ಕೆ ಇದು ವ್ಯತಿರಿಕ್ತವಾಗಿದೆ, ಈ ವಿಧಾನವನ್ನು ಕಡಿಮೆ ಇತ್ತೀಚಿನ ನಿರ್ವಹಣಾ ವ್ಯವಸ್ಥೆಗಳು ಹೆಚ್ಚಾಗಿ ಹಂಚಿಕೊಳ್ಳುತ್ತವೆ.

ಕಾರ್ಯಾಚರಣೆಯ ಪ್ರಪಂಚವು ಸಾಲಗಳು, ಉಳಿತಾಯಗಳು, ಬ್ಯಾಂಕ್‌ಕಾರ್ಡ್‌ಗಳು ಮತ್ತು ಹಣಕಾಸು ಸಂಸ್ಥೆಗಾಗಿ ಟ್ರಸ್ಟ್‌ಗಳಂತಹ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಮತ್ತು ಕಾರ್ಯಗಳ ಸುತ್ತ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ಗ್ರಾಹಕ, ಮಾರಾಟಗಾರ, ಉತ್ಪನ್ನ ಮತ್ತು ಚಟುವಟಿಕೆಯಂತಹ ಪ್ರಮುಖ ವಿಷಯಗಳ ಸುತ್ತ dw ಪ್ರಪಂಚವನ್ನು ಆಯೋಜಿಸಲಾಗಿದೆ. ವಿಷಯಗಳ ಸುತ್ತ ಜೋಡಣೆ ವಿನ್ಯಾಸ ಮತ್ತು ಅನುಷ್ಠಾನದ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ dati dw ನಲ್ಲಿ ಕಂಡುಬರುತ್ತದೆ. ಹೆಚ್ಚು ಮುಖ್ಯವಾಗಿ, ಮುಖ್ಯ ವಿಷಯವು ಪ್ರಮುಖ ರಚನೆಯ ಪ್ರಮುಖ ಭಾಗವನ್ನು ಪರಿಣಾಮ ಬೀರುತ್ತದೆ.

ಅಪ್ಲಿಕೇಶನ್‌ನ ಪ್ರಪಂಚವು ಡೇಟಾಬೇಸ್‌ನ ವಿನ್ಯಾಸ ಮತ್ತು ಪ್ರಕ್ರಿಯೆಯ ವಿನ್ಯಾಸ ಎರಡರಿಂದಲೂ ಪ್ರಭಾವಿತವಾಗಿರುತ್ತದೆ. dw ಪ್ರಪಂಚವು ಮಾಡೆಲಿಂಗ್ ಮೇಲೆ ಪ್ರತ್ಯೇಕವಾಗಿ ಕೇಂದ್ರೀಕೃತವಾಗಿದೆ dati ಮತ್ತು ವಿನ್ಯಾಸದ ಮೇಲೆ ಡೇಟಾಬೇಸ್. ಪ್ರಕ್ರಿಯೆ ವಿನ್ಯಾಸ (ಅದರ ಶ್ರೇಷ್ಠ ರೂಪದಲ್ಲಿ) dw ಪರಿಸರದ ಭಾಗವಾಗಿಲ್ಲ.

ಪ್ರಕ್ರಿಯೆ/ಕಾರ್ಯ ಅಪ್ಲಿಕೇಶನ್‌ನ ಆಯ್ಕೆ ಮತ್ತು ವಿಷಯದ ಆಯ್ಕೆಯ ನಡುವಿನ ವ್ಯತ್ಯಾಸಗಳು ವಿಷಯದ ವಿಷಯದಲ್ಲಿನ ವ್ಯತ್ಯಾಸಗಳಾಗಿಯೂ ಬಹಿರಂಗಗೊಳ್ಳುತ್ತವೆ. dati ವಿವರವಾದ ಮಟ್ಟದಲ್ಲಿ. ದಿ dati dw ನಲ್ಲಿ i ಒಳಗೊಂಡಿಲ್ಲ dati ಅಪ್ಲಿಕೇಶನ್ ಮಾಡುವಾಗ DSS ಪ್ರಕ್ರಿಯೆಗೆ ಬಳಸಲಾಗುವುದಿಲ್ಲ

ಕಾರ್ಯಾಚರಣೆ ಆಧಾರಿತ dati i ಅನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ dati DSS ವಿಶ್ಲೇಷಕಕ್ಕೆ ಯಾವುದೇ ಬಳಕೆ ಅಥವಾ ಇಲ್ಲದಿರಬಹುದಾದ ಕ್ರಿಯಾತ್ಮಕ/ಸಂಸ್ಕರಣಾ ಅವಶ್ಯಕತೆಗಳನ್ನು ತಕ್ಷಣವೇ ಪೂರೈಸಲು.
ಕಾರ್ಯಾಚರಣೆಯ-ಆಧಾರಿತ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಲ್ಲಿ ಮತ್ತೊಂದು ಪ್ರಮುಖ ವಿಧಾನ dati ನಿಂದ ಭಿನ್ನವಾಗಿದೆ dati dw ದೈ ವರದಿಗಳಲ್ಲಿದೆ dati. ನಾನು dati ಕಾರ್ಯಾಚರಣೆಗಳು ಸಕ್ರಿಯವಾಗಿರುವ ವ್ಯಾಪಾರ ನಿಯಮದ ಆಧಾರದ ಮೇಲೆ ಎರಡು ಅಥವಾ ಹೆಚ್ಚಿನ ಕೋಷ್ಟಕಗಳ ನಡುವೆ ನಿರಂತರ ಸಂಬಂಧವನ್ನು ನಿರ್ವಹಿಸುತ್ತವೆ. ದಿ dati dw ಸಮಯದ ಸ್ಪೆಕ್ಟ್ರಮ್ ಅನ್ನು ದಾಟುತ್ತದೆ ಮತ್ತು dw ನಲ್ಲಿ ಕಂಡುಬರುವ ಸಂಬಂಧಗಳು ಹಲವು. ಅನೇಕ ವ್ಯಾಪಾರ ನಿಯಮಗಳು (ಮತ್ತು ಅದಕ್ಕೆ ಅನುಗುಣವಾಗಿ, ಅನೇಕ ಸಂಬಂಧಗಳು dati ) ಗೋದಾಮಿನಲ್ಲಿ ಪ್ರತಿನಿಧಿಸಲಾಗುತ್ತದೆ dati ಎರಡು ಅಥವಾ ಹೆಚ್ಚಿನ ಕೋಷ್ಟಕಗಳ ನಡುವೆ.

(ಇದರ ನಡುವಿನ ಸಂಬಂಧಗಳು ಹೇಗೆ ಎಂಬುದರ ವಿವರವಾದ ವಿವರಣೆಗಾಗಿ dati DW ನಲ್ಲಿ ನಿರ್ವಹಿಸಲಾಗುತ್ತದೆ, ನಾವು ಆ ವಿಷಯದ ಕುರಿತು ಟೆಕ್ ವಿಷಯವನ್ನು ಉಲ್ಲೇಖಿಸುತ್ತೇವೆ.)
ಕ್ರಿಯಾತ್ಮಕ/ಪ್ರಕ್ರಿಯೆಯ ಅಪ್ಲಿಕೇಶನ್ ಆಯ್ಕೆ ಮತ್ತು ವಿಷಯದ ಆಯ್ಕೆಯ ನಡುವಿನ ಮೂಲಭೂತ ವ್ಯತ್ಯಾಸವನ್ನು ಹೊರತುಪಡಿಸಿ ಬೇರೆ ಯಾವುದೇ ದೃಷ್ಟಿಕೋನದಿಂದ, ಆಪರೇಟಿಂಗ್ ಸಿಸ್ಟಮ್‌ಗಳ ನಡುವೆ ಹೆಚ್ಚಿನ ವ್ಯತ್ಯಾಸವಿಲ್ಲ ಮತ್ತು dati ಮತ್ತು DW.

ಏಕೀಕರಣ ಏಕೀಕರಣ

dw ಪರಿಸರದ ಪ್ರಮುಖ ಅಂಶವೆಂದರೆ i dati dw ಒಳಗೆ ಕಂಡುಬರುವ ಸುಲಭವಾಗಿ ಸಂಯೋಜಿಸಲ್ಪಡುತ್ತವೆ. ಯಾವಾಗಲೂ. ವಿನಾಯಿತಿಗಳಿಲ್ಲದೆ. dw ಪರಿಸರದ ಮೂಲತತ್ವವೆಂದರೆ ನಾನು dati ಗೋದಾಮಿನ ಮಿತಿಯಲ್ಲಿ ಒಳಗೊಂಡಿರುವ ಸಂಯೋಜನೆಯನ್ನು ಸಂಯೋಜಿಸಲಾಗಿದೆ.

ಏಕೀಕರಣವು ಹಲವು ವಿಧಗಳಲ್ಲಿ ತನ್ನನ್ನು ತಾನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ - ಸ್ಥಿರವಾದ ಗುರುತಿಸಲಾದ ಸಂಪ್ರದಾಯಗಳಲ್ಲಿ, ಸ್ಥಿರವಾದ ವೇರಿಯಬಲ್ ಮಾಪನದಲ್ಲಿ, ಸ್ಥಿರವಾದ ಕೋಡೆಡ್ ರಚನೆಗಳಲ್ಲಿ, ಭೌತಿಕ ಗುಣಲಕ್ಷಣಗಳಲ್ಲಿ dati ಸ್ಥಿರ, ಇತ್ಯಾದಿ.

ವರ್ಷಗಳಲ್ಲಿ, ವಿವಿಧ ಅಪ್ಲಿಕೇಶನ್‌ಗಳ ವಿನ್ಯಾಸಕರು ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಹೇಗೆ ಅಭಿವೃದ್ಧಿಪಡಿಸಬೇಕು ಎಂಬುದರ ಕುರಿತು ಅನೇಕ ನಿರ್ಧಾರಗಳನ್ನು ಮಾಡಿದ್ದಾರೆ. ವಿನ್ಯಾಸಕಾರರ ಅನ್ವಯಗಳ ಶೈಲಿ ಮತ್ತು ವೈಯಕ್ತಿಕ ವಿನ್ಯಾಸದ ನಿರ್ಧಾರಗಳು ನೂರು ವಿಧಗಳಲ್ಲಿ ತಮ್ಮನ್ನು ತಾವು ಬಹಿರಂಗಪಡಿಸುತ್ತವೆ: ಕೋಡಿಂಗ್, ಪ್ರಮುಖ ರಚನೆ, ಭೌತಿಕ ಗುಣಲಕ್ಷಣಗಳು, ಸಂಪ್ರದಾಯಗಳನ್ನು ಗುರುತಿಸುವುದು ಇತ್ಯಾದಿಗಳಲ್ಲಿ ವ್ಯತ್ಯಾಸಗಳು. ಅಸಮಂಜಸವಾದ ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ರಚಿಸಲು ಅನೇಕ ಅಪ್ಲಿಕೇಶನ್ ವಿನ್ಯಾಸಕರ ಸಾಮೂಹಿಕ ಸಾಮರ್ಥ್ಯವು ಪೌರಾಣಿಕವಾಗಿದೆ. ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವ ವಿಧಾನಗಳಲ್ಲಿನ ಕೆಲವು ಪ್ರಮುಖ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಚಿತ್ರ 3 ತೋರಿಸುತ್ತದೆ.

ಎನ್ಕೋಡಿಂಗ್: ಎನ್ಕೋಡಿಂಗ್:

ಅಪ್ಲಿಕೇಶನ್ ವಿನ್ಯಾಸಕರು ಕ್ಷೇತ್ರದ ಎನ್‌ಕೋಡಿಂಗ್ ಅನ್ನು ಆಯ್ಕೆ ಮಾಡಿದ್ದಾರೆ - ಸೆಕ್ಸ್ - ವಿಭಿನ್ನ ರೀತಿಯಲ್ಲಿ. ಡಿಸೈನರ್ ಲೈಂಗಿಕತೆಯನ್ನು "m" ಮತ್ತು "f" ಎಂದು ಪ್ರತಿನಿಧಿಸುತ್ತಾರೆ. ಇನ್ನೊಬ್ಬ ವಿನ್ಯಾಸಕರು ಲಿಂಗವನ್ನು "1" ಮತ್ತು "0" ಎಂದು ಪ್ರತಿನಿಧಿಸುತ್ತಾರೆ. ಇನ್ನೊಬ್ಬ ವಿನ್ಯಾಸಕರು ಲೈಂಗಿಕತೆಯನ್ನು "x" ಮತ್ತು "y" ಎಂದು ಪ್ರತಿನಿಧಿಸುತ್ತಾರೆ. ಇನ್ನೊಬ್ಬ ವಿನ್ಯಾಸಕ ಲೈಂಗಿಕತೆಯನ್ನು "ಪುರುಷ" ಮತ್ತು "ಹೆಣ್ಣು" ಎಂದು ಪ್ರತಿನಿಧಿಸುತ್ತಾನೆ. DW ಗೆ ಲೈಂಗಿಕತೆಯು ಹೇಗೆ ಬರುತ್ತದೆ ಎಂಬುದು ಮುಖ್ಯವಲ್ಲ. "M" ಮತ್ತು "F" ಬಹುಶಃ ಇಡೀ ನಾಟಕದಂತೆಯೇ ಉತ್ತಮವಾಗಿದೆ.

ಮುಖ್ಯವಾದುದೆಂದರೆ, ಲೈಂಗಿಕ ಕ್ಷೇತ್ರವು ಯಾವುದೇ ಮೂಲದಿಂದ ಪಡೆಯುತ್ತದೆ, ಆ ಕ್ಷೇತ್ರವು ಸ್ಥಿರವಾದ ಸಮಗ್ರ ಸ್ಥಿತಿಯಲ್ಲಿ DW ಗೆ ಆಗಮಿಸುತ್ತದೆ. ಪರಿಣಾಮವಾಗಿ "M" ಮತ್ತು "F" ಸ್ವರೂಪದಲ್ಲಿ ಪ್ರತಿನಿಧಿಸಲಾದ ಅಪ್ಲಿಕೇಶನ್‌ನಿಂದ ಕ್ಷೇತ್ರವನ್ನು DW ಗೆ ಲೋಡ್ ಮಾಡಿದಾಗ, dati DW ಫಾರ್ಮ್ಯಾಟ್‌ಗೆ ಪರಿವರ್ತಿಸಬೇಕು.

ಗುಣಲಕ್ಷಣಗಳ ಮಾಪನ: ಮಾಪನ ಗುಣಲಕ್ಷಣಗಳು:

ಅಪ್ಲಿಕೇಶನ್ ವಿನ್ಯಾಸಕರು ವರ್ಷಗಳಲ್ಲಿ ಪೈಪ್ಲೈನ್ ​​ಅನ್ನು ವಿವಿಧ ರೀತಿಯಲ್ಲಿ ಅಳೆಯಲು ಆಯ್ಕೆ ಮಾಡಿದ್ದಾರೆ. ಡಿಸೈನರ್ ಸಂಗ್ರಹಿಸುತ್ತಾನೆ dati ಸೆಂಟಿಮೀಟರ್‌ಗಳಲ್ಲಿ ಪೈಪ್‌ಲೈನ್‌ನ. ಮತ್ತೊಂದು ಅಪ್ಲಿಕೇಶನ್ ಡಿಸೈನರ್ ಸಂಗ್ರಹಿಸುತ್ತದೆ dati ಇಂಚುಗಳ ಪರಿಭಾಷೆಯಲ್ಲಿ ಪೈಪ್ಲೈನ್ನ. ಮತ್ತೊಂದು ಅಪ್ಲಿಕೇಶನ್ ಡಿಸೈನರ್ ಸಂಗ್ರಹಿಸುತ್ತದೆ dati ಪ್ರತಿ ಸೆಕೆಂಡಿಗೆ ಮಿಲಿಯನ್ ಘನ ಅಡಿಗಳಲ್ಲಿ ಪೈಪ್ಲೈನ್. ಮತ್ತು ಮತ್ತೊಂದು ವಿನ್ಯಾಸಕ ಗಜಗಳ ವಿಷಯದಲ್ಲಿ ಪೈಪ್ಲೈನ್ ​​ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ. ಯಾವುದೇ ಮೂಲವಾಗಿದ್ದರೂ, ಪೈಪ್ಲೈನ್ ​​ಮಾಹಿತಿಯು DW ನಲ್ಲಿ ಬಂದಾಗ ಅದನ್ನು ಅದೇ ರೀತಿಯಲ್ಲಿ ಅಳೆಯಬೇಕು.

ಚಿತ್ರ 3 ರಲ್ಲಿನ ಸೂಚನೆಗಳ ಪ್ರಕಾರ, ಏಕೀಕರಣ ಸಮಸ್ಯೆಗಳು ಯೋಜನೆಯ ಪ್ರತಿಯೊಂದು ಅಂಶದ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತವೆ - ಭೌತಿಕ ಗುಣಲಕ್ಷಣಗಳು dati, ಒಂದಕ್ಕಿಂತ ಹೆಚ್ಚು ಮೂಲಗಳನ್ನು ಹೊಂದಿರುವ ಸಂದಿಗ್ಧತೆ dati, ಅಸಮಂಜಸವಾದ ಗುರುತಿಸಲಾದ ಮಾದರಿಗಳ ಸಮಸ್ಯೆ, ಸ್ವರೂಪಗಳು dati ಅಸಮಂಜಸ, ಇತ್ಯಾದಿ.

ವಿನ್ಯಾಸ ವಿಷಯ ಏನೇ ಇರಲಿ, ಫಲಿತಾಂಶವು ಒಂದೇ ಆಗಿರುತ್ತದೆ - i dati ಆಧಾರವಾಗಿರುವ ಆಪರೇಟಿಂಗ್ ಸಿಸ್ಟಮ್‌ಗಳು ಅವುಗಳನ್ನು ವಿಭಿನ್ನವಾಗಿ ಸಂಗ್ರಹಿಸಿದಾಗಲೂ ಸಹ DW ನಲ್ಲಿ ಏಕವಚನ ಮತ್ತು ಜಾಗತಿಕವಾಗಿ ಸ್ವೀಕಾರಾರ್ಹ ರೀತಿಯಲ್ಲಿ ಸಂಗ್ರಹಿಸಬೇಕು dati.

DSS ವಿಶ್ಲೇಷಕರು DW ಅನ್ನು ನೋಡಿದಾಗ, ವಿಶ್ಲೇಷಕರ ಗುರಿಯನ್ನು ಬಳಸಿಕೊಳ್ಳುವುದು dati ಯಾವ ಗೋದಾಮಿನಲ್ಲಿದೆ,

ವಿಶ್ವಾಸಾರ್ಹತೆ ಅಥವಾ ಸ್ಥಿರತೆಯ ಬಗ್ಗೆ ಆಶ್ಚರ್ಯಪಡುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ dati.

ಸಮಯದ ವ್ಯತ್ಯಾಸ

ಎಲ್ಲಾ ನಾನು dati DW ನಲ್ಲಿ ಅವು ಕೆಲವು ಸಮಯದವರೆಗೆ ನಿಖರವಾಗಿವೆ. ಈ ಮೂಲಭೂತ ಲಕ್ಷಣ dati DW ನಲ್ಲಿ ಇದು ಪದಗಳಿಗಿಂತ ಬಹಳ ಭಿನ್ನವಾಗಿದೆ dati ಕಾರ್ಯ ಪರಿಸರದಲ್ಲಿ ಕಂಡುಬರುತ್ತದೆ. ದಿ dati ಕಾರ್ಯಾಚರಣೆಯ ಪರಿಸರವು ಪ್ರವೇಶದ ಕ್ಷಣದಲ್ಲಿ ನಿಖರವಾಗಿರುತ್ತದೆ. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಡ್ರೈವ್ ಅನ್ನು ಪ್ರವೇಶಿಸಿದಾಗ ಆಪರೇಟಿಂಗ್ ಪರಿಸರದಲ್ಲಿ dati, ಇದು ಪ್ರವೇಶದ ಸಮಯದಲ್ಲಿ ನಿಖರವಾದ ಮೌಲ್ಯಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ ಎಂದು ನಿರೀಕ್ಷಿಸಲಾಗಿದೆ. ಏಕೆಂದರೆ ನಾನು dati DW ನಲ್ಲಿ ಕೆಲವು ಸಮಯದಲ್ಲಿ ನಿಖರವಾಗಿದೆ (ಅಂದರೆ, "ಇದೀಗ" ಅಲ್ಲ), ನಾನು ಎಂದು ಹೇಳಲಾಗುತ್ತದೆ dati DW ನಲ್ಲಿ ಕಂಡುಬರುವ "ಸಮಯ ವ್ಯತ್ಯಾಸ".
ನ ಸಮಯದ ವ್ಯತ್ಯಾಸ dati DW ಮೂಲಕ ಹಲವಾರು ರೀತಿಯಲ್ಲಿ ಉಲ್ಲೇಖಿಸಲಾಗಿದೆ.
ಸರಳವಾದ ಮಾರ್ಗವೆಂದರೆ ಐ dati ಒಂದು DW ಪ್ರತಿನಿಧಿಸುತ್ತದೆ dati ದೀರ್ಘಾವಧಿಯ ದಿಗಂತದಲ್ಲಿ - ಐದು ರಿಂದ ಹತ್ತು ವರ್ಷಗಳು. ಆಪರೇಟಿಂಗ್ ಪರಿಸರಕ್ಕೆ ಪ್ರತಿನಿಧಿಸುವ ಸಮಯದ ಹಾರಿಜಾನ್ ಇಂದಿನ ಪ್ರಸ್ತುತ ಮೌಲ್ಯಗಳಿಗಿಂತ ಅರವತ್ತು ತೊಂಬತ್ತರವರೆಗಿನ ಮೌಲ್ಯಗಳಿಗಿಂತ ಕಡಿಮೆಯಾಗಿದೆ
ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಬೇಕಾದ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಮತ್ತು ವಹಿವಾಟು ಪ್ರಕ್ರಿಯೆಗೆ ಲಭ್ಯವಿರಬೇಕು ಕನಿಷ್ಠ ಮೊತ್ತವನ್ನು ಹೊಂದಿರಬೇಕು dati ಅವರು ಯಾವುದೇ ಮಟ್ಟದ ನಮ್ಯತೆಯನ್ನು ಅನುಮತಿಸಿದರೆ. ಆದ್ದರಿಂದ ಕಾರ್ಯಾಚರಣೆಯ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಆಡಿಯೊ ಅಪ್ಲಿಕೇಶನ್ ವಿನ್ಯಾಸ ವಿಷಯದಂತಹ ಅಲ್ಪಾವಧಿಯ ಹಾರಿಜಾನ್ ಅನ್ನು ಹೊಂದಿರುತ್ತವೆ.
DW ನಲ್ಲಿ 'ಸಮಯ ವ್ಯತ್ಯಾಸ' ಕಾಣಿಸಿಕೊಳ್ಳುವ ಎರಡನೆಯ ಮಾರ್ಗವು ಪ್ರಮುಖ ರಚನೆಯಲ್ಲಿದೆ. DW ನಲ್ಲಿನ ಪ್ರತಿಯೊಂದು ಪ್ರಮುಖ ರಚನೆಯು ಸೂಚ್ಯವಾಗಿ ಅಥವಾ ಸ್ಪಷ್ಟವಾಗಿ, ದಿನ, ವಾರ, ತಿಂಗಳು, ಇತ್ಯಾದಿಗಳಂತಹ ಸಮಯದ ಅಂಶವನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. DW ನಲ್ಲಿ ಕಂಡುಬರುವ ಸಂಯೋಜಿತ ಕೀಲಿಯ ಕೆಳಭಾಗದಲ್ಲಿ ಸಮಯದ ಅಂಶವು ಯಾವಾಗಲೂ ಇರುತ್ತದೆ. ಈ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಸಮಯದ ಅಂಶವು ಸೂಚ್ಯವಾಗಿ ಅಸ್ತಿತ್ವದಲ್ಲಿರುತ್ತದೆ, ಉದಾಹರಣೆಗೆ ತಿಂಗಳು ಅಥವಾ ತ್ರೈಮಾಸಿಕದ ಕೊನೆಯಲ್ಲಿ ಸಂಪೂರ್ಣ ಫೈಲ್ ನಕಲು ಮಾಡಲಾದ ಸಂದರ್ಭ.
ಸಮಯದ ವ್ಯತ್ಯಾಸವನ್ನು ಪ್ರದರ್ಶಿಸುವ ಮೂರನೇ ಮಾರ್ಗವೆಂದರೆ i dati DW ನ, ಸರಿಯಾಗಿ ನೋಂದಾಯಿಸಿದ ನಂತರ, ನವೀಕರಿಸಲಾಗುವುದಿಲ್ಲ. ದಿ dati DW ನ ಎಲ್ಲಾ ಪ್ರಾಯೋಗಿಕ ಉದ್ದೇಶಗಳಿಗಾಗಿ, ಸ್ನ್ಯಾಪ್‌ಶಾಟ್‌ಗಳ ದೀರ್ಘ ಸರಣಿಯಾಗಿದೆ. ಸಹಜವಾಗಿ ಸ್ನ್ಯಾಪ್‌ಶಾಟ್‌ಗಳನ್ನು ತಪ್ಪಾಗಿ ತೆಗೆದುಕೊಂಡಿದ್ದರೆ, ಸ್ನ್ಯಾಪ್‌ಶಾಟ್‌ಗಳನ್ನು ಮಾರ್ಪಡಿಸಬಹುದು. ಆದರೆ ಸ್ನ್ಯಾಪ್‌ಶಾಟ್‌ಗಳನ್ನು ಸರಿಯಾಗಿ ತೆಗೆದುಕೊಳ್ಳಲಾಗಿದೆ ಎಂದು ಭಾವಿಸಿದರೆ, ಅವುಗಳನ್ನು ತೆಗೆದುಕೊಂಡ ತಕ್ಷಣ ಅವುಗಳನ್ನು ಮಾರ್ಪಡಿಸಲಾಗುವುದಿಲ್ಲ. ಕೆಲವರಲ್ಲಿ

ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ DW ನಲ್ಲಿನ ಸ್ನ್ಯಾಪ್‌ಶಾಟ್‌ಗಳನ್ನು ಮಾರ್ಪಡಿಸಲು ಇದು ಅನೈತಿಕ ಅಥವಾ ಅಮಾನ್ಯವಾಗಿರಬಹುದು. ದಿ dati ಕಾರ್ಯಾಚರಣೆಯ, ಪ್ರವೇಶದ ಕ್ಷಣದಲ್ಲಿ ನಿಖರವಾಗಿರುವುದರಿಂದ, ಅಗತ್ಯವಿದ್ದಲ್ಲಿ ಅವುಗಳನ್ನು ನವೀಕರಿಸಬಹುದು.

ಅಸ್ಥಿರವಲ್ಲದ

DW ಯ ನಾಲ್ಕನೇ ಪ್ರಮುಖ ಲಕ್ಷಣವೆಂದರೆ ಅದು ಬಾಷ್ಪಶೀಲವಲ್ಲ.
ನವೀಕರಣಗಳು, ಅಳವಡಿಕೆಗಳು, ಅಳಿಸುವಿಕೆಗಳು ಮತ್ತು ಮಾರ್ಪಾಡುಗಳನ್ನು ರೆಕಾರ್ಡ್-ಬೈ-ರೆಕಾರ್ಡ್ ಆಧಾರದ ಮೇಲೆ ಕಾರ್ಯಾಚರಣೆಯ ಪರಿಸರಕ್ಕೆ ನಿಯಮಿತವಾಗಿ ಮಾಡಲಾಗುತ್ತದೆ. ಆದರೆ ಮೂಲಭೂತ ಕುಶಲತೆ dati DW ನಲ್ಲಿ ಬೇಕಾಗಿರುವುದು ಹೆಚ್ಚು ಸರಳವಾಗಿದೆ. DW ನಲ್ಲಿ ಕೇವಲ ಎರಡು ರೀತಿಯ ಕಾರ್ಯಾಚರಣೆಗಳು ಸಂಭವಿಸುತ್ತವೆ - ಆರಂಭಿಕ ಲೋಡಿಂಗ್ dati ಮತ್ತು ಪ್ರವೇಶ dati. ನ ಯಾವುದೇ ನವೀಕರಣವಿಲ್ಲ dati (ನವೀಕರಿಸುವ ಸಾಮಾನ್ಯ ಅರ್ಥದಲ್ಲಿ) DW ನಲ್ಲಿ ಸಾಮಾನ್ಯ ಸಂಸ್ಕರಣಾ ಕಾರ್ಯಾಚರಣೆಯಾಗಿ. ಕಾರ್ಯಾಚರಣೆಯ ಸಂಸ್ಕರಣೆ ಮತ್ತು DW ಸಂಸ್ಕರಣೆಯ ನಡುವಿನ ಈ ಮೂಲಭೂತ ವ್ಯತ್ಯಾಸದ ಕೆಲವು ಅತ್ಯಂತ ಶಕ್ತಿಯುತ ಪರಿಣಾಮಗಳಿವೆ. ವಿನ್ಯಾಸ ಮಟ್ಟದಲ್ಲಿ, ಅಸಂಗತ ನವೀಕರಣದ ಬಗ್ಗೆ ಜಾಗರೂಕರಾಗಿರಬೇಕು ಎಂಬುದು DW ಯಲ್ಲಿನ ಅಂಶವಲ್ಲ, ಏಕೆಂದರೆ ನವೀಕರಣ dati ಕೈಗೊಳ್ಳಲಾಗಿಲ್ಲ. ಇದರರ್ಥ ಭೌತಿಕ ವಿನ್ಯಾಸ ಮಟ್ಟದಲ್ಲಿ, ಪ್ರವೇಶವನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸಲು ಸ್ವಾತಂತ್ರ್ಯವನ್ನು ತೆಗೆದುಕೊಳ್ಳಬಹುದು dati, ನಿರ್ದಿಷ್ಟವಾಗಿ ಭೌತಿಕ ಸಾಮಾನ್ಯೀಕರಣ ಮತ್ತು ಅಮಾನ್ಯೀಕರಣದ ವಿಷಯಗಳೊಂದಿಗೆ ವ್ಯವಹರಿಸುವಾಗ. DW ಕಾರ್ಯಾಚರಣೆಗಳ ಸರಳತೆಯ ಮತ್ತೊಂದು ಪರಿಣಾಮವೆಂದರೆ DW ಪರಿಸರವನ್ನು ಚಲಾಯಿಸಲು ಬಳಸುವ ಆಧಾರವಾಗಿರುವ ತಂತ್ರಜ್ಞಾನ. ಇನ್‌ಲೈನ್ ರೆಕಾರ್ಡ್-ಬೈ-ರೆಕಾರ್ಡ್ ಅಪ್‌ಡೇಟ್‌ಗಳನ್ನು ಬೆಂಬಲಿಸಲು (ಕಾರ್ಯನಿರ್ವಹಣೆಯ ಸಂಸ್ಕರಣೆಯಂತೆಯೇ) ತಂತ್ರಜ್ಞಾನವು ಸ್ಪಷ್ಟವಾದ ಸರಳತೆಯ ಅಡಿಯಲ್ಲಿ ಬಹಳ ಸಂಕೀರ್ಣವಾದ ಅಡಿಪಾಯವನ್ನು ಹೊಂದಿರಬೇಕು.
ಬ್ಯಾಕಪ್ ಮತ್ತು ಚೇತರಿಕೆ, ವಹಿವಾಟುಗಳು ಮತ್ತು ಸಮಗ್ರತೆಯನ್ನು ಬೆಂಬಲಿಸುವ ತಂತ್ರಜ್ಞಾನ dati ಮತ್ತು ಡೆಡ್‌ಲಾಕ್ ಸ್ಥಿತಿಯ ಪತ್ತೆ ಮತ್ತು ಪರಿಹಾರವು ಸಾಕಷ್ಟು ಸಂಕೀರ್ಣವಾಗಿದೆ ಮತ್ತು DW ಪ್ರಕ್ರಿಯೆಗೆ ಅಗತ್ಯವಿಲ್ಲ. DW ನ ಗುಣಲಕ್ಷಣಗಳು, ವಿನ್ಯಾಸ ದೃಷ್ಟಿಕೋನ, ಏಕೀಕರಣ dati DW ಒಳಗೆ, ಸಮಯದ ವ್ಯತ್ಯಾಸ ಮತ್ತು ನಿರ್ವಹಣೆಯ ಸರಳತೆ dati, ಇದು ಎಲ್ಲಾ ಕ್ಲಾಸಿಕ್ ಆಪರೇಟಿಂಗ್ ಪರಿಸರದಿಂದ ತುಂಬಾ ವಿಭಿನ್ನವಾದ ಪರಿಸರಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ. ಬಹುತೇಕ ಎಲ್ಲದರ ಮೂಲ dati DW ಯ ಕಾರ್ಯ ಪರಿಸರ. ಬೃಹತ್ ಪುನರಾವರ್ತನೆ ಇದೆ ಎಂದು ಯೋಚಿಸುವುದು ಪ್ರಲೋಭನಗೊಳಿಸುತ್ತದೆ dati ಎರಡು ಪರಿಸರಗಳ ನಡುವೆ.
ವಾಸ್ತವವಾಗಿ, ಅನೇಕ ಜನರು ಹೊಂದಿರುವ ಮೊದಲ ಅನಿಸಿಕೆ ದೊಡ್ಡ ಪುನರಾವರ್ತನೆಯಾಗಿದೆ dati ಕಾರ್ಯ ಪರಿಸರ ಮತ್ತು ಪರಿಸರದ ನಡುವೆ

DW. ಅಂತಹ ವ್ಯಾಖ್ಯಾನವು ಮೇಲ್ನೋಟಕ್ಕೆ ಮತ್ತು DW ನಲ್ಲಿ ಏನಾಗುತ್ತದೆ ಎಂಬುದರ ತಿಳುವಳಿಕೆಯ ಕೊರತೆಯನ್ನು ತೋರಿಸುತ್ತದೆ.
ವಾಸ್ತವವಾಗಿ ಕನಿಷ್ಠ ಪುನರಾವರ್ತನೆ ಇದೆ dati ಕಾರ್ಯ ಪರಿಸರ ಮತ್ತು i ನಡುವೆ dati DW ನ. ಕೆಳಗಿನವುಗಳನ್ನು ಪರಿಗಣಿಸಿ: I dati ಅವುಗಳನ್ನು ಫಿಲ್ಟರ್ ಮಾಡಲಾಗುತ್ತದೆ ನೀಡಿದ ಆಪರೇಟಿಂಗ್ ಪರಿಸರದಿಂದ DW ಪರಿಸರಕ್ಕೆ ಬದಲಾಯಿಸುವುದು. ಅನೇಕ dati ಅವರು ಕಾರ್ಯ ಪರಿಸರದ ಹೊರಗೆ ಎಂದಿಗೂ ಹಾದುಹೋಗುವುದಿಲ್ಲ. ಅದನ್ನು ಹೊರತುಪಡಿಸಿ ಐ dati ಡಿಎಸ್ಎಸ್ ಪ್ರಕ್ರಿಯೆಗೆ ಅಗತ್ಯವಿರುವ ಪರಿಸರದಲ್ಲಿ ಅವುಗಳ ದಿಕ್ಕನ್ನು ಕಂಡುಕೊಳ್ಳಿ

▪ ಸಮಯದ ಹಾರಿಜಾನ್ dati ಇದು ಒಂದು ಪರಿಸರದಿಂದ ಇನ್ನೊಂದಕ್ಕೆ ತುಂಬಾ ವಿಭಿನ್ನವಾಗಿದೆ. ದಿ dati ಕಾರ್ಯಾಚರಣೆಯ ವಾತಾವರಣದಲ್ಲಿ ಅವು ತುಂಬಾ ತಾಜಾವಾಗಿವೆ. ದಿ dati DW ನಲ್ಲಿ ಅವರು ಹೆಚ್ಚು ಹಳೆಯವರು. ಸಮಯದ ಹಾರಿಜಾನ್ ದೃಷ್ಟಿಕೋನದಿಂದ ಮಾತ್ರ, ಕಾರ್ಯಾಚರಣೆಯ ಪರಿಸರ ಮತ್ತು DW ನಡುವೆ ಅತಿ ಕಡಿಮೆ ಅತಿಕ್ರಮಣವಿದೆ.

▪ DW ಒಳಗೊಂಡಿದೆ dati ಪರಿಸರದಲ್ಲಿ ಎಂದಿಗೂ ಕಂಡುಬರದ ಸಾರಾಂಶ

▪ I dati ಅವರು ಚಿತ್ರ 3 ಗೆ ಪರಿವರ್ತನೆಯಾಗುವಂತೆ ಮೂಲಭೂತ ರೂಪಾಂತರಕ್ಕೆ ಒಳಗಾಗುತ್ತಾರೆ ಎಂದು ಹೆಚ್ಚಿನದನ್ನು ವಿವರಿಸುತ್ತದೆ dati ಅವುಗಳನ್ನು ಆಯ್ಕೆಮಾಡಿದ ಮತ್ತು DW ಗೆ ಸ್ಥಳಾಂತರಿಸಿದರೆ ಗಣನೀಯವಾಗಿ ಮಾರ್ಪಡಿಸಲಾಗಿದೆ. ಇನ್ನೊಂದು ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಹೆಚ್ಚಿನವು dati DW ಗೆ ಸರಿಸಿದಾಗ ಅದು ಭೌತಿಕವಾಗಿ ಮತ್ತು ಆಮೂಲಾಗ್ರವಾಗಿ ಬದಲಾಗುತ್ತದೆ. ಏಕೀಕರಣದ ದೃಷ್ಟಿಕೋನದಿಂದ ಅವು ಒಂದೇ ಆಗಿರುವುದಿಲ್ಲ dati ಅದು ಕಾರ್ಯಾಚರಣಾ ಪರಿಸರದಲ್ಲಿ ವಾಸಿಸುತ್ತದೆ. ಈ ಅಂಶಗಳ ಬೆಳಕಿನಲ್ಲಿ, ಪುನರುಕ್ತಿ dati ಎರಡು ಪರಿಸರಗಳ ನಡುವೆ ಅಪರೂಪದ ಘಟನೆಯಾಗಿದೆ, ಇದು ಎರಡು ಪರಿಸರಗಳ ನಡುವೆ 1% ಕ್ಕಿಂತ ಕಡಿಮೆ ಪುನರಾವರ್ತನೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ. ವೇರ್ಹೌಸ್ನ ರಚನೆ DW ಗಳು ವಿಶಿಷ್ಟವಾದ ರಚನೆಯನ್ನು ಹೊಂದಿವೆ. DW ಗಳನ್ನು ಗುರುತಿಸುವ ವಿವಿಧ ಹಂತದ ಸಾರಾಂಶ ಮತ್ತು ವಿವರಗಳಿವೆ.
DW ನ ವಿವಿಧ ಘಟಕಗಳು:

• ಮೆಟಾಡೇಟಾ
• Dati ಪ್ರಸ್ತುತ ವಿವರಗಳು
• Dati ಹಳೆಯ ವಿವರಗಳು
• Dati ಸ್ವಲ್ಪ ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸಲಾಗಿದೆ
• Dati ಹೆಚ್ಚು ಸಾರಾಂಶವಾಗಿದೆ

ಇಲ್ಲಿಯವರೆಗೆ ಮುಖ್ಯ ಕಾಳಜಿಯು ಆಗಿದೆ dati ಪ್ರಸ್ತುತ ವಿವರಗಳು. ಇದು ಮುಖ್ಯ ಕಾಳಜಿ ಏಕೆಂದರೆ:

• I dati ಪ್ರಸ್ತುತ ವಿವರಗಳು ಇತ್ತೀಚಿನ ಘಟನೆಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತವೆ, ಅವುಗಳು ಯಾವಾಗಲೂ ಹೆಚ್ಚಿನ ಆಸಕ್ತಿಯನ್ನು ಹೊಂದಿವೆ ಮತ್ತು
• i dati ಪ್ರಸ್ತುತ ವಿವರವು ದೊಡ್ಡದಾಗಿದೆ ಏಕೆಂದರೆ ಇದು ಕಡಿಮೆ ಮಟ್ಟದ ಗ್ರ್ಯಾನ್ಯುಲಾರಿಟಿಯಲ್ಲಿ ಸಂಗ್ರಹಿಸಲ್ಪಟ್ಟಿದೆ ಮತ್ತು
• i dati ಪ್ರಸ್ತುತ ವಿವರಗಳನ್ನು ಯಾವಾಗಲೂ ಡಿಸ್ಕ್ ಮೆಮೊರಿಯಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ, ಇದು ತ್ವರಿತವಾಗಿ ಪ್ರವೇಶಿಸಲು, ಆದರೆ ದುಬಾರಿ ಮತ್ತು ಬಳಸಲು ಸಂಕೀರ್ಣವಾಗಿದೆ dati ವಿವರವಾಗಿ ಅವರು ಹಳೆಯವರು dati ಕೆಲವು ಮೆಮೊರಿಯಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ ಸಾಮೂಹಿಕ. ಇದನ್ನು ಸಾಂದರ್ಭಿಕವಾಗಿ ಪ್ರವೇಶಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಹೊಂದಿಕೆಯಾಗುವ ವಿವರಗಳ ಮಟ್ಟದಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ dati ಪ್ರಸ್ತುತ ವಿವರಗಳು. ಒಂದು ಪರ್ಯಾಯ ಶೇಖರಣಾ ಮಾಧ್ಯಮದಲ್ಲಿ ಶೇಖರಿಸಿಡಲು ಇದು ಕಡ್ಡಾಯವಲ್ಲದಿದ್ದರೂ, ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿರುವುದರಿಂದ dati ವಿರಳ ಪ್ರವೇಶದೊಂದಿಗೆ ಸಂಯೋಜಿಸಲಾಗಿದೆ dati, ಮೆಮೊರಿ ಬೆಂಬಲ dati ಹಳೆಯ ವಿವರವಾದ ಡೇಟಾವನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಡಿಸ್ಕ್ನಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗುವುದಿಲ್ಲ. ದಿ dati ಸ್ವಲ್ಪ ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸಲಾಗಿದೆ dati ಕಡಿಮೆ ಮಟ್ಟದ ವಿವರದಿಂದ ಪ್ರಸ್ತುತ ಮಟ್ಟದ ವಿವರಗಳಿಗೆ ಬಟ್ಟಿ ಇಳಿಸಲಾಗುತ್ತದೆ. DW ನ ಈ ಮಟ್ಟವನ್ನು ಯಾವಾಗಲೂ ಡಿಸ್ಕ್ ಸಂಗ್ರಹಣೆಯಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ. ವಾಸ್ತುಶಿಲ್ಪಿ ಎದುರಿಸುತ್ತಿರುವ ವಿನ್ಯಾಸ ಸಮಸ್ಯೆಗಳು dati DW ನ ಈ ಹಂತದ ನಿರ್ಮಾಣದಲ್ಲಿ:

• ಸಮಯದ ಯಾವ ಘಟಕವು ಮೇಲೆ ಮಾಡಿದ ಸಾರಾಂಶವಾಗಿದೆ
• ಯಾವ ವಿಷಯ, ಗುಣಲಕ್ಷಣಗಳು ವಿಷಯವನ್ನು ಸ್ವಲ್ಪಮಟ್ಟಿಗೆ ಸಾರಾಂಶಗೊಳಿಸುತ್ತದೆ dati ಮುಂದಿನ ಹಂತ dati DW ನಲ್ಲಿ ಕಂಡುಬರುವದು dati ಹೆಚ್ಚು ಸಾರಾಂಶವಾಗಿದೆ. ದಿ dati ಹೆಚ್ಚು ಸಾರಾಂಶವನ್ನು ಕಾಂಪ್ಯಾಕ್ಟ್ ಮತ್ತು ಸುಲಭವಾಗಿ ಪ್ರವೇಶಿಸಬಹುದು. ದಿ dati ಹೆಚ್ಚು ಸಾರಾಂಶವು ಕೆಲವೊಮ್ಮೆ DW ಪರಿಸರದಲ್ಲಿ ಕಂಡುಬರುತ್ತದೆ ಮತ್ತು ಇತರ ಸಂದರ್ಭಗಳಲ್ಲಿ i dati DW ಅನ್ನು ಹೊಂದಿರುವ ತಂತ್ರಜ್ಞಾನದ ತಕ್ಷಣದ ಗೋಡೆಗಳ ಹೊರಗೆ ಹೆಚ್ಚು ಸಾರಾಂಶವಾಗಿದೆ. (ಯಾವುದೇ ಸಂದರ್ಭದಲ್ಲಿ, i dati ಹೆಚ್ಚು ಸಾರಾಂಶವು ಡಿಡಬ್ಲ್ಯೂನ ಭಾಗವಾಗಿದೆ ಎಂಬುದನ್ನು ಲೆಕ್ಕಿಸದೆಯೇ i dati ಭೌತಿಕವಾಗಿ ಇರಿಸಲಾಗಿದೆ). DW ನ ಅಂತಿಮ ಅಂಶವೆಂದರೆ ಮೆಟಾಡೇಟಾ. ಅನೇಕ ವಿಷಯಗಳಲ್ಲಿ ಮೆಟಾಡೇಟಾವು ಇತರರಿಗಿಂತ ವಿಭಿನ್ನ ಆಯಾಮದಲ್ಲಿ ಇರುತ್ತದೆ dati DW ನ, ಏಕೆಂದರೆ ಮೆಟಾಡೇಟಾ ಯಾವುದನ್ನೂ ಹೊಂದಿರುವುದಿಲ್ಲ ನೀಡಿದ ಆಪರೇಟಿಂಗ್ ಪರಿಸರದಿಂದ ನೇರವಾಗಿ ತೆಗೆದುಕೊಳ್ಳಲಾಗಿದೆ. DW ನಲ್ಲಿ ಮೆಟಾಡೇಟಾ ವಿಶೇಷ ಮತ್ತು ಪ್ರಮುಖ ಪಾತ್ರವನ್ನು ಹೊಂದಿದೆ. ಮೆಟಾಡೇಟಾವನ್ನು ಹೀಗೆ ಬಳಸಲಾಗುತ್ತದೆ:

• DW ಯ ವಿಷಯಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು DSS ವಿಶ್ಲೇಷಕರಿಗೆ ಸಹಾಯ ಮಾಡುವ ಡೈರೆಕ್ಟರಿ,
• ಮ್ಯಾಪಿಂಗ್ ಮಾಡಲು ಮಾರ್ಗದರ್ಶಿ dati ನಾನು ಹೇಗೆ dati ಕಾರ್ಯಾಚರಣೆಯ ಪರಿಸರದಿಂದ DW ಪರಿಸರಕ್ಕೆ ರೂಪಾಂತರಗೊಂಡಿದೆ,
• ನಡುವಿನ ಸಾರಾಂಶಕ್ಕಾಗಿ ಬಳಸುವ ಅಲ್ಗಾರಿದಮ್‌ಗಳಿಗೆ ಮಾರ್ಗದರ್ಶಿ dati ಪ್ರಸ್ತುತ ವಿವರಗಳು ei dati ಸ್ವಲ್ಪ ಸಂಕ್ಷಿಪ್ತವಾಗಿ, i dati ಹೆಚ್ಚು ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಹೇಳುವುದಾದರೆ, ಮೆಟಾಡೇಟಾವು ಡಿಡಬ್ಲ್ಯೂ ಪರಿಸರದಲ್ಲಿ ಕಾರ್ಯಾಚರಣೆಯ ಪರಿಸರದಲ್ಲಿ ಹಿಂದೆಂದಿಗಿಂತಲೂ ಹೆಚ್ಚಿನ ಪಾತ್ರವನ್ನು ವಹಿಸುತ್ತದೆ ಹಳೆಯ ವಿವರ ಸಂಗ್ರಹಣಾ ಮಾಧ್ಯಮ ಅಂತಹ ವಸ್ತುಗಳನ್ನು ಸಂಗ್ರಹಿಸಲು ಮ್ಯಾಗ್ನೆಟಿಕ್ ಟೇಪ್ ಅನ್ನು ಬಳಸಬಹುದು dati. ವಾಸ್ತವವಾಗಿ ಹಳೆಯ ಶೇಖರಣೆಗಾಗಿ ಪರಿಗಣಿಸಬೇಕಾದ ವಿವಿಧ ರೀತಿಯ ಶೇಖರಣಾ ಮಾಧ್ಯಮವಿದೆ dati ವಿವರಗಳ. ಪರಿಮಾಣವನ್ನು ಅವಲಂಬಿಸಿ dati, ಪ್ರವೇಶದ ಆವರ್ತನ, ಪರಿಕರಗಳ ವೆಚ್ಚ ಮತ್ತು ಪ್ರವೇಶದ ಪ್ರಕಾರ, ಇತರ ಸಾಧನಗಳಿಗೆ DW ನಲ್ಲಿನ ಹಳೆಯ ಮಟ್ಟದ ವಿವರಗಳು ಬೇಕಾಗುವ ಸಾಧ್ಯತೆಯಿದೆ. ಡೇಟಾದ ಹರಿವು ಸಾಮಾನ್ಯ ಮತ್ತು ಊಹಿಸಬಹುದಾದ ಹರಿವು ಇದೆ dati DW ಒಳಗೆ.
  I dati ಅವರು ಆಪರೇಟಿಂಗ್ ಪರಿಸರದಿಂದ DW ಅನ್ನು ಪ್ರವೇಶಿಸುತ್ತಾರೆ. (ಗಮನಿಸಿ: ಈ ನಿಯಮಕ್ಕೆ ಕೆಲವು ಕುತೂಹಲಕಾರಿ ವಿನಾಯಿತಿಗಳಿವೆ. ಆದಾಗ್ಯೂ, ಬಹುತೇಕ ಎಲ್ಲಾ dati ಆಪರೇಟಿಂಗ್ ಪರಿಸರದಿಂದ DW ಅನ್ನು ನಮೂದಿಸಿ). ದಿನಾಂಕ ನಾನು dati ಆಪರೇಟಿಂಗ್ ಪರಿಸರದಿಂದ DW ಅನ್ನು ನಮೂದಿಸಿ, ಅದು ಮೊದಲು ವಿವರಿಸಿದಂತೆ ರೂಪಾಂತರಗೊಳ್ಳುತ್ತದೆ. DW ಅನ್ನು ಪ್ರವೇಶಿಸುವ ಷರತ್ತಿನ ಮೇಲೆ, i dati ತೋರಿಸಿರುವಂತೆ ಪ್ರಸ್ತುತ ಮಟ್ಟದ ವಿವರವನ್ನು ನಮೂದಿಸಿ. ಇದು ಅಲ್ಲಿ ವಾಸಿಸುತ್ತದೆ ಮತ್ತು ಮೂರು ಘಟನೆಗಳಲ್ಲಿ ಒಂದು ಸಂಭವಿಸುವವರೆಗೆ ಬಳಸಲಾಗುತ್ತದೆ:

• ಶುದ್ಧೀಕರಿಸಲಾಗಿದೆ,
• ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸಲಾಗಿದೆ, ಮತ್ತು/ಅಥವಾ ▪è DW ಒಳಗೆ ಬಳಕೆಯಲ್ಲಿಲ್ಲದ ಪ್ರಕ್ರಿಯೆಯು ಚಲಿಸುತ್ತದೆ i dati ಪ್ರಸ್ತುತ ವಿವರಗಳು a dati ಹಳೆಯ ವಿವರಗಳು, ವಯಸ್ಸಿನ ಆಧಾರದ ಮೇಲೆ dati. ಪ್ರಕ್ರಿಯೆ

ಸಾರಾಂಶವು ವಿವರವನ್ನು ಬಳಸುತ್ತದೆ dati ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು i dati ಸ್ವಲ್ಪ ಸಾರಾಂಶ ಮತ್ತು ಹೆಚ್ಚು ಸಾರಾಂಶದ ಮಟ್ಟಗಳು dati. ತೋರಿಸಲಾದ ಹರಿವಿಗೆ ಕೆಲವು ವಿನಾಯಿತಿಗಳಿವೆ (ನಂತರ ಚರ್ಚಿಸಲಾಗುವುದು). ಆದಾಗ್ಯೂ, ಸಾಮಾನ್ಯವಾಗಿ, ಬಹುಪಾಲು dati ಒಂದು DW ಒಳಗೆ ಕಂಡುಬರುತ್ತದೆ, ನ ಹರಿವು dati ಇದು ಚಿತ್ರಿಸಲಾಗಿದೆ.

ಡೇಟಾವೇರ್‌ಹೌಸ್ ಅನ್ನು ಬಳಸುವುದು

ವಿವಿಧ ಹಂತಗಳಲ್ಲಿ ಆಶ್ಚರ್ಯವೇನಿಲ್ಲ dati DW ಒಳಗೆ ಅವರು ವಿವಿಧ ಹಂತದ ಬಳಕೆಯನ್ನು ಸ್ವೀಕರಿಸುವುದಿಲ್ಲ. ನಿಯಮದಂತೆ, ಹೆಚ್ಚಿನ ಮಟ್ಟದ ಸಾರಾಂಶ, ಹೆಚ್ಚು i dati ಅವುಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ.
ಅನೇಕ ಉಪಯೋಗಗಳು ಸಂಭವಿಸುತ್ತವೆ dati ಹೆಚ್ಚು ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸಲಾಗಿದೆ, ಆದರೆ ಹಳೆಯವುಗಳು dati ವಿವರಗಳನ್ನು ಬಹುತೇಕ ಎಂದಿಗೂ ಬಳಸಲಾಗುವುದಿಲ್ಲ. ಸಂಸ್ಥೆಯನ್ನು ಸಂಪನ್ಮೂಲ ಬಳಕೆ ಮಾದರಿಗೆ ಸರಿಸಲು ಉತ್ತಮ ಕಾರಣವಿದೆ. ಹೆಚ್ಚು ಸಂಕ್ಷಿಪ್ತವಾಗಿ i dati, ಇದು ವೇಗವಾಗಿ ಮತ್ತು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿರುತ್ತದೆ dati. ಒಂದು ವೇಳೆ ಅಂಗಡಿ ಇದು DW ನ ವಿವರ ಮಟ್ಟದಲ್ಲಿ ಅನೇಕ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಮಾಡುತ್ತದೆ ಎಂದು ಕಂಡುಕೊಳ್ಳುತ್ತದೆ, ನಂತರ ಅನುಗುಣವಾದ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಯಂತ್ರ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಸೇವಿಸಲಾಗುತ್ತದೆ. ಸಾಧ್ಯವಾದಷ್ಟು ಬೇಗ ಉನ್ನತ ಮಟ್ಟದ ಸಾರಾಂಶವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಪ್ರತಿಯೊಬ್ಬರ ಹಿತದೃಷ್ಟಿಯಿಂದ ಇದು ಉತ್ತಮವಾಗಿದೆ.

ಅನೇಕ ಅಂಗಡಿಗಳಿಗೆ, ಪೂರ್ವ-DW ಪರಿಸರದಲ್ಲಿ DSS ವಿಶ್ಲೇಷಕರು ಬಳಸಿದ್ದಾರೆ dati ವಿವರ ಮಟ್ಟದಲ್ಲಿ. ಅನೇಕ ವಿಷಯಗಳಲ್ಲಿ ಆಗಮನ dati ವಿವರವಾದ ಸಾರಾಂಶವು ಸುರಕ್ಷತಾ ಹೊದಿಕೆಯನ್ನು ಹೋಲುತ್ತದೆ, ಸಾರಾಂಶದ ಇತರ ಹಂತಗಳು ಲಭ್ಯವಿದ್ದರೂ ಸಹ. ವಾಸ್ತುಶಿಲ್ಪಿ ಚಟುವಟಿಕೆಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ dati DSS ಬಳಕೆದಾರರನ್ನು ನಿರಂತರ ಬಳಕೆಯಿಂದ ದೂರವಿಡುವುದು dati ವಿವರಗಳ ಕಡಿಮೆ ಮಟ್ಟದಲ್ಲಿ. ವಾಸ್ತುಶಿಲ್ಪಿಗೆ ಎರಡು ಪ್ರೇರಣೆಗಳು ಲಭ್ಯವಿವೆ dati:

• ಚಾರ್ಜ್‌ಬ್ಯಾಕ್ ವ್ಯವಸ್ಥೆಯನ್ನು ಸ್ಥಾಪಿಸುವ ಮೂಲಕ, ಅಲ್ಲಿ ಅಂತಿಮ ಬಳಕೆದಾರರು ಸೇವಿಸಿದ ಸಂಪನ್ಮೂಲಗಳಿಗೆ ಪಾವತಿಸುತ್ತಾರೆ ಮತ್ತು
• i ನೊಂದಿಗಿನ ನಡವಳಿಕೆಯು ಉತ್ತಮ ಪ್ರತಿಕ್ರಿಯೆ ಸಮಯವನ್ನು ಸಾಧಿಸಬಹುದು ಎಂದು ಸೂಚಿಸುತ್ತದೆ dati ಇದು ಹೆಚ್ಚಿನ ಮಟ್ಟದ ಸಾರಾಂಶದಲ್ಲಿದೆ, ಆದರೆ ಕಳಪೆ ಪ್ರತಿಕ್ರಿಯೆ ಸಮಯವು ನ ನಡವಳಿಕೆಯಿಂದ ಬರುತ್ತದೆ dati ಕಡಿಮೆ ಮಟ್ಟದಲ್ಲಿ ಇತರ ಸಮಾಲೋಚನೆಗಳು ಕೆಲವು ಇತರ DW ನಿರ್ಮಾಣ ಮತ್ತು ನಿರ್ವಹಣೆ ಪರಿಗಣನೆಗಳು ಇವೆ.
  ಮೊದಲ ಪರಿಗಣನೆಯು ಸೂಚ್ಯಂಕಗಳು. ದಿ dati ಹೆಚ್ಚಿನ ಮಟ್ಟದ ಸಾರಾಂಶದಲ್ಲಿ ಅವುಗಳನ್ನು ಮುಕ್ತವಾಗಿ ಸೂಚಿಕೆ ಮಾಡಬಹುದು, ಆದರೆ i dati

ಕಡಿಮೆ ಮಟ್ಟದ ವಿವರಗಳಲ್ಲಿ ಅವು ತುಂಬಾ ಬೃಹತ್ ಪ್ರಮಾಣದಲ್ಲಿದ್ದು, ಅವುಗಳನ್ನು ಮಿತವ್ಯಯವಾಗಿ ಸೂಚಿಕೆ ಮಾಡಬಹುದು. ಅದೇ ಟೋಕನ್‌ನಿಂದ, ಐ dati ಹೆಚ್ಚಿನ ಮಟ್ಟದ ವಿವರಗಳಲ್ಲಿ ತುಲನಾತ್ಮಕವಾಗಿ ಸುಲಭವಾಗಿ ಪುನರ್ರಚಿಸಬಹುದು, ಆದರೆ ಪರಿಮಾಣ dati ಕೆಳಮಟ್ಟದಲ್ಲಿ ಅದು ತುಂಬಾ ದೊಡ್ಡದಾಗಿದೆ ಅಂದರೆ i dati ಅವುಗಳನ್ನು ಸುಲಭವಾಗಿ ನವೀಕರಿಸಲಾಗುವುದಿಲ್ಲ. ಪರಿಣಾಮವಾಗಿ, ಮಾದರಿ dati ಮತ್ತು ವಿನ್ಯಾಸದಿಂದ ಮಾಡಿದ ಔಪಚಾರಿಕ ಕೆಲಸವು ಪ್ರಸ್ತುತ ವಿವರಗಳ ಮಟ್ಟದಲ್ಲಿ ಬಹುತೇಕ ಪ್ರತ್ಯೇಕವಾಗಿ ಅನ್ವಯಿಸಲಾದ DW ಗೆ ಅಡಿಪಾಯವನ್ನು ಹಾಕುತ್ತದೆ. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಮಾಡೆಲಿಂಗ್ ಚಟುವಟಿಕೆಗಳು dati ಪ್ರತಿಯೊಂದು ಸಂದರ್ಭದಲ್ಲೂ ಅವು ಸಾರಾಂಶ ಮಟ್ಟಗಳಿಗೆ ಅನ್ವಯಿಸುವುದಿಲ್ಲ. ಮತ್ತೊಂದು ರಚನಾತ್ಮಕ ಪರಿಗಣನೆಯು ಉಪವಿಭಾಗವಾಗಿದೆ dati DW ಮೂಲಕ.

ವಿಭಜನೆಯನ್ನು ಎರಡು ಹಂತಗಳಲ್ಲಿ ಮಾಡಬಹುದು - ಮಟ್ಟದಲ್ಲಿ dbms ಮತ್ತು ಅಪ್ಲಿಕೇಶನ್ ಮಟ್ಟದಲ್ಲಿ. ಮಟ್ಟದಲ್ಲಿ ವಿಭಾಗದಲ್ಲಿ dbmsಅವನು dbms ವಿಭಾಗಗಳ ಬಗ್ಗೆ ತಿಳಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಅದಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಅವುಗಳನ್ನು ನಿಯಂತ್ರಿಸುತ್ತದೆ. ಅಪ್ಲಿಕೇಶನ್ ಮಟ್ಟದಲ್ಲಿ ವಿಭಜನೆಯ ಸಂದರ್ಭದಲ್ಲಿ, ಪ್ರೋಗ್ರಾಮರ್‌ಗೆ ಮಾತ್ರ ವಿಭಾಗಗಳ ಬಗ್ಗೆ ತಿಳಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಅವರ ಆಡಳಿತದ ಜವಾಬ್ದಾರಿಯನ್ನು ಅವನಿಗೆ ಬಿಡಲಾಗುತ್ತದೆ

ಮಟ್ಟದ ಕೆಳಗೆ dbms, ಬಹಳಷ್ಟು ಕೆಲಸವನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಮಾಡಲಾಗುತ್ತದೆ. ವಿಭಾಗಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನಿರ್ವಹಿಸುವುದರೊಂದಿಗೆ ಸಾಕಷ್ಟು ಅಸ್ಥಿರತೆ ಇದೆ. ನ ಅಪ್ಲಿಕೇಶನ್ ಮಟ್ಟದಲ್ಲಿ ವಿಭಾಗಗಳ ಸಂದರ್ಭದಲ್ಲಿ dati ಆಫ್ ಡೇಟಾ ವೇರ್ಹೌಸ್, ಬಹಳಷ್ಟು ಕೆಲಸವು ಪ್ರೋಗ್ರಾಮರ್ ಮೇಲೆ ತೂಗುತ್ತದೆ, ಆದರೆ ಅಂತಿಮ ಫಲಿತಾಂಶವು ಆಡಳಿತದಲ್ಲಿ ನಮ್ಯತೆಯಾಗಿದೆ dati ನೆಲ್ ಡೇಟಾ ವೇರ್ಹೌಸ್

ಇತರ ವೈಪರೀತ್ಯಗಳು

ಘಟಕಗಳ ಸಂದರ್ಭದಲ್ಲಿ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಬಹುತೇಕ ಎಲ್ಲರಿಗೂ ವಿವರಿಸಿದಂತೆ ಅವರು ಕೆಲಸ ಮಾಡುತ್ತಾರೆ dati, ಚರ್ಚಿಸಬೇಕಾದ ಕೆಲವು ಉಪಯುಕ್ತ ವಿನಾಯಿತಿಗಳಿವೆ. ಒಂದು ಅಪವಾದವೆಂದರೆ dati ಸಾರ್ವಜನಿಕ ಸಾರಾಂಶ ಡೇಟಾ. ಇವು dati ನಿಂದ ಲೆಕ್ಕ ಹಾಕಿದ ಸಾರಾಂಶಗಳು ಡೇಟಾ ವೇರ್ಹೌಸ್ ಆದರೆ ಅವುಗಳನ್ನು ಸಮಾಜ ಬಳಸುತ್ತದೆ. ದಿ dati ಸಾರ್ವಜನಿಕ ಸಾರಾಂಶಗಳನ್ನು ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ನಿರ್ವಹಿಸಲಾಗುತ್ತದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್, ಹಿಂದೆ ಹೇಳಿದಂತೆ ಅವುಗಳನ್ನು ಲೆಕ್ಕಹಾಕಲಾಗಿದೆ. ಅಂತಹ ತ್ರೈಮಾಸಿಕವನ್ನು ಉತ್ಪಾದಿಸಲು ಲೆಕ್ಕಪರಿಶೋಧಕರು ಕೆಲಸ ಮಾಡುತ್ತಾರೆ dati ಆದಾಯ, ತ್ರೈಮಾಸಿಕ ವೆಚ್ಚಗಳು, ತ್ರೈಮಾಸಿಕ ಲಾಭ, ಇತ್ಯಾದಿ. ಲೆಕ್ಕಪರಿಶೋಧಕರು ಮಾಡಿದ ಕೆಲಸವು ಬಾಹ್ಯವಾಗಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್. ಆದಾಗ್ಯೂ, ಐ dati ಕಂಪನಿಯೊಳಗೆ "ಆಂತರಿಕವಾಗಿ" ಬಳಸಲಾಗುತ್ತದೆ - ಇಂದ ಮಾರ್ಕೆಟಿಂಗ್, ಮಾರಾಟ, ಇತ್ಯಾದಿ. ಮತ್ತೊಂದು ಅಸಂಗತತೆ, ಅದನ್ನು ಚರ್ಚಿಸಲಾಗುವುದಿಲ್ಲ, ಅದು dati ಬಾಹ್ಯ.

ಮತ್ತೊಂದು ಅಸಾಧಾರಣ ರೀತಿಯ dati a ನಲ್ಲಿ ಕಾಣಬಹುದು ಡೇಟಾ ವೇರ್ಹೌಸ್ ಎಂಬುದು ಶಾಶ್ವತ ವಿವರಗಳ ಡೇಟಾ. ಇವುಗಳು ಶಾಶ್ವತವಾಗಿ ಸಂಗ್ರಹಿಸುವ ಅಗತ್ಯವನ್ನು ಉಂಟುಮಾಡುತ್ತವೆ dati ನೈತಿಕ ಅಥವಾ ಕಾನೂನು ಕಾರಣಗಳಿಗಾಗಿ ವಿವರವಾದ ಮಟ್ಟದಲ್ಲಿ. ಒಂದು ಕಂಪನಿಯು ತನ್ನ ಕಾರ್ಮಿಕರನ್ನು ಅಪಾಯಕಾರಿ ವಸ್ತುಗಳಿಗೆ ಒಡ್ಡುತ್ತಿದ್ದರೆ ಅದರ ಅವಶ್ಯಕತೆಯಿದೆ dati ವಿವರವಾದ ಮತ್ತು ಶಾಶ್ವತ. ಕಂಪನಿಯು ವಿಮಾನದ ಭಾಗಗಳಂತಹ ಸಾರ್ವಜನಿಕ ಸುರಕ್ಷತೆಯನ್ನು ಒಳಗೊಂಡಿರುವ ಉತ್ಪನ್ನವನ್ನು ಉತ್ಪಾದಿಸಿದರೆ, ಅದರ ಅವಶ್ಯಕತೆಯಿದೆ dati ಶಾಶ್ವತ ವಿವರಗಳು, ಹಾಗೆಯೇ ಕಂಪನಿಯು ಅಪಾಯಕಾರಿ ಒಪ್ಪಂದಗಳಿಗೆ ಪ್ರವೇಶಿಸಿದರೆ.

ಮುಂದಿನ ಕೆಲವು ವರ್ಷಗಳಲ್ಲಿ, ಮೊಕದ್ದಮೆ, ಮರುಸ್ಥಾಪನೆ, ವಿವಾದಿತ ನಿರ್ಮಾಣ ದೋಷ ಇತ್ಯಾದಿಗಳ ಸಂದರ್ಭದಲ್ಲಿ ಕಂಪನಿಯು ವಿವರಗಳನ್ನು ಕಡೆಗಣಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ಕಂಪನಿಯ ಮಾನ್ಯತೆ ದೊಡ್ಡದಾಗಿರಬಹುದು. ಪರಿಣಾಮವಾಗಿ, ಒಂದು ವಿಶಿಷ್ಟ ಪ್ರಕಾರವಿದೆ dati ಶಾಶ್ವತ ವಿವರ ಡೇಟಾ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ.

ಸಾರಾಂಶ

Un ಡೇಟಾ ವೇರ್ಹೌಸ್ ವಸ್ತು ಆಧಾರಿತ, ಸಮಗ್ರ, ಸಮಯ ರೂಪಾಂತರ, ಸಂಗ್ರಹವಾಗಿದೆ dati ಆಡಳಿತದ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವ ಅಗತ್ಯಗಳನ್ನು ಬೆಂಬಲಿಸಲು ಅಸ್ಥಿರವಲ್ಲದ. ಪ್ರತಿ ಪ್ರಮುಖ ಕಾರ್ಯಗಳು a ಡೇಟಾ ವೇರ್ಹೌಸ್ ಅದರ ಪರಿಣಾಮಗಳನ್ನು ಹೊಂದಿದೆ. ಜೊತೆಗೆ ನಾಲ್ಕು ಹಂತಗಳಿವೆ dati ಆಫ್ ಡೇಟಾ ವೇರ್ಹೌಸ್:

• ಹಳೆಯ ವಿವರ
• ಪ್ರಸ್ತುತ ವಿವರ
• Dati ಸ್ವಲ್ಪ ಪುನರಾವರ್ತಿತ
• Dati ಹೆಚ್ಚು ಸಾರಾಂಶವಾಗಿರುವ ಮೆಟಾಡೇಟಾ ಕೂಡ ಒಂದು ಪ್ರಮುಖ ಭಾಗವಾಗಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್. ಅಮೂರ್ತ ಸಂಗ್ರಹಣೆಯ ಪರಿಕಲ್ಪನೆ dati ಇದು ಇತ್ತೀಚೆಗೆ ಹೆಚ್ಚಿನ ಗಮನವನ್ನು ಪಡೆದುಕೊಂಡಿದೆ ಮತ್ತು 90 ರ ದಶಕದ ಪ್ರವೃತ್ತಿಯಾಗಿದೆ. ಇದು ಒಂದು ಸಾಮರ್ಥ್ಯದಿಂದಾಗಿ ಡೇಟಾ ವೇರ್ಹೌಸ್ ನಿರ್ಧಾರ ಬೆಂಬಲ ವ್ಯವಸ್ಥೆಗಳು (DSS) ಮತ್ತು ಕಾರ್ಯನಿರ್ವಾಹಕ ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆಗಳು (EIS) ನಂತಹ ನಿರ್ವಹಣಾ ಬೆಂಬಲ ವ್ಯವಸ್ಥೆಗಳ ಮಿತಿಗಳನ್ನು ಜಯಿಸಲು. ಎಂಬ ಪರಿಕಲ್ಪನೆ ಕೂಡ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಭರವಸೆಯನ್ನು ತೋರುತ್ತಿದೆ, i ಕಾರ್ಯಗತಗೊಳಿಸಿ ಡೇಟಾ ವೇರ್ಹೌಸ್ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಉಗ್ರಾಣ ಪ್ರಕ್ರಿಯೆಗಳಿಂದಾಗಿ ಸಮಸ್ಯಾತ್ಮಕವಾಗಬಹುದು. ಉಗ್ರಾಣ ಯೋಜನೆಗಳ ಸಂಕೀರ್ಣತೆಯ ಹೊರತಾಗಿಯೂ dati, ಸ್ಟಾಕ್ ಮಾಡುವ ಅನೇಕ ಪೂರೈಕೆದಾರರು ಮತ್ತು ಸಲಹೆಗಾರರು dati ಶೇಖರಣೆಯಾಗಿದೆ ಎಂದು ಅವರು ಹೇಳುತ್ತಾರೆ dati ಕರೆಂಟ್ ಯಾವುದೇ ಸಮಸ್ಯೆಗಳನ್ನು ಉಂಟುಮಾಡುವುದಿಲ್ಲ. ಆದಾಗ್ಯೂ, ಈ ಸಂಶೋಧನಾ ಯೋಜನೆಯ ಆರಂಭದಲ್ಲಿ, ಯಾವುದೇ ಸ್ವತಂತ್ರ, ಕಠಿಣ ಮತ್ತು ವ್ಯವಸ್ಥಿತ ಸಂಶೋಧನೆಗಳನ್ನು ನಡೆಸಲಾಗಿಲ್ಲ. ಆದ್ದರಿಂದ, ಉದ್ಯಮವನ್ನು ನಿರ್ಮಿಸಿದಾಗ ನಿಜವಾಗಿ ಏನಾಗುತ್ತದೆ ಎಂದು ಹೇಳುವುದು ಕಷ್ಟ ಡೇಟಾ ವೇರ್ಹೌಸ್. ಈ ಅಧ್ಯಯನವು ವೇರ್ಹೌಸಿಂಗ್ ಅಭ್ಯಾಸವನ್ನು ಪರಿಶೋಧಿಸಿದೆ dati ಆಸ್ಟ್ರೇಲಿಯನ್ ಅಭ್ಯಾಸದ ಉತ್ಕೃಷ್ಟ ತಿಳುವಳಿಕೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿರುವ ಸಮಕಾಲೀನರು. ಸಾಹಿತ್ಯ ವಿಮರ್ಶೆಯು ಪ್ರಾಯೋಗಿಕ ಅಧ್ಯಯನಕ್ಕೆ ಸಂದರ್ಭ ಮತ್ತು ಅಡಿಪಾಯವನ್ನು ಒದಗಿಸಿದೆ. ಈ ಸಂಶೋಧನೆಯಿಂದ ಹಲವಾರು ಸಂಶೋಧನೆಗಳಿವೆ. ಮೊದಲನೆಯದಾಗಿ, ಈ ಅಧ್ಯಯನವು ಅಭಿವೃದ್ಧಿಯ ಸಮಯದಲ್ಲಿ ಉದ್ಭವಿಸಿದ ಚಟುವಟಿಕೆಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸಿತು ಡೇಟಾ ವೇರ್ಹೌಸ್. ಅನೇಕ ಪ್ರದೇಶಗಳಲ್ಲಿ, ಐ dati ಸಾಹಿತ್ಯದಲ್ಲಿ ವರದಿ ಮಾಡಲಾದ ಅಭ್ಯಾಸವನ್ನು ದೃಢಪಡಿಸಿದರು. ಎರಡನೆಯದಾಗಿ, ಅಭಿವೃದ್ಧಿಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ಸಮಸ್ಯೆಗಳು ಮತ್ತು ಸಮಸ್ಯೆಗಳು ಡೇಟಾ ವೇರ್ಹೌಸ್ ಈ ಅಧ್ಯಯನದಿಂದ ಗುರುತಿಸಲಾಗಿದೆ. ಅಂತಿಮವಾಗಿ, ಬಳಕೆಗೆ ಸಂಬಂಧಿಸಿದ ಆಸ್ಟ್ರೇಲಿಯನ್ ಸಂಸ್ಥೆಗಳಿಂದ ಪಡೆದ ಪ್ರಯೋಜನಗಳು ಡೇಟಾ ವೇರ್ಹೌಸ್ ಬಹಿರಂಗಗೊಂಡಿವೆ.

ಅಧ್ಯಾಯ 1

ಸಂಶೋಧನಾ ಸಂದರ್ಭ

ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್‌ನ ಪರಿಕಲ್ಪನೆಯು ವ್ಯಾಪಕವಾದ ಮಾನ್ಯತೆ ಪಡೆಯಿತು ಮತ್ತು 90 ರ ದಶಕದಲ್ಲಿ ಉದಯೋನ್ಮುಖ ಪ್ರವೃತ್ತಿಯಾಯಿತು (ಮ್ಯಾಕ್‌ಫ್ಯಾಡೆನ್ 1996, TDWI 1996, ಷಾ ಮತ್ತು ಮಿಲ್‌ಸ್ಟೈನ್ 1997, ಶಾಂಕ್ಸ್ ಮತ್ತು ಇತರರು. 1997, ಎಕರ್ಸನ್ 1998, ಅಡೆಲ್‌ಮನ್ ಮತ್ತು ಓಟ್ಸ್ 2000). ವ್ಯಾಪಾರ ಪ್ರಕಟಣೆಗಳಲ್ಲಿ ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್‌ನಲ್ಲಿ ಹೆಚ್ಚುತ್ತಿರುವ ಲೇಖನಗಳಿಂದ ಇದನ್ನು ಕಾಣಬಹುದು (ಲಿಟಲ್ ಮತ್ತು ಗಿಬ್ಸನ್ 1999). ಅನೇಕ ಲೇಖನಗಳು (ಉದಾಹರಣೆಗೆ, ಫಿಶರ್ 1995, ಹ್ಯಾಕಥಾರ್ನ್ 1995, ಮೋರಿಸ್ 1995a, ಬ್ರಾಂಬ್ಲೆಟ್ ಮತ್ತು ಕಿಂಗ್ 1996, ಗ್ರಹಾಂ ಮತ್ತು ಇತರರು. 1996, ಸಕಗುಚಿ ಮತ್ತು ಫ್ರೊಲಿಕ್ 1996, ಅಲ್ವಾರೆಜ್ 1997, ಬ್ರೌಸೆಲ್ 1997, ಸಿಲಾರ್ಕೆ 1997, ಸಿಲಾರ್ಕೆ 1997. ಇಸವಿ 1997, ಎಡ್ವರ್ಡ್ಸ್ 1998, TDWI 1999) i ಕಾರ್ಯಗತಗೊಳಿಸುವ ಸಂಸ್ಥೆಗಳಿಂದ ಪಡೆದ ಗಮನಾರ್ಹ ಪ್ರಯೋಜನಗಳನ್ನು ವರದಿ ಮಾಡಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್. ಅವರು ತಮ್ಮ ಸಿದ್ಧಾಂತವನ್ನು ಯಶಸ್ವಿ ಅನುಷ್ಠಾನಗಳ ಉಪಾಖ್ಯಾನದ ಪುರಾವೆಗಳೊಂದಿಗೆ ಬೆಂಬಲಿಸಿದರು, ಹೂಡಿಕೆಯ ಮೇಲಿನ ಹೆಚ್ಚಿನ ಲಾಭ (ROI) ಅಂಕಿಅಂಶಗಳು ಮತ್ತು, ಅಭಿವೃದ್ಧಿಗೆ ಮಾರ್ಗಸೂಚಿಗಳು ಅಥವಾ ವಿಧಾನಗಳನ್ನು ಒದಗಿಸುವ ಮೂಲಕ ಡೇಟಾ ವೇರ್ಹೌಸ್

(ಶಾಂಕ್ಸ್ ಮತ್ತು ಇತರರು 1997, ಸೆಡನ್ ಮತ್ತು ಬೆಂಜಮಿನ್ 1998, ಲಿಟಲ್ ಮತ್ತು ಗಿಬ್ಸನ್ 1999). ವಿಪರೀತ ಪ್ರಕರಣದಲ್ಲಿ, ಗ್ರಹಾಂ ಮತ್ತು ಇತರರು. (1996) 401%ನ ಮೂರು ವರ್ಷಗಳ ಹೂಡಿಕೆಯ ಮೇಲೆ ಸರಾಸರಿ ಆದಾಯವನ್ನು ವರದಿ ಮಾಡಿದೆ.

ಆದಾಗ್ಯೂ, ಪ್ರಸ್ತುತ ಸಾಹಿತ್ಯದ ಹೆಚ್ಚಿನ ಭಾಗವು ಅಂತಹ ಯೋಜನೆಗಳನ್ನು ಕೈಗೊಳ್ಳುವಲ್ಲಿ ಒಳಗೊಂಡಿರುವ ಸಂಕೀರ್ಣತೆಗಳನ್ನು ಕಡೆಗಣಿಸಿದೆ. ನ ಯೋಜನೆಗಳು ಡೇಟಾ ವೇರ್ಹೌಸ್ ಅವು ಸಾಮಾನ್ಯವಾಗಿ ಸಂಕೀರ್ಣ ಮತ್ತು ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿರುತ್ತವೆ ಮತ್ತು ಆದ್ದರಿಂದ ಅವುಗಳನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ನಿಯಂತ್ರಿಸದಿದ್ದರೆ ವೈಫಲ್ಯದ ಹೆಚ್ಚಿನ ಸಂಭವನೀಯತೆಯನ್ನು ಹೊಂದಿರುತ್ತವೆ (ಶಾ ಮತ್ತು ಮಿಲ್ಸ್ಟೈನ್ 1997, ಎಕರ್ಸನ್ 1997, ಫೋಲೆ 1997b, ಜಿಮ್ಮರ್ 1997, ಬೋರ್ಟ್ 1998, ಗಿಬ್ಸ್ ಮತ್ತು ಕ್ಲೈಮರ್ 1998, ರಾವ್ 1998). ಅವರಿಗೆ ಅಪಾರ ಪ್ರಮಾಣದ ಮಾನವ ಮತ್ತು ಆರ್ಥಿಕ ಸಂಪನ್ಮೂಲಗಳು ಮತ್ತು ಅವುಗಳನ್ನು ನಿರ್ಮಿಸಲು ಸಮಯ ಮತ್ತು ಶ್ರಮ ಬೇಕಾಗುತ್ತದೆ (ಹಿಲ್ 1998, ಕ್ರಾಫ್ಟ್ಸ್ 1998). ಸಾಮಾನ್ಯವಾಗಿ ಬೇಕಾಗುವ ಸಮಯ ಮತ್ತು ಹಣಕಾಸಿನ ವಿಧಾನಗಳು ಕ್ರಮವಾಗಿ ಸರಿಸುಮಾರು ಎರಡು ವರ್ಷಗಳು ಮತ್ತು ಎರಡರಿಂದ ಮೂರು ಮಿಲಿಯನ್ ಡಾಲರ್‌ಗಳು (ಬ್ರಾಲಿ 1995, ಫೋಲಿ 1997b, ಬೋರ್ಟ್ 1998, ಹಂಫ್ರೀಸ್ ಮತ್ತು ಇತರರು. 1999). ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್‌ನ ವಿವಿಧ ಅಂಶಗಳನ್ನು ನಿಯಂತ್ರಿಸಲು ಮತ್ತು ಕ್ರೋಢೀಕರಿಸಲು ಈ ಸಮಯ ಮತ್ತು ಹಣಕಾಸಿನ ವಿಧಾನಗಳು ಅಗತ್ಯವಿದೆ (ಕ್ಯಾಫಸ್ಸೊ 1995, ಹಿಲ್ 1998). ಹಾರ್ಡ್‌ವೇರ್ ಮತ್ತು ಸಾಫ್ಟ್‌ವೇರ್ ಪರಿಗಣನೆಗಳ ಜೊತೆಗೆ, ಇತರ ಕಾರ್ಯಗಳು, ಹೊರತೆಗೆಯುವಿಕೆಯಿಂದ ಬದಲಾಗುತ್ತವೆ dati ಲೋಡಿಂಗ್ ಪ್ರಕ್ರಿಯೆಗಳಿಗೆ dati, ನವೀಕರಣಗಳು ಮತ್ತು ಮೆಟಾವನ್ನು ನಿರ್ವಹಿಸುವ ಮೆಮೊರಿ ಸಾಮರ್ಥ್ಯ dati ಬಳಕೆದಾರರ ತರಬೇತಿಗಾಗಿ, ಪರಿಗಣಿಸಬೇಕು.

ಈ ಸಂಶೋಧನಾ ಯೋಜನೆಯು ಪ್ರಾರಂಭವಾದ ಸಮಯದಲ್ಲಿ, ವಿಶೇಷವಾಗಿ ಆಸ್ಟ್ರೇಲಿಯಾದಲ್ಲಿ ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್ ಕ್ಷೇತ್ರದಲ್ಲಿ ಕಡಿಮೆ ಶೈಕ್ಷಣಿಕ ಸಂಶೋಧನೆಗಳನ್ನು ನಡೆಸಲಾಗುತ್ತಿತ್ತು. ನಿಯತಕಾಲಿಕೆಗಳು ಅಥವಾ ಆ ಕಾಲದ ಇತರ ಶೈಕ್ಷಣಿಕ ಬರಹಗಳಿಂದ ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್‌ನಲ್ಲಿ ಪ್ರಕಟವಾದ ಲೇಖನಗಳ ಕೊರತೆಯಿಂದ ಇದು ಸ್ಪಷ್ಟವಾಗಿದೆ. ಲಭ್ಯವಿರುವ ಅನೇಕ ಶೈಕ್ಷಣಿಕ ಬರಹಗಳು US ಅನುಭವವನ್ನು ವಿವರಿಸಿವೆ. ಡೇಟಾ ವೇರ್ಹೌಸಿಂಗ್ ಕ್ಷೇತ್ರದಲ್ಲಿ ಶೈಕ್ಷಣಿಕ ಸಂಶೋಧನೆಯ ಕೊರತೆಯು ಕಠಿಣ ಸಂಶೋಧನೆ ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ಅಧ್ಯಯನಗಳಿಗೆ ಕರೆಗಳನ್ನು ಉಂಟುಮಾಡಿದೆ (ಮ್ಯಾಕ್‌ಫ್ಯಾಡೆನ್ 1996, ಶಾಂಕ್ಸ್ ಮತ್ತು ಇತರರು. 1997, ಲಿಟಲ್ ಮತ್ತು ಗಿಬ್ಸನ್ 1999). ನಿರ್ದಿಷ್ಟವಾಗಿ, ಅನುಷ್ಠಾನ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಸಂಶೋಧನಾ ಅಧ್ಯಯನಗಳು ಡೇಟಾ ವೇರ್ಹೌಸ್ ಅನುಷ್ಠಾನಕ್ಕೆ ಸಂಬಂಧಿಸಿದಂತೆ ಸಾಮಾನ್ಯ ಜ್ಞಾನವನ್ನು ವಿಸ್ತರಿಸಲು ಕೈಗೊಳ್ಳಬೇಕಾಗಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಮತ್ತು ಭವಿಷ್ಯದ ಸಂಶೋಧನಾ ಅಧ್ಯಯನಕ್ಕೆ ಆಧಾರವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ (ಶಾಂಕ್ಸ್ ಮತ್ತು ಇತರರು 1997, ಲಿಟಲ್ ಮತ್ತು ಗಿಬ್ಸನ್ 1999).

ಆದ್ದರಿಂದ, ಈ ಅಧ್ಯಯನದ ಉದ್ದೇಶವು ಸಂಸ್ಥೆಗಳು ಐ ಅನ್ನು ನಿರ್ವಹಿಸಿದಾಗ ಮತ್ತು ಬಳಸಿದಾಗ ನಿಜವಾಗಿ ಏನಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಅಧ್ಯಯನ ಮಾಡುವುದು ಡೇಟಾ ವೇರ್ಹೌಸ್ ಆಸ್ಟ್ರೇಲಿಯಾದಲ್ಲಿ. ನಿರ್ದಿಷ್ಟವಾಗಿ, ಈ ಅಧ್ಯಯನವು ಒಂದು ಸಂಪೂರ್ಣ ಅಭಿವೃದ್ಧಿ ಪ್ರಕ್ರಿಯೆಯ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್, ಆಸ್ಟ್ರೇಲಿಯನ್ ಸಂಸ್ಥೆಗಳಲ್ಲಿ ವಿನ್ಯಾಸ ಮತ್ತು ಅನುಷ್ಠಾನ ಮತ್ತು ನಂತರದ ಬಳಕೆಯ ಮೂಲಕ ಪ್ರಾರಂಭ ಮತ್ತು ಯೋಜನೆಯಿಂದ ಪ್ರಾರಂಭಿಸಿ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಅಭ್ಯಾಸವು ಮತ್ತಷ್ಟು ಸುಧಾರಿಸಬಹುದಾದ ಪ್ರದೇಶಗಳನ್ನು ಗುರುತಿಸುವ ಮೂಲಕ ಪ್ರಸ್ತುತ ಅಭ್ಯಾಸಕ್ಕೆ ಕೊಡುಗೆ ನೀಡುತ್ತದೆ ಮತ್ತು ಅಸಮರ್ಥತೆಗಳು ಮತ್ತು ಅಪಾಯಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು ಅಥವಾ ತಪ್ಪಿಸಬಹುದು. ಇದಲ್ಲದೆ, ಇದು ಇತರ ಅಧ್ಯಯನಗಳಿಗೆ ಆಧಾರವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಆಸ್ಟ್ರೇಲಿಯಾದಲ್ಲಿ ಮತ್ತು ಪ್ರಸ್ತುತ ಸಾಹಿತ್ಯದಲ್ಲಿ ಇರುವ ಅಂತರವನ್ನು ತುಂಬುತ್ತದೆ.

ಸಂಶೋಧನಾ ಪ್ರಶ್ನೆಗಳು

ಈ ಸಂಶೋಧನೆಯ ಉದ್ದೇಶವು ಅನುಷ್ಠಾನದಲ್ಲಿ ಒಳಗೊಂಡಿರುವ ಚಟುವಟಿಕೆಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡುವುದು ಡೇಟಾ ವೇರ್ಹೌಸ್ ಮತ್ತು ಆಸ್ಟ್ರೇಲಿಯಾದ ಸಂಸ್ಥೆಗಳಿಂದ ಅವುಗಳ ಬಳಕೆ. ನಿರ್ದಿಷ್ಟವಾಗಿ, ಯೋಜನಾ ಯೋಜನೆ, ಅಭಿವೃದ್ಧಿ, ಕಾರ್ಯಾಚರಣೆ, ಬಳಕೆ ಮತ್ತು ಒಳಗೊಂಡಿರುವ ಅಪಾಯಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ಅಂಶಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡಲಾಗುತ್ತದೆ. ಆದ್ದರಿಂದ ಈ ಸಂಶೋಧನೆಯ ಪ್ರಶ್ನೆ:

“ಈಗಿನ ಅಭ್ಯಾಸ ಏನು ಡೇಟಾ ವೇರ್ಹೌಸ್ ಆಸ್ಟ್ರೇಲಿಯಾದಲ್ಲಿ?"

ಈ ಪ್ರಶ್ನೆಗೆ ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಉತ್ತರಿಸಲು, ಹಲವಾರು ಸಹಾಯಕ ಸಂಶೋಧನಾ ಪ್ರಶ್ನೆಗಳ ಅಗತ್ಯವಿದೆ. ನಿರ್ದಿಷ್ಟವಾಗಿ, ಈ ಸಂಶೋಧನಾ ಯೋಜನೆಗೆ ಮಾರ್ಗದರ್ಶನ ನೀಡಲು ಅಧ್ಯಾಯ 2 ರಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾದ ಸಾಹಿತ್ಯದಿಂದ ಮೂರು ಉಪ-ಪ್ರಶ್ನೆಗಳನ್ನು ಗುರುತಿಸಲಾಗಿದೆ: ಹೇಗೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಆಸ್ಟ್ರೇಲಿಯಾದ ಸಂಸ್ಥೆಗಳಿಂದ? ನೀವು ಯಾವ ಸಮಸ್ಯೆಗಳನ್ನು ಎದುರಿಸಿದ್ದೀರಿ?

ಅನುಭವಿಸಿದ ಪ್ರಯೋಜನಗಳೇನು?
ಈ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸುವಲ್ಲಿ, ಸಮೀಕ್ಷೆಯನ್ನು ಬಳಸಿಕೊಳ್ಳುವ ಪರಿಶೋಧನಾತ್ಮಕ ಸಂಶೋಧನಾ ವಿನ್ಯಾಸವನ್ನು ಬಳಸಲಾಗಿದೆ. ಪರಿಶೋಧನಾತ್ಮಕ ಅಧ್ಯಯನದಂತೆ, ಮೇಲಿನ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಗಳು ಪೂರ್ಣವಾಗಿಲ್ಲ (ಶಾಂಕ್ಸ್ ಮತ್ತು ಇತರರು 1993, ಡೆನ್ಸ್‌ಕಾಂಬ್ 1998). ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಈ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಗಳನ್ನು ಸುಧಾರಿಸಲು ತ್ರಿಕೋನದ ಅಗತ್ಯವಿದೆ. ಆದಾಗ್ಯೂ, ಈ ಪ್ರಶ್ನೆಗಳನ್ನು ಪರಿಶೀಲಿಸುವ ಭವಿಷ್ಯದ ಕೆಲಸಕ್ಕೆ ತನಿಖೆಯು ದೃಢವಾದ ಅಡಿಪಾಯವನ್ನು ಒದಗಿಸುತ್ತದೆ. ಸಂಶೋಧನಾ ವಿಧಾನದ ಸಮರ್ಥನೆ ಮತ್ತು ವಿನ್ಯಾಸದ ಕುರಿತು ವಿವರವಾದ ಚರ್ಚೆಯನ್ನು ಅಧ್ಯಾಯ 3 ರಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ.

ಸಂಶೋಧನಾ ಯೋಜನೆಯ ರಚನೆ

ಈ ಸಂಶೋಧನಾ ಯೋಜನೆಯನ್ನು ಎರಡು ಭಾಗಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ: ಡೇಟಾ ವೇರ್ಹೌಸಿಂಗ್ ಪರಿಕಲ್ಪನೆಯ ಸಂದರ್ಭೋಚಿತ ಅಧ್ಯಯನ ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ಸಂಶೋಧನೆ (ಚಿತ್ರ 1.1 ನೋಡಿ), ಪ್ರತಿಯೊಂದನ್ನು ಕೆಳಗೆ ಚರ್ಚಿಸಲಾಗಿದೆ.

ಭಾಗ I: ಸಂದರ್ಭೋಚಿತ ಅಧ್ಯಯನ

ಸಂಶೋಧನೆಯ ಮೊದಲ ಭಾಗವು ನಿರ್ಧಾರ ಬೆಂಬಲ ವ್ಯವಸ್ಥೆಗಳು (ಡಿಎಸ್‌ಎಸ್), ಕಾರ್ಯನಿರ್ವಾಹಕ ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆಗಳು (ಇಐಎಸ್), ಕೇಸ್ ಸ್ಟಡೀಸ್ ಸೇರಿದಂತೆ ವಿವಿಧ ರೀತಿಯ ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್‌ನಲ್ಲಿ ಪ್ರಸ್ತುತ ಸಾಹಿತ್ಯವನ್ನು ಪರಿಶೀಲಿಸುವುದನ್ನು ಒಳಗೊಂಡಿತ್ತು. ಡೇಟಾ ವೇರ್ಹೌಸ್ ಮತ್ತು ಪರಿಕಲ್ಪನೆಗಳು ಡೇಟಾ ವೇರ್ಹೌಸ್. ಇದಲ್ಲದೆ, ವೇದಿಕೆಗಳ ಫಲಿತಾಂಶಗಳು ಡೇಟಾ ವೇರ್ಹೌಸ್ ಮತ್ತು ಮೊನಾಶ್ ಡಿಎಸ್ಎಸ್ ಸಂಶೋಧನಾ ತಂಡದ ನೇತೃತ್ವದ ಪರಿಣಿತ ಮತ್ತು ಅಭ್ಯಾಸಗಾರರ ಸಭೆ ಗುಂಪುಗಳು, ಅಭ್ಯಾಸದ ಒಳನೋಟಗಳನ್ನು ಪಡೆಯಲು ಉದ್ದೇಶಿಸಿರುವ ಅಧ್ಯಯನದ ಈ ಹಂತಕ್ಕೆ ಕೊಡುಗೆ ನೀಡಿತು. ಡೇಟಾ ವೇರ್ಹೌಸ್ ಮತ್ತು ಅವರ ದತ್ತು ಒಳಗೊಂಡಿರುವ ಅಪಾಯಗಳನ್ನು ಗುರುತಿಸಲು. ಈ ಸಂದರ್ಭೋಚಿತ ಅಧ್ಯಯನದ ಅವಧಿಯಲ್ಲಿ, ನಂತರದ ಪ್ರಾಯೋಗಿಕ ತನಿಖೆಗಳಿಗೆ ಹಿನ್ನೆಲೆ ಜ್ಞಾನವನ್ನು ಒದಗಿಸಲು ಸಮಸ್ಯೆಯ ಪ್ರದೇಶದ ತಿಳುವಳಿಕೆಯನ್ನು ಸ್ಥಾಪಿಸಲಾಯಿತು. ಆದಾಗ್ಯೂ, ಇದು ಸಂಶೋಧನಾ ಅಧ್ಯಯನದ ಸಮಯದಲ್ಲಿ ನಡೆಯುತ್ತಿರುವ ಪ್ರಕ್ರಿಯೆಯಾಗಿದೆ.

ಭಾಗ II: ಪ್ರಾಯೋಗಿಕ ಸಂಶೋಧನೆ

ವಿಶೇಷವಾಗಿ ಆಸ್ಟ್ರೇಲಿಯಾದಲ್ಲಿ ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್‌ನ ತುಲನಾತ್ಮಕವಾಗಿ ಹೊಸ ಪರಿಕಲ್ಪನೆಯು ಬಳಕೆದಾರರ ಅನುಭವದ ವಿಶಾಲ ಚಿತ್ರವನ್ನು ಪಡೆಯಲು ಸಮೀಕ್ಷೆಯ ಅಗತ್ಯವನ್ನು ಸೃಷ್ಟಿಸಿದೆ. ವ್ಯಾಪಕವಾದ ಸಾಹಿತ್ಯ ವಿಮರ್ಶೆಯ ಮೂಲಕ ಸಮಸ್ಯೆ ಡೊಮೇನ್ ಅನ್ನು ಸ್ಥಾಪಿಸಿದ ನಂತರ ಈ ಭಾಗವನ್ನು ಕೈಗೊಳ್ಳಲಾಯಿತು. ಸಂದರ್ಭೋಚಿತ ಅಧ್ಯಯನದ ಹಂತದಲ್ಲಿ ರೂಪುಗೊಂಡ ಡೇಟಾ-ಗೋದಾಮಿನ ಪರಿಕಲ್ಪನೆಯನ್ನು ಈ ಅಧ್ಯಯನದ ಆರಂಭಿಕ ಪ್ರಶ್ನಾವಳಿಗೆ ಇನ್ಪುಟ್ ಆಗಿ ಬಳಸಲಾಗಿದೆ. ನಂತರ ಪ್ರಶ್ನೆಪತ್ರಿಕೆಯನ್ನು ಪರಿಶೀಲಿಸಲಾಯಿತು. ನೀವು ಪರಿಣಿತರು ಡೇಟಾ ವೇರ್ಹೌಸ್ ಪರೀಕ್ಷೆಯಲ್ಲಿ ಭಾಗವಹಿಸಿದ್ದರು. ಆರಂಭಿಕ ಪ್ರಶ್ನಾವಳಿಯನ್ನು ಪರೀಕ್ಷಿಸುವ ಉದ್ದೇಶವು ಪ್ರಶ್ನೆಗಳ ಸಂಪೂರ್ಣತೆ ಮತ್ತು ನಿಖರತೆಯನ್ನು ಪರಿಶೀಲಿಸುವುದು. ಪರೀಕ್ಷಾ ಫಲಿತಾಂಶಗಳ ಆಧಾರದ ಮೇಲೆ, ಪ್ರಶ್ನಾವಳಿಯನ್ನು ಮಾರ್ಪಡಿಸಲಾಗಿದೆ ಮತ್ತು ಮಾರ್ಪಡಿಸಿದ ಆವೃತ್ತಿಯನ್ನು ಸಮೀಕ್ಷೆಯಲ್ಲಿ ಭಾಗವಹಿಸುವವರಿಗೆ ಕಳುಹಿಸಲಾಗಿದೆ. ಹಿಂತಿರುಗಿದ ಪ್ರಶ್ನಾವಳಿಗಳನ್ನು ನಂತರ i ಗಾಗಿ ವಿಶ್ಲೇಷಿಸಲಾಗಿದೆ dati ಕೋಷ್ಟಕಗಳು, ರೇಖಾಚಿತ್ರಗಳು ಮತ್ತು ಇತರ ಸ್ವರೂಪಗಳಲ್ಲಿ. ದಿ

ವಿಶ್ಲೇಷಣೆಯ ಫಲಿತಾಂಶಗಳು dati ಅವರು ಆಸ್ಟ್ರೇಲಿಯಾದಲ್ಲಿ ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್ ಅಭ್ಯಾಸದ ಸ್ನ್ಯಾಪ್‌ಶಾಟ್ ಅನ್ನು ರೂಪಿಸುತ್ತಾರೆ.

ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್ ಅವಲೋಕನ

ಕಂಪ್ಯೂಟರ್ ತಂತ್ರಜ್ಞಾನದಲ್ಲಿನ ಸುಧಾರಣೆಗಳೊಂದಿಗೆ ಡೇಟಾ ವೇರ್ಹೌಸಿಂಗ್ ಪರಿಕಲ್ಪನೆಯು ವಿಕಸನಗೊಂಡಿದೆ.
ಇದು ನಿರ್ಧಾರ ಬೆಂಬಲ ವ್ಯವಸ್ಥೆ (DSS) ಮತ್ತು ಕಾರ್ಯನಿರ್ವಾಹಕ ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆ (EIS) ನಂತಹ ಅಪ್ಲಿಕೇಶನ್ ಬೆಂಬಲ ಗುಂಪುಗಳು ಎದುರಿಸುತ್ತಿರುವ ಸಮಸ್ಯೆಗಳನ್ನು ನಿವಾರಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ.

ಹಿಂದೆ ಈ ಅಪ್ಲಿಕೇಶನ್‌ಗಳ ದೊಡ್ಡ ಅಡಚಣೆಯೆಂದರೆ ಈ ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ಒದಗಿಸಲು ಅಸಮರ್ಥತೆ ಡೇಟಾ ಬೇಸ್ ವಿಶ್ಲೇಷಣೆಗೆ ಅವಶ್ಯಕ.
ಇದು ಮುಖ್ಯವಾಗಿ ನಿರ್ವಹಣೆಯ ಕೆಲಸದ ಸ್ವರೂಪದಿಂದ ಉಂಟಾಗುತ್ತದೆ. ಕಂಪನಿಯ ನಿರ್ವಹಣೆಯ ಆಸಕ್ತಿಗಳು ಒಳಗೊಂಡಿರುವ ಪ್ರದೇಶವನ್ನು ಅವಲಂಬಿಸಿ ನಿರಂತರವಾಗಿ ಬದಲಾಗುತ್ತವೆ. ಆದ್ದರಿಂದ ಐ dati ಈ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗೆ ಮೂಲಭೂತವಾಗಿ ಅವರು ಚಿಕಿತ್ಸೆ ನೀಡಬೇಕಾದ ಭಾಗವನ್ನು ಅವಲಂಬಿಸಿ ತ್ವರಿತವಾಗಿ ಬದಲಾಯಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.
ಇದರರ್ಥ ಐ dati ವಿನಂತಿಸಿದ ವಿಶ್ಲೇಷಣೆಗಳಿಗೆ ಸೂಕ್ತವಾದ ರೂಪದಲ್ಲಿ ಲಭ್ಯವಿರಬೇಕು. ವಾಸ್ತವವಾಗಿ, ಅಪ್ಲಿಕೇಶನ್ ಬೆಂಬಲ ಗುಂಪುಗಳು ಸಂಗ್ರಹಿಸಲು ಮತ್ತು ಸಂಯೋಜಿಸಲು ಹಿಂದೆ ಬಹಳ ಕಷ್ಟಕರವಾಗಿತ್ತು dati ಸಂಕೀರ್ಣ ಮತ್ತು ವೈವಿಧ್ಯಮಯ ಮೂಲಗಳಿಂದ.

ಈ ವಿಭಾಗದ ಉಳಿದ ಭಾಗವು ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್‌ನ ಪರಿಕಲ್ಪನೆಯ ಅವಲೋಕನವನ್ನು ಒದಗಿಸುತ್ತದೆ ಮತ್ತು ಹೇಗೆ ಎಂಬುದನ್ನು ಚರ್ಚಿಸುತ್ತದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಅಪ್ಲಿಕೇಶನ್ ಬೆಂಬಲ ಗುಂಪುಗಳ ಸಮಸ್ಯೆಗಳನ್ನು ನಿವಾರಿಸಬಹುದು.
ಪದ “ಮಾಹಿತಿ ಉಗ್ರಾಣ1990 ರಲ್ಲಿ ವಿಲಿಯಂ ಇನ್ಮೋನ್ ಅವರು ಜನಪ್ರಿಯಗೊಳಿಸಿದರು. ಅವರ ಆಗಾಗ್ಗೆ ಉಲ್ಲೇಖಿಸಿದ ವ್ಯಾಖ್ಯಾನವು ದಿ ಮಾಹಿತಿ ಉಗ್ರಾಣ ಸಂಗ್ರಹವಾಗಿ dati ನಿರ್ವಹಣಾ ನಿರ್ಧಾರಗಳಿಗೆ ಬೆಂಬಲವಾಗಿ ವಿಷಯ-ಆಧಾರಿತ, ಸಂಯೋಜಿತ, ಬಾಷ್ಪಶೀಲವಲ್ಲದ ಮತ್ತು ಕಾಲಾನಂತರದಲ್ಲಿ ವೇರಿಯಬಲ್.

ಈ ವ್ಯಾಖ್ಯಾನವನ್ನು ಬಳಸಿಕೊಂಡು Inmon ಮುಖ್ಯಾಂಶಗಳು i dati a ನಲ್ಲಿ ವಾಸಿಸುತ್ತಿದ್ದಾರೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಅವರು ಈ ಕೆಳಗಿನ 4 ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೊಂದಿರಬೇಕು:

• ▪ ವಿಷಯ-ಆಧಾರಿತ
• ▪ ಇಂಟಿಗ್ರೇಟೆಡ್
• ▪ ಬಾಷ್ಪಶೀಲವಲ್ಲದ
• ▪ ವಿಷಯ-ಆಧಾರಿತ ಇನ್ಮೋನ್ ಮೂಲಕ ಕಾಲಾನಂತರದಲ್ಲಿ ವೇರಿಯಬಲ್ ಅಂದರೆ i dati ನೆಲ್ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಆಗಿರುವ ದೊಡ್ಡ ಸಾಂಸ್ಥಿಕ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ

ಮಾದರಿಯಲ್ಲಿ ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ dati. ಉದಾಹರಣೆಗೆ ಎಲ್ಲಾ dati ಐ ಬಗ್ಗೆ ಗ್ರಾಹಕರಿಗೆ ವಿಷಯದ ಪ್ರದೇಶದಲ್ಲಿ ಒಳಗೊಂಡಿರುತ್ತದೆ ಗ್ರಾಹಕರನ್ನು. ಹಾಗೆಯೇ ಎಲ್ಲಾ dati ಉತ್ಪನ್ನಗಳಿಗೆ ಸಂಬಂಧಿಸಿದವುಗಳು PRODUCTS ವಿಷಯ ಪ್ರದೇಶದಲ್ಲಿ ಒಳಗೊಂಡಿರುತ್ತವೆ.

ಇಂಟಿಗ್ರೇಟೆಡ್ ಇನ್ಮೋನ್ ಅಂದರೆ ಐ dati ವಿವಿಧ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳು, ಸಿಸ್ಟಮ್‌ಗಳು ಮತ್ತು ಸ್ಥಳಗಳಿಂದ ಬರುವವುಗಳನ್ನು ಸಂಯೋಜಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಒಂದೇ ಸ್ಥಳದಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ. ಪರಿಣಾಮವಾಗಿ dati ಸಮಾನವಾದವುಗಳನ್ನು ಸ್ಥಿರವಾದ ಸ್ವರೂಪಗಳಾಗಿ ಪರಿವರ್ತಿಸಬೇಕು ಇದರಿಂದ ಅವುಗಳನ್ನು ಸುಲಭವಾಗಿ ಸೇರಿಸಬಹುದು ಮತ್ತು ಹೋಲಿಸಬಹುದು.
ಉದಾಹರಣೆಗೆ, ಪುರುಷ ಮತ್ತು ಸ್ತ್ರೀ ಲಿಂಗವನ್ನು ಒಂದು ವ್ಯವಸ್ಥೆಯಲ್ಲಿ M ಮತ್ತು F ಅಕ್ಷರಗಳಿಂದ ಪ್ರತಿನಿಧಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಇನ್ನೊಂದು ವ್ಯವಸ್ಥೆಯಲ್ಲಿ 1 ಮತ್ತು 0 ನಿಂದ ಪ್ರತಿನಿಧಿಸಲಾಗುತ್ತದೆ. ಅವುಗಳನ್ನು ಸರಿಯಾಗಿ ಸಂಯೋಜಿಸಲು, ಒಂದು ಅಥವಾ ಎರಡೂ ಸ್ವರೂಪಗಳನ್ನು ಪರಿವರ್ತಿಸಬೇಕು ಆದ್ದರಿಂದ ಎರಡು ಸ್ವರೂಪಗಳು ಒಂದೇ ಆಗಿರುತ್ತವೆ. ಈ ಸಂದರ್ಭದಲ್ಲಿ ನಾವು M ಅನ್ನು 1 ಗೆ ಮತ್ತು F ಅನ್ನು 0 ಗೆ ಅಥವಾ ಪ್ರತಿಯಾಗಿ ಬದಲಾಯಿಸಬಹುದು. ವಿಷಯ-ಆಧಾರಿತ ಮತ್ತು ಸಂಯೋಜಿತ ಸೂಚಿಸುತ್ತದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ನ ಕ್ರಿಯಾತ್ಮಕ ಮತ್ತು ಅಡ್ಡ ದೃಷ್ಟಿಯನ್ನು ಒದಗಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ dati ಕಂಪನಿಯಿಂದ.

ಅಸ್ಥಿರವಲ್ಲದ ಮೂಲಕ ಅವನು ಅಂದರೆ ನಾನು dati ನೆಲ್ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಸ್ಥಿರವಾಗಿ ಮತ್ತು ನವೀಕರಿಸಲಾಗುತ್ತಿದೆ dati ಇದು ಅಗತ್ಯವಿಲ್ಲ. ಬದಲಾಗಿ, ಪ್ರತಿ ಬದಲಾವಣೆ dati ಮೂಲವನ್ನು ಸೇರಿಸಲಾಗುತ್ತದೆ ಡೇಟಾಬೇಸ್ ಆಫ್ ಡೇಟಾ ವೇರ್ಹೌಸ್. ಇದರರ್ಥ ಐತಿಹಾಸಿಕ ದೇ dati ನಲ್ಲಿ ಅಡಕವಾಗಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್.

ಸಮಯದೊಂದಿಗೆ ವೇರಿಯೇಬಲ್‌ಗಳಿಗಾಗಿ Inmon ಸೂಚಿಸುತ್ತದೆ ಎಂದು i dati ನೆಲ್ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಯಾವಾಗಲೂ ei ಸಮಯ ಸೂಚಕಗಳನ್ನು ಹೊಂದಿರುತ್ತದೆ dati ಅವರು ಸಾಮಾನ್ಯವಾಗಿ ಒಂದು ನಿರ್ದಿಷ್ಟ ಸಮಯದ ಹಾರಿಜಾನ್ ಅನ್ನು ದಾಟುತ್ತಾರೆ. ಉದಾಹರಣೆಗೆ ಎ
ಡೇಟಾ ವೇರ್ಹೌಸ್ 5 ವರ್ಷಗಳ ಐತಿಹಾಸಿಕ ಮೌಲ್ಯಗಳನ್ನು ಒಳಗೊಂಡಿರಬಹುದು ಗ್ರಾಹಕರಿಗೆ 1993 ರಿಂದ 1997. ಇತಿಹಾಸದ ಲಭ್ಯತೆ ಮತ್ತು ಸಮಯದ ಸರಣಿ dati ಪ್ರವೃತ್ತಿಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಲು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ.

Un ಡೇಟಾ ವೇರ್ಹೌಸ್ ಅವನು ತನ್ನ ಸ್ವಂತವನ್ನು ಸಂಗ್ರಹಿಸಬಹುದು dati OLTP ವ್ಯವಸ್ಥೆಗಳಿಂದ; ಮೂಲಗಳಿಂದ dati ಸಂಸ್ಥೆಗೆ ಮತ್ತು/ಅಥವಾ ಇತರ ವಿಶೇಷ ಕ್ಯಾಪ್ಚರ್ ಸಿಸ್ಟಮ್ ಯೋಜನೆಗಳಿಗೆ ಬಾಹ್ಯ dati.
I dati ಸಾರಗಳು ಶುಚಿಗೊಳಿಸುವ ಪ್ರಕ್ರಿಯೆಯ ಮೂಲಕ ಹೋಗಬಹುದು, ಈ ಸಂದರ್ಭದಲ್ಲಿ i dati ನಲ್ಲಿ ಸಂಗ್ರಹಿಸುವ ಮೊದಲು ರೂಪಾಂತರಗೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಸಂಯೋಜಿಸಲಾಗುತ್ತದೆ ಡೇಟಾಬೇಸ್ ಆಫ್ ಡೇಟಾ ವೇರ್ಹೌಸ್. ಆಗ ನಾನು dati

ಒಳಗೆ ನಿವಾಸಿಗಳು ಡೇಟಾಬೇಸ್ ಆಫ್ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಅಂತಿಮ ಬಳಕೆದಾರರ ಲಾಗಿನ್‌ಗಳು ಮತ್ತು ಮರುಪ್ರಾಪ್ತಿ ಸಾಧನಗಳಿಗೆ ಲಭ್ಯವಾಗುವಂತೆ ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಪರಿಕರಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಅಂತಿಮ ಬಳಕೆದಾರರು ಸಂಸ್ಥೆಯ ಸಮಗ್ರ ನೋಟವನ್ನು ಪ್ರವೇಶಿಸಬಹುದು dati.

I dati ಒಳಗೆ ನಿವಾಸಿಗಳು ಡೇಟಾಬೇಸ್ ಆಫ್ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಅವುಗಳನ್ನು ವಿವರವಾಗಿ ಮತ್ತು ಸಾರಾಂಶ ಸ್ವರೂಪಗಳಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ.
ಸಾರಾಂಶದ ಮಟ್ಟವು ಅದರ ಸ್ವರೂಪವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ dati. ನಾನು dati ವಿವರವಾದವು ಒಳಗೊಂಡಿರಬಹುದು dati ಪ್ರಸ್ತುತ ಇ dati ಇತಿಹಾಸಕಾರರು
I dati ರಾಯಧನವನ್ನು ಸೇರಿಸಲಾಗಿಲ್ಲ ಡೇಟಾ ವೇರ್ಹೌಸ್ ನಾನು ತನಕ dati ನೆಲ್ ಡೇಟಾ ವೇರ್ಹೌಸ್ ನವೀಕರಿಸಲಾಗಿದೆ.
ಸಂಗ್ರಹಿಸುವುದರ ಜೊತೆಗೆ ಐ dati ತಮ್ಮನ್ನು, ಎ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಇದು ವಿವಿಧ ರೀತಿಯ ಸಂಗ್ರಹಿಸಬಹುದು ನೀಡಿದ METADATA ಅನ್ನು ವಿವರಿಸುತ್ತದೆ dati ಅವನ ನಿವಾಸಿಗಳು ಡೇಟಾಬೇಸ್.
ಮೆಟಾಡೇಟಾದಲ್ಲಿ ಎರಡು ವಿಧಗಳಿವೆ: ಡೆವಲಪ್‌ಮೆಂಟ್ ಮೆಟಾಡೇಟಾ ಮತ್ತು ಅನಾಲಿಟಿಕ್ಸ್ ಮೆಟಾಡೇಟಾ.
ಅಭಿವೃದ್ಧಿ ಮೆಟಾಡೇಟಾವನ್ನು ಹೊರತೆಗೆಯುವಿಕೆ, ಶುಚಿಗೊಳಿಸುವಿಕೆ, ಮ್ಯಾಪಿಂಗ್ ಮತ್ತು ಲೋಡಿಂಗ್ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಮತ್ತು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ. dati ನೆಲ್ ಡೇಟಾ ವೇರ್ಹೌಸ್.
ಅಭಿವೃದ್ಧಿ ಮೆಟಾಡೇಟಾದಲ್ಲಿ ಒಳಗೊಂಡಿರುವ ಮಾಹಿತಿಯು ಆಪರೇಟಿಂಗ್ ಸಿಸ್ಟಮ್‌ಗಳ ವಿವರಗಳನ್ನು ಹೊಂದಿರಬಹುದು, ಹೊರತೆಗೆಯಬೇಕಾದ ಅಂಶಗಳ ವಿವರಗಳು, ಮಾದರಿ dati ಆಫ್ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಮತ್ತು ಪರಿವರ್ತಿಸಲು ವ್ಯಾಪಾರ ನಿಯಮಗಳು dati.

ಎರಡನೇ ವಿಧದ ಮೆಟಾಡೇಟಾ, ಅನಾಲಿಟಿಕ್ಸ್ ಮೆಟಾಡೇಟಾ ಎಂದು ಕರೆಯಲ್ಪಡುತ್ತದೆ, ಅಂತಿಮ ಬಳಕೆದಾರರಿಗೆ ವಿಷಯವನ್ನು ಅನ್ವೇಷಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಹುಡುಕಲು dati ಲಭ್ಯವಿರುವ ಮತ್ತು ಸ್ಪಷ್ಟ, ತಾಂತ್ರಿಕವಲ್ಲದ ಪದಗಳಲ್ಲಿ ಅವುಗಳ ಅರ್ಥ.

ಆದ್ದರಿಂದ ಅನಾಲಿಟಿಕ್ಸ್ ಮೆಟಾಡೇಟಾ ಇದರ ನಡುವೆ ಸೇತುವೆಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಮತ್ತು ಅಂತಿಮ ಬಳಕೆದಾರ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು. ಈ ಮೆಟಾಡೇಟಾ ವ್ಯವಹಾರ ಮಾದರಿ, ವಿವರಣೆಗಳನ್ನು ಒಳಗೊಂಡಿರಬಹುದು dati ವ್ಯವಹಾರ ಮಾದರಿ, ಪೂರ್ವ-ನಿರ್ಧರಿತ ಪ್ರಶ್ನೆಗಳು ಮತ್ತು ವರದಿಗಳು, ಬಳಕೆದಾರರ ಪ್ರವೇಶ ಮತ್ತು ಸೂಚ್ಯಂಕಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಮಾಹಿತಿ.

ಸರಿಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಅಭಿವೃದ್ಧಿ ಮೆಟಾಡೇಟಾವನ್ನು ಒಂದೇ ಇಂಟಿಗ್ರೇಟೆಡ್ ಕಂಟೈನ್‌ಮೆಂಟ್ ಮೆಟಾಡೇಟಾವಾಗಿ ಸಂಯೋಜಿಸಬೇಕು.

ದುರದೃಷ್ಟವಶಾತ್ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಅನೇಕ ಪರಿಕರಗಳು ತಮ್ಮದೇ ಆದ ಮೆಟಾಡೇಟಾವನ್ನು ಹೊಂದಿವೆ ಮತ್ತು ಅದಕ್ಕಾಗಿ ಪ್ರಸ್ತುತ ಯಾವುದೇ ಮಾನದಂಡಗಳಿಲ್ಲ

ಈ ಮೆಟಾಡೇಟಾವನ್ನು ಸಂಯೋಜಿಸಲು ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್ ಪರಿಕರಗಳನ್ನು ಅನುಮತಿಸಿ. ಈ ಪರಿಸ್ಥಿತಿಯನ್ನು ನಿವಾರಿಸಲು, ಮುಖ್ಯ ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್ ಉಪಕರಣಗಳ ಅನೇಕ ವ್ಯಾಪಾರಿಗಳು ಮೆಟಾ ಡೇಟಾ ಕೌನ್ಸಿಲ್ ಅನ್ನು ರಚಿಸಿದರು, ಅದು ನಂತರ ಮೆಟಾ ಡೇಟಾ ಒಕ್ಕೂಟವಾಯಿತು.

ಮೆಟಾಡೇಟಾವನ್ನು ಪರಿವರ್ತಿಸಲು ವಿಭಿನ್ನ ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್ ಉಪಕರಣಗಳನ್ನು ಅನುಮತಿಸುವ ಪ್ರಮಾಣಿತ ಮೆಟಾಡೇಟಾ ಸೆಟ್ ಅನ್ನು ನಿರ್ಮಿಸುವುದು ಈ ಒಕ್ಕೂಟದ ಗುರಿಯಾಗಿದೆ.
ಅವರ ಪ್ರಯತ್ನಗಳು ಮೆಟಾ ಡೇಟಾ ಇಂಟರ್‌ಚೇಂಜ್ ಸ್ಪೆಸಿಫಿಕೇಶನ್ (MDIS) ಹುಟ್ಟಿಗೆ ಕಾರಣವಾಯಿತು, ಇದು ಮೈಕ್ರೋಸಾಫ್ಟ್ ಆರ್ಕೈವ್‌ಗಳು ಮತ್ತು ಸಂಬಂಧಿತ MDIS ಫೈಲ್‌ಗಳ ನಡುವೆ ಮಾಹಿತಿಯ ವಿನಿಮಯವನ್ನು ಅನುಮತಿಸುತ್ತದೆ.

ನ ಅಸ್ತಿತ್ವ dati ಸಾರಾಂಶ/ಸೂಚ್ಯಂಕ ಮತ್ತು ವಿವರವಾದ ಎರಡೂ ಬಳಕೆದಾರರಿಗೆ ಡ್ರಿಲ್ ಡ್ರೌನ್ (ಡ್ರಿಲ್ಲಿಂಗ್) ಅನ್ನು ಕೈಗೊಳ್ಳುವ ಸಾಧ್ಯತೆಯನ್ನು ನೀಡುತ್ತದೆ dati ವಿವರವಾದವುಗಳಿಗೆ ಸೂಚ್ಯಂಕ ಮತ್ತು ಪ್ರತಿಯಾಗಿ. ನ ಅಸ್ತಿತ್ವ dati ವಿವರವಾದ ಇತಿಹಾಸಗಳು ಕಾಲಾನಂತರದಲ್ಲಿ ಟ್ರೆಂಡ್ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು ರಚಿಸಲು ಅನುಮತಿಸುತ್ತದೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ ಅನಾಲಿಟಿಕ್ಸ್ ಮೆಟಾಡೇಟಾವನ್ನು ಡೈರೆಕ್ಟರಿಯಾಗಿ ಬಳಸಬಹುದು ಡೇಟಾಬೇಸ್ ಆಫ್ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಅಂತಿಮ ಬಳಕೆದಾರರನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಸಹಾಯ ಮಾಡಲು dati ಅಗತ್ಯ.

OLTP ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಹೋಲಿಸಿದರೆ, ವಿಶ್ಲೇಷಣೆಯನ್ನು ಬೆಂಬಲಿಸುವ ಸಾಮರ್ಥ್ಯದೊಂದಿಗೆ dati ಮತ್ತು ವರದಿ, ದಿ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಪ್ರಶ್ನೆಗಳನ್ನು ಮಾಡುವುದು ಮತ್ತು ಪ್ರತಿಕ್ರಿಯಿಸುವುದು ಮತ್ತು ವರದಿಗಳನ್ನು ತಯಾರಿಸುವಂತಹ ಮಾಹಿತಿ ಪ್ರಕ್ರಿಯೆಗಳಿಗೆ ಇದು ಹೆಚ್ಚು ಸೂಕ್ತವಾದ ವ್ಯವಸ್ಥೆಯಾಗಿ ಕಂಡುಬರುತ್ತದೆ. ಮುಂದಿನ ವಿಭಾಗವು ಎರಡು ವ್ಯವಸ್ಥೆಗಳ ವ್ಯತ್ಯಾಸಗಳನ್ನು ವಿವರವಾಗಿ ಹೈಲೈಟ್ ಮಾಡುತ್ತದೆ.

ಮಾಹಿತಿ ಉಗ್ರಾಣ OLTP ಸಿಸ್ಟಮ್‌ಗಳ ವಿರುದ್ಧ

ಸಂಸ್ಥೆಗಳೊಳಗಿನ ಅನೇಕ ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆಗಳು ದಿನನಿತ್ಯದ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ಬೆಂಬಲಿಸುವ ಉದ್ದೇಶವನ್ನು ಹೊಂದಿವೆ. OLTP ಸಿಸ್ಟಮ್ಸ್ ಎಂದು ಕರೆಯಲ್ಪಡುವ ಈ ವ್ಯವಸ್ಥೆಗಳು ನಿರಂತರವಾಗಿ ನವೀಕರಿಸಿದ ದೈನಂದಿನ ವಹಿವಾಟುಗಳನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತವೆ.

I dati ಈ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಅವುಗಳನ್ನು ಹೆಚ್ಚಾಗಿ ಮಾರ್ಪಡಿಸಲಾಗುತ್ತದೆ, ಸೇರಿಸಲಾಗುತ್ತದೆ ಅಥವಾ ಅಳಿಸಲಾಗುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಒಬ್ಬ ಗ್ರಾಹಕನು ಒಂದು ಸ್ಥಳದಿಂದ ಇನ್ನೊಂದು ಸ್ಥಳಕ್ಕೆ ಹೋದಂತೆ ಅವನ ವಿಳಾಸವು ಬದಲಾಗುತ್ತದೆ. ಈ ಸಂದರ್ಭದಲ್ಲಿ ವಿಳಾಸ ಕ್ಷೇತ್ರವನ್ನು ಮಾರ್ಪಡಿಸುವ ಮೂಲಕ ಹೊಸ ವಿಳಾಸವನ್ನು ನೋಂದಾಯಿಸಲಾಗುತ್ತದೆ ಡೇಟಾಬೇಸ್. ಈ ವ್ಯವಸ್ಥೆಗಳ ಮುಖ್ಯ ಉದ್ದೇಶವೆಂದರೆ ವಹಿವಾಟಿನ ವೆಚ್ಚವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು ಮತ್ತು ಅದೇ ಸಮಯದಲ್ಲಿ ಸಂಸ್ಕರಣೆಯ ಸಮಯವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು. OLTP ಸಿಸ್ಟಮ್‌ಗಳ ಉದಾಹರಣೆಗಳು ಆರ್ಡರ್ ಎಂಟ್ರಿ, ವೇತನದಾರರ ಪಟ್ಟಿ, ಸರಕುಪಟ್ಟಿ, ಉತ್ಪಾದನೆ, ಗ್ರಾಹಕ ಸೇವೆಯಂತಹ ನಿರ್ಣಾಯಕ ಕ್ರಮಗಳನ್ನು ಒಳಗೊಂಡಿವೆ. ಗ್ರಾಹಕರಿಗೆ.

ವಹಿವಾಟು ಮತ್ತು ಈವೆಂಟ್ ಆಧಾರಿತ ಪ್ರಕ್ರಿಯೆಗಳಿಗಾಗಿ ರಚಿಸಲಾದ OLTP ವ್ಯವಸ್ಥೆಗಳಿಗಿಂತ ಭಿನ್ನವಾಗಿ, i ಡೇಟಾ ವೇರ್ಹೌಸ್ ವಿಶ್ಲೇಷಣೆ-ಆಧಾರಿತ ಪ್ರಕ್ರಿಯೆಗಳಿಗೆ ಬೆಂಬಲವನ್ನು ಒದಗಿಸಲು ರಚಿಸಲಾಗಿದೆ dati ಮತ್ತು ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವ ಪ್ರಕ್ರಿಯೆಗಳು.

ಇದನ್ನು ಸಾಮಾನ್ಯವಾಗಿ i ಅನ್ನು ಸಂಯೋಜಿಸುವ ಮೂಲಕ ಸಾಧಿಸಲಾಗುತ್ತದೆ dati ಒಂದೇ "ಕಂಟೇನರ್" ನಲ್ಲಿ ವಿವಿಧ OLTP ಮತ್ತು ಬಾಹ್ಯ ವ್ಯವಸ್ಥೆಗಳಿಂದ dati,ಹಿಂದಿನ ವಿಭಾಗದಲ್ಲಿ ಚರ್ಚಿಸಿದಂತೆ.

ಮೊನಾಶ್ ಡೇಟಾ ವೇರ್ಹೌಸಿಂಗ್ ಪ್ರಕ್ರಿಯೆ ಮಾದರಿ

ಪ್ರಕ್ರಿಯೆಯ ಮಾದರಿ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಮೊನಾಶ್ ಅನ್ನು ಮೊನಾಶ್ ಡಿಎಸ್ಎಸ್ ರಿಸರ್ಚ್ ಗ್ರೂಪ್‌ನ ಸಂಶೋಧಕರು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದಾರೆ ಮತ್ತು ಇದು ಸಾಹಿತ್ಯವನ್ನು ಆಧರಿಸಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್, ಸಿಸ್ಟಂ ಕ್ಷೇತ್ರಗಳ ಅಭಿವೃದ್ಧಿಯನ್ನು ಬೆಂಬಲಿಸುವ ಅನುಭವದ ಮೇಲೆ, ಬಳಕೆಗಾಗಿ ಅಪ್ಲಿಕೇಶನ್‌ಗಳ ಮಾರಾಟಗಾರರೊಂದಿಗೆ ಚರ್ಚೆಗಳು ಡೇಟಾ ವೇರ್ಹೌಸ್, ಬಳಕೆಯಲ್ಲಿ ತಜ್ಞರ ಗುಂಪಿನ ಮೇಲೆ ಡೇಟಾ ವೇರ್ಹೌಸ್.

ಹಂತಗಳೆಂದರೆ: ಪ್ರಾರಂಭ, ಯೋಜನೆ, ಅಭಿವೃದ್ಧಿ, ಕಾರ್ಯಾಚರಣೆಗಳು ಮತ್ತು ವಿವರಣೆಗಳು. ರೇಖಾಚಿತ್ರವು ಅಭಿವೃದ್ಧಿಯ ಪುನರಾವರ್ತಿತ ಅಥವಾ ವಿಕಸನೀಯ ಸ್ವರೂಪವನ್ನು ವಿವರಿಸುತ್ತದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ವಿವಿಧ ಹಂತಗಳ ನಡುವೆ ಇರಿಸಲಾಗಿರುವ ದ್ವಿಮುಖ ಬಾಣಗಳನ್ನು ಬಳಸಿ ಪ್ರಕ್ರಿಯೆ. ಈ ಸಂದರ್ಭದಲ್ಲಿ, "ಪುನರಾವರ್ತಿತ" ಮತ್ತು "ವಿಕಸನೀಯ" ಎಂದರೆ, ಪ್ರಕ್ರಿಯೆಯ ಪ್ರತಿಯೊಂದು ಹಂತದಲ್ಲೂ, ಅನುಷ್ಠಾನ ಚಟುವಟಿಕೆಗಳು ಯಾವಾಗಲೂ ಹಿಂದಿನ ಹಂತದ ಕಡೆಗೆ ಹಿಮ್ಮುಖವಾಗಿ ಹರಡಬಹುದು. ಇದು ಯೋಜನೆಯ ಸ್ವರೂಪದಿಂದಾಗಿ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಇದರಲ್ಲಿ ಅಂತಿಮ ಬಳಕೆದಾರರಿಂದ ಹೆಚ್ಚುವರಿ ವಿನಂತಿಗಳು ಯಾವುದೇ ಸಮಯದಲ್ಲಿ ಉದ್ಭವಿಸುತ್ತವೆ. ಉದಾಹರಣೆಗೆ, ಪ್ರಕ್ರಿಯೆಯ ಅಭಿವೃದ್ಧಿಯ ಹಂತದಲ್ಲಿ ಡೇಟಾ ವೇರ್ಹೌಸ್, ಹೊಸ ಆಯಾಮ ಅಥವಾ ವಿಷಯದ ಪ್ರದೇಶವನ್ನು ಅಂತಿಮ ಬಳಕೆದಾರರಿಂದ ವಿನಂತಿಸಲಾಗಿದೆ, ಅದು ಮೂಲ ಯೋಜನೆಯ ಭಾಗವಾಗಿಲ್ಲ, ಇದನ್ನು ಸಿಸ್ಟಮ್‌ಗೆ ಸೇರಿಸಬೇಕು. ಇದು ಯೋಜನೆಯಲ್ಲಿ ಬದಲಾವಣೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ. ಪರಿಣಾಮವಾಗಿ ವಿನ್ಯಾಸ ತಂಡವು ವಿನ್ಯಾಸ ಹಂತದಲ್ಲಿ ಇಲ್ಲಿಯವರೆಗೆ ರಚಿಸಲಾದ ದಾಖಲೆಗಳ ಅಗತ್ಯತೆಗಳನ್ನು ಬದಲಾಯಿಸಬೇಕು. ಅನೇಕ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಯೋಜನೆಯ ಪ್ರಸ್ತುತ ಸ್ಥಿತಿಯು ವಿನ್ಯಾಸ ಹಂತಕ್ಕೆ ಹಿಂತಿರುಗಬೇಕು, ಅಲ್ಲಿ ಹೊಸ ಅಗತ್ಯವನ್ನು ಸೇರಿಸಬೇಕು ಮತ್ತು ದಾಖಲಿಸಬೇಕು. ಅಂತಿಮ ಬಳಕೆದಾರರು ನಿರ್ದಿಷ್ಟ ದಸ್ತಾವೇಜನ್ನು ಪರಿಶೀಲಿಸಲು ಮತ್ತು ಅಭಿವೃದ್ಧಿ ಹಂತದಲ್ಲಿ ಮಾಡಲಾದ ಬದಲಾವಣೆಗಳನ್ನು ನೋಡಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. ಈ ಅಭಿವೃದ್ಧಿ ಚಕ್ರದ ಕೊನೆಯಲ್ಲಿ ಯೋಜನೆಯು ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಬಳಕೆದಾರರ ತಂಡಗಳೆರಡರಿಂದಲೂ ಅತ್ಯುತ್ತಮ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಪಡೆಯಬೇಕು. ಭವಿಷ್ಯದ ಯೋಜನೆಯನ್ನು ಸುಧಾರಿಸಲು ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಮರುಬಳಕೆ ಮಾಡಲಾಗುತ್ತದೆ.

ಸಾಮರ್ಥ್ಯ ಯೋಜನೆ
Dw ಗಾತ್ರದಲ್ಲಿ ತುಂಬಾ ದೊಡ್ಡದಾಗಿದೆ ಮತ್ತು ತ್ವರಿತವಾಗಿ ಬೆಳೆಯುತ್ತದೆ (ಅತ್ಯುತ್ತಮ 1995, ರುಡಿನ್ 1997a) ಮೊತ್ತದ ಪರಿಣಾಮವಾಗಿ dati ಅವರು ತಮ್ಮ ಅವಧಿಯಿಂದ ಉಳಿಸಿಕೊಂಡಿರುವ ಇತಿಹಾಸಗಳು. ಬೆಳವಣಿಗೆಯೂ ಉಂಟಾಗಬಹುದು dati ಮೌಲ್ಯವನ್ನು ಹೆಚ್ಚಿಸಲು ಬಳಕೆದಾರರಿಂದ ವಿನಂತಿಸಿದ ಸೇರ್ಪಡೆಗಳು dati ಅವರು ಈಗಾಗಲೇ ಹೊಂದಿದ್ದಾರೆ. ಅಂತೆಯೇ, ಶೇಖರಣಾ ಅವಶ್ಯಕತೆಗಳು dati ಗಮನಾರ್ಹವಾಗಿ ವರ್ಧಿಸಬಹುದು (ಎಕರ್ಸನ್ 1997). ಹೀಗಾಗಿ, ಸಾಮರ್ಥ್ಯದ ಯೋಜನೆಯನ್ನು ನಡೆಸುವ ಮೂಲಕ, ಅಗತ್ಯತೆಗಳು ಬೆಳೆದಂತೆ ನಿರ್ಮಿಸಲಾಗುತ್ತಿರುವ ವ್ಯವಸ್ಥೆಯು ಬೆಳೆಯುತ್ತದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳುವುದು ಅತ್ಯಗತ್ಯ (ಬೆಸ್ಟ್ 1995, ಲ್ಯಾಪ್ಲ್ಯಾಂಟೆ 1996, ಲ್ಯಾಂಗ್ 1997, ಎಕರ್ಸನ್ 1997, ರುಡಿನ್ 1997a, ಫೋಲೆ 1997a).
ಡೇಟಾಬೇಸ್‌ನ ಸ್ಕೇಲೆಬಿಲಿಟಿಗಾಗಿ ಯೋಜಿಸುವಾಗ, ಗೋದಾಮಿನ ಗಾತ್ರದಲ್ಲಿ ನಿರೀಕ್ಷಿತ ಬೆಳವಣಿಗೆ, ಮಾಡಬಹುದಾದ ಪ್ರಶ್ನೆಗಳ ಪ್ರಕಾರಗಳು ಮತ್ತು ಬೆಂಬಲಿತ ಅಂತಿಮ ಬಳಕೆದಾರರ ಸಂಖ್ಯೆ (ಅತ್ಯುತ್ತಮ 1995, ರುಡಿನ್ 1997b, Foley 1997a) ತಿಳಿದಿರಬೇಕು. ಸ್ಕೇಲೆಬಲ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಲು ಸ್ಕೇಲೆಬಲ್ ಸರ್ವರ್ ತಂತ್ರಜ್ಞಾನಗಳು ಮತ್ತು ಸ್ಕೇಲೆಬಲ್ ಅಪ್ಲಿಕೇಶನ್ ವಿನ್ಯಾಸ ತಂತ್ರಗಳ ಸಂಯೋಜನೆಯ ಅಗತ್ಯವಿದೆ (ಅತ್ಯುತ್ತಮ 1995, ರುಡಿನ್ 1997b. ಹೆಚ್ಚು ಸ್ಕೇಲೆಬಲ್ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ನಿರ್ಮಿಸುವಲ್ಲಿ ಇವೆರಡೂ ಅವಶ್ಯಕ. ಸ್ಕೇಲೆಬಲ್ ಸರ್ವರ್ ತಂತ್ರಜ್ಞಾನಗಳು ಶೇಖರಣೆ, ಮೆಮೊರಿ ಮತ್ತು CPU ಅನ್ನು ಕಡಿಮೆ ಮಾಡದೆ ಸೇರಿಸಲು ಸುಲಭ ಮತ್ತು ಅನುಕೂಲಕರವಾಗಿಸುತ್ತದೆ. ಪ್ರದರ್ಶನ (ಲ್ಯಾಂಗ್ 1997, ಟೆಲಿಫೋನಿ 1997).

ಎರಡು ಪ್ರಮುಖ ಸ್ಕೇಲೆಬಲ್ ಸರ್ವರ್ ತಂತ್ರಜ್ಞಾನಗಳಿವೆ: ಸಮ್ಮಿತೀಯ ಬಹು ಸಂಸ್ಕರಣೆ (SMP) ಮತ್ತು ಬೃಹತ್ ಸಮಾನಾಂತರ ಸಂಸ್ಕರಣೆ (MPP) (IDC 1997, Humphries et al. 1999). ಒಂದು SMP ಸರ್ವರ್ ವಿಶಿಷ್ಟವಾಗಿ ಮೆಮೊರಿ, ಸಿಸ್ಟಮ್ ಬಸ್ ಮತ್ತು ಇತರ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಹಂಚಿಕೊಳ್ಳುವ ಬಹು ಸಂಸ್ಕಾರಕಗಳನ್ನು ಹೊಂದಿದೆ (IDC 1997, Humphries et al. 1999). ಅದನ್ನು ಹೆಚ್ಚಿಸಲು ಹೆಚ್ಚುವರಿ ಪ್ರೊಸೆಸರ್‌ಗಳನ್ನು ಸೇರಿಸಬಹುದು ವಿದ್ಯುತ್ ಕಂಪ್ಯೂಟೇಶನಲ್. ಹೆಚ್ಚಿಸಲು ಮತ್ತೊಂದು ವಿಧಾನ ವಿದ್ಯುತ್ SMP ಸರ್ವರ್‌ನ, ಹಲವಾರು SMP ಯಂತ್ರಗಳನ್ನು ಸಂಯೋಜಿಸುವುದು. ಈ ತಂತ್ರವನ್ನು ಕ್ಲಸ್ಟರಿಂಗ್ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ (ಹಂಫ್ರೀಸ್ ಮತ್ತು ಇತರರು 1999). ಮತ್ತೊಂದೆಡೆ, MPP ಸರ್ವರ್ ತನ್ನದೇ ಆದ ಮೆಮೊರಿ, ಬಸ್ ವ್ಯವಸ್ಥೆ ಮತ್ತು ಇತರ ಸಂಪನ್ಮೂಲಗಳೊಂದಿಗೆ ಬಹು ಸಂಸ್ಕಾರಕಗಳನ್ನು ಹೊಂದಿದೆ (IDC 1997, Humphries et al. 1999). ಪ್ರತಿಯೊಂದು ಪ್ರೊಸೆಸರ್ ಅನ್ನು ನೋಡ್ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಹೆಚ್ಚಳ ವಿದ್ಯುತ್ ಕಂಪ್ಯೂಟೇಶನಲ್ ಸಾಧಿಸಬಹುದು

MPP ಸರ್ವರ್‌ಗಳಿಗೆ ಹೆಚ್ಚುವರಿ ನೋಡ್‌ಗಳನ್ನು ಸೇರಿಸುವುದು (Humphries et al. 1999).

SMP ಸರ್ವರ್‌ಗಳ ದೌರ್ಬಲ್ಯವೆಂದರೆ ಹಲವಾರು ಇನ್‌ಪುಟ್-ಔಟ್‌ಪುಟ್ (I/O) ಕಾರ್ಯಾಚರಣೆಗಳು ಸಿಸ್ಟಮ್ ಬಸ್‌ನಲ್ಲಿ ದಟ್ಟಣೆಯನ್ನು ಉಂಟುಮಾಡಬಹುದು (IDC 1997). ಪ್ರತಿ ಪ್ರೊಸೆಸರ್ ತನ್ನದೇ ಆದ ಬಸ್ ವ್ಯವಸ್ಥೆಯನ್ನು ಹೊಂದಿರುವುದರಿಂದ MPP ಸರ್ವರ್‌ಗಳಲ್ಲಿ ಈ ಸಮಸ್ಯೆ ಉಂಟಾಗುವುದಿಲ್ಲ. ಆದಾಗ್ಯೂ, ಪ್ರತಿ ನೋಡ್ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಪರ್ಕಗಳು ಸಾಮಾನ್ಯವಾಗಿ SMP ಬಸ್ ವ್ಯವಸ್ಥೆಗಿಂತ ಹೆಚ್ಚು ನಿಧಾನವಾಗಿರುತ್ತವೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ, MPP ಸರ್ವರ್‌ಗಳು ಅಪ್ಲಿಕೇಶನ್ ಡೆವಲಪರ್‌ಗಳಿಗೆ ಹೆಚ್ಚುವರಿ ಮಟ್ಟದ ಸಂಕೀರ್ಣತೆಯನ್ನು ಸೇರಿಸಬಹುದು (IDC 1997). ಹೀಗಾಗಿ, SMP ಮತ್ತು MPP ಸರ್ವರ್‌ಗಳ ನಡುವಿನ ಆಯ್ಕೆಯು ಅಪ್ಲಿಕೇಶನ್‌ಗಳ ಸಂಕೀರ್ಣತೆ, ಬೆಲೆ/ಕಾರ್ಯಕ್ಷಮತೆಯ ಅನುಪಾತ, ಅಗತ್ಯವಿರುವ ಸಂಸ್ಕರಣಾ ಸಾಮರ್ಥ್ಯ, ತಡೆಗಟ್ಟಿದ dw ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಮತ್ತು ಗಾತ್ರದಲ್ಲಿನ ಹೆಚ್ಚಳ ಸೇರಿದಂತೆ ಹಲವು ಅಂಶಗಳಿಂದ ಪ್ರಭಾವಿತವಾಗಿರುತ್ತದೆ. ಡೇಟಾಬೇಸ್ dw ಮತ್ತು ಅಂತಿಮ ಬಳಕೆದಾರರ ಸಂಖ್ಯೆಯಲ್ಲಿ.

ಸಾಮರ್ಥ್ಯ ಯೋಜನೆಯಲ್ಲಿ ಹಲವಾರು ಸ್ಕೇಲೆಬಲ್ ಅಪ್ಲಿಕೇಶನ್ ವಿನ್ಯಾಸ ತಂತ್ರಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳಬಹುದು. ಒಬ್ಬರು ದಿನಗಳು, ವಾರಗಳು, ತಿಂಗಳುಗಳು ಮತ್ತು ವರ್ಷಗಳಂತಹ ವಿವಿಧ ಅಧಿಸೂಚನೆ ಅವಧಿಗಳನ್ನು ಬಳಸುತ್ತಾರೆ. ವಿವಿಧ ಅಧಿಸೂಚನೆ ಅವಧಿಗಳನ್ನು ಹೊಂದಿರುವ, ದಿ ಡೇಟಾಬೇಸ್ ಇದನ್ನು ನಿರ್ವಹಣಾಯೋಗ್ಯವಾಗಿ ಗುಂಪು ಮಾಡಿದ ತುಣುಕುಗಳಾಗಿ ವಿಂಗಡಿಸಬಹುದು (ಇನ್ಮನ್ ಮತ್ತು ಇತರರು 1997). ಸಾರಾಂಶ ಕೋಷ್ಟಕಗಳನ್ನು ಬಳಸುವುದು ಮತ್ತೊಂದು ತಂತ್ರವಾಗಿದೆ, ಇವುಗಳನ್ನು ಸಾರಾಂಶದಿಂದ ನಿರ್ಮಿಸಲಾಗಿದೆ dati da dati ವಿವರವಾದ. ಆದ್ದರಿಂದ, ಐ dati ಸಾರಾಂಶವು ವಿವರಗಳಿಗಿಂತ ಹೆಚ್ಚು ಸಾಂದ್ರವಾಗಿರುತ್ತದೆ, ಇದಕ್ಕೆ ಕಡಿಮೆ ಮೆಮೊರಿ ಸ್ಥಳಾವಕಾಶ ಬೇಕಾಗುತ್ತದೆ. ಆದ್ದರಿಂದ ದಿ dati ವಿವರಗಳನ್ನು ಕಡಿಮೆ ವೆಚ್ಚದ ಶೇಖರಣಾ ಘಟಕದಲ್ಲಿ ಸಂಗ್ರಹಿಸಬಹುದು, ಇದು ಇನ್ನೂ ಹೆಚ್ಚಿನ ಸಂಗ್ರಹಣೆಯನ್ನು ಉಳಿಸುತ್ತದೆ. ಸಾರಾಂಶ ಕೋಷ್ಟಕಗಳನ್ನು ಬಳಸುವುದರಿಂದ ಮೆಮೊರಿ ಜಾಗವನ್ನು ಉಳಿಸಬಹುದಾದರೂ, ಅವುಗಳನ್ನು ನವೀಕೃತವಾಗಿ ಇರಿಸಿಕೊಳ್ಳಲು ಮತ್ತು ವ್ಯಾಪಾರದ ಅಗತ್ಯಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ಅವರಿಗೆ ಸಾಕಷ್ಟು ಶ್ರಮ ಬೇಕಾಗುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಈ ತಂತ್ರವನ್ನು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ ಮತ್ತು ಹಿಂದಿನ ತಂತ್ರದೊಂದಿಗೆ (ಬೆಸ್ಟ್ 1995, ಇನ್ಮನ್ 1996a, ಚೌದುರಿ ಮತ್ತು ದಯಾಲ್) ಜೊತೆಯಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ.
1997).

ವ್ಯಾಖ್ಯಾನಿಸುವುದು ಮಾಹಿತಿ ಉಗ್ರಾಣ ತಾಂತ್ರಿಕ ವಾಸ್ತುಶಿಲ್ಪಗಳು dw ಆರ್ಕಿಟೆಕ್ಚರ್ ತಂತ್ರಗಳ ವ್ಯಾಖ್ಯಾನ

ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್‌ನ ಆರಂಭಿಕ ಅಳವಡಿಕೆದಾರರು ಪ್ರಾಥಮಿಕವಾಗಿ dw ಯ ಕೇಂದ್ರೀಕೃತ ಅನುಷ್ಠಾನವನ್ನು ಕಲ್ಪಿಸಿಕೊಂಡರು, ಇದರಲ್ಲಿ ಎಲ್ಲಾ dati, ಸೇರಿದಂತೆ ಐ dati ಬಾಹ್ಯ, ಒಂದೇ ಆಗಿ ಸಂಯೋಜಿಸಲಾಗಿದೆ,
ಭೌತಿಕ ಸಂಗ್ರಹಣೆ (ಇನ್ಮನ್ 1996a, ಬ್ರೆಸ್ನಾಹನ್ 1996, ಪೀಕಾಕ್ 1998).

ಈ ವಿಧಾನದ ಮುಖ್ಯ ಪ್ರಯೋಜನವೆಂದರೆ ಅಂತಿಮ ಬಳಕೆದಾರರು ಎಂಟರ್‌ಪ್ರೈಸ್-ವೈಡ್ ವೀಕ್ಷಣೆಯನ್ನು ಪ್ರವೇಶಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ dati ಸಾಂಸ್ಥಿಕ (Ovum 1998). ಮತ್ತೊಂದು ಪ್ರಯೋಜನವೆಂದರೆ ಅದು ಪ್ರಮಾಣೀಕರಣವನ್ನು ನೀಡುತ್ತದೆ dati ಸಂಘಟನೆಯ ಮೂಲಕ, ಅಂದರೆ dw ರೆಪೊಸಿಟರಿಯಲ್ಲಿ (ಮೆಟಾಡೇಟಾ) ಬಳಸಲಾದ ಪ್ರತಿ ಪರಿಭಾಷೆಗೆ ಕೇವಲ ಒಂದು ಆವೃತ್ತಿ ಅಥವಾ ವ್ಯಾಖ್ಯಾನವಿದೆ (ಫ್ಲಾನಗನ್ ಮತ್ತು ಸಫ್ಡಿ 1997, ಓವಮ್ 1998). ಮತ್ತೊಂದೆಡೆ, ಈ ವಿಧಾನದ ಅನನುಕೂಲವೆಂದರೆ, ಇದು ದುಬಾರಿ ಮತ್ತು ನಿರ್ಮಿಸಲು ಕಷ್ಟಕರವಾಗಿದೆ (ಫ್ಲಾನಗನ್ ಮತ್ತು ಸಫ್ಡಿ 1997, ಓವಮ್ 1998, ಇನ್ಮನ್ ಮತ್ತು ಇತರರು. 1998). ಶೇಖರಣಾ ವಾಸ್ತುಶಿಲ್ಪದ ನಂತರ ಸ್ವಲ್ಪ ಸಮಯದ ನಂತರ dati ಕೇಂದ್ರೀಕೃತವು ಜನಪ್ರಿಯವಾಯಿತು, ವಿಕಸನಗೊಂಡ ಸಣ್ಣ ಉಪವಿಭಾಗಗಳನ್ನು ಹೊರತೆಗೆಯುವ ಪರಿಕಲ್ಪನೆ dati ನಿರ್ದಿಷ್ಟ ಅಪ್ಲಿಕೇಶನ್‌ಗಳ ಅಗತ್ಯಗಳನ್ನು ಬೆಂಬಲಿಸಲು (ವಾರ್ನಿ 1996, IDC 1997, ಬರ್ಸನ್ ಮತ್ತು ಸ್ಮಿತ್ 1997, ನವಿಲು 1998). ಈ ಸಣ್ಣ ವ್ಯವಸ್ಥೆಗಳು ದೊಡ್ಡದಾದ ಒಂದು ಉತ್ಪನ್ನಗಳಾಗಿವೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಕೇಂದ್ರೀಕೃತ. ಅವುಗಳನ್ನು ಹೆಸರಿಸಲಾಗಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಅವಲಂಬಿತ ಇಲಾಖೆಯ ಅಥವಾ ಅವಲಂಬಿತ ಡೇಟಾ ಮಾರ್ಟ್‌ಗಳು. ಅವಲಂಬಿತ ಡೇಟಾ ಮಾರ್ಟ್ ಆರ್ಕಿಟೆಕ್ಚರ್ ಅನ್ನು ಮೂರು-ಶ್ರೇಣಿಯ ಆರ್ಕಿಟೆಕ್ಚರ್ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ, ಅಲ್ಲಿ ಮೊದಲ ಹಂತವು ಒಳಗೊಂಡಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಕೇಂದ್ರೀಕೃತ, ಎರಡನೆಯದು ನಿಕ್ಷೇಪಗಳನ್ನು ಒಳಗೊಂಡಿದೆ dati ವಿಭಾಗೀಯ ಮತ್ತು ಮೂರನೆಯದು ಪ್ರವೇಶವನ್ನು ಒಳಗೊಂಡಿದೆ dati ಮತ್ತು ವಿಶ್ಲೇಷಣಾ ಸಾಧನಗಳ ಮೂಲಕ (ಡಿಮಾರೆಸ್ಟ್ 1994, ಇನ್ಮನ್ ಮತ್ತು ಇತರರು 1997).

ಡೇಟಾ ಮಾರ್ಟ್‌ಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ನಂತರ ನಿರ್ಮಿಸಲಾಗುತ್ತದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ನಿರ್ದಿಷ್ಟ ಘಟಕಗಳ ಅಗತ್ಯತೆಗಳನ್ನು ಪೂರೈಸಲು ಕೇಂದ್ರೀಕೃತವನ್ನು ನಿರ್ಮಿಸಲಾಗಿದೆ (ವೈಟ್ 1995, ವಾರ್ನಿ 1996).
ಡೇಟಾ ಮಾರ್ಟ್‌ಗಳು ಸಂಗ್ರಹಿಸುತ್ತವೆ dati ನಿರ್ದಿಷ್ಟ ಘಟಕಗಳಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಬಹಳ ಪ್ರಸ್ತುತವಾಗಿದೆ (ಇನ್ಮನ್ ಮತ್ತು ಇತರರು. 1997, ಇನ್ಮನ್ ಮತ್ತು ಇತರರು. 1998, IA 1998).

ಈ ವಿಧಾನದ ಪ್ರಯೋಜನವೆಂದರೆ ಯಾವುದೇ ಇರುವುದಿಲ್ಲ ನೀಡಿದ ಸಂಯೋಜಿತವಾಗಿಲ್ಲ ಮತ್ತು ಅದು i dati ಎಲ್ಲಾ ಮಾಹಿತಿ ಮಾರ್ಟ್‌ಗಳಲ್ಲಿ ಕಡಿಮೆ ಅನಗತ್ಯವಾಗಿರುತ್ತದೆ dati ಅವರು ಉಗ್ರಾಣದಿಂದ ಬರುತ್ತಾರೆ dati ಸಂಯೋಜಿಸಲಾಗಿದೆ. ಮತ್ತೊಂದು ಪ್ರಯೋಜನವೆಂದರೆ ಪ್ರತಿ ಡೇಟಾ ಮಾರ್ಟ್ ಮತ್ತು ಅದರ ಮೂಲಗಳ ನಡುವೆ ಕೆಲವು ಸಂಪರ್ಕಗಳು ಇರುತ್ತವೆ dati ಏಕೆಂದರೆ ಪ್ರತಿಯೊಂದು ಡೇಟಾ ಮಾರ್ಟ್ ಕೇವಲ ಒಂದು ಮೂಲವನ್ನು ಹೊಂದಿದೆ dati. ಜೊತೆಗೆ ಈ ಆರ್ಕಿಟೆಕ್ಚರ್ ಸ್ಥಳದಲ್ಲಿ, ಅಂತಿಮ ಬಳಕೆದಾರರು ಇನ್ನೂ ಅವಲೋಕನವನ್ನು ಪ್ರವೇಶಿಸಬಹುದು dati

ಕಾರ್ಪೊರೇಟ್ ಸಂಸ್ಥೆಗಳು. ಈ ವಿಧಾನವನ್ನು ಟಾಪ್-ಡೌನ್ ವಿಧಾನ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ, ಅಲ್ಲಿ ಡೇಟಾ ಮಾರ್ಟ್‌ಗಳನ್ನು ನಂತರ ನಿರ್ಮಿಸಲಾಗುತ್ತದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ (ನವಿಲು 1998, ಗಾಫ್ 1998).
ಆರಂಭಿಕ ಫಲಿತಾಂಶಗಳನ್ನು ತೋರಿಸುವ ಅಗತ್ಯವನ್ನು ಹೆಚ್ಚಿಸಿ, ಕೆಲವು ಸಂಸ್ಥೆಗಳು ಸ್ವತಂತ್ರ ಡೇಟಾ ಮಾರ್ಟ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಲು ಪ್ರಾರಂಭಿಸಿವೆ (ಫ್ಲಾನಗನ್ ಮತ್ತು ಸಫ್ಡಿ 1997, ವೈಟ್ 2000). ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಡೇಟಾ ಮಾರ್ಟ್‌ಗಳು ತಮ್ಮದೇ ಆದದನ್ನು ಪಡೆಯುತ್ತವೆ dati ಮೂಲಭೂತ ಅಂಶಗಳಿಂದ ನೇರವಾಗಿ dati OLTP ಮತ್ತು ಕೇಂದ್ರೀಕೃತ ಮತ್ತು ಸಂಯೋಜಿತ ವೇರ್ಹೌಸ್ನಿಂದ ಅಲ್ಲ, ಹೀಗಾಗಿ ಸೈಟ್ನಲ್ಲಿ ಕೇಂದ್ರ ಗೋದಾಮಿನ ಅಗತ್ಯವನ್ನು ತೆಗೆದುಹಾಕುತ್ತದೆ.

ಪ್ರತಿಯೊಂದು ಡೇಟಾ ಮಾರ್ಟ್‌ಗೆ ಅದರ ಮೂಲಗಳಿಗೆ ಕನಿಷ್ಠ ಒಂದು ಲಿಂಕ್ ಅಗತ್ಯವಿದೆ dati. ಪ್ರತಿ ಡೇಟಾ ಮಾರ್ಟ್‌ಗೆ ಬಹು ಸಂಪರ್ಕಗಳನ್ನು ಹೊಂದಿರುವ ಅನನುಕೂಲವೆಂದರೆ, ಹಿಂದಿನ ಎರಡು ಆರ್ಕಿಟೆಕ್ಚರ್‌ಗಳಿಗೆ ಹೋಲಿಸಿದರೆ, ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದಲ್ಲಿ dati ಗಮನಾರ್ಹವಾಗಿ ಹೆಚ್ಚಾಗುತ್ತದೆ.

ಪ್ರತಿಯೊಂದು ಡೇಟಾ ಮಾರ್ಟ್ ಎಲ್ಲವನ್ನೂ ಸಂಗ್ರಹಿಸಬೇಕು dati OLTP ವ್ಯವಸ್ಥೆಗಳ ಮೇಲೆ ಯಾವುದೇ ಪರಿಣಾಮ ಬೀರದಂತೆ ಸ್ಥಳೀಯವಾಗಿ ಅಗತ್ಯವಿದೆ. ಇದು ಐ dati ಅವುಗಳನ್ನು ವಿವಿಧ ಡೇಟಾ ಮಾರ್ಟ್‌ಗಳಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ (ಇನ್ಮನ್ ಮತ್ತು ಇತರರು 1997). ಈ ವಾಸ್ತುಶಿಲ್ಪದ ಮತ್ತೊಂದು ಅನನುಕೂಲವೆಂದರೆ ಇದು ಡೇಟಾ ಮಾರ್ಟ್‌ಗಳು ಮತ್ತು ಅವುಗಳ ಡೇಟಾ ಮೂಲಗಳ ನಡುವೆ ಸಂಕೀರ್ಣವಾದ ಅಂತರ್ಸಂಪರ್ಕಗಳ ಸೃಷ್ಟಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ. dati ನಿರ್ವಹಿಸಲು ಮತ್ತು ನಿಯಂತ್ರಿಸಲು ಕಷ್ಟಕರವಾದವುಗಳು (ಇನ್ಮನ್ ಮತ್ತು ಇತರರು 1997).

ಮತ್ತೊಂದು ಅನನುಕೂಲವೆಂದರೆ ಅಂತಿಮ ಬಳಕೆದಾರರು ಕಂಪನಿಯ ಮಾಹಿತಿಯ ಅವಲೋಕನವನ್ನು ಪ್ರವೇಶಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ ಏಕೆಂದರೆ i dati ವಿಭಿನ್ನ ಡೇಟಾ ಮಾರ್ಟ್‌ಗಳನ್ನು ಸಂಯೋಜಿಸಲಾಗಿಲ್ಲ (Ovum 1998).
ಮತ್ತೊಂದು ಅನನುಕೂಲವೆಂದರೆ ಡೇಟಾ ಮಾರ್ಟ್‌ಗಳಲ್ಲಿ ಬಳಸುವ ಪ್ರತಿಯೊಂದು ಪರಿಭಾಷೆಗೆ ಒಂದಕ್ಕಿಂತ ಹೆಚ್ಚು ವ್ಯಾಖ್ಯಾನಗಳು ಇರಬಹುದು ಇದು ಅಸಂಗತತೆಯನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ dati ಸಂಸ್ಥೆಯಲ್ಲಿ (Ovum 1998).
ಮೇಲೆ ಚರ್ಚಿಸಿದ ಅನಾನುಕೂಲಗಳ ಹೊರತಾಗಿಯೂ, ಸ್ವತಂತ್ರ ಡೇಟಾ ಮಾರ್ಟ್‌ಗಳು ಇನ್ನೂ ಅನೇಕ ಸಂಸ್ಥೆಗಳ ಆಸಕ್ತಿಯನ್ನು ಆಕರ್ಷಿಸುತ್ತವೆ (IDC 1997). ಅವುಗಳನ್ನು ಆಕರ್ಷಕವಾಗಿ ಮಾಡುವ ಒಂದು ಅಂಶವೆಂದರೆ ಅವುಗಳು ತ್ವರಿತವಾಗಿ ಅಭಿವೃದ್ಧಿ ಹೊಂದುತ್ತವೆ ಮತ್ತು ಕಡಿಮೆ ಸಮಯ ಮತ್ತು ಸಂಪನ್ಮೂಲಗಳ ಅಗತ್ಯವಿರುತ್ತದೆ (ಬ್ರೆಸ್ನಾಹನ್ 1996, ಬರ್ಸನ್ ಮತ್ತು ಸ್ಮಿತ್ 1997, ಓವಮ್ 1998). ಪರಿಣಾಮವಾಗಿ, ಅವು ಪ್ರಾಥಮಿಕವಾಗಿ ಪರೀಕ್ಷಾ ಯೋಜನೆಗಳಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ, ಯೋಜನೆಯಲ್ಲಿನ ಪ್ರಯೋಜನಗಳು ಮತ್ತು/ಅಥವಾ ಅಪೂರ್ಣತೆಗಳನ್ನು ತ್ವರಿತವಾಗಿ ಗುರುತಿಸಲು ಬಳಸಬಹುದಾಗಿದೆ (Parsaye 1995, Braly 1995, Newing 1996). ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಪೈಲಟ್ ಯೋಜನೆಯಲ್ಲಿ ಅಳವಡಿಸಬೇಕಾದ ಭಾಗವು ಚಿಕ್ಕದಾಗಿರಬೇಕು ಆದರೆ ಸಂಸ್ಥೆಗೆ ಮುಖ್ಯವಾಗಿದೆ (ನ್ಯೂವಿಂಗ್ 1996, ಮ್ಯಾನ್ಸೆಲ್-ಲೆವಿಸ್ 1996).

ಮೂಲಮಾದರಿಯನ್ನು ಪರೀಕ್ಷಿಸುವ ಮೂಲಕ, ಅಂತಿಮ ಬಳಕೆದಾರರು ಮತ್ತು ಆಡಳಿತವು ಯೋಜನೆಯನ್ನು ಮುಂದುವರಿಸಬೇಕೆ ಅಥವಾ ನಿಲ್ಲಿಸಬೇಕೆ ಎಂದು ನಿರ್ಧರಿಸಬಹುದು (ಫ್ಲನಗನ್ ಮತ್ತು ಸಫ್ಡಿ 1997).
ನಿರ್ಧಾರವು ಮುಂದುವರಿಯಬೇಕಾದರೆ, ಇತರ ಕೈಗಾರಿಕೆಗಳಿಗೆ ಡೇಟಾ ಮಾರ್ಟ್‌ಗಳನ್ನು ಒಂದೊಂದಾಗಿ ನಿರ್ಮಿಸಬೇಕು. ಸ್ವತಂತ್ರ ಡೇಟಾ ಮ್ಯಾಟ್ರಿಕ್ಸ್‌ಗಳನ್ನು ನಿರ್ಮಿಸುವಲ್ಲಿ ಅವರ ಅಗತ್ಯಗಳ ಆಧಾರದ ಮೇಲೆ ಅಂತಿಮ ಬಳಕೆದಾರರಿಗೆ ಎರಡು ಆಯ್ಕೆಗಳಿವೆ: ಇಂಟಿಗ್ರೇಟೆಡ್/ಫೆಡರೇಟೆಡ್ ಮತ್ತು ಇಂಟಿಗ್ರೇಟೆಡ್ (ಓವುಮ್ 1998)

ಮೊದಲ ವಿಧಾನದಲ್ಲಿ, ಪ್ರತಿ ಹೊಸ ಡೇಟಾ ಮಾರ್ಟ್ ಅನ್ನು ಪ್ರಸ್ತುತ ಡೇಟಾ ಮಾರ್ಟ್‌ಗಳು ಮತ್ತು ಮಾದರಿಯ ಆಧಾರದ ಮೇಲೆ ನಿರ್ಮಿಸಬೇಕು dati ಕಂಪನಿಯು ಬಳಸಿದೆ (ವಾರ್ನಿ 1996, ಬರ್ಸನ್ ಮತ್ತು ಸ್ಮಿತ್ 1997, ಪೀಕಾಕ್ 1998). ಮಾದರಿಯನ್ನು ಬಳಸುವ ಅಗತ್ಯತೆ dati ಕಂಪನಿಯ ಅರ್ಥವೆಂದರೆ ಡೇಟಾ ಮಾರ್ಟ್‌ಗಳಾದ್ಯಂತ ಬಳಸಲಾಗುವ ಪ್ರತಿಯೊಂದು ಪರಿಭಾಷೆಗೆ ಒಂದೇ ಒಂದು ವ್ಯಾಖ್ಯಾನವಿದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಬೇಕು, ಇದು ಕಂಪನಿಯ ಮಾಹಿತಿಯ ಅವಲೋಕನವನ್ನು ನೀಡಲು ವಿಭಿನ್ನ ಡೇಟಾ ಮಾರ್ಟ್‌ಗಳನ್ನು ಸಂಯೋಜಿಸಬಹುದೆಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳುವುದು (ಬ್ರೆಸ್ನಾಹನ್ 1996). ಈ ವಿಧಾನವನ್ನು ಬಾಟಮ್-ಅಪ್ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ ಮತ್ತು ಹಣಕಾಸಿನ ವಿಧಾನಗಳು ಮತ್ತು ಸಮಯದ ಮೇಲೆ ನಿರ್ಬಂಧವಿರುವಾಗ ಉತ್ತಮವಾಗಿದೆ (ಫ್ಲಾನಗನ್ ಮತ್ತು ಸಫ್ಡಿ 1997, ಓವಮ್ 1998, ಪೀಕಾಕ್ 1998, ಗಾಫ್ 1998). ಎರಡನೆಯ ವಿಧಾನದಲ್ಲಿ, ನಿರ್ಮಿಸಿದ ಡೇಟಾ ಮಾರ್ಟ್‌ಗಳು ನಿರ್ದಿಷ್ಟ ಘಟಕದ ಅಗತ್ಯಗಳನ್ನು ಮಾತ್ರ ಪೂರೈಸಬಲ್ಲವು. ಫೆಡರೇಟೆಡ್ ಡೇಟಾ ಮಾರ್ಟ್‌ನ ಒಂದು ರೂಪಾಂತರವಾಗಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಇದರಲ್ಲಿ ವಿತರಿಸಲಾಗಿದೆ ಡೇಟಾಬೇಸ್ ಅನೇಕ ಡೇಟಾ ಮಾರ್ಟ್‌ಗಳನ್ನು ಒಂದೇ ರೆಪೊಸಿಟರಿಯಲ್ಲಿ ವಿಲೀನಗೊಳಿಸಲು ಹಬ್ ಸರ್ವರ್ ಮಿಡಲ್‌ವೇರ್ ಅನ್ನು ಬಳಸಲಾಗುತ್ತದೆ dati ವಿತರಿಸಲಾಗಿದೆ (ಬಿಳಿ 1995). ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಐ dati ಕಂಪನಿಗಳನ್ನು ಹಲವಾರು ಡೇಟಾ ಮಾರ್ಟ್‌ಗಳಲ್ಲಿ ವಿತರಿಸಲಾಗುತ್ತದೆ. ಅಂತಿಮ ಬಳಕೆದಾರರ ವಿನಂತಿಗಳನ್ನು ಫಾರ್ವರ್ಡ್ ಮಾಡಲಾಗಿದೆ ಡೇಟಾಬೇಸ್ ಸರ್ವರ್ ಹಬ್ ಮಿಡಲ್‌ವೇರ್, ಇದು ಎಲ್ಲವನ್ನೂ ಹೊರತೆಗೆಯುತ್ತದೆ dati ಡೇಟಾ ಮಾರ್ಟ್‌ಗಳಿಂದ ವಿನಂತಿಸಲಾಗಿದೆ ಮತ್ತು ಅಂತಿಮ-ಬಳಕೆದಾರ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗೆ ಫಲಿತಾಂಶಗಳನ್ನು ಹಿಂತಿರುಗಿಸುತ್ತದೆ. ಈ ವಿಧಾನವು ಅಂತಿಮ ಬಳಕೆದಾರರಿಗೆ ವ್ಯಾಪಾರ ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಸ್ವತಂತ್ರ ಡೇಟಾ ಮಾರ್ಟ್‌ಗಳ ಸಮಸ್ಯೆಗಳು ಇನ್ನೂ ನಿವಾರಣೆಯಾಗಿಲ್ಲ. ಎಂದು ಕರೆಯಲ್ಪಡುವ ಮತ್ತೊಂದು ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಬಳಸಬಹುದಾಗಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ವರ್ಚುವಲ್ (ಬಿಳಿ 1995). ಆದಾಗ್ಯೂ, ಚಿತ್ರ 2.9 ರಲ್ಲಿ ವಿವರಿಸಲಾದ ಈ ಆರ್ಕಿಟೆಕ್ಚರ್ ಡೇಟಾ ಸಂಗ್ರಹಣೆಯ ಆರ್ಕಿಟೆಕ್ಚರ್ ಅಲ್ಲ. dati ಇದು OLTP ಸಿಸ್ಟಮ್‌ಗಳಿಂದ ಲೋಡಿಂಗ್ ಅನ್ನು ಸರಿಸುವುದಿಲ್ಲವಾದ್ದರಿಂದ ನಿಜ ಡೇಟಾ ವೇರ್ಹೌಸ್ (ಡಿಮಾರೆಸ್ಟ್ 1994).

ವಾಸ್ತವವಾಗಿ, ವಿನಂತಿಗಳು dati ಅಂತಿಮ ಬಳಕೆದಾರರಿಂದ OLTP ವ್ಯವಸ್ಥೆಗಳಿಗೆ ರವಾನಿಸಲಾಗುತ್ತದೆ ಅದು ಬಳಕೆದಾರರ ವಿನಂತಿಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಿದ ನಂತರ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡುತ್ತದೆ. ಈ ಆರ್ಕಿಟೆಕ್ಚರ್ ಅಂತಿಮ ಬಳಕೆದಾರರಿಗೆ ವರದಿಗಳನ್ನು ರಚಿಸಲು ಮತ್ತು ವಿನಂತಿಗಳನ್ನು ಮಾಡಲು ಅನುಮತಿಸುತ್ತದೆ, ಇದು ಒದಗಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ

dati ಕಂಪನಿಯ ಮಾಹಿತಿಯ ಐತಿಹಾಸಿಕ ಮತ್ತು ಅವಲೋಕನ i dati ವಿವಿಧ OLTP ವ್ಯವಸ್ಥೆಗಳಿಂದ ಸಂಯೋಜಿಸಲಾಗಿಲ್ಲ. ಆದ್ದರಿಂದ, ಈ ವಾಸ್ತುಶಿಲ್ಪವು ವಿಶ್ಲೇಷಣೆಯನ್ನು ಪೂರೈಸಲು ಸಾಧ್ಯವಿಲ್ಲ dati ಮುನ್ಸೂಚನೆಗಳಂತಹ ಸಂಕೀರ್ಣ.

ಪ್ರವೇಶ ಮತ್ತು ಮರುಪಡೆಯುವಿಕೆ ಅಪ್ಲಿಕೇಶನ್‌ಗಳ ಆಯ್ಕೆ dati

ನಿರ್ಮಾಣದ ಉದ್ದೇಶ ಎ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಅಂತಿಮ ಬಳಕೆದಾರರಿಗೆ ಮಾಹಿತಿಯನ್ನು ತಿಳಿಸುವುದು (ಇನ್ಮನ್ ಮತ್ತು ಇತರರು 1997, ಪೊ 1996, ಮೆಕ್‌ಫ್ಯಾಡೆನ್ 1996, ಶಾಂಕ್ಸ್ ಮತ್ತು ಇತರರು. 1997, ಹ್ಯಾಮರ್‌ಗ್ರೆನ್ 1998); ಒಂದು ಅಥವಾ ಹೆಚ್ಚಿನ ಪ್ರವೇಶ ಮತ್ತು ಮರುಪ್ರಾಪ್ತಿ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು dati ಒದಗಿಸಬೇಕು. ಇಲ್ಲಿಯವರೆಗೆ, ಬಳಕೆದಾರರು ಆಯ್ಕೆಮಾಡಬಹುದಾದ ಈ ಅಪ್ಲಿಕೇಶನ್‌ಗಳ ವ್ಯಾಪಕ ವೈವಿಧ್ಯತೆಗಳಿವೆ (ಹ್ಯಾಮರ್‌ಗ್ರೆನ್ 1998, ಹಂಫ್ರೀಸ್ ಮತ್ತು ಇತರರು. 1999). ನೀವು ಆಯ್ಕೆ ಮಾಡಿದ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ನಿಮ್ಮ ಉಗ್ರಾಣ ಪ್ರಯತ್ನದ ಯಶಸ್ಸನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ dati ಸಂಸ್ಥೆಯಲ್ಲಿ ಏಕೆಂದರೆ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಹೆಚ್ಚು ಗೋಚರಿಸುವ ಭಾಗವಾಗಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಅಂತಿಮ ಬಳಕೆದಾರರಿಗೆ (Inmon et al. 1997, Poe 1996). ಯಶಸ್ವಿಯಾಗಲು ಎ ಡೇಟಾ ವೇರ್ಹೌಸ್, ನ ವಿಶ್ಲೇಷಣಾ ಚಟುವಟಿಕೆಗಳನ್ನು ಬೆಂಬಲಿಸಲು ಶಕ್ತರಾಗಿರಬೇಕು dati ಅಂತಿಮ ಬಳಕೆದಾರರ (ಪೋ 1996, ಸೆಡನ್ ಮತ್ತು ಬೆಂಜಮಿನ್ 1998, ಎಕರ್ಸನ್ 1999). ಹೀಗಾಗಿ ಅಂತಿಮ ಬಳಕೆದಾರರು ಏನನ್ನು ಬಯಸುತ್ತಾರೆ ಎಂಬುದರ "ಮಟ್ಟ" ಗುರುತಿಸಬೇಕು (ಪೋ 1996, ಮ್ಯಾಟಿಸನ್ 1996, ಇನ್ಮನ್ ಮತ್ತು ಇತರರು. 1997, ಹಂಫ್ರೀಸ್ ಮತ್ತು ಇತರರು. 1999).

ಸಾಮಾನ್ಯವಾಗಿ, ಅಂತಿಮ ಬಳಕೆದಾರರನ್ನು ಮೂರು ವರ್ಗಗಳಾಗಿ ವರ್ಗೀಕರಿಸಬಹುದು: ಕಾರ್ಯನಿರ್ವಾಹಕ ಬಳಕೆದಾರರು, ವ್ಯಾಪಾರ ವಿಶ್ಲೇಷಕರು ಮತ್ತು ಶಕ್ತಿ ಬಳಕೆದಾರರು (ಪೋ 1996, ಹಂಫ್ರೀಸ್ ಮತ್ತು ಇತರರು. 1999). ಕಾರ್ಯನಿರ್ವಾಹಕ ಬಳಕೆದಾರರಿಗೆ ಪೂರ್ವನಿರ್ಧರಿತ ವರದಿಗಳ ಸುಲಭ ಪ್ರವೇಶದ ಅಗತ್ಯವಿದೆ (ಹಂಫ್ರೀಸ್ ಮತ್ತು ಇತರರು. 1999). ಈ ಅನುಪಾತಗಳನ್ನು ಮೆನು ನ್ಯಾವಿಗೇಶನ್‌ನೊಂದಿಗೆ ಸುಲಭವಾಗಿ ಪ್ರವೇಶಿಸಬಹುದು (ಪೋ 1996). ಹೆಚ್ಚುವರಿಯಾಗಿ, ಮಾಹಿತಿಯನ್ನು ತ್ವರಿತವಾಗಿ ತಿಳಿಸಲು ಕೋಷ್ಟಕಗಳು ಮತ್ತು ಟೆಂಪ್ಲೇಟ್‌ಗಳಂತಹ ಚಿತ್ರಾತ್ಮಕ ಪ್ರಾತಿನಿಧ್ಯವನ್ನು ಬಳಸಿಕೊಂಡು ವರದಿಗಳು ಮಾಹಿತಿಯನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಬೇಕು (ಹಂಫ್ರೀಸ್ ಮತ್ತು ಇತರರು. 1999). ವ್ಯಾಪಾರ ವಿಶ್ಲೇಷಕರು, ತಮ್ಮದೇ ಆದ ಮೊದಲಿನಿಂದ ವರದಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ತಾಂತ್ರಿಕ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಹೊಂದಿರದಿರಬಹುದು, ಅವರ ನಿರ್ದಿಷ್ಟ ಅಗತ್ಯಗಳನ್ನು ಪೂರೈಸಲು ಪ್ರಸ್ತುತ ವರದಿಗಳನ್ನು ಮಾರ್ಪಡಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ (Poe 1996, Humphries et al. 1999). ಮತ್ತೊಂದೆಡೆ, ವಿದ್ಯುತ್ ಬಳಕೆದಾರರು ಮೊದಲಿನಿಂದ ವಿನಂತಿಗಳು ಮತ್ತು ವರದಿಗಳನ್ನು ರಚಿಸುವ ಮತ್ತು ಬರೆಯುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿರುವ ಅಂತಿಮ ಬಳಕೆದಾರರ ಪ್ರಕಾರವಾಗಿದೆ (Poe 1996, Humphries et al. 1999). ಅವರೇ ಆಗಿದ್ದಾರೆ

ಅವರು ಇತರ ರೀತಿಯ ಬಳಕೆದಾರರಿಗಾಗಿ ವರದಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತಾರೆ (ಪೋ 1996, ಹಂಫ್ರೀಸ್ ಮತ್ತು ಇತರರು. 1999).

ಅಂತಿಮ ಬಳಕೆದಾರರ ಅವಶ್ಯಕತೆಗಳನ್ನು ನಿರ್ಧರಿಸಿದ ನಂತರ, ಪ್ರವೇಶ ಮತ್ತು ಮರುಪಡೆಯುವಿಕೆ ಅಪ್ಲಿಕೇಶನ್‌ಗಳ ಆಯ್ಕೆಯನ್ನು ಮಾಡಬೇಕು dati ಲಭ್ಯವಿರುವ ಎಲ್ಲದರಲ್ಲಿ (ಪೋ 1996, ಇನ್ಮನ್ ಮತ್ತು ಇತರರು. 1997).
ಗೆ ಪ್ರವೇಶ dati ಮತ್ತು ಮರುಪಡೆಯುವಿಕೆ ಉಪಕರಣಗಳನ್ನು 4 ವಿಧಗಳಾಗಿ ವರ್ಗೀಕರಿಸಬಹುದು: OLAP ಉಪಕರಣಗಳು, EIS/DSS ಪರಿಕರಗಳು, ಪ್ರಶ್ನೆ ಮತ್ತು ವರದಿ ಮಾಡುವ ಪರಿಕರಗಳು ಮತ್ತು ಡೇಟಾ ಮೈನಿಂಗ್ ಉಪಕರಣಗಳು.

OLAP ಪರಿಕರಗಳು ಬಳಕೆದಾರರಿಗೆ ತಾತ್ಕಾಲಿಕ ಪ್ರಶ್ನೆಗಳನ್ನು ರಚಿಸಲು ಅವಕಾಶ ನೀಡುತ್ತವೆ ಹಾಗೂ ಇವುಗಳಲ್ಲಿ ಮಾಡಿದವು ಡೇಟಾಬೇಸ್ ಆಫ್ ಡೇಟಾ ವೇರ್ಹೌಸ್. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಈ ಉತ್ಪನ್ನಗಳು ಬಳಕೆದಾರರನ್ನು ಕೊರೆಯಲು ಅನುಮತಿಸುತ್ತದೆ dati ಸಾಮಾನ್ಯದಿಂದ ವಿವರವಾದವುಗಳಿಗೆ.

EIS/DSS ಪರಿಕರಗಳು "ವಾಟ್ ಇಫ್" ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಮೆನು-ಚಾಲಿತ ವರದಿಗಳಿಗೆ ಪ್ರವೇಶದಂತಹ ಕಾರ್ಯನಿರ್ವಾಹಕ ವರದಿಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಸುಲಭವಾಗಿ ನ್ಯಾವಿಗೇಶನ್ ಮಾಡಲು ವರದಿಗಳನ್ನು ಪೂರ್ವನಿರ್ಧರಿತವಾಗಿರಬೇಕು ಮತ್ತು ಮೆನುಗಳೊಂದಿಗೆ ವಿಲೀನಗೊಳಿಸಬೇಕು.
ಪ್ರಶ್ನೆ ಮತ್ತು ವರದಿ ಮಾಡುವ ಪರಿಕರಗಳು ಬಳಕೆದಾರರಿಗೆ ಪೂರ್ವನಿರ್ಧರಿತ ಮತ್ತು ನಿರ್ದಿಷ್ಟ ವರದಿಗಳನ್ನು ತಯಾರಿಸಲು ಅನುಮತಿಸುತ್ತದೆ.

ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ ಉಪಕರಣಗಳನ್ನು ಸಂಬಂಧಗಳನ್ನು ಗುರುತಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ, ಅದು ಮರೆತುಹೋದ ಕಾರ್ಯಾಚರಣೆಗಳ ಮೇಲೆ ಹೊಸ ಬೆಳಕನ್ನು ಚೆಲ್ಲುತ್ತದೆ dati ಡೇಟಾ ಗೋದಾಮಿನ.

ಪ್ರತಿ ಪ್ರಕಾರದ ಬಳಕೆದಾರರ ಅಗತ್ಯತೆಗಳನ್ನು ಉತ್ತಮಗೊಳಿಸುವುದರ ಜೊತೆಗೆ, ಆಯ್ಕೆಮಾಡಿದ ಪರಿಕರಗಳು ಅರ್ಥಗರ್ಭಿತ, ಪರಿಣಾಮಕಾರಿ ಮತ್ತು ಬಳಸಲು ಸುಲಭವಾಗಿರಬೇಕು. ಅವರು ವಾಸ್ತುಶಿಲ್ಪದ ಇತರ ಭಾಗಗಳೊಂದಿಗೆ ಹೊಂದಿಕೆಯಾಗಬೇಕು ಮತ್ತು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ವ್ಯವಸ್ಥೆಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. ಸಮಂಜಸವಾದ ಬೆಲೆಗಳು ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯೊಂದಿಗೆ ಡೇಟಾ ಪ್ರವೇಶ ಮತ್ತು ಮರುಪಡೆಯುವಿಕೆ ಸಾಧನಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಲು ಸಹ ಶಿಫಾರಸು ಮಾಡಲಾಗಿದೆ. ಪರಿಗಣಿಸಬೇಕಾದ ಇತರ ಮಾನದಂಡಗಳು ತಮ್ಮ ಉತ್ಪನ್ನವನ್ನು ಬೆಂಬಲಿಸುವ ಪರಿಕರ ಮಾರಾಟಗಾರರ ಬದ್ಧತೆ ಮತ್ತು ಭವಿಷ್ಯದ ಬಿಡುಗಡೆಗಳಲ್ಲಿ ಅದು ಹೇಗೆ ಅಭಿವೃದ್ಧಿಗೊಳ್ಳುತ್ತದೆ. ಡೇಟಾ ವೇರ್‌ಹೌಸ್ ಬಳಸುವಲ್ಲಿ ಬಳಕೆದಾರರ ನಿಶ್ಚಿತಾರ್ಥವನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು, ಅಭಿವೃದ್ಧಿ ತಂಡವು ಪರಿಕರ ಆಯ್ಕೆ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಬಳಕೆದಾರರನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಈ ಸಂದರ್ಭದಲ್ಲಿ ಪ್ರಾಯೋಗಿಕ ಬಳಕೆದಾರ ಮೌಲ್ಯಮಾಪನವನ್ನು ಕೈಗೊಳ್ಳಬೇಕು.

ಡೇಟಾ ಗೋದಾಮಿನ ಮೌಲ್ಯವನ್ನು ಸುಧಾರಿಸಲು ಅಭಿವೃದ್ಧಿ ತಂಡವು ತಮ್ಮ ಡೇಟಾ ವೇರ್‌ಹೌಸ್‌ಗೆ ವೆಬ್ ಪ್ರವೇಶವನ್ನು ಸಹ ಒದಗಿಸಬಹುದು. ವೆಬ್-ಸಕ್ರಿಯಗೊಳಿಸಿದ ಡೇಟಾ ವೇರ್‌ಹೌಸ್ ಬಳಕೆದಾರರಿಗೆ ಪ್ರವೇಶಿಸಲು ಅನುಮತಿಸುತ್ತದೆ dati ದೂರದ ಸ್ಥಳಗಳಿಂದ ಅಥವಾ ಪ್ರಯಾಣಿಸುವಾಗ. ಹೆಚ್ಚಿನ ಮಾಹಿತಿ ಮಾಡಬಹುದು

ತರಬೇತಿ ವೆಚ್ಚದಲ್ಲಿ ಕಡಿತದ ಮೂಲಕ ಕಡಿಮೆ ವೆಚ್ಚದಲ್ಲಿ ಒದಗಿಸಲಾಗುತ್ತದೆ.

2.4.3 ಮಾಹಿತಿ ಉಗ್ರಾಣ ಕಾರ್ಯಾಚರಣೆಯ ಹಂತ

ಈ ಹಂತವು ಮೂರು ಚಟುವಟಿಕೆಗಳನ್ನು ಒಳಗೊಂಡಿದೆ: ಡೇಟಾ ರಿಫ್ರೆಶ್ ತಂತ್ರಗಳ ವ್ಯಾಖ್ಯಾನ, ಡೇಟಾ ವೇರ್ಹೌಸ್ ಚಟುವಟಿಕೆಗಳ ನಿಯಂತ್ರಣ ಮತ್ತು ಡೇಟಾ ವೇರ್ಹೌಸ್ ಭದ್ರತೆಯ ನಿರ್ವಹಣೆ.

ಡೇಟಾ ರಿಫ್ರೆಶ್ ತಂತ್ರಗಳ ವ್ಯಾಖ್ಯಾನ

ಆರಂಭಿಕ ಲೋಡಿಂಗ್ ನಂತರ, i dati ನೆಲ್ ಡೇಟಾಬೇಸ್ ಡೇಟಾ ವೇರ್‌ಹೌಸ್‌ಗೆ ಮಾಡಿದ ಬದಲಾವಣೆಗಳನ್ನು ಪುನರುತ್ಪಾದಿಸಲು ನಿಯತಕಾಲಿಕವಾಗಿ ರಿಫ್ರೆಶ್ ಮಾಡಬೇಕು dati ಮೂಲಗಳು. ಆದ್ದರಿಂದ ಯಾವಾಗ ರಿಫ್ರೆಶ್ ಮಾಡಬೇಕು, ಎಷ್ಟು ಬಾರಿ ರಿಫ್ರೆಶ್ ಮಾಡಬೇಕು ಮತ್ತು ಡೇಟಾವನ್ನು ರಿಫ್ರೆಶ್ ಮಾಡುವುದು ಹೇಗೆ ಎಂಬುದನ್ನು ನೀವು ನಿರ್ಧರಿಸಬೇಕು dati. ರಿಫ್ರೆಶ್ ಮಾಡಲು ಸೂಚಿಸಲಾಗಿದೆ dati ಸಿಸ್ಟಮ್ ಅನ್ನು ಯಾವಾಗ ಆಫ್‌ಲೈನ್‌ನಲ್ಲಿ ತೆಗೆದುಕೊಳ್ಳಬಹುದಾಗಿದೆ. ಬಳಕೆದಾರರ ಅಗತ್ಯತೆಗಳ ಆಧಾರದ ಮೇಲೆ ರಿಫ್ರೆಶ್ ಆವರ್ತನವನ್ನು ಅಭಿವೃದ್ಧಿ ತಂಡವು ನಿರ್ಧರಿಸುತ್ತದೆ. ಡೇಟಾ ವೇರ್‌ಹೌಸ್ ಅನ್ನು ರಿಫ್ರೆಶ್ ಮಾಡಲು ಎರಡು ವಿಧಾನಗಳಿವೆ: ಸಂಪೂರ್ಣ ರಿಫ್ರೆಶ್ ಮತ್ತು ಬದಲಾವಣೆಗಳ ನಿರಂತರ ಲೋಡ್.

ಮೊದಲ ವಿಧಾನ, ಪೂರ್ಣ ರಿಫ್ರೆಶ್, ಎಲ್ಲವನ್ನೂ ಮರುಲೋಡ್ ಮಾಡುವ ಅಗತ್ಯವಿದೆ dati ಆರಂಭದಿಂದ. ಇದರರ್ಥ ಎಲ್ಲಾ dati ಅಗತ್ಯವಿರುವುದನ್ನು ಹೊರತೆಗೆಯಬೇಕು, ಸ್ವಚ್ಛಗೊಳಿಸಬೇಕು, ರೂಪಾಂತರಗೊಳಿಸಬೇಕು ಮತ್ತು ಪ್ರತಿ ರಿಫ್ರೆಶ್‌ನಲ್ಲಿ ಸಂಯೋಜಿಸಬೇಕು. ಈ ವಿಧಾನವನ್ನು ಸಾಧ್ಯವಾದಷ್ಟು ದೂರವಿಡಬೇಕು ಏಕೆಂದರೆ ಇದಕ್ಕೆ ಸಾಕಷ್ಟು ಸಮಯ ಮತ್ತು ಸಂಪನ್ಮೂಲಗಳು ಬೇಕಾಗುತ್ತವೆ.

ಬದಲಾವಣೆಗಳನ್ನು ನಿರಂತರವಾಗಿ ಅಪ್‌ಲೋಡ್ ಮಾಡುವುದು ಪರ್ಯಾಯ ವಿಧಾನವಾಗಿದೆ. ಇದು ಐ ಅನ್ನು ಸೇರಿಸುತ್ತದೆ dati ಕೊನೆಯ ಡೇಟಾ ವೇರ್‌ಹೌಸ್ ರಿಫ್ರೆಶ್ ಸೈಕಲ್‌ನಿಂದ ಬದಲಾಯಿಸಲಾಗಿದೆ. ಹೊಸ ಅಥವಾ ಮಾರ್ಪಡಿಸಿದ ದಾಖಲೆಗಳನ್ನು ಗುರುತಿಸುವುದು ಗಮನಾರ್ಹವಾಗಿ ಪ್ರಮಾಣವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ dati ಇವುಗಳನ್ನು ಮಾತ್ರ ಪ್ರತಿ ಅಪ್‌ಡೇಟ್‌ನಲ್ಲಿ ಡೇಟಾ ವೇರ್‌ಹೌಸ್‌ಗೆ ಪ್ರಚಾರ ಮಾಡಬೇಕು dati ಗೆ ಸೇರಿಸಲಾಗುವುದು ಡೇಟಾಬೇಸ್ ಡೇಟಾ ಗೋದಾಮಿನ.

ಹಿಂಪಡೆಯಲು ಕನಿಷ್ಠ 5 ವಿಧಾನಗಳನ್ನು ಬಳಸಬಹುದಾಗಿದೆ i dati ಹೊಸ ಅಥವಾ ಮಾರ್ಪಡಿಸಿದ. ಸಮರ್ಥ ಡೇಟಾ ರಿಫ್ರೆಶ್ ತಂತ್ರವನ್ನು ಪಡೆಯಲು dati ವ್ಯವಸ್ಥೆಯಲ್ಲಿನ ಎಲ್ಲಾ ಬದಲಾವಣೆಗಳನ್ನು ಸೆರೆಹಿಡಿಯುವ ಈ ವಿಧಾನಗಳ ಮಿಶ್ರಣವು ಉಪಯುಕ್ತವಾಗಿದೆ.

ಟೈಮ್‌ಸ್ಟ್ಯಾಂಪ್‌ಗಳನ್ನು ಬಳಸುವ ಮೊದಲ ವಿಧಾನವು ಎಲ್ಲವನ್ನೂ ನಿಯೋಜಿಸಲಾಗಿದೆ ಎಂದು ಊಹಿಸುತ್ತದೆ dati ಟೈಮ್‌ಸ್ಟ್ಯಾಂಪ್ ಅನ್ನು ಸಂಪಾದಿಸಲಾಗಿದೆ ಮತ್ತು ನವೀಕರಿಸಲಾಗಿದೆ ಆದ್ದರಿಂದ ನೀವು ಎಲ್ಲವನ್ನೂ ಸುಲಭವಾಗಿ ಗುರುತಿಸಬಹುದು dati ಮಾರ್ಪಡಿಸಿದ ಮತ್ತು ಹೊಸ. ಆದಾಗ್ಯೂ, ಈ ವಿಧಾನವು ಇಂದಿನ ಹೆಚ್ಚಿನ ಆಪರೇಟಿಂಗ್ ಸಿಸ್ಟಮ್‌ಗಳಲ್ಲಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲ್ಪಟ್ಟಿಲ್ಲ.
ಮಾಡಲಾದ ಬದಲಾವಣೆಗಳನ್ನು ಮಾತ್ರ ಒಳಗೊಂಡಿರುವ ಅಪ್ಲಿಕೇಶನ್‌ನಿಂದ ರಚಿಸಲಾದ ಡೆಲ್ಟಾ ಫೈಲ್ ಅನ್ನು ಬಳಸುವುದು ಎರಡನೆಯ ವಿಧಾನವಾಗಿದೆ dati. ಈ ಫೈಲ್ ಅನ್ನು ಬಳಸುವುದರಿಂದ ನವೀಕರಣ ಚಕ್ರವನ್ನು ವರ್ಧಿಸುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಈ ವಿಧಾನವನ್ನು ಸಹ ಅನೇಕ ಅನ್ವಯಗಳಲ್ಲಿ ಬಳಸಲಾಗಿಲ್ಲ.
ಮೂರನೆಯ ವಿಧಾನವೆಂದರೆ ಲಾಗ್ ಫೈಲ್ ಅನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡುವುದು, ಇದು ಮೂಲತಃ ಡೆಲ್ಟಾ ಫೈಲ್‌ನಂತೆಯೇ ಮಾಹಿತಿಯನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಒಂದೇ ವ್ಯತ್ಯಾಸವೆಂದರೆ ಮರುಪಡೆಯುವಿಕೆ ಪ್ರಕ್ರಿಯೆಗಾಗಿ ಲಾಗ್ ಫೈಲ್ ಅನ್ನು ರಚಿಸಲಾಗಿದೆ ಮತ್ತು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಕಷ್ಟವಾಗುತ್ತದೆ.
ನಾಲ್ಕನೇ ವಿಧಾನವೆಂದರೆ ಅಪ್ಲಿಕೇಶನ್ ಕೋಡ್ ಅನ್ನು ಮಾರ್ಪಡಿಸುವುದು. ಆದಾಗ್ಯೂ, ಹೆಚ್ಚಿನ ಅಪ್ಲಿಕೇಶನ್ ಕೋಡ್ ಹಳೆಯದು ಮತ್ತು ದುರ್ಬಲವಾಗಿರುತ್ತದೆ; ಆದ್ದರಿಂದ ಈ ತಂತ್ರವನ್ನು ತಪ್ಪಿಸಬೇಕು.
ಕೊನೆಯ ವಿಧಾನವೆಂದರೆ ಹೋಲಿಸುವುದು dati ಮುಖ್ಯ dei ಫೈಲ್‌ನೊಂದಿಗೆ ಮೂಲಗಳು dati.

ಡೇಟಾ ಗೋದಾಮಿನ ಚಟುವಟಿಕೆಗಳ ನಿಯಂತ್ರಣ

ಡೇಟಾ ಗೋದಾಮನ್ನು ಬಳಕೆದಾರರಿಗೆ ಬಿಡುಗಡೆ ಮಾಡಿದ ನಂತರ, ಅದನ್ನು ಕಾಲಾನಂತರದಲ್ಲಿ ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಬೇಕು. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಡೇಟಾ ವೇರ್‌ಹೌಸ್ ನಿರ್ವಾಹಕರು ಡೇಟಾ ವೇರ್‌ಹೌಸ್‌ನ ಬಳಕೆಯನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲು ಒಂದು ಅಥವಾ ಹೆಚ್ಚಿನ ನಿರ್ವಹಣೆ ಮತ್ತು ನಿಯಂತ್ರಣ ಸಾಧನಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳಬಹುದು. ನಿರ್ದಿಷ್ಟವಾಗಿ, ಜನರು ಮತ್ತು ಅವರು ಡೇಟಾ ವೇರ್ಹೌಸ್ ಅನ್ನು ಪ್ರವೇಶಿಸುವ ಸಮಯದ ಬಗ್ಗೆ ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸಬಹುದು. ಬನ್ನಿ dati ಸಂಗ್ರಹಿಸಿದ, ನಿರ್ವಹಿಸಿದ ಕೆಲಸದ ಪ್ರೊಫೈಲ್ ಅನ್ನು ರಚಿಸಬಹುದು, ಅದನ್ನು ಬಳಕೆದಾರರ ಚಾರ್ಜ್‌ಬ್ಯಾಕ್ ಅನುಷ್ಠಾನಕ್ಕೆ ಇನ್‌ಪುಟ್ ಆಗಿ ಬಳಸಬಹುದು. ಚಾರ್ಜ್‌ಬ್ಯಾಕ್ ಬಳಕೆದಾರರಿಗೆ ಡೇಟಾ ವೇರ್‌ಹೌಸ್ ಪ್ರೊಸೆಸಿಂಗ್ ವೆಚ್ಚದ ಬಗ್ಗೆ ತಿಳಿಸಲು ಅನುಮತಿಸುತ್ತದೆ.

ಇದಲ್ಲದೆ, ಡೇಟಾ ವೇರ್‌ಹೌಸ್ ಆಡಿಟ್ ಅನ್ನು ಪ್ರಶ್ನೆಗಳ ಪ್ರಕಾರಗಳು, ಅವುಗಳ ಗಾತ್ರ, ದಿನಕ್ಕೆ ಪ್ರಶ್ನೆಗಳ ಸಂಖ್ಯೆ, ಪ್ರಶ್ನೆ ಪ್ರತಿಕ್ರಿಯೆ ಸಮಯಗಳು, ತಲುಪಿದ ವಲಯಗಳು ಮತ್ತು ಮೊತ್ತವನ್ನು ಗುರುತಿಸಲು ಸಹ ಬಳಸಬಹುದು. dati ಸಂಸ್ಕರಿಸಿದ. ದತ್ತಾಂಶ ಗೋದಾಮಿನ ಲೆಕ್ಕಪರಿಶೋಧನೆ ಮಾಡುವ ಇನ್ನೊಂದು ಉದ್ದೇಶವು ಗುರುತಿಸುವುದು dati ಬಳಕೆಯಲ್ಲಿಲ್ಲ. ಇವು dati ಸಮಯವನ್ನು ಸುಧಾರಿಸಲು ಅವುಗಳನ್ನು ಡೇಟಾ ಗೋದಾಮಿನಿಂದ ತೆಗೆದುಹಾಕಬಹುದು

ಪ್ರಶ್ನೆ ಎಕ್ಸಿಕ್ಯೂಶನ್ ಪ್ರತಿಕ್ರಿಯೆ ಮತ್ತು ಬೆಳವಣಿಗೆಯ ಮೇಲ್ವಿಚಾರಣೆ dati ಒಳಗೆ ವಾಸಿಸುವ ಡೇಟಾ ಬೇಸ್ ಡೇಟಾ ಗೋದಾಮಿನ.

ಡೇಟಾ ಗೋದಾಮಿನ ಭದ್ರತಾ ನಿರ್ವಹಣೆ

ಡೇಟಾ ಗೋದಾಮು ಒಳಗೊಂಡಿದೆ dati ಸಂಯೋಜಿತ, ವಿಮರ್ಶಾತ್ಮಕ, ಸುಲಭವಾಗಿ ತಲುಪಬಹುದಾದ ಸೂಕ್ಷ್ಮ. ಈ ಕಾರಣಕ್ಕಾಗಿ ಇದನ್ನು ಅನಧಿಕೃತ ಬಳಕೆದಾರರಿಂದ ರಕ್ಷಿಸಬೇಕು. ಭದ್ರತೆಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಲು ಒಂದು ಮಾರ್ಗವೆಂದರೆ ಡೆಲ್ ಕಾರ್ಯವನ್ನು ಬಳಸುವುದು ಡಿಬಿಎಂಎಸ್ ವಿವಿಧ ರೀತಿಯ ಬಳಕೆದಾರರಿಗೆ ವಿಭಿನ್ನ ಸವಲತ್ತುಗಳನ್ನು ನಿಯೋಜಿಸಲು. ಈ ರೀತಿಯಾಗಿ, ಪ್ರತಿಯೊಂದು ರೀತಿಯ ಬಳಕೆದಾರರಿಗೆ ಪ್ರವೇಶ ಪ್ರೊಫೈಲ್ ಅನ್ನು ನಿರ್ವಹಿಸಬೇಕು. ಡೇಟಾ ವೇರ್‌ಹೌಸ್ ಅನ್ನು ಸುರಕ್ಷಿತವಾಗಿರಿಸಲು ಇನ್ನೊಂದು ಮಾರ್ಗವೆಂದರೆ ಅದನ್ನು ಎನ್‌ಕ್ರಿಪ್ಟ್ ಮಾಡುವುದು ಡೇಟಾ ಬೇಸ್ ಡೇಟಾ ಗೋದಾಮಿನ. ಗೆ ಪ್ರವೇಶ dati ಮತ್ತು ಮರುಪಡೆಯುವಿಕೆ ಉಪಕರಣಗಳು ಡೀಕ್ರಿಪ್ಟ್ ಮಾಡಬೇಕು dati ಫಲಿತಾಂಶಗಳನ್ನು ಬಳಕೆದಾರರಿಗೆ ಪ್ರಸ್ತುತಪಡಿಸುವ ಮೊದಲು.

2.4.4 ಮಾಹಿತಿ ಉಗ್ರಾಣ ನಿಯೋಜನೆ ಹಂತ

ಡೇಟಾ ವೇರ್‌ಹೌಸ್ ಅನುಷ್ಠಾನ ಚಕ್ರದಲ್ಲಿ ಇದು ಕೊನೆಯ ಹಂತವಾಗಿದೆ. ಈ ಹಂತದಲ್ಲಿ ಕೈಗೊಳ್ಳಬೇಕಾದ ಚಟುವಟಿಕೆಗಳು ಡೇಟಾ ವೇರ್‌ಹೌಸ್ ಅನ್ನು ಬಳಸಲು ಬಳಕೆದಾರರಿಗೆ ತರಬೇತಿ ನೀಡುವುದು ಮತ್ತು ಡೇಟಾ ವೇರ್‌ಹೌಸ್‌ನ ವಿಮರ್ಶೆಗಳನ್ನು ಕೈಗೊಳ್ಳುವುದು.

ಬಳಕೆದಾರರ ತರಬೇತಿ

ಪ್ರವೇಶಿಸುವ ಮೊದಲು ಬಳಕೆದಾರರ ತರಬೇತಿಯನ್ನು ಮಾಡಬೇಕು dati ಡೇಟಾ ಗೋದಾಮಿನ ಮತ್ತು ಮರುಪಡೆಯುವಿಕೆ ಉಪಕರಣಗಳ ಬಳಕೆ. ಸಾಮಾನ್ಯವಾಗಿ, ಶೇಖರಣಾ ಪರಿಕಲ್ಪನೆಯ ಪರಿಚಯದೊಂದಿಗೆ ಅವಧಿಗಳು ಪ್ರಾರಂಭವಾಗಬೇಕು dati, ಡೇಟಾ ಗೋದಾಮಿನ ವಿಷಯ, ಮೆಟಾ dati ಮತ್ತು ಉಪಕರಣಗಳ ಮೂಲ ಲಕ್ಷಣಗಳು. ನಂತರ, ಹೆಚ್ಚು ಮುಂದುವರಿದ ಬಳಕೆದಾರರು ಭೌತಿಕ ಕೋಷ್ಟಕಗಳು ಮತ್ತು ಡೇಟಾ ಪ್ರವೇಶ ಮತ್ತು ಮರುಪಡೆಯುವಿಕೆ ಸಾಧನಗಳ ಬಳಕೆದಾರರ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಸಹ ಅಧ್ಯಯನ ಮಾಡಬಹುದು.

ಬಳಕೆದಾರರ ತರಬೇತಿಯನ್ನು ಮಾಡಲು ಹಲವು ವಿಧಾನಗಳಿವೆ. ಇವುಗಳಲ್ಲಿ ಒಂದಾದ ಬಳಕೆದಾರರ ಗುಂಪಿನಿಂದ ಆಯ್ಕೆಯಾದ ಅನೇಕ ಬಳಕೆದಾರರು ಅಥವಾ ವಿಶ್ಲೇಷಕರ ಆಯ್ಕೆಯನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ, ಅವರ ನಾಯಕತ್ವ ಮತ್ತು ಸಂವಹನ ಕೌಶಲ್ಯಗಳ ಆಧಾರದ ಮೇಲೆ. ವ್ಯವಸ್ಥೆಯೊಂದಿಗೆ ಪರಿಚಿತರಾಗಲು ಅವರು ತಿಳಿದುಕೊಳ್ಳಬೇಕಾದ ಎಲ್ಲದರ ಬಗ್ಗೆ ಅವರು ವೈಯಕ್ತಿಕವಾಗಿ ತರಬೇತಿ ನೀಡುತ್ತಾರೆ. ತರಬೇತಿ ಮುಗಿದ ನಂತರ, ಅವರು ತಮ್ಮ ಉದ್ಯೋಗಗಳಿಗೆ ಹಿಂತಿರುಗುತ್ತಾರೆ ಮತ್ತು ಸಿಸ್ಟಮ್ ಅನ್ನು ಹೇಗೆ ಬಳಸಬೇಕೆಂದು ಇತರ ಬಳಕೆದಾರರಿಗೆ ಕಲಿಸಲು ಪ್ರಾರಂಭಿಸುತ್ತಾರೆ. ಮೇಲೆ

ಅವರು ಕಲಿತದ್ದನ್ನು ಆಧರಿಸಿ, ಇತರ ಬಳಕೆದಾರರು ಡೇಟಾ ವೇರ್‌ಹೌಸ್ ಅನ್ನು ಅನ್ವೇಷಿಸಲು ಪ್ರಾರಂಭಿಸಬಹುದು.
ನೀವು ತರಗತಿಯ ಕೋರ್ಸ್ ತೆಗೆದುಕೊಳ್ಳುತ್ತಿರುವಂತೆ ಅದೇ ಸಮಯದಲ್ಲಿ ಅನೇಕ ಬಳಕೆದಾರರಿಗೆ ತರಬೇತಿ ನೀಡುವುದು ಇನ್ನೊಂದು ವಿಧಾನವಾಗಿದೆ. ಅದೇ ಸಮಯದಲ್ಲಿ ತರಬೇತಿ ಪಡೆಯಬೇಕಾದ ಅನೇಕ ಬಳಕೆದಾರರು ಇದ್ದಾಗ ಈ ವಿಧಾನವು ಸೂಕ್ತವಾಗಿದೆ. ಪ್ರತಿ ಬಳಕೆದಾರರಿಗೆ ಪ್ರತ್ಯೇಕವಾಗಿ ತರಬೇತಿ ನೀಡುವುದು ಇನ್ನೊಂದು ವಿಧಾನವಾಗಿದೆ. ಕಡಿಮೆ ಬಳಕೆದಾರರಿರುವಾಗ ಈ ವಿಧಾನವು ಸೂಕ್ತವಾಗಿದೆ.

ಬಳಕೆದಾರರ ತರಬೇತಿಯ ಉದ್ದೇಶವು ನಿಮಗೆ ಪ್ರವೇಶಿಸುವುದರೊಂದಿಗೆ ಪರಿಚಿತವಾಗಿದೆ dati ಮತ್ತು ಮರುಪಡೆಯುವಿಕೆ ಉಪಕರಣಗಳು ಹಾಗೂ ಡೇಟಾ ವೇರ್‌ಹೌಸ್‌ನ ವಿಷಯಗಳು. ಆದಾಗ್ಯೂ, ತರಬೇತಿ ಅವಧಿಯಲ್ಲಿ ಒದಗಿಸಲಾದ ಮಾಹಿತಿಯ ಪ್ರಮಾಣದಿಂದ ಕೆಲವು ಬಳಕೆದಾರರು ಮುಳುಗಬಹುದು. ಆದ್ದರಿಂದ, ನಡೆಯುತ್ತಿರುವ ಸಹಾಯಕ್ಕಾಗಿ ಮತ್ತು ನಿರ್ದಿಷ್ಟ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸಲು ನಿರ್ದಿಷ್ಟ ಸಂಖ್ಯೆಯ ರಿಫ್ರೆಶ್ ಸೆಷನ್‌ಗಳನ್ನು ಕೈಗೊಳ್ಳಬೇಕು. ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ ಈ ರೀತಿಯ ಬೆಂಬಲವನ್ನು ಒದಗಿಸಲು ಬಳಕೆದಾರರ ಗುಂಪನ್ನು ರಚಿಸಲಾಗುತ್ತದೆ.

ಪ್ರತಿಕ್ರಿಯೆ ಸಂಗ್ರಹಿಸಲಾಗುತ್ತಿದೆ

ಡೇಟಾ ವೇರ್‌ಹೌಸ್ ಅನ್ನು ಹೊರತಂದ ನಂತರ, ಬಳಕೆದಾರರು i ಅನ್ನು ಬಳಸಬಹುದು dati ಅದು ವಿವಿಧ ಉದ್ದೇಶಗಳಿಗಾಗಿ ಡೇಟಾ ಗೋದಾಮಿನಲ್ಲಿ ವಾಸಿಸುತ್ತದೆ. ಹೆಚ್ಚಾಗಿ, ವಿಶ್ಲೇಷಕರು ಅಥವಾ ಬಳಕೆದಾರರು i ಅನ್ನು ಬಳಸುತ್ತಾರೆ dati ಡೇಟಾ ಗೋದಾಮಿನಲ್ಲಿ:

1. 1 ಕಂಪನಿಯ ಪ್ರವೃತ್ತಿಯನ್ನು ಗುರುತಿಸಿ
2. 2 ಖರೀದಿ ಪ್ರೊಫೈಲ್‌ಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಿ ಗ್ರಾಹಕರಿಗೆ
3. 3 ಭಾಗಿಸಿ i ಗ್ರಾಹಕರಿಗೆ ಆವೃತ್ತಿ ನಾನು
4. 4 ಅತ್ಯುತ್ತಮ ಸೇವೆಗಳನ್ನು ಒದಗಿಸಿ ಗ್ರಾಹಕರಿಗೆ - ಸೇವೆಗಳನ್ನು ಕಸ್ಟಮೈಸ್ ಮಾಡಿ
5. 5 ತಂತ್ರಗಳನ್ನು ರೂಪಿಸಿ ಮಾರ್ಕೆಟಿಂಗ್
6. 6 ವೆಚ್ಚದ ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಸ್ಪರ್ಧಾತ್ಮಕ ಉಲ್ಲೇಖಗಳನ್ನು ಒದಗಿಸಿ ಮತ್ತು ನಿಯಂತ್ರಣಕ್ಕೆ ಸಹಾಯ ಮಾಡಿ
7. 7 ಕಾರ್ಯತಂತ್ರದ ನಿರ್ಧಾರಗಳನ್ನು ಬೆಂಬಲಿಸಿ
8. 8 ಎದ್ದು ಕಾಣುವ ಅವಕಾಶಗಳನ್ನು ಗುರುತಿಸಿ
9. 9 ಪ್ರಸ್ತುತ ವ್ಯವಹಾರ ಪ್ರಕ್ರಿಯೆಗಳ ಗುಣಮಟ್ಟವನ್ನು ಸುಧಾರಿಸಿ
10. 10 ಲಾಭವನ್ನು ಪರಿಶೀಲಿಸಿ

ಡೇಟಾ ವೇರ್‌ಹೌಸ್‌ನ ಅಭಿವೃದ್ಧಿ ನಿರ್ದೇಶನವನ್ನು ಅನುಸರಿಸಿ, ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಪಡೆಯಲು ಸಿಸ್ಟಮ್‌ಗೆ ವಿಮರ್ಶೆಗಳ ಸರಣಿಯನ್ನು ನಡೆಸಬಹುದು

ಅಭಿವೃದ್ಧಿ ತಂಡದಿಂದ ಮತ್ತು ಅಂತಿಮ ಬಳಕೆದಾರರ ಸಮುದಾಯದಿಂದ.
ಪಡೆದ ಫಲಿತಾಂಶಗಳನ್ನು ಮುಂದಿನ ಅಭಿವೃದ್ಧಿ ಚಕ್ರಕ್ಕೆ ಪರಿಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳಬಹುದು.

ಡೇಟಾ ವೇರ್‌ಹೌಸ್ ಹೆಚ್ಚುತ್ತಿರುವ ವಿಧಾನವನ್ನು ಹೊಂದಿರುವುದರಿಂದ, ಹಿಂದಿನ ಬೆಳವಣಿಗೆಗಳ ಯಶಸ್ಸು ಮತ್ತು ತಪ್ಪುಗಳಿಂದ ಕಲಿಯುವುದು ಬಹಳ ಮುಖ್ಯ.

2.5 ಸಾರಾಂಶ

ಈ ಅಧ್ಯಾಯದಲ್ಲಿ ಸಾಹಿತ್ಯದಲ್ಲಿ ಇರುವ ವಿಧಾನಗಳನ್ನು ಚರ್ಚಿಸಲಾಗಿದೆ. ವಿಭಾಗ 1 ರಲ್ಲಿ, ಡೇಟಾ ಗೋದಾಮಿನ ಪರಿಕಲ್ಪನೆ ಮತ್ತು ನಿರ್ಧಾರ ವಿಜ್ಞಾನದಲ್ಲಿ ಅದರ ಪಾತ್ರವನ್ನು ಚರ್ಚಿಸಲಾಗಿದೆ. ವಿಭಾಗ 2 ಡೇಟಾ ಗೋದಾಮುಗಳು ಮತ್ತು OLTP ವ್ಯವಸ್ಥೆಗಳ ನಡುವಿನ ಪ್ರಮುಖ ವ್ಯತ್ಯಾಸಗಳನ್ನು ವಿವರಿಸಿದೆ. ವಿಭಾಗ 3 ರಲ್ಲಿ ನಾವು ಡೇಟಾ ವೇರ್‌ಹೌಸ್ ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಒಳಗೊಂಡಿರುವ ಚಟುವಟಿಕೆಗಳನ್ನು ವಿವರಿಸಲು ವಿಭಾಗ 4 ರಲ್ಲಿ ಬಳಸಲಾದ ಮೊನಾಶ್ ಡೇಟಾ ವೇರ್‌ಹೌಸ್ ಮಾದರಿಯನ್ನು ಚರ್ಚಿಸಿದ್ದೇವೆ, ಈ ಪ್ರಬಂಧಗಳು ಕಠಿಣ ಸಂಶೋಧನೆಯನ್ನು ಆಧರಿಸಿಲ್ಲ. ವಾಸ್ತವದಲ್ಲಿ ಏನಾಗುತ್ತದೆ ಎಂಬುದು ಸಾಹಿತ್ಯವು ವರದಿ ಮಾಡುವುದಕ್ಕಿಂತ ಬಹಳ ಭಿನ್ನವಾಗಿರುತ್ತದೆ, ಆದಾಗ್ಯೂ ಈ ಫಲಿತಾಂಶಗಳನ್ನು ಈ ಸಂಶೋಧನೆಗಾಗಿ ಡೇಟಾ ವೇರ್‌ಹೌಸ್‌ನ ಪರಿಕಲ್ಪನೆಯನ್ನು ಒತ್ತಿಹೇಳುವ ಮೂಲಭೂತ ಹಿನ್ನೆಲೆಯನ್ನು ರಚಿಸಲು ಬಳಸಬಹುದು.

ಅಧ್ಯಾಯ 3

ಸಂಶೋಧನೆ ಮತ್ತು ವಿನ್ಯಾಸ ವಿಧಾನಗಳು

ಈ ಅಧ್ಯಾಯವು ಈ ಅಧ್ಯಯನಕ್ಕಾಗಿ ಸಂಶೋಧನೆ ಮತ್ತು ವಿನ್ಯಾಸ ವಿಧಾನಗಳನ್ನು ತಿಳಿಸುತ್ತದೆ. ಮೊದಲ ಭಾಗವು ಮಾಹಿತಿ ಮರುಪಡೆಯುವಿಕೆಗೆ ಲಭ್ಯವಿರುವ ಸಂಶೋಧನಾ ವಿಧಾನಗಳ ಸಾಮಾನ್ಯ ನೋಟವನ್ನು ತೋರಿಸುತ್ತದೆ, ಇದಲ್ಲದೆ ನಿರ್ದಿಷ್ಟ ಅಧ್ಯಯನಕ್ಕಾಗಿ ಉತ್ತಮ ವಿಧಾನವನ್ನು ಆಯ್ಕೆಮಾಡುವ ಮಾನದಂಡಗಳನ್ನು ಚರ್ಚಿಸಲಾಗಿದೆ. ವಿಭಾಗ 2 ರಲ್ಲಿ, ಕೇವಲ ಬಹಿರಂಗಪಡಿಸಿದ ಮಾನದಂಡಗಳೊಂದಿಗೆ ಆಯ್ಕೆಮಾಡಿದ ಎರಡು ವಿಧಾನಗಳನ್ನು ನಂತರ ಚರ್ಚಿಸಲಾಗಿದೆ; ಇವುಗಳಲ್ಲಿ, ವಿಭಾಗ 3 ರಲ್ಲಿ ಸೂಚಿಸಲಾದ ಕಾರಣಗಳೊಂದಿಗೆ ಒಂದನ್ನು ಆಯ್ಕೆ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಅಳವಡಿಸಿಕೊಳ್ಳಲಾಗುತ್ತದೆ, ಅಲ್ಲಿ ಇತರ ಮಾನದಂಡಗಳನ್ನು ಹೊರತುಪಡಿಸಿದ ಕಾರಣಗಳನ್ನು ಸಹ ಹೊಂದಿಸಲಾಗಿದೆ. ವಿಭಾಗ 4 ಸಂಶೋಧನಾ ವಿನ್ಯಾಸವನ್ನು ಮತ್ತು ವಿಭಾಗ 5 ತೀರ್ಮಾನಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತದೆ.

3.1 ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಸಂಶೋಧನೆ

ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿನ ಸಂಶೋಧನೆಯು ಕೇವಲ ತಾಂತ್ರಿಕ ಡೊಮೇನ್‌ಗೆ ಸೀಮಿತವಾಗಿಲ್ಲ ಆದರೆ ನಡವಳಿಕೆ ಮತ್ತು ಸಾಂಸ್ಥಿಕ ಉದ್ದೇಶಗಳನ್ನು ಸೇರಿಸಲು ವಿಸ್ತರಿಸಬೇಕು.
ನಾವು ಸಾಮಾಜಿಕದಿಂದ ನೈಸರ್ಗಿಕ ವಿಜ್ಞಾನದವರೆಗಿನ ವಿವಿಧ ವಿಭಾಗಗಳ ಪ್ರಬಂಧಗಳಿಗೆ ಋಣಿಯಾಗಿದ್ದೇವೆ; ಇದು ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಬಳಸಬೇಕಾದ ಪರಿಮಾಣಾತ್ಮಕ ಮತ್ತು ಗುಣಾತ್ಮಕ ವಿಧಾನಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ನಿರ್ದಿಷ್ಟ ಸ್ಪೆಕ್ಟ್ರಮ್ ಸಂಶೋಧನಾ ವಿಧಾನಗಳ ಅಗತ್ಯಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ.
ಲಭ್ಯವಿರುವ ಎಲ್ಲಾ ಸಂಶೋಧನಾ ವಿಧಾನಗಳು ಮುಖ್ಯವಾಗಿವೆ, ವಾಸ್ತವವಾಗಿ ಹಲವಾರು ಸಂಶೋಧಕರು ಜೆಂಕಿನ್ಸ್ (1985), ನುನಾಮಕರ್ ಮತ್ತು ಇತರರು. (1991), ಮತ್ತು Galliers (1992) ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆಗಳ ವಿವಿಧ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಸಂಶೋಧನೆ ನಡೆಸಲು ಯಾವುದೇ ನಿರ್ದಿಷ್ಟ ಸಾರ್ವತ್ರಿಕ ವಿಧಾನವಿಲ್ಲ ಎಂದು ವಾದಿಸುತ್ತಾರೆ; ವಾಸ್ತವವಾಗಿ ಒಂದು ವಿಧಾನವು ನಿರ್ದಿಷ್ಟ ಸಂಶೋಧನೆಗೆ ಸೂಕ್ತವಾಗಿರಬಹುದು ಆದರೆ ಇತರರಿಗೆ ಅಲ್ಲ. ಇದು ನಮ್ಮ ನಿರ್ದಿಷ್ಟ ಸಂಶೋಧನಾ ಯೋಜನೆಗೆ ಸೂಕ್ತವಾದ ವಿಧಾನವನ್ನು ಆಯ್ಕೆ ಮಾಡುವ ಅಗತ್ಯವನ್ನು ನಮಗೆ ತರುತ್ತದೆ: ಈ ಆಯ್ಕೆಗೆ Benbasat et al. (1987) ಸಂಶೋಧನೆಯ ಸ್ವರೂಪ ಮತ್ತು ಉದ್ದೇಶವನ್ನು ಪರಿಗಣಿಸಬೇಕು ಎಂದು ಹೇಳುತ್ತದೆ.

3.1.1 ಸಂಶೋಧನೆಯ ಸ್ವರೂಪ

ಸಂಶೋಧನೆಯ ಸ್ವರೂಪವನ್ನು ಆಧರಿಸಿದ ವಿವಿಧ ವಿಧಾನಗಳನ್ನು ಮಾಹಿತಿ ವಿಜ್ಞಾನದಲ್ಲಿ ವ್ಯಾಪಕವಾಗಿ ತಿಳಿದಿರುವ ಮೂರು ಸಂಪ್ರದಾಯಗಳಾಗಿ ವರ್ಗೀಕರಿಸಬಹುದು: ಧನಾತ್ಮಕ, ವಿವರಣಾತ್ಮಕ ಮತ್ತು ವಿಮರ್ಶಾತ್ಮಕ ಸಂಶೋಧನೆ.

3.1.1.1 ಧನಾತ್ಮಕ ಸಂಶೋಧನೆ

ಪಾಸಿಟಿವಿಸ್ಟ್ ಸಂಶೋಧನೆಯನ್ನು ವೈಜ್ಞಾನಿಕ ಅಥವಾ ಪ್ರಾಯೋಗಿಕ ಅಧ್ಯಯನ ಎಂದೂ ಕರೆಯಲಾಗುತ್ತದೆ. ಇದು ಪ್ರಯತ್ನಿಸುತ್ತದೆ: "ಸಾಮಾಜಿಕ ಜಗತ್ತಿನಲ್ಲಿ ಏನಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸಿ ಮತ್ತು ಊಹಿಸಲು ಅದನ್ನು ರೂಪಿಸುವ ಅಂಶಗಳ ನಡುವಿನ ಕ್ರಮಬದ್ಧತೆ ಮತ್ತು ಕಾರಣ-ಪರಿಣಾಮದ ಸಂಬಂಧಗಳನ್ನು ನೋಡುವುದು" (ಶಾಂಕ್ಸ್ ಮತ್ತು ಇತರರು 1993).

ಪಾಸಿಟಿವಿಸ್ಟ್ ಸಂಶೋಧನೆಯು ಪುನರಾವರ್ತನೀಯತೆ, ಸರಳೀಕರಣಗಳು ಮತ್ತು ನಿರಾಕರಣೆಗಳಿಂದ ಕೂಡ ನಿರೂಪಿಸಲ್ಪಟ್ಟಿದೆ. ಇದಲ್ಲದೆ, ಪಾಸಿಟಿವಿಸ್ಟ್ ಸಂಶೋಧನೆಯು ಅಧ್ಯಯನ ಮಾಡಿದ ವಿದ್ಯಮಾನಗಳ ನಡುವೆ ಪೂರ್ವಭಾವಿ ಸಂಬಂಧಗಳ ಅಸ್ತಿತ್ವವನ್ನು ಒಪ್ಪಿಕೊಳ್ಳುತ್ತದೆ.
ಗ್ಯಾಲಿಯರ್ಸ್ (1992) ಪ್ರಕಾರ ಟ್ಯಾಕ್ಸಾನಮಿ ಎನ್ನುವುದು ಪಾಸಿಟಿವಿಸ್ಟ್ ಮಾದರಿಯಲ್ಲಿ ಒಳಗೊಂಡಿರುವ ಒಂದು ಸಂಶೋಧನಾ ವಿಧಾನವಾಗಿದೆ, ಆದರೆ ಇದಕ್ಕೆ ಸೀಮಿತವಾಗಿಲ್ಲ, ವಾಸ್ತವವಾಗಿ ಪ್ರಯೋಗಾಲಯ ಪ್ರಯೋಗಗಳು, ಕ್ಷೇತ್ರ ಪ್ರಯೋಗಗಳು, ಕೇಸ್ ಸ್ಟಡೀಸ್, ಪ್ರಮೇಯಗಳ ಪ್ರದರ್ಶನಗಳು, ಭವಿಷ್ಯವಾಣಿಗಳು ಮತ್ತು ಸಿಮ್ಯುಲೇಶನ್‌ಗಳು ಇವೆ. ಈ ವಿಧಾನಗಳನ್ನು ಬಳಸುವ ಮೂಲಕ, ಅಧ್ಯಯನ ಮಾಡಿದ ವಿದ್ಯಮಾನಗಳನ್ನು ವಸ್ತುನಿಷ್ಠವಾಗಿ ಮತ್ತು ಕಟ್ಟುನಿಟ್ಟಾಗಿ ಗಮನಿಸಬಹುದು ಎಂದು ಸಂಶೋಧಕರು ಒಪ್ಪಿಕೊಳ್ಳುತ್ತಾರೆ.

3.1.1.2 ವ್ಯಾಖ್ಯಾನಾತ್ಮಕ ಸಂಶೋಧನೆ

ಸಾಮಾನ್ಯವಾಗಿ ವಿದ್ಯಮಾನಶಾಸ್ತ್ರ ಅಥವಾ ಆಂಟಿಪಾಸಿಟಿವಿಸಂ ಎಂದು ಕರೆಯಲ್ಪಡುವ ವ್ಯಾಖ್ಯಾನಾತ್ಮಕ ಸಂಶೋಧನೆಯನ್ನು ನ್ಯೂಮನ್ (1994) ವಿವರಿಸಿದ್ದಾರೆ "ಒಂದು ತಿಳುವಳಿಕೆಯನ್ನು ತಲುಪಲು, ನೈಸರ್ಗಿಕ ಸಂದರ್ಭಗಳಲ್ಲಿ ಜನರ ನೇರ ಮತ್ತು ವಿವರವಾದ ಅವಲೋಕನದ ಮೂಲಕ ಕ್ರಿಯೆಯ ಸಾಮಾಜಿಕ ಅರ್ಥದ ವ್ಯವಸ್ಥಿತ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಜನರು ತಮ್ಮ ಸಾಮಾಜಿಕ ಜಗತ್ತನ್ನು ಹೇಗೆ ರಚಿಸುತ್ತಾರೆ ಮತ್ತು ನಿರ್ವಹಿಸುತ್ತಾರೆ ಎಂಬುದರ ವ್ಯಾಖ್ಯಾನಕ್ಕೆ." ಗಮನಿಸಿದ ವಿದ್ಯಮಾನಗಳನ್ನು ವಸ್ತುನಿಷ್ಠವಾಗಿ ಗಮನಿಸಬಹುದು ಎಂಬ ಊಹೆಯನ್ನು ವಿವರಣಾತ್ಮಕ ಅಧ್ಯಯನಗಳು ತಿರಸ್ಕರಿಸುತ್ತವೆ. ವಾಸ್ತವವಾಗಿ ಅವು ವ್ಯಕ್ತಿನಿಷ್ಠ ವ್ಯಾಖ್ಯಾನಗಳನ್ನು ಆಧರಿಸಿವೆ. ಇದಲ್ಲದೆ, ವಿವರಣಾತ್ಮಕ ಸಂಶೋಧಕರು ಅವರು ಅಧ್ಯಯನ ಮಾಡುವ ವಿದ್ಯಮಾನಗಳ ಮೇಲೆ ಪ್ರಾಥಮಿಕ ಅರ್ಥಗಳನ್ನು ಹೇರುವುದಿಲ್ಲ.

ಈ ವಿಧಾನವು ವ್ಯಕ್ತಿನಿಷ್ಠ/ವಾದಾತ್ಮಕ ಅಧ್ಯಯನಗಳು, ಕ್ರಿಯಾ ಸಂಶೋಧನೆ, ವಿವರಣಾತ್ಮಕ/ವ್ಯಾಖ್ಯಾನಾತ್ಮಕ ಅಧ್ಯಯನಗಳು, ಭವಿಷ್ಯದ ಸಂಶೋಧನೆ ಮತ್ತು ಪಾತ್ರಾಭಿನಯವನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಈ ಸಮೀಕ್ಷೆಗಳು ಮತ್ತು ಕೇಸ್ ಸ್ಟಡೀಸ್ ಜೊತೆಗೆ ಈ ವಿಧಾನದಲ್ಲಿ ಸೇರಿಸಿಕೊಳ್ಳಬಹುದು ಏಕೆಂದರೆ ಅವುಗಳು ಸಂಕೀರ್ಣವಾದ ನೈಜ-ಪ್ರಪಂಚದ ಸಂದರ್ಭಗಳಲ್ಲಿ ವ್ಯಕ್ತಿಗಳು ಅಥವಾ ಸಂಸ್ಥೆಗಳ ಅಧ್ಯಯನಗಳಿಗೆ ಸಂಬಂಧಿಸಿವೆ.

3.1.1.3 ವಿಮರ್ಶಾತ್ಮಕ ಸಂಶೋಧನೆ

ವಿಮರ್ಶಾತ್ಮಕ ವಿಚಾರಣೆಯು ಸಾಮಾಜಿಕ ವಿಜ್ಞಾನದಲ್ಲಿ ಕಡಿಮೆ ತಿಳಿದಿರುವ ವಿಧಾನವಾಗಿದೆ ಆದರೆ ಇತ್ತೀಚೆಗೆ ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆಗಳ ಸಂಶೋಧಕರಿಂದ ಗಮನವನ್ನು ಪಡೆದುಕೊಂಡಿದೆ. ಸಾಮಾಜಿಕ ರಿಯಾಲಿಟಿ ಐತಿಹಾಸಿಕವಾಗಿ ಜನರಿಂದ ಉತ್ಪತ್ತಿಯಾಗುತ್ತದೆ ಮತ್ತು ಪುನರುತ್ಪಾದಿಸುತ್ತದೆ ಎಂಬ ತಾತ್ವಿಕ ಊಹೆ, ಹಾಗೆಯೇ ಸಾಮಾಜಿಕ ವ್ಯವಸ್ಥೆಗಳು ಅವರ ಕ್ರಿಯೆಗಳು ಮತ್ತು ಪರಸ್ಪರ ಕ್ರಿಯೆಗಳೊಂದಿಗೆ. ಆದಾಗ್ಯೂ, ಅವರ ಸಾಮರ್ಥ್ಯವು ಹಲವಾರು ಸಾಮಾಜಿಕ, ಸಾಂಸ್ಕೃತಿಕ ಮತ್ತು ರಾಜಕೀಯ ಪರಿಗಣನೆಗಳಿಂದ ಮಧ್ಯಸ್ಥಿಕೆ ವಹಿಸುತ್ತದೆ.

ವಿವರಣಾತ್ಮಕ ಸಂಶೋಧನೆಯಂತೆ, ವಿಮರ್ಶಾತ್ಮಕ ಸಂಶೋಧನೆಯು ಸಕಾರಾತ್ಮಕವಾದ ಸಂಶೋಧನೆಯು ಸಾಮಾಜಿಕ ಸನ್ನಿವೇಶದೊಂದಿಗೆ ಯಾವುದೇ ಸಂಬಂಧವನ್ನು ಹೊಂದಿಲ್ಲ ಮತ್ತು ಮಾನವ ಕ್ರಿಯೆಗಳ ಮೇಲೆ ಅದರ ಪ್ರಭಾವವನ್ನು ನಿರ್ಲಕ್ಷಿಸುತ್ತದೆ.
ಮತ್ತೊಂದೆಡೆ, ವಿಮರ್ಶಾತ್ಮಕ ಸಂಶೋಧನೆಯು ತುಂಬಾ ವ್ಯಕ್ತಿನಿಷ್ಠವಾಗಿದೆ ಮತ್ತು ಜನರು ತಮ್ಮ ಜೀವನವನ್ನು ಸುಧಾರಿಸಲು ಸಹಾಯ ಮಾಡುವ ಗುರಿಯನ್ನು ಹೊಂದಿಲ್ಲ ಎಂದು ವ್ಯಾಖ್ಯಾನಾತ್ಮಕ ಸಂಶೋಧನೆಯನ್ನು ಟೀಕಿಸುತ್ತದೆ. ವಿಮರ್ಶಾತ್ಮಕ ಸಂಶೋಧನೆ ಮತ್ತು ಇತರ ಎರಡು ವಿಧಾನಗಳ ನಡುವಿನ ದೊಡ್ಡ ವ್ಯತ್ಯಾಸವೆಂದರೆ ಅದರ ಮೌಲ್ಯಮಾಪನ ಆಯಾಮ. ಪಾಸಿಟಿವಿಸ್ಟ್ ಮತ್ತು ವಿವರಣಾತ್ಮಕ ಸಂಪ್ರದಾಯಗಳ ವಸ್ತುನಿಷ್ಠತೆಯು ಯಥಾಸ್ಥಿತಿ ಅಥವಾ ಸಾಮಾಜಿಕ ವಾಸ್ತವತೆಯನ್ನು ಊಹಿಸುವುದು ಅಥವಾ ವಿವರಿಸುವುದು, ವಿಮರ್ಶಾತ್ಮಕ ಸಂಶೋಧನೆಯು ಅಧ್ಯಯನದ ಅಡಿಯಲ್ಲಿ ಸಾಮಾಜಿಕ ವಾಸ್ತವತೆಯನ್ನು ವಿಮರ್ಶಾತ್ಮಕವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು ಮತ್ತು ಪರಿವರ್ತಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ.

ಸಾಮಾಜಿಕ ವ್ಯತ್ಯಾಸಗಳನ್ನು ತೆಗೆದುಹಾಕಲು ಮತ್ತು ಸಾಮಾಜಿಕ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ಸುಧಾರಿಸಲು ವಿಮರ್ಶಾತ್ಮಕ ಸಂಶೋಧಕರು ಸಾಮಾನ್ಯವಾಗಿ ಯಥಾಸ್ಥಿತಿಯನ್ನು ವಿರೋಧಿಸುತ್ತಾರೆ. ವಿಮರ್ಶಾತ್ಮಕ ಸಂಶೋಧನೆಯು ಆಸಕ್ತಿಯ ವಿದ್ಯಮಾನಗಳ ಪ್ರಕ್ರಿಯೆಯ ದೃಷ್ಟಿಕೋನಕ್ಕೆ ಬದ್ಧತೆಯನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಆದ್ದರಿಂದ, ಸಾಮಾನ್ಯವಾಗಿ ಉದ್ದವಾಗಿದೆ. ಸಂಶೋಧನಾ ವಿಧಾನಗಳ ಉದಾಹರಣೆಗಳೆಂದರೆ ದೀರ್ಘಾವಧಿಯ ಐತಿಹಾಸಿಕ ಅಧ್ಯಯನಗಳು ಮತ್ತು ಜನಾಂಗೀಯ ಅಧ್ಯಯನಗಳು. ಆದಾಗ್ಯೂ, ವಿಮರ್ಶಾತ್ಮಕ ಸಂಶೋಧನೆಯು ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆಗಳ ಸಂಶೋಧನೆಯಲ್ಲಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲ್ಪಟ್ಟಿಲ್ಲ

3.1.2 ಸಂಶೋಧನೆಯ ಉದ್ದೇಶ

ಸಂಶೋಧನೆಯ ಸ್ವರೂಪದ ಜೊತೆಗೆ, ನಿರ್ದಿಷ್ಟ ಸಂಶೋಧನಾ ವಿಧಾನವನ್ನು ಆಯ್ಕೆಮಾಡುವಲ್ಲಿ ಸಂಶೋಧಕರಿಗೆ ಮಾರ್ಗದರ್ಶನ ನೀಡಲು ಅದರ ಉದ್ದೇಶವನ್ನು ಬಳಸಬಹುದು. ಸಂಶೋಧನಾ ಯೋಜನೆಯ ಉದ್ದೇಶವು ಮೂರು ಹಂತಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಸಂಶೋಧನಾ ಚಕ್ರಕ್ಕೆ ಸಂಬಂಧಿಸಿದಂತೆ ಸಂಶೋಧನೆಯ ಸ್ಥಾನಕ್ಕೆ ನಿಕಟ ಸಂಬಂಧ ಹೊಂದಿದೆ: ಸಿದ್ಧಾಂತ ನಿರ್ಮಾಣ, ಸಿದ್ಧಾಂತ ಪರೀಕ್ಷೆ ಮತ್ತು ಸಿದ್ಧಾಂತದ ಪರಿಷ್ಕರಣೆ. ಹೀಗಾಗಿ, ಸಂಶೋಧನಾ ಚಕ್ರದ ಸಮಯವನ್ನು ಆಧರಿಸಿ, ಸಂಶೋಧನಾ ಯೋಜನೆಯು ವಿವರಣಾತ್ಮಕ, ವಿವರಣಾತ್ಮಕ, ಪರಿಶೋಧನಾತ್ಮಕ ಅಥವಾ ಮುನ್ಸೂಚಕ ಉದ್ದೇಶವನ್ನು ಹೊಂದಿರುತ್ತದೆ.

3.1.2.1 ಪರಿಶೋಧನಾ ಸಂಶೋಧನೆ

ಪರಿಶೋಧನಾ ಸಂಶೋಧನೆಯು ಸಂಪೂರ್ಣವಾಗಿ ಹೊಸ ವಿಷಯವನ್ನು ತನಿಖೆ ಮಾಡುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಭವಿಷ್ಯದ ಸಂಶೋಧನೆಗಾಗಿ ಪ್ರಶ್ನೆಗಳು ಮತ್ತು ಊಹೆಗಳನ್ನು ರೂಪಿಸುತ್ತದೆ. ಹೊಸ ಪ್ರದೇಶದಲ್ಲಿ ಆರಂಭಿಕ ಉಲ್ಲೇಖಗಳನ್ನು ಪಡೆಯಲು ಈ ರೀತಿಯ ಸಂಶೋಧನೆಯನ್ನು ಸಿದ್ಧಾಂತ ಕಟ್ಟಡದಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ. ವಿಶಿಷ್ಟವಾಗಿ, ಗುಣಾತ್ಮಕ ಸಂಶೋಧನಾ ವಿಧಾನಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ, ಉದಾಹರಣೆಗೆ ಕೇಸ್ ಸ್ಟಡೀಸ್ ಅಥವಾ ವಿದ್ಯಮಾನಶಾಸ್ತ್ರದ ಅಧ್ಯಯನಗಳು.

ಆದಾಗ್ಯೂ, ಪರಿಶೋಧನಾ ಸಮೀಕ್ಷೆಗಳು ಅಥವಾ ಪ್ರಯೋಗಗಳಂತಹ ಪರಿಮಾಣಾತ್ಮಕ ತಂತ್ರಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳಲು ಸಹ ಸಾಧ್ಯವಿದೆ.

3.1.3.3 ವಿವರಣಾತ್ಮಕ ಸಂಶೋಧನೆ

ವಿವರಣಾತ್ಮಕ ಸಂಶೋಧನೆಯು ನಿರ್ದಿಷ್ಟ ಸಾಂಸ್ಥಿಕ ಪರಿಸ್ಥಿತಿ ಅಥವಾ ಅಭ್ಯಾಸವನ್ನು ಹೆಚ್ಚು ವಿವರವಾಗಿ ವಿಶ್ಲೇಷಿಸುವ ಮತ್ತು ವಿವರಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ. ಇದು ಸಿದ್ಧಾಂತಗಳನ್ನು ನಿರ್ಮಿಸಲು ಸೂಕ್ತವಾಗಿದೆ ಮತ್ತು ಊಹೆಗಳನ್ನು ದೃಢೀಕರಿಸಲು ಅಥವಾ ಸವಾಲು ಮಾಡಲು ಸಹ ಬಳಸಬಹುದು. ವಿವರಣಾತ್ಮಕ ಸಂಶೋಧನೆಯು ಸಾಮಾನ್ಯವಾಗಿ ಅಳತೆಗಳು ಮತ್ತು ಮಾದರಿಗಳ ಬಳಕೆಯನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಅತ್ಯಂತ ಸೂಕ್ತವಾದ ಸಂಶೋಧನಾ ವಿಧಾನಗಳಲ್ಲಿ ಸಮೀಕ್ಷೆಗಳು ಮತ್ತು ಪೂರ್ವವರ್ತಿಗಳ ವಿಶ್ಲೇಷಣೆ ಸೇರಿವೆ.

3.1.2.3 ವಿವರಣಾತ್ಮಕ ಸಂಶೋಧನೆ

ವಿವರಣಾತ್ಮಕ ಸಂಶೋಧನೆಯು ಏನಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ. ಇದು ಈಗಾಗಲೇ ಅಧ್ಯಯನ ಮಾಡಿದ ಸಂಗತಿಗಳ ಮೇಲೆ ನಿರ್ಮಿಸಲಾಗಿದೆ ಮತ್ತು ಈ ಸಂಗತಿಗಳಿಗೆ ಕಾರಣಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ.
ಹೀಗೆ ವಿವರಣಾತ್ಮಕ ಸಂಶೋಧನೆಯು ಸಾಮಾನ್ಯವಾಗಿ ಪರಿಶೋಧಕ ಅಥವಾ ವಿವರಣಾತ್ಮಕ ಸಂಶೋಧನೆಯ ಮೇಲೆ ನಿರ್ಮಿಸಲ್ಪಟ್ಟಿದೆ ಮತ್ತು ಇದು ಪರೀಕ್ಷೆ ಮತ್ತು ಪರಿಷ್ಕರಿಸುವ ಸಿದ್ಧಾಂತಗಳಿಗೆ ಪೂರಕವಾಗಿದೆ. ವಿವರಣಾತ್ಮಕ ಸಂಶೋಧನೆಯು ಸಾಮಾನ್ಯವಾಗಿ ಕೇಸ್ ಸ್ಟಡೀಸ್ ಅಥವಾ ಸಮೀಕ್ಷೆ ಆಧಾರಿತ ಸಂಶೋಧನಾ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳುತ್ತದೆ.

3.1.2.4 ತಡೆಗಟ್ಟುವ ಸಂಶೋಧನೆ

ತಡೆಗಟ್ಟುವ ಸಂಶೋಧನೆಯು ಅವಲೋಕನದ ಅಡಿಯಲ್ಲಿ ಘಟನೆಗಳು ಮತ್ತು ನಡವಳಿಕೆಗಳನ್ನು ಊಹಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ (ಮಾರ್ಷಲ್ ಮತ್ತು ರೋಸ್ಮನ್ 1995). ಭವಿಷ್ಯವು ಸತ್ಯದ ಪ್ರಮಾಣಿತ ವೈಜ್ಞಾನಿಕ ಪರೀಕ್ಷೆಯಾಗಿದೆ. ಈ ರೀತಿಯ ಸಂಶೋಧನೆಯು ಸಾಮಾನ್ಯವಾಗಿ ಸಮೀಕ್ಷೆಗಳು ಅಥವಾ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಬಳಸಿಕೊಳ್ಳುತ್ತದೆ dati ಇತಿಹಾಸಕಾರರು. (ಯಿನ್ 1989)

ಮೇಲಿನ ಚರ್ಚೆಯು ನಿರ್ದಿಷ್ಟ ಅಧ್ಯಯನದಲ್ಲಿ ಬಳಸಬಹುದಾದ ಹಲವಾರು ಸಂಭಾವ್ಯ ಸಂಶೋಧನಾ ವಿಧಾನಗಳಿವೆ ಎಂದು ತೋರಿಸುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಒಂದು ನಿರ್ದಿಷ್ಟ ರೀತಿಯ ಸಂಶೋಧನಾ ಯೋಜನೆಗೆ ಇತರರಿಗಿಂತ ಹೆಚ್ಚು ಸೂಕ್ತವಾದ ಒಂದು ನಿರ್ದಿಷ್ಟ ವಿಧಾನ ಇರಬೇಕು. (ಗ್ಯಾಲಿಯರ್ಸ್ 1987, ಯಿನ್ 1989, ಡಿ ವಾಸ್ 1991). ಆದ್ದರಿಂದ, ಪ್ರತಿಯೊಬ್ಬ ಸಂಶೋಧಕರು ಸಂಶೋಧನಾ ಯೋಜನೆಯೊಂದಿಗೆ ಹೆಚ್ಚು ಸೂಕ್ತವಾದ ಮತ್ತು ಹೊಂದಾಣಿಕೆಯ ಸಂಶೋಧನಾ ವಿಧಾನವನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳಲು ವಿವಿಧ ವಿಧಾನಗಳ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ದೌರ್ಬಲ್ಯಗಳನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ಮೌಲ್ಯಮಾಪನ ಮಾಡಬೇಕಾಗುತ್ತದೆ. (ಜೆಂಕಿನ್ಸ್ 1985, ಪರ್ವಾನ್ ಮತ್ತು ಕ್ಲಾಸ್ 1992, ಬೊನೊಮಿಯಾ 1985, ಯಿನ್ 1989, ಹಿಮಿಲ್ಟನ್ ಮತ್ತು ಐವ್ಸ್ 1992).

3.2. ಸಂಭಾವ್ಯ ಸಂಶೋಧನಾ ವಿಧಾನಗಳು

ಈ ಯೋಜನೆಯ ಉದ್ದೇಶವು ಆಸ್ಟ್ರೇಲಿಯನ್ ಸಂಸ್ಥೆಗಳಲ್ಲಿನ ಅನುಭವವನ್ನು ಅಧ್ಯಯನ ಮಾಡುವುದು i dati ಅಭಿವೃದ್ಧಿಯೊಂದಿಗೆ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್. ದಿನಾಂಕ ಪ್ರಸ್ತುತ, ಆಸ್ಟ್ರೇಲಿಯಾದಲ್ಲಿ ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್ ಪ್ರದೇಶದಲ್ಲಿ ಸಂಶೋಧನೆಯ ಕೊರತೆಯಿದೆ, ಈ ಸಂಶೋಧನಾ ಯೋಜನೆಯು ಇನ್ನೂ ಸಂಶೋಧನಾ ಚಕ್ರದ ಸೈದ್ಧಾಂತಿಕ ಹಂತದಲ್ಲಿದೆ ಮತ್ತು ಪರಿಶೋಧನಾತ್ಮಕ ಉದ್ದೇಶವನ್ನು ಹೊಂದಿದೆ. ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್ ಅನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳುವ ಆಸ್ಟ್ರೇಲಿಯಾದ ಸಂಸ್ಥೆಗಳಲ್ಲಿನ ಅನುಭವವನ್ನು ಅನ್ವೇಷಿಸಲು ನೈಜ ಸಮಾಜದ ವ್ಯಾಖ್ಯಾನದ ಅಗತ್ಯವಿದೆ. ಪರಿಣಾಮವಾಗಿ, ಸಂಶೋಧನಾ ಯೋಜನೆಯ ಆಧಾರವಾಗಿರುವ ತಾತ್ವಿಕ ಊಹೆಯು ಸಾಂಪ್ರದಾಯಿಕ ವ್ಯಾಖ್ಯಾನವನ್ನು ಅನುಸರಿಸುತ್ತದೆ.

ಲಭ್ಯವಿರುವ ವಿಧಾನಗಳ ಕಠಿಣ ಪರೀಕ್ಷೆಯ ನಂತರ, ಎರಡು ಸಂಭವನೀಯ ಸಂಶೋಧನಾ ವಿಧಾನಗಳನ್ನು ಗುರುತಿಸಲಾಗಿದೆ: ಸಮೀಕ್ಷೆಗಳು ಮತ್ತು ಕೇಸ್ ಸ್ಟಡೀಸ್, ಇದನ್ನು ಪರಿಶೋಧನಾ ಸಂಶೋಧನೆಗೆ ಬಳಸಬಹುದು (ಶಾಂಕ್ಸ್ ಮತ್ತು ಇತರರು. 1993). ಗ್ಯಾಲಿಯರ್ಸ್ (1992) ತನ್ನ ಪರಿಷ್ಕೃತ ಟ್ಯಾಕ್ಸಾನಮಿಯಲ್ಲಿ ಈ ನಿರ್ದಿಷ್ಟ ಅಧ್ಯಯನಕ್ಕೆ ಈ ಎರಡು ವಿಧಾನಗಳ ಸೂಕ್ತತೆಯನ್ನು ಸಿದ್ಧಾಂತ ನಿರ್ಮಾಣಕ್ಕೆ ಸೂಕ್ತವೆಂದು ಹೇಳುವ ಮೂಲಕ ವಾದಿಸುತ್ತಾರೆ. ಕೆಳಗಿನ ಎರಡು ಉಪವಿಭಾಗಗಳು ಪ್ರತಿಯೊಂದು ವಿಧಾನವನ್ನು ವಿವರವಾಗಿ ಚರ್ಚಿಸುತ್ತವೆ.

3.2.1 ಸಮೀಕ್ಷೆ ಸಂಶೋಧನಾ ವಿಧಾನ

ಸಮೀಕ್ಷೆಯ ಸಂಶೋಧನಾ ವಿಧಾನವು ಪ್ರಾಚೀನ ಜನಗಣತಿ ವಿಧಾನದಿಂದ ಬಂದಿದೆ. ಜನಗಣತಿಯು ಇಡೀ ಜನಸಂಖ್ಯೆಯಿಂದ ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಈ ವಿಧಾನವು ದುಬಾರಿ ಮತ್ತು ಅಪ್ರಾಯೋಗಿಕವಾಗಿದೆ, ವಿಶೇಷವಾಗಿ ಜನಸಂಖ್ಯೆಯು ದೊಡ್ಡದಾಗಿದ್ದರೆ. ಹೀಗಾಗಿ, ಜನಗಣತಿಗೆ ಹೋಲಿಸಿದರೆ, ಸಮೀಕ್ಷೆಯು ಸಾಮಾನ್ಯವಾಗಿ ಜನಸಂಖ್ಯೆಯ ಪ್ರತಿನಿಧಿಗಳ (ಫೌಲರ್ 1988, ನ್ಯೂಮನ್ 1994) ಸಣ್ಣ ಸಂಖ್ಯೆಯ ಅಥವಾ ಮಾದರಿಯ ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸುವುದರ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ. ಮಾದರಿ ರಚನೆ, ಗಾತ್ರ ಮತ್ತು ಬಳಸಿದ ಆಯ್ಕೆ ವಿಧಾನದ ಆಧಾರದ ಮೇಲೆ ವಿಭಿನ್ನ ಮಟ್ಟದ ನಿಖರತೆಯೊಂದಿಗೆ ಅದನ್ನು ಸೆಳೆಯಲಾದ ಜನಸಂಖ್ಯೆಯನ್ನು ಮಾದರಿ ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ (ಫೌಲರ್ 1988, ಬಾಬ್ಬಿ 1982, ನ್ಯೂಮನ್ 1994).

ಸಮೀಕ್ಷೆಯ ವಿಧಾನವನ್ನು "ಪ್ರಶ್ನಾವಳಿಗಳು ಅಥವಾ ಸಂದರ್ಶನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಕೈಗೊಳ್ಳಲಾದ ನಿರ್ದಿಷ್ಟ ಸಮಯದಲ್ಲಿ ಅಭ್ಯಾಸಗಳು, ಸನ್ನಿವೇಶಗಳು ಅಥವಾ ವೀಕ್ಷಣೆಗಳ ಸ್ನ್ಯಾಪ್‌ಶಾಟ್‌ಗಳು ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ.
ಮಾಡಿದ” (ಗ್ಯಾಲಿಯರ್ಸ್ 1992:153) [ಪ್ರಶ್ನಾವಳಿಗಳು ಅಥವಾ ಸಂದರ್ಶನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ನಿರ್ದಿಷ್ಟ ಸಮಯದಲ್ಲಿ ಅಭ್ಯಾಸಗಳು, ಸನ್ನಿವೇಶಗಳು ಅಥವಾ ವೀಕ್ಷಣೆಗಳ ಸ್ನ್ಯಾಪ್‌ಶಾಟ್, ಇದರಿಂದ ತೀರ್ಮಾನಗಳನ್ನು ಮಾಡಬಹುದು]. ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳುವ ಮೂಲಕ ನಿರ್ದಿಷ್ಟ ಸಂಖ್ಯೆಯ ಭಾಗವಹಿಸುವವರಿಂದ ಅಧ್ಯಯನದ ಕೆಲವು ಅಂಶಗಳ ಬಗ್ಗೆ ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸುವುದರೊಂದಿಗೆ ಸಮೀಕ್ಷೆಗಳು ವ್ಯವಹರಿಸುತ್ತವೆ (ಫೌಲರ್ 1988). ಈ ಪ್ರಶ್ನಾವಳಿಗಳು ಮತ್ತು ಸಂದರ್ಶನಗಳು, ಮುಖಾಮುಖಿ ದೂರವಾಣಿ ಸಂದರ್ಶನಗಳು ಮತ್ತು ರಚನಾತ್ಮಕವಾದವುಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ, ಇವುಗಳ ಸಂಗ್ರಹ ತಂತ್ರಗಳು dati ತನಿಖೆಗಳಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸಿಕೊಳ್ಳಲಾಗುತ್ತದೆ (ಬ್ಲಾಕ್ 1970, ನಾಚ್ಮಿಯಾಸ್ ಮತ್ತು ನಾಚ್ಮಿಯಾಸ್ 1976, ಫೌಲರ್ 1988), ವೀಕ್ಷಣೆಗಳು ಮತ್ತು ವಿಶ್ಲೇಷಣೆಗಳನ್ನು ಬಳಸಬಹುದು (ಗೇಬಲ್ 1994). ಸಂಗ್ರಹಿಸುವ ಈ ಎಲ್ಲಾ ವಿಧಾನಗಳಲ್ಲಿ dati, ಪ್ರಶ್ನಾವಳಿಯ ಬಳಕೆಯು ಅತ್ಯಂತ ಜನಪ್ರಿಯ ತಂತ್ರವಾಗಿದೆ, ಏಕೆಂದರೆ ಇದು i dati

ಸಂಗ್ರಹಿಸಿದ ರಚನೆ ಮತ್ತು ಫಾರ್ಮ್ಯಾಟ್, ಮತ್ತು ಆದ್ದರಿಂದ ಮಾಹಿತಿಯ ವರ್ಗೀಕರಣವನ್ನು ಸುಗಮಗೊಳಿಸುತ್ತದೆ (Hwang 1987, de Vaus 1991).

ನಾನು ವಿಶ್ಲೇಷಿಸುವಾಗ dati, ಒಂದು ತನಿಖಾ ತಂತ್ರವು ಸಾಮಾನ್ಯವಾಗಿ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಶ್ಲೇಷಣೆಯಂತಹ ಪರಿಮಾಣಾತ್ಮಕ ತಂತ್ರಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳುತ್ತದೆ, ಆದರೆ ಗುಣಾತ್ಮಕ ತಂತ್ರಗಳನ್ನು ಸಹ ಬಳಸಿಕೊಳ್ಳಬಹುದು (ಗ್ಯಾಲಿಯರ್ಸ್ 1992, ಪರ್ವಾನ್

ಮತ್ತು ಕ್ಲಾಸ್ 1992, ಗೇಬಲ್ 1994). ಸಾಮಾನ್ಯವಾಗಿ, ಐ dati ಸಂಘಗಳ ವಿತರಣೆಗಳು ಮತ್ತು ಮಾದರಿಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ (ಫೌಲರ್ 1988).

'ಏನು?' ಎಂಬ ಪ್ರಶ್ನೆಯೊಂದಿಗೆ ವ್ಯವಹರಿಸುವ ಸಂಶೋಧನೆಗೆ ಸಮೀಕ್ಷೆಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಸೂಕ್ತವಾಗಿದ್ದರೂ ಸಹ. (ಯಾವುದು) ಅಥವಾ ಅದರಿಂದ 'ಎಷ್ಟು' ಮತ್ತು 'ಎಷ್ಟು' ಎಂದು ವ್ಯುತ್ಪನ್ನವಾಗಿ, ಅವರನ್ನು 'ಏಕೆ' ಎಂಬ ಪ್ರಶ್ನೆಯ ಮೂಲಕ ಕೇಳಬಹುದು (ಸೋನ್‌ಕ್ವಿಸ್ಟ್ ಮತ್ತು ಡಂಕೆಲ್‌ಬರ್ಗ್ 1977, ಯಿನ್ 1989). ಸೋನ್‌ಕ್ವಿಸ್ಟ್ ಮತ್ತು ಡಂಕೆಲ್‌ಬರ್ಗ್ (1977) ಪ್ರಕಾರ, ವಿಚಾರಣಾ ಸಂಶೋಧನೆಯು ಊಹೆಗಳನ್ನು ಸವಾಲು ಮಾಡುವುದು, ಕಾರ್ಯಕ್ರಮಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು, ಜನಸಂಖ್ಯೆಯನ್ನು ವಿವರಿಸುವುದು ಮತ್ತು ಮಾನವ ನಡವಳಿಕೆಯ ಮಾದರಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ. ಇದಲ್ಲದೆ, ನಿರ್ದಿಷ್ಟ ಜನಸಂಖ್ಯೆಯ ಅಭಿಪ್ರಾಯ, ಪರಿಸ್ಥಿತಿಗಳು, ಅಭಿಪ್ರಾಯಗಳು, ಗುಣಲಕ್ಷಣಗಳು, ನಿರೀಕ್ಷೆಗಳು ಮತ್ತು ಹಿಂದಿನ ಅಥವಾ ಪ್ರಸ್ತುತ ನಡವಳಿಕೆಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡಲು ಸಮೀಕ್ಷೆಗಳನ್ನು ಬಳಸಬಹುದು (ನ್ಯೂಮನ್ 1994).

ಸಮೀಕ್ಷೆಗಳು ಸಂಶೋಧಕರಿಗೆ ಜನಸಂಖ್ಯೆಯ ನಡುವಿನ ಸಂಬಂಧಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ ಮತ್ತು ಫಲಿತಾಂಶಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಇತರ ವಿಧಾನಗಳಿಗಿಂತ ಹೆಚ್ಚು ಸಾಮಾನ್ಯವಾಗಿದೆ (ಸೋನ್‌ಕ್ವಿಸ್ಟ್ ಮತ್ತು ಡಂಕೆಲ್‌ಬರ್ಗ್ 1977, ಗೇಬಲ್ 1994). ಸಮೀಕ್ಷೆಗಳು ಸಂಶೋಧಕರಿಗೆ ದೊಡ್ಡ ಭೌಗೋಳಿಕ ಪ್ರದೇಶವನ್ನು ಆವರಿಸಲು ಮತ್ತು ಅನೇಕ ಪ್ರತಿಸ್ಪಂದಕರನ್ನು ತಲುಪಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ (ಬ್ಲಾಕ್ 1970, ಸೋನ್‌ಕ್ವಿಸ್ಟ್ ಮತ್ತು ಡಂಕೆಲ್‌ಬರ್ಗ್ 1977, ಹ್ವಾಂಗ್ ಮತ್ತು ಲಿನ್ 1987, ಗೇಬಲ್ 1994, ನ್ಯೂಮನ್ 1994). ಅಂತಿಮವಾಗಿ, ಸಮೀಕ್ಷೆಗಳು ಬೇರೆಡೆ ಲಭ್ಯವಿಲ್ಲದ ಅಥವಾ ವಿಶ್ಲೇಷಣೆಗಳಿಗೆ ಅಗತ್ಯವಿರುವ ರೂಪದಲ್ಲಿ ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸಬಹುದು (ಫೌಲರ್ 1988).

ಆದಾಗ್ಯೂ, ಸಮೀಕ್ಷೆಯನ್ನು ಕೈಗೊಳ್ಳುವಲ್ಲಿ ಕೆಲವು ಮಿತಿಗಳಿವೆ. ಒಂದು ಅನನುಕೂಲವೆಂದರೆ ಸಂಶೋಧಕರು ಅಧ್ಯಯನ ಮಾಡಿದ ವಸ್ತುವಿನ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಯನ್ನು ಪಡೆಯಲು ಸಾಧ್ಯವಿಲ್ಲ. ಸಮೀಕ್ಷೆಗಳನ್ನು ನಿರ್ದಿಷ್ಟ ಸಮಯದಲ್ಲಿ ಮಾತ್ರ ನಡೆಸಲಾಗುತ್ತದೆ ಮತ್ತು ಆದ್ದರಿಂದ, ಸಂಶೋಧಕರು ಮಾಡಬಹುದಾದ ಸೀಮಿತ ಸಂಖ್ಯೆಯ ಅಸ್ಥಿರಗಳು ಮತ್ತು ಜನರು ಇದಕ್ಕೆ ಕಾರಣ.

ಅಧ್ಯಯನ (ಯಿನ್ 1989, ಡಿ ವಾಸ್ 1991, ಗೇಬಲ್ 1994, ಡೆನ್ಸ್‌ಕಾಂಬ್ 1998). ಮತ್ತೊಂದು ಅನನುಕೂಲವೆಂದರೆ ಸಮೀಕ್ಷೆಯನ್ನು ನಡೆಸುವುದು ಸಮಯ ಮತ್ತು ಸಂಪನ್ಮೂಲಗಳ ವಿಷಯದಲ್ಲಿ ತುಂಬಾ ದುಬಾರಿಯಾಗಬಹುದು, ವಿಶೇಷವಾಗಿ ಇದು ಮುಖಾಮುಖಿ ಸಂದರ್ಶನಗಳನ್ನು ಒಳಗೊಂಡಿದ್ದರೆ (ಫೌಲರ್ 1988).

3.2.2. ವಿಚಾರಣೆ ಸಂಶೋಧನಾ ವಿಧಾನ

ವಿಚಾರಣೆಯ ಸಂಶೋಧನಾ ವಿಧಾನವು ಸಂಶೋಧಕರ ಕಡೆಯಿಂದ ಯಾವುದೇ ಹಸ್ತಕ್ಷೇಪವಿಲ್ಲದೆ (ಶಾಂಕ್ಸ್ & ಸಿ. 1993, ಐಸೆನ್‌ಹಾರ್ಡ್ಟ್ 1989, ಜೆಂಕಿನ್ಸ್ 1985) ಒಂದು ನಿರ್ದಿಷ್ಟ ಸನ್ನಿವೇಶವನ್ನು ಅದರ ನೈಜ-ಪ್ರಪಂಚದ ಸಂದರ್ಭದಲ್ಲಿ ನಿರ್ದಿಷ್ಟ ಸಮಯದವರೆಗೆ ಆಳವಾದ ಅಧ್ಯಯನವನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಮುಖ್ಯವಾಗಿ ಈ ವಿಧಾನವನ್ನು ನಿರ್ದಿಷ್ಟ ಸನ್ನಿವೇಶದಲ್ಲಿ ಅಧ್ಯಯನ ಮಾಡಲಾಗುತ್ತಿರುವ ಅಸ್ಥಿರಗಳ ನಡುವಿನ ಸಂಬಂಧಗಳನ್ನು ವಿವರಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ (Galliers 1992). ವಿಶ್ಲೇಷಿಸಿದ ವಿದ್ಯಮಾನವನ್ನು ಅವಲಂಬಿಸಿ ತನಿಖೆಗಳು ಏಕ ಅಥವಾ ಬಹು ಪ್ರಕರಣಗಳನ್ನು ಒಳಗೊಳ್ಳಬಹುದು (ಫ್ರಾಂಜ್ ಮತ್ತು ರಾಬಿ 1987, ಐಸೆನ್ಹಾರ್ಡ್ 1989, ಯಿನ್ 1989).

ವಿಚಾರಣೆಯ ಸಂಶೋಧನಾ ವಿಧಾನವನ್ನು "ಜನರು, ಗುಂಪುಗಳು ಅಥವಾ ಸಂಸ್ಥೆಗಳಂತಹ ಒಂದು ಅಥವಾ ಹೆಚ್ಚಿನ ಘಟಕಗಳಿಂದ ಸಂಗ್ರಹಿಸಿದ ಬಹು ಮೂಲಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಅದರ ವಾಸ್ತವಿಕ ಸಂದರ್ಭದಲ್ಲಿ ಸಮಕಾಲೀನ ವಿದ್ಯಮಾನವನ್ನು ಅಧ್ಯಯನ ಮಾಡುವ ಪ್ರಾಯೋಗಿಕ ವಿಚಾರಣೆ" ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ (Yin 1989). ವಿದ್ಯಮಾನ ಮತ್ತು ಅದರ ಸಂದರ್ಭದ ನಡುವೆ ಯಾವುದೇ ಸ್ಪಷ್ಟವಾದ ಪ್ರತ್ಯೇಕತೆಯಿಲ್ಲ ಮತ್ತು ಅಸ್ಥಿರಗಳ ಪ್ರಾಯೋಗಿಕ ನಿಯಂತ್ರಣ ಅಥವಾ ಕುಶಲತೆಯಿಲ್ಲ (Yin 1989, Benbasat et al. 1987).

ಸಂಗ್ರಹಿಸಲು ವಿವಿಧ ತಂತ್ರಗಳಿವೆ dati ನೇರ ವೀಕ್ಷಣೆಗಳು, ಆರ್ಕೈವಲ್ ದಾಖಲೆಗಳ ವಿಮರ್ಶೆಗಳು, ಪ್ರಶ್ನಾವಳಿಗಳು, ದಾಖಲಾತಿ ಪರಿಶೀಲನೆ ಮತ್ತು ರಚನಾತ್ಮಕ ಸಂದರ್ಶನಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ವಿಚಾರಣೆ ವಿಧಾನದಲ್ಲಿ ಬಳಸಿಕೊಳ್ಳಬಹುದು. ವೈವಿಧ್ಯಮಯ ಕೊಯ್ಲು ತಂತ್ರಗಳನ್ನು ಹೊಂದಿರುವ dati, ತನಿಖೆಗಳು ಸಂಶೋಧಕರು ಎರಡನ್ನೂ ನಿಭಾಯಿಸಲು ಅವಕಾಶ ಮಾಡಿಕೊಡುತ್ತವೆ dati ಅದೇ ಸಮಯದಲ್ಲಿ ಗುಣಾತ್ಮಕ ಮತ್ತು ಪರಿಮಾಣಾತ್ಮಕ (ಬೊನೊಮಾ 1985, ಐಸೆನ್ಹಾರ್ಡ್ 1989, ಯಿನ್ 1989, ಗೇಬಲ್ 1994). ಸಮೀಕ್ಷೆಯ ವಿಧಾನದಂತೆಯೇ, ಸಮೀಕ್ಷೆಯ ಸಂಶೋಧಕರು ವೀಕ್ಷಕರಾಗಿ ಅಥವಾ ಸಂಶೋಧಕರಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಾರೆ ಮತ್ತು ಅಧ್ಯಯನದ ಅಡಿಯಲ್ಲಿ ಸಂಸ್ಥೆಯಲ್ಲಿ ಸಕ್ರಿಯ ಪಾಲ್ಗೊಳ್ಳುವವರಲ್ಲ.

Benbasat et al.

ಸಂಗ್ರಹಿಸುವ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಒಂದು ಸಿದ್ಧಾಂತ dati. ವೇದಿಕೆಗೂ ಸೂಕ್ತವಾಗುವುದು

ಥಿಯರಿ ಬಿಲ್ಡಿಂಗ್, ಫ್ರಾಂಜ್ ಮತ್ತು ರಾಬಿ (1987) ಸಂಕೀರ್ಣ ಸಿದ್ಧಾಂತದ ಹಂತಕ್ಕೆ ವಿಚಾರಣೆ ವಿಧಾನವನ್ನು ಸಹ ಬಳಸಬಹುದು ಎಂದು ಸೂಚಿಸುತ್ತಾರೆ. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಸಂಗ್ರಹಿಸಿದ ಪುರಾವೆಗಳ ಆಧಾರದ ಮೇಲೆ, ನಿರ್ದಿಷ್ಟ ಸಿದ್ಧಾಂತ ಅಥವಾ ಊಹೆಯನ್ನು ಪರಿಶೀಲಿಸಲಾಗುತ್ತದೆ ಅಥವಾ ನಿರಾಕರಿಸಲಾಗುತ್ತದೆ. ಜೊತೆಗೆ, ಸಮೀಕ್ಷೆಯು 'ಹೇಗೆ' ಅಥವಾ 'ಏಕೆ' ಪ್ರಶ್ನೆಗಳೊಂದಿಗೆ ವ್ಯವಹರಿಸುವ ಸಂಶೋಧನೆಗೆ ಸಹ ಸೂಕ್ತವಾಗಿದೆ (ಯಿನ್ 1989).

ಇತರ ವಿಧಾನಗಳಿಗೆ ಹೋಲಿಸಿದರೆ, ಸಮೀಕ್ಷೆಗಳು ಸಂಶೋಧಕರಿಗೆ ಅಗತ್ಯ ಮಾಹಿತಿಯನ್ನು ಹೆಚ್ಚು ವಿವರವಾಗಿ ಸೆರೆಹಿಡಿಯಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ (Galliers 1992, Shanks et al. 1993). ಇದಲ್ಲದೆ, ಸಮೀಕ್ಷೆಗಳು ಅಧ್ಯಯನ ಮಾಡಿದ ಪ್ರಕ್ರಿಯೆಗಳ ಸ್ವರೂಪ ಮತ್ತು ಸಂಕೀರ್ಣತೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಂಶೋಧಕರಿಗೆ ಅವಕಾಶ ನೀಡುತ್ತವೆ (ಬೆನ್ಬಸಾಟ್ ಮತ್ತು ಇತರರು. 1987).

ಸಮೀಕ್ಷೆಯ ವಿಧಾನದೊಂದಿಗೆ ನಾಲ್ಕು ಮುಖ್ಯ ಅನಾನುಕೂಲತೆಗಳಿವೆ. ಮೊದಲನೆಯದು ನಿಯಂತ್ರಿತ ಕಡಿತಗಳ ಕೊರತೆ. ಸಂಶೋಧಕರ ವ್ಯಕ್ತಿನಿಷ್ಠತೆಯು ಅಧ್ಯಯನದ ಫಲಿತಾಂಶಗಳು ಮತ್ತು ತೀರ್ಮಾನಗಳನ್ನು ಬದಲಾಯಿಸಬಹುದು (ಯಿನ್ 1989). ಎರಡನೆಯ ಅನನುಕೂಲವೆಂದರೆ ನಿಯಂತ್ರಿತ ವೀಕ್ಷಣೆಯ ಕೊರತೆ. ಪ್ರಾಯೋಗಿಕ ವಿಧಾನಗಳಿಗಿಂತ ಭಿನ್ನವಾಗಿ, ವಿಚಾರಣೆಯ ಸಂಶೋಧಕರು ಅಧ್ಯಯನ ಮಾಡಿದ ವಿದ್ಯಮಾನಗಳನ್ನು ನಿಯಂತ್ರಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ ಏಕೆಂದರೆ ಅವುಗಳು ಅವುಗಳ ನೈಸರ್ಗಿಕ ಸಂದರ್ಭದಲ್ಲಿ ಪರೀಕ್ಷಿಸಲ್ಪಡುತ್ತವೆ (ಗೇಬಲ್ 1994). ಮೂರನೆಯ ಅನನುಕೂಲವೆಂದರೆ ಪುನರಾವರ್ತನೆಯ ಕೊರತೆ. ಏಕೆಂದರೆ ಸಂಶೋಧಕರು ಅದೇ ಘಟನೆಗಳನ್ನು ವೀಕ್ಷಿಸಲು ಅಸಂಭವವಾಗಿದೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟ ಅಧ್ಯಯನದ ಫಲಿತಾಂಶಗಳನ್ನು ಪರಿಶೀಲಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ (ಲೀ 1989). ಅಂತಿಮವಾಗಿ, ಪುನರಾವರ್ತನೆಯಲ್ಲದ ಪರಿಣಾಮವಾಗಿ, ಒಂದು ಅಥವಾ ಹೆಚ್ಚಿನ ತನಿಖೆಗಳಿಂದ ಪಡೆದ ಫಲಿತಾಂಶಗಳನ್ನು ಸಾಮಾನ್ಯೀಕರಿಸುವುದು ಕಷ್ಟಕರವಾಗಿದೆ (Galliers 1992, Shanks et al 1993). ಆದಾಗ್ಯೂ, ಈ ಎಲ್ಲಾ ಸಮಸ್ಯೆಗಳು ದುಸ್ತರವಾಗಿಲ್ಲ ಮತ್ತು ವಾಸ್ತವವಾಗಿ, ಸೂಕ್ತ ಕ್ರಮಗಳನ್ನು ಅನ್ವಯಿಸುವ ಮೂಲಕ ಸಂಶೋಧಕರು ಕಡಿಮೆ ಮಾಡಬಹುದು (ಲೀ 1989).

3.3. ಸಂಶೋಧನಾ ವಿಧಾನವನ್ನು ಸಮರ್ಥಿಸಿ ಅಳವಡಿಸಿಕೊಂಡಿದ್ದಾರೆ

ಈ ಅಧ್ಯಯನಕ್ಕೆ ಎರಡು ಸಂಭಾವ್ಯ ಸಂಶೋಧನಾ ವಿಧಾನಗಳಿಂದ, ಸಮೀಕ್ಷೆಯ ವಿಧಾನವನ್ನು ಅತ್ಯಂತ ಸೂಕ್ತವೆಂದು ಪರಿಗಣಿಸಲಾಗಿದೆ. ಸಂಬಂಧಪಟ್ಟವರನ್ನು ಕೂಲಂಕುಷವಾಗಿ ಪರಿಗಣಿಸಿ ತನಿಖೆಯನ್ನು ಕೈಬಿಡಲಾಗಿದೆ

ಅರ್ಹತೆಗಳು ಮತ್ತು ದೌರ್ಬಲ್ಯಗಳು. ಈ ಅಧ್ಯಯನಕ್ಕಾಗಿ ಪ್ರತಿ ವಿಧಾನದ ಸೂಕ್ತತೆ ಅಥವಾ ಅನುಚಿತತೆಯನ್ನು ಕೆಳಗೆ ಚರ್ಚಿಸಲಾಗಿದೆ.

3.3.1. ಸಂಶೋಧನಾ ವಿಧಾನದ ಅಸಮರ್ಪಕತೆ ತನಿಖೆಯ

ವಿಚಾರಣೆಯ ವಿಧಾನಕ್ಕೆ ಒಂದು ಅಥವಾ ಹೆಚ್ಚಿನ ಸಂಸ್ಥೆಗಳಲ್ಲಿ ಒಂದು ನಿರ್ದಿಷ್ಟ ಸನ್ನಿವೇಶದ ಬಗ್ಗೆ ಆಳವಾದ ಅಧ್ಯಯನದ ಅಗತ್ಯವಿದೆ (ಐಸೆನ್‌ಹಾರ್ಡ್ಟ್ 1989). ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಅವಧಿಯು ಈ ಅಧ್ಯಯನಕ್ಕಾಗಿ ನೀಡಲಾದ ಸಮಯ ಚೌಕಟ್ಟನ್ನು ಮೀರಬಹುದು. ಸಮೀಕ್ಷೆಯ ವಿಧಾನವನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳದಿರುವ ಇನ್ನೊಂದು ಕಾರಣವೆಂದರೆ ಫಲಿತಾಂಶಗಳು ಕಠಿಣತೆಯ ಕೊರತೆಯಿಂದ ಬಳಲಬಹುದು (Yin 1989). ಸಂಶೋಧಕರ ವ್ಯಕ್ತಿನಿಷ್ಠತೆಯು ಫಲಿತಾಂಶಗಳು ಮತ್ತು ತೀರ್ಮಾನಗಳ ಮೇಲೆ ಪ್ರಭಾವ ಬೀರಬಹುದು. ಇನ್ನೊಂದು ಕಾರಣವೆಂದರೆ ಈ ವಿಧಾನವು 'ಹೇಗೆ' ಅಥವಾ 'ಏಕೆ' ಮಾದರಿಯ ಪ್ರಶ್ನೆಗಳ (ಯಿನ್ 1989) ಸಂಶೋಧನೆಗೆ ಹೆಚ್ಚು ಸೂಕ್ತವಾಗಿದೆ, ಆದರೆ ಈ ಅಧ್ಯಯನದ ಸಂಶೋಧನಾ ಪ್ರಶ್ನೆಯು 'ಯಾವ' ಪ್ರಕಾರವಾಗಿದೆ. ಕೊನೆಯದಾಗಿ ಆದರೆ ಕನಿಷ್ಠವಲ್ಲ, ಕೇವಲ ಒಂದು ಅಥವಾ ಕೆಲವು ತನಿಖೆಗಳಿಂದ ಸಂಶೋಧನೆಗಳನ್ನು ಸಾಮಾನ್ಯೀಕರಿಸುವುದು ಕಷ್ಟಕರವಾಗಿದೆ (Galliers 1992, Shanks et al. 1993). ಈ ತಾರ್ಕಿಕತೆಯ ಆಧಾರದ ಮೇಲೆ, ಈ ಅಧ್ಯಯನಕ್ಕೆ ಸೂಕ್ತವಲ್ಲದ ಕಾರಣ ಸಮೀಕ್ಷೆಯ ಸಂಶೋಧನಾ ವಿಧಾನವನ್ನು ಆಯ್ಕೆ ಮಾಡಲಾಗಿಲ್ಲ.

3.3.2. ಹುಡುಕಾಟ ವಿಧಾನದ ಅನುಕೂಲ ತನಿಖೆ

ಈ ಸಂಶೋಧನೆಯನ್ನು ನಡೆಸಿದಾಗ, ದತ್ತಾಂಶ ಸಂಗ್ರಹಣೆಯ ಅಭ್ಯಾಸವನ್ನು ಆಸ್ಟ್ರೇಲಿಯಾದ ಸಂಸ್ಥೆಗಳು ವ್ಯಾಪಕವಾಗಿ ಅಳವಡಿಸಿಕೊಂಡಿರಲಿಲ್ಲ. ಆದ್ದರಿಂದ, ಆಸ್ಟ್ರೇಲಿಯಾದ ಸಂಸ್ಥೆಗಳಲ್ಲಿ ಅವುಗಳ ಅನುಷ್ಠಾನದ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿ ಇರಲಿಲ್ಲ. ಲಭ್ಯವಿರುವ ಮಾಹಿತಿಯು ಎ ಅನುಷ್ಠಾನಗೊಳಿಸಿದ ಅಥವಾ ಬಳಸಿದ ಸಂಸ್ಥೆಗಳಿಂದ ಬಂದಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಸಮೀಕ್ಷೆಯ ಸಂಶೋಧನಾ ವಿಧಾನವು ಹೆಚ್ಚು ಸೂಕ್ತವಾಗಿದೆ ಏಕೆಂದರೆ ಇದು ಬೇರೆಡೆ ಲಭ್ಯವಿಲ್ಲದ ಅಥವಾ ವಿಶ್ಲೇಷಣೆಗೆ ಅಗತ್ಯವಿರುವ ರೂಪದಲ್ಲಿ ಮಾಹಿತಿಯನ್ನು ಪಡೆಯಲು ಅನುಮತಿಸುತ್ತದೆ (ಫೌಲರ್ 1988). ಹೆಚ್ಚುವರಿಯಾಗಿ, ಸಮೀಕ್ಷೆಯ ಸಂಶೋಧನಾ ವಿಧಾನವು ಸಂಶೋಧಕರಿಗೆ ನಿರ್ದಿಷ್ಟ ಸಮಯದಲ್ಲಿ ಅಭ್ಯಾಸಗಳು, ಸನ್ನಿವೇಶಗಳು ಅಥವಾ ವೀಕ್ಷಣೆಗಳ ಬಗ್ಗೆ ಉತ್ತಮ ಒಳನೋಟವನ್ನು ಪಡೆಯಲು ಅನುಮತಿಸುತ್ತದೆ (ಗ್ಯಾಲಿಯರ್ಸ್ 1992, ಡೆನ್ಸ್‌ಕಾಂಬ್ 1998). ಆಸ್ಟ್ರೇಲಿಯನ್ ಡೇಟಾ ವೇರ್ಹೌಸಿಂಗ್ ಅನುಭವದ ಬಗ್ಗೆ ಜ್ಞಾನವನ್ನು ಹೆಚ್ಚಿಸಲು ಒಂದು ಅವಲೋಕನದ ಅಗತ್ಯವಿದೆ.

ಇದಲ್ಲದೆ, ಸೋನ್ಕ್ವಿಸ್ಟ್ ಮತ್ತು ಡಂಕೆಲ್ಬರ್ಗ್ (1977) ಸಮೀಕ್ಷೆಯ ಸಂಶೋಧನೆಯ ಫಲಿತಾಂಶಗಳು ಇತರ ವಿಧಾನಗಳಿಗಿಂತ ಹೆಚ್ಚು ಸಾಮಾನ್ಯವಾಗಿದೆ ಎಂದು ಹೇಳುತ್ತದೆ.

3.4. ಸಮೀಕ್ಷೆ ಸಂಶೋಧನಾ ವಿನ್ಯಾಸ

ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್ ಅಭ್ಯಾಸಗಳ ಮೇಲಿನ ಸಮೀಕ್ಷೆಯನ್ನು 1999 ರಲ್ಲಿ ನಡೆಸಲಾಯಿತು. ದತ್ತಾಂಶ ಉಗ್ರಾಣ ಅಧ್ಯಯನದಲ್ಲಿ ಆಸಕ್ತಿ ಹೊಂದಿರುವ ಆಸ್ಟ್ರೇಲಿಯನ್ ಸಂಸ್ಥೆಗಳಿಂದ ಗುರಿ ಜನಸಂಖ್ಯೆಯನ್ನು ರಚಿಸಲಾಗಿದೆ, ಏಕೆಂದರೆ ಅವರು ಬಹುಶಃ ಈ ಬಗ್ಗೆ ಈಗಾಗಲೇ ತಿಳಿಸಿದ್ದರು. dati ಅವರು ಸಂಗ್ರಹಿಸುತ್ತಾರೆ ಮತ್ತು ಆದ್ದರಿಂದ, ಈ ಅಧ್ಯಯನಕ್ಕೆ ಉಪಯುಕ್ತ ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸಬಹುದು. ದಿ ಡಾಟಾ ವೇರ್‌ಹೌಸಿಂಗ್ ಇನ್‌ಸ್ಟಿಟ್ಯೂಟ್‌ನ (Tdwi-aap) ಎಲ್ಲಾ ಆಸ್ಟ್ರೇಲಿಯನ್ ಸದಸ್ಯರ ಆರಂಭಿಕ ಸಮೀಕ್ಷೆಯ ಮೂಲಕ ಗುರಿ ಜನಸಂಖ್ಯೆಯನ್ನು ಗುರುತಿಸಲಾಗಿದೆ. ಈ ವಿಭಾಗವು ಈ ಅಧ್ಯಯನದ ಪ್ರಾಯೋಗಿಕ ಸಂಶೋಧನಾ ಹಂತದ ವಿನ್ಯಾಸವನ್ನು ಚರ್ಚಿಸುತ್ತದೆ.

3.4.1. ಕೊಯ್ಲು ತಂತ್ರ dati

ಸಮೀಕ್ಷೆಯ ಸಂಶೋಧನೆಯಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸುವ ಮೂರು ತಂತ್ರಗಳಿಂದ (ಅಂದರೆ ಮೇಲ್ ಪ್ರಶ್ನಾವಳಿ, ದೂರವಾಣಿ ಸಂದರ್ಶನ ಮತ್ತು ವೈಯಕ್ತಿಕ ಸಂದರ್ಶನ) (Nachmias 1976, Fowler 1988, de Vaus 1991), ಈ ಅಧ್ಯಯನಕ್ಕಾಗಿ ಮೇಲ್ ಪ್ರಶ್ನಾವಳಿಯನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳಲಾಗಿದೆ. ಎರಡನೆಯದನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳಲು ಮೊದಲ ಕಾರಣವೆಂದರೆ ಅದು ಭೌಗೋಳಿಕವಾಗಿ ಚದುರಿದ ಜನಸಂಖ್ಯೆಯನ್ನು ತಲುಪಬಹುದು (ಬ್ಲಾಕ್ 1970, ನಾಚ್ಮಿಯಾಸ್ ಮತ್ತು ನಾಚ್ಮಿಯಾಸ್ 1976, ಹ್ವಾಂಗ್ ಮತ್ತು ಲಿನ್ 1987, ಡಿ ವಾಸ್ 1991, ಗೇಬಲ್ 1994). ಎರಡನೆಯದಾಗಿ, ಮೇಲ್ ಪ್ರಶ್ನಾವಳಿಯು ಹೆಚ್ಚು ವಿದ್ಯಾವಂತ ಭಾಗವಹಿಸುವವರಿಗೆ ಸೂಕ್ತವಾಗಿದೆ (ಫೌಲರ್ 1988). ಈ ಅಧ್ಯಯನದ ಮೇಲ್ ಪ್ರಶ್ನಾವಳಿಯನ್ನು ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್ ಪ್ರಾಜೆಕ್ಟ್ ಪ್ರಾಯೋಜಕರು, ನಿರ್ದೇಶಕರು ಮತ್ತು/ಅಥವಾ ಪ್ರಾಜೆಕ್ಟ್ ಮ್ಯಾನೇಜರ್‌ಗಳಿಗೆ ತಿಳಿಸಲಾಗಿದೆ. ಮೂರನೆಯದಾಗಿ, ಸುರಕ್ಷಿತ ಮೇಲಿಂಗ್ ಪಟ್ಟಿ ಲಭ್ಯವಿದ್ದಾಗ ಮೇಲ್ ಪ್ರಶ್ನಾವಳಿಗಳು ಸೂಕ್ತವಾಗಿರುತ್ತವೆ (ಸಾಲಂಟ್ ಮತ್ತು ದಿಲ್ಮನ್ 1994). TDWI, ಈ ಸಂದರ್ಭದಲ್ಲಿ, ವಿಶ್ವಾಸಾರ್ಹ ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್ ಅಸೋಸಿಯೇಷನ್ ​​ತನ್ನ ಆಸ್ಟ್ರೇಲಿಯನ್ ಸದಸ್ಯರ ಮೇಲಿಂಗ್ ಪಟ್ಟಿಯನ್ನು ಒದಗಿಸಿದೆ. ದೂರವಾಣಿ ಪ್ರಶ್ನಾವಳಿ ಅಥವಾ ವೈಯಕ್ತಿಕ ಸಂದರ್ಶನಗಳ ಮೇಲಿನ ಮೇಲ್ ಪ್ರಶ್ನಾವಳಿಯ ಮತ್ತೊಂದು ಪ್ರಯೋಜನವೆಂದರೆ ಅದು ಪ್ರತಿಕ್ರಿಯಿಸುವವರಿಗೆ ಹೆಚ್ಚು ನಿಖರವಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ, ವಿಶೇಷವಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸುವವರು ಟಿಪ್ಪಣಿಗಳನ್ನು ಸಂಪರ್ಕಿಸಬೇಕು ಅಥವಾ ಇತರ ಜನರೊಂದಿಗೆ ಪ್ರಶ್ನೆಗಳನ್ನು ಚರ್ಚಿಸಬೇಕು (ಫೌಲರ್ 1988).

ಸಂಭಾವ್ಯ ಅನನುಕೂಲವೆಂದರೆ ಮೇಲ್ ಮೂಲಕ ಪ್ರಶ್ನಾವಳಿಗಳನ್ನು ನಡೆಸಲು ಬೇಕಾದ ಸಮಯ. ಸಾಮಾನ್ಯವಾಗಿ, ಈ ಅನುಕ್ರಮದಲ್ಲಿ ಮೇಲ್ ಸಮೀಕ್ಷೆಯನ್ನು ನಡೆಸಲಾಗುತ್ತದೆ: ಮೇಲ್ ಪತ್ರಗಳು, ಪ್ರತಿಕ್ರಿಯೆಗಳಿಗಾಗಿ ನಿರೀಕ್ಷಿಸಿ ಮತ್ತು ದೃಢೀಕರಣವನ್ನು ಕಳುಹಿಸಿ (ಫೌಲರ್ 1988, ಬೈನ್‌ಬ್ರಿಡ್ಜ್ 1989). ಹೀಗಾಗಿ, ಒಟ್ಟು ಸಮಯವು ವೈಯಕ್ತಿಕ ಸಂದರ್ಶನಗಳು ಅಥವಾ ದೂರವಾಣಿ ಸಂದರ್ಶನಗಳಿಗೆ ಬೇಕಾಗುವ ಸಮಯಕ್ಕಿಂತ ಹೆಚ್ಚಿರಬಹುದು. ಆದಾಗ್ಯೂ, ಒಟ್ಟು ಸಮಯವನ್ನು ಮುಂಚಿತವಾಗಿ ತಿಳಿಯಬಹುದು (ಫೌಲರ್ 1988, ಡೆನ್ಸ್ಕಾಂಬ್ 1998). ವೈಯಕ್ತಿಕ ಸಂದರ್ಶನಗಳನ್ನು ನಡೆಸುವ ಸಮಯವನ್ನು ಮುಂಚಿತವಾಗಿ ತಿಳಿಯಲಾಗುವುದಿಲ್ಲ ಏಕೆಂದರೆ ಇದು ಒಂದು ಸಂದರ್ಶನದಿಂದ ಇನ್ನೊಂದಕ್ಕೆ ಬದಲಾಗುತ್ತದೆ (ಫೌಲರ್ 1988). ಪೋಸ್ಟಲ್ ಪ್ರಶ್ನಾವಳಿಗಳು ಮತ್ತು ವೈಯಕ್ತಿಕ ಸಂದರ್ಶನಗಳಿಗಿಂತ ದೂರವಾಣಿ ಸಂದರ್ಶನಗಳು ತ್ವರಿತವಾಗಿರುತ್ತವೆ ಆದರೆ ಕೆಲವು ಜನರ ಅಲಭ್ಯತೆಯಿಂದಾಗಿ ಹೆಚ್ಚಿನ ಪ್ರತಿಕ್ರಿಯೆಯಿಲ್ಲದ ದರವನ್ನು ಹೊಂದಿರಬಹುದು (ಫೌಲರ್ 1988). ಹೆಚ್ಚುವರಿಯಾಗಿ, ದೂರವಾಣಿ ಸಂದರ್ಶನಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಪ್ರಶ್ನೆಗಳ ತುಲನಾತ್ಮಕವಾಗಿ ಚಿಕ್ಕ ಪಟ್ಟಿಗಳಿಗೆ ಸೀಮಿತವಾಗಿವೆ (ಬೈನ್‌ಬ್ರಿಡ್ಜ್ 1989).

ಮೇಲ್ ಪ್ರಶ್ನಾವಳಿಯ ಮತ್ತೊಂದು ದೌರ್ಬಲ್ಯವೆಂದರೆ ಹೆಚ್ಚಿನ ಪ್ರತಿಕ್ರಿಯೆಯಿಲ್ಲದ ದರ (ಫೌಲರ್ 1988, ಬೈನ್‌ಬ್ರಿಡ್ಜ್ 1989, ನ್ಯೂಮನ್ 1994). ಆದಾಗ್ಯೂ, ಈ ಅಧ್ಯಯನವನ್ನು ವಿಶ್ವಾಸಾರ್ಹ ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್ ಸಂಸ್ಥೆಯೊಂದಿಗೆ (ಅಂದರೆ TDWI) ಸಂಯೋಜಿಸುವ ಮೂಲಕ ಪ್ರತಿಕ್ರಮಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲಾಗಿದೆ (ಬೈನ್‌ಬ್ರಿಡ್ಜ್ 1989, ನ್ಯೂಮನ್ 1994), ಇದು ಪ್ರತಿಕ್ರಿಯಿಸದವರಿಗೆ ಎರಡು ಜ್ಞಾಪನೆ ಪತ್ರಗಳನ್ನು ಕಳುಹಿಸುತ್ತದೆ (ಫೌಲರ್ 1988, ನ್ಯೂಮನ್ 1994) ಮತ್ತು ಸಹ ಒಳಗೊಂಡಿದೆ ಅಧ್ಯಯನದ ಉದ್ದೇಶವನ್ನು ವಿವರಿಸುವುದು (ನ್ಯೂಮನ್ 1994).

3.4.2. ವಿಶ್ಲೇಷಣೆಯ ಘಟಕ

ಈ ಅಧ್ಯಯನದ ಉದ್ದೇಶವು ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್‌ನ ಅನುಷ್ಠಾನ ಮತ್ತು ಆಸ್ಟ್ರೇಲಿಯಾದ ಸಂಸ್ಥೆಗಳಲ್ಲಿ ಅದರ ಬಳಕೆಯ ಬಗ್ಗೆ ಮಾಹಿತಿಯನ್ನು ಪಡೆಯುವುದು. ಗುರಿ ಜನಸಂಖ್ಯೆಯು ಎಲ್ಲಾ ಆಸ್ಟ್ರೇಲಿಯನ್ ಸಂಸ್ಥೆಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ, ಅದು ಜಾರಿಗೆ ತಂದ ಅಥವಾ ಅನುಷ್ಠಾನಗೊಳಿಸುತ್ತಿದೆ, i ಡೇಟಾ ವೇರ್ಹೌಸ್. ನಂತರ ವೈಯಕ್ತಿಕ ಸಂಸ್ಥೆಗಳನ್ನು ಹೆಸರಿನಲ್ಲಿ ನೋಂದಾಯಿಸಲಾಗುತ್ತದೆ. ಪ್ರಶ್ನಾವಳಿಯನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳಲು ಆಸಕ್ತಿ ಹೊಂದಿರುವ ಸಂಸ್ಥೆಗಳಿಗೆ ಮೇಲ್ ಮೂಲಕ ಕಳುಹಿಸಲಾಗಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್. ಈ ವಿಧಾನವು ಸಂಗ್ರಹಿಸಿದ ಮಾಹಿತಿಯು ಪ್ರತಿ ಭಾಗವಹಿಸುವ ಸಂಸ್ಥೆಯ ಅತ್ಯಂತ ಸೂಕ್ತವಾದ ಸಂಪನ್ಮೂಲಗಳಿಂದ ಬರುತ್ತದೆ ಎಂದು ಖಚಿತಪಡಿಸುತ್ತದೆ.

3.4.3. ಸಮೀಕ್ಷೆ ಮಾದರಿ

ಸಮೀಕ್ಷೆಯಲ್ಲಿ ಭಾಗವಹಿಸುವವರ "ಮೇಲಿಂಗ್ ಪಟ್ಟಿ" ಅನ್ನು TDWI ನಿಂದ ಪಡೆಯಲಾಗಿದೆ. ಈ ಪಟ್ಟಿಯಿಂದ, 3000 ಆಸ್ಟ್ರೇಲಿಯನ್ ಸಂಸ್ಥೆಗಳನ್ನು ಮಾದರಿಗೆ ಆಧಾರವಾಗಿ ಆಯ್ಕೆ ಮಾಡಲಾಗಿದೆ. ಸಮೀಕ್ಷೆಯ ಯೋಜನೆ ಮತ್ತು ಉದ್ದೇಶವನ್ನು ವಿವರಿಸುವ ಹೆಚ್ಚುವರಿ ಪತ್ರ, ಜೊತೆಗೆ ಪ್ರತಿಕ್ರಿಯೆ ಹಾಳೆ ಮತ್ತು ಪೂರ್ಣಗೊಂಡ ಪ್ರಶ್ನಾವಳಿಯನ್ನು ಹಿಂದಿರುಗಿಸಲು ಪೂರ್ವ-ಪಾವತಿಸಿದ ಲಕೋಟೆಯನ್ನು ಮಾದರಿಗೆ ಕಳುಹಿಸಲಾಗಿದೆ. 3000 ಸಂಸ್ಥೆಗಳಲ್ಲಿ 198 ಸಂಸ್ಥೆಗಳು ಅಧ್ಯಯನದಲ್ಲಿ ಭಾಗವಹಿಸಲು ಒಪ್ಪಿಕೊಂಡಿವೆ. ಇಷ್ಟು ಕಡಿಮೆ ಸಂಖ್ಯೆಯ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ನಿರೀಕ್ಷಿಸಲಾಗಿತ್ತು ನೀಡಿದ ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಆಸ್ಟ್ರೇಲಿಯನ್ ಸಂಸ್ಥೆಗಳು ತಮ್ಮ ಸಂಸ್ಥೆಗಳೊಳಗೆ ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್ ತಂತ್ರವನ್ನು ಸ್ವೀಕರಿಸಿದವು ಅಥವಾ ಅಳವಡಿಸಿಕೊಂಡವು. ಹೀಗಾಗಿ, ಈ ಅಧ್ಯಯನದ ಗುರಿ ಜನಸಂಖ್ಯೆಯು ಕೇವಲ 198 ಸಂಸ್ಥೆಗಳನ್ನು ಒಳಗೊಂಡಿದೆ.

3.4.4. ಪ್ರಶ್ನಾವಳಿಯ ವಿಷಯಗಳು

ಪ್ರಶ್ನಾವಳಿಯ ರಚನೆಯು ಮೊನಾಶ್ ಡೇಟಾ ವೇರ್ಹೌಸಿಂಗ್ ಮಾದರಿಯನ್ನು ಆಧರಿಸಿದೆ (ಹಿಂದೆ ಭಾಗ 2.3 ರಲ್ಲಿ ಚರ್ಚಿಸಲಾಗಿದೆ). ಪ್ರಶ್ನಾವಳಿಯ ವಿಷಯವು ಅಧ್ಯಾಯ 2 ರಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾದ ಸಾಹಿತ್ಯ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಆಧರಿಸಿದೆ. ಸಮೀಕ್ಷೆಯಲ್ಲಿ ಭಾಗವಹಿಸುವವರಿಗೆ ಕಳುಹಿಸಲಾದ ಪ್ರಶ್ನಾವಳಿಯ ನಕಲನ್ನು ಅನುಬಂಧ B ಯಲ್ಲಿ ಕಾಣಬಹುದು. ಪ್ರಶ್ನಾವಳಿಯು ಆರು ವಿಭಾಗಗಳನ್ನು ಒಳಗೊಂಡಿದೆ, ಇದು ಮಾದರಿಯ ಹಂತಗಳನ್ನು ಅನುಸರಿಸುತ್ತದೆ . ಕೆಳಗಿನ ಆರು ಪ್ಯಾರಾಗಳು ಪ್ರತಿ ವಿಭಾಗದ ವಿಷಯಗಳನ್ನು ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಸಾರಾಂಶಗೊಳಿಸುತ್ತವೆ.

ವಿಭಾಗ ಎ: ಸಂಸ್ಥೆಯ ಬಗ್ಗೆ ಮೂಲ ಮಾಹಿತಿ
ಈ ವಿಭಾಗವು ಭಾಗವಹಿಸುವ ಸಂಸ್ಥೆಗಳ ಪ್ರೊಫೈಲ್‌ಗೆ ಸಂಬಂಧಿಸಿದ ಪ್ರಶ್ನೆಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಕೆಲವು ಪ್ರಶ್ನೆಗಳು ಭಾಗವಹಿಸುವವರ ಡೇಟಾ ವೇರ್ಹೌಸಿಂಗ್ ಯೋಜನೆಯ ಸ್ಥಿತಿಗೆ ಸಂಬಂಧಿಸಿವೆ. ಸಮೀಕ್ಷೆಯ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಸಂಸ್ಥೆಯ ಹೆಸರಿನಂತಹ ಗೌಪ್ಯ ಮಾಹಿತಿ ಬಹಿರಂಗವಾಗಿಲ್ಲ.

ವಿಭಾಗ ಬಿ: ಆರಂಭ
ಈ ವಿಭಾಗದ ಪ್ರಶ್ನೆಗಳು ಡೇಟಾ ವೇರ್ಹೌಸಿಂಗ್ ಅನ್ನು ಪ್ರಾರಂಭಿಸುವ ಕಾರ್ಯಕ್ಕೆ ಸಂಬಂಧಿಸಿವೆ. ಯೋಜನೆಯ ಪ್ರಾರಂಭಿಕರು, ಖಾತರಿದಾರರು, ಅಗತ್ಯವಿರುವ ಕೌಶಲ್ಯ ಮತ್ತು ಜ್ಞಾನ, ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್ ಅಭಿವೃದ್ಧಿ ಉದ್ದೇಶಗಳು ಮತ್ತು ಅಂತಿಮ ಬಳಕೆದಾರರ ನಿರೀಕ್ಷೆಗಳಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಲಾಯಿತು.

ವಿಭಾಗ ಸಿ: ವಿನ್ಯಾಸ
ಈ ವಿಭಾಗವು ಯೋಜನೆ ಚಟುವಟಿಕೆಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ಪ್ರಶ್ನೆಗಳನ್ನು ಒಳಗೊಂಡಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್. ನಿರ್ದಿಷ್ಟವಾಗಿ, ಪ್ರಶ್ನೆಗಳು ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆಯ ವ್ಯಾಪ್ತಿ, ಯೋಜನೆಯ ಅವಧಿ, ಯೋಜನೆಯ ವೆಚ್ಚ ಮತ್ತು ವೆಚ್ಚ/ಪ್ರಯೋಜನ ವಿಶ್ಲೇಷಣೆಯ ಬಗ್ಗೆ.

ವಿಭಾಗ ಡಿ: ಅಭಿವೃದ್ಧಿ
ಅಭಿವೃದ್ಧಿ ವಿಭಾಗದಲ್ಲಿ ಅಭಿವೃದ್ಧಿ ಚಟುವಟಿಕೆಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ಪ್ರಶ್ನೆಗಳಿವೆ ಡೇಟಾ ವೇರ್ಹೌಸ್: ಅಂತಿಮ ಬಳಕೆದಾರರ ಅಗತ್ಯತೆಗಳ ಸಂಗ್ರಹ, ಮೂಲಗಳು dati, ನ ತಾರ್ಕಿಕ ಮಾದರಿ dati, ಮೂಲಮಾದರಿಗಳು, ಸಾಮರ್ಥ್ಯ ಯೋಜನೆ, ತಾಂತ್ರಿಕ ಆರ್ಕಿಟೆಕ್ಚರ್‌ಗಳು ಮತ್ತು ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್ ಅಭಿವೃದ್ಧಿ ಸಾಧನಗಳ ಆಯ್ಕೆ.

ವಿಭಾಗ ಇ: ಕಾರ್ಯಾಚರಣೆ
ಕಾರ್ಯಾಚರಣೆ ಮತ್ತು ವಿಸ್ತರಣೆಗೆ ಸಂಬಂಧಿಸಿದ ಕಾರ್ಯಾಚರಣೆಯ ಪ್ರಶ್ನೆಗಳು ಡೇಟಾ ವೇರ್ಹೌಸ್, ಅಭಿವೃದ್ಧಿಯ ಮುಂದಿನ ಹಂತದಲ್ಲಿ ಅದು ಹೇಗೆ ವಿಕಸನಗೊಳ್ಳುತ್ತದೆ. ಅಲ್ಲಿ ಡೇಟಾ ಗುಣಮಟ್ಟ, ರಿಫ್ರೆಶ್ ತಂತ್ರಗಳು dati, ಗ್ರ್ಯಾನ್ಯುಲಾರಿಟಿ dati, ಸ್ಕೇಲೆಬಿಲಿಟಿ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಮತ್ತು ಭದ್ರತಾ ಸಮಸ್ಯೆಗಳು ಡೇಟಾ ವೇರ್ಹೌಸ್ ಕೇಳಲಾದ ಪ್ರಶ್ನೆಗಳ ಪ್ರಕಾರಗಳಲ್ಲಿ ಸೇರಿವೆ.

ವಿಭಾಗ ಎಫ್: ಅಭಿವೃದ್ಧಿ
ಈ ವಿಭಾಗವು ಬಳಕೆಗೆ ಸಂಬಂಧಿಸಿದ ಪ್ರಶ್ನೆಗಳನ್ನು ಒಳಗೊಂಡಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಅಂತಿಮ ಬಳಕೆದಾರರಿಂದ. ಇದರ ಉದ್ದೇಶ ಮತ್ತು ಉಪಯುಕ್ತತೆಯ ಬಗ್ಗೆ ಸಂಶೋಧಕರು ಆಸಕ್ತಿ ಹೊಂದಿದ್ದರು ಡೇಟಾ ವೇರ್ಹೌಸ್, ಅಳವಡಿಸಿಕೊಂಡ ವಿಮರ್ಶೆ ಮತ್ತು ತರಬೇತಿ ತಂತ್ರಗಳು ಮತ್ತು ನಿಯಂತ್ರಣ ತಂತ್ರ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಅಳವಡಿಸಿಕೊಂಡಿದ್ದಾರೆ.

3.4.5. ಪ್ರತಿಕ್ರಿಯೆ ದರ

ಮೇಲ್ ಸಮೀಕ್ಷೆಗಳು ಕಡಿಮೆ ಪ್ರತಿಕ್ರಿಯೆ ದರವನ್ನು ಹೊಂದಿವೆ ಎಂದು ಟೀಕಿಸಿದರೂ, ರಿಟರ್ನ್ ದರವನ್ನು ಹೆಚ್ಚಿಸಲು ಕ್ರಮಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲಾಗಿದೆ (ಭಾಗ 3.4.1 ರಲ್ಲಿ ಹಿಂದೆ ಚರ್ಚಿಸಿದಂತೆ). 'ಪ್ರತಿಕ್ರಿಯೆ ದರ' ಎಂಬ ಪದವು ಪ್ರಶ್ನಾವಳಿಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುವ ನಿರ್ದಿಷ್ಟ ಸಮೀಕ್ಷೆಯ ಮಾದರಿಯಲ್ಲಿ ಶೇಕಡಾವಾರು ಜನರನ್ನು ಸೂಚಿಸುತ್ತದೆ (ಡೆನ್ಸ್‌ಕಾಂಬ್ 1998). ಈ ಅಧ್ಯಯನಕ್ಕೆ ಪ್ರತಿಕ್ರಿಯೆ ದರವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಕೆಳಗಿನ ಸೂತ್ರವನ್ನು ಬಳಸಲಾಗಿದೆ:

ಪ್ರತಿಕ್ರಿಯಿಸಿದ ಜನರ ಸಂಖ್ಯೆ
ಪ್ರತಿಕ್ರಿಯೆ ದರ = —————————————————————————– X 100 ಕಳುಹಿಸಲಾದ ಪ್ರಶ್ನಾವಳಿಗಳ ಒಟ್ಟು ಸಂಖ್ಯೆ

3.4.6. ಪೈಲಟ್ ಪರೀಕ್ಷೆ

ಪ್ರಶ್ನಾವಳಿಯನ್ನು ಮಾದರಿಗೆ ಕಳುಹಿಸುವ ಮೊದಲು, ಲಕ್ ಮತ್ತು ರೂಬಿನ್ (1987), ಜಾಕ್ಸನ್ (1988) ಮತ್ತು ಡಿ ವಾಸ್ (1991) ಸೂಚಿಸಿದಂತೆ ಪೈಲಟ್ ಪರೀಕ್ಷೆಗಳನ್ನು ನಡೆಸುವ ಮೂಲಕ ಪ್ರಶ್ನೆಗಳನ್ನು ಪರೀಕ್ಷಿಸಲಾಯಿತು. ಪ್ರಾಯೋಗಿಕ ಪರೀಕ್ಷೆಗಳ ಉದ್ದೇಶವು ಯಾವುದೇ ವಿಚಿತ್ರವಾದ, ದ್ವಂದ್ವಾರ್ಥದ ಅಭಿವ್ಯಕ್ತಿಗಳು ಮತ್ತು ಪ್ರಶ್ನೆಗಳನ್ನು ಅರ್ಥೈಸಲು ಕಷ್ಟಕರವಾಗಿದೆ, ಬಳಸಿದ ಯಾವುದೇ ವ್ಯಾಖ್ಯಾನಗಳು ಮತ್ತು ಪದಗಳನ್ನು ಸ್ಪಷ್ಟಪಡಿಸುವುದು ಮತ್ತು ಪ್ರಶ್ನಾವಳಿಯನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಅಗತ್ಯವಿರುವ ಅಂದಾಜು ಸಮಯವನ್ನು ಗುರುತಿಸುವುದು (ವಾರ್ವಿಕ್ ಮತ್ತು ಲೈನಿಂಗರ್ 1975, ಜಾಕ್ಸನ್ 1988, ಸಲಾಂಟ್ ಮತ್ತು ದಿಲ್ಮನ್ 1994). ಡೇವಿಸ್ ಇ ಸೂಚಿಸಿದಂತೆ ಅಂತಿಮ ವಿಷಯಗಳಂತೆಯೇ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೊಂದಿರುವ ವಿಷಯಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡುವ ಮೂಲಕ ಪ್ರಾಯೋಗಿಕ ಪರೀಕ್ಷೆಗಳನ್ನು ನಡೆಸಲಾಯಿತು. ಸೆಡೆನ್ಜಾ (1993) ಈ ಅಧ್ಯಯನದಲ್ಲಿ, ಆರು ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್ ವೃತ್ತಿಪರರನ್ನು ಪೈಲಟ್ ವಿಷಯಗಳಾಗಿ ಆಯ್ಕೆ ಮಾಡಲಾಗಿದೆ. ಪ್ರತಿ ಪ್ರಾಯೋಗಿಕ ಪರೀಕ್ಷೆಯ ನಂತರ, ಅಗತ್ಯ ತಿದ್ದುಪಡಿಗಳನ್ನು ಮಾಡಲಾಗಿದೆ. ನಡೆಸಿದ ಪ್ರಾಯೋಗಿಕ ಪರೀಕ್ಷೆಗಳಿಂದ, ಭಾಗವಹಿಸುವವರು ಪ್ರಶ್ನಾವಳಿಯ ಅಂತಿಮ ಆವೃತ್ತಿಯನ್ನು ಮರುಹೊಂದಿಸಲು ಮತ್ತು ಮರುಹೊಂದಿಸಲು ಕೊಡುಗೆ ನೀಡಿದ್ದಾರೆ.

3.4.7. ಮೂಲಕ ವಿಶ್ಲೇಷಣೆ ವಿಧಾನಗಳು Dati

I dati ಮುಚ್ಚಿದ ಪ್ರಶ್ನಾವಳಿಗಳಿಂದ ಸಂಗ್ರಹಿಸಲಾದ ಸಮೀಕ್ಷೆಗಳನ್ನು SPSS ಎಂಬ ಅಂಕಿಅಂಶ ಕಾರ್ಯಕ್ರಮದ ಪ್ಯಾಕೇಜ್ ಬಳಸಿ ವಿಶ್ಲೇಷಿಸಲಾಗಿದೆ. ಅನೇಕ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ವಿವರಣಾತ್ಮಕ ಅಂಕಿಅಂಶಗಳನ್ನು ಬಳಸಿಕೊಂಡು ವಿಶ್ಲೇಷಿಸಲಾಗಿದೆ. ಹಲವಾರು ಪ್ರಶ್ನಾವಳಿಗಳನ್ನು ಅಪೂರ್ಣವಾಗಿ ಹಿಂತಿರುಗಿಸಲಾಗಿದೆ. ಇವುಗಳನ್ನು ನಾನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಹೆಚ್ಚಿನ ಕಾಳಜಿಯಿಂದ ಚಿಕಿತ್ಸೆ ನೀಡಲಾಯಿತು dati ಕಾಣೆಯಾಗಿದೆ ಡೇಟಾ ನಮೂದು ದೋಷಗಳ ಪರಿಣಾಮವಲ್ಲ, ಆದರೆ ಪ್ರಶ್ನೆಗಳು ನೋಂದಾಯಿತರಿಗೆ ಸೂಕ್ತವಲ್ಲದ ಕಾರಣ, ಅಥವಾ ನೋಂದಾಯಿಸಿದವರು ಒಂದು ಅಥವಾ ಹೆಚ್ಚು ನಿರ್ದಿಷ್ಟ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸದಿರಲು ನಿರ್ಧರಿಸಿದರು. ವಿಶ್ಲೇಷಣೆಯ ಸಮಯದಲ್ಲಿ ಈ ಕಾಣೆಯಾದ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸಲಾಗಿದೆ dati ಮತ್ತು ವಿಶ್ಲೇಷಣೆ ಪ್ರಕ್ರಿಯೆಯಿಂದ ಹೊರಗಿಡುವುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು '- 9' ಎಂದು ಕೋಡ್ ಮಾಡಲಾಗಿದೆ.

ಪ್ರಶ್ನಾವಳಿಯನ್ನು ಸಿದ್ಧಪಡಿಸುವಾಗ, ಪ್ರತಿ ಆಯ್ಕೆಗೆ ಒಂದು ಸಂಖ್ಯೆಯನ್ನು ನಿಗದಿಪಡಿಸುವ ಮೂಲಕ ಮುಚ್ಚಿದ ಪ್ರಶ್ನೆಗಳನ್ನು ಪ್ರಿಕೋಡ್ ಮಾಡಲಾಗಿದೆ. ನಂತರ ಸಂಖ್ಯೆಯನ್ನು ತಯಾರಿಸಲು ಬಳಸಲಾಯಿತು dati ವಿಶ್ಲೇಷಣೆಯ ಸಮಯದಲ್ಲಿ (ಡೆನ್ಸ್‌ಕಾಂಬ್ 1998, ಸ್ಯಾಪ್ಸ್‌ಫೋರ್ಡ್ ಮತ್ತು ಜುಪ್ 1996). ಉದಾಹರಣೆಗೆ, ವಿಭಾಗ B ಯ ಪ್ರಶ್ನೆ 1 ರಲ್ಲಿ ಆರು ಆಯ್ಕೆಗಳನ್ನು ಪಟ್ಟಿಮಾಡಲಾಗಿದೆ: ನಿರ್ದೇಶಕರ ಮಂಡಳಿ, ಹಿರಿಯ ಕಾರ್ಯನಿರ್ವಾಹಕ, IT ಇಲಾಖೆ, ವ್ಯಾಪಾರ ಘಟಕ, ಸಲಹೆಗಾರರು ಮತ್ತು ಇತರರು. ನ ಕಡತದಲ್ಲಿ dati SPSS ನ, ಆರು ಮೌಲ್ಯದ ಲೇಬಲ್‌ಗಳೊಂದಿಗೆ 'ದಿ ಪ್ರಾಜೆಕ್ಟ್ ಇನಿಶಿಯೇಟರ್' ಅನ್ನು ಸೂಚಿಸಲು ವೇರಿಯೇಬಲ್ ಅನ್ನು ರಚಿಸಲಾಗಿದೆ: 'ನಿರ್ದೇಶಕರ ಮಂಡಳಿ'ಗಾಗಿ '1', 'ಹಿರಿಯ ಕಾರ್ಯನಿರ್ವಾಹಕ' ಮತ್ತು ಹೀಗೆ. ಕೆಲವು ಮುಚ್ಚಿದ ಪ್ರಶ್ನೆಗಳಲ್ಲಿ ಲೈಕರ್ಟಿನ್ ಮಾಪಕದ ಬಳಕೆಯು SPSS ಗೆ ನಮೂದಿಸಲಾದ ಅನುಗುಣವಾದ ಸಂಖ್ಯಾತ್ಮಕ ಮೌಲ್ಯಗಳ ಬಳಕೆಯನ್ನು ನೀಡಿದ ಪ್ರಯತ್ನವಿಲ್ಲದ ಗುರುತಿಸುವಿಕೆಗೆ ಸಹ ಅನುಮತಿಸಲಾಗಿದೆ. ಸಮಗ್ರವಲ್ಲದ ಉತ್ತರಗಳನ್ನು ಹೊಂದಿರುವ ಪ್ರಶ್ನೆಗಳಿಗೆ, ಪರಸ್ಪರ ಪ್ರತ್ಯೇಕವಾಗಿಲ್ಲ, ಪ್ರತಿ ಆಯ್ಕೆಯನ್ನು ಎರಡು ಮೌಲ್ಯದ ಲೇಬಲ್‌ಗಳೊಂದಿಗೆ ಒಂದೇ ವೇರಿಯೇಬಲ್‌ನಂತೆ ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ: 'ಗುರುತಿಸಲಾದ' ಗೆ '2' ಮತ್ತು 'ಗುರುತಿಸಲಾಗಿಲ್ಲ'.

ತೆರೆದ ಪ್ರಶ್ನೆಗಳನ್ನು ಮುಚ್ಚಿದ ಪ್ರಶ್ನೆಗಳಿಗಿಂತ ವಿಭಿನ್ನವಾಗಿ ಪರಿಗಣಿಸಲಾಗಿದೆ. ಈ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಗಳನ್ನು SPSS ನಲ್ಲಿ ನಮೂದಿಸಲಾಗಿಲ್ಲ. ಬದಲಾಗಿ, ಅವುಗಳನ್ನು ಕೈಯಿಂದ ವಿಶ್ಲೇಷಿಸಲಾಗಿದೆ. ಈ ರೀತಿಯ ಪ್ರಶ್ನೆಯ ಬಳಕೆಯು ಪ್ರತಿಕ್ರಿಯಿಸಿದವರ ಮುಕ್ತವಾಗಿ ವ್ಯಕ್ತಪಡಿಸಿದ ಆಲೋಚನೆಗಳು ಮತ್ತು ವೈಯಕ್ತಿಕ ಅನುಭವಗಳ ಬಗ್ಗೆ ಮಾಹಿತಿಯನ್ನು ಪಡೆದುಕೊಳ್ಳಲು ನಮಗೆ ಅನುಮತಿಸುತ್ತದೆ (ಬೈನ್‌ಬ್ರಿಡ್ಜ್ 1989, ಡೆನ್ಸ್‌ಕಾಂಬ್ 1998). ಸಾಧ್ಯವಾದರೆ, ಪ್ರತಿಕ್ರಿಯೆಗಳ ವರ್ಗೀಕರಣವನ್ನು ಮಾಡಲಾಗಿದೆ.

ವಿಶ್ಲೇಷಣೆಗಾಗಿ dati, ಸರಳ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಶ್ಲೇಷಣಾ ವಿಧಾನಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ, ಉದಾಹರಣೆಗೆ ಪ್ರತಿಕ್ರಿಯೆ ಆವರ್ತನ, ಸರಾಸರಿ, ಪ್ರಮಾಣಿತ ವಿಚಲನ ಮತ್ತು ಸರಾಸರಿ (ಆರ್ಗೈರಸ್ 1996, ಡೆನ್ಸ್‌ಕಾಂಬ್ 1998).
ನಡುವಿನ ಸಂಘಗಳ ಪರಿಮಾಣಾತ್ಮಕ ಕ್ರಮಗಳನ್ನು ಪಡೆಯಲು ಗಾಮಾ ಪರೀಕ್ಷೆಯು ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿದೆ dati ಆರ್ಡಿನಲ್ಸ್ (ನೋರುಸಿಸ್ 1983, ಆರ್ಗೈರಸ್ 1996). ಈ ಪರೀಕ್ಷೆಗಳು ಸೂಕ್ತವಾಗಿವೆ ಏಕೆಂದರೆ ಬಳಸಿದ ಆರ್ಡಿನಲ್ ಮಾಪಕಗಳು ಅನೇಕ ವರ್ಗಗಳನ್ನು ಹೊಂದಿಲ್ಲ ಮತ್ತು ಕೋಷ್ಟಕದಲ್ಲಿ ತೋರಿಸಬಹುದು (ನೋರುಸಿಸ್ 1983).

3.5 ಸಾರಾಂಶ

ಈ ಅಧ್ಯಾಯದಲ್ಲಿ, ಈ ಅಧ್ಯಯನಕ್ಕಾಗಿ ಅಳವಡಿಸಿಕೊಂಡ ಸಂಶೋಧನಾ ವಿಧಾನ ಮತ್ತು ವಿನ್ಯಾಸವನ್ನು ಚರ್ಚಿಸಲಾಗಿದೆ.

ನಿರ್ದಿಷ್ಟ ಅಧ್ಯಯನಕ್ಕಾಗಿ ಹೆಚ್ಚು ಸೂಕ್ತವಾದ ಸಂಶೋಧನಾ ವಿಧಾನವನ್ನು ಆಯ್ಕೆಮಾಡುವುದು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ
ಸಂಶೋಧನೆಯ ಸ್ವರೂಪ ಮತ್ತು ಪ್ರಕಾರ, ಹಾಗೆಯೇ ಪ್ರತಿಯೊಂದು ಸಂಭವನೀಯ ವಿಧಾನದ ಅರ್ಹತೆಗಳು ಮತ್ತು ದೌರ್ಬಲ್ಯಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ಹಲವಾರು ನಿಯಮಗಳ ಪರಿಗಣನೆ (ಜೆಂಕಿನ್ಸ್ 1985, ಬೆನ್ಬಸಾಟ್ ಮತ್ತು ಇತರರು 1097, ಗ್ಯಾಲಿಯರ್ಸ್ ಮತ್ತು ಲ್ಯಾಂಡ್ 1987, ಯಿನ್ 1989, ಹ್ಯಾಮಿಲ್ಟನ್ ಮತ್ತು ಇವ್ಸ್ 1992, ಗ್ಯಾಲಿಯರ್ಸ್ 1992, ನ್ಯೂಮನ್ 1994). ಆಸ್ಟ್ರೇಲಿಯಾದಲ್ಲಿ ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್ ಅಳವಡಿಕೆಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಜ್ಞಾನ ಮತ್ತು ಸಿದ್ಧಾಂತದ ಕೊರತೆಯಿಂದಾಗಿ, ಈ ಸಂಶೋಧನಾ ಅಧ್ಯಯನಕ್ಕೆ ಆಸ್ಟ್ರೇಲಿಯಾದ ಸಂಸ್ಥೆಗಳ ಅನುಭವಗಳನ್ನು ಅನ್ವೇಷಿಸುವ ಪರಿಶೋಧನಾ ಸಾಮರ್ಥ್ಯದೊಂದಿಗೆ ವಿವರಣಾತ್ಮಕ ಸಂಶೋಧನಾ ವಿಧಾನದ ಅಗತ್ಯವಿದೆ. ಆಸ್ಟ್ರೇಲಿಯನ್ ಸಂಸ್ಥೆಗಳಿಂದ ಡೇಟಾ ವೇರ್‌ಹೌಸಿಂಗ್ ಪರಿಕಲ್ಪನೆಯ ಅಳವಡಿಕೆಯ ಬಗ್ಗೆ ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸಲು ಆಯ್ಕೆಮಾಡಿದ ಸಂಶೋಧನಾ ವಿಧಾನವನ್ನು ಆಯ್ಕೆಮಾಡಲಾಗಿದೆ. ಪೋಸ್ಟಲ್ ಪ್ರಶ್ನಾವಳಿಯನ್ನು ಸಂಗ್ರಹ ತಂತ್ರವಾಗಿ ಆಯ್ಕೆ ಮಾಡಲಾಗಿದೆ dati. ಸಂಶೋಧನಾ ವಿಧಾನ ಮತ್ತು ಸಂಗ್ರಹ ತಂತ್ರಕ್ಕೆ ಸಮರ್ಥನೆಗಳು dati ಈ ಅಧ್ಯಾಯದಲ್ಲಿ ಆಯ್ಕೆ ಮಾಡಲಾಗುವುದು. ಇದಲ್ಲದೆ, ವಿಶ್ಲೇಷಣೆಯ ಘಟಕ, ಬಳಸಿದ ಮಾದರಿ, ಪ್ರತಿಕ್ರಿಯೆಗಳ ಶೇಕಡಾವಾರು, ಪ್ರಶ್ನಾವಳಿಯ ವಿಷಯ, ಪ್ರಶ್ನಾವಳಿಯ ಪೂರ್ವ ಪರೀಕ್ಷೆ ಮತ್ತು ವಿಶ್ಲೇಷಣೆಯ ವಿಧಾನದ ಕುರಿತು ಚರ್ಚೆಯನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಲಾಯಿತು. dati.

ವಿನ್ಯಾಸಗೊಳಿಸುವುದು ಎ ಮಾಹಿತಿ ಉಗ್ರಾಣ:

ಎಂಟಿಟಿ ಸಂಬಂಧ ಮತ್ತು ಆಯಾಮದ ಮಾಡೆಲಿಂಗ್ ಅನ್ನು ಸಂಯೋಜಿಸುವುದು

ಅಮೂರ್ತ
ಐ ಸಂಗ್ರಹಿಸುವುದು dati ಅನೇಕ ಸಂಸ್ಥೆಗಳಿಗೆ ಪ್ರಮುಖ ಪ್ರಸ್ತುತ ಸಮಸ್ಯೆಯಾಗಿದೆ. ಕಂಪ್ಯೂಟರ್ ಸಂಗ್ರಹಣೆಯ ಅಭಿವೃದ್ಧಿಯಲ್ಲಿ ಪ್ರಮುಖ ಸಮಸ್ಯೆ dati ಅದು ಅವನ ವಿನ್ಯಾಸ.
ವಿನ್ಯಾಸವು ಪರಿಕಲ್ಪನೆಗಳ ಪತ್ತೆಗೆ ಬೆಂಬಲ ನೀಡಬೇಕು ಡೇಟಾ ವೇರ್ಹೌಸ್ ಪರಂಪರೆ ವ್ಯವಸ್ಥೆ ಮತ್ತು ಇತರ ಮೂಲಗಳಿಗೆ dati ಮತ್ತು ಅನುಷ್ಠಾನದಲ್ಲಿ ಸುಲಭ ತಿಳುವಳಿಕೆ ಮತ್ತು ದಕ್ಷತೆ ಡೇಟಾ ವೇರ್ಹೌಸ್.
ಹೆಚ್ಚಿನ ಸಂಗ್ರಹ ಸಾಹಿತ್ಯ dati ವಿನ್ಯಾಸವನ್ನು ಪ್ರತಿನಿಧಿಸಲು ಅಸ್ತಿತ್ವದ ಸಂಬಂಧದ ಮಾಡೆಲಿಂಗ್ ಅಥವಾ ಆಯಾಮದ ಮಾದರಿಯ ಬಳಕೆಯನ್ನು ಶಿಫಾರಸು ಮಾಡುತ್ತದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್.
ರೇಖಾಚಿತ್ರಕ್ಕಾಗಿ ಒಂದು ವಿಧಾನದಲ್ಲಿ ಎರಡೂ ಪ್ರಾತಿನಿಧ್ಯಗಳನ್ನು ಹೇಗೆ ಸಂಯೋಜಿಸಬಹುದು ಎಂಬುದನ್ನು ಈ ಲೇಖನದಲ್ಲಿ ನಾವು ತೋರಿಸುತ್ತೇವೆ ಡೇಟಾ ವೇರ್ಹೌಸ್. ಬಳಸಿದ ವಿಧಾನವು ವ್ಯವಸ್ಥಿತವಾಗಿದೆ

ಕೇಸ್ ಸ್ಟಡಿಯಲ್ಲಿ ಪರೀಕ್ಷಿಸಲಾಗಿದೆ ಮತ್ತು ಅಭ್ಯಾಸಕಾರರೊಂದಿಗೆ ಹಲವಾರು ಪ್ರಮುಖ ಪರಿಣಾಮಗಳಲ್ಲಿ ಗುರುತಿಸಲಾಗಿದೆ.

ಡೇಟಾ ವೇರ್ಹೌಸಿಂಗ್

Un ಡೇಟಾ ವೇರ್ಹೌಸ್ ಇದನ್ನು ಸಾಮಾನ್ಯವಾಗಿ "ವಿಷಯ-ಆಧಾರಿತ, ಸಂಯೋಜಿತ, ಸಮಯ-ವ್ಯತ್ಯಯ ಮತ್ತು ನಿರ್ವಹಣೆಯ ನಿರ್ಧಾರಗಳನ್ನು ಬೆಂಬಲಿಸುವ ಡೇಟಾದ ಅಸ್ಥಿರ ಸಂಗ್ರಹ" ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ (ಇನ್ಮನ್ ಮತ್ತು ಹ್ಯಾಕಥಾರ್ನ್, 1994). ವಿಷಯ-ಆಧಾರಿತ ಮತ್ತು ಸಂಯೋಜಿತ ಎಂದು ಸೂಚಿಸುತ್ತದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಒಂದು ಸಮಗ್ರ ದೃಷ್ಟಿಕೋನವನ್ನು ನೀಡಲು ಲೆಗಾಸಿ ಸಿಸ್ಟಮ್‌ಗಳ ಕ್ರಿಯಾತ್ಮಕ ಗಡಿಗಳನ್ನು ದಾಟಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ dati.
ಸಮಯ-ವ್ಯತ್ಯಯವು ಐತಿಹಾಸಿಕ ಅಥವಾ ಸಮಯ-ಸರಣಿಯ ಸ್ವರೂಪದ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ dati ಅನ್ ಡೇಟಾ ವೇರ್ಹೌಸ್, ಇದು ಟ್ರೆಂಡ್‌ಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಬಾಷ್ಪಶೀಲವಲ್ಲದವು ಎಂದು ಸೂಚಿಸುತ್ತದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ a ನಂತೆ ಇದು ನಿರಂತರವಾಗಿ ನವೀಕರಿಸಲ್ಪಡುವುದಿಲ್ಲ ಡೇಟಾಬೇಸ್ OLTP ನ. ಬದಲಿಗೆ ಅದನ್ನು ನಿಯತಕಾಲಿಕವಾಗಿ ನವೀಕರಿಸಲಾಗುತ್ತದೆ, ಜೊತೆಗೆ dati ಆಂತರಿಕ ಮತ್ತು ಬಾಹ್ಯ ಮೂಲಗಳಿಂದ ಬರುತ್ತಿದೆ. ದಿ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಸಮಗ್ರತೆ ಮತ್ತು ಕಾರ್ಯಾಚರಣೆಯ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನವೀಕರಿಸುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ಹುಡುಕಾಟಕ್ಕಾಗಿ ಇದನ್ನು ನಿರ್ದಿಷ್ಟವಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ.
ಐ ಸಂಗ್ರಹಿಸುವ ಕಲ್ಪನೆ dati ಹೊಸದಲ್ಲ, ಇದು ನಿರ್ವಹಣೆಯ ಉದ್ದೇಶಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ dati ಅರವತ್ತರ ದಶಕದಿಂದ (ದಿ ಮಾರ್ಟಿನ್, 1982).
I ಡೇಟಾ ವೇರ್ಹೌಸ್ ಅವರು ಮೂಲಸೌಕರ್ಯಗಳನ್ನು ಒದಗಿಸುತ್ತಾರೆ dati ನಿರ್ವಹಣೆ ಬೆಂಬಲ ವ್ಯವಸ್ಥೆಗಳಿಗಾಗಿ. ನಿರ್ವಹಣಾ ಬೆಂಬಲ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ನಿರ್ಧಾರ ಬೆಂಬಲ ವ್ಯವಸ್ಥೆಗಳು (DSS) ಮತ್ತು ಕಾರ್ಯನಿರ್ವಾಹಕ ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆಗಳು (EIS) ಸೇರಿವೆ. DSS ಎನ್ನುವುದು ಕಂಪ್ಯೂಟರ್-ಆಧಾರಿತ ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆಯಾಗಿದ್ದು ಅದು ಮಾನವ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯನ್ನು ಸುಧಾರಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. EIS ಸಾಮಾನ್ಯವಾಗಿ ವಿತರಣಾ ವ್ಯವಸ್ಥೆಯಾಗಿದೆ dati ಇದು ವ್ಯಾಪಾರದ ನಾಯಕರನ್ನು ಸುಲಭವಾಗಿ ವೀಕ್ಷಣೆಯನ್ನು ಪ್ರವೇಶಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ dati.
ಸಾಮಾನ್ಯ ವಾಸ್ತುಶಿಲ್ಪ a ಡೇಟಾ ವೇರ್ಹೌಸ್ ಪಾತ್ರವನ್ನು ಎತ್ತಿ ತೋರಿಸುತ್ತದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ನಿರ್ವಹಣೆ ಬೆಂಬಲದಲ್ಲಿ. ಜೊತೆಗೆ ಮೂಲಸೌಕರ್ಯಗಳನ್ನು ನೀಡುತ್ತಿದೆ dati EIS ಮತ್ತು DSS ಗಾಗಿ, ಅಲ್ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಅದನ್ನು ನೇರವಾಗಿ ಪ್ರಶ್ನೆಗಳ ಮೂಲಕ ಪ್ರವೇಶಿಸಬಹುದು. ದಿ dati a ನಲ್ಲಿ ಸೇರಿಸಲಾಗಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ನಿರ್ವಹಣಾ ಮಾಹಿತಿಯ ಅವಶ್ಯಕತೆಗಳ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಆಧರಿಸಿದೆ ಮತ್ತು ಮೂರು ಮೂಲಗಳಿಂದ ಪಡೆಯಲಾಗಿದೆ: ಆಂತರಿಕ ಪರಂಪರೆ ವ್ಯವಸ್ಥೆಗಳು, ವಿಶೇಷ ಉದ್ದೇಶದ ಡೇಟಾ ಕ್ಯಾಪ್ಚರ್ ಸಿಸ್ಟಮ್‌ಗಳು ಮತ್ತು ಬಾಹ್ಯ ಡೇಟಾ ಮೂಲಗಳು. ದಿ dati ಆಂತರಿಕ ಪರಂಪರೆಯ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಅವು ಆಗಾಗ್ಗೆ ಅನಗತ್ಯ, ಅಸಮಂಜಸ, ಕಡಿಮೆ ಗುಣಮಟ್ಟ ಮತ್ತು ವಿಭಿನ್ನ ಸ್ವರೂಪಗಳಲ್ಲಿ ಸಂಗ್ರಹಿಸಲ್ಪಡುತ್ತವೆ, ಆದ್ದರಿಂದ ಅವುಗಳನ್ನು ಲೋಡ್ ಮಾಡುವ ಮೊದಲು ಅವುಗಳನ್ನು ಸಮನ್ವಯಗೊಳಿಸಬೇಕು ಮತ್ತು ಸ್ವಚ್ಛಗೊಳಿಸಬೇಕು

ಡೇಟಾ ವೇರ್ಹೌಸ್ (ಇನ್ಮನ್, 1992; ಮ್ಯಾಕ್‌ಫ್ಯಾಡೆನ್, 1996). ದಿ dati ಶೇಖರಣಾ ವ್ಯವಸ್ಥೆಗಳಿಂದ ಬರುತ್ತಿದೆ dati ತಾತ್ಕಾಲಿಕ ಮತ್ತು ಮೂಲಗಳಿಂದ dati ಬಾಹ್ಯವನ್ನು ಹೆಚ್ಚಾಗಿ ವರ್ಧಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ (ನವೀಕರಿಸಿ, ಬದಲಿಸಿ) i dati ಪರಂಪರೆ ವ್ಯವಸ್ಥೆಗಳಿಂದ.

ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಹಲವು ಬಲವಾದ ಕಾರಣಗಳಿವೆ ಡೇಟಾ ವೇರ್ಹೌಸ್, ಇದು ಹೆಚ್ಚಿನ ಮಾಹಿತಿಯ ಪರಿಣಾಮಕಾರಿ ಬಳಕೆಯ ಮೂಲಕ ಸುಧಾರಿತ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ (ಐವ್ಸ್ 1995), ಸಂಪೂರ್ಣ ವ್ಯವಹಾರಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಲು ಬೆಂಬಲ (ಗ್ರಹಾಂ 1996), ಮತ್ತು ಕಡಿತ dati EIS ಮತ್ತು DSS ಗಾಗಿ (ಗ್ರಹಾಂ 1996, McFadden 1996).

ಇತ್ತೀಚಿನ ಪ್ರಾಯೋಗಿಕ ಅಧ್ಯಯನವು ಸರಾಸರಿ ಹೂಡಿಕೆಯ ಮೇಲಿನ ಲಾಭವನ್ನು ಕಂಡುಹಿಡಿದಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಮೂರು ವರ್ಷಗಳ ನಂತರ 401% ಮೂಲಕ (ಗ್ರಹಾಂ, 1996). ಆದಾಗ್ಯೂ, ಇತರ ಪ್ರಾಯೋಗಿಕ ಅಧ್ಯಯನಗಳು ಡೇಟಾ ವೇರ್ಹೌಸ್ ಪ್ರಯೋಜನಗಳನ್ನು ಅಳೆಯಲು ಮತ್ತು ನಿಯೋಜಿಸಲು ತೊಂದರೆ, ಸ್ಪಷ್ಟ ಉದ್ದೇಶದ ಕೊರತೆ, ಪ್ರಯೋಜನಗಳನ್ನು ಸಂಗ್ರಹಿಸುವ ಪ್ರಕ್ರಿಯೆಯ ಉದ್ದೇಶ ಮತ್ತು ಸಂಕೀರ್ಣತೆಯನ್ನು ಕಡಿಮೆ ಅಂದಾಜು ಮಾಡುವುದು ಸೇರಿದಂತೆ ಗಮನಾರ್ಹ ಸಮಸ್ಯೆಗಳನ್ನು ಕಂಡುಹಿಡಿದಿದೆ dati, ನಿರ್ದಿಷ್ಟವಾಗಿ ಮೂಲಗಳು ಮತ್ತು ಶುಚಿತ್ವದ ಬಗ್ಗೆ dati. ಐ ಸಂಗ್ರಹಿಸುವುದು dati ನಿರ್ವಹಣೆ ಸಮಸ್ಯೆಗೆ ಪರಿಹಾರವೆಂದು ಪರಿಗಣಿಸಬಹುದು dati ಸಂಸ್ಥೆಗಳ ನಡುವೆ. ನ ಕುಶಲತೆ dati ಸಾಮಾಜಿಕ ಸಂಪನ್ಮೂಲವಾಗಿ ಇದು ಹಲವು ವರ್ಷಗಳಿಂದ ಪ್ರಪಂಚದಾದ್ಯಂತ ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆಗಳನ್ನು ನಿರ್ವಹಿಸುವಲ್ಲಿ ಪ್ರಮುಖ ಸಮಸ್ಯೆಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ (ಬ್ರಾಂಚೆಯು ಮತ್ತು ಇತರರು. 1996, ಗ್ಯಾಲಿಯರ್ಸ್ ಮತ್ತು ಇತರರು. 1994, ನೀಡರ್ಮನ್ ಮತ್ತು ಇತರರು. 1990, ಪರ್ವನ್ 1993).

ನಿರ್ವಹಣೆಗೆ ಜನಪ್ರಿಯ ವಿಧಾನ dati ಎಂಬತ್ತರ ದಶಕದಲ್ಲಿ ಇದು ಒಂದು ಮಾದರಿಯ ಬೆಳವಣಿಗೆಯಾಗಿತ್ತು dati ಸಾಮಾಜಿಕ. ಮಾದರಿ dati ಹೊಸ ಅಪ್ಲಿಕೇಶನ್ ವ್ಯವಸ್ಥೆಗಳ ಅಭಿವೃದ್ಧಿಗೆ ಸ್ಥಿರವಾದ ಆಧಾರವನ್ನು ನೀಡಲು ಸಾಮಾಜಿಕವನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ ಮತ್ತು ಡೇಟಾಬೇಸ್ ಮತ್ತು ಪರಂಪರೆ ವ್ಯವಸ್ಥೆಗಳ ಪುನರ್ನಿರ್ಮಾಣ ಮತ್ತು ಏಕೀಕರಣ (ಬ್ರಾಂಚೋ ಮತ್ತು ಇತರರು.

1989, ಗುಡ್ಹ್ಯೂ ಮತ್ತು ಇತರರು. 1988:1992, ಕಿಮ್ ಮತ್ತು ಎವರೆಸ್ಟ್ 1994). ಆದಾಗ್ಯೂ, ಈ ವಿಧಾನದಲ್ಲಿ ಅನೇಕ ಸಮಸ್ಯೆಗಳಿವೆ, ನಿರ್ದಿಷ್ಟವಾಗಿ, ಪ್ರತಿ ಕಾರ್ಯದ ಸಂಕೀರ್ಣತೆ ಮತ್ತು ವೆಚ್ಚ, ಮತ್ತು ಸ್ಪಷ್ಟವಾದ ಫಲಿತಾಂಶಗಳನ್ನು ಉತ್ಪಾದಿಸಲು ದೀರ್ಘಾವಧಿಯ ಅಗತ್ಯವಿದೆ (ಬೇನಾನ್-ಡೇವಿಸ್ 1994, ಅರ್ಲ್ 1993, ಗುಡ್ಹ್ಯೂ ಮತ್ತು ಇತರರು. 1992, ಪೆರಿಯಾಸಾಮಿ 1994, ಶಾಂಕ್ಸ್ 1997 )

Il ಡೇಟಾ ವೇರ್ಹೌಸ್ ಇದು ಒಂದು ಪ್ರತ್ಯೇಕ ಡೇಟಾಬೇಸ್ ಆಗಿದ್ದು, ಅವುಗಳನ್ನು ಬದಲಿಸುವ ಬದಲು ಲೆಗಸಿ ಡೇಟಾಬೇಸ್‌ಗಳೊಂದಿಗೆ ಸಹ-ಅಸ್ತಿತ್ವದಲ್ಲಿದೆ. ಆದ್ದರಿಂದ ನಿರ್ವಹಣೆಯನ್ನು ನಿರ್ದೇಶಿಸಲು ಇದು ನಿಮ್ಮನ್ನು ಅನುಮತಿಸುತ್ತದೆ dati ಮತ್ತು ಪಾರಂಪರಿಕ ವ್ಯವಸ್ಥೆಗಳ ದುಬಾರಿ ಪುನರ್ನಿರ್ಮಾಣವನ್ನು ತಪ್ಪಿಸಿ.

ಡೇಟಾ ವಿನ್ಯಾಸಕ್ಕೆ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ವಿಧಾನಗಳು

ವೇರ್‌ಹೌಸ್

ನಿರ್ಮಿಸುವ ಮತ್ತು ಪರಿಪೂರ್ಣಗೊಳಿಸುವ ಪ್ರಕ್ರಿಯೆ a ಡೇಟಾ ವೇರ್ಹೌಸ್ ಇದನ್ನು ಸಾಂಪ್ರದಾಯಿಕ ವ್ಯವಸ್ಥೆಗಳ ಅಭಿವೃದ್ಧಿಯ ಜೀವನಚಕ್ರಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ವಿಕಸನೀಯ ಪ್ರಕ್ರಿಯೆ ಎಂದು ಅರ್ಥೈಸಿಕೊಳ್ಳಬೇಕು (ದೇಸಿಯೋ, 1995, ಶಾಂಕ್ಸ್, ಓ'ಡೊನೆಲ್ ಮತ್ತು ಅರ್ನಾಟ್ 1997a ). ಯೋಜನೆಯಲ್ಲಿ ಹಲವಾರು ಪ್ರಕ್ರಿಯೆಗಳು ಒಳಗೊಂಡಿರುತ್ತವೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಉದಾಹರಣೆಗೆ ಪ್ರಾರಂಭ, ಯೋಜನೆ; ಕಂಪನಿಯ ವ್ಯವಸ್ಥಾಪಕರಿಂದ ಕೇಳಿದ ಅವಶ್ಯಕತೆಗಳಿಂದ ಪಡೆದ ಮಾಹಿತಿ; ಮೂಲಗಳು, ರೂಪಾಂತರಗಳು, ಶುಚಿಗೊಳಿಸುವಿಕೆ dati ಮತ್ತು ಪರಂಪರೆ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಇತರ ಮೂಲಗಳಿಂದ ಸಿಂಕ್ರೊನೈಸೇಶನ್ dati; ಅಭಿವೃದ್ಧಿಯಲ್ಲಿ ವಿತರಣಾ ವ್ಯವಸ್ಥೆಗಳು; ಮೇಲ್ವಿಚಾರಣೆ ಡೇಟಾ ವೇರ್ಹೌಸ್; ಮತ್ತು ವಿಕಸನ ಪ್ರಕ್ರಿಯೆಯ ಅರ್ಥಹೀನತೆ ಮತ್ತು a ನ ನಿರ್ಮಾಣ ಡೇಟಾ ವೇರ್ಹೌಸ್ (ಸ್ಟಿಂಚಿ, ಓ'ಡೊನ್ನೆಲ್ ಮತ್ತು ಅರ್ನಾಟ್ 1997b). ಈ ನಿಯತಕಾಲಿಕದಲ್ಲಿ, ನಾವು ಹೇಗೆ ಸೆಳೆಯುವುದು ಎಂಬುದರ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತೇವೆ dati ಈ ಇತರ ಪ್ರಕ್ರಿಯೆಗಳ ಸಂದರ್ಭದಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ. ವಾಸ್ತುಶಿಲ್ಪಕ್ಕೆ ಹಲವಾರು ಪ್ರಸ್ತಾವಿತ ವಿಧಾನಗಳಿವೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಸಾಹಿತ್ಯದಲ್ಲಿ (ಇನ್ಮನ್ 1994, ಐವ್ಸ್ 1995, ಕಿಂಬಾಲ್ 1994 ಮ್ಯಾಕ್‌ಫ್ಯಾಡೆನ್ 1996). ಈ ಪ್ರತಿಯೊಂದು ವಿಧಾನಗಳು ಅವುಗಳ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ದೌರ್ಬಲ್ಯಗಳ ವಿಶ್ಲೇಷಣೆಯೊಂದಿಗೆ ಸಂಕ್ಷಿಪ್ತ ವಿಮರ್ಶೆಯನ್ನು ಹೊಂದಿವೆ.

ಇನ್ಮೋನ್ಸ್ (1994) ಅಪ್ರೋಚ್ ಮಾಹಿತಿ ಉಗ್ರಾಣ ಡಿಸೈನ್

ಇನ್ಮೋನ್ (1994) ಎ ವಿನ್ಯಾಸ ಮಾಡಲು ನಾಲ್ಕು ಪುನರಾವರ್ತಿತ ಹಂತಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸಿದರು ಡೇಟಾ ವೇರ್ಹೌಸ್ (ಚಿತ್ರ 2 ನೋಡಿ). ಟೆಂಪ್ಲೇಟ್ ಅನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವುದು ಮೊದಲ ಹಂತವಾಗಿದೆ dati ನಾನು ಹೇಗೆ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಾಮಾಜಿಕ dati ಅವುಗಳನ್ನು ವಿಭಜಿಸುವ ಮೂಲಕ ಸಂಸ್ಥೆಯೊಳಗೆ ಕ್ರಿಯಾತ್ಮಕ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಸಂಯೋಜಿಸಬಹುದು dati ಪ್ರದೇಶಗಳಲ್ಲಿ ಸಂಗ್ರಹಿಸಿ. ಮಾದರಿ dati ಇದನ್ನು ಶೇಖರಣೆಗಾಗಿ ತಯಾರಿಸಲಾಗುತ್ತದೆ dati ಸೇರಿದಂತೆ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಗೆ ಸಂಬಂಧಿಸಿದೆ dati ಇತಿಹಾಸಕಾರರು, ಮತ್ತು ಒಳಗೊಂಡಿತ್ತು dati ಕಡಿತಗೊಳಿಸಲಾಗಿದೆ ಮತ್ತು ಒಟ್ಟುಗೂಡಿಸಲಾಗಿದೆ. ಎರಡನೇ ಹಂತವು ಅನುಷ್ಠಾನಕ್ಕಾಗಿ ವಿಷಯ ಕ್ಷೇತ್ರಗಳನ್ನು ಗುರುತಿಸುವುದು. ಇವುಗಳು ನಿರ್ದಿಷ್ಟ ಸಂಸ್ಥೆಯಿಂದ ನಿರ್ಧರಿಸಲ್ಪಟ್ಟ ಆದ್ಯತೆಗಳನ್ನು ಆಧರಿಸಿವೆ. ಮೂರನೇ ಹಂತವು ಡ್ರಾಯಿಂಗ್ ಅನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ ಡೇಟಾಬೇಸ್ ವಿಷಯದ ಪ್ರದೇಶಕ್ಕಾಗಿ, ಸೂಕ್ತ ಮಟ್ಟದ ಗ್ರ್ಯಾನ್ಯುಲಾರಿಟಿಯನ್ನು ಸೇರಿಸಲು ನಿರ್ದಿಷ್ಟವಾಗಿ ಗಮನ ಕೊಡಿ. ಇನ್ಮೋನ್ ಘಟಕಗಳು ಮತ್ತು ಸಂಬಂಧಗಳ ಮಾದರಿಯನ್ನು ಬಳಸಲು ಶಿಫಾರಸು ಮಾಡುತ್ತದೆ. ನಾಲ್ಕನೇ ಹಂತವು ಮೂಲ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಗುರುತಿಸುವುದು dati ನಾನು ಸೆರೆಹಿಡಿಯಲು, ಸ್ವಚ್ಛಗೊಳಿಸಲು ಮತ್ತು ಫಾರ್ಮ್ಯಾಟ್ ಮಾಡಲು ರೂಪಾಂತರ ಪ್ರಕ್ರಿಯೆಗಳ ಅಗತ್ಯವಿದೆ ಮತ್ತು ಅಭಿವೃದ್ಧಿಪಡಿಸಿ dati.

ಇನ್ಮೋನ್ನ ವಿಧಾನದ ಸಾಮರ್ಥ್ಯವು ಮಾದರಿಯಾಗಿದೆ dati ಸಾಮಾಜಿಕವು ಏಕೀಕರಣಕ್ಕೆ ಆಧಾರವನ್ನು ಒದಗಿಸುತ್ತದೆ dati ಪುನರಾವರ್ತಿತ ಅಭಿವೃದ್ಧಿಗೆ ಬೆಂಬಲಗಳ ಸಂಘಟನೆ ಮತ್ತು ಯೋಜನೆ ಒಳಗೆ ಡೇಟಾ ವೇರ್ಹೌಸ್. ಅದರ ನ್ಯೂನತೆಗಳು ಮಾದರಿಯನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವಲ್ಲಿ ತೊಂದರೆ ಮತ್ತು ವೆಚ್ಚವಾಗಿದೆ dati ಸಾಮಾಜಿಕ, ಎರಡೂ ಮಾದರಿಗಳಲ್ಲಿ ಬಳಸಲಾದ ಘಟಕಗಳು ಮತ್ತು ಸಂಬಂಧಗಳ ಮಾದರಿಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಲ್ಲಿನ ತೊಂದರೆ, ಅದು dati ಸಾಮಾಜಿಕ ಮತ್ತು ಅದು dati ವಿಷಯ ಪ್ರದೇಶದ ಮೂಲಕ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ, ಮತ್ತು ಸೂಕ್ತತೆ dati ನ ರೇಖಾಚಿತ್ರದ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಸಾಕ್ಷಾತ್ಕಾರಕ್ಕಾಗಿ ಡೇಟಾಬೇಸ್ ಸಂಬಂಧಿತ ಆದರೆ ಅಲ್ಲ ಡೇಟಾಬೇಸ್ ಬಹು ಆಯಾಮದ.

ಐವ್ಸ್' (1995) ಅಪ್ರೋಚ್ ಟು ಮಾಹಿತಿ ಉಗ್ರಾಣ ಡಿಸೈನ್

ಐವ್ಸ್ (1995) ಅವರು ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆಯನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು ನಾಲ್ಕು-ಹಂತದ ವಿಧಾನವನ್ನು ಪ್ರಸ್ತಾಪಿಸಿದರು, ಇದು ವಿನ್ಯಾಸಕ್ಕೆ ಅನ್ವಯಿಸುತ್ತದೆ ಎಂದು ಅವರು ನಂಬುತ್ತಾರೆ. ಡೇಟಾ ವೇರ್ಹೌಸ್ (ಚಿತ್ರ 3 ನೋಡಿ). ಈ ವಿಧಾನವು ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆಗಳ ಅಭಿವೃದ್ಧಿಗೆ ಮಾಹಿತಿ ಎಂಜಿನಿಯರಿಂಗ್ ಅನ್ನು ಆಧರಿಸಿದೆ (ಮಾರ್ಟಿನ್ 1990). ಉದ್ದೇಶಗಳು, ನಿರ್ಣಾಯಕ ಮತ್ತು ಯಶಸ್ಸಿನ ಅಂಶಗಳು ಮತ್ತು ಪ್ರಮುಖ ಕಾರ್ಯಕ್ಷಮತೆ ಸೂಚಕಗಳನ್ನು ನಿರ್ಧರಿಸುವುದು ಮೊದಲ ಹಂತವಾಗಿದೆ. ಪ್ರಮುಖ ವ್ಯವಹಾರ ಪ್ರಕ್ರಿಯೆಗಳು ಮತ್ತು ಅಗತ್ಯ ಮಾಹಿತಿಯು ನಮ್ಮನ್ನು ಮಾದರಿಗೆ ಕರೆದೊಯ್ಯಲು ಮಾದರಿಯಾಗಿದೆ dati ಸಾಮಾಜಿಕ. ಎರಡನೆಯ ಹಂತವು ವ್ಯಾಖ್ಯಾನಿಸುವ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ dati ಪ್ರದೇಶಗಳಿಂದ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ, ಡೇಟಾಬೇಸ್ di ಡೇಟಾ ವೇರ್ಹೌಸ್, ಅಗತ್ಯವಿರುವ ತಂತ್ರಜ್ಞಾನದ ಘಟಕಗಳು, ಕಾರ್ಯಗತಗೊಳಿಸಲು ಮತ್ತು ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಅಗತ್ಯವಿರುವ ಸಾಂಸ್ಥಿಕ ಬೆಂಬಲದ ಸೆಟ್ ಡೇಟಾ ವೇರ್ಹೌಸ್. ಮೂರನೇ ಹಂತವು ಅಗತ್ಯವಿರುವ ಸಾಫ್ಟ್‌ವೇರ್ ಪ್ಯಾಕೇಜುಗಳು ಮತ್ತು ಪರಿಕರಗಳನ್ನು ಆಯ್ಕೆಮಾಡುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ನಾಲ್ಕನೇ ಹಂತವು ವಿವರವಾದ ವಿನ್ಯಾಸ ಮತ್ತು ನಿರ್ಮಾಣವಾಗಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್. ಐವ್ಸ್ ಶೇಖರಿಸಿಡುವುದನ್ನು ಗಮನಿಸುತ್ತಾನೆ dati ಇದು ನಿರ್ಬಂಧಿತ ಪುನರಾವರ್ತನೆಯ ಪ್ರಕ್ರಿಯೆಯಾಗಿದೆ.

ಐವ್ಸ್ ವಿಧಾನದ ಸಾಮರ್ಥ್ಯವು ಮಾಹಿತಿಯ ಅವಶ್ಯಕತೆಗಳನ್ನು ನಿರ್ಧರಿಸಲು ನಿರ್ದಿಷ್ಟ ತಂತ್ರಗಳ ಬಳಕೆಯಾಗಿದೆ, ಏಕೀಕರಣವನ್ನು ಬೆಂಬಲಿಸಲು ರಚನಾತ್ಮಕ ಪ್ರಕ್ರಿಯೆಯ ಬಳಕೆ ಡೇಟಾ ವೇರ್ಹೌಸ್, ಸೂಕ್ತವಾದ ಹಾರ್ಡ್‌ವೇರ್ ಮತ್ತು ಸಾಫ್ಟ್‌ವೇರ್ ಆಯ್ಕೆ, ಮತ್ತು ಬಹು ಪ್ರಾತಿನಿಧ್ಯ ತಂತ್ರಗಳ ಬಳಕೆ ಡೇಟಾ ವೇರ್ಹೌಸ್. ಅದರ ನ್ಯೂನತೆಗಳು ಸಂಕೀರ್ಣತೆಗೆ ಅಂತರ್ಗತವಾಗಿವೆ. ಇತರರು ಅನೇಕ ಹಂತಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವಲ್ಲಿ ತೊಂದರೆಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತಾರೆ ಡೇಟಾಬೇಸ್ ಒಳಗಿನ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಸಮಂಜಸವಾದ ಸಮಯ ಮತ್ತು ವೆಚ್ಚದಲ್ಲಿ.

ಕಿಂಬಾಲ್ ಅವರ (1994) ಅಪ್ರೋಚ್ ಟು ಮಾಹಿತಿ ಉಗ್ರಾಣ ಡಿಸೈನ್

ಕಿಂಬಾಲ್ (1994) ಐದು ಪುನರಾವರ್ತಿತ ಹಂತಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು ಪ್ರಸ್ತಾಪಿಸಿದರು ಡೇಟಾ ವೇರ್ಹೌಸ್ (ಚಿತ್ರ 4 ನೋಡಿ). ಅವರ ವಿಧಾನವು ವಿಶೇಷವಾಗಿ ಏಕವ್ಯಕ್ತಿ ವಿನ್ಯಾಸದ ಮೇಲೆ ಮೀಸಲಾಗಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಮತ್ತು ಘಟಕ ಮತ್ತು ಸಂಬಂಧ ಮಾದರಿಗಳಿಗೆ ಆದ್ಯತೆಯಲ್ಲಿ ಆಯಾಮದ ಮಾದರಿಗಳ ಬಳಕೆಯ ಮೇಲೆ. ಕಿಂಬಾಲ್ ಆ ಆಯಾಮದ ಮಾದರಿಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತದೆ ಏಕೆಂದರೆ ವ್ಯಾಪಾರದ ಮುಖಂಡರು ವ್ಯವಹಾರವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸುಲಭವಾಗಿದೆ, ಸಂಕೀರ್ಣ ಸಮಾಲೋಚನೆಗಳೊಂದಿಗೆ ವ್ಯವಹರಿಸುವಾಗ ಇದು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿರುತ್ತದೆ ಮತ್ತು ವಿನ್ಯಾಸ ಡೇಟಾಬೇಸ್ ಭೌತಿಕವು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿದೆ (ಕಿಂಬಲ್ 1994). ಕಿಂಬಾಲ್ ಗುರುತಿಸುತ್ತಾನೆ ಅಭಿವೃದ್ಧಿ a ಡೇಟಾ ವೇರ್ಹೌಸ್ ಇದು ಪುನರಾವರ್ತನೆಯಾಗಿದೆ, ಮತ್ತು ಅದು ಡೇಟಾ ವೇರ್ಹೌಸ್ ಪ್ರತ್ಯೇಕ ಕೋಷ್ಟಕಗಳನ್ನು ಸಾಮಾನ್ಯ ಆಯಾಮಗಳ ಕೋಷ್ಟಕಗಳಾಗಿ ವಿಭಜಿಸುವ ಮೂಲಕ ಸಂಯೋಜಿಸಬಹುದು.

ಪರಿಪೂರ್ಣಗೊಳಿಸಬೇಕಾದ ನಿರ್ದಿಷ್ಟ ವಿಷಯದ ಪ್ರದೇಶವನ್ನು ಗುರುತಿಸುವುದು ಮೊದಲ ಹಂತವಾಗಿದೆ. ಎರಡನೇ ಮತ್ತು ಮೂರನೇ ಹಂತಗಳು ಆಯಾಮದ ಮಾಡೆಲಿಂಗ್‌ಗೆ ಸಂಬಂಧಿಸಿವೆ. ಎರಡನೇ ಹಂತದಲ್ಲಿ ಕ್ರಮಗಳು ವಿಷಯದ ಪ್ರದೇಶದಲ್ಲಿ ಆಸಕ್ತಿಯ ವಿಷಯಗಳನ್ನು ಗುರುತಿಸುತ್ತವೆ ಮತ್ತು ಫ್ಯಾಕ್ಟ್ ಟೇಬಲ್‌ಗೆ ವರ್ಗೀಕರಿಸುತ್ತವೆ. ಉದಾಹರಣೆಗೆ, ಮಾರಾಟದ ವಿಷಯದ ಪ್ರದೇಶದಲ್ಲಿ ಆಸಕ್ತಿಯ ಅಳತೆಗಳು ಮಾರಾಟವಾದ ವಸ್ತುಗಳ ಮೊತ್ತವನ್ನು ಮತ್ತು ಮಾರಾಟದ ಕರೆನ್ಸಿಯಾಗಿ ಡಾಲರ್ ಅನ್ನು ಒಳಗೊಂಡಿರಬಹುದು. ಮೂರನೇ ಹಂತವು ಆಯಾಮಗಳನ್ನು ಗುರುತಿಸುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ, ಅವುಗಳು ಸತ್ಯಗಳನ್ನು ಗುಂಪು ಮಾಡಬಹುದಾದ ವಿಧಾನಗಳಾಗಿವೆ. ಮಾರಾಟದ ವಿಷಯದ ಪ್ರದೇಶದಲ್ಲಿ, ಸಂಬಂಧಿತ ಆಯಾಮಗಳು ಐಟಂ, ಸ್ಥಳ ಮತ್ತು ಸಮಯದ ಅವಧಿಯನ್ನು ಒಳಗೊಂಡಿರಬಹುದು. ಫ್ಯಾಕ್ಟ್ ಟೇಬಲ್ ಪ್ರತಿ ಆಯಾಮದ ಕೋಷ್ಟಕಗಳಿಗೆ ಲಿಂಕ್ ಮಾಡಲು ಬಹು-ಭಾಗದ ಕೀಲಿಯನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಸಾಮಾನ್ಯವಾಗಿ ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಸತ್ಯಗಳನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಇದಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, ಆಯಾಮ ಕೋಷ್ಟಕಗಳು ಆಯಾಮಗಳು ಮತ್ತು ಗುಂಪು ಸತ್ಯಗಳಿಗೆ ಬಳಸಬಹುದಾದ ಇತರ ಗುಣಲಕ್ಷಣಗಳ ಬಗ್ಗೆ ವಿವರಣಾತ್ಮಕ ಮಾಹಿತಿಯನ್ನು ಹೊಂದಿರುತ್ತವೆ. ಸಂಬಂಧಿತ ಪ್ರಸ್ತಾವಿತ ಸತ್ಯ ಮತ್ತು ಆಯಾಮದ ಕೋಷ್ಟಕವು ಅದರ ಆಕಾರದ ಕಾರಣದಿಂದ ಸ್ಟಾರ್ ಸ್ಕೀಮಾ ಎಂದು ಕರೆಯಲ್ಪಡುತ್ತದೆ. ನಾಲ್ಕನೇ ಹಂತವು ಕಟ್ಟಡವನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ ಡೇಟಾಬೇಸ್ ನಕ್ಷತ್ರ ಮಾದರಿಯನ್ನು ಪರಿಪೂರ್ಣಗೊಳಿಸಲು ಬಹುಆಯಾಮದ. ಮೂಲ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಗುರುತಿಸುವುದು ಅಂತಿಮ ಹಂತವಾಗಿದೆ dati ನಾನು ಸೆರೆಹಿಡಿಯಲು, ಸ್ವಚ್ಛಗೊಳಿಸಲು ಮತ್ತು ಫಾರ್ಮ್ಯಾಟ್ ಮಾಡಲು ರೂಪಾಂತರ ಪ್ರಕ್ರಿಯೆಗಳ ಅಗತ್ಯವಿದೆ ಮತ್ತು ಅಭಿವೃದ್ಧಿಪಡಿಸಿ dati.

ಕಿಂಬಾಲ್‌ನ ವಿಧಾನದ ಸಾಮರ್ಥ್ಯವು ಪ್ರತಿನಿಧಿಸಲು ಆಯಾಮದ ಮಾದರಿಗಳ ಬಳಕೆಯನ್ನು ಒಳಗೊಂಡಿದೆ dati ಸುಲಭವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮತ್ತು ಸಮರ್ಥ ಭೌತಿಕ ವಿನ್ಯಾಸಕ್ಕೆ ಕಾರಣವಾಗುವಂತೆ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ. ಎರಡೂ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಸುಲಭವಾಗಿ ಬಳಸುವ ಆಯಾಮದ ಮಾದರಿ ಡೇಟಾಬೇಸ್ ಸಂಬಂಧವನ್ನು ಪರಿಪೂರ್ಣಗೊಳಿಸಬಹುದು ಅಥವಾ ವ್ಯವಸ್ಥೆ ಮಾಡಬಹುದು ಡೇಟಾಬೇಸ್ ಬಹು ಆಯಾಮದ. ಇದರ ನ್ಯೂನತೆಗಳು ಹಲವಾರು ನಕ್ಷತ್ರ ಮಾದರಿಗಳ ಯೋಜನೆ ಅಥವಾ ಏಕೀಕರಣವನ್ನು ಸುಲಭಗೊಳಿಸಲು ಕೆಲವು ತಂತ್ರಗಳ ಕೊರತೆಯನ್ನು ಒಳಗೊಂಡಿವೆ. ಡೇಟಾ ವೇರ್ಹೌಸ್ ಮತ್ತು ತೀವ್ರ ಅಸಾಧಾರಣ ರಚನೆಯಿಂದ ಆಯಾಮದ ಮಾದರಿಗೆ ವಿನ್ಯಾಸಗೊಳಿಸುವ ತೊಂದರೆ a dati ಪರಂಪರೆ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ.

ಮೆಕ್‌ಫ್ಯಾಡೆನ್ಸ್ (1996) ಅಪ್ರೋಚ್ ಟು ಡೇಟಾ ಗೋದಾಮಿನ ವಿನ್ಯಾಸ

ಮ್ಯಾಕ್‌ಫ್ಯಾಡೆನ್ (1996) ವಿನ್ಯಾಸಕ್ಕೆ ಐದು-ಹಂತದ ವಿಧಾನವನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತಾನೆ a ಡೇಟಾ ವೇರ್ಹೌಸ್ (ಚಿತ್ರ 5 ನೋಡಿ).
ಅವರ ವಿಧಾನವು ಸಾಹಿತ್ಯದಿಂದ ಕಲ್ಪನೆಗಳ ಸಂಶ್ಲೇಷಣೆಯನ್ನು ಆಧರಿಸಿದೆ ಮತ್ತು ಏಕಗೀತೆಯ ವಿನ್ಯಾಸದ ಮೇಲೆ ಕೇಂದ್ರೀಕೃತವಾಗಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್. ಮೊದಲ ಹಂತವು ಅವಶ್ಯಕತೆಗಳ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ತಾಂತ್ರಿಕ ವಿಶೇಷಣಗಳನ್ನು ಸೂಚಿಸಲಾಗಿಲ್ಲವಾದರೂ, ಮ್ಯಾಕ್‌ಫ್ಯಾಡೆನ್‌ನ ಟಿಪ್ಪಣಿಗಳು ಘಟಕಗಳನ್ನು ಗುರುತಿಸುತ್ತವೆ dati ವಿಶೇಷಣಗಳು ಮತ್ತು ಅವುಗಳ ಗುಣಲಕ್ಷಣಗಳು, ಮತ್ತು ಅಗತ್ಯಗಳನ್ನು ಸೆರೆಹಿಡಿಯಲು ಓದುಗರಿಗೆ ವ್ಯಾಟ್ಸನ್ ಮತ್ತು ಫ್ರೊಲಿಕ್ (1993) ಅನ್ನು ಉಲ್ಲೇಖಿಸುತ್ತದೆ.
ಎರಡನೇ ಹಂತದಲ್ಲಿ, ಘಟಕ ಸಂಬಂಧಗಳ ಮಾದರಿಯನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ತದನಂತರ ವ್ಯಾಪಾರದ ಮುಖಂಡರಿಂದ ಮೌಲ್ಯೀಕರಿಸಲಾಗಿದೆ. ಮೂರನೇ ಹಂತವು ಪಾರಂಪರಿಕ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಬಾಹ್ಯ ಮೂಲಗಳಿಂದ ಮ್ಯಾಪಿಂಗ್ ಅನ್ನು ನಿರ್ಧರಿಸುವುದನ್ನು ಒಳಗೊಂಡಿದೆ ಡೇಟಾ ವೇರ್ಹೌಸ್. ನಾಲ್ಕನೇ ಹಂತವು ಅಭಿವೃದ್ಧಿ, ನಿಯೋಜನೆ ಮತ್ತು ಸಿಂಕ್ರೊನೈಸೇಶನ್ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ dati ನೆಲ್ ಡೇಟಾ ವೇರ್ಹೌಸ್. ಅಂತಿಮ ಹಂತದಲ್ಲಿ, ಬಳಕೆದಾರ ಇಂಟರ್‌ಫೇಸ್‌ಗೆ ನಿರ್ದಿಷ್ಟ ಒತ್ತು ನೀಡುವ ಮೂಲಕ ಸಿಸ್ಟಮ್ ವಿತರಣೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ. ಡ್ರಾಯಿಂಗ್ ಪ್ರಕ್ರಿಯೆಯು ಸಾಮಾನ್ಯವಾಗಿ ಪುನರಾವರ್ತನೆಯಾಗಿದೆ ಎಂದು ಮ್ಯಾಕ್‌ಫಾಡೆನ್ ಹೇಳುತ್ತಾರೆ.

ಮೆಕ್‌ಫ್ಯಾಡೆನ್‌ನ ವಿಧಾನದ ಸಾಮರ್ಥ್ಯವು ಅವಶ್ಯಕತೆಗಳನ್ನು ಮತ್ತು ಸಂಪನ್ಮೂಲಗಳ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ನಿರ್ಧರಿಸುವಲ್ಲಿ ವ್ಯಾಪಾರ ನಾಯಕರ ಭಾಗವಹಿಸುವಿಕೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ dati, ಅವರ ಶುಚಿಗೊಳಿಸುವಿಕೆ ಮತ್ತು ಸಂಗ್ರಹಣೆ. ಅದರ ನ್ಯೂನತೆಗಳು ದೊಡ್ಡ ಯೋಜನೆಯನ್ನು ಮುರಿಯುವ ಪ್ರಕ್ರಿಯೆಯ ಕೊರತೆಯನ್ನು ಒಳಗೊಂಡಿವೆ ಡೇಟಾ ವೇರ್ಹೌಸ್ ಅನೇಕ ಸಂಯೋಜಿತ ಹಂತಗಳಲ್ಲಿ, ಮತ್ತು

ವಿನ್ಯಾಸದಲ್ಲಿ ಬಳಸಲಾದ ಅಸ್ತಿತ್ವ ಮತ್ತು ಸಂಬಂಧದ ಮಾದರಿಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಲ್ಲಿ ತೊಂದರೆ ಡೇಟಾ ವೇರ್ಹೌಸ್.

ನಮಗೆ ಹತ್ತಿರವಿರುವವರು ಮಾತ್ರವಲ್ಲ ನಮ್ಮನ್ನು ಆಯ್ಕೆ ಮಾಡುತ್ತಾರೆ.