ഡാറ്റ വെയർഹൗസിംഗും എന്റർപ്രൈസ് റിസോഴ്സ് പ്ലാനിംഗും | DWH, ERP

ആർക്കൈവ് ഡാറ്റ സെൻട്രൽ: ഹിസ്റ്ററി എഡി പരിണാമങ്ങൾ

90-കളിലെ കോർപ്പറേറ്റ് സാങ്കേതികവിദ്യയുടെ രണ്ട് പ്രബലമായ തീമുകൾ ഐ ഡാറ്റ വെയർഹൗസ് കൂടാതെ ഇ.ആർ.പി. വളരെക്കാലമായി ഈ രണ്ട് ശക്തമായ പ്രവാഹങ്ങളും ഒരിക്കലും കവലകളില്ലാതെ കോർപ്പറേറ്റ് ഐടിയുടെ ഭാഗമാണ്. അവ ദ്രവ്യവും ദ്രവ്യ വിരുദ്ധവുമാണെന്ന മട്ടിലായിരുന്നു അത്. എന്നാൽ രണ്ട് പ്രതിഭാസങ്ങളുടെയും വളർച്ച അനിവാര്യമായും അവയുടെ വിഭജനത്തിലേക്ക് നയിച്ചു. ഇന്ന് കമ്പനികൾ ERP ഉപയോഗിച്ച് എന്തുചെയ്യണമെന്ന പ്രശ്നം നേരിടുന്നു ഡാറ്റ വെയർഹൗസ്. ഈ ലേഖനം എന്താണ് പ്രശ്‌നങ്ങളെന്നും കമ്പനികൾ അവ എങ്ങനെ കൈകാര്യം ചെയ്യുന്നുവെന്നും വിശദീകരിക്കും.

ആരംഭത്തിൽ…

തുടക്കത്തിൽ ഉണ്ടായിരുന്നു ഡാറ്റ വെയർഹൗസ്. ഡാറ്റ വെയർഹ house സ് ട്രാൻസാക്ഷൻ പ്രോസസ്സിംഗ് ആപ്ലിക്കേഷൻ സിസ്റ്റത്തെ പ്രതിരോധിക്കുന്നതിനാണ് സൃഷ്ടിച്ചത്. ആദ്യകാലങ്ങളിൽ മനഃപാഠം ഡാറ്റ ഇടപാട് പ്രോസസ്സിംഗ് ആപ്ലിക്കേഷനുകൾക്കുള്ള ഒരു എതിർ പോയിന്റ് മാത്രമായിരുന്നു അത്. എന്നാൽ ഇക്കാലത്ത് എന്താണെന്നതിന്റെ കൂടുതൽ സങ്കീർണ്ണമായ ദർശനങ്ങളുണ്ട് ഡാറ്റ വെയർഹൗസ്. ഇന്നത്തെ ലോകത്ത് ദി ഡാറ്റ വെയർഹൗസ് കോർപ്പറേറ്റ് ഇൻഫർമേഷൻ ഫാക്ടറി എന്ന് വിളിക്കാവുന്ന ഒരു ഘടനയിൽ ഇത് ചേർത്തിരിക്കുന്നു.

കോർപ്പറേറ്റ് ഇൻഫർമേഷൻ ഫാക്ടറി (സിഐഎഫ്)

കോർപ്പറേറ്റ് ഇൻഫർമേഷൻ ഫാക്ടറിക്ക് സ്റ്റാൻഡേർഡ് ആർക്കിടെക്ചറൽ ഘടകങ്ങൾ ഉണ്ട്: പരിവർത്തനത്തിന്റെയും കോഡ് ഏകീകരണത്തിന്റെയും ഒരു തലം ഡാറ്റ അതേസമയം ഐ ഡാറ്റ അവ ആപ്ലിക്കേഷൻ പരിതസ്ഥിതിയിൽ നിന്ന് പരിസ്ഥിതിയിലേക്ക് നീങ്ങുന്നു ഡാറ്റ വെയർഹൗസ് കമ്പനിയുടെ; എ ഡാറ്റ വെയർഹൗസ് എവിടെ കമ്പനിയുടെ ഡാറ്റ വിശദവും സംയോജിതവുമായ ചരിത്രങ്ങൾ. ദി ഡാറ്റ വെയർഹൗസ് കമ്പനിയുടെ പരിസ്ഥിതിയുടെ മറ്റെല്ലാ ഭാഗങ്ങളും നിർമ്മിക്കാൻ കഴിയുന്ന അടിത്തറയായി കമ്പനി പ്രവർത്തിക്കുന്നു ഡാറ്റ വെയർഹൗസ്; ഒരു പ്രവർത്തന ഡാറ്റ സ്റ്റോർ (ODS). ഒരു ODS എന്നത് ഒരു ഹൈബ്രിഡ് ഘടനയാണ്, അതിൽ ചില വശങ്ങൾ അടങ്ങിയിരിക്കുന്നു ഡാറ്റ വെയർഹൗസ് ഒരു OLTP പരിതസ്ഥിതിയുടെ മറ്റ് വശങ്ങളും; വിവിധ വകുപ്പുകൾക്ക് അവരുടേതായ പതിപ്പ് ഉണ്ടായിരിക്കാൻ കഴിയുന്ന ഡാറ്റാ മാർട്ടുകൾ ഡാറ്റ വെയർഹൗസ്; a ഡാറ്റ വെയർഹൗസ് കമ്പനിയുടെ "തത്ത്വചിന്തകർ" അവരുടെ 72 മണിക്കൂർ അന്വേഷണങ്ങൾ ഹാനികരമായി ബാധിക്കാതെ സമർപ്പിക്കാൻ കഴിയുന്ന പര്യവേക്ഷണം ഡാറ്റ വെയർഹൗസ്; ഒപ്പം ഒരു നിയർ ലൈൻ മെമ്മറി, അതിൽ ഡാറ്റ പഴയതും ഡാറ്റ ബൾക്ക് വിശദാംശങ്ങൾ വിലകുറഞ്ഞ രീതിയിൽ സൂക്ഷിക്കാം.

എവിടെ ERP LA യുമായി ചേരുന്നു കോർപ്പറേറ്റ് ഇൻഫർമേഷൻ ഫാക്ടറി

ERP രണ്ട് സ്ഥലങ്ങളിൽ കോർപ്പറേറ്റ് ഇൻഫർമേഷൻ ഫാക്ടറിയുമായി ലയിക്കുന്നു. ആദ്യം ഐ നൽകുന്ന അടിസ്ഥാന ആപ്ലിക്കേഷനായി (അടിസ്ഥാനം). ഡാറ്റ അപേക്ഷയുടെ ഡാറ്റ വെയർഹൗസ്. ഈ സാഹചര്യത്തിൽ ഐ ഡാറ്റ, ഒരു ഇടപാട് പ്രക്രിയയുടെ ഉപോൽപ്പന്നമായി ജനറേറ്റുചെയ്‌തത്, സംയോജിപ്പിച്ച് ലോഡുചെയ്യുന്നു ഡാറ്റ വെയർഹൗസ് കമ്പനിയുടെ. ERP-യും CIF-ഉം ODS-ഉം തമ്മിലുള്ള യൂണിയന്റെ രണ്ടാമത്തെ പോയിന്റ്. വാസ്തവത്തിൽ, പല പരിതസ്ഥിതികളിലും ERP ഒരു ക്ലാസിക് ODS ആയി ഉപയോഗിക്കുന്നു.

അടിസ്ഥാന ആപ്ലിക്കേഷനായി ERP ഉപയോഗിക്കുകയാണെങ്കിൽ, അതേ ERP CIF-ലും ODS ആയി ഉപയോഗിക്കാം. ഏത് സാഹചര്യത്തിലും, രണ്ട് റോളുകളിലും ERP ഉപയോഗിക്കണമെങ്കിൽ, രണ്ട് എന്റിറ്റികൾക്കിടയിൽ വ്യക്തമായ വ്യത്യാസം ഉണ്ടായിരിക്കണം. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, ERP അടിസ്ഥാന ആപ്ലിക്കേഷന്റെയും ODS ന്റെയും പങ്ക് വഹിക്കുമ്പോൾ, രണ്ട് വാസ്തുവിദ്യാ സ്ഥാപനങ്ങളെ വേർതിരിച്ചറിയണം. ഒരൊറ്റ ഇആർപി നടപ്പാക്കൽ രണ്ട് റോളുകളും ഒരേസമയം നിർവഹിക്കാൻ ശ്രമിച്ചാൽ, ആ ഘടനയുടെ രൂപകൽപ്പനയിലും നടപ്പാക്കലിലും അനിവാര്യമായും പ്രശ്നങ്ങൾ ഉണ്ടാകും.

പ്രത്യേക ഓഡികളും അടിസ്ഥാന ആപ്ലിക്കേഷനുകളും

വാസ്തുവിദ്യാ ഘടകങ്ങളുടെ വിഭജനത്തിലേക്ക് നയിക്കുന്ന നിരവധി കാരണങ്ങളുണ്ട്. ഒരു വാസ്തുവിദ്യയുടെ വ്യത്യസ്‌ത ഘടകങ്ങളെ വേർതിരിക്കുന്നതിനുള്ള ഏറ്റവും പ്രധാനപ്പെട്ട പ്രശ്നം, വാസ്തുവിദ്യയുടെ ഓരോ ഘടകത്തിനും അതിന്റേതായ വീക്ഷണമുണ്ട് എന്നതാണ്. ബേസ്‌ലൈൻ ആപ്ലിക്കേഷൻ ODS-ൽ നിന്ന് വ്യത്യസ്തമായ ഒരു ഉദ്ദേശ്യം നൽകുന്നു. ഓവർലാപ്പ് ചെയ്യാൻ ശ്രമിക്കുക

ഒരു ODS-ന്റെ ലോകത്തെക്കുറിച്ചുള്ള അടിസ്ഥാന ആപ്ലിക്കേഷൻ കാഴ്ച അല്ലെങ്കിൽ തിരിച്ചും പ്രവർത്തിക്കാനുള്ള ശരിയായ മാർഗമല്ല.

തൽഫലമായി, CIF-ലെ ഒരു ERP-യുടെ ആദ്യ പ്രശ്നം അടിസ്ഥാന ആപ്ലിക്കേഷനുകളും ODS-ഉം തമ്മിൽ വ്യത്യാസമുണ്ടോ എന്ന് പരിശോധിക്കുന്നതാണ്.

കോർപ്പറേറ്റിലെ ഡാറ്റ മോഡലുകൾ ഇൻഫർമേഷൻ ഫാക്ടറി

CIF വാസ്തുവിദ്യയുടെ വിവിധ ഘടകങ്ങൾ തമ്മിലുള്ള ഏകീകരണം കൈവരിക്കുന്നതിന്, ഒരു മാതൃക ഉണ്ടായിരിക്കണം ഡാറ്റ. യുടെ മോഡലുകൾ ഡാറ്റ അടിസ്ഥാന പ്രയോഗങ്ങളും ODS ഉം പോലെയുള്ള വാസ്തുവിദ്യയുടെ വിവിധ ഘടകങ്ങൾ തമ്മിലുള്ള ഒരു ലിങ്കായി അവ പ്രവർത്തിക്കുന്നു. യുടെ മോഡലുകൾ ഡാറ്റ CIF ന്റെ വ്യത്യസ്ത വാസ്തുവിദ്യാ ഘടകങ്ങളിൽ നിന്ന് ശരിയായ അർത്ഥം ലഭിക്കുന്നതിന് അവ "ബൗദ്ധിക റോഡ് മാപ്പ്" ആയി മാറുന്നു.

ഈ ആശയവുമായി കൈകോർത്ത് പോകുമ്പോൾ, വലുതും ഒറ്റതുമായ ഒരു മാതൃക ഉണ്ടായിരിക്കണം എന്നതാണ് ആശയം ഡാറ്റ. വ്യക്തമായും ഒരു മാതൃക ഉണ്ടായിരിക്കണം ഡാറ്റ ഓരോ ഘടകങ്ങൾക്കും വ്യത്യസ്ത മോഡലുകളെ ബന്ധിപ്പിക്കുന്ന ഒരു വിവേകപൂർണ്ണമായ പാത ഉണ്ടായിരിക്കണം. വാസ്തുവിദ്യയുടെ ഓരോ ഘടകങ്ങളും - ODS, അടിസ്ഥാന പ്രയോഗങ്ങൾ, ഡാറ്റ വെയർഹൗസ് കമ്പനിയുടെ, അങ്ങനെ അങ്ങനെ.. - സ്വന്തം മോഡൽ ആവശ്യമാണ് ഡാറ്റ. അതിനാൽ ഈ മോഡലുകൾ എങ്ങനെയെന്നതിന് കൃത്യമായ നിർവചനം ഉണ്ടായിരിക്കണം ഡാറ്റ അവർ പരസ്പരം അഭിമുഖീകരിക്കുന്നു.

നീക്കുക ഐ ഡാറ്റ ഡാറ്റയിലെ ERP വെയർഹൗസ്

ഉത്ഭവം എങ്കിൽ ഡാറ്റ ERP i ചേർക്കുമ്പോൾ ഒരു അടിസ്ഥാന ആപ്ലിക്കേഷൻ കൂടാതെ/അല്ലെങ്കിൽ ODS ആണ് ഡാറ്റ നെൽ ഡാറ്റ വെയർഹൗസ്, ഈ ഉൾപ്പെടുത്തൽ "ഗ്രാനുലാരിറ്റി" യുടെ ഏറ്റവും താഴ്ന്ന നിലയിലായിരിക്കണം. ലളിതമായി സംഗ്രഹിക്കുക അല്ലെങ്കിൽ സമാഹരിക്കുക i ഡാറ്റ അവർ ഇആർപി ബേസ്‌ലൈൻ ആപ്ലിക്കേഷനിൽ നിന്നോ ഇആർപി ഒഡിഎസിൽ നിന്നോ പുറത്തുവരുന്നത് ശരിയായ കാര്യമല്ല. ദി ഡാറ്റ വിശദാംശങ്ങൾ ആവശ്യമാണ് ഡാറ്റ വെയർഹൗസ് DSS പ്രക്രിയയുടെ അടിസ്ഥാനം. അത്തരം ഡാറ്റ ഡാറ്റാ മാർട്ടുകളും പര്യവേക്ഷണങ്ങളും വഴി പല തരത്തിൽ പുനർരൂപകൽപ്പന ചെയ്യും ഡാറ്റ വെയർഹൗസ്.

യുടെ സ്ഥാനചലനം ഡാറ്റ ERP അടിസ്ഥാന ആപ്ലിക്കേഷൻ പരിതസ്ഥിതിയിൽ നിന്ന് ഡാറ്റ വെയർഹൗസ് കമ്പനിയുടെ പ്രവർത്തനം ന്യായമായ അയഞ്ഞ രീതിയിലാണ് ചെയ്യുന്നത്. ERP-യിൽ അപ്‌ഡേറ്റ് ചെയ്‌തതിനോ സൃഷ്‌ടിച്ചതിനോ ഏകദേശം 24 മണിക്കൂറിന് ശേഷമാണ് ഈ നീക്കം നടക്കുന്നത്. ഒരു "അലസമായ" പ്രസ്ഥാനം ഉള്ള വസ്തുത ഡാറ്റ നെൽ ഡാറ്റ വെയർഹൗസ് കമ്പനി അനുവദിക്കുന്നു ഡാറ്റ ERP-ൽ നിന്ന് "ഡെപ്പോസിറ്റ്" ആയി വരുന്നു. ഒരിക്കൽ ഐ ഡാറ്റ അടിസ്ഥാന ആപ്ലിക്കേഷനിൽ സംഭരിച്ചിരിക്കുന്നു, തുടർന്ന് നിങ്ങൾക്ക് സുരക്ഷിതമായി നീക്കാൻ കഴിയും ഡാറ്റ കമ്പനിയിലെ ഇ.ആർ.പി. യുടെ "അലസമായ" പ്രസ്ഥാനത്തിന് നന്ദി നേടാനാകുന്ന മറ്റൊരു ലക്ഷ്യം ഡാറ്റ പ്രവർത്തന പ്രക്രിയകളും ഡിഎസ്എസും തമ്മിലുള്ള വ്യക്തമായ നിർവചനമാണിത്. ഒരു "വേഗത" ചലനത്തോടെ ഡാറ്റ ഡിഎസ്എസും പ്രവർത്തനവും തമ്മിലുള്ള വിഭജനരേഖ അവ്യക്തമായി തുടരുന്നു.

ന്റെ ചലനം ഡാറ്റ ERP ODS മുതൽ ഡാറ്റ വെയർഹൗസ് കമ്പനിയുടെ ആനുകാലികമായി, സാധാരണയായി ആഴ്ചയിലോ മാസത്തിലോ ചെയ്യപ്പെടുന്നു. ഈ സാഹചര്യത്തിൽ, എന്ന പ്രസ്ഥാനം ഡാറ്റ അത് പഴയത് "വൃത്തിയാക്കേണ്ടതിന്റെ" ആവശ്യകതയെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് ഡാറ്റ ചരിത്രകാരന്മാർ. തീർച്ചയായും, ODS-ൽ ഐ അടങ്ങിയിരിക്കുന്നു ഡാറ്റ എന്നിവയേക്കാൾ വളരെ സമീപകാലമാണ് ഡാറ്റ ചരിത്രകാരന്മാർ കണ്ടെത്തി ഡാറ്റ വെയർഹൗസ്.

യുടെ സ്ഥാനചലനം ഡാറ്റ നെൽ ഡാറ്റ വെയർഹൗസ് ഇത് ഒരിക്കലും "മൊത്തവിൽപ്പന" (മൊത്തവ്യാപാര രീതിയിൽ) ചെയ്യപ്പെടുന്നില്ല. ERP പരിതസ്ഥിതിയിൽ നിന്ന് ഒരു പട്ടിക പകർത്തുക ഡാറ്റ വെയർഹൗസ് അത് സാമാന്യ ബുദ്ധിക്കു നിരക്കാത്തതാണ്. തിരഞ്ഞെടുത്ത യൂണിറ്റുകൾ നീക്കുക എന്നതാണ് കൂടുതൽ യാഥാർത്ഥ്യമായ സമീപനം ഡാറ്റ. മാത്രം ഡാറ്റ ന്റെ അവസാന അപ്ഡേറ്റ് മുതൽ മാറിയിരിക്കുന്നു ഡാറ്റ വെയർഹൗസ് അവയാണ് അകത്തേക്ക് മാറ്റപ്പെടേണ്ടത് ഡാറ്റ വെയർഹൗസ്. ഏതൊക്കെയെന്ന് അറിയാനുള്ള ഒരു വഴി ഡാറ്റ എന്നതിന്റെ ടൈംസ്റ്റാമ്പുകൾ നോക്കാനുള്ള അവസാന അപ്‌ഡേറ്റ് മുതൽ മാറിയിരിക്കുന്നു ഡാറ്റ ERP പരിതസ്ഥിതിയിൽ കണ്ടെത്തി. അവസാന അപ്ഡേറ്റ് മുതൽ സംഭവിച്ച എല്ലാ മാറ്റങ്ങളും ഡിസൈനർ തിരഞ്ഞെടുക്കുന്നു. മാറ്റ ക്യാപ്‌ചർ ടെക്‌നിക്കുകൾ ഉപയോഗിക്കുന്നതാണ് മറ്റൊരു സമീപനം ഡാറ്റ. ഈ ടെക്നിക്കുകൾ ഉപയോഗിച്ച്, ലോഗുകളും ജേണൽ ടേപ്പുകളും ഏതൊക്കെയാണെന്ന് നിർണ്ണയിക്കാൻ വിശകലനം ചെയ്യുന്നു ഡാറ്റ ERP പരിതസ്ഥിതിയിൽ നിന്ന് അതിലേക്ക് മാറ്റണം ഡാറ്റ വെയർഹൗസ്. മറ്റ് ERP ഉറവിടങ്ങളെ കൂടുതൽ ബാധിക്കാതെ തന്നെ ERP ഫയലുകളിൽ നിന്ന് ലോഗുകളും ജേർണൽ ടേപ്പുകളും വായിക്കാൻ കഴിയുന്നതിനാൽ ഈ സാങ്കേതികതകൾ മികച്ചതാണ്.

മറ്റ് സങ്കീർണതകൾ

CIF-ലെ ERP പ്രശ്‌നങ്ങളിലൊന്ന് മറ്റ് ആപ്ലിക്കേഷൻ സ്രോതസ്സുകൾക്ക് എന്ത് സംഭവിക്കും എന്നതാണ് ഡാറ്റ അവർ സംഭാവന ചെയ്യേണ്ട ODS-ന്റെ ഡാറ്റ വെയർഹൗസ് എന്നാൽ അവ ഇആർപി പരിസ്ഥിതിയുടെ ഭാഗമല്ല. ERP-യുടെ അടഞ്ഞ സ്വഭാവം കണക്കിലെടുക്കുമ്പോൾ, പ്രത്യേകിച്ച് SAP, ബാഹ്യ ഉറവിടങ്ങളിൽ നിന്നുള്ള കീകൾ സംയോജിപ്പിക്കാനുള്ള ശ്രമം ഡാറ്റ ഞാനുമായി ഡാറ്റ അത് നീക്കുമ്പോൾ ERP-യിൽ നിന്ന് വരുന്നു ഡാറ്റ നെൽ ഡാറ്റ വെയർഹൗസ്, അതൊരു വലിയ വെല്ലുവിളിയാണ്. ഐ ഡാറ്റ ERP പരിതസ്ഥിതിക്ക് പുറത്തുള്ള ആപ്ലിക്കേഷനുകൾ അല്ലെങ്കിൽ ODS-കൾ എന്നിവയിൽ സംയോജിപ്പിക്കപ്പെടും ഡാറ്റ വെയർഹൗസ്? സാധ്യതകൾ യഥാർത്ഥത്തിൽ വളരെ ഉയർന്നതാണ്.

കണ്ടെത്തുക ഡാറ്റ ഇആർപിയിൽ നിന്നുള്ള ചരിത്രപരം

ഐയുടെ മറ്റൊരു പ്രശ്നം ഡാറ്റ ERP യുടെ ആവശ്യകതയിൽ നിന്ന് ഉരുത്തിരിഞ്ഞതാണ് ഡാറ്റ ഉള്ളിലെ ചരിത്രകാരന്മാർ ഡാറ്റ വെയർഹൗസ്. സാധാരണയായി ദി ഡാറ്റ വെയർഹൗസ് ആവശ്യങ്ങൾ ഡാറ്റ ചരിത്രകാരന്മാർ. ERP സാങ്കേതികവിദ്യ സാധാരണയായി ഇവ സംഭരിക്കുന്നില്ല ഡാറ്റ ചരിത്രപരമായ, കുറഞ്ഞപക്ഷം അത് ആവശ്യമുള്ളിടത്തല്ല ഡാറ്റ വെയർഹൗസ്. ഒരു വലിയ തുക എപ്പോൾ ഡാറ്റ ERP പരിതസ്ഥിതിയിൽ ചരിത്രം കൂട്ടിച്ചേർക്കാൻ തുടങ്ങുന്നു, ആ പരിസ്ഥിതി വൃത്തിയാക്കേണ്ടതുണ്ട്. ഉദാഹരണത്തിന്, a എന്ന് കരുതുക ഡാറ്റ വെയർഹൗസ് അഞ്ച് വർഷം കൊണ്ട് ലോഡ് ചെയ്യണം ഡാറ്റ ചരിത്രപരമായ ഡാറ്റ ERP ഇവയിൽ പരമാവധി ആറ് മാസം സൂക്ഷിക്കുന്നു ഡാറ്റ. ഒരു പരമ്പര ശേഖരിക്കുന്നതിൽ കമ്പനി സംതൃപ്തരായിരിക്കുന്നിടത്തോളം ഡാറ്റ കാലക്രമേണ ചരിത്രകാരന്മാർ, പിന്നെ ERP ഒരു സ്രോതസ്സായി ഉപയോഗിക്കുന്നതിൽ പ്രശ്നങ്ങളൊന്നുമില്ല ഡാറ്റ വെയർഹൗസ്. എന്നാൽ എപ്പോൾ ഡാറ്റ വെയർഹൗസ് അവൻ കാലത്തിലേക്ക് പോയി ദൈവങ്ങളെ നേടണം ഡാറ്റ ERP മുമ്പ് ശേഖരിക്കുകയും സംരക്ഷിക്കുകയും ചെയ്യാത്ത ചരിത്രങ്ങൾ, അപ്പോൾ ERP പരിസ്ഥിതി കാര്യക്ഷമമല്ല.

ഇആർപിയും മെറ്റാഡാറ്റയും

ERP-യെ കുറിച്ച് മറ്റൊരു പരിഗണന ഡാറ്റ വെയർഹൗസ് ERP പരിതസ്ഥിതിയിൽ നിലവിലുള്ള മെറ്റാഡാറ്റയിലുള്ളതാണ്. മെറ്റാഡാറ്റ ERP പരിതസ്ഥിതിയിൽ നിന്ന് IT പരിതസ്ഥിതിയിലേക്ക് കടന്നുപോകുന്നതുപോലെ ഡാറ്റ വെയർഹൗസ്, മെറ്റാഡാറ്റയും അതേ രീതിയിൽ നീക്കണം. കൂടാതെ, മെറ്റാഡാറ്റയുടെ ഇൻഫ്രാസ്ട്രക്ചറിന് ആവശ്യമായ ഫോർമാറ്റിലേക്കും ഘടനയിലേക്കും പരിവർത്തനം ചെയ്യണം. ഡാറ്റ വെയർഹൗസ്. പ്രവർത്തന മെറ്റാഡാറ്റയും DSS മെറ്റാഡാറ്റയും തമ്മിൽ വലിയ വ്യത്യാസമുണ്ട്. ഓപ്പറേഷണൽ മെറ്റാഡാറ്റ പ്രധാനമായും ഡെവലപ്പർക്കും വേണ്ടിയുള്ളതാണ്

പ്രോഗ്രാമർ. DSS മെറ്റാഡാറ്റ പ്രാഥമികമായി അന്തിമ ഉപയോക്താവിനുള്ളതാണ്. ERP ആപ്ലിക്കേഷനുകളിലോ ODS-കളിലോ നിലവിലുള്ള മെറ്റാഡാറ്റ പരിവർത്തനം ചെയ്യേണ്ടതുണ്ട്, ഈ പരിവർത്തനം എല്ലായ്പ്പോഴും എളുപ്പവും ലളിതവുമല്ല.

ERP ഡാറ്റ ഉറവിടമാക്കുന്നു

ഒരു ദാതാവായി ERP ഉപയോഗിക്കുന്നുവെങ്കിൽ ഡാറ്റ ഓരോ il നും ഡാറ്റ വെയർഹൗസ് ചലിപ്പിക്കുന്ന ഒരു സോളിഡ് ഇന്റർഫേസ് ഉണ്ടായിരിക്കണം ഡാറ്റ ERP പരിതസ്ഥിതിയിൽ നിന്ന് പരിസ്ഥിതിയിലേക്ക് ഡാറ്റ വെയർഹൗസ്. ഇന്റർഫേസ് ഇനിപ്പറയുന്നവ ചെയ്യണം:

• ▪  ഉപയോഗിക്കാൻ എളുപ്പമായിരിക്കും
• ▪  ഇതിലേക്ക് ആക്സസ് അനുവദിക്കുക ഡാറ്റ ഇആർപിയുടെ
• ▪  ഇതിന്റെ അർത്ഥം മനസ്സിലാക്കുക ഡാറ്റ ലേക്ക് മാറ്റാൻ പോകുന്നവ ഡാറ്റ വെയർഹൗസ്
• ▪ ആക്സസ് ചെയ്യുമ്പോൾ ഉണ്ടാകുന്ന ERP പരിമിതികൾ അറിയുക ഡാറ്റ ERP-യുടെ:
• ▪  റഫറൻഷ്യൽ സമഗ്രത
• ▪  ശ്രേണീബന്ധ ബന്ധങ്ങൾ
• ▪  വ്യക്തമായ ലോജിക്കൽ ബന്ധങ്ങൾ
• ▪  അപ്ലിക്കേഷൻ കൺവെൻഷൻ
• ▪  എല്ലാ ഘടനകളും ഡാറ്റ ERP പിന്തുണയ്ക്കുന്നു, അങ്ങനെ പലതും…
• ▪  ആക്സസ്സുചെയ്യുന്നതിൽ കാര്യക്ഷമത പുലർത്തുക ഡാറ്റ, നൽകിക്കൊണ്ട്:
• ▪  നേരിട്ടുള്ള ചലനം ഡാറ്റ
• ▪  മാറ്റം ഏറ്റെടുക്കൽ ഡാറ്റ
• ▪  ഇതിലേക്കുള്ള സമയോചിതമായ ആക്‌സസ് പിന്തുണയ്ക്കുന്നു ഡാറ്റ
• ▪  ഇതിന്റെ ഫോർമാറ്റ് മനസ്സിലാക്കുക ഡാറ്റ, ഇത്യാദി… SAP ഉപയോഗിച്ച് ഇന്റർഫേസിംഗ് ഇന്റർഫേസ് രണ്ട് തരത്തിലാകാം, ഹോംഗ്രൗൺ അല്ലെങ്കിൽ വാണിജ്യ. ചില പ്രധാന ട്രേഡിംഗ് ഇന്റർഫേസുകളിൽ ഇവ ഉൾപ്പെടുന്നു:

• ▪  എസ്എഎസ്
• ▪  പ്രിംസ് സൊല്യൂഷൻസ്
• ▪  D2k, തുടങ്ങിയവ... മൾട്ടിപ്പിൾ ഇആർപി ടെക്നോളജീസ് ഇആർപി പരിതസ്ഥിതിയെ ഒരൊറ്റ സാങ്കേതികവിദ്യ പോലെ പരിഗണിക്കുന്നത് വലിയ തെറ്റാണ്. നിരവധി ERP സാങ്കേതികവിദ്യകളുണ്ട്, ഓരോന്നിനും അതിന്റേതായ ശക്തികളുണ്ട്. വിപണിയിലെ ഏറ്റവും അറിയപ്പെടുന്ന വെണ്ടർമാർ ഇവയാണ്:

• ▪ എസ്എപി
• ▪  ഒറാക്കിൾ ഫിനാൻഷ്യൽസ്
• ▪  പീപ്പിൾസോഫ്റ്റ്
• ▪  ജെഡി എഡ്വേർഡ്സ്
• ▪  ബാൻ എസ്.എ.പി ഏറ്റവും വലുതും സമ്പൂർണ്ണവുമായ ERP സോഫ്റ്റ്‌വെയറാണ് SAP. SAP ആപ്ലിക്കേഷനുകളിൽ പല മേഖലകളിലും പല തരത്തിലുള്ള ആപ്ലിക്കേഷനുകൾ ഉൾപ്പെടുന്നു. എസ്എപിക്ക് ഒരു പ്രശസ്തി ഉണ്ട്:

• ▪  വളരെ വലുത്
• ▪  നടപ്പാക്കാൻ വളരെ ബുദ്ധിമുട്ടുള്ളതും ചെലവേറിയതുമാണ്
• ▪ നടപ്പിലാക്കാൻ നിരവധി ആളുകളും കൺസൾട്ടന്റുമാരും ആവശ്യമാണ്
• ▪  നിർവ്വഹണത്തിന് പ്രത്യേക വ്യക്തികൾ ആവശ്യമാണ്
• ▪  നടപ്പാക്കാൻ ഒരുപാട് സമയം ആവശ്യമാണ്, കൂടാതെ, SAP-ന് സ്വന്തമായി മനഃപാഠമാക്കുന്നതിൽ പ്രശസ്തിയുണ്ട് ഡാറ്റ വളരെ ശ്രദ്ധയോടെ, SAP ഏരിയയ്ക്ക് പുറത്തുള്ള ഒരാൾക്ക് അവ ആക്സസ് ചെയ്യുന്നത് ബുദ്ധിമുട്ടാക്കുന്നു. വലിയ അളവിൽ പിടിച്ചെടുക്കാനും സംഭരിക്കാനും കഴിയും എന്നതാണ് എസ്എപിയുടെ കരുത്ത് ഡാറ്റ. ഈയിടെ എസ്എപി അതിന്റെ ആപ്ലിക്കേഷനുകൾ വിപുലീകരിക്കാനുള്ള ഉദ്ദേശ്യം പ്രഖ്യാപിച്ചു ഡാറ്റ വെയർഹൗസ്. SAP ഒരു വെണ്ടറായി ഉപയോഗിക്കുന്നതിന് നിരവധി ഗുണങ്ങളും ദോഷങ്ങളുമുണ്ട് ഡാറ്റ വെയർഹൗസ്. SAP ഇതിനകം ഇൻസ്റ്റാൾ ചെയ്തിട്ടുണ്ട് എന്നതും മിക്ക കൺസൾട്ടൻറുകൾക്ക് ഇതിനകം SAP അറിയാമെന്നതുമാണ് ഒരു നേട്ടം.
  ഒരു വിതരണക്കാരനായി SAP ഉള്ളതിന്റെ ദോഷങ്ങൾ ഡാറ്റ വെയർഹൗസ് ധാരാളം ഉണ്ട്: SAP ന് ലോകത്ത് ഒരു പരിചയവുമില്ല ഡാറ്റ വെയർഹൗസ് SAP ആണെങ്കിൽ വിതരണക്കാരൻ ഡാറ്റ വെയർഹൗസ്, "പുറത്തെടുക്കാൻ" അത്യാവശ്യമാണ് ഡാറ്റ എസ്എപിയിൽ നിന്ന് ഡാറ്റ വെയർഹൗസ്. ഡാറ്റ ഒരു SAP-ന്റെ ക്ലോസ്ഡ് സിസ്റ്റത്തിന്റെ ട്രാക്ക് റെക്കോർഡ്, SAP-ൽ നിന്ന് i അതിലേക്ക് (???) എത്തിക്കുന്നത് എളുപ്പമാകാൻ സാധ്യതയില്ല. IMS, VSAM, ADABAS, ORACLE, DB2 മുതലായവ പോലെ SAP-യെ പവർ ചെയ്യുന്ന നിരവധി ലെഗസി എൻവയോൺമെന്റുകളുണ്ട്. "ഇവിടെ കണ്ടുപിടിച്ചതല്ല" എന്ന സമീപനത്തിന് SAP നിർബന്ധം പിടിക്കുന്നു. ഉപയോഗിക്കാനോ സൃഷ്ടിക്കാനോ മറ്റ് വെണ്ടർമാരുമായി സഹകരിക്കാൻ SAP ആഗ്രഹിക്കുന്നില്ല ഡാറ്റ വെയർഹൗസ്. SAP അതിന്റെ എല്ലാ സോഫ്‌റ്റ്‌വെയറുകളും സ്വയം സൃഷ്ടിക്കാൻ നിർബന്ധിക്കുന്നു.

SAP ഒരു വലുതും ശക്തവുമായ കമ്പനിയാണെങ്കിലും, ELT, OLAP, സിസ്റ്റം അഡ്മിനിസ്ട്രേഷൻ, കൂടാതെ കോർ കോഡ് എന്നിവയുടെ സാങ്കേതികവിദ്യ മാറ്റിയെഴുതാൻ ശ്രമിക്കുന്നു. dbms അത് വെറും ഭ്രാന്താണ്. വിതരണക്കാരോട് സഹകരണ മനോഭാവം സ്വീകരിക്കുന്നതിനുപകരം ഡാറ്റ വെയർഹൗസ് ദീർഘകാലമായി, "അവർക്ക് നന്നായി അറിയാം" എന്ന സമീപനമാണ് SAP പിന്തുടരുന്നത്. ഈ മനോഭാവം എസ്എപിയുടെ മേഖലയിൽ നേടിയേക്കാവുന്ന വിജയത്തെ തടസ്സപ്പെടുത്തുന്നു ഡാറ്റ വെയർഹൗസ്.
ബാഹ്യ വെണ്ടർമാരെ വേഗത്തിലും ഭംഗിയായും ആക്‌സസ് ചെയ്യാൻ അനുവദിക്കുന്നതിനുള്ള എസ്എപിയുടെ വിസമ്മതം ഡാറ്റ. എ ഉപയോഗിക്കുന്നതിന്റെ സാരം ഡാറ്റ വെയർഹൗസ് എളുപ്പത്തിലുള്ള ആക്സസ് ആണ് ഡാറ്റ. SAP-ന്റെ മുഴുവൻ ചരിത്രവും ആക്‌സസ്സ് ബുദ്ധിമുട്ടാക്കുന്നതിനെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് ഡാറ്റ.
വലിയ അളവുകൾ കൈകാര്യം ചെയ്യുന്നതിൽ SAP യുടെ അനുഭവക്കുറവ് ഡാറ്റ; മേഖലയിൽ ഡാറ്റ വെയർഹൗസ് വോള്യങ്ങൾ ഉണ്ട് ഡാറ്റ SAP ഒരിക്കലും കണ്ടിട്ടില്ല, കൂടാതെ ഈ വലിയ അളവുകൾ നിയന്ത്രിക്കാനും ഡാറ്റ നിങ്ങൾക്ക് അനുയോജ്യമായ സാങ്കേതികവിദ്യ ഉണ്ടായിരിക്കണം. ഈ മേഖലയിലേക്ക് പ്രവേശിക്കുന്നതിന് നിലനിൽക്കുന്ന ഈ സാങ്കേതിക തടസ്സത്തെക്കുറിച്ച് SAP ന് പ്രത്യക്ഷത്തിൽ അറിയില്ല ഡാറ്റ വെയർഹൗസ്.
SAP യുടെ കോർപ്പറേറ്റ് സംസ്കാരം: SAP ഒരു ബിസിനസ്സ് ഉണ്ടാക്കി ഡാറ്റ സിസ്റ്റത്തിൽ നിന്ന്. എന്നാൽ ഇത് ചെയ്യുന്നതിന് നിങ്ങൾക്ക് മറ്റൊരു മാനസികാവസ്ഥ ആവശ്യമാണ്. പരമ്പരാഗതമായി, ഒരു പരിതസ്ഥിതിയിലേക്ക് ഡാറ്റ എത്തിക്കുന്നതിൽ മികച്ച സോഫ്റ്റ്വെയർ കമ്പനികൾ മറ്റ് വഴിയിലേക്ക് ഡാറ്റ നേടുന്നതിൽ മികച്ചതായിരുന്നില്ല. ഇത്തരത്തിലുള്ള സ്വിച്ച് ഉണ്ടാക്കാൻ എസ്എപിക്ക് കഴിഞ്ഞാൽ, അങ്ങനെ ചെയ്യുന്ന ആദ്യത്തെ കമ്പനിയായിരിക്കും ഇത്.

ചുരുക്കത്തിൽ, ഒരു കമ്പനി അതിന്റെ വിതരണക്കാരനായി SAP തിരഞ്ഞെടുക്കണമോ എന്നത് സംശയാസ്പദമാണ് ഡാറ്റ വെയർഹൗസ്. ഒരു വശത്ത് വളരെ ഗുരുതരമായ അപകടസാധ്യതകളും മറുവശത്ത് വളരെ കുറച്ച് പ്രതിഫലങ്ങളും ഉണ്ട്. എന്നാൽ ഒരു വിതരണക്കാരനായി SAP തിരഞ്ഞെടുക്കുന്നത് നിരുത്സാഹപ്പെടുത്തുന്ന മറ്റൊരു കാരണമുണ്ട് ഡാറ്റ വെയർഹൗസ്. കാരണം എല്ലാ കമ്പനികൾക്കും ഒരുപോലെ വേണം ഡാറ്റ വെയർഹൗസ് മറ്റെല്ലാ കമ്പനികളുടെയും? ദി ഡാറ്റ വെയർഹൗസ് അത് മത്സര നേട്ടത്തിന്റെ ഹൃദയമാണ്. എല്ലാ കമ്പനികളും ഒരേ രീതിയാണ് സ്വീകരിച്ചതെങ്കിൽ ഡാറ്റ വെയർഹൗസ് ഒരു മത്സരാധിഷ്ഠിത നേട്ടം കൈവരിക്കുന്നത് അസാധ്യമല്ലെങ്കിലും ബുദ്ധിമുട്ടായിരിക്കും. എസ്എപി എ എന്ന് കരുതുന്നു ഡാറ്റ വെയർഹൗസ് ഇത് ഒരു കുക്കിയായി കാണാൻ കഴിയും, ഇത് അവരുടെ ആപ്ലിക്കേഷനുകളുടെ "ഡാറ്റ ഇൻ" മാനസികാവസ്ഥയുടെ മറ്റൊരു അടയാളമാണ്.

മറ്റൊരു ERP വെണ്ടറും SAP പോലെ പ്രബലമല്ല. SAP യുടെ പാത പിന്തുടരുന്ന കമ്പനികൾ ഉണ്ടായിരിക്കുമെന്നതിൽ സംശയമില്ല ഡാറ്റ വെയർഹൗസ് എന്നാൽ അനുമാനിക്കാം ഇവ ഡാറ്റ വെയർഹൗസ് SAP വലുതും ചെലവേറിയതും സൃഷ്ടിക്കാൻ സമയമെടുക്കുന്നതുമായിരിക്കും.

ഈ പരിതസ്ഥിതികളിൽ ബാങ്ക് ടെല്ലർ പ്രോസസ്സിംഗ്, എയർലൈൻ റിസർവേഷൻ പ്രക്രിയകൾ, ഇൻഷുറൻസ് ക്ലെയിം പ്രോസസുകൾ മുതലായവ ഉൾപ്പെടുന്നു. ഇടപാട് സംവിധാനം കൂടുതൽ കാര്യക്ഷമമായി പ്രവർത്തിക്കുമ്പോൾ, പ്രവർത്തന പ്രക്രിയയും ഡിഎസ്എസും (ഡിസിഷൻ സപ്പോർട്ട് സിസ്റ്റം) വേർതിരിക്കേണ്ടതിന്റെ ആവശ്യകത കൂടുതൽ വ്യക്തമാണ്. എന്നിരുന്നാലും, എച്ച്ആർ, പേഴ്‌സണൽ സിസ്റ്റങ്ങൾ ഉപയോഗിച്ച്, നിങ്ങൾക്ക് ഒരിക്കലും വലിയ അളവിലുള്ള ഇടപാടുകൾ നേരിടേണ്ടിവരില്ല. കൂടാതെ, തീർച്ചയായും, ഒരു വ്യക്തിയെ ജോലിക്കെടുക്കുകയോ കമ്പനി വിടുകയോ ചെയ്യുമ്പോൾ ഇത് ഒരു ഇടപാടിന്റെ രേഖയാണ്. എന്നാൽ മറ്റ് സിസ്റ്റങ്ങളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, എച്ച്ആർ, പേഴ്‌സണൽ സിസ്റ്റങ്ങൾക്ക് ധാരാളം ഇടപാടുകൾ ഇല്ല. അതിനാൽ, എച്ച്ആർ, പേഴ്സണൽ സിസ്റ്റങ്ങളിൽ ഒരു ഡാറ്റ വെയർഹൗസിന്റെ ആവശ്യമുണ്ടെന്ന് പൂർണ്ണമായും വ്യക്തമല്ല. പല തരത്തിൽ ഈ സംവിധാനങ്ങൾ DSS സിസ്റ്റങ്ങളുടെ സംയോജനത്തെ പ്രതിനിധീകരിക്കുന്നു.

എന്നാൽ നിങ്ങൾ ഡാറ്റ വെയർഹൗസുകളുമായും പീപ്പിൾസോഫ്റ്റുമായും ഇടപെടുകയാണെങ്കിൽ പരിഗണിക്കേണ്ട മറ്റൊരു ഘടകമുണ്ട്. പല പരിതസ്ഥിതികളിലും, ഐ ഡാറ്റ മാനുഷികവും വ്യക്തിഗതവുമായ വിഭവങ്ങൾ കമ്പനിയുടെ പ്രാഥമിക ബിസിനസ്സിന് ദ്വിതീയമാണ്. മിക്ക കമ്പനികളും നിർമ്മാണം, വിൽപ്പന, സേവനങ്ങൾ നൽകൽ തുടങ്ങിയവയിൽ ഏർപ്പെടുന്നു. ഹ്യൂമൻ റിസോഴ്‌സും പേഴ്‌സണൽ സിസ്റ്റങ്ങളും സാധാരണയായി കമ്പനിയുടെ പ്രധാന ബിസിനസ്സ് ലൈനിലേക്ക് (അല്ലെങ്കിൽ പിന്തുണയ്ക്കുന്ന) ദ്വിതീയമാണ്. അതിനാൽ, ഇത് അസന്തുലിതവും അസൗകര്യവുമാണ് ഡാറ്റ വെയർഹൗസ് ഹ്യൂമൻ റിസോഴ്‌സിനും പേഴ്‌സണൽ സപ്പോർട്ടിനും പ്രത്യേകം.

ഇക്കാര്യത്തിൽ പീപ്പിൾസോഫ്റ്റ് എസ്എപിയിൽ നിന്ന് വളരെ വ്യത്യസ്തമാണ്. എസ്എപിയിൽ, നിർബന്ധമായും ഒരു ഉണ്ട് ഡാറ്റ വെയർഹൗസ്. പീപ്പിൾസോഫ്റ്റിൽ, അത് അത്ര വ്യക്തമല്ല. പീപ്പിൾസോഫ്റ്റിൽ ഒരു ഡാറ്റ വെയർഹൗസ് ഓപ്ഷണലാണ്.

എനിക്ക് പറയാൻ കഴിയുന്ന ഏറ്റവും നല്ല കാര്യം ഡാറ്റ പീപ്പിൾസോഫ്റ്റ് അതാണ് ഡാറ്റ വെയർഹൗസ് ആർക്കൈവ് ചെയ്യുന്നതിനായി ഉപയോഗിക്കാം i ഡാറ്റ പഴയ മാനുഷികവും വ്യക്തിഗതവുമായ വിഭവങ്ങളുമായി ബന്ധപ്പെട്ട്. ഒരു കമ്പനി ഉപയോഗിക്കാൻ ആഗ്രഹിക്കുന്നതിന്റെ രണ്ടാമത്തെ കാരണം ഡാറ്റ വെയർഹൗസ് a

പീപ്പിൾസോഫ്റ്റ് പരിതസ്ഥിതിയുടെ ദോഷം, വിശകലന ടൂളുകളിലേക്കുള്ള പ്രവേശനവും സൗജന്യ ആക്‌സസും അനുവദിക്കുന്നതാണ് ഡാറ്റ പീപ്പിൾസോഫ്റ്റ്. എന്നാൽ ഈ കാരണങ്ങൾക്കപ്പുറം, ഒരു ഡാറ്റ വെയർഹൗസ് ഇല്ലാതിരിക്കുന്നതാണ് നല്ലത് ഡാറ്റ പീപ്പിൾസോഫ്റ്റ്.

ചുരുക്കത്തിൽ

ഒരു നിർമ്മാണവുമായി ബന്ധപ്പെട്ട് നിരവധി ആശയങ്ങൾ ഉണ്ട് ഡാറ്റ വെയർഹൗസ് ഒരു ERP സോഫ്‌റ്റ്‌വെയറിനുള്ളിൽ.
അവയിൽ ചിലത് ഇവയാണ്:

• ▪  ഒരു ഉണ്ടായിരിക്കുന്നതിൽ അർത്ഥമുണ്ട് ഡാറ്റ വെയർഹൗസ് അത് വ്യവസായത്തിലെ മറ്റാരെയെങ്കിലും പോലെയാണോ?
• ▪  ഒരു ERP എത്രമാത്രം വഴക്കമുള്ളതാണ് ഡാറ്റ വെയർഹൗസ് സോഫ്റ്റ്വെയർ?
• ▪  ഒരു ERP ഡാറ്റ വെയർഹൗസ് സോഫ്റ്റ്‌വെയറിന് ഒരു വോള്യം കൈകാര്യം ചെയ്യാൻ കഴിയും ഡാറ്റ എയിൽ സ്ഥിതി ചെയ്യുന്നത്ഡാറ്റ വെയർഹൗസ് അരീന"?
• ▪  സമയത്തിന്റെ അടിസ്ഥാനത്തിൽ, എളുപ്പവും ചെലവുകുറഞ്ഞതുമായ സാഹചര്യത്തിൽ ERP വെണ്ടർ ചെയ്യുന്ന ട്രേസ് റെക്കോർഡിംഗ് എന്താണ്, ഡാറ്റ? (വിലകുറഞ്ഞതും കൃത്യസമയത്ത് ഡാറ്റ ആക്സസ് ചെയ്യാൻ എളുപ്പമുള്ളതുമായ ഡെലിവറിയിലെ ERP വെണ്ടർമാരുടെ ട്രാക്ക് റെക്കോർഡ് എന്താണ്?)
• ▪  DSS ആർക്കിടെക്ചറിനെയും കോർപ്പറേറ്റ് ഇൻഫർമേഷൻ ഫാക്ടറിയെയും കുറിച്ച് ERP വെണ്ടർക്കുള്ള ധാരണ എന്താണ്?
• ▪  ഇആർപി വെണ്ടർമാർ എങ്ങനെ നേടാമെന്ന് മനസ്സിലാക്കുന്നു ഡാറ്റ പരിസ്ഥിതിക്കുള്ളിൽ, എന്നാൽ അവ എങ്ങനെ കയറ്റുമതി ചെയ്യണമെന്ന് അവർ മനസ്സിലാക്കുന്നുണ്ടോ?
• ▪  ഇആർപി വെണ്ടർ ഡാറ്റ വെയർഹൗസിംഗ് ടൂളുകളിലേക്ക് എത്രത്തോളം തുറന്നിരിക്കുന്നു?
  എവിടെ വയ്ക്കണം എന്ന് തീരുമാനിക്കുന്നതിന് ഈ പരിഗണനകളെല്ലാം നൽകണം ഡാറ്റ വെയർഹൗസ് ഐ ഹോസ്റ്റ് ചെയ്യും ഡാറ്റ ഇആർപിയുടെയും മറ്റും ഡാറ്റ. പൊതുവേ, മറ്റൊരുവിധത്തിൽ ചെയ്യാൻ ശക്തമായ കാരണമില്ലെങ്കിൽ, കെട്ടിടം ശുപാർശ ചെയ്യുന്നു ഡാറ്റ വെയർഹൗസ് ERP വെണ്ടറുടെ പരിതസ്ഥിതിക്ക് പുറത്ത്. അധ്യായം 1 BI ഓർഗനൈസേഷന്റെ പ്രധാന പോയിന്റുകളുടെ അവലോകനം:
  വിവരശേഖരണങ്ങൾ ബിസിനസ്സ് ഇന്റലിജൻസ് (BI) ആർക്കിടെക്ചറിന് വിപരീതമായി പ്രവർത്തിക്കുന്നു:
  കോർപ്പറേറ്റ് സംസ്കാരത്തിനും ഐടിക്കും ബിഐ ഓർഗനൈസേഷനുകൾ കെട്ടിപ്പടുക്കുന്നതിൽ വിജയം പരിമിതപ്പെടുത്താൻ കഴിയും.

BI ഓർഗനൈസേഷനുകൾക്ക് സാങ്കേതികവിദ്യ ഇനി പരിമിതപ്പെടുത്തുന്ന ഘടകമല്ല. ആർക്കിടെക്റ്റുകൾക്കും പ്രോജക്ട് പ്ലാനർമാർക്കും ഉള്ള ചോദ്യം സാങ്കേതികവിദ്യ നിലവിലുണ്ടോ എന്നതല്ല, ലഭ്യമായ സാങ്കേതികവിദ്യ ഫലപ്രദമായി നടപ്പിലാക്കാൻ അവർക്ക് കഴിയുമോ എന്നതാണ്.

പല കമ്പനികൾക്കും എ ഡാറ്റ വെയർഹൗസ് ഇത് വിതരണം ചെയ്യുന്ന ഒരു നിഷ്ക്രിയ നിക്ഷേപത്തേക്കാൾ അല്പം കൂടുതലാണ് ഡാറ്റ ആവശ്യമുള്ള ഉപയോക്താക്കൾക്ക്. ദി ഡാറ്റ അവ സോഴ്സ് സിസ്റ്റങ്ങളിൽ നിന്ന് വേർതിരിച്ചെടുക്കുകയും ടാർഗെറ്റ് ഘടനകളിലേക്ക് പോപ്പുലേറ്റ് ചെയ്യുകയും ചെയ്യുന്നു ഡാറ്റ വെയർഹൗസ്. ഞാൻ ഡാറ്റ ഏത് ഭാഗ്യം കൊണ്ടും അവ വൃത്തിയാക്കാനും കഴിയും. എന്നിരുന്നാലും അധിക മൂല്യം കൂട്ടിച്ചേർക്കുകയോ ശേഖരിക്കുകയോ ചെയ്യുന്നില്ല ഡാറ്റ ഈ പ്രക്രിയ സമയത്ത്.

അടിസ്ഥാനപരമായി, നിഷ്ക്രിയ Dw, ഏറ്റവും മികച്ചത്, i മാത്രം നൽകുന്നു ഡാറ്റ ശുദ്ധവും ഉപയോക്തൃ അസോസിയേഷനുകൾക്ക് പ്രവർത്തനക്ഷമവുമാണ്. വിവര സൃഷ്ടിയും വിശകലന ധാരണയും പൂർണ്ണമായും ഉപയോക്താക്കളെ ആശ്രയിച്ചിരിക്കുന്നു. DW ആണോ എന്ന് തീരുമാനിക്കുക (ഡാറ്റ വെയർഹ house സ്) ഒരു വിജയം ആത്മനിഷ്ഠമാണ്. കാര്യക്ഷമമായി ശേഖരിക്കാനും സംയോജിപ്പിക്കാനും വൃത്തിയാക്കാനുമുള്ള കഴിവിലാണ് ഞങ്ങൾ വിജയത്തെ വിലയിരുത്തുന്നതെങ്കിൽ ഡാറ്റ പ്രവചിക്കാവുന്ന അടിസ്ഥാനത്തിൽ കോർപ്പറേറ്റ്, അപ്പോൾ അതെ, DW ഒരു വിജയമാണ്. മറുവശത്ത്, സംഘടന മൊത്തത്തിൽ വിവരശേഖരണം, ഏകീകരണം, ചൂഷണം എന്നിവ നോക്കുകയാണെങ്കിൽ, ഡി.ഡബ്ല്യു. ഒരു ഡിഡബ്ല്യു വിവര മൂല്യം കുറവാണ്. തൽഫലമായി, ഉപയോക്താക്കൾ അത് ചെയ്യാൻ നിർബന്ധിതരാകുന്നു, അങ്ങനെ വിവര സിലോകൾ സൃഷ്ടിക്കുന്നു. കമ്പനിയുടെ ബിഐ (ബിസിനസ് ഇന്റലിജൻസ്) ആർക്കിടെക്ചറിനെ സംഗ്രഹിക്കുന്നതിനുള്ള സമഗ്രമായ കാഴ്ചപ്പാടാണ് ഈ അധ്യായം അവതരിപ്പിക്കുന്നത്. ഞങ്ങൾ BI-യുടെ ഒരു വിവരണത്തോടെ ആരംഭിക്കുന്നു, തുടർന്ന് വിവരങ്ങൾ നൽകുന്നതിന് വിപരീതമായി വിവര രൂപകൽപ്പനയുടെയും വികസനത്തിന്റെയും ചർച്ചകളിലേക്ക് നീങ്ങുന്നു. ഡാറ്റ ഉപയോക്താക്കൾക്ക്. നിങ്ങളുടെ ബിഐ ശ്രമങ്ങളുടെ മൂല്യം കണക്കാക്കുന്നതിൽ ചർച്ചകൾ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. നിങ്ങളുടെ ഓർഗനൈസേഷന്റെ BI വാസ്തുവിദ്യാ ആവശ്യകതകളെ IBM എങ്ങനെ അഭിസംബോധന ചെയ്യുന്നു എന്ന് നിർവചിച്ചുകൊണ്ടാണ് ഞങ്ങൾ അവസാനിപ്പിക്കുന്നത്.

വാസ്തുവിദ്യയുടെ വിവരണം BI സംഘടന

ലോകമെമ്പാടുമുള്ള കോർപ്പറേഷനുകളുടെ കളിസ്ഥലത്തെ ഫലപ്രദമായി സമനിലയിലാക്കുന്ന, എല്ലാ വലിയ സംരംഭങ്ങളിലും ശക്തമായ ഇടപാട് അടിസ്ഥാനമാക്കിയുള്ള വിവര സംവിധാനങ്ങൾ ഇപ്പോൾ സാധാരണമാണ്.

എന്നിരുന്നാലും, മത്സരാധിഷ്ഠിതമായി തുടരുന്നതിന്, ഇപ്പോൾ തങ്ങളുടെ കൈവശമുള്ള വിവരങ്ങൾ വീണ്ടും കണ്ടെത്താനും ഉപയോഗിക്കാനുമുള്ള കമ്പനിയുടെ കഴിവിൽ വിപ്ലവം സൃഷ്ടിക്കാൻ കഴിയുന്ന വിശകലനപരമായ അധിഷ്ഠിത സംവിധാനങ്ങൾ ആവശ്യമാണ്. ഈ വിശകലന സംവിധാനങ്ങൾ സമ്പന്നത മനസ്സിലാക്കുന്നതിൽ നിന്ന് ഉരുത്തിരിഞ്ഞതാണ് ഡാറ്റ ലഭ്യമാണ്. എന്റർപ്രൈസസിൽ ഉടനീളം പ്രകടനം മെച്ചപ്പെടുത്താൻ ബിഐക്ക് കഴിയും. കമ്പനികൾക്ക് ഉപഭോക്തൃ-വിതരണ ബന്ധങ്ങൾ മെച്ചപ്പെടുത്താനും ഉൽപ്പന്നങ്ങളുടെയും സേവനങ്ങളുടെയും ലാഭക്ഷമത മെച്ചപ്പെടുത്താനും പുതിയതും മികച്ചതുമായ ഓഫറുകൾ സൃഷ്ടിക്കാനും അപകടസാധ്യത നിയന്ത്രിക്കാനും മറ്റ് നേട്ടങ്ങൾക്കൊപ്പം ചെലവുകൾ നാടകീയമായി കുറയ്ക്കാനും കഴിയും. വിപണി ലക്ഷ്യങ്ങളുള്ള ആപ്ലിക്കേഷനുകൾക്ക് നന്ദി, ബിഐ ഉപയോഗിച്ച് നിങ്ങളുടെ കമ്പനി ഉപഭോക്തൃ വിവരങ്ങൾ ഒരു മത്സര ആസ്തിയായി ഉപയോഗിക്കാൻ തുടങ്ങുന്നു.

ശരിയായ ബിസിനസ്സ് ഉപകരണങ്ങൾ ഉണ്ടായിരിക്കുക എന്നതിനർത്ഥം ഇനിപ്പറയുന്നതുപോലുള്ള പ്രധാന ചോദ്യങ്ങൾക്ക് കൃത്യമായ ഉത്തരങ്ങൾ ഉണ്ടായിരിക്കുക എന്നാണ്:

• ▪  ഞങ്ങളുടേത് ഉപഭോക്താക്കൾക്ക് അവർ ഞങ്ങളെ കൂടുതൽ സമ്പാദിക്കുന്നുണ്ടോ, അതോ പണം നഷ്ടപ്പെടുത്തുമോ?
• ▪  ഞങ്ങളുടെ ഏറ്റവും മികച്ച താമസസ്ഥലം ഉപഭോക്താക്കൾക്ക് ബന്ധപ്പെട്ട് കട/ അവർ പതിവായി പോകുന്ന വെയർഹൗസ്?
• ▪  ഞങ്ങളുടെ ഉൽപ്പന്നങ്ങളും സേവനങ്ങളും ഏറ്റവും ഫലപ്രദമായി വിൽക്കാൻ കഴിയുന്നത് ആർക്കാണ്?
• ▪  ഏത് ഉൽപ്പന്നങ്ങളാണ് ഏറ്റവും ഫലപ്രദമായി വിൽക്കാൻ കഴിയുക, ആർക്ക്?
• ▪  ഏത് വിൽപ്പന കാമ്പെയ്‌നാണ് ഏറ്റവും വിജയിച്ചത്, എന്തുകൊണ്ട്?
• ▪  ഏത് ഉൽപ്പന്നങ്ങൾക്ക് ഏതൊക്കെ വിൽപ്പന ചാനലുകളാണ് ഏറ്റവും ഫലപ്രദം?
• ▪  നമ്മുടെ മികച്ച ആളുകളുമായുള്ള ബന്ധം എങ്ങനെ മെച്ചപ്പെടുത്താം ഉപഭോക്താക്കൾക്ക്? മിക്ക കമ്പനികൾക്കും ഉണ്ട് ഡാറ്റ ഈ ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാനുള്ള പരുക്കൻ വഴികൾ.
  പ്രവർത്തന സംവിധാനങ്ങൾ വലിയ അളവിലുള്ള ഉൽപ്പന്നം, ഉപഭോക്താവ് എന്നിവ സൃഷ്ടിക്കുന്നു ഡാറ്റ വിൽപ്പന പോയിന്റുകൾ, റിസർവേഷനുകൾ, ഉപഭോക്തൃ സേവനം, സാങ്കേതിക പിന്തുണാ സംവിധാനങ്ങൾ എന്നിവയിൽ നിന്നുള്ള വിപണി. ഈ വിവരങ്ങൾ എക്‌സ്‌ട്രാക്റ്റുചെയ്‌ത് ചൂഷണം ചെയ്യുക എന്നതാണ് വെല്ലുവിളി. പല കമ്പനികളും അവരുടെ ചെറിയ അംശങ്ങളിൽ നിന്ന് മാത്രമാണ് ലാഭം നേടുന്നത് ഡാറ്റ തന്ത്രപരമായ വിശകലനങ്ങൾക്കായി.
  I ഡാറ്റ അവശേഷിക്കുന്നത്, പലപ്പോഴും ഐയുമായി ചേരുന്നു ഡാറ്റ ഗവൺമെന്റ് റിപ്പോർട്ടുകളും മറ്റ് വാങ്ങിയ വിവരങ്ങളും പോലുള്ള ബാഹ്യ സ്രോതസ്സുകളിൽ നിന്ന് ഉരുത്തിരിഞ്ഞത്, പര്യവേക്ഷണത്തിനായി കാത്തിരിക്കുന്ന ഒരു സ്വർണ്ണ ഖനിയാണ്, കൂടാതെ ഡാറ്റ നിങ്ങളുടെ ഓർഗനൈസേഷന്റെ വിവര പശ്ചാത്തലത്തിൽ അവ പരിഷ്കരിക്കേണ്ടതുണ്ട്.

മൊത്തത്തിലുള്ള ഒരു കോർപ്പറേറ്റ് തന്ത്രം രൂപപ്പെടുത്തുന്നത് മുതൽ വിതരണക്കാരുമായുള്ള വ്യക്തിഗത ആശയവിനിമയം വരെ, കോൾ സെന്ററുകൾ വഴി, ഇൻവോയ്‌സിംഗ്, എന്നിങ്ങനെ പല തരത്തിൽ ഈ അറിവ് പ്രയോഗിക്കാൻ കഴിയും. ഇന്റർനെറ്റ് മറ്റ് പോയിന്റുകളും. ഇന്നത്തെ ബിസിനസ്സ് അന്തരീക്ഷം ഡിഡബ്ല്യുവും അനുബന്ധ ബിഐ സൊല്യൂഷനുകളും പരമ്പരാഗത ബിസിനസ്സ് ഘടനകൾ പ്രവർത്തിപ്പിക്കുന്നതിനുമപ്പുറം വികസിക്കുന്നു. ഡാറ്റ ഏത് ഐ ഡാറ്റ ആറ്റോമിക് തലത്തിലും "നക്ഷത്രം/ക്യൂബ് ഫാമുകളിലും" നോർമലൈസ് ചെയ്തു.

മത്സരാധിഷ്ഠിതമായി നിലകൊള്ളാൻ വേണ്ടത് പരമ്പരാഗതവും നൂതനവുമായ സാങ്കേതിക വിദ്യകളുടെ സംയോജനമാണ്.
ഉപസംഹാരമായി, പൊതുവായ അന്തരീക്ഷം കമ്പനിയുടെ മൊത്തത്തിലുള്ള അറിവ് മെച്ചപ്പെടുത്തണം, നടത്തിയ വിശകലനങ്ങളുടെ ഫലമായി എടുത്ത പ്രവർത്തനങ്ങൾ ഉപയോഗപ്രദമാണെന്ന് ഉറപ്പാക്കുകയും എല്ലാവർക്കും പ്രയോജനം നേടുകയും വേണം.

ഉദാഹരണത്തിന്, നിങ്ങളുടേത് തരംതിരിക്കുക ഉപഭോക്താക്കൾക്ക് ഉയർന്നതോ കുറഞ്ഞതോ ആയ അപകടസാധ്യതയുള്ള വിഭാഗങ്ങളായി.
ഈ വിവരങ്ങൾ ഒരു മോഡൽ എക്‌സ്‌ട്രാക്‌ടറോ മറ്റ് മാർഗങ്ങളോ ഉപയോഗിച്ച് സൃഷ്‌ടിച്ചതാണെങ്കിൽ, അത് DW-ൽ ഉൾപ്പെടുത്തുകയും സ്റ്റാറ്റിക് റിപ്പോർട്ടുകൾ, സ്‌പ്രെഡ്‌ഷീറ്റുകൾ, ടേബിളുകൾ അല്ലെങ്കിൽ ഓൺലൈൻ അനലിറ്റിക്കൽ പ്രോസസ്സിംഗ് (OLAP) പോലുള്ള ഏതെങ്കിലും ആക്‌സസ് ടൂൾ മുഖേന ആർക്കും ആക്‌സസ് ചെയ്യാവുന്നതാക്കുകയും വേണം. .

എന്നിരുന്നാലും, നിലവിൽ, ഇത്തരത്തിലുള്ള വിവരങ്ങളിൽ ഭൂരിഭാഗവും സിലോസിൽ അവശേഷിക്കുന്നു ഡാറ്റ വിശകലനം സൃഷ്ടിക്കുന്ന വ്യക്തികളുടെയോ വകുപ്പുകളുടെയോ. ഓർഗനൈസേഷന് മൊത്തത്തിൽ, മനസ്സിലാക്കാനുള്ള ദൃശ്യപരത കുറവാണ് അല്ലെങ്കിൽ ഇല്ല. നിങ്ങളുടെ എന്റർപ്രൈസ് DW-യിൽ ഇത്തരത്തിലുള്ള വിവര ഉള്ളടക്കം സംയോജിപ്പിക്കുന്നതിലൂടെ മാത്രമേ നിങ്ങൾക്ക് വിവര ശൂന്യത ഇല്ലാതാക്കാനും നിങ്ങളുടെ DW പരിതസ്ഥിതി ഉയർത്താനും കഴിയൂ.
ഒരു ബിഐ ഓർഗനൈസേഷൻ വികസിപ്പിക്കുന്നതിന് രണ്ട് പ്രധാന തടസ്സങ്ങളുണ്ട്.
ഒന്നാമതായി, ഞങ്ങൾക്ക് സംഘടനയുടെ തന്നെയും അതിന്റെ അച്ചടക്കത്തിന്റെയും പ്രശ്നമുണ്ട്.
ഓർഗനൈസേഷണൽ പോളിസി മാറ്റങ്ങളിൽ ഞങ്ങൾക്ക് സഹായിക്കാനാകില്ലെങ്കിലും, ഒരു ഓർഗനൈസേഷന്റെ ബിഐയുടെ ഘടകങ്ങൾ, അതിന്റെ ആർക്കിടെക്ചർ, ഐബിഎം സാങ്കേതികവിദ്യ അതിന്റെ വികസനം എങ്ങനെ സുഗമമാക്കുന്നു എന്നിവ മനസ്സിലാക്കാൻ ഞങ്ങൾക്ക് സഹായിക്കാനാകും.
മറികടക്കാനുള്ള രണ്ടാമത്തെ തടസ്സം, സംയോജിത സാങ്കേതികവിദ്യയുടെ അഭാവവും ഒരു ചെറിയ ഘടകത്തിന് വിരുദ്ധമായി മുഴുവൻ BI സ്ഥലവും ഉൾക്കൊള്ളുന്ന ഒരു രീതിയെക്കുറിച്ചുള്ള അറിവുമാണ്.

ഇന്റഗ്രേഷൻ ടെക്‌നോളജിയിലെ മാറ്റങ്ങളുമായി ഐബിഎം പിടിമുറുക്കുന്നു. ചിന്തനീയമായ ഡിസൈൻ നൽകേണ്ടത് നിങ്ങളുടെ ഉത്തരവാദിത്തമാണ്. ഈ വാസ്തുവിദ്യ വികസിപ്പിച്ചെടുക്കേണ്ടത് അനിയന്ത്രിതമായ സംയോജനത്തിനായി തിരഞ്ഞെടുത്ത സാങ്കേതികവിദ്യ ഉപയോഗിച്ചോ അല്ലെങ്കിൽ ഏറ്റവും ചുരുങ്ങിയത്, തുറന്ന മാനദണ്ഡങ്ങൾ പാലിക്കുന്ന സാങ്കേതികവിദ്യ ഉപയോഗിച്ചോ ആയിരിക്കണം. കൂടാതെ, നിങ്ങളുടെ കമ്പനി മാനേജ്‌മെന്റ്, ബിഐ ഏറ്റെടുക്കൽ പ്ലാൻ അനുസരിച്ചാണെന്നും സ്വയം സേവിക്കുന്ന അജണ്ടകളിൽ നിന്നോ ലക്ഷ്യങ്ങളിൽ നിന്നോ ഉണ്ടാകുന്ന വിവര സിലോകളുടെ വികസനം അനുവദിക്കുന്നില്ലെന്നും ഉറപ്പാക്കണം.
വ്യത്യസ്‌ത ഉപയോക്താക്കളുടെ വിവിധ ആവശ്യങ്ങളോടും ആവശ്യങ്ങളോടും പ്രതികരിക്കാൻ ബിഐ പരിതസ്ഥിതി സംവേദനക്ഷമമല്ലെന്ന് ഇതിനർത്ഥമില്ല; പകരം, ആ വ്യക്തിഗത ആവശ്യങ്ങളും ആവശ്യകതകളും നടപ്പിലാക്കുന്നത് മുഴുവൻ BI ഓർഗനൈസേഷന്റെയും പ്രയോജനത്തിനായി ചെയ്യുന്നു എന്നാണ്.
ബിഐ ഓർഗനൈസേഷൻ ആർക്കിടെക്ചറിന്റെ ഒരു വിവരണം ചിത്രം 9-ൽ പേജ് 1.1-ൽ കാണാം.സാങ്കേതികവിദ്യകളുടെയും സാങ്കേതികതകളുടെയും സമ്പന്നമായ സംയോജനമാണ് ആർക്കിടെക്ചർ കാണിക്കുന്നത്.
പരമ്പരാഗത വീക്ഷണത്തിൽ, വാസ്തുവിദ്യയിൽ ഇനിപ്പറയുന്ന വെയർഹൗസ് ഘടകങ്ങൾ ഉൾപ്പെടുന്നു

ആറ്റോമിക് പാളി.

ഇതാണ് അടിസ്ഥാനം, മുഴുവൻ DW യുടെയും ഹൃദയവും അതിനാൽ തന്ത്രപരമായ റിപ്പോർട്ടിംഗും.
I ഡാറ്റ ഇവിടെ സൂക്ഷിക്കുന്നത് ചരിത്രപരമായ സമഗ്രതയും ബന്ധങ്ങളും നിലനിർത്തും ഡാറ്റ കൂടാതെ വേർതിരിച്ചെടുത്ത മോഡലുകൾ ഉപയോഗിച്ച് ശുദ്ധീകരിക്കുകയും സംയോജിപ്പിക്കുകയും സംഭരിക്കുകയും ചെയ്യുന്നു.
ഇവയുടെ എല്ലാ തുടർന്നുള്ള ഉപയോഗവും ഡാറ്റ ബന്ധപ്പെട്ട വിവരങ്ങൾ ഈ ഘടനയിൽ നിന്ന് ഉരുത്തിരിഞ്ഞതാണ്. ഖനനത്തിനുള്ള മികച്ച ഉറവിടമാണിത് ഡാറ്റ ഘടനാപരമായ SQL ചോദ്യങ്ങളുള്ള റിപ്പോർട്ടുകൾക്കും

യുടെ പ്രവർത്തന ഡിപ്പോ ഡാറ്റ അല്ലെങ്കിൽ അടിസ്ഥാനമാക്കി റിപ്പോർട്ട് ചെയ്യുക ഡാറ്റ(ഓപ്പറേഷണൽ ഡാറ്റ സ്റ്റോർ (ODS) അല്ലെങ്കിൽ റിപ്പോർട്ടിംഗ് ഡാറ്റാബേസ്.)

ഇത് ഒരു ഘടനയാണ് ഡാറ്റ സാങ്കേതിക റിപ്പോർട്ടിംഗിനായി പ്രത്യേകം രൂപകൽപ്പന ചെയ്‌തിരിക്കുന്നു.

I ഡാറ്റ ഈ ഘടനകൾക്ക് മുകളിൽ സംഭരിക്കുകയും റിപ്പോർട്ടുചെയ്യുകയും ചെയ്താൽ, സ്റ്റേജിംഗ് ഏരിയ വഴി വെയർഹൗസിലേക്ക് ഒടുവിൽ പ്രചരിപ്പിക്കാൻ കഴിയും, അവിടെ അത് തന്ത്രപരമായ സിഗ്നലിങ്ങിനായി ഉപയോഗിക്കാം.

സ്റ്റേജിംഗ് ഏരിയ.

മിക്കവർക്കും ആദ്യ സ്റ്റോപ്പ് ഡാറ്റ വെയർഹൗസ് പരിതസ്ഥിതിക്കായി ഉദ്ദേശിച്ചിട്ടുള്ളതാണ് ഓർഗനൈസേഷൻ ഏരിയ.
ഇവിടെ ഞാൻ ഡാറ്റ അവ സംയോജിപ്പിച്ച് വൃത്തിയാക്കി രൂപാന്തരപ്പെടുന്നു ഡാറ്റ ലാഭം വെയർഹൗസ് ഘടനയെ ജനകീയമാക്കും

ഡാറ്റ മാർട്ടുകൾ.

വാസ്തുവിദ്യയുടെ ഈ ഭാഗം അതിന്റെ ഘടനയെ പ്രതിനിധീകരിക്കുന്നു ഡാറ്റ OLAP-ന് പ്രത്യേകം ഉപയോഗിക്കുന്നു. ഡാറ്റാമാർട്ടുകളുടെ സാന്നിധ്യം, ഐ ഡാറ്റ ഓവർലാപ്പുചെയ്യുന്ന നക്ഷത്ര സ്കീമകളിൽ സംഭരിച്ചിരിക്കുന്നു ഡാറ്റ ഒരു റിലേഷണൽ പരിതസ്ഥിതിയിൽ അല്ലെങ്കിൽ ഫയലുകളിൽ ബഹുമുഖം ഡാറ്റ DB2 OLAP സെർവർ പോലുള്ള നിർദ്ദിഷ്‌ട OLAP സാങ്കേതികവിദ്യ ഉപയോഗിക്കുന്ന രഹസ്യാത്മകത പ്രസക്തമല്ല.

വാസ്തുവിദ്യ ഉപയോഗിക്കുന്നതിന് സൗകര്യമൊരുക്കുന്നു എന്നതാണ് ഏക തടസ്സം ഡാറ്റ ബഹുമുഖം.
വാസ്തുവിദ്യയിൽ നിർണായക BI സാങ്കേതികവിദ്യകളും സാങ്കേതികതകളും ഉൾപ്പെടുന്നു:

സ്പേഷ്യൽ വിശകലനം

സ്‌പേസ് അനലിസ്റ്റിന് ഒരു വിവര വിൻഡ്‌ഫാൾ ആണ്, മാത്രമല്ല റെസല്യൂഷൻ പൂർത്തിയാക്കാൻ അത് നിർണായകവുമാണ്. ബഹിരാകാശത്തിന് ഒരു പ്രത്യേക സ്ഥലത്ത് താമസിക്കുന്ന ആളുകളെ കുറിച്ചുള്ള വിവരങ്ങളും അതുപോലെ തന്നെ ആ സ്ഥാനം ലോകത്തിന്റെ മറ്റു ഭാഗങ്ങളുമായി ഭൗതികമായി ആപേക്ഷികമായി എവിടെയാണെന്നതിനെക്കുറിച്ചുള്ള വിവരങ്ങളും പ്രതിനിധീകരിക്കാൻ കഴിയും.

ഈ വിശകലനം നടത്താൻ, നിങ്ങളുടെ വിവരങ്ങൾ അക്ഷാംശ, രേഖാംശ കോർഡിനേറ്റുകളുമായി ബന്ധിപ്പിച്ചുകൊണ്ട് ആരംഭിക്കണം. ഇതിനെ "ജിയോകോഡിംഗ്" എന്ന് വിളിക്കുന്നു, നിങ്ങളുടെ വെയർഹൗസിന്റെ ആറ്റോമിക് തലത്തിൽ എക്സ്ട്രാക്റ്റ്, ട്രാൻസ്ഫോർമേഷൻ, ലോഡ് (ഇടിഎൽ) പ്രക്രിയയുടെ ഭാഗമായിരിക്കണം.

ഡാറ്റ മൈനിംഗ്.

എന്ന എക്സ്ട്രാക്ഷൻ ഡാറ്റ ഞങ്ങളുടെ കമ്പനികളുടെ എണ്ണം വർദ്ധിപ്പിക്കാൻ അനുവദിക്കുന്നു ഉപഭോക്താക്കൾക്ക്, വിൽപ്പന പ്രവണതകൾ പ്രവചിക്കാനും ബന്ധങ്ങളുടെ മാനേജ്മെന്റ് അനുവദിക്കാനും ഉപഭോക്താക്കൾക്ക് (CRM), മറ്റ് BI സംരംഭങ്ങൾക്കിടയിൽ.

എന്ന എക്സ്ട്രാക്ഷൻ ഡാറ്റ അതിനാൽ ഇത് ഘടനകളുമായി സംയോജിപ്പിച്ചിരിക്കണം ഡാറ്റ സാങ്കേതികവിദ്യയുടെയും അനുബന്ധ സാങ്കേതിക വിദ്യകളുടെയും ഫലപ്രദവും കാര്യക്ഷമവുമായ ഉപയോഗം ഉറപ്പാക്കുന്നതിന് DWhouse-ന്റെയും വെയർഹൗസ് പ്രക്രിയകളുടെ പിന്തുണയോടെയും.

BI ആർക്കിടെക്ചറിൽ സൂചിപ്പിച്ചിരിക്കുന്നതുപോലെ, Dwhouse ന്റെ ആറ്റോമിക് ലെവലും ഡാറ്റാമാർട്ടുകളും ഒരു മികച്ച ഉറവിടമാണ്. ഡാറ്റ വേർതിരിച്ചെടുക്കാൻ. വിശാലമായ പ്രേക്ഷകർക്ക് ലഭ്യത ഉറപ്പാക്കാൻ അതേ സൗകര്യങ്ങൾ എക്‌സ്‌ട്രാക്ഷൻ ഫലങ്ങളുടെ സ്വീകർത്താക്കളായിരിക്കണം.

ഏജന്റുമാർ.

കമ്പനിയുടെ ഓപ്പറേറ്റിംഗ് സിസ്റ്റങ്ങൾ, dw എന്നിവ പോലെയുള്ള എല്ലാ പോയിന്റുകൾക്കും ഉപഭോക്താവിനെ പരിശോധിക്കാൻ വിവിധ "ഏജൻറുമാർ" ഉണ്ട്. ഈ ഏജന്റുമാർക്ക് ഓരോ പോയിന്റിലെയും ട്രെൻഡുകളെക്കുറിച്ച് പഠിക്കാൻ പരിശീലിപ്പിച്ച വിപുലമായ ന്യൂറൽ നെറ്റ്‌വർക്കുകളാകാം, അതായത് വിൽപ്പന പ്രമോഷനുകളെ അടിസ്ഥാനമാക്കിയുള്ള ഭാവി ഉൽപ്പന്ന ആവശ്യകത, ഒരു നിയമത്തോട് പ്രതികരിക്കാനുള്ള നിയമാധിഷ്ഠിത എഞ്ചിനുകൾ. ഡാറ്റോ സാഹചര്യങ്ങളുടെ ഒരു കൂട്ടം, അല്ലെങ്കിൽ "മുതിർന്ന എക്സിക്യൂട്ടീവുകൾക്ക്" ഒഴിവാക്കലുകൾ റിപ്പോർട്ട് ചെയ്യുന്ന ലളിതമായ ഏജന്റുമാർ പോലും. ഈ പ്രക്രിയകൾ സാധാരണയായി തത്സമയം സംഭവിക്കുന്നു, അതിനാൽ അവയുടെ ചലനവുമായി അടുത്ത് ബന്ധിപ്പിച്ചിരിക്കണം ഡാറ്റ. ഈ എല്ലാ ഘടനകളും ഡാറ്റ, നിങ്ങളുടെ BI-യുടെ ഒരു ഓർഗനൈസേഷൻ സൃഷ്ടിക്കുന്നതിനായി നിങ്ങൾ രാത്രി ചെലവഴിക്കില്ലെന്ന് സാങ്കേതികവിദ്യകളും സാങ്കേതികതകളും ഉറപ്പുനൽകുന്നു.

ചെറിയ പോയിന്റുകൾക്കായി ഈ പ്രവർത്തനം വർദ്ധിപ്പിച്ച ഘട്ടങ്ങളിൽ വികസിപ്പിക്കും.
ഓരോ ഘട്ടവും ഒരു സ്വതന്ത്ര പ്രോജക്റ്റ് പ്രയത്നമാണ്, നിങ്ങളുടെ DW അല്ലെങ്കിൽ BI സംരംഭത്തിലെ ഒരു ആവർത്തനമായി ഇതിനെ പരാമർശിക്കുന്നു. ആവർത്തനങ്ങളിൽ പുതിയ സാങ്കേതിക വിദ്യകൾ നടപ്പിലാക്കുന്നതും പുതിയ സാങ്കേതിക വിദ്യകളിൽ തുടങ്ങി പുതിയ ഘടനകൾ ചേർക്കുന്നതും ഉൾപ്പെടാം ഡാറ്റ , ലോഡ് ചെയ്യുന്നു ഐ ഡാറ്റ അധികമായോ, അല്ലെങ്കിൽ നിങ്ങളുടെ പരിസ്ഥിതിയുടെ വിശകലനത്തിന്റെ വികാസത്തോടുകൂടിയോ. ഈ ഖണ്ഡിക 3-ാം അധ്യായത്തിൽ കൂടുതൽ ആഴത്തിൽ ചർച്ചചെയ്യുന്നു.

പരമ്പരാഗത DW ഘടനകൾക്കും BI ടൂളുകൾക്കും പുറമേ, നിങ്ങളുടെ BI ഓർഗനൈസേഷന്റെ മറ്റ് ഫംഗ്‌ഷനുകൾ നിങ്ങൾ രൂപകൽപ്പന ചെയ്യേണ്ടതുണ്ട്, ഇനിപ്പറയുന്നവ:

കസ്റ്റമർ ടച്ച് പോയിന്റുകൾ (കസ്റ്റമർ ടച്ച് പോയിന്റുകൾ).

ഏതൊരു ആധുനിക ഓർഗനൈസേഷനിലെയും പോലെ, നിങ്ങൾക്ക് എങ്ങനെ ഒരു നല്ല അനുഭവം നേടാമെന്ന് സൂചിപ്പിക്കുന്ന നിരവധി ഉപഭോക്തൃ ടച്ച് പോയിന്റുകൾ ഉണ്ട് ഉപഭോക്താക്കൾക്ക്. റീട്ടെയിലർമാർ, സ്വിച്ച്ബോർഡ് ഓപ്പറേറ്റർമാർ, ഡയറക്ട് മെയിൽ, മൾട്ടിമീഡിയ, പ്രിന്റ് പരസ്യം ചെയ്യൽ തുടങ്ങിയ പരമ്പരാഗത ചാനലുകളും ഇമെയിലും വെബും പോലെയുള്ള നിലവിലെ ചാനലുകളും ഉണ്ട്. ഡാറ്റ ഏതെങ്കിലും തരത്തിലുള്ള സമ്പർക്കം പുലർത്തുന്ന ഉൽപ്പന്നങ്ങൾ ഏറ്റെടുക്കണം, കൊണ്ടുപോകണം, വൃത്തിയാക്കണം, പ്രോസസ്സ് ചെയ്യണം, തുടർന്ന് സൗകര്യങ്ങളിൽ താമസിപ്പിക്കണം ഡാറ്റ ബിഐയുടെ.

അടിസ്ഥാനങ്ങൾ ഡാറ്റ പ്രവർത്തന, ഉപയോക്തൃ അസോസിയേഷനുകൾ (ഓപ്പറേഷണൽ

ഡാറ്റാബേസുകളും ഉപയോക്തൃ കമ്മ്യൂണിറ്റികളും).
കോൺടാക്റ്റ് പോയിന്റുകളുടെ അവസാനം ഉപഭോക്താക്കൾക്ക് യുടെ അടിസ്ഥാനങ്ങൾ കണ്ടെത്തി ഡാറ്റ കമ്പനിയുടെ ആപ്ലിക്കേഷന്റെയും ഉപയോക്തൃ കമ്മ്യൂണിറ്റികളുടെയും. ദി ഡാറ്റ നിലവിലുള്ളവയാണ് ഡാറ്റ പരമ്പരാഗതമായത് ഒരുമിച്ച് കൊണ്ടുവരുകയും ലയിപ്പിക്കുകയും വേണം ഡാറ്റ ആവശ്യമായ വിവരങ്ങൾ തൃപ്തിപ്പെടുത്താൻ കോൺടാക്റ്റ് പോയിന്റുകളിൽ നിന്ന് ഒഴുകുന്നു.

വിശകലന വിദഗ്ധർ. (അനലിസ്റ്റുകൾ)

BI പരിതസ്ഥിതിയുടെ പ്രാഥമിക ഗുണഭോക്താവ് അനലിസ്റ്റാണ്. നിലവിലെ എക്‌സ്‌ട്രാക്‌ഷനിൽ നിന്ന് പ്രയോജനം നേടുന്നത് അവനാണ് ഡാറ്റ പ്രവർത്തനക്ഷമമായ, വിവിധ ഉറവിടങ്ങളുമായി സംയോജിപ്പിച്ചിരിക്കുന്നു ഡാറ്റ , ജിയോഗ്രാഫിക് അനാലിസിസ് (ജിയോകോഡിംഗ്) പോലുള്ള സവിശേഷതകൾ ഉപയോഗിച്ച് വർദ്ധിപ്പിച്ച്, എക്സ്ട്രാക്ഷൻ, OLAP, അഡ്വാൻസ്ഡ് SQL റിപ്പോർട്ടിംഗ്, ഭൂമിശാസ്ത്രപരമായ വിശകലനം എന്നിവ പ്രാപ്തമാക്കുന്ന BI സാങ്കേതികവിദ്യകളിൽ അവതരിപ്പിച്ചിരിക്കുന്നു. റിപ്പോർട്ടിംഗ് പരിതസ്ഥിതിക്കുള്ള പ്രാഥമിക അനലിസ്റ്റ് ഇന്റർഫേസ് BI പോർട്ടലാണ്.

എന്നിരുന്നാലും, BI ആർക്കിടെക്ചറിൽ നിന്ന് പ്രയോജനം ലഭിക്കുന്നത് അനലിസ്റ്റ് മാത്രമല്ല.
മാനേജർമാർ, വലിയ ഉപയോക്തൃ അസോസിയേഷനുകൾ, അംഗങ്ങൾ, വിതരണക്കാർ എന്നിവരും ഉപഭോക്താക്കൾക്ക് എന്റർപ്രൈസ് ബിഐയിൽ അവർ ആനുകൂല്യങ്ങൾ കണ്ടെത്തണം.

ബാക്ക്-ഫീഡ് ലൂപ്പ്.

ബിഐ ആർക്കിടെക്ചർ ഒരു പഠന അന്തരീക്ഷമാണ്. വികസനത്തിന്റെ ഒരു സ്വഭാവ തത്വം സ്ഥിരമായ ഘടനകളെ അനുവദിക്കുക എന്നതാണ് ഡാറ്റ ഉപയോഗിക്കുന്ന BI സാങ്കേതികവിദ്യയും ഉപയോക്താവ് സ്വീകരിച്ച നടപടികളും വഴി അപ്‌ഡേറ്റ് ചെയ്യണം. ഉപഭോക്തൃ സ്കോറിംഗ് ഒരു ഉദാഹരണമാണ്.

ഒരു പുതിയ സേവനം ഉപയോഗിക്കുന്നതിന് സെയിൽസ് ഡിപ്പാർട്ട്മെന്റ് ഉപഭോക്തൃ സ്‌കോറുകൾ മാതൃകയാക്കുകയാണെങ്കിൽ, സേവനത്തിൽ നിന്ന് പ്രയോജനം നേടുന്ന ഒരേയൊരു ഗ്രൂപ്പ് സെയിൽസ് ഡിപ്പാർട്ട്‌മെന്റ് ആയിരിക്കരുത്.

പകരം, എന്റർപ്രൈസിനുള്ളിലെ ഡാറ്റാ ഫ്ലോയുടെ സ്വാഭാവിക ഭാഗമായി മോഡൽ എക്‌സ്‌ട്രാക്‌ഷൻ നടത്തുകയും ഉപഭോക്തൃ സ്‌കോറുകൾ എല്ലാ ഉപയോക്താക്കൾക്കും ദൃശ്യമാകുന്ന വെയർഹൗസ് വിവര സന്ദർഭത്തിന്റെ ഒരു സംയോജിത ഘടകമായി മാറുകയും വേണം. IBM-ന്റെ Bi-bI-കേന്ദ്രീകൃത സ്യൂട്ടിൽ DB2 UDB, DB2 OLAP സെർവർ, ചിത്രം 1.1-ൽ നിർവചിച്ചിരിക്കുന്ന മിക്ക പ്രധാന സാങ്കേതിക ഘടകങ്ങളും ഉൾക്കൊള്ളുന്നു.

പുസ്‌തകത്തിൽ നിന്നുള്ള ഈ ചിത്രീകരണത്തിൽ ദൃശ്യമാകുന്നതുപോലെ ഞങ്ങൾ ആർക്കിടെക്ചർ ഉപയോഗിക്കുന്നു, ഞങ്ങൾക്ക് തുടർച്ചയുടെ ഒരു തലം നൽകാനും ഓരോ IBM ഉൽപ്പന്നവും മൊത്തത്തിലുള്ള BI സ്കീമിലേക്ക് എങ്ങനെ യോജിക്കുന്നുവെന്ന് കാണിക്കാനും.

വിവര ഉള്ളടക്കം നൽകുന്നു (നൽകുന്നു വിവര ഉള്ളടക്കം)

നിങ്ങളുടെ BI പരിതസ്ഥിതി രൂപകൽപ്പന ചെയ്യുകയും വികസിപ്പിക്കുകയും നടപ്പിലാക്കുകയും ചെയ്യുന്നത് വളരെ ബുദ്ധിമുട്ടുള്ള കാര്യമാണ്. ഡിസൈൻ നിലവിലുള്ളതും ഭാവിയിലെതുമായ ബിസിനസ്സ് ആവശ്യകതകൾ ഉൾക്കൊള്ളണം. ഡിസൈൻ ഘട്ടത്തിൽ കണ്ടെത്തിയ എല്ലാ നിഗമനങ്ങളും ഉൾപ്പെടുത്തുന്നതിന് വാസ്തുവിദ്യാ ഡ്രോയിംഗ് പൂർത്തിയായിരിക്കണം. നിർവ്വഹണം ഒരൊറ്റ ലക്ഷ്യത്തിൽ പ്രതിജ്ഞാബദ്ധമായി നിലകൊള്ളണം: ഡിസൈനിൽ ഔപചാരികമായി അവതരിപ്പിച്ചിരിക്കുന്നതും ബിസിനസ് ആവശ്യകതകളെ അടിസ്ഥാനമാക്കിയുള്ളതുമായ ബിഐ ആർക്കിടെക്ചർ വികസിപ്പിക്കുക.

അച്ചടക്കം ആപേക്ഷിക വിജയം ഉറപ്പാക്കുമെന്ന് വാദിക്കുന്നത് പ്രത്യേകിച്ച് ബുദ്ധിമുട്ടാണ്.
നിങ്ങൾ ഒറ്റയടിക്ക് ഒരു BI പരിതസ്ഥിതി വികസിപ്പിക്കാത്തതിനാൽ ഇത് ലളിതമാണ്, എന്നാൽ കാലക്രമേണ ചെറിയ ഘട്ടങ്ങളിലൂടെ നിങ്ങൾ ഇത് ചെയ്യുന്നു.

എന്നിരുന്നാലും, നിങ്ങളുടെ ആർക്കിടെക്ചറിന്റെ ബിഐ ഘടകങ്ങൾ തിരിച്ചറിയുന്നത് രണ്ട് കാരണങ്ങളാൽ പ്രധാനമാണ്: തുടർന്നുള്ള എല്ലാ സാങ്കേതിക ആർക്കിടെക്ചർ തീരുമാനങ്ങളും നിങ്ങൾ നയിക്കും.
നിങ്ങൾക്ക് മാസങ്ങളോളം സാങ്കേതികവിദ്യ ആവശ്യമായി വന്നേക്കില്ലെങ്കിലും സാങ്കേതികവിദ്യയുടെ ഒരു പ്രത്യേക ഉപയോഗം നിങ്ങൾക്ക് ബോധപൂർവ്വം ആസൂത്രണം ചെയ്യാൻ കഴിയും.

നിങ്ങളുടെ ബിസിനസ്സ് ആവശ്യകതകൾ വേണ്ടത്ര മനസ്സിലാക്കുന്നത് നിങ്ങളുടെ ആർക്കിടെക്ചറിനായി നിങ്ങൾ നേടുന്ന ഉൽപ്പന്നങ്ങളുടെ തരത്തെ സ്വാധീനിക്കും.
നിങ്ങളുടെ ആർക്കിടെക്ചർ രൂപകൽപ്പന ചെയ്യുകയും വികസിപ്പിക്കുകയും ചെയ്യുന്നത് നിങ്ങളുടെ വെയർഹൗസ് ആണെന്ന് ഉറപ്പാക്കുന്നു

ഒരു യാദൃശ്ചിക സംഭവമല്ല, മറിച്ച് ശ്രദ്ധാപൂർവ്വം നിർമ്മിച്ച "നന്നായി ചിന്തിച്ചു". സംഗീതനാടകം മിക്സഡ് ടെക്നോളജിയുടെ മൊസൈക്ക് പോലെ കല.

വിവര ഉള്ളടക്കം രൂപകൽപ്പന ചെയ്യുക

എല്ലാ പ്രാരംഭ രൂപകല്പനകളും ഇപ്പോളും ഭാവിയിലും മൊത്തത്തിലുള്ള പരിസ്ഥിതിക്ക് ആവശ്യമായ പ്രധാന ബിഐ ഘടകങ്ങളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുകയും തിരിച്ചറിയുകയും വേണം.
ബിസിനസ്സ് ആവശ്യകതകൾ അറിയുന്നത് പ്രധാനമാണ്.

ഏതെങ്കിലും ഔപചാരിക രൂപകൽപന ആരംഭിക്കുന്നതിന് മുമ്പുതന്നെ, പ്രോജക്റ്റ് പ്ലാനർക്ക് ഒന്നോ രണ്ടോ ഘടകങ്ങൾ ഉടനടി തിരിച്ചറിയാൻ കഴിയും.
എന്നിരുന്നാലും, നിങ്ങളുടെ വാസ്തുവിദ്യയ്ക്ക് ആവശ്യമായ ഘടകങ്ങളുടെ ബാലൻസ് എളുപ്പത്തിൽ കണ്ടെത്താൻ കഴിയില്ല. ഡിസൈൻ ഘട്ടത്തിൽ, ആർക്കിടെക്ചറിന്റെ പ്രധാന ഭാഗം ബിസിനസ് ആവശ്യകതകൾ തിരിച്ചറിയുന്നതിനുള്ള ഒരു ഗവേഷണത്തിൽ ആപ്ലിക്കേഷൻ ഡെവലപ്മെന്റ് (JAD) സെഷനുമായി ബന്ധിപ്പിക്കുന്നു.

ചിലപ്പോൾ ഈ ആവശ്യകതകൾ അന്വേഷണത്തിനും റിപ്പോർട്ടിംഗ് ടൂളുകൾക്കും ഭരമേൽപ്പിക്കാവുന്നതാണ്.
ഉദാഹരണത്തിന്, ഉപയോക്താക്കൾ ഒരു നിലവിലെ റിപ്പോർട്ട് യാന്ത്രികമാക്കാൻ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, നിലവിലുള്ള രണ്ട് റിപ്പോർട്ടുകൾ സമന്വയിപ്പിച്ച്, അവയുടെ സംയോജനത്തിൽ നിന്ന് ഉരുത്തിരിഞ്ഞ കണക്കുകൂട്ടലുകൾ ചേർത്ത് അത് സ്വമേധയാ സൃഷ്ടിക്കണമെന്ന് ഉപയോക്താക്കൾ പറയുന്നു. ഡാറ്റ.
ഈ ആവശ്യകത ലളിതമാണെങ്കിലും, നിങ്ങളുടെ ഓർഗനൈസേഷനായി റിപ്പോർട്ടിംഗ് ടൂളുകൾ വാങ്ങുമ്പോൾ നിങ്ങൾ ഉൾപ്പെടുത്തേണ്ട സവിശേഷതയുടെ ഒരു പ്രത്യേക പ്രവർത്തനത്തെ ഇത് നിർവചിക്കുന്നു.

ഒരു പൂർണ്ണമായ ചിത്രം ലഭിക്കുന്നതിന് ഡിസൈനർ അധിക ആവശ്യകതകളും പിന്തുടരേണ്ടതുണ്ട്. ഉപയോക്താക്കൾ ഈ റിപ്പോർട്ട് സബ്‌സ്‌ക്രൈബുചെയ്യാൻ ആഗ്രഹിക്കുന്നുണ്ടോ?
റിപ്പോർട്ട് സബ്‌സെറ്റുകൾ സൃഷ്‌ടിച്ച് വിവിധ ഉപയോക്താക്കൾക്ക് ഇമെയിൽ അയയ്‌ക്കുന്നുണ്ടോ? അവർ ഈ റിപ്പോർട്ട് കമ്പനി പോർട്ടലിൽ കാണാൻ ആഗ്രഹിക്കുന്നുണ്ടോ? ഈ ആവശ്യകതകളെല്ലാം ഉപയോക്താക്കൾ അഭ്യർത്ഥിക്കുന്ന ഒരു മാനുവൽ റിപ്പോർട്ട് മാറ്റിസ്ഥാപിക്കുന്നതിനുള്ള ലളിതമായ ആവശ്യകതയുടെ ഭാഗമാണ്. ഇത്തരത്തിലുള്ള ആവശ്യകതകളുടെ പ്രയോജനം, എല്ലാവർക്കും, ഉപയോക്താക്കൾക്കും ഡിസൈനർമാർക്കും റിപ്പോർട്ടുകളുടെ ആശയത്തെക്കുറിച്ച് ധാരണയുണ്ട് എന്നതാണ്.

എന്നിരുന്നാലും, ഞങ്ങൾ ആസൂത്രണം ചെയ്യേണ്ട മറ്റ് തരത്തിലുള്ള ബിസിനസ്സുകൾ ഉണ്ട്. ബിസിനസ്സ് ആവശ്യകതകൾ തന്ത്രപരമായ ബിസിനസ്സ് ചോദ്യങ്ങളുടെ രൂപത്തിൽ പ്രസ്താവിക്കുമ്പോൾ, വിദഗ്ദ്ധരായ ഡിസൈനർക്ക് അളക്കൽ/വസ്തുത, ഡൈമൻഷണൽ ആവശ്യകതകൾ എന്നിവ തിരിച്ചറിയാൻ എളുപ്പമാണ്.

JAD ഉപയോക്താക്കൾക്ക് അവരുടെ ആവശ്യകതകൾ ഒരു ബിസിനസ്സ് പ്രശ്നത്തിന്റെ രൂപത്തിൽ എങ്ങനെ പ്രസ്താവിക്കണമെന്ന് അറിയില്ലെങ്കിൽ, ആവശ്യകതകൾ ശേഖരിക്കുന്നതിനുള്ള സെഷൻ ആരംഭിക്കുന്നതിന് ഡിസൈനർ പലപ്പോഴും ഉദാഹരണങ്ങൾ നൽകും.
തന്ത്രപരമായ വ്യാപാരം മാത്രമല്ല, അത് എങ്ങനെ രൂപപ്പെടുത്താമെന്നും മനസിലാക്കാൻ വിദഗ്ദ്ധ ഡിസൈനർക്ക് ഉപയോക്താക്കളെ സഹായിക്കാനാകും.
ആവശ്യകതകൾ ശേഖരിക്കുന്നതിനുള്ള സമീപനം അദ്ധ്യായം 3 ൽ ചർച്ചചെയ്യുന്നു; ഇപ്പോൾ എല്ലാത്തരം BI ആവശ്യകതകൾക്കും വേണ്ടി രൂപകൽപ്പന ചെയ്യേണ്ടതിന്റെ ആവശ്യകത ചൂണ്ടിക്കാണിക്കാൻ ഞങ്ങൾ ആഗ്രഹിക്കുന്നു.

ഒരു തന്ത്രപരമായ ബിസിനസ്സ് പ്രശ്നം ഒരു ബിസിനസ്സ് ആവശ്യകത മാത്രമല്ല, ഒരു ഡിസൈൻ സൂചന കൂടിയാണ്. നിങ്ങൾക്ക് ഒരു ബഹുമുഖ ചോദ്യത്തിന് ഉത്തരം നൽകണമെങ്കിൽ, നിങ്ങൾ മനഃപാഠമാക്കണം, i അവതരിപ്പിക്കുക ഡാറ്റ ഡൈമൻഷണൽ, നിങ്ങൾക്ക് സംഭരിക്കേണ്ടതുണ്ടെങ്കിൽ ഡാറ്റ മൾട്ടിഡൈമൻഷണൽ, നിങ്ങൾ ഏത് തരത്തിലുള്ള സാങ്കേതികവിദ്യയോ സാങ്കേതികതയോ ആണ് ഉപയോഗിക്കേണ്ടതെന്ന് നിങ്ങൾ തീരുമാനിക്കണം.

നിങ്ങൾ ഒരു റിസർവ്ഡ് ക്യൂബ് സ്റ്റാർ സ്കീമ നടപ്പിലാക്കുന്നുണ്ടോ, അതോ രണ്ടും ആണോ? നിങ്ങൾക്ക് കാണാനാകുന്നതുപോലെ, ഒരു ലളിതമായ ബിസിനസ്സ് പ്രശ്നം പോലും ഡിസൈനിനെ ഗണ്യമായി സ്വാധീനിക്കും. എന്നാൽ ഇത്തരത്തിലുള്ള ബിസിനസ്സ് ആവശ്യകതകൾ പൊതുവായതും മനസ്സിലാക്കാവുന്നതുമാണ്, കുറഞ്ഞത് പ്രോജക്റ്റ് പരിചയമുള്ള ഡിസൈനർമാർക്കും പ്ലാനർമാർക്കും.

OLAP സാങ്കേതികവിദ്യകളെക്കുറിച്ചും പിന്തുണയെക്കുറിച്ചും മതിയായ ചർച്ചകൾ നടന്നിട്ടുണ്ട്, കൂടാതെ നിരവധി പരിഹാരങ്ങളും ലഭ്യമാണ്. ബിസിനസ് ഡൈമൻഷണൽ ആവശ്യകതകൾക്കൊപ്പം ലളിതമായ റിപ്പോർട്ടിംഗും ഒരുമിച്ച് കൊണ്ടുവരേണ്ടതിന്റെ ആവശ്യകതയും സാങ്കേതിക വാസ്തുവിദ്യാ തീരുമാനങ്ങളെ ഈ ആവശ്യകതകൾ എങ്ങനെ സ്വാധീനിക്കുന്നുവെന്നും ഞങ്ങൾ ഇതുവരെ സൂചിപ്പിച്ചിട്ടുണ്ട്.

എന്നാൽ ഉപയോക്താക്കൾക്കോ ​​Dw ടീമിനോ പെട്ടെന്ന് മനസ്സിലാകാത്ത ആവശ്യകതകൾ എന്തൊക്കെയാണ്? നിങ്ങൾക്ക് എപ്പോഴെങ്കിലും സ്പേഷ്യൽ വിശകലനം ആവശ്യമുണ്ടോ?
എക്സ്ട്രാക്റ്റിംഗ് മോഡലുകൾ ഡാറ്റ അവ നിങ്ങളുടെ ഭാവിയുടെ അനിവാര്യമായ ഭാഗമാകുമോ? ആർക്കറിയാം?

ഇത്തരത്തിലുള്ള സാങ്കേതികവിദ്യകൾ പൊതുവായ ഉപയോക്തൃ കമ്മ്യൂണിറ്റികൾക്കും Dw ടീം അംഗങ്ങൾക്കും നന്നായി അറിയില്ലെന്നത് ശ്രദ്ധിക്കേണ്ടതാണ്, ഭാഗികമായി, ഇത് സാധാരണയായി ചില ആന്തരിക അല്ലെങ്കിൽ മൂന്നാം കക്ഷി സാങ്കേതിക വിദഗ്ധർ കൈകാര്യം ചെയ്യുന്നതിനാലാകാം. ഇത്തരത്തിലുള്ള സാങ്കേതികവിദ്യകൾ സൃഷ്ടിക്കുന്ന പ്രശ്‌നങ്ങളുടെ അങ്ങേയറ്റത്തെ കേസാണിത്. ഉപയോക്താക്കൾക്ക് ബിസിനസ്സ് ആവശ്യകതകൾ വിവരിക്കാനോ ഡിസൈനർമാർക്ക് മാർഗനിർദേശം നൽകുന്ന രീതിയിൽ അവയെ രൂപപ്പെടുത്താനോ കഴിയുന്നില്ലെങ്കിൽ, അവർ ശ്രദ്ധിക്കപ്പെടാതെ പോകുകയോ മോശമായി അവഗണിക്കുകയോ ചെയ്യാം.

ഈ നൂതനവും എന്നാൽ നിർണായകവുമായ സാങ്കേതിക വിദ്യകളിലൊന്നിന്റെ പ്രയോഗം ഡിസൈനറിനും ഡെവലപ്പർക്കും തിരിച്ചറിയാൻ കഴിയാതെ വരുമ്പോൾ അത് കൂടുതൽ പ്രശ്‌നകരമാകും.
ഡിസൈനർമാർ പറയുന്നത് നമ്മൾ പലപ്പോഴും കേട്ടിട്ടുള്ളതുപോലെ, “ശരി, ഈ മറ്റൊരു കാര്യം ലഭിക്കുന്നതുവരെ എന്തുകൊണ്ട് ഇത് മാറ്റിവയ്ക്കരുത്? “അവർക്ക് മുൻഗണനകളിൽ ശരിക്കും താൽപ്പര്യമുണ്ടോ, അതോ അവർക്ക് മനസ്സിലാകാത്ത ആവശ്യകതകൾ ഒഴിവാക്കുകയാണോ? ഇത് മിക്കവാറും അവസാന സിദ്ധാന്തമാണ്. ചിത്രം 1.3-ൽ പറഞ്ഞിരിക്കുന്നതുപോലെ, നിങ്ങളുടെ സെയിൽസ് ടീം ഒരു ബിസിനസ്സ് ആവശ്യകതയെ അറിയിച്ചിട്ടുണ്ടെന്ന് പറയാം, നിങ്ങൾക്ക് കാണാനാകുന്നതുപോലെ, ആവശ്യകത ഒരു ബിസിനസ് പ്രശ്നത്തിന്റെ രൂപത്തിൽ രൂപപ്പെടുത്തിയിരിക്കുന്നു. ഈ പ്രശ്നവും സാധാരണ ഡൈമൻഷണൽ പ്രശ്നവും തമ്മിലുള്ള വ്യത്യാസം ദൂരമാണ്. ഈ സാഹചര്യത്തിൽ, ഉൽപ്പന്നങ്ങൾ, വെയർഹൗസുകൾ, സ്റ്റോറുകൾ എന്നിവയിൽ നിന്നുള്ള മൊത്തം വിൽപ്പന പ്രതിമാസ അടിസ്ഥാനത്തിൽ, സെയിൽസ് ടീം അറിയാൻ ആഗ്രഹിക്കുന്നു. ഉപഭോക്താക്കൾക്ക് അവർ വാങ്ങുന്ന വെയർഹൗസിന്റെ 5 മൈലിനുള്ളിൽ താമസിക്കുന്നവർ.

സങ്കടകരമെന്നു പറയട്ടെ, ഡിസൈനർമാർക്കോ ആർക്കിടെക്റ്റുകൾക്കോ ​​സ്പേഷ്യൽ ഘടകത്തെ അവഗണിക്കാൻ കഴിയും, "ഞങ്ങൾക്ക് ഉപഭോക്താവും ഉൽപ്പന്നവും ഉണ്ട്. ഡാറ്റ നിക്ഷേപത്തിന്റെ. മറ്റൊരു ആവർത്തനം വരെ നമുക്ക് അകലം പാലിക്കാം.

"തെറ്റായ ഉത്തരം. ഇത്തരത്തിലുള്ള ബിസിനസ് പ്രശ്‌നങ്ങളെല്ലാം ബിഐയെ സംബന്ധിച്ചുള്ളതാണ്. ഇത് ഞങ്ങളുടെ ബിസിനസ്സിനെക്കുറിച്ചുള്ള ആഴത്തിലുള്ള ധാരണയെയും ഞങ്ങളുടെ വിശകലന വിദഗ്ധർക്ക് ശക്തമായ ഒരു വിശകലന ഇടത്തെയും പ്രതിനിധീകരിക്കുന്നു. BI ലളിതമായ അന്വേഷണത്തിനോ സ്റ്റാൻഡേർഡ് റിപ്പോർട്ടിംഗിനോ അല്ലെങ്കിൽ OLAP-ന് അപ്പുറമാണ്. ഈ സാങ്കേതികവിദ്യകൾ നിങ്ങളുടെ BI-ക്ക് പ്രധാനമല്ലെന്ന് ഇതിനർത്ഥമില്ല, എന്നാൽ അവ സ്വന്തമായി BI പരിതസ്ഥിതിയെ പ്രതിനിധീകരിക്കുന്നില്ല.

വിവര സന്ദർഭത്തിനായുള്ള ഡിസൈൻ (വിവര ഉള്ളടക്കത്തിനായി രൂപകൽപ്പന ചെയ്യുന്നു)

വിവിധ അടിസ്ഥാന ഘടകങ്ങളെ വേർതിരിച്ചറിയുന്ന ബിസിനസ്സ് ആവശ്യകതകൾ ഞങ്ങൾ ഇപ്പോൾ തിരിച്ചറിഞ്ഞു, അവ മൊത്തത്തിലുള്ള വാസ്തുവിദ്യാ രൂപകൽപ്പനയിൽ ഉൾപ്പെടുത്തണം. BI ഘടകങ്ങളിൽ ചിലത് ഞങ്ങളുടെ പ്രാരംഭ ശ്രമങ്ങളുടെ ഭാഗമാണ്, ചിലത് മാസങ്ങളോളം നടപ്പിലാക്കില്ല.

എന്നിരുന്നാലും, അറിയപ്പെടുന്ന എല്ലാ ആവശ്യകതകളും ഡിസൈനിൽ പ്രതിഫലിക്കുന്നതിനാൽ ഒരു പ്രത്യേക സാങ്കേതികവിദ്യ നടപ്പിലാക്കേണ്ടിവരുമ്പോൾ, ഞങ്ങൾ അത് ചെയ്യാൻ തയ്യാറാണ്. പദ്ധതിയെക്കുറിച്ചുള്ള ചിലത് പരമ്പരാഗത ചിന്തയെ പ്രതിഫലിപ്പിക്കും.

ഈ സെറ്റ് ഡാറ്റ യുടെ തുടർന്നുള്ള ഉപയോഗങ്ങളെ പിന്തുണയ്ക്കാൻ ഉപയോഗിക്കുന്നു ഡാറ്റ ഞങ്ങൾ തിരിച്ചറിഞ്ഞ ബിസിനസ് പ്രശ്‌നങ്ങളാൽ നയിക്കപ്പെടുന്ന ഡൈമൻഷണൽ. യുടെ ഡിസൈൻ വികസനം പോലുള്ള അധിക രേഖകൾ ജനറേറ്റുചെയ്യുമ്പോൾ ഡാറ്റ, ഞാൻ എങ്ങനെ ഔപചാരികമാക്കാൻ തുടങ്ങും ഡാറ്റ അവർ പരിസ്ഥിതിയിൽ വ്യാപിച്ചു. ഐയെ പ്രതിനിധീകരിക്കേണ്ടതിന്റെ ആവശ്യകത ഞങ്ങൾ ഉറപ്പിച്ചു ഡാറ്റ ഒരു ഡൈമൻഷണൽ രീതിയിൽ, അവയെ (നിർദ്ദിഷ്ട നിർദ്ദിഷ്ട ആവശ്യങ്ങൾ അനുസരിച്ച്) ഡാറ്റാ മാർട്ടുകളായി വിഭജിക്കുന്നു.

ഉത്തരം നൽകേണ്ട അടുത്ത ചോദ്യം ഇതാണ്: ഈ ഡാറ്റാ മാർട്ടുകൾ എങ്ങനെ നിർമ്മിക്കപ്പെടും?
ക്യൂബുകളെ താങ്ങാനാണോ അതോ വെറും ക്യൂബുകളാണോ അതോ വെറും നക്ഷത്രങ്ങളെയാണോ നിങ്ങൾ നിർമ്മിക്കുന്നത്? (അല്ലെങ്കിൽ വലത് ക്യൂബുകൾ, അല്ലെങ്കിൽ വലത് നക്ഷത്രങ്ങൾ). എല്ലാവർക്കുമായി ഒരു ആറ്റോമിക് ലെയർ ആവശ്യമായ ആശ്രിത ഡാറ്റാ മാർട്ടുകൾക്കായി ആർക്കിടെക്ചർ സൃഷ്ടിക്കുക ഡാറ്റ ഏറ്റെടുത്തത്? സ്വതന്ത്ര ഡാറ്റാ മാർട്ടുകളെ ഏറ്റെടുക്കാൻ അനുവദിക്കുക i ഡാറ്റ ഓപ്പറേറ്റിംഗ് സിസ്റ്റങ്ങളിൽ നിന്ന് നേരിട്ട്?

ഏത് ക്യൂബ് ടെക്നോളജിയാണ് നിങ്ങൾ സ്റ്റാൻഡേർഡ് ചെയ്യാൻ ശ്രമിക്കുന്നത്?

നിങ്ങൾക്ക് വലിയ അളവുകൾ ഉണ്ട് ഡാറ്റ ഡൈമൻഷണൽ വിശകലനത്തിന് ആവശ്യമാണോ അതോ നിങ്ങളുടെ ദേശീയ സെയിൽസ് ഫോഴ്സിൽ നിന്നുള്ള ക്യൂബുകൾ ആഴ്ചതോറുമുള്ളതോ രണ്ടിലും ആവശ്യമുണ്ടോ? ഫിനാൻസിനായി DB2 OLAP സെർവർ അല്ലെങ്കിൽ നിങ്ങളുടെ സെയിൽസ് ഓർഗനൈസേഷനായി കോഗ്നോസ് പവർപ്ലേ ക്യൂബുകൾ അല്ലെങ്കിൽ രണ്ടും പോലെ ശക്തമായ എന്തെങ്കിലും നിങ്ങൾ നിർമ്മിക്കുന്നുണ്ടോ? ഇവിടെ നിന്ന് നിങ്ങളുടെ BI പരിതസ്ഥിതിയെ സ്വാധീനിക്കുന്ന വലിയ വാസ്തുവിദ്യാ ഡിസൈൻ തീരുമാനങ്ങളാണിവ. അതെ, നിങ്ങൾ OLAP-ന്റെ ആവശ്യം സ്ഥാപിച്ചു. ഇപ്പോൾ നിങ്ങൾ എങ്ങനെ അത്തരം സാങ്കേതികതയും സാങ്കേതികവിദ്യയും നടപ്പിലാക്കും?

ഏറ്റവും നൂതനമായ ചില സാങ്കേതികവിദ്യകൾ നിങ്ങളുടെ ഡിസൈനുകളെ എങ്ങനെ ബാധിക്കുന്നു? നിങ്ങളുടെ ഓർഗനൈസേഷനിൽ ഒരു സ്ഥലം ആവശ്യമാണെന്ന് നിങ്ങൾ തിരിച്ചറിഞ്ഞുവെന്ന് കരുതുക. മാസങ്ങളോളം സ്പേഷ്യൽ ഘടകങ്ങൾ നിർമ്മിക്കാൻ നിങ്ങൾ പദ്ധതിയിട്ടിട്ടില്ലെങ്കിലും, നിങ്ങൾ ഇപ്പോൾ ആർക്കിടെക്ചറൽ ഡ്രോയിംഗ് പതിപ്പുകൾ ഓർക്കണം. ആർക്കിടെക്റ്റ് ആവശ്യമുള്ളതിനെ അടിസ്ഥാനമാക്കിയാണ് ഇന്ന് ഡിസൈൻ ചെയ്യേണ്ടത്. സൃഷ്ടിക്കുകയും സംഭരിക്കുകയും നിർവ്വഹിക്കുകയും ആക്‌സസ് നൽകുകയും ചെയ്യുന്ന സ്പേഷ്യൽ അനലിറ്റിക്‌സിന്റെ ആവശ്യകത മുൻകൂട്ടി കാണുക ഡാറ്റ സ്പേഷ്യൽ. നിങ്ങൾക്ക് നിലവിൽ പരിഗണിക്കാനാകുന്ന സോഫ്‌റ്റ്‌വെയർ സാങ്കേതികവിദ്യയും പ്ലാറ്റ്‌ഫോം സവിശേഷതകളും സംബന്ധിച്ച് ഇത് ഒരു പരിമിതിയായി വർത്തിക്കും. ഉദാഹരണത്തിന്, ഭരണസംവിധാനം ഡാറ്റാ ബേസ് നിങ്ങളുടെ ആറ്റോമിക് ലെയറിനായി നിങ്ങൾ നടത്തുന്ന റിലേഷണൽ ലെയറിന് (RDBMS) ശക്തമായ സ്പേഷ്യൽ എക്സ്റ്റൻഷൻ ഉണ്ടായിരിക്കണം. നിങ്ങളുടെ അനലിറ്റിക്കൽ ആപ്ലിക്കേഷനുകളിൽ ജ്യാമിതിയും സ്പേഷ്യൽ ഒബ്ജക്റ്റുകളും ഉപയോഗിക്കുമ്പോൾ ഇത് പരമാവധി പ്രകടനം ഉറപ്പാക്കും. നിങ്ങളുടെ RDBMS-ന് കൈകാര്യം ചെയ്യാൻ കഴിയുന്നില്ലെങ്കിൽ ഡാറ്റ (സ്പേഷ്യൽ-സെൻട്രിക്) ആന്തരികമായി, അതിനാൽ നിങ്ങൾ ഒരു സ്ഥാപിക്കേണ്ടതുണ്ട് ഡാറ്റാ ബേസ് (സ്പേഷ്യൽ-സെൻട്രിക്) ബാഹ്യ. ഇത് പ്രശ്‌നങ്ങളുടെ മാനേജ്‌മെന്റിനെ സങ്കീർണ്ണമാക്കുകയും നിങ്ങളുടെ മൊത്തത്തിലുള്ള പ്രകടനത്തിൽ വിട്ടുവീഴ്ച ചെയ്യുകയും ചെയ്യുന്നു, നിങ്ങളുടെ DBA-കൾക്കായി സൃഷ്‌ടിച്ച അധിക പ്രശ്‌നങ്ങളെക്കുറിച്ച് പരാമർശിക്കേണ്ടതില്ല, കാരണം അവർക്ക് അടിസ്ഥാനകാര്യങ്ങളെക്കുറിച്ച് ഒരുപക്ഷെ കുറഞ്ഞ ധാരണയേയുള്ളൂ. ഡാറ്റ സ്പേഷ്യൽ അതുപോലെ. മറുവശത്ത്, നിങ്ങളുടെ RDMBS എഞ്ചിൻ എല്ലാ സ്പേഷ്യൽ ഘടകങ്ങളും കൈകാര്യം ചെയ്യുകയും അതിന്റെ ഒപ്റ്റിമൈസർ സ്പേഷ്യൽ ഒബ്‌ജക്റ്റുകളുടെ പ്രത്യേക ആവശ്യങ്ങൾ (ഉദാഹരണത്തിന്, ഇൻഡെക്‌സിംഗ്) കുറിച്ച് അറിയുകയും ചെയ്യുന്നുവെങ്കിൽ, നിങ്ങളുടെ DBA-കൾക്ക് പ്രശ്‌നങ്ങളുടെ മാനേജ്‌മെന്റ് എളുപ്പത്തിൽ കൈകാര്യം ചെയ്യാനും നിങ്ങൾക്ക് പ്രകടനം പരമാവധിയാക്കാനും കഴിയും.

കൂടാതെ, അഡ്രസ് ക്ലീനപ്പ് ഉൾപ്പെടുത്തുന്നതിന് നിങ്ങൾ സ്റ്റേജിംഗ് ഏരിയയും ആറ്റോമിക് എൻവയോൺമെന്റ് ലെയറും ക്രമീകരിക്കേണ്ടതുണ്ട് (a

സ്പേഷ്യൽ വിശകലനത്തിന്റെ പ്രധാന ഘടകം), അതുപോലെ തന്നെ ബഹിരാകാശ വസ്തുക്കളുടെ തുടർന്നുള്ള സംരക്ഷണവും. വ്യക്തമായ ദിശ എന്ന ആശയം ഞങ്ങൾ അവതരിപ്പിച്ചതിനാൽ ഡ്രോയിംഗ് പതിപ്പുകളുടെ തുടർച്ചയായി തുടരുന്നു. ഒരു കാര്യം, ഈ ആപ്ലിക്കേഷൻ നിങ്ങളുടെ ETL പ്രയത്നത്തിന് ആവശ്യമായ സോഫ്‌റ്റ്‌വെയറിന്റെ തരം നിർണ്ണയിക്കും.

ശുദ്ധമായ ഒരു വിലാസം നൽകാൻ നിങ്ങൾക്ക് ട്രില്ലിയം പോലുള്ള ഉൽപ്പന്നങ്ങൾ ആവശ്യമുണ്ടോ, അല്ലെങ്കിൽ ആ പ്രവർത്തനം നൽകുന്നതിന് നിങ്ങൾക്ക് ഇഷ്ടമുള്ള ഒരു ETL വെണ്ടർ ആവശ്യമുണ്ടോ?
നിങ്ങളുടെ വെയർഹൗസ് നടപ്പിലാക്കാൻ തുടങ്ങുന്നതിനുമുമ്പ് പൂർത്തിയാക്കേണ്ട ഡിസൈനിന്റെ നിലവാരത്തെ നിങ്ങൾ അഭിനന്ദിക്കുന്നത് ഇപ്പോൾ പ്രധാനമാണ്. മുകളിലുള്ള ഉദാഹരണങ്ങൾ ഏതെങ്കിലും പ്രത്യേക ബിസിനസ്സ് ആവശ്യകതകൾ തിരിച്ചറിയുന്നതിന് പിന്തുടരേണ്ട ഡിസൈൻ തീരുമാനങ്ങളുടെ ബാഹുല്യം പ്രകടമാക്കണം. ശരിയായി എടുക്കുകയാണെങ്കിൽ, ഈ ഡിസൈൻ തീരുമാനങ്ങൾ നിങ്ങളുടെ പരിസ്ഥിതിയുടെ ഭൗതിക ഘടനകൾ, ഉപയോഗിക്കുന്ന സാങ്കേതികവിദ്യയുടെ തിരഞ്ഞെടുപ്പ്, വിവര ഉള്ളടക്കത്തിന്റെ പ്രചരണത്തിന്റെ ഒഴുക്ക് എന്നിവ തമ്മിലുള്ള പരസ്പരാശ്രിതത്വം പ്രോത്സാഹിപ്പിക്കുന്നു. ഈ പരമ്പരാഗത BI ആർക്കിടെക്ചർ ഇല്ലെങ്കിൽ, നിങ്ങളുടെ സ്ഥാപനം നിലവിലുള്ള സാങ്കേതികവിദ്യകളുടെ ഒരു കുഴപ്പത്തിലായ മിശ്രിതത്തിന് വിധേയമാകും, പ്രത്യക്ഷമായ സ്ഥിരത നൽകുന്നതിന് ഏറ്റവും മികച്ചത് അയഞ്ഞതായിരിക്കും.

വിവര ഉള്ളടക്കം നിലനിർത്തുക

നിങ്ങളുടെ സ്ഥാപനത്തിലേക്ക് വിവരങ്ങളുടെ മൂല്യം കൊണ്ടുവരുന്നത് വളരെ ബുദ്ധിമുട്ടുള്ള കാര്യമാണ്. മതിയായ ധാരണയും അനുഭവപരിചയവും അല്ലെങ്കിൽ ശരിയായ ആസൂത്രണവും രൂപകൽപ്പനയും ഇല്ലെങ്കിൽ, മികച്ച ടീമുകൾ പോലും പരാജയപ്പെടും. മറുവശത്ത്, നിങ്ങൾക്ക് മികച്ച അവബോധവും വിശദമായ ആസൂത്രണവും ഉണ്ടെങ്കിലും നിർവ്വഹണത്തിനുള്ള അച്ചടക്കമില്ലെങ്കിൽ, നിങ്ങളുടെ പരിശ്രമം പരാജയപ്പെടുമെന്നതിനാൽ നിങ്ങൾ നിങ്ങളുടെ പണവും സമയവും പാഴാക്കിയിരിക്കുന്നു. സന്ദേശം വ്യക്തമായിരിക്കണം: നിങ്ങൾക്ക് ഈ ഒന്നോ അതിലധികമോ കഴിവുകൾ, മനസ്സിലാക്കൽ/പരിചയം അല്ലെങ്കിൽ ആസൂത്രണം/രൂപകൽപ്പന അല്ലെങ്കിൽ നടപ്പാക്കൽ അച്ചടക്കം എന്നിവയിൽ കുറവുണ്ടെങ്കിൽ, അത് BI ഓർഗനൈസേഷന്റെ കെട്ടിടത്തെ തകർക്കുകയോ നശിപ്പിക്കുകയോ ചെയ്യും.

നിങ്ങളുടെ ടീം വേണ്ടത്ര തയ്യാറായിട്ടുണ്ടോ? BI പരിതസ്ഥിതികളിൽ ലഭ്യമായ വിശാലമായ അനലിറ്റിക്കൽ ലാൻഡ്‌സ്‌കേപ്പും ആ ലാൻഡ്‌സ്‌കേപ്പ് നിലനിർത്താൻ ആവശ്യമായ സാങ്കേതിക വിദ്യകളും സാങ്കേതികവിദ്യകളും മനസ്സിലാക്കുന്ന ആരെങ്കിലും നിങ്ങളുടെ BI ടീമിലുണ്ടോ? വികസിത വിഭാഗങ്ങൾ തമ്മിലുള്ള ആപ്ലിക്കേഷൻ വ്യത്യാസം തിരിച്ചറിയാൻ കഴിയുന്ന ആരെങ്കിലും നിങ്ങളുടെ ടീമിലുണ്ടോ?

സ്റ്റാറ്റിക് റിപ്പോർട്ടിംഗും OLAP ഉം അല്ലെങ്കിൽ ROLAP ഉം OLAP ഉം തമ്മിലുള്ള വ്യത്യാസങ്ങൾ? എങ്ങനെയാണ് എക്‌സ്‌ട്രാക്‌റ്റ് ചെയ്യേണ്ടതെന്നും അത് വെയർഹൗസിനെ എങ്ങനെ ബാധിക്കുമെന്നും അല്ലെങ്കിൽ എക്‌സ്‌ട്രാക്റ്റിംഗ് പ്രകടനത്തെ വെയർഹൗസിന് എങ്ങനെ പിന്തുണയ്‌ക്കാമെന്നും നിങ്ങളുടെ ടീം അംഗങ്ങളിൽ ഒരാൾ വ്യക്തമായി തിരിച്ചറിയുന്നുണ്ടോ? ഒരു ടീം അംഗം അതിന്റെ മൂല്യം മനസ്സിലാക്കുന്നു ഡാറ്റ സ്പേസ് അല്ലെങ്കിൽ ഏജന്റ് അധിഷ്ഠിത സാങ്കേതികവിദ്യ? സന്ദേശ ബ്രോക്കർ സാങ്കേതികവിദ്യയ്‌ക്കെതിരായ ETL ടൂളുകളുടെ തനതായ പ്രയോഗത്തെ വിലമതിക്കുന്ന ആരെങ്കിലും നിങ്ങൾക്കുണ്ടോ? നിങ്ങൾക്ക് അത് ഇല്ലെങ്കിൽ, ഒന്ന് നേടുക. നോർമലൈസ്ഡ് ആറ്റോമിക് ലെയർ, OLAP, സ്റ്റാർ സ്കീമകൾ, ODS എന്നിവയേക്കാൾ വളരെ വലുതാണ് BI.

BI ആവശ്യകതകളും അവയുടെ പരിഹാരങ്ങളും തിരിച്ചറിയുന്നതിനുള്ള ധാരണയും അനുഭവവും ഉണ്ടായിരിക്കുന്നത് ഉപയോക്തൃ ആവശ്യങ്ങൾ ശരിയായി ഔപചാരികമാക്കുന്നതിനും അവയുടെ പരിഹാരങ്ങൾ രൂപകൽപ്പന ചെയ്യുന്നതിനും നടപ്പിലാക്കുന്നതിനുമുള്ള നിങ്ങളുടെ കഴിവിന് അത്യന്താപേക്ഷിതമാണ്. ആവശ്യകതകൾ വിവരിക്കുന്നതിൽ നിങ്ങളുടെ ഉപയോക്തൃ കമ്മ്യൂണിറ്റിക്ക് ബുദ്ധിമുട്ടുണ്ടെങ്കിൽ, അത് മനസ്സിലാക്കുന്നത് വെയർഹൗസ് ടീമിന്റെ ചുമതലയാണ്. എന്നാൽ വെയർഹൗസ് ടീം ആണെങ്കിൽ

BI-യുടെ നിർദ്ദിഷ്ട ആപ്ലിക്കേഷൻ തിരിച്ചറിയുന്നില്ല - ഉദാഹരണത്തിന്, ഡാറ്റ മൈനിംഗ് - അപ്പോൾ BI പരിതസ്ഥിതികൾ പലപ്പോഴും നിഷ്ക്രിയ ശേഖരങ്ങളായി പരിമിതപ്പെടുത്തുന്നത് മികച്ച കാര്യമല്ല. എന്നിരുന്നാലും, ഈ സാങ്കേതികവിദ്യകളെ അവഗണിക്കുന്നത് അവയുടെ പ്രാധാന്യവും നിങ്ങളുടെ സ്ഥാപനത്തിന്റെ ബിസിനസ്സ് ഇന്റലിജൻസ് കഴിവുകളുടെയും അതുപോലെ തന്നെ നിങ്ങൾ വളർത്തിയെടുക്കാൻ ഉദ്ദേശിക്കുന്ന ഇൻഫർമേഷൻ ലാൻഡ്‌സ്‌കേപ്പിന്റെയും ആവിർഭാവത്തിലും അവ ചെലുത്തുന്ന സ്വാധീനവും കുറയ്‌ക്കുന്നില്ല.

ആസൂത്രണത്തിൽ ഡ്രോയിംഗ് എന്ന ആശയം ഉൾപ്പെടുത്തണം, രണ്ടിനും കഴിവുള്ള ഒരു വ്യക്തി ആവശ്യമാണ്. കൂടാതെ, ഡിസൈനിംഗിന് ഒരു ടീം വെയർഹൗസ് ഫിലോസഫിയും മാനദണ്ഡങ്ങൾ പാലിക്കലും ആവശ്യമാണ്. ഉദാഹരണത്തിന്, നിങ്ങളുടെ കമ്പനി ഒരു സ്റ്റാൻഡേർഡ് പ്ലാറ്റ്‌ഫോം സ്ഥാപിക്കുകയോ പ്ലാറ്റ്‌ഫോമിൽ ഉടനീളം സ്റ്റാൻഡേർഡ് ചെയ്യാൻ നിങ്ങൾ ആഗ്രഹിക്കുന്ന ഒരു പ്രത്യേക RDBMS തിരിച്ചറിയുകയോ ചെയ്‌തിട്ടുണ്ടെങ്കിൽ, ആ മാനദണ്ഡങ്ങൾ പാലിക്കാനുള്ള ഉത്തരവാദിത്തം ടീമിലെ എല്ലാവർക്കുമുണ്ട്. സാധാരണയായി ഒരു ടീം സ്റ്റാൻഡേർഡൈസേഷന്റെ ആവശ്യകത (ഉപയോക്തൃ കമ്മ്യൂണിറ്റികൾക്ക്) തുറന്നുകാട്ടുന്നു, എന്നാൽ കമ്പനിയിലെ മറ്റ് മേഖലകളിൽ അല്ലെങ്കിൽ ഒരുപക്ഷേ സമാനമായ കമ്പനികളിൽ പോലും സ്ഥാപിച്ചിട്ടുള്ള മാനദണ്ഡങ്ങൾ പാലിക്കാൻ ടീം തന്നെ തയ്യാറല്ല. ഇത് കാപട്യമാണെന്ന് മാത്രമല്ല, നിലവിലുള്ള വിഭവങ്ങളും നിക്ഷേപങ്ങളും ചൂഷണം ചെയ്യാൻ കമ്പനിക്ക് കഴിവില്ലെന്ന് സ്ഥാപിക്കുകയും ചെയ്യുന്നു. നിലവാരമില്ലാത്ത പ്ലാറ്റ്‌ഫോമോ സാങ്കേതികവിദ്യയോ ഉറപ്പുനൽകുന്ന സാഹചര്യങ്ങളൊന്നുമില്ലെന്ന് ഇതിനർത്ഥമില്ല; എന്നിരുന്നാലും, വെയർഹൗസ് ശ്രമങ്ങൾ

ബിസിനസ് ആവശ്യകതകൾ മറ്റൊരുവിധത്തിൽ നിർദ്ദേശിക്കുന്നത് വരെ അവർ കമ്പനിയുടെ നിലവാരം അസൂയയോടെ സംരക്ഷിക്കണം.

ഒരു BI ഓർഗനൈസേഷൻ നിർമ്മിക്കുന്നതിന് ആവശ്യമായ മൂന്നാമത്തെ പ്രധാന ഘടകം അച്ചടക്കമാണ്.
ഇത് മൊത്തത്തിൽ, വ്യക്തികളെയും പരിസ്ഥിതിയെയും ആശ്രയിച്ചിരിക്കുന്നു. പ്രോജക്റ്റ് പ്ലാനർമാർ, സ്പോൺസർമാർ, ആർക്കിടെക്റ്റുകൾ, ഉപയോക്താക്കൾ എന്നിവർ കമ്പനിയുടെ വിവര ഘടന കെട്ടിപ്പടുക്കുന്നതിന് ആവശ്യമായ അച്ചടക്കത്തെ അഭിനന്ദിക്കണം. സമൂഹത്തിൽ ആവശ്യമായ മറ്റ് ശ്രമങ്ങൾ പൂർത്തീകരിക്കുന്ന വിധത്തിൽ ഡിസൈനർമാർ അവരുടെ ഡിസൈൻ ശ്രമങ്ങളെ നയിക്കണം.

ഉദാഹരണത്തിന്, നിങ്ങളുടെ കമ്പനി ഒരു വെയർഹൗസ് ഘടകമുള്ള ഒരു ERP ആപ്ലിക്കേഷൻ നിർമ്മിക്കുന്നുവെന്ന് പറയുക.
അതിനാൽ, ഇതിനകം ആരംഭിച്ച ജോലികളുമായി മത്സരിക്കുകയോ ഡ്യൂപ്ലിക്കേറ്റ് ചെയ്യുകയോ ചെയ്യാതിരിക്കാൻ വെയർഹൗസ് പരിസ്ഥിതി ടീമുമായി സഹകരിക്കേണ്ടത് ERP ഡിസൈനർമാരുടെ ഉത്തരവാദിത്തമാണ്.

അച്ചടക്കം എന്നത് മുഴുവൻ ഓർഗനൈസേഷനും അഭിസംബോധന ചെയ്യേണ്ട ഒരു വിഷയമാണ്, അത് സാധാരണയായി ഒരു എക്സിക്യൂട്ടീവ് തലത്തിൽ സ്ഥാപിക്കുകയും ചുമതലപ്പെടുത്തുകയും ചെയ്യുന്നു.
രൂപകൽപ്പന ചെയ്ത സമീപനം പാലിക്കാൻ മാനേജർമാർ തയ്യാറാണോ? എന്റർപ്രൈസസിന്റെ എല്ലാ മേഖലകൾക്കും ആത്യന്തികമായി മൂല്യം കൊണ്ടുവരുന്ന, എന്നാൽ ഒരുപക്ഷേ വ്യക്തിഗത അല്ലെങ്കിൽ ഡിപ്പാർട്ട്‌മെന്റൽ അജണ്ടകളിൽ വിട്ടുവീഴ്ച ചെയ്യുന്ന വിവര ഉള്ളടക്കം സൃഷ്ടിക്കുമെന്ന് വാഗ്ദാനം ചെയ്യുന്ന ഒരു സമീപനം? "ഒരു കാര്യത്തെക്കുറിച്ച് ചിന്തിക്കുന്നതിനേക്കാൾ എല്ലാത്തെക്കുറിച്ചും ചിന്തിക്കുന്നത് പ്രധാനമാണ്" എന്ന ചൊല്ല് ഓർക്കുക. BI ഓർഗനൈസേഷനുകൾക്ക് ഈ വാക്ക് ശരിയാണ്.

നിർഭാഗ്യവശാൽ, പല വെയർഹൌസുകളും അവരുടെ ശ്രമങ്ങൾ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നത് ഒരു പ്രത്യേക ഡിപ്പാർട്ട്മെന്റിനെയോ നിർദ്ദിഷ്ട ഉപയോക്താക്കളെയോ ടാർഗെറ്റുചെയ്യാനും മൂല്യം കൊണ്ടുവരാനും ശ്രമിക്കുന്നു. എക്സിക്യൂട്ടീവ് വെയർഹൗസ് ടീമിൽ നിന്ന് സഹായം അഭ്യർത്ഥിക്കുന്നു എന്ന് കരുതുക. മാനേജർ നിർവചിച്ചിരിക്കുന്ന അറിയിപ്പ് ആവശ്യകതകൾ വിതരണം ചെയ്യുക മാത്രമല്ല, എല്ലാം ഉറപ്പാക്കുകയും ചെയ്യുന്ന 90 ദിവസത്തെ പരിശ്രമത്തിലൂടെ ടീം പ്രതികരിക്കുന്നു. ഡാറ്റ നിർദ്ദിഷ്ട ക്യൂബ് സാങ്കേതികവിദ്യയിൽ അവതരിപ്പിക്കുന്നതിന് മുമ്പ് അടിസ്ഥാനം ആറ്റോമിക് തലത്തിൽ കലർത്തിയിരിക്കുന്നു.
ഈ എഞ്ചിനീയറിംഗ് കൂട്ടിച്ചേർക്കൽ വെയർഹൗസ് എന്റർപ്രൈസസിന് പ്രയോജനം ചെയ്യുമെന്ന് ഉറപ്പാക്കുന്നു ഡാറ്റ മാനേജർക്ക് അത്യാവശ്യമാണ്.
എന്നിരുന്നാലും, എക്സിക്യൂട്ടീവ് പുറത്തുനിന്നുള്ള കൺസൾട്ടിംഗ് സ്ഥാപനങ്ങളുമായി സംസാരിച്ചു, അവർ 4 ആഴ്ചയ്ക്കുള്ളിൽ ഡെലിവറിയുമായി സമാനമായ ഒരു അപേക്ഷ നിർദ്ദേശിച്ചു.

ആന്തരിക വെയർഹൗസ് ടീം കഴിവുള്ളവരാണെന്ന് കരുതുക, എക്സിക്യൂട്ടീവിന് ഒരു തിരഞ്ഞെടുപ്പുണ്ട്. ഇൻഫർമേഷൻ അസറ്റ് എന്റർപ്രൈസ് വളർത്തിയെടുക്കാൻ ആവശ്യമായ അധിക എഞ്ചിനീയറിംഗ് അച്ചടക്കത്തെ ആർക്കൊക്കെ പിന്തുണയ്‌ക്കാൻ കഴിയും അല്ലെങ്കിൽ അവരുടെ സ്വന്തം പരിഹാരം വേഗത്തിൽ നിർമ്മിക്കാൻ തിരഞ്ഞെടുക്കാം. അവസാനത്തേത് പലപ്പോഴും തിരഞ്ഞെടുക്കപ്പെട്ടതായി തോന്നുന്നു, മാത്രമല്ല ചിലർക്കോ വ്യക്തികൾക്കോ ​​മാത്രം പ്രയോജനപ്പെടുന്ന വിവരങ്ങളുടെ കണ്ടെയ്നറുകൾ സൃഷ്‌ടിക്കുന്നതിന് വേണ്ടി മാത്രമാണ്.

ഹ്രസ്വവും ദീർഘകാലവുമായ ലക്ഷ്യങ്ങൾ

ഒരു ബിഐ ഓർഗനൈസേഷന്റെ മൊത്തത്തിലുള്ള വാസ്തുവിദ്യയുടെയും വളർച്ചയ്ക്കുള്ള പദ്ധതികളുടെയും ദീർഘകാല വീക്ഷണം ആർക്കിടെക്റ്റുകളും പ്രോജക്റ്റ് ഡിസൈനർമാരും ഔപചാരികമാക്കണം. ഹ്രസ്വകാല നേട്ടത്തിന്റെയും ദീർഘകാല ആസൂത്രണത്തിന്റെയും ഈ സംയോജനം ബിഐ ശ്രമങ്ങളുടെ രണ്ട് വശങ്ങളെ പ്രതിനിധീകരിക്കുന്നു. നിങ്ങളുടെ വെയർഹൗസിന്റെ ആവർത്തനങ്ങളുമായി ബന്ധപ്പെട്ടിരിക്കുന്ന BI-യുടെ മുഖമാണ് ഹ്രസ്വകാല നേട്ടം.

ഇവിടെയാണ് പ്ലാനർമാരും ആർക്കിടെക്റ്റുകളും സ്പോൺസർമാരും പ്രത്യേക വാണിജ്യ ആവശ്യങ്ങൾ നിറവേറ്റുന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നത്. ഭൗതിക ഘടനകൾ നിർമ്മിക്കുന്നതും സാങ്കേതികവിദ്യ വാങ്ങുന്നതും സാങ്കേതിക വിദ്യകൾ നടപ്പിലാക്കുന്നതും ഈ തലത്തിലാണ്. പ്രത്യേക ഉപയോക്തൃ കമ്മ്യൂണിറ്റികൾ നിർവചിച്ചിരിക്കുന്ന നിർദ്ദിഷ്ട ആവശ്യകതകൾ പരിഹരിക്കുന്നതിന് അവ ഒരു തരത്തിലും നിർമ്മിച്ചിട്ടില്ല. ഒരു പ്രത്യേക കമ്മ്യൂണിറ്റി നിർവചിച്ചിരിക്കുന്ന നിർദ്ദിഷ്ട ആവശ്യകതകൾ പരിഹരിക്കുന്നതിനാണ് എല്ലാം ചെയ്യുന്നത്.
എന്നിരുന്നാലും, ദീർഘകാല ആസൂത്രണമാണ് ബിഐയുടെ മറ്റൊരു വശം. ഇവിടെയാണ് പ്ലാനുകളും രൂപകല്പനകളും ഏതെങ്കിലും ഭൌതിക ഘടന നിർമ്മിച്ചിരിക്കുന്നത് എന്ന് ഉറപ്പുവരുത്തുന്നതും സാങ്കേതിക വിദ്യകൾ തിരഞ്ഞെടുത്തതും എന്റർപ്രൈസ് ലക്ഷ്യമാക്കി നടപ്പിലാക്കിയ സാങ്കേതിക വിദ്യകളും. കണ്ടെത്തുന്ന ഏതൊരു ഹ്രസ്വകാല നേട്ടങ്ങളിൽ നിന്നും ബിസിനസ്സ് നേട്ടങ്ങൾ ഉണ്ടാകുന്നുവെന്ന് ഉറപ്പാക്കാൻ ആവശ്യമായ ഏകീകരണം നൽകുന്നത് ദീർഘകാല ആസൂത്രണമാണ്.

നിങ്ങളുടെ BI ശ്രമത്തെ ന്യായീകരിക്കുക

Un ഡാറ്റ വെയർഹൗസ് സ്വയം അതിന് അന്തർലീനമായ മൂല്യമില്ല. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, വെയർഹൗസ് സാങ്കേതികവിദ്യകൾക്കും നടപ്പാക്കൽ സാങ്കേതികതകൾക്കും ഇടയിൽ അന്തർലീനമായ മൂല്യമില്ല.

വെയർഹൗസ് പരിതസ്ഥിതിയുടെയും കാലാകാലങ്ങളിൽ കൃഷി ചെയ്യുന്ന വിവര ഉള്ളടക്കത്തിന്റെയും ഫലമായി നടത്തുന്ന പ്രവർത്തനങ്ങളിൽ ഏതൊരു വെയർഹൗസ് പരിശ്രമത്തിന്റെയും മൂല്യം കണ്ടെത്തുന്നു. നിങ്ങൾ എപ്പോഴെങ്കിലും എവിടെയെങ്കിലും സംരംഭത്തിന്റെ മൂല്യം കണക്കാക്കാൻ ശ്രമിക്കുന്നതിന് മുമ്പ് മനസ്സിലാക്കേണ്ട ഒരു സുപ്രധാന പോയിന്റാണിത്.

മിക്കപ്പോഴും, ആർക്കിടെക്റ്റുകളും ഡിസൈനർമാരും വെയർഹൗസിന്റെ ഭൗതികവും സാങ്കേതികവുമായ ഘടകങ്ങൾക്ക് മൂല്യം പ്രയോഗിക്കാൻ ശ്രമിക്കുന്നു, യഥാർത്ഥത്തിൽ മൂല്യം വെയർഹൗസും നന്നായി നേടിയ വിവരങ്ങളും ഗുണപരമായി ബാധിക്കുന്ന ബിസിനസ്സ് പ്രക്രിയകളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്.

ബിഐ സ്ഥാപിക്കുന്നതിനുള്ള വെല്ലുവിളി ഇവിടെയുണ്ട്: നിക്ഷേപത്തെ നിങ്ങൾ എങ്ങനെ ന്യായീകരിക്കും? ആ ഭവനത്തിന് തന്നെ അന്തർലീനമായ മൂല്യമില്ലെങ്കിൽ, നിർദ്ദിഷ്ട ബിസിനസ് പ്രക്രിയകൾ അല്ലെങ്കിൽ സംരക്ഷിത വിവരങ്ങളുടെ മൂല്യം അല്ലെങ്കിൽ ഇവ രണ്ടും മെച്ചപ്പെടുത്തുന്നതിന് വെയർഹൗസ് ഉപയോഗിക്കുന്ന വ്യക്തികൾ നേടിയ നേട്ടങ്ങളെക്കുറിച്ച് പ്രോജക്റ്റ് ഡിസൈനർമാർ അന്വേഷിക്കുകയും നിർവചിക്കുകയും ഔപചാരികമാക്കുകയും വേണം.

കാര്യങ്ങൾ സങ്കീർണ്ണമാക്കുന്നതിന്, വെയർഹൗസിംഗ് ശ്രമങ്ങളാൽ ബാധിക്കപ്പെട്ട ഏതൊരു ബിസിനസ് പ്രക്രിയയും "ഗണ്യമായ" അല്ലെങ്കിൽ "ചെറിയ" ആനുകൂല്യങ്ങൾ നൽകും. ഗണ്യമായ നേട്ടങ്ങൾ നിക്ഷേപത്തിന്റെ വരുമാനം (ROI) അളക്കുന്നതിനുള്ള ഒരു മൂർത്തമായ മെട്രിക് നൽകുന്നു - ഉദാഹരണത്തിന്, ഒരു നിശ്ചിത കാലയളവിൽ ഒരു അധിക സമയം അല്ലെങ്കിൽ ഒരു ഷിപ്പ്‌മെന്റിന് കുറഞ്ഞ ഗതാഗത ചെലവ്. മൂർത്തമായ മൂല്യത്തിന്റെ അടിസ്ഥാനത്തിൽ, വിവരങ്ങളിലേക്കുള്ള മെച്ചപ്പെട്ട ആക്‌സസ് പോലുള്ള സൂക്ഷ്മമായ നേട്ടങ്ങൾ നിർവചിക്കുന്നത് ബുദ്ധിമുട്ടാണ്.

ഇതിനെക്കുറിച്ച് അറിയാൻ നിങ്ങളുടെ പ്രോജക്‌റ്റുമായി ബന്ധിപ്പിക്കുക ബിസിനസ്സ് അഭ്യർത്ഥനകൾ

മിക്കപ്പോഴും, പ്രോജക്റ്റ് പ്ലാനർമാർ വെയർഹൗസ് മൂല്യത്തെ രൂപരഹിതമായ എന്റർപ്രൈസ് ലക്ഷ്യങ്ങളുമായി ബന്ധിപ്പിക്കാൻ ശ്രമിക്കുന്നു. "ഒരു വെയർഹൗസിന്റെ മൂല്യം തന്ത്രപരമായ അഭ്യർത്ഥനകളെ തൃപ്തിപ്പെടുത്താനുള്ള നമ്മുടെ കഴിവിനെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്" എന്ന് പ്രഖ്യാപിക്കുന്നതിലൂടെ, ഞങ്ങൾ ചർച്ചയെ മനോഹരമായി തുറക്കുന്നു. എന്നാൽ ഇൻവെന്ററിയിൽ നിക്ഷേപിക്കുന്നത് അർത്ഥവത്താണോ എന്ന് നിർണ്ണയിക്കാൻ ഇത് മാത്രം പോരാ. വെയർഹൗസ് ആവർത്തനങ്ങളെ നിർദ്ദിഷ്ട, അറിയപ്പെടുന്ന ബിസിനസ്സ് ആവശ്യങ്ങളുമായി ബന്ധിപ്പിക്കുന്നതാണ് നല്ലത്.

ROI അളക്കുന്നു

ഒരു വെയർഹൗസ് ക്രമീകരണത്തിൽ ROI കണക്കാക്കുന്നത് പ്രത്യേകിച്ച് ബുദ്ധിമുട്ടാണ്. നേട്ടമാണെങ്കിൽ പ്രത്യേകിച്ചും ബുദ്ധിമുട്ടാണ്

ഒരു പ്രത്യേക ആവർത്തനത്തിന്റെ പ്രധാനം മൂർത്തമോ അളക്കാൻ എളുപ്പമോ അല്ലാത്ത ഒന്നാണ്. BI സംരംഭങ്ങളുടെ രണ്ട് പ്രധാന നേട്ടങ്ങൾ ഉപയോക്താക്കൾ മനസ്സിലാക്കുന്നുവെന്ന് ഒരു പഠനം കണ്ടെത്തി:

• ▪  തീരുമാനങ്ങൾ സൃഷ്ടിക്കാനുള്ള കഴിവ് സൃഷ്ടിക്കുക
• ▪  വിവരങ്ങളിലേക്കുള്ള ആക്‌സസ് സൃഷ്‌ടിക്കുക
  ഈ ആനുകൂല്യങ്ങൾ മൃദുവായ (അല്ലെങ്കിൽ മിതമായ) ആനുകൂല്യങ്ങളാണ്. ഗതാഗതച്ചെലവ് കുറയ്ക്കുന്നതുപോലുള്ള കഠിനമായ (അല്ലെങ്കിൽ പ്രധാനമായ) ആനുകൂല്യത്തെ അടിസ്ഥാനമാക്കി നമുക്ക് എങ്ങനെ ഒരു ROI കണക്കാക്കാമെന്ന് കാണാൻ എളുപ്പമാണ്, എന്നാൽ മികച്ച തീരുമാനങ്ങൾ എടുക്കാനുള്ള കഴിവ് ഞങ്ങൾ എങ്ങനെ അളക്കും?
  ഒരു പ്രത്യേക വെയർഹൗസ് പ്രയത്നത്തിൽ നിക്ഷേപിക്കാൻ കമ്പനിയെ ബോധ്യപ്പെടുത്താൻ ശ്രമിക്കുമ്പോൾ പദ്ധതി ആസൂത്രകർക്ക് ഇത് തീർച്ചയായും ഒരു വെല്ലുവിളിയാണ്. വിൽ‌പന വർദ്ധിക്കുന്നതോ ചെലവ് കുറയുന്നതോ ഇനി BI പരിതസ്ഥിതിയെ നയിക്കുന്ന കേന്ദ്ര തീമുകളല്ല.
  പകരം, ഒരു പ്രത്യേക വകുപ്പിന് വേഗത്തിലുള്ള തീരുമാനങ്ങൾ എടുക്കാൻ കഴിയുന്ന തരത്തിൽ വിവരങ്ങളിലേക്കുള്ള മികച്ച ആക്‌സസിനായുള്ള ബിസിനസ്സ് അഭ്യർത്ഥനകൾ നിങ്ങൾ നോക്കുകയാണ്. ഇവ എന്റർപ്രൈസസിന് തുല്യ പ്രാധാന്യമുള്ള തന്ത്രപ്രധാനമായ ഡ്രൈവറുകളാണ്, എന്നാൽ കൂടുതൽ അവ്യക്തവും മൂർത്തമായ മെട്രിക്കിൽ ചിത്രീകരിക്കാൻ പ്രയാസവുമാണ്. ഈ സാഹചര്യത്തിൽ, ROI കണക്കാക്കുന്നത് അപ്രസക്തമല്ലെങ്കിൽ തെറ്റിദ്ധരിപ്പിക്കുന്നതാണ്.
  ഒരു പ്രത്യേക ആവർത്തനത്തിലെ നിക്ഷേപം മൂല്യവത്താണോ എന്ന് തീരുമാനിക്കാൻ എക്സിക്യൂട്ടീവുകൾക്ക് വ്യക്തമായ മൂല്യം പ്രകടിപ്പിക്കാൻ പ്രോജക്റ്റ് ഡിസൈനർമാർക്ക് കഴിയണം. എന്നിരുന്നാലും, ROI കണക്കാക്കുന്നതിനുള്ള ഒരു പുതിയ രീതി ഞങ്ങൾ നിർദ്ദേശിക്കില്ല, അല്ലെങ്കിൽ അതിനെ അനുകൂലിച്ചോ പ്രതികൂലിച്ചോ ഞങ്ങൾ വാദങ്ങൾ ഉന്നയിക്കുകയുമില്ല.
  ROI കണക്കാക്കുന്നതിന്റെ അടിസ്ഥാനകാര്യങ്ങൾ ചർച്ച ചെയ്യുന്ന നിരവധി ലേഖനങ്ങളും പുസ്തകങ്ങളും ലഭ്യമാണ്. നിങ്ങൾക്ക് ഗവേഷണം ചെയ്യാൻ കഴിയുന്ന ഗാർട്ട്നർ പോലുള്ള ഗ്രൂപ്പുകൾ വാഗ്ദാനം ചെയ്യുന്ന നിക്ഷേപത്തിന്റെ മൂല്യം (VOI) പോലുള്ള പ്രത്യേക മൂല്യ നിർദ്ദേശങ്ങളുണ്ട്. പകരം, നിങ്ങൾ പരിഗണിക്കേണ്ട ഏതെങ്കിലും ROI അല്ലെങ്കിൽ മറ്റ് മൂല്യ നിർദ്ദേശങ്ങളുടെ പ്രധാന വശങ്ങളിൽ ഞങ്ങൾ ശ്രദ്ധ കേന്ദ്രീകരിക്കും. ROI പ്രയോഗിക്കുന്നു BI ശ്രമങ്ങളുമായി ബന്ധപ്പെട്ട "ഹാർഡ്" ആനുകൂല്യങ്ങളും "സോഫ്റ്റ്" ആനുകൂല്യങ്ങളും എന്ന വാദത്തിനപ്പുറം ROI പ്രയോഗിക്കുമ്പോൾ പരിഗണിക്കേണ്ട മറ്റ് പ്രശ്‌നങ്ങളുണ്ട്. ഉദാഹരണത്തിന്:

എന്തായാലും വരാനിരിക്കുന്ന DW ശ്രമങ്ങൾക്ക് വളരെയധികം സമ്പാദ്യങ്ങൾ ആട്രിബ്യൂട്ട് ചെയ്യുക
നിങ്ങളുടെ കമ്പനി ഒരു മെയിൻഫ്രെയിം ആർക്കിടെക്ചറിൽ നിന്ന് വിതരണം ചെയ്ത UNIX പരിതസ്ഥിതിയിലേക്ക് മാറിയെന്ന് പറയാം. അതിനാൽ ആ പ്രയത്‌നത്തിൽ നിന്ന് നേടിയെടുത്തേക്കാവുന്ന (അല്ലെങ്കിൽ അല്ലാത്ത) ഏതെങ്കിലും സമ്പാദ്യം വെയർഹൗസിന് (?) മാത്രമായി ആട്രിബ്യൂട്ട് ചെയ്യാൻ പാടില്ല.

എല്ലാത്തിനും കണക്കില്ല എന്നത് ചെലവേറിയതാണ്. കൂടാതെ കണക്കിലെടുക്കേണ്ട നിരവധി കാര്യങ്ങളുണ്ട്. ഇനിപ്പറയുന്ന ലിസ്റ്റ് പരിഗണിക്കുക:

• ▪  സാധ്യത ഉൾപ്പെടെയുള്ള ആരംഭ ചെലവ്.
• ▪  അനുബന്ധ സംഭരണവും ആശയവിനിമയവും ഉള്ള സമർപ്പിത ഹാർഡ്‌വെയറിന്റെ വില
• ▪  സോഫ്റ്റ്‌വെയറിന്റെ മാനേജ്‌മെന്റ് ഉൾപ്പെടെയുള്ള ചെലവ് ഡാറ്റ കൂടാതെ ക്ലയന്റ്/സെർവർ എക്സ്റ്റൻഷനുകൾ, ETL സോഫ്റ്റ്‌വെയർ, DSS സാങ്കേതികവിദ്യകൾ, വിഷ്വലൈസേഷൻ ടൂളുകൾ, ഷെഡ്യൂളിംഗ്, വർക്ക്ഫ്ലോ ആപ്ലിക്കേഷനുകൾ, മോണിറ്ററിംഗ് സോഫ്റ്റ്‌വെയർ, .
• ▪  ഘടനാ രൂപകല്പന ചെലവ് ഡാറ്റ, സൃഷ്ടിയും ഒപ്റ്റിമൈസേഷനും ഉപയോഗിച്ച്
• ▪  ബിഐ ശ്രമവുമായി നേരിട്ട് ബന്ധപ്പെട്ട സോഫ്‌റ്റ്‌വെയർ വികസന ചെലവ്
• ▪  സോഫ്റ്റ്‌വെയർ പതിപ്പ് നിയന്ത്രണവും സഹായ പ്രവർത്തനങ്ങളും ഉൾപ്പെടെ, പ്രകടന ഒപ്റ്റിമൈസേഷൻ ഉൾപ്പെടെയുള്ള ഹോം സപ്പോർട്ടിന്റെ ചിലവ് "Big-Bang" ROI പ്രയോഗിക്കുക. ഒറ്റ, ഭീമാകാരമായ പ്രയത്നം എന്ന നിലയിൽ വെയർഹൗസ് നിർമ്മിക്കുന്നത് പരാജയപ്പെടും, അതിനാൽ ഒരു വൻകിട സംരംഭത്തിനുള്ള ROI പോലും കണക്കാക്കുക ഓഫർ ആശ്ചര്യകരമാണ്, കൂടാതെ മുഴുവൻ പരിശ്രമത്തിന്റെയും മൂല്യം കണക്കാക്കാൻ ആസൂത്രകർ ദുർബലമായ ശ്രമങ്ങൾ തുടരുന്നു . നിർദ്ദിഷ്ട ആവർത്തനങ്ങൾ കണക്കാക്കുന്നത് ബുദ്ധിമുട്ടാണെന്ന് പരക്കെ അറിയപ്പെടുകയും അംഗീകരിക്കപ്പെടുകയും ചെയ്താൽ, ബിസിനസ്സ് സംരംഭത്തിന് ഒരു പണ മൂല്യം സ്ഥാപിക്കാൻ ആസൂത്രകർ ശ്രമിക്കുന്നത് എന്തുകൊണ്ട്? ഇതെങ്ങനെ സാധ്യമാകും? ചില അപവാദങ്ങളാൽ അത് സാധ്യമല്ല. അത് ചെയ്യരുത്. ROI കണക്കാക്കുമ്പോൾ എന്തുചെയ്യരുതെന്ന് ഞങ്ങൾ ഇപ്പോൾ സ്ഥാപിച്ചുകഴിഞ്ഞു, നിങ്ങളുടെ BI ശ്രമങ്ങളുടെ മൂല്യം കണക്കാക്കുന്നതിനുള്ള ഒരു വിശ്വസനീയമായ പ്രക്രിയ സ്ഥാപിക്കുന്നതിന് ഞങ്ങളെ സഹായിക്കുന്ന ചില പോയിന്റുകൾ ഇതാ.

ROI സമവായം നേടുന്നു. നിങ്ങളുടെ ബിഐ ശ്രമങ്ങളുടെ മൂല്യം കണക്കാക്കുന്നതിനുള്ള സാങ്കേതികത തിരഞ്ഞെടുക്കുന്നത് പരിഗണിക്കാതെ തന്നെ, പ്രോജക്ട് ഡിസൈനർമാർ, സ്പോൺസർമാർ, ബിസിനസ് എക്സിക്യൂട്ടീവുകൾ എന്നിവരുൾപ്പെടെ എല്ലാ കക്ഷികളും ഇത് അംഗീകരിച്ചിരിക്കണം.

ROI തിരിച്ചറിയാൻ കഴിയുന്ന ഭാഗങ്ങളായി കുറയ്ക്കുക. ഒരു ROI യുക്തിസഹമായി കണക്കാക്കുന്നതിനുള്ള ആവശ്യമായ ഒരു ഘട്ടം ഒരു നിർദ്ദിഷ്ട പ്രോജക്റ്റിൽ ആ കണക്കുകൂട്ടൽ കേന്ദ്രീകരിക്കുക എന്നതാണ്. നിർദ്ദിഷ്ട ബിസിനസ്സ് ആവശ്യകതകളെ അടിസ്ഥാനമാക്കി ഒരു മൂല്യം കണക്കാക്കാൻ ഇത് നിങ്ങളെ അനുവദിക്കുന്നു

ചെലവുകൾ നിർവചിക്കുക. സൂചിപ്പിച്ചതുപോലെ, നിരവധി ചെലവുകൾ പരിഗണിക്കേണ്ടതുണ്ട്. കൂടാതെ, സിംഗിൾ ആവർത്തനവുമായി ബന്ധപ്പെട്ടവ മാത്രമല്ല, കമ്പനിയുടെ മാനദണ്ഡങ്ങൾ പാലിക്കുന്നുണ്ടെന്ന് ഉറപ്പാക്കുന്നതുമായി ബന്ധപ്പെട്ട ചെലവുകളും ചെലവുകളിൽ ഉൾപ്പെടുത്തണം.

ആനുകൂല്യങ്ങൾ നിർവചിക്കുക. നിർദ്ദിഷ്ട ബിസിനസ് ആവശ്യകതകളുമായി ROI-യെ വ്യക്തമായി ലിങ്ക് ചെയ്യുന്നതിലൂടെ, ആവശ്യകതകൾ നിറവേറ്റുന്നതിലേക്ക് നയിക്കുന്ന നേട്ടങ്ങൾ തിരിച്ചറിയാൻ ഞങ്ങൾക്ക് കഴിയണം.

ആസന്നമായ ലാഭത്തിൽ ചെലവുകളും ആനുകൂല്യങ്ങളും കുറയ്ക്കുക. ഭാവിയിലെ വരുമാനത്തിൽ ഭാവി മൂല്യം പ്രവചിക്കാൻ ശ്രമിക്കുന്നതിന് വിരുദ്ധമായി, നിങ്ങളുടെ മൂല്യനിർണ്ണയത്തെ നെറ്റ് പ്രസന്റ് മൂല്യത്തിൽ (NPV) അടിസ്ഥാനമാക്കുന്നതിനുള്ള മികച്ച മാർഗമാണിത്.

നിങ്ങളുടെ ROI വിഭജിക്കുന്ന സമയം മിനിമം ആയി നിലനിർത്തുക. ഇത് നിങ്ങളുടെ ROI-യിൽ ഉപയോഗിച്ച ദീർഘകാല കാലയളവിൽ ഇത് നന്നായി രേഖപ്പെടുത്തിയിട്ടുണ്ട്.

ഒന്നിലധികം ROI ഫോർമുലകൾ ഉപയോഗിക്കുക. ROI പ്രവചിക്കുന്നതിന് നിരവധി രീതികളുണ്ട്, അവയിൽ ഒന്നോ അതിലധികമോ ഉപയോഗിക്കണമോ എന്ന് നിങ്ങൾ പ്ലാൻ ചെയ്യണം, മൊത്തം നിലവിലെ മൂല്യം, ആന്തരിക റിട്ടേൺ നിരക്ക് (IRR), തിരിച്ചടവ് എന്നിവ ഉൾപ്പെടുന്നു.

ആവർത്തിക്കാവുന്ന പ്രക്രിയ നിർവ്വചിക്കുക. ഏതെങ്കിലും ദീർഘകാല മൂല്യം കണക്കാക്കുന്നതിന് ഇത് നിർണായകമാണ്. എല്ലാ പ്രോജക്റ്റ് തുടർനടപടികളും പിന്തുടരുന്നതിന് ഒരൊറ്റ ആവർത്തിക്കാവുന്ന പ്രക്രിയ രേഖപ്പെടുത്തണം.

വെയർഹൗസ് പരിതസ്ഥിതിയിലെ വിദഗ്ധർ നിർവചിച്ചിട്ടുള്ള ഏറ്റവും സാധാരണമായ പ്രശ്നങ്ങളാണ് ലിസ്റ്റ് ചെയ്തിരിക്കുന്നത്. ഒരു "ബിഗ്-ബാംഗ്" ROI ഡെലിവർ ചെയ്യാനുള്ള മാനേജ്‌മെന്റിന്റെ നിർബന്ധം വളരെ വഴിതെറ്റിക്കുന്നതാണ്. നിങ്ങളുടെ എല്ലാ ROI കണക്കുകൂട്ടലുകളും തിരിച്ചറിയാവുന്നതും മൂർച്ചയുള്ളതുമായ കഷണങ്ങളായി വിഭജിച്ചുകൊണ്ട് നിങ്ങൾ ആരംഭിക്കുകയാണെങ്കിൽ, കൃത്യമായ ROI റേറ്റിംഗ് കണക്കാക്കാൻ നിങ്ങൾക്ക് നല്ല അവസരമുണ്ട്.

ROI ആനുകൂല്യങ്ങളെ സംബന്ധിച്ച ചോദ്യങ്ങൾ

നിങ്ങളുടെ ആനുകൂല്യങ്ങൾ എന്തുതന്നെയായാലും, മൃദുവായതോ കഠിനമോ ആയാലും, അവയുടെ മൂല്യം നിർണ്ണയിക്കാൻ നിങ്ങൾക്ക് ചില അടിസ്ഥാന ചോദ്യങ്ങൾ ഉപയോഗിക്കാം. ഉദാഹരണത്തിന്, ഒരു ലളിതമായ സ്കെയിലിംഗ് സിസ്റ്റം ഉപയോഗിച്ച്, 1 മുതൽ 10 വരെ, ഇനിപ്പറയുന്ന ചോദ്യങ്ങൾ ഉപയോഗിച്ച് നിങ്ങൾക്ക് ഏത് ശ്രമത്തിന്റെയും ആഘാതം അളക്കാൻ കഴിയും:

• നിങ്ങൾ മനസ്സിലാക്കുന്നത് എങ്ങനെ വിലയിരുത്തും ഡാറ്റ നിങ്ങളുടെ കമ്പനിയുടെ ഈ പ്രോജക്റ്റ് പിന്തുടരുന്നുണ്ടോ?
• ഈ പ്രോജക്റ്റിന്റെ ഫലമായി പ്രക്രിയ മെച്ചപ്പെടുത്തലുകൾ നിങ്ങൾ എങ്ങനെ കണക്കാക്കും?
• ഈ ആവർത്തനത്തിലൂടെ ഇപ്പോൾ ലഭ്യമായിട്ടുള്ള പുതിയ സ്ഥിതിവിവരക്കണക്കുകളുടെയും അനുമാനങ്ങളുടെയും സ്വാധീനം നിങ്ങൾ എങ്ങനെ അളക്കും
• പഠിച്ചതിന്റെ ഫലമായി പുതിയതും ഉയർന്ന പ്രകടനമുള്ളതുമായ കമ്പ്യൂട്ടിംഗ് പരിതസ്ഥിതികളുടെ സ്വാധീനം എന്തായിരുന്നു? ഈ ചോദ്യങ്ങൾക്കുള്ള ഉത്തരങ്ങൾ കുറവാണെങ്കിൽ, കമ്പനി നടത്തിയ നിക്ഷേപത്തിന് വിലയില്ലായിരിക്കാം. ഉയർന്ന സ്‌കോറിംഗ് ചോദ്യങ്ങൾ ഗണ്യമായ മൂല്യ നേട്ടങ്ങളിലേക്ക് വിരൽ ചൂണ്ടുന്നു, അത് തുടർ അന്വേഷണത്തിനുള്ള വഴികാട്ടിയായി വർത്തിക്കുകയും വേണം. ഉദാഹരണത്തിന്, പ്രോസസ്സ് മെച്ചപ്പെടുത്തലുകൾക്കുള്ള ഉയർന്ന സ്കോർ, പ്രോസസ്സുകൾ എങ്ങനെ മെച്ചപ്പെടുത്തിയെന്ന് പരിശോധിക്കാൻ ഡിസൈനർമാരെ നയിക്കണം. നേടിയ ചില അല്ലെങ്കിൽ എല്ലാ നേട്ടങ്ങളും മൂർച്ചയുള്ളതാണെന്ന് നിങ്ങൾ കണ്ടെത്തിയേക്കാം, അതിനാൽ ഒരു പണ മൂല്യം എളുപ്പത്തിൽ പ്രയോഗിക്കാൻ കഴിയും. ന്റെ ആദ്യ ആവർത്തനത്തിൽ നിന്ന് പരമാവധി പ്രയോജനപ്പെടുത്തുന്നു വെയർഹൗസ് നിങ്ങളുടെ എന്റർപ്രൈസ് പരിശ്രമത്തിന്റെ ഏറ്റവും വലിയ ഫലം പലപ്പോഴും ആദ്യത്തെ കുറച്ച് ആവർത്തനങ്ങളിലാണ്. ഈ ആദ്യകാല ശ്രമങ്ങൾ പരമ്പരാഗതമായി പൊതുജനങ്ങൾക്ക് ഏറ്റവും ഉപയോഗപ്രദമായ വിവര ഉള്ളടക്കം സ്ഥാപിക്കുകയും തുടർന്നുള്ള BI ആപ്ലിക്കേഷനുകൾക്കുള്ള സാങ്കേതിക അടിത്തറ സ്ഥാപിക്കാൻ സഹായിക്കുകയും ചെയ്യുന്നു. സാധാരണയായി എല്ലാ തുടർന്നുള്ള തുടർനടപടികളും ഡാറ്റ വെയർഹൗസ് പ്രോജക്ടുകൾ കമ്പനിക്ക് പൊതുവെ കുറച്ചുകൂടി അധിക മൂല്യം കൊണ്ടുവരുന്നു. ആവർത്തനം പുതിയ വിഷയങ്ങൾ ചേർക്കുന്നില്ലെങ്കിൽ അല്ലെങ്കിൽ ഒരു പുതിയ ഉപയോക്തൃ കമ്മ്യൂണിറ്റിയുടെ ആവശ്യങ്ങൾ നിറവേറ്റുന്നില്ലെങ്കിൽ ഇത് പ്രത്യേകിച്ചും സത്യമാണ്.

ഈ സ്റ്റോറേജ് ഫീച്ചർ വളരുന്ന സ്റ്റാക്കുകൾക്കും ബാധകമാണ് ഡാറ്റ ചരിത്രകാരന്മാർ. തുടർന്നുള്ള ശ്രമങ്ങൾക്ക് കൂടുതൽ ആവശ്യമാണ് ഡാറ്റ കൂടാതെ എത്ര കൂടുതൽ ഡാറ്റ കാലക്രമേണ വെയർഹൗസിലേക്ക് ഒഴിക്കപ്പെടുന്നു, മിക്കവയും ഡാറ്റ ഉപയോഗിച്ച വിശകലനത്തിന് പ്രസക്തി കുറയുന്നു. ഇവ ഡാറ്റ അവർ പലപ്പോഴും വിളിക്കപ്പെടുന്നു ഡാറ്റ പ്രവർത്തനരഹിതമാണ്, അവ ഒരിക്കലും ഉപയോഗിക്കാത്തതിനാൽ അവ സൂക്ഷിക്കുന്നത് എല്ലായ്പ്പോഴും ചെലവേറിയതാണ്.

പ്രോജക്റ്റ് സ്പോൺസർമാർക്ക് ഇത് എന്താണ് അർത്ഥമാക്കുന്നത്? അടിസ്ഥാനപരമായി, ആദ്യകാല സ്പോൺസർമാർ നിക്ഷേപത്തിന്റെ വിലയേക്കാൾ കൂടുതൽ പങ്കിടുന്നു. ഇത് പ്രാഥമികമാണ്, കാരണം അവ വെയർഹൗസിന്റെ വിശാലമായ സാങ്കേതിക പരിതസ്ഥിതിയും ഓർഗാനിക് ഉൾപ്പെടെയുള്ള വിഭവ പാളിയും സ്ഥാപിക്കുന്നതിനുള്ള പ്രേരണയാണ്.

എന്നാൽ ഈ ആദ്യ ഘട്ടങ്ങൾ ഏറ്റവും ഉയർന്ന മൂല്യം കൊണ്ടുവരുന്നു, അതിനാൽ പ്രോജക്റ്റ് ഡിസൈനർമാർ പലപ്പോഴും നിക്ഷേപത്തെ ന്യായീകരിക്കേണ്ടതുണ്ട്.
നിങ്ങളുടെ ബിഐ മുൻകൈയ്‌ക്ക് ശേഷം ചെയ്യുന്ന പ്രോജക്‌റ്റുകൾക്ക് കുറവും (ആദ്യത്തേതിനെ അപേക്ഷിച്ച്) നേരിട്ടുള്ള ചിലവുകളും ഉണ്ടായിരിക്കാം, പക്ഷേ കമ്പനിക്ക് കുറഞ്ഞ മൂല്യം കൊണ്ടുവരും.

സ്ഥാപന ഉടമകൾ ശേഖരണം വലിച്ചെറിയുന്നത് പരിഗണിക്കേണ്ടതുണ്ട് ഡാറ്റ പ്രസക്തമല്ലാത്ത സാങ്കേതിക വിദ്യകളും.

ഡാറ്റ മൈനിംഗ്: എക്സ്ട്രാക്ഷൻ ദതി

നിരവധി വാസ്തുവിദ്യാ ഘടകങ്ങൾക്ക് ഡാറ്റ മൈനിംഗ് സാങ്കേതികവിദ്യകളിലും സാങ്കേതികതകളിലും വ്യത്യാസങ്ങൾ ആവശ്യമാണ്-
ഉദാഹരണത്തിന്, താൽപ്പര്യമുള്ള പോയിന്റുകൾ പരിശോധിക്കുന്നതിനുള്ള വ്യത്യസ്ത "ഏജന്റുകൾ" ഉപഭോക്താക്കൾക്ക്, കമ്പനിയുടെ ഓപ്പറേറ്റിംഗ് സിസ്റ്റങ്ങളും dw-യ്ക്ക് തന്നെയും. ഈ ഏജന്റുമാർക്ക് വിൽപ്പന പ്രമോഷനുകളെ അടിസ്ഥാനമാക്കിയുള്ള ഭാവി ഉൽപ്പന്ന ഡിമാൻഡ് പോലുള്ള POT ട്രെൻഡുകളിൽ പരിശീലിപ്പിച്ച വിപുലമായ ന്യൂറൽ നെറ്റ്‌വർക്കുകളാകാം; ഒരു സെറ്റിനോട് പ്രതികരിക്കാനുള്ള നിയമങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ള എഞ്ചിനുകൾ ഡാറ്റോ സാഹചര്യങ്ങൾ, ഉദാഹരണത്തിന്, മെഡിക്കൽ രോഗനിർണയവും ചികിത്സ ശുപാർശകളും; അല്ലെങ്കിൽ ഉയർന്ന എക്സിക്യൂട്ടീവുകൾക്ക് ഒഴിവാക്കലുകൾ റിപ്പോർട്ടുചെയ്യുന്നതിനുള്ള റോളുള്ള ലളിതമായ ഏജന്റുമാർ പോലും. സാധാരണയായി ഈ എക്സ്ട്രാക്ഷൻ പ്രക്രിയകൾ ഡാറ്റ si

തത്സമയം സ്ഥിരീകരിക്കുക; അതിനാൽ, അവർ ചലനവുമായി പൂർണ്ണമായും ഐക്യപ്പെടണം ഡാറ്റ സ്വയം.

ഓൺലൈൻ അനലിറ്റിക് പ്രോസസ്സിംഗ് പ്രോസസ്സിംഗ്

ഓൺലൈൻ അനലിറ്റിക്സ്

സ്ലൈസ്, ഡൈസ്, റോൾ, ഡ്രിൽ ഡൌൺ, വിശകലനം ചെയ്യാനുള്ള കഴിവ്
ഐബിഎം ടെക്‌നോളജി സ്യൂട്ടിന്റെ ശ്രദ്ധാകേന്ദ്രമായ സ്കോപ്പിനുള്ളിൽ എന്താണ്-എങ്കിൽ. ഉദാഹരണത്തിന്, സോഫ്റ്റ്വെയർ എഞ്ചിനിലേക്ക് ഡൈമൻഷണൽ വിശകലനം കൊണ്ടുവരുന്ന DB2-ന് ഓൺലൈൻ അനലിറ്റിക്കൽ പ്രോസസ്സിംഗ് (OLAP) ഫംഗ്ഷനുകൾ നിലവിലുണ്ട്. ഡാറ്റാബേസ് ഒരേ .

DB2 ന്റെ സ്വാഭാവിക ഭാഗമാകുന്നതിന്റെ എല്ലാ ആനുകൂല്യങ്ങളും പ്രയോജനപ്പെടുത്തുമ്പോൾ ഫംഗ്ഷനുകൾ SQL-ലേക്ക് ഡൈമൻഷണൽ യൂട്ടിലിറ്റി ചേർക്കുന്നു. OLAP സംയോജനത്തിന്റെ മറ്റൊരു ഉദാഹരണമാണ് എക്സ്ട്രാക്ഷൻ ടൂൾ, DB2 OLAP സെർവർ അനലൈസർ. മൂല്യ മൂല്യങ്ങൾ കണ്ടെത്തുന്നതിനും റിപ്പോർട്ടുചെയ്യുന്നതിനും DB2 OLAP സെർവർ ക്യൂബുകൾ വേഗത്തിലും യാന്ത്രികമായും വിശകലനം ചെയ്യാൻ ഈ സാങ്കേതികവിദ്യ അനുവദിക്കുന്നു. ഡാറ്റ ബിസിനസ്സ് അനലിസ്റ്റിന് ക്യൂബിലുടനീളം അസാധാരണമോ അപ്രതീക്ഷിതമോ. അവസാനമായി, ഡി‌ഡബ്ല്യു സെന്റർ സവിശേഷതകൾ ആർക്കിടെക്റ്റുകൾക്ക് നിയന്ത്രിക്കാനുള്ള ഒരു മാർഗം നൽകുന്നു, മറ്റ് കാര്യങ്ങൾക്കൊപ്പം, ETL പ്രക്രിയകളുടെ സ്വാഭാവിക ഭാഗമായ ഒരു DB2 OLAP സെർവർ ക്യൂബിന്റെ പ്രൊഫൈൽ.

സ്പേഷ്യൽ അനാലിസിസ് സ്പേഷ്യൽ അനാലിസിസ്

ഒരു പനോരമയ്ക്ക് ആവശ്യമായ അനലിറ്റിക്കൽ ആങ്കറുകളുടെ (ലീഡുകൾ) പകുതിയെ സ്പേസ് പ്രതിനിധീകരിക്കുന്നു
വിശാലമായ വിശകലനം (സമയം മറ്റേ പകുതിയെ പ്രതിനിധീകരിക്കുന്നു). ചിത്രം 1.1-ൽ ചിത്രീകരിച്ചിരിക്കുന്ന വെയർഹൗസിന്റെ ആറ്റോമിക് ലെവലിൽ സമയവും സ്ഥലവും അടിസ്ഥാനപരമാണ്. സമയം അനുസരിച്ച് ആങ്കർ വിശകലനം ചെയ്യുന്ന സമയ സ്റ്റാമ്പുകൾ, സ്ഥലം അനുസരിച്ച് വിലാസ വിവരങ്ങളുടെ ആങ്കർ വിശകലനങ്ങൾ. ടൈംസ്റ്റാമ്പുകൾ സമയം അനുസരിച്ച് വിശകലനം നടത്തുന്നു, വിലാസ വിവരങ്ങൾ സ്പേസ് അനുസരിച്ച് വിശകലനം നടത്തുന്നു. ഡയഗ്രം ജിയോകോഡിംഗ് കാണിക്കുന്നു - വിലാസങ്ങളെ ഒരു മാപ്പിലെ പോയിന്റുകളിലേക്കോ ബഹിരാകാശത്തെ പോയിന്റുകളിലേക്കോ പരിവർത്തനം ചെയ്യുന്ന പ്രക്രിയ, അതിനാൽ ദൂരം, അകത്ത്/പുറം തുടങ്ങിയ ആശയങ്ങൾ വിശകലനത്തിൽ ഉപയോഗിക്കാൻ കഴിയും - ആറ്റോമിക് തലത്തിൽ നടത്തുകയും സ്പേഷ്യൽ വിശകലനം നടത്തുകയും ചെയ്യുന്നു. അനലിസ്റ്റ്. എൻവയോൺമെന്റൽ സിസ്റ്റം റിസർച്ച് ഇൻസ്റ്റിറ്റ്യൂട്ടുമായി (ESRI) വികസിപ്പിച്ചെടുത്ത സ്പേഷ്യൽ എക്സ്റ്റൻഷനുകൾ IBM നൽകുന്നു. ഡാറ്റാബേസ് DB2 ബഹിരാകാശ വസ്തുക്കളെ ഒരു സാധാരണ ഭാഗമായി സൂക്ഷിക്കാൻ കഴിയും ഡാറ്റാബേസ് ബന്ധമുള്ള. DB2

സ്പേഷ്യൽ വിശകലനം പ്രയോജനപ്പെടുത്തുന്നതിനായി സ്പേഷ്യൽ എക്സ്റ്റെൻഡറുകൾ എല്ലാ SQL എക്സ്റ്റൻഷനുകളും നൽകുന്നു. ഉദാഹരണത്തിന്, ചോദ്യം ചെയ്യാനുള്ള SQL വിപുലീകരണങ്ങൾ
വിലാസങ്ങൾ തമ്മിലുള്ള ദൂരം അല്ലെങ്കിൽ ഒരു ബിന്ദു നിർവചിക്കപ്പെട്ട ബഹുഭുജ മേഖലയുടെ അകത്തോ പുറത്തോ ആണെങ്കിൽ, അത് സ്പേഷ്യൽ എക്സ്റ്റെൻഡർ ഉപയോഗിച്ചുള്ള ഒരു വിശകലന മാനദണ്ഡമാണ്. കൂടുതൽ വിവരങ്ങൾക്ക് അധ്യായം 16 കാണുക.

ഡാറ്റാബേസ്- റസിഡന്റ് ടൂൾസ് ടൂൾസ് ഡാറ്റാബേസ്- താമസക്കാരൻ

വിശകലന പ്രവർത്തനത്തെ സഹായിക്കുന്ന നിരവധി BI-റെസിഡന്റ് SQL സവിശേഷതകൾ DB2 ന് ഉണ്ട്. ഇതിൽ ഉൾപ്പെടുന്നവ:

• "സാധ്യമായ എല്ലാ ഫ്ലൈറ്റ് പാതകളും കണ്ടെത്തുന്നത് പോലെയുള്ള വിശകലനം നടത്തുന്നതിനുള്ള ആവർത്തന പ്രവർത്തനങ്ങൾ സാൻ ഫ്രാൻസിസ്കോ a ന്യൂയോർക്ക്".
• സാധാരണയായി OLAP സാങ്കേതികവിദ്യയിൽ മാത്രം സംഭവിക്കുന്ന ജോലികൾ സുഗമമാക്കുന്നതിനുള്ള റാങ്കിംഗ്, ക്യുമുലേറ്റീവ് ഫംഗ്‌ഷനുകൾ, ക്യൂബ്, റോളപ്പ് എന്നിവയ്‌ക്കായുള്ള അനലിറ്റിക്കൽ ഫംഗ്‌ഷനുകൾ ഇപ്പോൾ എഞ്ചിന്റെ സ്വാഭാവിക ഭാഗമാണ്. ഡാറ്റാബേസ്
• ഫലങ്ങൾ ഉൾക്കൊള്ളുന്ന പട്ടികകൾ സൃഷ്ടിക്കാനുള്ള കഴിവ്
  യുടെ വിൽപ്പനക്കാർ ഡാറ്റാബേസ് നേതാക്കൾ കൂടുതൽ ബിഐ കഴിവുകൾ കൂട്ടിച്ചേർക്കുന്നു ഡാറ്റാബേസ് അതേ.
  യുടെ പ്രധാന വിതരണക്കാർ ഡാറ്റാ ബേസ് അവർ കൂടുതൽ ബിഐ കഴിവുകൾ കൂട്ടിച്ചേർക്കുന്നു ഡാറ്റാബേസ് അതേ.
  ഇത് ബിഐ സൊല്യൂഷനുകൾക്ക് മികച്ച പ്രകടനവും കൂടുതൽ എക്സിക്യൂഷൻ ഓപ്ഷനുകളും നൽകുന്നു.
  DB2 V8-ന്റെ സവിശേഷതകളും പ്രവർത്തനങ്ങളും ഇനിപ്പറയുന്ന അധ്യായങ്ങളിൽ വിശദമായി ചർച്ചചെയ്യുന്നു:
  ടെക്നിക്കൽ ആർക്കിടെക്ചറും ഡാറ്റ മാനേജ്മെന്റ് ഫൗണ്ടേഷനുകളും (അധ്യായം 5)

• DB2 BI അടിസ്ഥാനകാര്യങ്ങൾ (അധ്യായം 6)
• DB2 മെറ്റീരിയലൈസ്ഡ് ക്വറി ടേബിളുകൾ (അധ്യായം 7)
• DB2 OLAP ഫംഗ്‌ഷനുകൾ (അധ്യായം 13)
• DB2 മെച്ചപ്പെടുത്തിയ BI ഫീച്ചറുകളും പ്രവർത്തനങ്ങളും (അധ്യായം 15) ലളിതമായ ഡാറ്റ ഡെലിവറി സിസ്റ്റം ഡെലിവറി സംവിധാനം ഡാറ്റ ലളിതമാക്കി

ചിത്രം 1.1 ൽ ചിത്രീകരിച്ചിരിക്കുന്ന വാസ്തുവിദ്യയിൽ നിരവധി ഘടനകൾ ഉൾപ്പെടുന്നു ഡാറ്റ ശാരീരികമായ. യുടെ സംഭരണശാലയാണ് ഒന്ന് ഡാറ്റ പ്രവർത്തിക്കുന്നു. സാധാരണയായി, ഒരു ODS എന്നത് വിഷയാധിഷ്ഠിതവും സംയോജിതവും നിലവിലുള്ളതുമായ ഒരു വസ്തുവാണ്. പിന്തുണയ്ക്കുന്നതിനായി നിങ്ങൾ ഒരു ODS നിർമ്മിക്കും, ഉദാഹരണത്തിന്, സെയിൽസ് ഓഫീസ്. ODS വിൽപ്പന അനുബന്ധമായി നൽകും ഡാറ്റ അനേകം വ്യത്യസ്ത സിസ്റ്റങ്ങളിൽ നിന്ന് എന്നാൽ ഇന്നത്തെ ഇടപാടുകൾ മാത്രം നിലനിർത്തും. ODS ദിവസത്തിൽ പല തവണ അപ്ഡേറ്റ് ചെയ്യാനും കഴിയും. അതേ സമയം, പ്രക്രിയകൾ തള്ളുന്നു ഡാറ്റ മറ്റ് ആപ്ലിക്കേഷനുകളിലേക്ക് സംയോജിപ്പിച്ചിരിക്കുന്നു. ഈ ഘടന പ്രത്യേകമായി സംയോജിപ്പിക്കാൻ രൂപകൽപ്പന ചെയ്തിട്ടുള്ളതാണ് ഡാറ്റ നിലവിലുള്ളതും ചലനാത്മകവും സേവന ഏജന്റുമാർക്ക് നൽകുന്നത് പോലെയുള്ള തത്സമയ അനലിറ്റിക്‌സിനെ പിന്തുണയ്ക്കാൻ സാധ്യതയുള്ള ഒരു സ്ഥാനാർത്ഥിയായിരിക്കും ഉപഭോക്താക്കൾക്ക് ഒരു ഉപഭോക്താവിന്റെ നിലവിലെ വിൽപ്പന വിവരങ്ങൾ വെയർഹൗസിൽ നിന്ന് തന്നെ വിൽപ്പന ട്രെൻഡ് വിവരങ്ങൾ വേർതിരിച്ചെടുക്കുക. ചിത്രം 1.1 ൽ കാണിച്ചിരിക്കുന്ന മറ്റൊരു ഘടന dw യുടെ ഔപചാരിക അവസ്ഥയാണ്. ആവശ്യമായ സംയോജനത്തിന്റെ, ഗുണനിലവാരത്തിന്റെ നിർവ്വഹണത്തിനുള്ള സ്ഥലം മാത്രമല്ല ഇത് ഡാറ്റ, എന്നിവയുടെ പരിവർത്തനം ഡാറ്റ ഇൻകമിംഗ് വെയർഹൗസ്, എന്നാൽ ഇത് വിശ്വസനീയവും താൽക്കാലിക സംഭരണ ​​മേഖലയുമാണ് ഡാറ്റ തത്സമയ വിശകലനങ്ങളിൽ ഉപയോഗിക്കാവുന്ന പകർപ്പുകൾ. നിങ്ങൾ ഒരു ODS അല്ലെങ്കിൽ ഒരു സ്റ്റേജിംഗ് ഏരിയ ഉപയോഗിക്കാൻ തീരുമാനിക്കുകയാണെങ്കിൽ, ഈ ഘടനകൾ ജനകീയമാക്കുന്നതിനുള്ള മികച്ച ടൂളുകളിൽ ഒന്ന് ഡാറ്റ വ്യത്യസ്‌ത പ്രവർത്തന സ്രോതസ്സുകൾ ഉപയോഗിക്കുന്നത് DB2-ന്റെ വൈവിധ്യമാർന്ന വിതരണ അന്വേഷണമാണ്. DB2 റിലേഷണൽ കണക്ട് (ചോദ്യം മാത്രം) എന്ന ഓപ്‌ഷണൽ DB2 ഫീച്ചർ വഴിയും DB2 DataJoiner വഴിയും ഈ കഴിവ് ഡെലിവർ ചെയ്യപ്പെടുന്നു (വിജാതീയമായ വിതരണം ചെയ്ത RDBMS-കളിലേക്ക് അന്വേഷണം, തിരുകൽ, അപ്‌ഡേറ്റ്, ഇല്ലാതാക്കൽ ശേഷി എന്നിവ നൽകുന്ന ഒരു പ്രത്യേക ഉൽപ്പന്നം).

ഈ സാങ്കേതികവിദ്യ ആർക്കിടെക്റ്റുകളെ അനുവദിക്കുന്നു ഡാറ്റ കെട്ടുക ഡാറ്റ വിശകലന പ്രക്രിയകളുള്ള ഉത്പാദനം. തത്സമയ അനലിറ്റിക്‌സ് ഉപയോഗിച്ച് ഉയർന്നുവന്നേക്കാവുന്ന ഏതൊരു റെപ്ലിക്കേഷൻ ഡിമാൻഡുകളോടും സാങ്കേതികവിദ്യയ്ക്ക് പൊരുത്തപ്പെടാൻ മാത്രമല്ല, വൈവിധ്യമാർന്ന അടിസ്ഥാനങ്ങളുമായി ബന്ധിപ്പിക്കാനും കഴിയും. ഡാറ്റ DB2, Oracle, Sybase, SQL Server, Informix എന്നിവയും മറ്റുള്ളവയും ഉൾപ്പെടെ ഏറ്റവും ജനപ്രിയമായത്. DB2 DataJoiner ഒരു ഘടനയെ പോപ്പുലേറ്റ് ചെയ്യാൻ ഉപയോഗിക്കാം ഡാറ്റ ഔപചാരികമായ ഒരു ODS അല്ലെങ്കിൽ ഒരു സ്ഥിരം ടേബിൾ പോലും തൽക്ഷണ അപ്‌ഡേറ്റുകൾ വേഗത്തിൽ വീണ്ടെടുക്കുന്നതിന് അല്ലെങ്കിൽ വിൽപ്പനയ്‌ക്കായി രൂപകൽപ്പന ചെയ്‌തിരിക്കുന്ന വെയർഹൗസിൽ പ്രതിനിധീകരിക്കുന്നു. തീർച്ചയായും, ഈ ഘടനകൾ തന്നെ ഡാറ്റ ഉപയോഗിച്ച് ജനസാന്ദ്രമാക്കാം

പകർപ്പെടുക്കാൻ രൂപകൽപ്പന ചെയ്ത മറ്റൊരു പ്രധാന സാങ്കേതികവിദ്യ ഡാറ്റ, IBM DataPropagator Relational. (DataPropagator സെൻട്രൽ സിസ്റ്റങ്ങൾക്കായുള്ള ഒരു പ്രത്യേക ഉൽപ്പന്നമാണ്. DB2 UNIX, Linux, Windows, OS/2 എന്നിവയിൽ ഡാറ്റ റെപ്ലിക്കേഷൻ സേവനങ്ങൾ ഉൾപ്പെടുന്നു ഡാറ്റ ഒരു സാധാരണ സവിശേഷതയായി).
നീക്കുന്നതിനുള്ള മറ്റൊരു രീതി ഡാറ്റ എന്റർപ്രൈസിന് ചുറ്റുമുള്ള ഒരു എന്റർപ്രൈസ് ആപ്ലിക്കേഷൻ ഇന്റഗ്രേറ്ററാണ് സന്ദേശ ബ്രോക്കർ എന്നറിയപ്പെടുന്നത്. ഈ അതുല്യ സാങ്കേതികവിദ്യ ടാർഗെറ്റുചെയ്യുന്നതിനും നീക്കുന്നതിനും സമാനതകളില്ലാത്ത നിയന്ത്രണം അനുവദിക്കുന്നു. ഡാറ്റ കമ്പനിക്ക് ചുറ്റും. IBM-ന് ഏറ്റവും വ്യാപകമായി ഉപയോഗിക്കുന്ന സന്ദേശ ബ്രോക്കർ, MQSeries അല്ലെങ്കിൽ ആവശ്യകതകൾ ഉൾപ്പെടുന്ന ഉൽപ്പന്നത്തിന്റെ ഒരു വ്യതിയാനം ഉണ്ട്. ഇ-കൊമേഴ്സ്, IBM WebSphere MQ.
ഒരു വെയർഹൗസും BI പരിതസ്ഥിതിയും പിന്തുണയ്ക്കുന്നതിന് MQ എങ്ങനെ പ്രയോജനപ്പെടുത്താം എന്നതിനെക്കുറിച്ചുള്ള കൂടുതൽ ചർച്ചകൾക്ക്, സന്ദർശിക്കുക വെബ്സൈറ്റ് പുസ്തകത്തിൻ്റെ. ഇപ്പോൾ, ഈ സാങ്കേതികവിദ്യ പിടിച്ചെടുക്കാനും രൂപാന്തരപ്പെടുത്താനുമുള്ള ഒരു മികച്ച മാർഗമാണെന്ന് പറഞ്ഞാൽ മതിയാകും (MQSeries Integrator ഉപയോഗിച്ച്) ഡാറ്റ BI സൊല്യൂഷനുകൾക്കായി റിക്രൂട്ട് ചെയ്ത കേന്ദ്രീകൃത (ടാർഗെറ്റഡ്) ഓപ്പറേറ്റർമാരെ. MQ സാങ്കേതികവിദ്യ UDB V8-ലേക്ക് സംയോജിപ്പിച്ച് പാക്കേജുചെയ്‌തു, അതായത് സന്ദേശ ക്യൂകൾ ഇപ്പോൾ DB2 ടേബിളുകൾ പോലെ കൈകാര്യം ചെയ്യാൻ കഴിയും. വെൽഡിംഗ് ക്യൂഡ് സന്ദേശങ്ങളും പ്രപഞ്ചവും എന്ന ആശയം ഡാറ്റാബേസ് ശക്തമായ ഒരു ഡെലിവറി പരിതസ്ഥിതിയിലേക്ക് ബന്ധങ്ങൾ നീങ്ങുന്നു ഡാറ്റ.

സീറോ-ലേറ്റൻസി സീറോ ലേറ്റൻസി

IBM-ന്റെ ആത്യന്തിക തന്ത്രപരമായ ലക്ഷ്യം സീറോ-ലേറ്റൻസി വിശകലനമാണ്. നിർവചിച്ചിരിക്കുന്നത് പോലെ
ഗാർട്ട്നർ, ഒരു BI സിസ്റ്റത്തിന് ആവശ്യാനുസരണം വിശകലനം ചെയ്യുന്നവർക്ക് അനുമാനിക്കാനും സ്വാംശീകരിക്കാനും വിവരങ്ങൾ നൽകാനും കഴിയണം. വെല്ലുവിളി, തീർച്ചയായും, എങ്ങനെ മിക്സ് ചെയ്യാം എന്നതാണ് ഡാറ്റ ഐ പോലെയുള്ള ആവശ്യമായ ചരിത്രപരമായ വിവരങ്ങളുള്ള നിലവിലുള്ളതും തത്സമയവും ഡാറ്റ ഉപഭോക്തൃ പ്രൊഫൈലിംഗ് പോലെയുള്ള അനുബന്ധ പാറ്റേൺ/ട്രെൻഡ് അല്ലെങ്കിൽ വേർതിരിച്ചെടുത്ത ധാരണ.

അത്തരം വിവരങ്ങളിൽ ഉൾപ്പെടുന്നു, ഉദാഹരണത്തിന്, തിരിച്ചറിയൽ ഉപഭോക്താക്കൾക്ക് ഉയർന്നതോ കുറഞ്ഞതോ ആയ അപകടസാധ്യത അല്ലെങ്കിൽ ഏത് ഉൽപ്പന്നങ്ങൾ i ഉപഭോക്താക്കൾക്ക് അവരുടെ ഷോപ്പിംഗ് കാർട്ടുകളിൽ ഇതിനകം ചീസ് ഉണ്ടെങ്കിൽ അവർ മിക്കവാറും വാങ്ങും.

പൂജ്യം ലേറ്റൻസി കൈവരിക്കുന്നത് യഥാർത്ഥത്തിൽ രണ്ട് അടിസ്ഥാന സംവിധാനങ്ങളെ ആശ്രയിച്ചിരിക്കുന്നു:

• യുടെ സമ്പൂർണ്ണ യൂണിയൻ ഡാറ്റ BI സൃഷ്ടിച്ച സ്ഥാപിത സാങ്കേതിക വിദ്യകളും ഉപകരണങ്ങളും ഉപയോഗിച്ച് വിശകലനം ചെയ്യുന്നു
• ഒരു ഡെലിവറി സിസ്റ്റം ഡാറ്റ തത്സമയ അനലിറ്റിക്‌സ് യഥാർത്ഥത്തിൽ ലഭ്യമാണെന്ന് ഉറപ്പാക്കാൻ കാര്യക്ഷമമാണ്, പൂജ്യം ലേറ്റൻസിക്കുള്ള ഈ മുൻവ്യവസ്ഥകൾ IBM നിശ്ചയിച്ചിട്ടുള്ളതും മുകളിൽ വിവരിച്ചതുമായ രണ്ട് ലക്ഷ്യങ്ങളിൽ നിന്ന് വ്യത്യസ്തമല്ല. ക്ലോസ് കപ്ലിംഗ് ഡാറ്റ ഐബിഎമ്മിന്റെ തടസ്സങ്ങളില്ലാത്ത സംയോജന പരിപാടിയുടെ ഭാഗമാണിത്. കൂടാതെ ഒരു ഡെലിവറി സംവിധാനം ഉണ്ടാക്കുക ഡാറ്റ കാര്യക്ഷമമായത് ഡെലിവറി പ്രക്രിയ ലളിതമാക്കുന്ന ലഭ്യമായ സാങ്കേതികവിദ്യയെ പൂർണ്ണമായും ആശ്രയിച്ചിരിക്കുന്നു ഡാറ്റ. തൽഫലമായി, മൂന്നാമത്തേത് സാക്ഷാത്കരിക്കുന്നതിന് IBM-ന്റെ മൂന്ന് ലക്ഷ്യങ്ങളിൽ രണ്ടെണ്ണം നിർണായകമാണ്. വെയർഹൗസ് ശ്രമങ്ങൾക്ക് പൂജ്യം ലേറ്റൻസി ഒരു യാഥാർത്ഥ്യമാണെന്ന് ഉറപ്പാക്കാൻ IBM അതിന്റെ സാങ്കേതികവിദ്യ ബോധപൂർവ്വം വികസിപ്പിക്കുകയാണ്. സംഗ്രഹം / സിന്തസിസ് നിങ്ങളുടെ പരിസ്ഥിതി കെട്ടിപ്പടുക്കുന്നതിനുള്ള ഒരു റോഡ് മാപ്പ് BI ഓർഗനൈസേഷൻ നൽകുന്നു
  ആവർത്തിച്ച്. നിങ്ങളുടെ ബിസിനസിന്റെ നിലവിലുള്ളതും ഭാവിയിലുള്ളതുമായ ആവശ്യങ്ങൾ പ്രതിഫലിപ്പിക്കുന്ന തരത്തിൽ ഇത് ക്രമീകരിക്കണം. വിശാലമായ വാസ്തുവിദ്യാ വീക്ഷണമില്ലാതെ, വെയർഹൗസ് ആവർത്തനങ്ങൾ, വിശാലവും വിജ്ഞാനപ്രദവുമായ ഒരു സംരംഭം സൃഷ്ടിക്കുന്നതിൽ കാര്യമായൊന്നും ചെയ്യുന്ന സെൻട്രൽ വെയർഹൗസിന്റെ ക്രമരഹിതമായ നിർവ്വഹണങ്ങളേക്കാൾ അല്പം കൂടുതലാണ്. ബിഐ ഓർഗനൈസേഷൻ വികസിപ്പിക്കുന്നതിന് ആവശ്യമായ നിക്ഷേപങ്ങളെ എങ്ങനെ ന്യായീകരിക്കാം എന്നതാണ് പ്രോജക്ട് മാനേജർമാർക്കുള്ള ആദ്യത്തെ തടസ്സം. ROI കണക്കുകൂട്ടൽ വെയർഹൗസ് നിർവ്വഹണങ്ങളുടെ ഒരു പ്രധാന ഘടകമായി തുടരുമ്പോൾ, കൃത്യമായി പ്രവചിക്കുന്നത് കൂടുതൽ ബുദ്ധിമുട്ടാണ്. നിങ്ങളുടെ പണത്തിന്റെ മൂല്യം നിങ്ങൾക്ക് ലഭിക്കുന്നുണ്ടോ എന്ന് നിർണ്ണയിക്കുന്നതിനുള്ള മറ്റ് രീതികളിലേക്ക് ഇത് നയിച്ചു. ഉദാഹരണത്തിന് ഇൻവെസ്റ്റ്മെന്റ്2 (VOI) ന് മൂല്യം ഒരു പരിഹാരമായി പ്രമോട്ട് ചെയ്യുന്നു. യുടെ വാസ്തുശില്പികളുടെ ചുമതലയാണ് ഡാറ്റ പ്രൊജക്റ്റ് പ്ലാനർമാർ ബോധപൂർവം ഉപയോക്തൃ അസോസിയേഷനുകൾക്ക് വിവരങ്ങൾ സൃഷ്ടിക്കുകയും നൽകുകയും ചെയ്യുന്നു, മാത്രമല്ല അവർക്ക് ഒരു സേവനം നൽകുകയും ചെയ്യുന്നില്ല ഡാറ്റ. രണ്ടും തമ്മിൽ വലിയ വ്യത്യാസമുണ്ട്. തീരുമാനമെടുക്കൽ പ്രക്രിയകളിലും ഫലപ്രാപ്തിയിലും വ്യത്യാസം വരുത്തുന്ന ഒന്നാണ് വിവരങ്ങൾ; താരതമ്യേന, ഐ ഡാറ്റ അവർ ആ വിവരങ്ങൾ നേടുന്നതിനുള്ള നിർമ്മാണ ബ്ലോക്കുകളാണ്.

ഞാൻ ഉറവിടത്തെ വിമർശിച്ചാലും ഡാറ്റ ബിസിനസ്സ് അഭ്യർത്ഥനകൾ പരിഹരിക്കുന്നതിന്, വിവര ഉള്ളടക്കം സൃഷ്ടിക്കുന്നതിൽ BI പരിസ്ഥിതി വലിയ പങ്ക് വഹിക്കണം. ഉപയോക്താക്കൾക്ക് പ്രവർത്തിക്കാൻ കഴിയുന്ന വിവര ഉള്ളടക്കം വൃത്തിയാക്കാനും സംയോജിപ്പിക്കാനും രൂപാന്തരപ്പെടുത്താനും അല്ലെങ്കിൽ സൃഷ്ടിക്കാനും ഞങ്ങൾ അധിക നടപടികൾ കൈക്കൊള്ളണം, തുടർന്ന് ആ പ്രവർത്തനങ്ങളും തീരുമാനങ്ങളും ന്യായമായ ഇടങ്ങളിൽ BI പരിതസ്ഥിതിയിൽ പ്രതിഫലിക്കുന്നുണ്ടെന്ന് ഞങ്ങൾ ഉറപ്പാക്കണം. ഞങ്ങൾ വെയർഹൗസിനെ മാത്രം സേവിക്കാൻ മാറ്റിനിർത്തിയാൽ ഡാറ്റ, നടപടിയെടുക്കാൻ ആവശ്യമായ വിവര ഉള്ളടക്കം ഉപയോക്തൃ അസോസിയേഷനുകൾ സൃഷ്ടിക്കുമെന്ന് ഉറപ്പാക്കുന്നു. ഇത് അവരുടെ കമ്മ്യൂണിറ്റിക്ക് മികച്ച തീരുമാനങ്ങൾ എടുക്കാൻ കഴിയുമെന്ന് ഉറപ്പുനൽകുന്നു, എന്നാൽ അവർ ഉപയോഗിച്ച അറിവിന്റെ അഭാവത്തിൽ കമ്പനി കഷ്ടപ്പെടുന്നു. ഡാറ്റ ആർക്കിടെക്റ്റുകളും പ്രോജക്റ്റ് പ്ലാനർമാരും BI പരിതസ്ഥിതിയിൽ നിർദ്ദിഷ്ട പ്രോജക്റ്റുകൾ ആരംഭിക്കുന്നു, അവർ എന്റർപ്രൈസസിന് മൊത്തത്തിൽ ഉത്തരവാദിത്തത്തോടെ തുടരും. BI ആവർത്തനങ്ങളുടെ ഈ രണ്ട് വശങ്ങളുള്ള സ്വഭാവത്തിന്റെ ഒരു ലളിതമായ ഉദാഹരണം ഉറവിടത്തിൽ കാണാം ഡാറ്റ. എല്ലാ ഡാറ്റ നിർദ്ദിഷ്‌ട ബിസിനസ്സ് അഭ്യർത്ഥനകൾക്കായി ലഭിക്കുന്നത് ആദ്യത്തെ ആറ്റോമിക് ലെയറിൽ ജനസംഖ്യയുള്ളതായിരിക്കണം. ഇത് എന്റർപ്രൈസ് വിവര അസറ്റിന്റെ വികസനം ഉറപ്പാക്കുന്നു, അതുപോലെ തന്നെ ആവർത്തനത്തിൽ നിർവചിച്ചിരിക്കുന്ന നിർദ്ദിഷ്ട ഉപയോക്തൃ അഭ്യർത്ഥനകൾ കൈകാര്യം ചെയ്യുക.

WhatisaDataWarehouse?

ഡാറ്റ വെയർഹ house സ് ഇത് 1990 മുതൽ ഇൻഫർമേഷൻ സിസ്റ്റം ആർക്കിടെക്ചറിന്റെ ഹൃദയമാണ്, കൂടാതെ ഒരു സോളിഡ് ഇന്റഗ്രേറ്റഡ് പ്ലാറ്റ്ഫോം വാഗ്ദാനം ചെയ്തുകൊണ്ട് വിവര പ്രക്രിയകളെ പിന്തുണയ്ക്കുന്നു ഡാറ്റ തുടർന്നുള്ള വിശകലനങ്ങളുടെ അടിസ്ഥാനമായി എടുത്ത ചരിത്രപരമായ ഡാറ്റ. ദി ഡാറ്റ വെയർഹൗസ് പൊരുത്തമില്ലാത്ത ആപ്ലിക്കേഷൻ സിസ്റ്റങ്ങളുടെ ലോകത്ത് അവ എളുപ്പത്തിൽ സംയോജിപ്പിക്കുന്നു. ഡാറ്റ വെയർഹ house സ് അത് ഒരു പ്രവണതയായി പരിണമിച്ചു. ഡാറ്റ വെയർഹ house സ് ഐ സംഘടിപ്പിക്കുകയും സംഭരിക്കുകയും ചെയ്യുക ഡാറ്റ ഒരു നീണ്ട ചരിത്രപരമായ താൽക്കാലിക വീക്ഷണത്തെ അടിസ്ഥാനമാക്കിയുള്ള വിവരങ്ങൾക്കും വിശകലന പ്രക്രിയകൾക്കും ആവശ്യമാണ്. ഇതെല്ലാം നിർമ്മാണത്തിലും പരിപാലനത്തിലും ഗണ്യമായതും നിരന്തരമായതുമായ പ്രതിബദ്ധത ഉൾക്കൊള്ളുന്നു ഡാറ്റ വെയർഹൗസ്.

അപ്പോൾ എന്താണ് a ഡാറ്റ വെയർഹൗസ്? എ ഡാറ്റ വെയർഹൗസ് ഒപ്പം:

• ▪  വിഷയാധിഷ്ഠിതം
• ▪  സംയോജിത സംവിധാനം
• ▪  വേരിയന്റ് സമയം
• ▪  അസ്ഥിരമല്ലാത്തത് (മായ്ക്കുന്നില്ല)

ഒരു ശേഖരം ഡാറ്റ പ്രക്രിയകൾ നടപ്പിലാക്കുന്നതിൽ മാനേജ്മെന്റ് തീരുമാനങ്ങളെ പിന്തുണയ്ക്കാൻ ഉപയോഗിക്കുന്നു.
I ഡാറ്റ ചേർത്തു ഡാറ്റ വെയർഹൗസ് മിക്ക കേസുകളിലും അവ പ്രവർത്തന പരിതസ്ഥിതികളിൽ നിന്ന് ഉരുത്തിരിഞ്ഞതാണ്. ദി ഡാറ്റ വെയർഹൗസ് ഇത് ഒരു സ്റ്റോറേജ് യൂണിറ്റ് സൃഷ്ടിച്ചതാണ്, അതിൽ അടങ്ങിയിരിക്കുന്ന സിസ്റ്റത്തിന്റെ ബാക്കി ഭാഗങ്ങളിൽ നിന്ന് ഭൗതികമായി വേർതിരിച്ചിരിക്കുന്നു ഡാറ്റ ഓപ്പറേറ്റിംഗ് പരിതസ്ഥിതിയിൽ നിന്ന് ഉരുത്തിരിഞ്ഞ വിവരങ്ങളിൽ പ്രവർത്തിക്കുന്ന ആപ്ലിക്കേഷനുകളാൽ മുമ്പ് രൂപാന്തരപ്പെട്ടു.

a എന്നതിന്റെ അക്ഷരീയ നിർവചനം ഡാറ്റ വെയർഹൗസ് ഒരു വെയർഹൗസിന്റെ സവിശേഷതകളെ വിവരിക്കുന്ന പ്രധാന പ്രചോദനങ്ങളും അന്തർലീനമായ അർത്ഥങ്ങളും ഉള്ളതിനാൽ ആഴത്തിലുള്ള വിശദീകരണം അർഹിക്കുന്നു.

സബ്ജക്റ്റ് ഓറിയന്റേഷൻ ഓറിയന്റേഷൻ തീമാറ്റിക്

എ യുടെ ആദ്യ സ്വഭാവം ഡാറ്റ വെയർഹൗസ് ഒരു കമ്പനിയിലെ പ്രധാന കളിക്കാരെ ലക്ഷ്യം വച്ചുള്ളതാണ്. വഴിയുള്ള പരീക്ഷണങ്ങളുടെ ഗൈഡ് ഡാറ്റ പ്രോസസ്സുകളിലേക്കും ഫംഗ്ഷനുകളിലേക്കുമുള്ള ആപ്ലിക്കേഷനുകളുടെ ഓറിയന്റേഷൻ ഉൾപ്പെടുന്ന കൂടുതൽ ക്ലാസിക് രീതിയുമായി ഇത് വ്യത്യസ്‌തമാണ്.

ഒരു ധനകാര്യ സ്ഥാപനത്തിനായുള്ള ലോണുകൾ, സേവിംഗ്സ്, ബാങ്ക് കാർഡുകൾ, ട്രസ്റ്റ് തുടങ്ങിയ ആപ്ലിക്കേഷനുകൾക്കും പ്രവർത്തനങ്ങൾക്കും ചുറ്റുമാണ് പ്രവർത്തന ലോകം രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്. ഉപഭോക്താവ്, വിൽപ്പനക്കാരൻ, ഉൽപ്പന്നം, പ്രവർത്തനം തുടങ്ങിയ പ്രധാന വിഷയങ്ങളെ ചുറ്റിപ്പറ്റിയാണ് dw ലോകം ക്രമീകരിച്ചിരിക്കുന്നത്. വിഷയങ്ങളെ ചുറ്റിപ്പറ്റിയുള്ള വിന്യാസം രൂപകല്പനയെയും നിർവഹണത്തെയും ബാധിക്കുന്നു ഡാറ്റ dw ൽ കണ്ടെത്തി. കൂടുതൽ പ്രധാനമായി, പ്രധാന വിഷയം പ്രധാന ഘടനയുടെ ഏറ്റവും പ്രധാനപ്പെട്ട ഭാഗത്തെ ബാധിക്കുന്നു.

ഡാറ്റാബേസിന്റെ രൂപകൽപ്പനയും പ്രോസസ്സ് രൂപകൽപ്പനയും ആപ്ലിക്കേഷന്റെ ലോകത്തെ സ്വാധീനിക്കുന്നു. dw യുടെ ലോകം മോഡലിംഗിൽ മാത്രം ശ്രദ്ധ കേന്ദ്രീകരിച്ചിരിക്കുന്നു ഡാറ്റ യുടെ രൂപകൽപ്പനയിലും ഡാറ്റാബേസ്. പ്രോസസ് ഡിസൈൻ (അതിന്റെ ക്ലാസിക് രൂപത്തിൽ) dw പരിതസ്ഥിതിയുടെ ഭാഗമല്ല.

പ്രോസസ്/ഫംഗ്ഷൻ ആപ്ലിക്കേഷന്റെ തിരഞ്ഞെടുപ്പും വിഷയത്തിന്റെ തിരഞ്ഞെടുപ്പും തമ്മിലുള്ള വ്യത്യാസങ്ങളും ഉള്ളടക്കത്തിലെ വ്യത്യാസങ്ങളായി വെളിപ്പെടുത്തുന്നു. ഡാറ്റ വിശദമായ തലത്തിൽ. ദി ഡാറ്റ dw എന്നതിൽ i ഉൾപ്പെടുന്നില്ല ഡാറ്റ ആപ്ലിക്കേഷനുകൾക്കിടയിൽ ഡിഎസ്എസ് പ്രക്രിയയ്ക്കായി ഉപയോഗിക്കില്ല

പ്രവർത്തന അധിഷ്ഠിത ഡാറ്റ i അടങ്ങിയിരിക്കുന്നു ഡാറ്റ DSS അനലിസ്റ്റിന് എന്തെങ്കിലും ഉപയോഗമോ ഇല്ലാത്തതോ ആയ ഫംഗ്ഷണൽ/പ്രോസസ്സിംഗ് ആവശ്യകതകൾ ഉടനടി നിറവേറ്റുന്നതിന്.
പ്രവർത്തന-അധിഷ്ഠിത ആപ്ലിക്കേഷനുകളുടെ മറ്റൊരു പ്രധാന മാർഗം ഡാറ്റ നിന്നും വ്യത്യസ്തമാണ് ഡാറ്റ dw എന്നത് dei റിപ്പോർട്ടിലുണ്ട് ഡാറ്റ. ഞാൻ ഡാറ്റ പ്രവർത്തനങ്ങൾ സജീവമായ ഒരു ബിസിനസ് റൂളിനെ അടിസ്ഥാനമാക്കി രണ്ടോ അതിലധികമോ പട്ടികകൾക്കിടയിൽ തുടർച്ചയായ ബന്ധം നിലനിർത്തുന്നു. ദി ഡാറ്റ dw എന്നത് സമയത്തിന്റെ ഒരു സ്പെക്ട്രം ക്രോസ് ചെയ്യുന്നു, കൂടാതെ dw-യിൽ കാണപ്പെടുന്ന ബന്ധങ്ങൾ പലതാണ്. നിരവധി ട്രേഡിംഗ് നിയമങ്ങൾ (അതനുസരിച്ച്, നിരവധി ബന്ധങ്ങൾ ഡാറ്റ ) യുടെ വെയർഹൗസിൽ പ്രതിനിധീകരിക്കുന്നു ഡാറ്റ രണ്ടോ അതിലധികമോ പട്ടികകൾക്കിടയിൽ.

(ഇവ തമ്മിലുള്ള ബന്ധം എങ്ങനെയെന്നതിന്റെ വിശദമായ വിശദീകരണത്തിന് ഡാറ്റ DW-ൽ കൈകാര്യം ചെയ്യുന്നു, ആ പ്രശ്നത്തെക്കുറിച്ചുള്ള സാങ്കേതിക വിഷയം ഞങ്ങൾ പരാമർശിക്കുന്നു.)
ഒരു ഫങ്ഷണൽ/പ്രോസസ് ആപ്ലിക്കേഷൻ ചോയിസും സബ്ജക്ട് ചോയിസും തമ്മിലുള്ള അടിസ്ഥാനപരമായ വ്യത്യാസമല്ലാതെ മറ്റൊരു വീക്ഷണകോണിൽ നിന്നും, ഓപ്പറേറ്റിംഗ് സിസ്റ്റങ്ങളും തമ്മിൽ വലിയ വ്യത്യാസമില്ല ഡാറ്റ ഒപ്പം ഡി.ഡബ്ല്യു.

ഏകീകരണം ഏകീകരണം

dw പരിതസ്ഥിതിയുടെ ഏറ്റവും പ്രധാനപ്പെട്ട വശം i ഡാറ്റ dw ക്കുള്ളിൽ കാണപ്പെടുന്നവ എളുപ്പത്തിൽ സംയോജിപ്പിക്കപ്പെടുന്നു. എപ്പോഴും. ഒഴിവാക്കലുകൾ ഇല്ലാതെ. dw പരിതസ്ഥിതിയുടെ സാരാംശം i ഡാറ്റ വെയർഹൗസ് പരിധിക്കുള്ളിൽ അടങ്ങിയിരിക്കുന്നവ സംയോജിപ്പിച്ചിരിക്കുന്നു.

സംയോജനം പല തരത്തിൽ സ്വയം വെളിപ്പെടുത്തുന്നു - സ്ഥിരതയുള്ള തിരിച്ചറിഞ്ഞ കൺവെൻഷനുകളിൽ, സ്ഥിരമായ വേരിയബിൾ അളവെടുപ്പിൽ, സ്ഥിരതയുള്ള കോഡഡ് ഘടനകളിൽ, ഭൗതിക ഗുണങ്ങളിൽ ഡാറ്റ സ്ഥിരതയുള്ളതും മറ്റും.

വർഷങ്ങളായി, വിവിധ ആപ്ലിക്കേഷനുകളുടെ ഡിസൈനർമാർ ഒരു ആപ്ലിക്കേഷൻ എങ്ങനെ വികസിപ്പിക്കണം എന്നതിനെക്കുറിച്ച് നിരവധി തീരുമാനങ്ങൾ എടുത്തിട്ടുണ്ട്. ഡിസൈനർമാരുടെ ആപ്ലിക്കേഷനുകളുടെ ശൈലിയും വ്യക്തിഗത ഡിസൈൻ തീരുമാനങ്ങളും നൂറു തരത്തിൽ സ്വയം വെളിപ്പെടുത്തുന്നു: കോഡിംഗിലെ വ്യത്യാസങ്ങൾ, പ്രധാന ഘടന, ശാരീരിക സവിശേഷതകൾ, കൺവെൻഷനുകൾ തിരിച്ചറിയൽ തുടങ്ങിയവ. പൊരുത്തമില്ലാത്ത ആപ്ലിക്കേഷനുകൾ സൃഷ്ടിക്കുന്നതിനുള്ള നിരവധി ആപ്ലിക്കേഷൻ ഡിസൈനർമാരുടെ കൂട്ടായ കഴിവ് ഐതിഹാസികമാണ്. ആപ്ലിക്കേഷനുകൾ രൂപകൽപ്പന ചെയ്യുന്ന രീതികളിലെ ഏറ്റവും പ്രധാനപ്പെട്ട ചില വ്യത്യാസങ്ങൾ ചിത്രം 3 പ്രതിപാദിക്കുന്നു.

എൻകോഡിംഗ്: എൻകോഡിംഗ്:

ആപ്ലിക്കേഷൻ ഡിസൈനർമാർ ഫീൽഡിന്റെ എൻകോഡിംഗ് തിരഞ്ഞെടുത്തു - ലൈംഗികത - വ്യത്യസ്ത രീതികളിൽ. ഒരു ഡിസൈനർ ലൈംഗികതയെ "m", "f" എന്നിങ്ങനെ പ്രതിനിധീകരിക്കുന്നു. മറ്റൊരു ഡിസൈനർ ലിംഗഭേദത്തെ "1", "0" എന്നിങ്ങനെ പ്രതിനിധീകരിക്കുന്നു. മറ്റൊരു ഡിസൈനർ ലൈംഗികതയെ "x", "y" എന്നിങ്ങനെ പ്രതിനിധീകരിക്കുന്നു. മറ്റൊരു ഡിസൈനർ ലൈംഗികതയെ "ആൺ", "സ്ത്രീ" എന്നിങ്ങനെ പ്രതിനിധീകരിക്കുന്നു. സെക്‌സ് എങ്ങനെ ഡിഡബ്ല്യൂവിലേക്ക് വരുന്നു എന്നത് കാര്യമാക്കേണ്ടതില്ല. "M" ഉം "F" ഉം ഒരുപക്ഷേ മുഴുവൻ നാടകത്തെയും പോലെ മികച്ചതാണ്.

സെക്‌സ് ഫീൽഡ് ഏത് ഉത്ഭവത്തിൽ നിന്നാണ് ഉരുത്തിരിഞ്ഞത്, ആ ഫീൽഡ് സ്ഥിരമായ ഒരു സംയോജിത അവസ്ഥയിൽ DW-ൽ എത്തുന്നു എന്നതാണ് പ്രധാനം. തൽഫലമായി, "M", "F" ഫോർമാറ്റിൽ പ്രതിനിധീകരിച്ചിരിക്കുന്ന ഒരു ആപ്ലിക്കേഷനിൽ നിന്ന് DW-ലേക്ക് ഫീൽഡ് ലോഡ് ചെയ്യുമ്പോൾ, ഡാറ്റ DW ഫോർമാറ്റിലേക്ക് പരിവർത്തനം ചെയ്യണം.

ആട്രിബ്യൂട്ടുകളുടെ അളവ്: അളക്കൽ ഗുണവിശേഷങ്ങൾ:

ആപ്ലിക്കേഷൻ ഡിസൈനർമാർ വർഷങ്ങളായി വിവിധ രീതികളിൽ പൈപ്പ്ലൈൻ അളക്കാൻ തിരഞ്ഞെടുത്തു. ഒരു ഡിസൈനർ സംഭരിക്കുന്നു ഡാറ്റ സെന്റീമീറ്ററിൽ പൈപ്പ്ലൈനിന്റെ. മറ്റൊരു ആപ്ലിക്കേഷൻ ഡിസൈനർ സംഭരിക്കുന്നു ഡാറ്റ ഇഞ്ചുകളുടെ അടിസ്ഥാനത്തിൽ പൈപ്പ്ലൈനിന്റെ. മറ്റൊരു ആപ്ലിക്കേഷൻ ഡിസൈനർ സംഭരിക്കുന്നു ഡാറ്റ സെക്കൻഡിൽ ദശലക്ഷം ക്യുബിക് അടി പൈപ്പ്ലൈൻ. മറ്റൊരു ഡിസൈനർ യാർഡുകളുടെ അടിസ്ഥാനത്തിൽ പൈപ്പ്ലൈൻ വിവരങ്ങൾ സംഭരിക്കുന്നു. ഉറവിടം എന്തുതന്നെയായാലും, പൈപ്പ്ലൈൻ വിവരങ്ങൾ DW-ൽ എത്തുമ്പോൾ അത് അതേ രീതിയിൽ അളക്കണം.

ചിത്രം 3-ലെ സൂചനകൾ അനുസരിച്ച്, സംയോജന പ്രശ്നങ്ങൾ പ്രോജക്റ്റിന്റെ മിക്കവാറും എല്ലാ മേഖലകളെയും ബാധിക്കുന്നു - ഭൗതിക സവിശേഷതകൾ ഡാറ്റ, ഒന്നിലധികം സ്രോതസ്സുകൾ ഉള്ളതിന്റെ ധർമ്മസങ്കടം ഡാറ്റ, തിരിച്ചറിയാത്ത സാമ്പിളുകളുടെ പ്രശ്നം, ഫോർമാറ്റുകൾ ഡാറ്റ പൊരുത്തമില്ലാത്തതും മറ്റും.

ഡിസൈൻ വിഷയം എന്തായാലും, ഫലം ഒന്നുതന്നെയാണ് - i ഡാറ്റ അന്തർലീനമായ ഓപ്പറേറ്റിംഗ് സിസ്റ്റങ്ങൾ അവയെ വ്യത്യസ്തമായി സംഭരിച്ചാലും, DW-ൽ ഏകവചനവും ആഗോളതലത്തിൽ സ്വീകാര്യവുമായ രീതിയിൽ സംഭരിച്ചിരിക്കണം. ഡാറ്റ.

DSS അനലിസ്റ്റ് DW ലേക്ക് നോക്കുമ്പോൾ, അനലിസ്റ്റിന്റെ ലക്ഷ്യം ചൂഷണം ആയിരിക്കണം ഡാറ്റ വെയർഹൗസിലുള്ളവ,

അതിന്റെ വിശ്വാസ്യതയെക്കുറിച്ചോ സ്ഥിരതയെക്കുറിച്ചോ ആശ്ചര്യപ്പെടുന്നതിനുപകരം ഡാറ്റ.

സമയ വ്യത്യാസം

എല്ലാം ഞാൻ ഡാറ്റ DW ൽ അവ ചില സമയങ്ങളിൽ കൃത്യമാണ്. ഈ അടിസ്ഥാന സ്വഭാവം ഡാറ്റ DW ൽ ഇത് വളരെ വ്യത്യസ്തമാണ് ഡാറ്റ പ്രവർത്തന പരിതസ്ഥിതിയിൽ കണ്ടെത്തി. ദി ഡാറ്റ ആക്‌സസ്സ് നിമിഷം പോലെ തന്നെ പ്രവർത്തന പരിതസ്ഥിതിയും കൃത്യമാണ്. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, ഒരു ഡ്രൈവ് ആക്സസ് ചെയ്യുമ്പോൾ ഓപ്പറേറ്റിംഗ് പരിതസ്ഥിതിയിൽ ഡാറ്റ, അത് ആക്സസ് സമയത്ത് കൃത്യമായ മൂല്യങ്ങൾ പ്രതിഫലിപ്പിക്കുമെന്ന് പ്രതീക്ഷിക്കുന്നു. കാരണം .. ഞാന് ഡാറ്റ DW-ൽ ചില സമയങ്ങളിൽ (അതായത്, "ഇപ്പോൾ" എന്നല്ല) കൃത്യമാണ്, i ഡാറ്റ DW-ൽ കാണപ്പെടുന്നത് "സമയ വ്യതിയാനം" ആണ്.
യുടെ സമയ വ്യതിയാനം ഡാറ്റ DW-നെ പല തരത്തിൽ പരാമർശിക്കുന്നു.
ഏറ്റവും ലളിതമായ മാർഗ്ഗം ഐ ഡാറ്റ ഒരു DW പ്രതിനിധീകരിക്കുന്നു ഡാറ്റ ഒരു നീണ്ട ചക്രവാളത്തിൽ - അഞ്ച് മുതൽ പത്ത് വർഷം വരെ. ഓപ്പറേറ്റിംഗ് എൻവയോൺമെന്റിനായി പ്രതിനിധീകരിക്കുന്ന സമയ ചക്രവാളം ഇന്നത്തെ അറുപത്തൊണ്ണൂറ് വരെയുള്ള നിലവിലെ മൂല്യങ്ങളേക്കാൾ വളരെ കുറവാണ്.
നന്നായി പ്രവർത്തിക്കേണ്ടതും ഇടപാട് പ്രോസസ്സിംഗിന് ലഭ്യമായിരിക്കേണ്ടതുമായ ആപ്ലിക്കേഷനുകൾക്ക് ഏറ്റവും കുറഞ്ഞ തുക ഉണ്ടായിരിക്കണം ഡാറ്റ അവർ ഏതെങ്കിലും തരത്തിലുള്ള വഴക്കം അനുവദിക്കുകയാണെങ്കിൽ. അതിനാൽ പ്രവർത്തന ആപ്ലിക്കേഷനുകൾക്ക് ഓഡിയോ ആപ്ലിക്കേഷൻ ഡിസൈൻ വിഷയം പോലെ ഒരു ചെറിയ സമയ ചക്രവാളമുണ്ട്.
DW-ൽ 'സമയ വ്യതിയാനം' ദൃശ്യമാകുന്ന രണ്ടാമത്തെ മാർഗ്ഗം കീ ഘടനയിലാണ്. DW-യിലെ ഓരോ പ്രധാന ഘടനയിലും, ദിവസം, ആഴ്‌ച, മാസം മുതലായവ പോലുള്ള ഒരു സമയ ഘടകം, പരോക്ഷമായോ വ്യക്തമായോ അടങ്ങിയിരിക്കുന്നു. DW-ൽ കാണുന്ന സംയോജിത കീയുടെ അടിയിലാണ് സമയ ഘടകം എപ്പോഴും. ഈ അവസരങ്ങളിൽ, ഒരു മുഴുവൻ ഫയലും മാസാവസാനത്തിലോ പാദത്തിലോ ഡ്യൂപ്ലിക്കേറ്റ് ചെയ്യുന്ന സന്ദർഭം പോലെ, സമയത്തിന്റെ ഘടകം അവ്യക്തമായി നിലനിൽക്കും.
സമയ വ്യതിയാനം കാണിക്കുന്ന മൂന്നാമത്തെ വഴിയാണ് i ഡാറ്റ DW-ന്റെ, ഒരിക്കൽ ശരിയായി രജിസ്റ്റർ ചെയ്താൽ, അപ്ഡേറ്റ് ചെയ്യാൻ കഴിയില്ല. ദി ഡാറ്റ DW ന്റെ, എല്ലാ പ്രായോഗിക ആവശ്യങ്ങൾക്കും, സ്നാപ്പ്ഷോട്ടുകളുടെ ഒരു നീണ്ട പരമ്പരയാണ്. സ്നാപ്പ്ഷോട്ടുകൾ തെറ്റായി എടുത്തതാണെങ്കിൽ, സ്നാപ്പ്ഷോട്ടുകൾ പരിഷ്കരിക്കാവുന്നതാണ്. എന്നാൽ സ്‌നാപ്പ്‌ഷോട്ടുകൾ ശരിയായി എടുത്തിട്ടുണ്ടെന്ന് കരുതുക, അവ എടുത്ത ഉടൻ തന്നെ അവ പരിഷ്‌ക്കരിക്കില്ല. ചിലതിൽ

ചില സന്ദർഭങ്ങളിൽ DW-യിലെ സ്‌നാപ്പ്ഷോട്ടുകൾ പരിഷ്‌ക്കരിക്കുന്നതിന് അത് അധാർമ്മികമോ അസാധുവോ ആയിരിക്കാം. ദി ഡാറ്റ പ്രവർത്തനക്ഷമമായതിനാൽ, ആക്‌സസിന്റെ നിമിഷത്തിലെന്നപോലെ കൃത്യമായതിനാൽ, ആവശ്യാനുസരണം അവ അപ്‌ഡേറ്റ് ചെയ്യാവുന്നതാണ്.

അസ്ഥിരമല്ലാത്ത

DW-യുടെ നാലാമത്തെ പ്രധാന സ്വഭാവം അത് അസ്ഥിരമല്ല എന്നതാണ്.
റെക്കോർഡ് അടിസ്ഥാനത്തിൽ പ്രവർത്തന പരിതസ്ഥിതികളിൽ അപ്‌ഡേറ്റുകളും ഉൾപ്പെടുത്തലുകളും ഇല്ലാതാക്കലും പരിഷ്‌ക്കരണങ്ങളും പതിവായി നടത്തുന്നു. എന്നാൽ അടിസ്ഥാന കൃത്രിമത്വം ഡാറ്റ DW ൽ ആവശ്യമുള്ളത് വളരെ ലളിതമാണ്. DW-ൽ രണ്ട് തരത്തിലുള്ള പ്രവർത്തനങ്ങൾ മാത്രമേ ഉണ്ടാകൂ - പ്രാരംഭ ലോഡിംഗ് ഡാറ്റ കൂടാതെ ആക്സസ് ഡാറ്റ. യുടെ അപ്ഡേറ്റ് ഒന്നുമില്ല ഡാറ്റ (അപ്‌ഡേറ്റ് ചെയ്യുന്നതിന്റെ പൊതുവായ അർത്ഥത്തിൽ) ഒരു സാധാരണ പ്രോസസ്സിംഗ് പ്രവർത്തനമായി DW-ൽ. പ്രവർത്തന പ്രോസസ്സിംഗും DW പ്രോസസ്സിംഗും തമ്മിലുള്ള ഈ അടിസ്ഥാന വ്യത്യാസത്തിന് വളരെ ശക്തമായ ചില അനന്തരഫലങ്ങളുണ്ട്. ഡിസൈൻ തലത്തിൽ, അനോമലസ് അപ്‌ഡേറ്റിനെക്കുറിച്ച് ജാഗ്രത പാലിക്കേണ്ടതിന്റെ ആവശ്യകത DW-യിൽ ഒരു ഘടകമല്ല, കാരണം ഡാറ്റ നടപ്പിലാക്കിയിട്ടില്ല. ഫിസിക്കൽ ഡിസൈൻ തലത്തിൽ, ആക്സസ് ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിന് സ്വാതന്ത്ര്യം എടുക്കാം എന്നാണ് ഇതിനർത്ഥം ഡാറ്റ, പ്രത്യേകിച്ച് ഫിസിക്കൽ നോർമലൈസേഷൻ, ഡിനോർമലൈസേഷൻ എന്നീ വിഷയങ്ങൾ കൈകാര്യം ചെയ്യുന്നതിൽ. DW പ്രവർത്തനങ്ങളുടെ ലാളിത്യത്തിന്റെ മറ്റൊരു അനന്തരഫലം DW എൻവയോൺമെന്റ് പ്രവർത്തിപ്പിക്കുന്നതിന് ഉപയോഗിക്കുന്ന അടിസ്ഥാന സാങ്കേതികവിദ്യയാണ്. ഇൻലൈൻ റെക്കോർഡ്-ബൈ-റെക്കോർഡ് അപ്‌ഡേറ്റുകളെ പിന്തുണയ്‌ക്കുന്നതിന് (പലപ്പോഴും പ്രവർത്തന പ്രോസസ്സിംഗിന്റെ കാര്യത്തിലെന്നപോലെ) സാങ്കേതികതയ്ക്ക് വ്യക്തമായ ലാളിത്യത്തിൽ വളരെ സങ്കീർണ്ണമായ അടിത്തറ ആവശ്യമാണ്.
ബാക്കപ്പും വീണ്ടെടുക്കലും, ഇടപാടുകളും സമഗ്രതയും പിന്തുണയ്ക്കുന്ന സാങ്കേതികവിദ്യ ഡാറ്റ കൂടാതെ ഡെഡ്‌ലോക്ക് അവസ്ഥ കണ്ടെത്തലും പ്രതിവിധിയും വളരെ സങ്കീർണ്ണവും DW പ്രോസസ്സിംഗിന് ആവശ്യമില്ല. ഒരു DW യുടെ സവിശേഷതകൾ, ഡിസൈൻ ഓറിയന്റേഷൻ, ഏകീകരണം ഡാറ്റ DW ഉള്ളിൽ, സമയ വ്യതിയാനവും മാനേജ്മെന്റിന്റെ ലാളിത്യവും ഡാറ്റ, എല്ലാം ക്ലാസിക് ഓപ്പറേറ്റിംഗ് പരിതസ്ഥിതിയിൽ നിന്ന് വളരെ വ്യത്യസ്തമായ ഒരു പരിസ്ഥിതിയിലേക്ക് നയിക്കുന്നു. മിക്കവാറും എല്ലാറ്റിന്റെയും ഉറവിടം ഡാറ്റ DW ന്റെ പ്രവർത്തന അന്തരീക്ഷമാണ്. വൻതോതിലുള്ള ആവർത്തനം ഉണ്ടെന്ന് ചിന്തിക്കുന്നത് പ്രലോഭനകരമാണ് ഡാറ്റ രണ്ട് പരിതസ്ഥിതികൾക്കിടയിൽ.
വാസ്തവത്തിൽ, പലർക്കും ഉള്ള ആദ്യത്തെ മതിപ്പ് വലിയ ആവർത്തനമാണ് ഡാറ്റ പ്രവർത്തന പരിതസ്ഥിതിക്കും പ്രവർത്തന പരിതസ്ഥിതിക്കും ഇടയിൽ

DW. അത്തരമൊരു വ്യാഖ്യാനം ഉപരിപ്ലവമാണ്, കൂടാതെ DW-ൽ എന്താണ് സംഭവിക്കുന്നത് എന്നതിനെക്കുറിച്ചുള്ള ധാരണയുടെ അഭാവം പ്രകടമാക്കുന്നു.
വാസ്തവത്തിൽ ഒരു മിനിമം ആവർത്തനമുണ്ട് ഡാറ്റ പ്രവർത്തന പരിതസ്ഥിതിക്കും i ഡാറ്റ DW യുടെ. ഇനിപ്പറയുന്നവ പരിഗണിക്കുക: I ഡാറ്റ അവ ഫിൽട്ടർ ചെയ്യുന്നു ഡാറ്റോ അത് പ്രവർത്തന പരിതസ്ഥിതിയിൽ നിന്ന് DW പരിതസ്ഥിതിയിലേക്ക് കടന്നുപോകുന്നു. പലതും ഡാറ്റ അവ ഒരിക്കലും പ്രവർത്തന പരിതസ്ഥിതിക്ക് പുറത്ത് കടന്നുപോകുന്നില്ല. ഐ ഒഴികെ ഡാറ്റ ഡിഎസ്എസ് പ്രോസസ്സിംഗിന് ആവശ്യമായവ പരിസ്ഥിതിയിൽ അവയുടെ ദിശ കണ്ടെത്തുന്നു

▪  ഇതിന്റെ സമയ ചക്രവാളം ഡാറ്റ അത് ഒരു പരിതസ്ഥിതിയിൽ നിന്ന് മറ്റൊന്നിലേക്ക് വളരെ വ്യത്യസ്തമാണ്. ദി ഡാറ്റ പ്രവർത്തന പരിതസ്ഥിതിയിൽ അവ വളരെ തണുത്തതാണ്. ദി ഡാറ്റ DW ൽ അവർ വളരെ പ്രായമുള്ളവരാണ്. സമയ ചക്രവാളത്തിന്റെ വീക്ഷണകോണിൽ നിന്ന് മാത്രം, പ്രവർത്തന പരിതസ്ഥിതിയും DW യും തമ്മിൽ ഓവർലാപ്പ് വളരെ കുറവാണ്.

▪  DW അടങ്ങിയിരിക്കുന്നു ഡാറ്റ പരിസ്ഥിതിയിൽ ഒരിക്കലും കാണാത്ത സംഗ്രഹം

▪  ഐ ഡാറ്റ ചിത്രം 3 ലേക്ക് മാറുമ്പോൾ അടിസ്ഥാനപരമായ ഒരു പരിവർത്തനത്തിന് വിധേയമാകുന്നത് അത് ഏറ്റവും വ്യക്തമാക്കുന്നു ഡാറ്റ അവ തിരഞ്ഞെടുത്ത് DW ലേക്ക് നീക്കിയാൽ കാര്യമായ പരിഷ്‌ക്കരണങ്ങൾ വരുത്തിയിട്ടുണ്ട്. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, മിക്കതും ഡാറ്റ DW ലേക്ക് മാറ്റുമ്പോൾ അത് ശാരീരികമായും സമൂലമായും മാറുന്നു. ഒരു ഏകീകരണ വീക്ഷണകോണിൽ നിന്ന്, അവ സമാനമല്ല ഡാറ്റ അത് പ്രവർത്തന പരിതസ്ഥിതിയിൽ വസിക്കുന്നു. ഈ ഘടകങ്ങളുടെ വെളിച്ചത്തിൽ, ആവർത്തനം ഡാറ്റ രണ്ട് പരിതസ്ഥിതികൾക്കിടയിൽ ഒരു അപൂർവ സംഭവമാണ്, ഇത് രണ്ട് പരിതസ്ഥിതികൾക്കിടയിൽ 1% ആവർത്തനത്തിലേക്ക് നയിക്കുന്നു. വെയർഹൗസിന്റെ ഘടന DW-കൾക്ക് ഒരു പ്രത്യേക ഘടനയുണ്ട്. DW-കളെ വേർതിരിക്കുന്ന സംഗ്രഹത്തിന്റെയും വിശദാംശങ്ങളുടെയും വിവിധ തലങ്ങളുണ്ട്.
ഒരു DW യുടെ വിവിധ ഘടകങ്ങൾ ഇവയാണ്:

• മെറ്റാഡാറ്റ
• ദതി നിലവിലെ വിശദാംശങ്ങൾ
• ദതി പഴയ വിശദാംശങ്ങൾ
• ദതി ചെറുതായി സംഗ്രഹിച്ചിരിക്കുന്നു
• ദതി വളരെ സംഗ്രഹിച്ചിരിക്കുന്നു

ഇതുവരെയുള്ള പ്രധാന ആശങ്കയാണ് ഡാറ്റ നിലവിലെ വിശദാംശങ്ങൾ. ഇത് പ്രധാന ആശങ്കയാണ് കാരണം:

• I ഡാറ്റ നിലവിലെ വിശദാംശങ്ങൾ ഏറ്റവും പുതിയ ഇവന്റുകൾ പ്രതിഫലിപ്പിക്കുന്നു, അവ എല്ലായ്പ്പോഴും വലിയ താൽപ്പര്യമുള്ളവയാണ്
• i ഡാറ്റ നിലവിലെ വിശദാംശങ്ങളുടെ അളവ് വളരെ വലുതാണ്, കാരണം ഇത് ഗ്രാനുലാരിറ്റിയുടെ ഏറ്റവും താഴ്ന്ന നിലയിലാണ് സംഭരിച്ചിരിക്കുന്നത്
• i ഡാറ്റ നിലവിലെ വിശദാംശങ്ങൾ മിക്കവാറും എല്ലായ്‌പ്പോഴും ഡിസ്‌ക് മെമ്മറിയിൽ സംഭരിച്ചിരിക്കുന്നു, അത് ആക്‌സസ് ചെയ്യാൻ വേഗത്തിലാണ്, എന്നാൽ ചെലവേറിയതും ഉപയോഗിക്കാൻ സങ്കീർണ്ണവുമാണ് ഡാറ്റ വിശദമായി അവർ പഴയത് ഡാറ്റ ഏതോ മെമ്മറിയിൽ സൂക്ഷിച്ചിരിക്കുന്നു പിണ്ഡം. ഇത് ഇടയ്ക്കിടെ ആക്‌സസ് ചെയ്യപ്പെടുകയും വിശദാംശങ്ങളുമായി പൊരുത്തപ്പെടുന്ന തലത്തിൽ സംഭരിക്കുകയും ചെയ്യുന്നു ഡാറ്റ നിലവിലെ വിശദാംശങ്ങൾ. ബദൽ സ്റ്റോറേജ് മീഡിയത്തിൽ സംഭരിക്കുന്നത് നിർബന്ധമല്ലെങ്കിലും, വലിയ അളവിലുള്ളതിനാൽ ഡാറ്റ എന്ന ഇടയ്ക്കിടെയുള്ള ആക്‌സസ് കൂടിച്ചേർന്ന് ഡാറ്റ, മെമ്മറി പിന്തുണ ഡാറ്റ പഴയ വിശദാംശ ഡാറ്റ സാധാരണയായി ഡിസ്കിൽ സൂക്ഷിക്കില്ല. ദി ഡാറ്റ ചെറുതായി സംഗ്രഹിച്ചിരിക്കുന്നു ഡാറ്റ കണ്ടെത്തിയ വിശദാംശങ്ങളുടെ താഴ്ന്ന തലത്തിൽ നിന്ന് നിലവിലെ വിശദാംശങ്ങളിലേക്ക് വാറ്റിയെടുത്തവ. DW ന്റെ ഈ ലെവൽ മിക്കവാറും എപ്പോഴും ഡിസ്ക് സ്റ്റോറേജിൽ സൂക്ഷിക്കുന്നു. ആർക്കിടെക്റ്റിന് ഉണ്ടാകുന്ന ഡിസൈൻ പ്രശ്നങ്ങൾ ഡാറ്റ DW ന്റെ ഈ ലെവലിന്റെ നിർമ്മാണത്തിൽ ഇവയാണ്:

• സമയത്തിന്റെ ഏത് യൂണിറ്റാണ് മുകളിൽ പറഞ്ഞിരിക്കുന്ന സംഗ്രഹം
• ഏത് ഉള്ളടക്കം, ആട്രിബ്യൂട്ടുകൾ അതിന്റെ ഉള്ളടക്കത്തെ ചെറുതായി സംഗ്രഹിക്കും ഡാറ്റ അടുത്ത ലെവൽ ഡാറ്റ ഡിഡബ്ല്യുവിൽ കാണപ്പെടുന്നത് ഡാറ്റ വളരെ സംഗ്രഹിച്ചിരിക്കുന്നു. ദി ഡാറ്റ വളരെ സംഗ്രഹിച്ചിരിക്കുന്നത് ഒതുക്കമുള്ളതും എളുപ്പത്തിൽ ആക്സസ് ചെയ്യാവുന്നതുമാണ്. ദി ഡാറ്റ വളരെ സംഗ്രഹിച്ചവ ചിലപ്പോൾ DW പരിതസ്ഥിതിയിലും മറ്റ് സന്ദർഭങ്ങളിൽ i ഡാറ്റ വളരെ സംഗ്രഹിച്ചിരിക്കുന്നവ DW നെ ഉൾക്കൊള്ളുന്ന സാങ്കേതികവിദ്യയുടെ തൊട്ടടുത്ത മതിലുകൾക്ക് പുറത്ത് കാണപ്പെടുന്നു. (ഏതായാലും, ഐ ഡാറ്റ ഞാൻ എവിടെയായിരുന്നാലും DW യുടെ ഭാഗമാണ് വളരെ സംഗ്രഹിച്ചിരിക്കുന്നത് ഡാറ്റ ഭൗതികമായി പാർപ്പിച്ചിരിക്കുന്നു). DW ന്റെ അവസാന ഘടകം മെറ്റാഡാറ്റയാണ്. പല കാര്യങ്ങളിലും മെറ്റാഡാറ്റ മറ്റുള്ളവയേക്കാൾ വ്യത്യസ്‌തമായ തലത്തിലാണ് ഇരിക്കുന്നത് ഡാറ്റ DW-യുടെ, മെറ്റാഡാറ്റയിൽ ഒന്നും അടങ്ങിയിട്ടില്ല ഡാറ്റോ ഓപ്പറേറ്റിംഗ് പരിതസ്ഥിതിയിൽ നിന്ന് നേരിട്ട് എടുത്തതാണ്. DW-ൽ മെറ്റാഡാറ്റയ്ക്ക് സവിശേഷവും വളരെ പ്രധാനപ്പെട്ടതുമായ ഒരു പങ്കുണ്ട്. മെറ്റാഡാറ്റ ഇതായി ഉപയോഗിക്കുന്നു:

• DW ന്റെ ഉള്ളടക്കം തിരിച്ചറിയാൻ DSS അനലിസ്റ്റിനെ സഹായിക്കുന്നതിനുള്ള ഒരു ഡയറക്ടറി,
• മാപ്പ് ചെയ്യുന്നതിനുള്ള ഒരു ഗൈഡ് ഡാറ്റ എങ്ങനെ ഐ ഡാറ്റ പ്രവർത്തന പരിതസ്ഥിതിയിൽ നിന്ന് DW പരിതസ്ഥിതിയിലേക്ക് രൂപാന്തരപ്പെട്ടു,
• തമ്മിലുള്ള സംഗ്രഹത്തിനായി ഉപയോഗിക്കുന്ന അൽഗോരിതങ്ങൾക്കുള്ള ഒരു ഗൈഡ് ഡാറ്റ നിലവിലെ വിശദാംശങ്ങളും ഐ ഡാറ്റ ചെറുതായി സംഗ്രഹിച്ചു, i ഡാറ്റ വളരെ സംക്ഷിപ്തമായി, മെറ്റാഡാറ്റ ഡിഡബ്ല്യു പരിതസ്ഥിതിയിൽ പ്രവർത്തന പരിതസ്ഥിതിയിൽ എന്നത്തേക്കാളും വലിയ പങ്ക് വഹിക്കുന്നു പഴയ വിശദമായ സ്റ്റോറേജ് മീഡിയം അത്തരത്തിലുള്ളവ സൂക്ഷിക്കാൻ മാഗ്നറ്റിക് ടേപ്പ് ഉപയോഗിക്കാം ഡാറ്റ. വാസ്തവത്തിൽ പഴയ സംഭരണത്തിനായി പരിഗണിക്കേണ്ട വൈവിധ്യമാർന്ന സ്റ്റോറേജ് മീഡിയയുണ്ട് ഡാറ്റ വിശദമായി. വോളിയം അനുസരിച്ച് ഡാറ്റ, ആക്‌സസിന്റെ ഫ്രീക്വൻസി, ടൂളുകളുടെ വില, ആക്‌സസിന്റെ തരം എന്നിവ, മറ്റ് ടൂളുകൾക്ക് DW-യിലെ പഴയ തലത്തിലുള്ള വിശദാംശങ്ങൾ ആവശ്യമായി വരാൻ സാധ്യതയുണ്ട്. ഡാറ്റയുടെ ഒഴുക്ക് സാധാരണവും പ്രവചിക്കാവുന്നതുമായ ഒരു ഒഴുക്കുണ്ട് ഡാറ്റ DW ഉള്ളിൽ.
  I ഡാറ്റ ഓപ്പറേറ്റിംഗ് പരിതസ്ഥിതിയിൽ നിന്ന് DW നൽകുക. (ശ്രദ്ധിക്കുക: ഈ നിയമത്തിന് വളരെ രസകരമായ ചില ഒഴിവാക്കലുകൾ ഉണ്ട്. എന്നിരുന്നാലും, മിക്കവാറും എല്ലാം ഡാറ്റ ഓപ്പറേറ്റിംഗ് പരിതസ്ഥിതിയിൽ നിന്ന് DW നൽകുക). ഡാറ്റ അത് ഞാൻ ഡാറ്റ ഓപ്പറേറ്റിംഗ് പരിതസ്ഥിതിയിൽ നിന്ന് DW നൽകുക, മുമ്പ് വിവരിച്ചതുപോലെ ഇത് രൂപാന്തരപ്പെടുന്നു. DW-യിൽ പ്രവേശിക്കുന്നതിനുള്ള വ്യവസ്ഥയിൽ, i ഡാറ്റ കാണിച്ചിരിക്കുന്നതുപോലെ, വിശദാംശങ്ങളുടെ നിലവിലെ ലെവൽ നൽകുക. ഇത് അവിടെ വസിക്കുന്നു, മൂന്ന് ഇവന്റുകളിൽ ഒന്ന് സംഭവിക്കുന്നത് വരെ ഇത് ഉപയോഗിക്കുന്നു:

• ശുദ്ധീകരിക്കപ്പെടുന്നു,
• സംഗ്രഹിച്ചിരിക്കുന്നു, കൂടാതെ/അല്ലെങ്കിൽ ▪è ഒരു DW ഉള്ളിലെ കാലഹരണപ്പെട്ട പ്രക്രിയ i ഡാറ്റ നിലവിലെ വിശദാംശങ്ങൾ എ ഡാറ്റ പഴയ വിശദാംശങ്ങൾ, പ്രായത്തെ അടിസ്ഥാനമാക്കി ഡാറ്റ. പ്രക്രിയ

എന്നതിന്റെ വിശദാംശങ്ങൾ സംഗ്രഹം ഉപയോഗിക്കുന്നു ഡാറ്റ ഐ കണക്കാക്കാൻ ഡാറ്റ ചെറുതായി സംഗ്രഹിച്ചതും വളരെ സംഗ്രഹിച്ചതുമായ ലെവലുകൾ ഡാറ്റ. കാണിച്ചിരിക്കുന്ന ഒഴുക്കിന് ചില ഒഴിവാക്കലുകൾ ഉണ്ട് (പിന്നീട് ചർച്ചചെയ്യും). എന്നിരുന്നാലും, സാധാരണയായി, ബഹുഭൂരിപക്ഷം പേർക്കും ഡാറ്റ ഒരു DW ഉള്ളിൽ കണ്ടെത്തി, ഒഴുക്ക് ഡാറ്റ അത് ചിത്രീകരിച്ചിരിക്കുന്നത് പോലെയാണ്.

ഡാറ്റവെയർഹൗസ് ഉപയോഗിക്കുന്നു

വിവിധ തലങ്ങളിൽ അതിശയിക്കാനില്ല ഡാറ്റ DW-നുള്ളിൽ അവർക്ക് വ്യത്യസ്ത തലത്തിലുള്ള ഉപയോഗം ലഭിക്കുന്നില്ല. ചട്ടം പോലെ, സംഗ്രഹത്തിന്റെ ഉയർന്ന തലം, കൂടുതൽ ഐ ഡാറ്റ അവ ഉപയോഗിക്കുന്നു.
പല ഉപയോഗങ്ങളും സംഭവിക്കുന്നു ഡാറ്റ വളരെ സംഗ്രഹിച്ചിരിക്കുന്നു, അതേസമയം പഴയവ ഡാറ്റ വിശദാംശങ്ങൾ മിക്കവാറും ഒരിക്കലും ഉപയോഗിച്ചിട്ടില്ല. റിസോഴ്സ് യൂട്ടിലൈസേഷൻ മാതൃകയിലേക്ക് സംഘടനയെ മാറ്റുന്നതിന് നല്ല കാരണമുണ്ട്. കൂടുതൽ ചുരുക്കി ഐ ഡാറ്റ, അത് വേഗത്തിലും കൂടുതൽ കാര്യക്ഷമമായും എത്തിച്ചേരുന്നു ഡാറ്റ. അത് അങ്ങിനെയെങ്കിൽ കട DW ന്റെ വിശദാംശ തലത്തിൽ ഇത് നിരവധി പ്രക്രിയകൾ ചെയ്യുന്നതായി കണ്ടെത്തുന്നു, തുടർന്ന് അനുബന്ധമായ വലിയ അളവിലുള്ള മെഷീൻ വിഭവങ്ങൾ ഉപയോഗിക്കപ്പെടുന്നു. കഴിയുന്നത്ര വേഗത്തിൽ സംഗ്രഹം പ്രോസസ്സ് ചെയ്യുന്നത് എല്ലാവരുടെയും മികച്ച താൽപ്പര്യമാണ്.

പല ഷോപ്പുകൾക്കും, പ്രീ-ഡിഡബ്ല്യു പരിതസ്ഥിതിയിലെ DSS അനലിസ്റ്റ് ഉപയോഗിച്ചു ഡാറ്റ വിശദാംശങ്ങളുടെ തലത്തിൽ. പല കാര്യങ്ങളിലും വരവ് ഡാറ്റ മറ്റ് തലത്തിലുള്ള സംഗ്രഹം ലഭ്യമാണെങ്കിലും, വിശദമായ സംഗ്രഹം ഒരു സുരക്ഷാ പുതപ്പിനോട് സാമ്യമുള്ളതാണ്. ആർക്കിടെക്റ്റിന്റെ പ്രവർത്തനങ്ങളിൽ ഒന്ന് ഡാറ്റ നിരന്തരമായ ഉപയോഗത്തിൽ നിന്ന് DSS ഉപയോക്താവിനെ മുലകുടി നിർത്തുക എന്നതാണ് ഡാറ്റ വിശദാംശങ്ങളുടെ ഏറ്റവും താഴ്ന്ന തലത്തിൽ. ആർക്കിടെക്റ്റിന് രണ്ട് പ്രചോദനങ്ങൾ ലഭ്യമാണ് ഡാറ്റ:

• ഒരു ചാർജ്ബാക്ക് സിസ്റ്റം ഇൻസ്റ്റാൾ ചെയ്യുന്നതിലൂടെ, അന്തിമ ഉപയോക്താവ് ഉപയോഗിക്കുന്ന വിഭവങ്ങൾക്ക് പണം നൽകുന്നു
• ഐയുമായുള്ള പെരുമാറ്റം വളരെ നല്ല പ്രതികരണ സമയം കൈവരിക്കാൻ കഴിയുമെന്ന് ഇത് സൂചിപ്പിക്കുന്നു ഡാറ്റ സംഗ്രഹത്തിന്റെ ഉയർന്ന തലത്തിലാണ്, അതേസമയം മോശം പ്രതികരണ സമയം വരുന്നത് ന്റെ പെരുമാറ്റത്തിൽ നിന്നാണ് ഡാറ്റ താഴ്ന്ന തലത്തിൽ മറ്റ് ആശയവിനിമയങ്ങൾ മറ്റ് ചില DW നിർമ്മാണവും മാനേജ്മെന്റ് പരിഗണനകളും ഉണ്ട്.
  ആദ്യ പരിഗണന സൂചികകളുടേതാണ്. ദി ഡാറ്റ സംഗ്രഹത്തിന്റെ ഉയർന്ന തലങ്ങളിൽ അവ സ്വതന്ത്രമായി സൂചികയിലാക്കാം, അതേസമയം i ഡാറ്റ

വിശദാംശങ്ങളുടെ താഴ്ന്ന തലങ്ങളിൽ അവ വളരെ വലുതാണ്, അവ മിതമായി സൂചികയിലാക്കാൻ കഴിയും. അതേ ടോക്കണിൽ നിന്ന്, ഐ ഡാറ്റ വിശദാംശങ്ങളുടെ ഉയർന്ന തലങ്ങളിൽ താരതമ്യേന എളുപ്പത്തിൽ പുനഃക്രമീകരിക്കാൻ കഴിയും, അതേസമയം വോളിയം ഡാറ്റ താഴ്ന്ന തലങ്ങളിൽ അത് വളരെ വലുതാണ്, i ഡാറ്റ അവ എളുപ്പത്തിൽ പുതുക്കിപ്പണിയാൻ കഴിയില്ല. തൽഫലമായി, മാതൃക ഡാറ്റ കൂടാതെ ഡിസൈൻ ചെയ്ത ഔപചാരികമായ ജോലികൾ ഡിഡബ്ല്യുവിന് അടിത്തറയിട്ടു. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, മോഡലിംഗ് പ്രവർത്തനങ്ങൾ ഡാറ്റ മിക്കവാറും എല്ലാ സാഹചര്യങ്ങളിലും, സംഗ്രഹ തലങ്ങളിൽ അവ ബാധകമല്ല. യുടെ ഉപവിഭാഗമാണ് മറ്റൊരു ഘടനാപരമായ പരിഗണന ഡാറ്റ DW എഴുതിയത്.

വിഭജനം രണ്ട് തലങ്ങളിൽ നടത്താം - തലത്തിൽ dbms ആപ്ലിക്കേഷൻ തലത്തിലും. തലത്തിൽ ഡിവിഷനിൽ dbmsഅവൻ dbms ഡിവിഷനുകളെ കുറിച്ച് അറിയിക്കുകയും അതനുസരിച്ച് അവയെ നിയന്ത്രിക്കുകയും ചെയ്യുന്നു. അപേക്ഷാ തലത്തിൽ വിഭജനത്തിന്റെ കാര്യത്തിൽ, പ്രോഗ്രാമറെ മാത്രമേ ഡിവിഷനുകളെ കുറിച്ച് അറിയിക്കുകയുള്ളൂ, അവരുടെ ഭരണത്തിന്റെ ഉത്തരവാദിത്തം അവനിൽ അവശേഷിക്കുന്നു.

ലെവലിന് താഴെ dbms, പല ജോലികളും യാന്ത്രികമായി ചെയ്യപ്പെടും. ഓട്ടോമാറ്റിക് ഡിവിഷൻ അഡ്മിനിസ്ട്രേഷനുമായി ബന്ധപ്പെട്ട് ധാരാളം അയവുണ്ട്. അപേക്ഷാ തലത്തിലുള്ള ഡിവിഷനുകളുടെ കാര്യത്തിൽ ഡാറ്റ Del ഡാറ്റ വെയർഹൗസ്, ധാരാളം ജോലികൾ പ്രോഗ്രാമറെ ഭാരപ്പെടുത്തുന്നു, പക്ഷേ അന്തിമഫലം അഡ്മിനിസ്ട്രേഷനിലെ വഴക്കമാണ് ഡാറ്റ നെൽ ഡാറ്റ വെയർഹൗസ്

അൽട്ര അനോമലി

യുടെ ഘടകങ്ങൾ അതേസമയം ഡാറ്റ വെയർഹൗസ് മിക്കവാറും എല്ലാവർക്കും വിവരിച്ചതുപോലെ അവ പ്രവർത്തിക്കുന്നു ഡാറ്റ, ചർച്ച ചെയ്യേണ്ട ഉപയോഗപ്രദമായ ചില ഒഴിവാക്കലുകൾ ഉണ്ട്. ഒരു അപവാദം എന്നത് ഡാറ്റ പൊതു സംഗ്രഹ ഡാറ്റ. ഇവയാണ് ഡാറ്റ ഇതിൽ നിന്ന് കണക്കാക്കിയ സംഗ്രഹങ്ങൾ ഡാറ്റ വെയർഹൗസ് എന്നാൽ അവ സമൂഹം ഉപയോഗിക്കുന്നു. ദി ഡാറ്റ പൊതു സംഗ്രഹങ്ങൾ സംഭരിക്കുകയും കൈകാര്യം ചെയ്യുകയും ചെയ്യുന്നു ഡാറ്റ വെയർഹൗസ്, മുമ്പ് സൂചിപ്പിച്ചതുപോലെ അവ കണക്കാക്കിയെങ്കിലും. അത്തരം ത്രൈമാസിക ഉൽപ്പാദനത്തിനായി അക്കൗണ്ടന്റുമാർ പ്രവർത്തിക്കുന്നു ഡാറ്റ വരുമാനം, ത്രൈമാസ ചെലവുകൾ, ത്രൈമാസ ലാഭം മുതലായവ. അക്കൗണ്ടന്റുമാർ ചെയ്യുന്ന ജോലി ബാഹ്യമാണ് ഡാറ്റ വെയർഹൗസ്. എന്നിരുന്നാലും, ഐ ഡാറ്റ കമ്പനിക്കുള്ളിൽ "ആന്തരികമായി" ഉപയോഗിക്കുന്നു - മുതൽ മാർക്കറ്റിംഗ്, വിൽപ്പന മുതലായവ. ചർച്ച ചെയ്യപ്പെടാത്ത മറ്റൊരു അപാകതയാണ് ഡാറ്റ എസ്റ്റേണി.

മറ്റൊരു അസാധാരണ തരം ഡാറ്റ a ൽ കണ്ടെത്താനാകും ഡാറ്റ വെയർഹൗസ് സ്ഥിരമായ വിശദാംശ ഡാറ്റയുടേതാണ്. ഇവ ശാശ്വതമായി സൂക്ഷിക്കേണ്ടതിന്റെ ആവശ്യകതയ്ക്ക് കാരണമാകുന്നു ഡാറ്റ ധാർമ്മികമോ നിയമപരമോ ആയ കാരണങ്ങളാൽ വിശദമായ തലത്തിൽ. ഒരു കമ്പനി അതിന്റെ തൊഴിലാളികളെ അപകടകരമായ വസ്തുക്കളിലേക്ക് തുറന്നുകാട്ടുകയാണെങ്കിൽ അത് ആവശ്യമാണ് ഡാറ്റ വിശദവും ശാശ്വതവും. വിമാനത്തിന്റെ ഭാഗങ്ങൾ പോലുള്ള പൊതു സുരക്ഷ ഉൾപ്പെടുന്ന ഒരു ഉൽപ്പന്നം ഒരു കമ്പനി നിർമ്മിക്കുകയാണെങ്കിൽ, അത് ആവശ്യമാണ് ഡാറ്റ സ്ഥിരമായ വിശദാംശങ്ങൾ, അതുപോലെ ഒരു കമ്പനി അപകടകരമായ കരാറുകളിൽ ഏർപ്പെട്ടാൽ.

അടുത്ത കുറച്ച് വർഷങ്ങളിൽ, ഒരു കേസ്, തിരിച്ചുവിളിക്കൽ, തർക്കത്തിലുള്ള നിർമ്മാണ തകരാർ മുതലായവ ഉണ്ടാകുമ്പോൾ വിശദാംശങ്ങൾ അവഗണിക്കാൻ കമ്പനിക്ക് കഴിയില്ല. കമ്പനിയുടെ എക്സ്പോഷർ വലുതായിരിക്കും. തൽഫലമായി, ഒരു അദ്വിതീയ തരം ഉണ്ട് ഡാറ്റ സ്ഥിരമായ വിശദാംശ ഡാറ്റ എന്നറിയപ്പെടുന്നു.

സംഗ്രഹം

Un ഡാറ്റ വെയർഹൗസ് ഒബ്ജക്റ്റ് ഓറിയന്റഡ്, ഇന്റഗ്രേറ്റഡ്, ടൈം വേരിയന്റ്, എന്നിവയുടെ ശേഖരമാണ് ഡാറ്റ ഭരണനിർവഹണത്തിന്റെ തീരുമാനമെടുക്കൽ ആവശ്യങ്ങളെ പിന്തുണയ്ക്കുന്നതിന് അസ്ഥിരമല്ലാത്തത്. a യുടെ ഓരോ പ്രധാന പ്രവർത്തനങ്ങളും ഡാറ്റ വെയർഹൗസ് അതിന്റെ പ്രത്യാഘാതങ്ങളുണ്ട്. കൂടാതെ നാല് തലങ്ങളുണ്ട് ഡാറ്റ Del ഡാറ്റ വെയർഹൗസ്:

• പഴയ വിശദാംശങ്ങൾ
• നിലവിലെ വിശദാംശങ്ങൾ
• ദതി ചെറുതായി ആവർത്തിച്ചു
• ദതി വളരെ സംഗ്രഹിച്ചിരിക്കുന്ന മെറ്റാഡാറ്റയും ഇതിന്റെ ഒരു പ്രധാന ഭാഗമാണ് ഡാറ്റ വെയർഹൗസ്. അബ്സ്ട്രാക്റ്റ് സംഭരണം എന്ന ആശയം ഡാറ്റ ഈയിടെ ഏറെ ശ്രദ്ധിക്കപ്പെടുകയും 90കളിലെ ഒരു ട്രെൻഡ് ആയി മാറുകയും ചെയ്തു.ഇതിന്റെ കഴിവ് കൊണ്ടാണ് ഡാറ്റ വെയർഹൗസ് ഡിസിഷൻ സപ്പോർട്ട് സിസ്റ്റങ്ങൾ (ഡിഎസ്എസ്), എക്സിക്യൂട്ടീവ് ഇൻഫർമേഷൻ സിസ്റ്റങ്ങൾ (ഇഐഎസ്) തുടങ്ങിയ അഡ്മിനിസ്ട്രേഷൻ സപ്പോർട്ട് സിസ്റ്റങ്ങളുടെ പരിമിതികൾ മറികടക്കാൻ. എന്ന ആശയം ആണെങ്കിലും ഡാറ്റ വെയർഹൗസ് വാഗ്ദാനമായി തോന്നുന്നു, i നടപ്പിലാക്കുന്നു ഡാറ്റ വെയർഹൗസ് വലിയ തോതിലുള്ള വെയർഹൗസിംഗ് പ്രക്രിയകൾ കാരണം പ്രശ്നമുണ്ടാകാം. സംഭരണ ​​പദ്ധതികളുടെ സങ്കീർണ്ണത ഉണ്ടായിരുന്നിട്ടും ഡാറ്റ, സ്റ്റോക്ക് ചെയ്യുന്ന നിരവധി വിതരണക്കാരും കൺസൾട്ടന്റുമാരും ഡാറ്റ യുടെ സംഭരണമാണെന്ന് അവകാശപ്പെടുന്നു ഡാറ്റ കറന്റ് ഒരു പ്രശ്നവും ഉണ്ടാക്കുന്നില്ല. എന്നിരുന്നാലും, ഈ ഗവേഷണ പദ്ധതിയുടെ തുടക്കത്തിൽ, ഏതാണ്ട് സ്വതന്ത്രവും കർക്കശവും വ്യവസ്ഥാപിതവുമായ ഒരു ഗവേഷണവും നടന്നിരുന്നില്ല. തൽഫലമായി, അവ നിർമ്മിക്കുമ്പോൾ വ്യവസായത്തിൽ യഥാർത്ഥത്തിൽ എന്താണ് സംഭവിക്കുന്നതെന്ന് പറയാൻ പ്രയാസമാണ് ഡാറ്റ വെയർഹൗസ്. ഈ പഠനം സ്റ്റോറേജ് പ്രാക്ടീസ് പര്യവേക്ഷണം ചെയ്തു ഡാറ്റ ഓസ്‌ട്രേലിയൻ സമ്പ്രദായത്തെക്കുറിച്ച് സമ്പന്നമായ ഒരു ധാരണ വികസിപ്പിക്കാൻ ലക്ഷ്യമിടുന്ന സമകാലികർ. സാഹിത്യ നിരൂപണം അനുഭവപഠനത്തിനുള്ള സന്ദർഭവും അടിത്തറയും നൽകി. ഈ ഗവേഷണത്തിൽ നിന്ന് നിരവധി കണ്ടെത്തലുകൾ ഉണ്ട്. ആദ്യം, ഈ പഠനം അതിന്റെ വികസന സമയത്ത് ഉയർന്നുവന്ന പ്രവർത്തനങ്ങൾ വെളിപ്പെടുത്തി ഡാറ്റ വെയർഹൗസ്. പല മേഖലകളിലും, ഐ ഡാറ്റ സാഹിത്യത്തിൽ രേഖപ്പെടുത്തിയിരിക്കുന്ന സമ്പ്രദായം സ്ഥിരീകരിച്ചു. രണ്ടാമതായി, വികസനത്തെ ബാധിച്ചേക്കാവുന്ന പ്രശ്നങ്ങളും പ്രശ്നങ്ങളും ഡാറ്റ വെയർഹൗസ് ഈ പഠനത്തിലൂടെ തിരിച്ചറിഞ്ഞു. അവസാനമായി, ഉപയോഗവുമായി ബന്ധപ്പെട്ട ഓസ്‌ട്രേലിയൻ ഓർഗനൈസേഷനുകൾ നേടിയ നേട്ടങ്ങൾ ഡാറ്റ വെയർഹൗസ് വെളിപ്പെടുത്തിയിട്ടുണ്ട്.

അധ്യായം 1

ഗവേഷണ സന്ദർഭം

ഡാറ്റ വെയർഹൗസിംഗ് എന്ന ആശയം വ്യാപകമായ എക്സ്പോഷർ നേടുകയും 90 കളിൽ ഉയർന്നുവരുന്ന പ്രവണതയായി മാറുകയും ചെയ്തു (McFadden 1996, TDWI 1996, Shah and Milstein 1997, Shanks et al. 1997, Eckerson 1998, Adelman and Oates). വ്യാപാര പ്രസിദ്ധീകരണങ്ങളിലെ ഡാറ്റ വെയർഹൗസിംഗിനെക്കുറിച്ചുള്ള ലേഖനങ്ങളുടെ എണ്ണത്തിൽ നിന്ന് ഇത് കാണാൻ കഴിയും (ലിറ്റിൽ ആൻഡ് ഗിബ്സൺ 2000). നിരവധി ലേഖനങ്ങൾ (ഉദാഹരണത്തിന്, ഫിഷർ 1999, ഹാക്കത്തോൺ 1995, മോറിസ് 1995 എ, ബ്രാംബ്ലെറ്റ് ആൻഡ് കിംഗ് 1995, ഗ്രഹാം തുടങ്ങിയവർ. 1996, സകാഗുച്ചി ആൻഡ് ഫ്രോലിക്ക് 1996, അൽവാരെസ് 1996, ബ്രൂസൽ ഡോൺ 1997, Clarke 1997, Clarke 1997 1997, എഡ്വേർഡ്സ് 1997, TDWI 1998) ഐ നടപ്പിലാക്കുന്ന സ്ഥാപനങ്ങൾ നേടിയ കാര്യമായ നേട്ടങ്ങൾ റിപ്പോർട്ട് ചെയ്തിട്ടുണ്ട്. ഡാറ്റ വെയർഹൗസ്. അവർ തങ്ങളുടെ സിദ്ധാന്തത്തെ വിജയകരമായ നിർവ്വഹണങ്ങൾ, നിക്ഷേപത്തിൽ ഉയർന്ന വരുമാനം (ROI) കണക്കുകൾ, കൂടാതെ, വികസിപ്പിക്കുന്നതിനുള്ള മാർഗ്ഗനിർദ്ദേശങ്ങൾ അല്ലെങ്കിൽ രീതിശാസ്ത്രങ്ങൾ എന്നിവ നൽകിക്കൊണ്ട് അവരുടെ സിദ്ധാന്തത്തെ പിന്തുണച്ചു. ഡാറ്റ വെയർഹൗസ്

(Shanks et al. 1997, Seddon and Benjamin 1998, Little and Gibson 1999). ഒരു അങ്ങേയറ്റത്തെ സാഹചര്യത്തിൽ, ഗ്രഹാം et al. (1996) മൂന്ന് വർഷത്തെ നിക്ഷേപത്തിൽ ശരാശരി വരുമാനം 401% റിപ്പോർട്ട് ചെയ്തു.

എന്നിരുന്നാലും, നിലവിലെ സാഹിത്യങ്ങളിൽ ഭൂരിഭാഗവും അത്തരം പദ്ധതികൾ ഏറ്റെടുക്കുന്നതിലെ സങ്കീർണ്ണതകളെ അവഗണിക്കുന്നു. യുടെ പദ്ധതികൾ ഡാറ്റ വെയർഹൗസ് അവ സാധാരണയായി സങ്കീർണ്ണവും വലിയ തോതിലുള്ളതുമാണ്, അതിനാൽ അവ ശ്രദ്ധാപൂർവ്വം നിയന്ത്രിച്ചില്ലെങ്കിൽ പരാജയപ്പെടാനുള്ള ഉയർന്ന സാധ്യതയുണ്ട് (ഷാ ആൻഡ് മിൽസ്റ്റീൻ 1997, എക്കേഴ്സൺ 1997, ഫോളി 1997 ബി, സിമ്മർ 1997, ബോർട്ട് 1998, ഗിബ്സ് ആൻഡ് ക്ലൈമർ 1998, റാവു 1998). അവ നിർമ്മിക്കുന്നതിന് വലിയ അളവിലുള്ള മാനുഷികവും സാമ്പത്തികവുമായ സ്രോതസ്സുകളും സമയവും പരിശ്രമവും ആവശ്യമാണ് (ഹിൽ 1998, ക്രോഫ്റ്റ്സ് 1998). യഥാക്രമം ഏകദേശം രണ്ട് വർഷവും രണ്ട് മുതൽ മൂന്ന് ദശലക്ഷം ഡോളറുമാണ് ആവശ്യമായ സമയവും സാമ്പത്തിക മാർഗങ്ങളും (ബ്രാലി 1995, ഫോളി 1997b, Bort 1998, Humphries et al. 1999). ഡാറ്റ വെയർഹൗസിംഗിന്റെ വിവിധ വശങ്ങൾ നിയന്ത്രിക്കാനും ഏകീകരിക്കാനും ഈ സമയവും സാമ്പത്തിക മാർഗങ്ങളും ആവശ്യമാണ് (Cafasso 1995, Hill 1998). ഹാർഡ്‌വെയർ, സോഫ്‌റ്റ്‌വെയർ പരിഗണനകൾക്കൊപ്പം, മറ്റ് ഫംഗ്‌ഷനുകൾ, വേർതിരിച്ചെടുക്കുന്നതിൽ നിന്ന് വ്യത്യാസപ്പെടുന്നു ഡാറ്റ യുടെ ലോഡിംഗ് പ്രക്രിയകളിലേക്ക് ഡാറ്റ, അപ്‌ഡേറ്റുകളും മെറ്റായും നിയന്ത്രിക്കാനുള്ള മെമ്മറി ശേഷി ഡാറ്റ ഉപയോക്തൃ പരിശീലനത്തിന്, പരിഗണിക്കണം.

ഈ ഗവേഷണ പദ്ധതി ആരംഭിച്ച സമയത്ത്, ഡാറ്റ വെയർഹൗസിംഗ് മേഖലയിൽ, പ്രത്യേകിച്ച് ഓസ്‌ട്രേലിയയിൽ വളരെ കുറച്ച് അക്കാദമിക് ഗവേഷണങ്ങൾ മാത്രമേ നടന്നിട്ടുള്ളൂ. അക്കാലത്തെ ജേണലുകളിൽ നിന്നോ മറ്റ് അക്കാദമിക് രചനകളിൽ നിന്നോ ഡാറ്റ വെയർഹൗസിംഗിനെക്കുറിച്ചുള്ള പ്രസിദ്ധീകരിച്ച ലേഖനങ്ങളുടെ ദൗർലഭ്യത്തിൽ നിന്ന് ഇത് വ്യക്തമായിരുന്നു. ലഭ്യമായ പല അക്കാദമിക് രചനകളും യുഎസ് അനുഭവം വിവരിച്ചു. ഡാറ്റ വെയർഹൗസിംഗ് മേഖലയിലെ അക്കാദമിക് ഗവേഷണത്തിന്റെ അഭാവം കർശനമായ ഗവേഷണത്തിനും അനുഭവപരമായ പഠനങ്ങൾക്കും വേണ്ടിയുള്ള കോളുകൾക്ക് കാരണമായി (McFadden 1996, Shanks et al. 1997, Little and Gibson 1999). പ്രത്യേകിച്ചും, നടപ്പാക്കൽ പ്രക്രിയയെക്കുറിച്ചുള്ള ഗവേഷണ പഠനങ്ങൾ ഡാറ്റ വെയർഹൗസ് നടപ്പിലാക്കുന്നതുമായി ബന്ധപ്പെട്ട് പൊതുവിജ്ഞാനം വിപുലീകരിക്കുന്നതിന് നടപ്പിലാക്കേണ്ടതുണ്ട് ഡാറ്റ വെയർഹൗസ് ഭാവിയിലെ ഒരു ഗവേഷണ പഠനത്തിന്റെ അടിസ്ഥാനമായി വർത്തിക്കും (Shanks et al. 1997, Little and Gibson 1999).

അതിനാൽ, ഈ പഠനത്തിന്റെ ഉദ്ദേശ്യം, സ്ഥാപനങ്ങൾ നടപ്പിലാക്കുകയും i ഉപയോഗിക്കുകയും ചെയ്യുമ്പോൾ യഥാർത്ഥത്തിൽ എന്താണ് സംഭവിക്കുന്നതെന്ന് പഠിക്കുക എന്നതാണ് ഡാറ്റ വെയർഹൗസ് ഓസ്ട്രേലിയയിൽ. പ്രത്യേകിച്ചും, ഈ പഠനത്തിൽ a യുടെ മുഴുവൻ വികസന പ്രക്രിയയുടെയും വിശകലനം ഉൾപ്പെടുന്നു ഡാറ്റ വെയർഹൗസ്, ഓസ്‌ട്രേലിയൻ ഓർഗനൈസേഷനുകൾക്കുള്ളിൽ രൂപകല്പനയും നടത്തിപ്പും തുടർന്നുള്ള ഉപയോഗവും വഴി തുടക്കത്തിലും ആസൂത്രണത്തിലും തുടങ്ങി. കൂടാതെ, പ്രാക്ടീസ് കൂടുതൽ മെച്ചപ്പെടുത്താനും കാര്യക്ഷമതയില്ലായ്മയും അപകടസാധ്യതകളും കുറയ്ക്കാനോ ഒഴിവാക്കാനോ കഴിയുന്ന മേഖലകൾ തിരിച്ചറിയുന്നതിലൂടെയും പഠനം നിലവിലെ പരിശീലനത്തിന് സംഭാവന നൽകും. കൂടാതെ, ഇത് മറ്റ് പഠനങ്ങൾക്ക് അടിസ്ഥാനമായി വർത്തിക്കും ഡാറ്റ വെയർഹൗസ് ഓസ്‌ട്രേലിയയിൽ, സാഹിത്യത്തിൽ നിലവിൽ ഉള്ള വിടവ് നികത്തും.

ഗവേഷണ ചോദ്യങ്ങൾ

നടപ്പിലാക്കുന്നതിൽ ഉൾപ്പെട്ടിരിക്കുന്ന പ്രവർത്തനങ്ങൾ പഠിക്കുക എന്നതാണ് ഈ ഗവേഷണത്തിന്റെ ലക്ഷ്യം ഡാറ്റ വെയർഹൗസ് ഓസ്‌ട്രേലിയൻ സംഘടനകളുടെ ഉപയോഗവും. പ്രത്യേകിച്ചും, പ്രോജക്റ്റ് ആസൂത്രണം, വികസനം, പ്രവർത്തനം, ഉപയോഗം, അപകടസാധ്യതകൾ എന്നിവയെക്കുറിച്ചുള്ള ഘടകങ്ങൾ പഠിക്കുന്നു. അതിനാൽ ഈ ഗവേഷണത്തിന്റെ ചോദ്യം ഇതാണ്:

"ഇപ്പോഴത്തെ രീതി എന്താണ് ഡാറ്റ വെയർഹൗസ് ഓസ്ട്രേലിയയിൽ?"

ഈ ചോദ്യത്തിന് ഫലപ്രദമായി ഉത്തരം നൽകുന്നതിന്, നിരവധി അനുബന്ധ ഗവേഷണ ചോദ്യങ്ങൾ ആവശ്യമാണ്. പ്രത്യേകിച്ചും, ഈ ഗവേഷണ പ്രോജക്ടിനെ നയിക്കാൻ അധ്യായം 2-ൽ അവതരിപ്പിച്ചിരിക്കുന്ന സാഹിത്യത്തിൽ നിന്ന് മൂന്ന് ഉപചോദ്യങ്ങൾ തിരിച്ചറിഞ്ഞു: എങ്ങനെയാണ് ഡാറ്റ വെയർഹൗസ് ഓസ്‌ട്രേലിയൻ സംഘടനകളിൽ നിന്നോ? നിങ്ങൾ എന്ത് പ്രശ്നങ്ങൾ നേരിട്ടു?

അനുഭവിച്ച നേട്ടങ്ങൾ എന്തൊക്കെയാണ്?
ഈ ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകുന്നതിന്, ഒരു സർവേ ഉപയോഗിച്ചുള്ള ഒരു പര്യവേക്ഷണ ഗവേഷണ രൂപകൽപ്പന ഉപയോഗിച്ചു. ഒരു പര്യവേക്ഷണ പഠനമെന്ന നിലയിൽ, മേൽപ്പറഞ്ഞ ചോദ്യങ്ങൾക്കുള്ള ഉത്തരങ്ങൾ പൂർത്തിയായിട്ടില്ല (Shanks et al. 1993, Denscombe 1998). ഈ സാഹചര്യത്തിൽ, ഈ ചോദ്യങ്ങൾക്കുള്ള ഉത്തരങ്ങൾ മെച്ചപ്പെടുത്തുന്നതിന് ത്രികോണം ആവശ്യമാണ്. എന്നിരുന്നാലും, ഈ ചോദ്യങ്ങൾ പരിശോധിക്കുന്ന ഭാവി ജോലികൾക്ക് അന്വേഷണം ഒരു ഉറച്ച അടിത്തറ നൽകും. ഗവേഷണ രീതിയുടെ ന്യായീകരണത്തെയും രൂപകൽപ്പനയെയും കുറിച്ചുള്ള വിശദമായ ചർച്ച അദ്ധ്യായം 3 ൽ അവതരിപ്പിച്ചിരിക്കുന്നു.

ഗവേഷണ പദ്ധതിയുടെ ഘടന

ഈ ഗവേഷണ പ്രോജക്റ്റ് രണ്ട് ഭാഗങ്ങളായി തിരിച്ചിരിക്കുന്നു: ഡാറ്റ വെയർഹൗസിംഗ് ആശയത്തിന്റെ സാന്ദർഭിക പഠനം, അനുഭവ ഗവേഷണം (ചിത്രം 1.1 കാണുക), അവയിൽ ഓരോന്നും ചുവടെ ചർച്ചചെയ്യുന്നു.

ഭാഗം I: സന്ദർഭോചിത പഠനം

ഡിസിഷൻ സപ്പോർട്ട് സിസ്റ്റങ്ങൾ (ഡിഎസ്എസ്), എക്സിക്യൂട്ടീവ് ഇൻഫർമേഷൻ സിസ്റ്റങ്ങൾ (ഇഐഎസ്), കേസ് സ്റ്റഡീസ് എന്നിവയുൾപ്പെടെ വിവിധ തരം ഡാറ്റ വെയർഹൗസിംഗിനെക്കുറിച്ചുള്ള നിലവിലെ സാഹിത്യങ്ങൾ അവലോകനം ചെയ്യുന്നതായിരുന്നു ഗവേഷണത്തിന്റെ ആദ്യ ഭാഗം. ഡാറ്റ വെയർഹൗസ് എന്ന ആശയങ്ങളും ഡാറ്റ വെയർഹൗസ്. കൂടാതെ, ഫോറങ്ങളുടെ ഫലങ്ങൾ ഡാറ്റ വെയർഹൗസ് മോനാഷ് ഡിഎസ്എസ് റിസർച്ച് ടീമിന്റെ നേതൃത്വത്തിലുള്ള വിദഗ്ധരും പ്രാക്ടീഷണർ മീറ്റിംഗ് ഗ്രൂപ്പുകളും ഈ പഠനത്തിന്റെ ഈ ഘട്ടത്തിലേക്ക് സംഭാവന ചെയ്തു, ഇത് പരിശീലനത്തെക്കുറിച്ചുള്ള ഉൾക്കാഴ്ചകൾ നേടാൻ ഉദ്ദേശിച്ചുള്ളതാണ്. ഡാറ്റ വെയർഹൗസ് അവരുടെ ദത്തെടുക്കലിൽ ഉൾപ്പെട്ടിരിക്കുന്ന അപകടസാധ്യതകൾ തിരിച്ചറിയാനും. ഈ സാന്ദർഭിക പഠന കാലയളവിൽ, തുടർന്നുള്ള അനുഭവപരമായ അന്വേഷണങ്ങൾക്ക് പശ്ചാത്തല അറിവ് നൽകുന്നതിന് പ്രശ്ന മേഖലയെക്കുറിച്ചുള്ള ധാരണ സ്ഥാപിക്കപ്പെട്ടു. എന്നിരുന്നാലും, ഗവേഷണ പഠനത്തിന്റെ നടത്തിപ്പിൽ ഇത് ഒരു തുടർച്ചയായ പ്രക്രിയയായിരുന്നു.

ഭാഗം II: അനുഭവപരമായ ഗവേഷണം

ഡാറ്റ വെയർഹൗസിംഗിൻ്റെ താരതമ്യേന പുതിയ ആശയം, പ്രത്യേകിച്ച് ഓസ്‌ട്രേലിയയിൽ, ഉപയോക്തൃ അനുഭവത്തിൻ്റെ വിശാലമായ ചിത്രം ലഭിക്കുന്നതിന് ഒരു സർവേയുടെ ആവശ്യകത സൃഷ്ടിച്ചു. വിപുലമായ സാഹിത്യ അവലോകനത്തിലൂടെ പ്രശ്ന ഡൊമെയ്ൻ സ്ഥാപിച്ചതിനുശേഷം ഈ ഭാഗം നടപ്പിലാക്കി. സാന്ദർഭിക പഠന ഘട്ടത്തിൽ രൂപപ്പെട്ട ഡാറ്റ-വെയർഹൗസിംഗ് ആശയം ഈ പഠനത്തിൻ്റെ പ്രാരംഭ ചോദ്യാവലിക്ക് ഇൻപുട്ടായി ഉപയോഗിച്ചു. ഇതിന് ശേഷം ചോദ്യാവലി പരിശോധിച്ചു. നിങ്ങൾ വിദഗ്ധരാണ് ഡാറ്റ വെയർഹൗസ് ടെസ്റ്റിൽ പങ്കെടുത്തു. പ്രാരംഭ ചോദ്യാവലി പരിശോധിക്കുന്നതിൻ്റെ ഉദ്ദേശ്യം ചോദ്യങ്ങളുടെ പൂർണ്ണതയും കൃത്യതയും പരിശോധിക്കുക എന്നതായിരുന്നു. പരിശോധനാ ഫലങ്ങളുടെ അടിസ്ഥാനത്തിൽ, ചോദ്യാവലിയിൽ മാറ്റം വരുത്തി, പരിഷ്കരിച്ച പതിപ്പ് സർവേയിൽ പങ്കെടുത്തവർക്ക് അയച്ചു. തിരിച്ചയച്ച ചോദ്യാവലി പിന്നീട് ഐ ഡാറ്റ പട്ടികകളിലും ഡയഗ്രമുകളിലും മറ്റ് ഫോർമാറ്റുകളിലും. ദി

വിശകലന ഫലങ്ങൾ ഡാറ്റ അവർ ഓസ്‌ട്രേലിയയിലെ ഡാറ്റ വെയർഹൗസിംഗ് പരിശീലനത്തിൻ്റെ ഒരു സ്നാപ്പ്ഷോട്ട് രൂപീകരിക്കുന്നു.

ഡാറ്റ വെയർഹൗസിംഗ് അവലോകനം

കംപ്യൂട്ടർ സാങ്കേതികവിദ്യയിലെ മെച്ചപ്പെടുത്തലുകളോടെ ഡാറ്റ വെയർഹൗസിംഗ് എന്ന ആശയം വികസിച്ചു.
ഡിസിഷൻ സപ്പോർട്ട് സിസ്റ്റം (ഡിഎസ്എസ്), എക്സിക്യൂട്ടീവ് ഇൻഫർമേഷൻ സിസ്റ്റം (ഇഐഎസ്) തുടങ്ങിയ ആപ്ലിക്കേഷൻ സപ്പോർട്ട് ഗ്രൂപ്പുകൾ അഭിമുഖീകരിക്കുന്ന പ്രശ്നങ്ങൾ മറികടക്കാൻ ഇത് ലക്ഷ്യമിടുന്നു.

മുൻകാലങ്ങളിൽ ഈ ആപ്ലിക്കേഷനുകളുടെ ഏറ്റവും വലിയ തടസ്സം ഈ ആപ്ലിക്കേഷനുകൾക്ക് നൽകാനുള്ള കഴിവില്ലായ്മയായിരുന്നു ഡാറ്റാ ബേസ് വിശകലനത്തിന് ആവശ്യമാണ്.
ഇത് പ്രധാനമായും മാനേജ്മെൻ്റിൻ്റെ പ്രവർത്തനത്തിൻ്റെ സ്വഭാവം മൂലമാണ്. ഒരു കമ്പനിയുടെ മാനേജ്‌മെൻ്റിൻ്റെ താൽപ്പര്യങ്ങൾ ഉൾക്കൊള്ളുന്ന മേഖലയെ ആശ്രയിച്ച് നിരന്തരം വ്യത്യാസപ്പെടുന്നു. അതുകൊണ്ട് ഐ ഡാറ്റ ഈ ആപ്ലിക്കേഷനുകളുടെ അടിസ്ഥാനം, ചികിത്സിക്കേണ്ട ഭാഗത്തെ ആശ്രയിച്ച് അവ വേഗത്തിൽ മാറാൻ കഴിയണം.
ഇതിനർത്ഥം ഐ ഡാറ്റ അഭ്യർത്ഥിച്ച വിശകലനങ്ങൾക്ക് ഉചിതമായ ഫോമിൽ ലഭ്യമായിരിക്കണം. വാസ്തവത്തിൽ, ആപ്ലിക്കേഷൻ പിന്തുണാ ഗ്രൂപ്പുകൾ ശേഖരിക്കുന്നതിനും സംയോജിപ്പിക്കുന്നതിനും മുമ്പ് വളരെ ബുദ്ധിമുട്ടായിരുന്നു ഡാറ്റ സങ്കീർണ്ണവും വൈവിധ്യപൂർണ്ണവുമായ ഉറവിടങ്ങളിൽ നിന്ന്.

ഈ വിഭാഗത്തിൻ്റെ ബാക്കി ഭാഗം ഡാറ്റ വെയർഹൗസിംഗ് എന്ന ആശയത്തിൻ്റെ ഒരു അവലോകനം അവതരിപ്പിക്കുകയും അത് എങ്ങനെയെന്ന് ചർച്ച ചെയ്യുകയും ചെയ്യുന്നു ഡാറ്റ വെയർഹൗസ് ആപ്ലിക്കേഷൻ പിന്തുണാ ഗ്രൂപ്പുകളുടെ പ്രശ്നങ്ങൾ മറികടക്കാൻ കഴിയും.
“വിവരങ്ങളുടെ കലവറ1990-ൽ വില്യം ഇൻമോൺ എന്നയാളാണ് ഇത് ജനപ്രിയമാക്കിയത്. അദ്ദേഹത്തിൻ്റെ പലപ്പോഴും ഉദ്ധരിച്ച നിർവചനം ഇതാണ് വിവരങ്ങളുടെ കലവറ ഒരു ശേഖരമായി ഡാറ്റ വിഷയാധിഷ്ഠിതവും, സംയോജിതവും, അസ്ഥിരമല്ലാത്തതും, കാലക്രമേണ വേരിയബിളും, മാനേജ്മെൻ്റ് തീരുമാനങ്ങളെ പിന്തുണയ്ക്കുന്നു.

ഈ നിർവചനം ഉപയോഗിച്ച് Inmon ഹൈലൈറ്റ് ചെയ്യുന്നു, i ഡാറ്റ എയിൽ താമസിക്കുന്നു ഡാറ്റ വെയർഹൗസ് അവർക്ക് ഇനിപ്പറയുന്ന 4 സവിശേഷതകൾ ഉണ്ടായിരിക്കണം:

• ▪ വിഷയാധിഷ്ഠിതം
• ▪ സംയോജിപ്പിച്ചത്
• ▪ അസ്ഥിരമല്ലാത്തത്
• ▪ വിഷയാധിഷ്ഠിത ഇൻമോൺ വഴി കാലക്രമേണ വേരിയബിൾ എന്നാൽ ഐ ഡാറ്റ നെൽ ഡാറ്റ വെയർഹൗസ് ഏറ്റവും വലിയ സംഘടനാ മേഖലകളിൽ

മാതൃകയിൽ നിർവചിച്ചിരിക്കുന്നു ഡാറ്റ. ഉദാഹരണത്തിന് എല്ലാം ഡാറ്റ ഐ സംബന്ധിച്ച് ഉപഭോക്താക്കൾക്ക് വിഷയ മേഖലയിൽ അടങ്ങിയിരിക്കുന്നു ഉപയോക്താക്കളിൽ. അതുപോലെ എല്ലാം ഡാറ്റ ഉൽപ്പന്നങ്ങളുമായി ബന്ധപ്പെട്ടത് PRODUCTS സബ്ജക്ട് ഏരിയയിൽ അടങ്ങിയിരിക്കുന്നു.

ഇന്റഗ്രേറ്റഡ് ഇൻമോൺ എന്നാൽ ഐ ഡാറ്റ വ്യത്യസ്ത പ്ലാറ്റ്‌ഫോമുകളിൽ നിന്നും വരുന്ന സിസ്റ്റങ്ങളും സ്ഥലങ്ങളും സംയോജിപ്പിച്ച് ഒരിടത്ത് സംഭരിക്കുന്നു. തത്ഫലമായി ഡാറ്റ സമാനമായവ സ്ഥിരമായ ഫോർമാറ്റുകളായി രൂപാന്തരപ്പെടുത്തണം, അങ്ങനെ അവ എളുപ്പത്തിൽ കൂട്ടിച്ചേർക്കാനും താരതമ്യം ചെയ്യാനും കഴിയും.
ഉദാഹരണത്തിന്, പുരുഷ-സ്ത്രീ ലിംഗഭേദം ഒരു സിസ്റ്റത്തിൽ M, F എന്നീ അക്ഷരങ്ങളും മറ്റൊന്നിൽ 1, 0 എന്നിവയും പ്രതിനിധീകരിക്കുന്നു. അവയെ ശരിയായി സംയോജിപ്പിക്കുന്നതിന്, ഒന്നോ രണ്ടോ ഫോർമാറ്റുകൾ രൂപാന്തരപ്പെടുത്തണം, അങ്ങനെ രണ്ട് ഫോർമാറ്റുകളും ഒരുപോലെയാണ്. ഈ സാഹചര്യത്തിൽ M നെ 1 ആയും F 0 ആയും അല്ലെങ്കിൽ തിരിച്ചും മാറ്റാം. വിഷയാധിഷ്ഠിതവും സംയോജിതവും സൂചിപ്പിക്കുന്നത് ഡാറ്റ വെയർഹൗസ് എന്നതിൻ്റെ പ്രവർത്തനപരവും തിരശ്ചീനവുമായ കാഴ്ച നൽകാൻ രൂപകൽപ്പന ചെയ്തിട്ടുള്ളതാണ് ഡാറ്റ കമ്പനി മുഖേന.

അസ്ഥിരമല്ലാത്തതിനാൽ അവൻ അർത്ഥമാക്കുന്നത് ഞാൻ എന്നാണ് ഡാറ്റ നെൽ ഡാറ്റ വെയർഹൗസ് സ്ഥിരത നിലനിർത്തുകയും അപ്‌ഡേറ്റ് ചെയ്യുകയും ചെയ്യുന്നു ഡാറ്റ അത് അത്യാവശ്യമല്ല. പകരം, ഓരോ മാറ്റവും ഡാറ്റ ഒറിജിനൽ ചേർത്തിരിക്കുന്നു ഡാറ്റാബേസ് Del ഡാറ്റ വെയർഹൗസ്. ഇതിനർത്ഥം ചരിത്രപരമായ ദേവി എന്നാണ് ഡാറ്റ എന്നതിൽ അടങ്ങിയിരിക്കുന്നു ഡാറ്റ വെയർഹൗസ്.

സമയത്തോടുകൂടിയ വേരിയബിളുകൾക്കായി Inmon സൂചിപ്പിക്കുന്നത് i ഡാറ്റ നെൽ ഡാറ്റ വെയർഹൗസ് എപ്പോഴും ei സമയ സൂചകങ്ങൾ അടങ്ങിയിരിക്കുന്നു ഡാറ്റ അവർ സാധാരണയായി ഒരു നിശ്ചിത സമയ ചക്രവാളം കടക്കുന്നു. ഉദാഹരണത്തിന് എ
ഡാറ്റ വെയർഹൗസ് യുടെ 5 വർഷത്തെ ചരിത്ര മൂല്യങ്ങൾ ഉൾക്കൊള്ളാൻ കഴിയും ഉപഭോക്താക്കൾക്ക് 1993 മുതൽ 1997 വരെ. ചരിത്രത്തിൻ്റെ ലഭ്യതയും ഒരു സമയ ശ്രേണിയും ഡാറ്റ ട്രെൻഡുകൾ വിശകലനം ചെയ്യാൻ നിങ്ങളെ അനുവദിക്കുന്നു.

Un ഡാറ്റ വെയർഹൗസ് അവന് സ്വന്തമായി ശേഖരിക്കാൻ കഴിയും ഡാറ്റ OLTP സിസ്റ്റങ്ങളിൽ നിന്ന്; ഉറവിടങ്ങളിൽ നിന്ന് ഡാറ്റ ഓർഗനൈസേഷനും കൂടാതെ/അല്ലെങ്കിൽ മറ്റ് പ്രത്യേക ക്യാപ്‌ചർ സിസ്റ്റം പ്രോജക്‌റ്റുകൾ വഴിയും ഡാറ്റ.
I ഡാറ്റ എക്‌സ്‌ട്രാക്‌റ്റുകൾക്ക് ഒരു ക്ലീനിംഗ് പ്രക്രിയയിലൂടെ കടന്നുപോകാൻ കഴിയും, ഈ സാഹചര്യത്തിൽ i ഡാറ്റ സംഭരിക്കപ്പെടുന്നതിന് മുമ്പ് രൂപാന്തരപ്പെടുകയും സംയോജിപ്പിക്കുകയും ചെയ്യുന്നു ഡാറ്റാബേസ് Del ഡാറ്റ വെയർഹൗസ്. അപ്പോൾ, ഐ ഡാറ്റ

ഉള്ളിലെ താമസക്കാർ ഡാറ്റാബേസ് Del ഡാറ്റ വെയർഹൗസ് അന്തിമ ഉപയോക്തൃ ലോഗിനുകൾക്കും വീണ്ടെടുക്കൽ ഉപകരണങ്ങൾക്കും ലഭ്യമാക്കിയിട്ടുണ്ട്. ഈ ടൂളുകൾ ഉപയോഗിച്ച് അന്തിമ ഉപയോക്താവിന് ഓർഗനൈസേഷൻ്റെ സംയോജിത കാഴ്ച ആക്സസ് ചെയ്യാൻ കഴിയും ഡാറ്റ.

I ഡാറ്റ ഉള്ളിലെ താമസക്കാർ ഡാറ്റാബേസ് Del ഡാറ്റ വെയർഹൗസ് അവ വിശദമായും സംഗ്രഹ ഫോർമാറ്റിലും സംഭരിച്ചിരിക്കുന്നു.
സംഗ്രഹത്തിന്റെ നില അതിന്റെ സ്വഭാവത്തെ ആശ്രയിച്ചിരിക്കും ഡാറ്റ. ഞാൻ ഡാറ്റ വിശദമായി അടങ്ങിയിരിക്കാം ഡാറ്റ നിലവിലെ ഇ ഡാറ്റ ചരിത്രകാരന്മാർ
I ഡാറ്റ റോയൽറ്റിയിൽ ഉൾപ്പെടുത്തിയിട്ടില്ല ഡാറ്റ വെയർഹൗസ് വരെ ഐ ഡാറ്റ നെൽ ഡാറ്റ വെയർഹൗസ് അപ്ഡേറ്റ് ചെയ്യുന്നു.
സംഭരിക്കുന്നതിനൊപ്പം ഐ ഡാറ്റ തങ്ങൾ, എ ഡാറ്റ വെയർഹൗസ് ഇതിന് വ്യത്യസ്ത തരം സംഭരിക്കാനും കഴിയും ഡാറ്റോ മെറ്റാഡാറ്റയെ വിവരിക്കുന്നു ഡാറ്റ അവന്റെ നിവാസികൾ ഡാറ്റാബേസ്.
രണ്ട് തരം മെറ്റാഡാറ്റയുണ്ട്: ഡെവലപ്‌മെൻ്റ് മെറ്റാഡാറ്റയും അനലിറ്റിക്‌സ് മെറ്റാഡാറ്റയും.
എക്‌സ്‌ട്രാക്ഷൻ, ക്ലീനിംഗ്, മാപ്പിംഗ്, ലോഡിംഗ് പ്രക്രിയകൾ എന്നിവ നിയന്ത്രിക്കാനും ഓട്ടോമേറ്റ് ചെയ്യാനും ഡെവലപ്‌മെൻ്റ് മെറ്റാഡാറ്റ ഉപയോഗിക്കുന്നു. ഡാറ്റ നെൽ ഡാറ്റ വെയർഹൗസ്.
വികസന മെറ്റാഡാറ്റയിൽ അടങ്ങിയിരിക്കുന്ന വിവരങ്ങളിൽ ഓപ്പറേറ്റിംഗ് സിസ്റ്റങ്ങളുടെ വിശദാംശങ്ങൾ, എക്‌സ്‌ട്രാക്‌റ്റുചെയ്യേണ്ട ഘടകങ്ങളുടെ വിശദാംശങ്ങൾ, മോഡൽ എന്നിവ അടങ്ങിയിരിക്കാം. ഡാറ്റ Del ഡാറ്റ വെയർഹൗസ് പരിവർത്തനം ചെയ്യുന്നതിനുള്ള ബിസിനസ്സ് നിയമങ്ങളും ഡാറ്റ.

രണ്ടാമത്തെ തരം മെറ്റാഡാറ്റ, അനലിറ്റിക്‌സ് മെറ്റാഡാറ്റ എന്നറിയപ്പെടുന്നത്, അന്തിമ ഉപയോക്താവിനെ അതിൻ്റെ ഉള്ളടക്കം പര്യവേക്ഷണം ചെയ്യാൻ പ്രാപ്‌തമാക്കുന്നു. ഡാറ്റ വെയർഹൗസ് കണ്ടെത്താൻ ഡാറ്റ ലഭ്യമായതും അവയുടെ അർത്ഥവും വ്യക്തവും സാങ്കേതികമല്ലാത്തതുമായ പദങ്ങളിൽ.

അതിനാൽ അനലിറ്റിക്‌സ് മെറ്റാഡാറ്റ ഇവയ്‌ക്കിടയിലുള്ള ഒരു പാലമായി പ്രവർത്തിക്കുന്നു ഡാറ്റ വെയർഹൗസ് അന്തിമ ഉപയോക്തൃ ആപ്ലിക്കേഷനുകളും. ഈ മെറ്റാഡാറ്റയിൽ ബിസിനസ്സ് മോഡലും വിവരണങ്ങളും അടങ്ങിയിരിക്കാം ഡാറ്റ ബിസിനസ്സ് മോഡൽ, മുൻകൂട്ടി നിർവചിച്ച അന്വേഷണങ്ങളും റിപ്പോർട്ടുകളും, ഉപയോക്തൃ ആക്‌സസിനായുള്ള വിവരങ്ങൾ, സൂചിക എന്നിവയുമായി പൊരുത്തപ്പെടുന്നു.

ശരിയായി പ്രവർത്തിക്കുന്നതിന് വിശകലനവും വികസന മെറ്റാഡാറ്റയും ഒരൊറ്റ സംയോജിത കണ്ടെയ്‌ൻമെന്റ് മെറ്റാഡാറ്റയായി സംയോജിപ്പിച്ചിരിക്കണം.

നിർഭാഗ്യവശാൽ നിലവിലുള്ള പല ടൂളുകൾക്കും അവരുടേതായ മെറ്റാഡാറ്റയുണ്ട്, അതിനായി നിലവിൽ നിലവിലുള്ള മാനദണ്ഡങ്ങളൊന്നുമില്ല

ഈ മെറ്റാഡാറ്റ സംയോജിപ്പിക്കാൻ ഡാറ്റ വെയർഹൗസിംഗ് ടൂളുകളെ അനുവദിക്കുക. ഈ സാഹചര്യം പരിഹരിക്കുന്നതിന്, പ്രധാന ഡാറ്റ വെയർഹൗസിംഗ് ടൂളുകളുടെ പല വ്യാപാരികളും മെറ്റാ ഡാറ്റ കൗൺസിൽ രൂപീകരിച്ചു, അത് പിന്നീട് മെറ്റാ ഡാറ്റാ കൂട്ടുകെട്ടായി മാറി.

മെറ്റാഡാറ്റ പരിവർത്തനം ചെയ്യാൻ വ്യത്യസ്ത ഡാറ്റ വെയർഹൗസിംഗ് ടൂളുകളെ അനുവദിക്കുന്ന ഒരു സ്റ്റാൻഡേർഡ് മെറ്റാഡാറ്റ സെറ്റ് നിർമ്മിക്കുക എന്നതാണ് ഈ കൂട്ടുകെട്ടിൻ്റെ ലക്ഷ്യം.
മൈക്രോസോഫ്റ്റ് ആർക്കൈവുകളും അനുബന്ധ എംഡിഐഎസ് ഫയലുകളും തമ്മിൽ വിവരങ്ങൾ കൈമാറാൻ അനുവദിക്കുന്ന മെറ്റാ ഡാറ്റ ഇൻ്റർചേഞ്ച് സ്പെസിഫിക്കേഷൻ്റെ (എംഡിഐഎസ്) പിറവിക്ക് അവരുടെ ശ്രമങ്ങൾ കാരണമായി.

യുടെ അസ്തിത്വം ഡാറ്റ സംഗ്രഹിച്ച/സൂചികമാക്കിയതും വിശദമാക്കിയതും ഉപയോക്താവിന് ഒരു ഡ്രിൽ ഡ്രൗൺ (ഡ്രില്ലിംഗ്) നടത്താനുള്ള സാധ്യത നൽകുന്നു ഡാറ്റ വിശദമായവയിലേക്ക് സൂചികയിലാക്കി തിരിച്ചും. യുടെ അസ്തിത്വം ഡാറ്റ വിശദമായ ചരിത്രങ്ങൾ കാലക്രമേണ ട്രെൻഡ് വിശകലനങ്ങൾ സൃഷ്ടിക്കാൻ അനുവദിക്കുന്നു. കൂടാതെ, അനലിറ്റിക്‌സ് മെറ്റാഡാറ്റ ഡയറക്ടറിയായി ഉപയോഗിക്കാം ഡാറ്റാബേസ് Del ഡാറ്റ വെയർഹൗസ് അന്തിമ ഉപയോക്താക്കളെ കണ്ടെത്താൻ സഹായിക്കുന്നതിന് ഡാറ്റ ആവശ്യമായ.

OLTP സിസ്റ്റങ്ങളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, അവയുടെ വിശകലനത്തെ പിന്തുണയ്ക്കാനുള്ള കഴിവ് ഡാറ്റ ഒപ്പം റിപ്പോർട്ടിംഗ്, ദി ഡാറ്റ വെയർഹൗസ് അന്വേഷണങ്ങൾ ഉണ്ടാക്കുന്നതും പ്രതികരിക്കുന്നതും റിപ്പോർട്ടുകൾ തയ്യാറാക്കുന്നതും പോലെയുള്ള വിവര പ്രക്രിയകൾക്ക് കൂടുതൽ അനുയോജ്യമായ ഒരു സംവിധാനമായാണ് ഇത് കാണുന്നത്. അടുത്ത വിഭാഗം രണ്ട് സിസ്റ്റങ്ങളുടെ വ്യത്യാസങ്ങൾ വിശദമായി ഹൈലൈറ്റ് ചെയ്യും.

വിവരങ്ങളുടെ കലവറ OLTP സിസ്റ്റങ്ങൾക്കെതിരെ

സ്ഥാപനങ്ങൾക്കുള്ളിലെ പല വിവര സംവിധാനങ്ങളും ദൈനംദിന പ്രവർത്തനങ്ങളെ പിന്തുണയ്ക്കാൻ ഉദ്ദേശിച്ചുള്ളതാണ്. OLTP SYSTEMS എന്നറിയപ്പെടുന്ന ഈ സംവിധാനങ്ങൾ തുടർച്ചയായി അപ്‌ഡേറ്റ് ചെയ്യുന്ന പ്രതിദിന ഇടപാടുകൾ ക്യാപ്‌ചർ ചെയ്യുന്നു.

I ഡാറ്റ ഈ സിസ്റ്റങ്ങൾക്കുള്ളിൽ അവ പലപ്പോഴും പരിഷ്ക്കരിക്കുകയോ ചേർക്കുകയോ ഇല്ലാതാക്കുകയോ ചെയ്യുന്നു. ഉദാഹരണത്തിന്, ഒരു ഉപഭോക്താവ് ഒരിടത്ത് നിന്ന് മറ്റൊരിടത്തേക്ക് മാറുമ്പോൾ അയാളുടെ വിലാസം മാറുന്നു. ഈ സാഹചര്യത്തിൽ വിലാസ ഫീൽഡ് പരിഷ്കരിച്ച് പുതിയ വിലാസം രജിസ്റ്റർ ചെയ്യും ഡാറ്റാബേസ്. ഈ സംവിധാനങ്ങളുടെ പ്രധാന ലക്ഷ്യം ഇടപാട് ചെലവ് കുറയ്ക്കുകയും അതേ സമയം പ്രോസസ്സിംഗ് സമയം കുറയ്ക്കുകയും ചെയ്യുക എന്നതാണ്. ഓർഡർ എൻട്രി, പേറോൾ, ഇൻവോയ്സ്, നിർമ്മാണം, ഉപഭോക്തൃ സേവനം തുടങ്ങിയ നിർണായക പ്രവർത്തനങ്ങൾ OLTP സിസ്റ്റങ്ങളുടെ ഉദാഹരണങ്ങളിൽ ഉൾപ്പെടുന്നു. ഉപഭോക്താക്കൾക്ക്.

ഇടപാടുകൾക്കും ഇവൻ്റ് അധിഷ്‌ഠിത പ്രക്രിയകൾക്കുമായി സൃഷ്‌ടിച്ച OLTP സിസ്റ്റങ്ങളിൽ നിന്ന് വ്യത്യസ്തമായി, i ഡാറ്റ വെയർഹൗസ് അനലിറ്റിക്‌സ് അധിഷ്‌ഠിത പ്രക്രിയകൾക്ക് പിന്തുണ നൽകുന്നതിനാണ് സൃഷ്‌ടിച്ചത് ഡാറ്റ തീരുമാനമെടുക്കൽ പ്രക്രിയകളും.

i സംയോജിപ്പിച്ചാണ് ഇത് സാധാരണയായി കൈവരിക്കുന്നത് ഡാറ്റ ഒരൊറ്റ "കണ്ടെയ്നറിൽ" വിവിധ OLTP, ബാഹ്യ സിസ്റ്റങ്ങളിൽ നിന്ന് ഡാറ്റ,മുമ്പത്തെ വിഭാഗത്തിൽ ചർച്ച ചെയ്തതുപോലെ.

മോനാഷ് ഡാറ്റ വെയർഹൗസിംഗ് പ്രോസസ് മോഡൽ

ഇതിനായുള്ള പ്രക്രിയ മാതൃക ഡാറ്റ വെയർഹൗസ് മൊണാഷ് ഡിഎസ്എസ് റിസർച്ച് ഗ്രൂപ്പിലെ ഗവേഷകരാണ് മൊണാഷ് വികസിപ്പിച്ചെടുത്തത്, ഇത് സാഹിത്യത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് ഡാറ്റ വെയർഹൗസ്, സിസ്‌റ്റം ഫീൽഡുകളുടെ വികസനത്തെ പിന്തുണയ്‌ക്കുന്നതിൽ അനുഭവപരിചയം, ഉപയോഗത്തിനായി ആപ്ലിക്കേഷനുകളുടെ വെണ്ടർമാരുമായുള്ള ചർച്ചകൾ ഡാറ്റ വെയർഹൗസ്, ഉപയോഗത്തിൽ വിദഗ്ധരുടെ ഒരു ഗ്രൂപ്പിൽ ഡാറ്റ വെയർഹൗസ്.

ഘട്ടങ്ങൾ ഇവയാണ്: തുടക്കം, ആസൂത്രണം, വികസനം, പ്രവർത്തനങ്ങൾ, വിശദീകരണങ്ങൾ. a യുടെ വികസനത്തിൻ്റെ ആവർത്തനപരമോ പരിണാമപരമോ ആയ സ്വഭാവം ഡയഗ്രം വിശദീകരിക്കുന്നു ഡാറ്റ വെയർഹൗസ് വ്യത്യസ്ത ഘട്ടങ്ങൾക്കിടയിൽ സ്ഥാപിച്ചിരിക്കുന്ന ടു-വേ അമ്പടയാളങ്ങൾ ഉപയോഗിച്ച് പ്രോസസ്സ് ചെയ്യുക. ഈ സന്ദർഭത്തിൽ, "ആവർത്തന", "പരിണാമം" എന്നതിനർത്ഥം, പ്രക്രിയയുടെ ഓരോ ഘട്ടത്തിലും, നടപ്പിലാക്കൽ പ്രവർത്തനങ്ങൾ എല്ലായ്പ്പോഴും മുമ്പത്തെ ഘട്ടത്തിലേക്ക് പിന്നിലേക്ക് വ്യാപിക്കുമെന്നാണ്. ഒരു പദ്ധതിയുടെ സ്വഭാവമാണ് ഇതിന് കാരണം ഡാറ്റ വെയർഹൗസ് അന്തിമ ഉപയോക്താവിൽ നിന്നുള്ള അധിക അഭ്യർത്ഥനകൾ ഏത് സമയത്തും ഉണ്ടാകുന്നു. ഉദാഹരണത്തിന്, ഒരു പ്രക്രിയയുടെ വികസന ഘട്ടത്തിൽ ഡാറ്റ വെയർഹൗസ്, ഒരു പുതിയ മാനം അല്ലെങ്കിൽ സബ്ജക്ട് ഏരിയ അന്തിമ ഉപയോക്താവ് അഭ്യർത്ഥിക്കുന്നു, അത് യഥാർത്ഥ പ്ലാനിൻ്റെ ഭാഗമല്ല, ഇത് സിസ്റ്റത്തിലേക്ക് ചേർക്കേണ്ടതാണ്. ഇത് പദ്ധതിയിൽ മാറ്റത്തിന് കാരണമാകുന്നു. ഡിസൈൻ ഘട്ടത്തിൽ ഇതുവരെ സൃഷ്ടിച്ച പ്രമാണങ്ങളുടെ ആവശ്യകതകൾ ഡിസൈൻ ടീം മാറ്റണം എന്നതാണ് ഫലം. മിക്ക കേസുകളിലും, പ്രോജക്റ്റിൻ്റെ നിലവിലെ അവസ്ഥ ഡിസൈൻ ഘട്ടത്തിലേക്ക് തിരികെ പോകണം, അവിടെ പുതിയ ആവശ്യകതകൾ കൂട്ടിച്ചേർക്കുകയും രേഖപ്പെടുത്തുകയും വേണം. അന്തിമ ഉപയോക്താവിന് അവലോകനം ചെയ്ത നിർദ്ദിഷ്ട ഡോക്യുമെൻ്റേഷനും വികസന ഘട്ടത്തിൽ വരുത്തിയ മാറ്റങ്ങളും കാണാൻ കഴിയണം. ഈ വികസന ചക്രത്തിൻ്റെ അവസാനം, പ്രോജക്റ്റിന് വികസനത്തിൽ നിന്നും ഉപയോക്തൃ ടീമുകളിൽ നിന്നും മികച്ച ഫീഡ്‌ബാക്ക് ലഭിക്കണം. ഭാവി പ്രോജക്‌റ്റ് മെച്ചപ്പെടുത്താൻ ഫീഡ്‌ബാക്ക് വീണ്ടും ഉപയോഗിക്കുന്നു.

ശേഷി ആസൂത്രണം
Dw വലുപ്പത്തിൽ വളരെ വലുതായിരിക്കും കൂടാതെ വളരെ വേഗത്തിൽ വളരുകയും ചെയ്യുന്നു (Best 1995, Rudin 1997a) തുകയുടെ ഫലമായി ഡാറ്റ അവരുടെ ദൈർഘ്യത്തിൽ നിന്ന് അവർ നിലനിർത്തുന്ന ചരിത്രങ്ങൾ. വളർച്ചയ്ക്കും കാരണമാകാം ഡാറ്റ മൂല്യം വർദ്ധിപ്പിക്കുന്നതിന് ഉപയോക്താക്കൾ അഭ്യർത്ഥിച്ച കൂട്ടിച്ചേർക്കലുകൾ ഡാറ്റ അവർക്ക് ഇതിനകം ഉണ്ടെന്ന്. അതനുസരിച്ച്, സംഭരണ ​​ആവശ്യകതകൾ ഡാറ്റ ഗണ്യമായി മെച്ചപ്പെടുത്താൻ കഴിയും (Eckerson 1997). അതിനാൽ, കപ്പാസിറ്റി പ്ലാനിംഗ് നടത്തി, നിർമ്മിക്കുന്ന സിസ്റ്റത്തിന് ആവശ്യങ്ങൾ വർദ്ധിക്കുന്നതിനനുസരിച്ച് വളരാനാകുമെന്ന് ഉറപ്പാക്കേണ്ടത് അത്യാവശ്യമാണ് (ബെസ്റ്റ് 1995, ലാപ്ലാൻ്റേ 1996, ലാംഗ് 1997, എക്കേഴ്സൺ 1997, റൂഡിൻ 1997 എ, ഫോളി 1997 എ).
ഡാറ്റാബേസിൻ്റെ സ്കേലബിളിറ്റിക്ക് വേണ്ടി ആസൂത്രണം ചെയ്യുമ്പോൾ, വെയർഹൗസിൻ്റെ വലിപ്പത്തിൽ പ്രതീക്ഷിക്കുന്ന വളർച്ച, അന്വേഷിക്കാൻ സാധ്യതയുള്ള അന്വേഷണങ്ങൾ, പിന്തുണയ്ക്കുന്ന അന്തിമ ഉപയോക്താക്കളുടെ എണ്ണം (Best 1995, Rudin 1997b, Foley 1997a) എന്നിവ അറിഞ്ഞിരിക്കണം. സ്‌കേലബിൾ ആപ്ലിക്കേഷനുകൾ നിർമ്മിക്കുന്നതിന് സ്‌കേലബിൾ സെർവർ സാങ്കേതികവിദ്യകളുടെയും സ്‌കേലബിൾ ആപ്ലിക്കേഷൻ ഡിസൈൻ ടെക്‌നിക്കുകളുടെയും സംയോജനം ആവശ്യമാണ് (മികച്ച 1995, റൂഡിൻ 1997b. വളരെ സ്‌കേലബിൾ ആപ്ലിക്കേഷൻ നിർമ്മിക്കുന്നതിന് ഇവ രണ്ടും ആവശ്യമാണ്. സ്‌കേലബിൾ സെർവർ സാങ്കേതികവിദ്യകൾക്ക് സ്‌റ്റോറേജ്, മെമ്മറി, സിപിയു എന്നിവ കുറയാതെ ചേർക്കുന്നത് എളുപ്പവും പ്രയോജനകരവുമാക്കാൻ കഴിയും. പ്രകടനം (ലാങ് 1997, ടെലിഫോണി 1997).

രണ്ട് പ്രധാന സ്കേലബിൾ സെർവർ സാങ്കേതികവിദ്യകളുണ്ട്: സിമെട്രിക് മൾട്ടിപ്പിൾ പ്രോസസ്സിംഗ് (എസ്എംപി), മാസിവ്ലി പാരലൽ പ്രോസസ്സിംഗ് (എംപിപി) (ഐഡിസി 1997, ഹംഫ്രീസ് എറ്റ്. 1999). ഒരു SMP സെർവറിന് സാധാരണയായി മെമ്മറി, സിസ്റ്റം ബസ്, മറ്റ് ഉറവിടങ്ങൾ എന്നിവ പങ്കിടുന്ന ഒന്നിലധികം പ്രോസസ്സറുകൾ ഉണ്ട് (IDC 1997, Humphries et al. 1999). ഇത് വർദ്ധിപ്പിക്കുന്നതിന് അധിക പ്രോസസ്സറുകൾ ചേർക്കാവുന്നതാണ് ശക്തി കമ്പ്യൂട്ടേഷണൽ. വർദ്ധിപ്പിക്കുന്നതിനുള്ള മറ്റൊരു രീതി ശക്തി SMP സെർവറിൻ്റെ, നിരവധി SMP മെഷീനുകൾ സംയോജിപ്പിക്കുക എന്നതാണ്. ഈ സാങ്കേതികതയെ ക്ലസ്റ്ററിംഗ് എന്നാണ് അറിയപ്പെടുന്നത് (ഹംഫ്രീസ് et al. 1999). മറുവശത്ത്, ഒരു MPP സെർവറിന് അതിൻ്റേതായ മെമ്മറി, ബസ് സിസ്റ്റം, മറ്റ് ഉറവിടങ്ങൾ എന്നിവയുള്ള ഒന്നിലധികം പ്രോസസ്സറുകൾ ഉണ്ട് (IDC 1997, Humphries et al. 1999). ഓരോ പ്രോസസറും ഒരു നോഡ് എന്ന് വിളിക്കുന്നു. ഒരു വർദ്ധനവ് ശക്തി കണക്കുകൂട്ടൽ നേടാൻ കഴിയും

MPP സെർവറുകളിലേക്ക് അധിക നോഡുകൾ ചേർക്കുന്നു (Humphries et al. 1999).

SMP സെർവറുകളുടെ ഒരു ദൗർബല്യം, വളരെയധികം ഇൻപുട്ട്-ഔട്ട്‌പുട്ട് (I/O) ഓപ്പറേഷനുകൾ സിസ്റ്റം ബസിനെ (IDC 1997) തടസ്സപ്പെടുത്തും എന്നതാണ്. ഓരോ പ്രോസസറിനും അതിൻ്റേതായ ബസ് സിസ്റ്റം ഉള്ളതിനാൽ MPP സെർവറുകളിൽ ഈ പ്രശ്നം സംഭവിക്കുന്നില്ല. എന്നിരുന്നാലും, ഓരോ നോഡും തമ്മിലുള്ള പരസ്പര ബന്ധങ്ങൾ സാധാരണയായി എസ്എംപി ബസ് സിസ്റ്റത്തേക്കാൾ വളരെ മന്ദഗതിയിലാണ്. കൂടാതെ, MPP സെർവറുകൾക്ക് ആപ്ലിക്കേഷൻ ഡെവലപ്പർമാർക്ക് സങ്കീർണ്ണതയുടെ ഒരു അധിക തലം ചേർക്കാൻ കഴിയും (IDC 1997). അതിനാൽ, SMP, MPP സെർവറുകൾ തമ്മിലുള്ള തിരഞ്ഞെടുപ്പിനെ ആപ്ലിക്കേഷനുകളുടെ സങ്കീർണ്ണത, വില/പ്രകടന അനുപാതം, ആവശ്യമായ പ്രോസസ്സിംഗ് ശേഷി, തടയപ്പെട്ട dw ആപ്ലിക്കേഷനുകൾ, വലുപ്പത്തിലുള്ള വർദ്ധനവ് എന്നിവ ഉൾപ്പെടെ നിരവധി ഘടകങ്ങളാൽ സ്വാധീനിക്കാനാകും. ഡാറ്റാബേസ് dw ൻ്റെയും അന്തിമ ഉപയോക്താക്കളുടെ എണ്ണത്തിലും.

കപ്പാസിറ്റി പ്ലാനിംഗിൽ നിരവധി സ്കേലബിൾ ആപ്ലിക്കേഷൻ ഡിസൈൻ ടെക്നിക്കുകൾ ഉപയോഗിക്കാം. ഒരാൾ ദിവസങ്ങൾ, ആഴ്ചകൾ, മാസങ്ങൾ, വർഷങ്ങൾ എന്നിങ്ങനെ വിവിധ അറിയിപ്പ് കാലയളവുകൾ ഉപയോഗിക്കുന്നു. വിവിധ അറിയിപ്പ് കാലയളവുകൾ ഉള്ളതിനാൽ, ഡാറ്റാബേസ് അതിനെ നിയന്ത്രിക്കാവുന്ന തരത്തിൽ ഗ്രൂപ്പുചെയ്‌ത കഷണങ്ങളായി വിഭജിക്കാം (Inmon et al. 1997). സംഗ്രഹിച്ചുകൊണ്ട് നിർമ്മിച്ച സംഗ്രഹ പട്ടികകൾ ഉപയോഗിക്കുന്നതാണ് മറ്റൊരു സാങ്കേതികത ഡാറ്റ da ഡാറ്റ വിശദമായ. അതിനാൽ, ഐ ഡാറ്റ സംഗ്രഹിച്ചവ വിശദമായതിനേക്കാൾ ഒതുക്കമുള്ളവയാണ്, ഇതിന് കുറച്ച് മെമ്മറി സ്പേസ് ആവശ്യമാണ്. അങ്ങനെ ദി ഡാറ്റ വിലകുറഞ്ഞ സ്റ്റോറേജ് യൂണിറ്റിൽ വിശദാംശങ്ങൾ സംഭരിക്കാൻ കഴിയും, ഇത് കൂടുതൽ സംഭരണം ലാഭിക്കുന്നു. സംഗ്രഹ പട്ടികകൾ ഉപയോഗിക്കുന്നത് മെമ്മറി ഇടം ലാഭിക്കുമെങ്കിലും, അവ കാലികമാക്കാനും ബിസിനസ്സ് ആവശ്യങ്ങൾക്ക് അനുസൃതമായി നിലനിർത്താനും അവർക്ക് വളരെയധികം പരിശ്രമം ആവശ്യമാണ്. എന്നിരുന്നാലും, ഈ സാങ്കേതികവിദ്യ വ്യാപകമായി ഉപയോഗിക്കപ്പെടുന്നു, മുമ്പത്തെ സാങ്കേതികതയുമായി സംയോജിച്ച് പലപ്പോഴും ഉപയോഗിക്കുന്നു (ബെസ്റ്റ് 1995, ഇൻമോൺ 1996a, ചൗദുരി, ദയാൽ
1997).

നിർവ്വചനത്തിൽ വിവരങ്ങളുടെ കലവറ സാങ്കേതിക വാസ്തുവിദ്യകൾ dw ആർക്കിടെക്ചർ ടെക്നിക്കുകളുടെ നിർവചനം

ഡാറ്റ വെയർഹൗസിംഗിൻ്റെ ആദ്യകാല സ്വീകരിച്ചവർ പ്രാഥമികമായി dw യുടെ ഒരു കേന്ദ്രീകൃത നടപ്പാക്കലാണ് വിഭാവനം ചെയ്തത്. ഡാറ്റ, ഐ ഉൾപ്പെടെ ഡാറ്റ ബാഹ്യമായവ, ഒറ്റത്തവണയായി സംയോജിപ്പിച്ചു,
ഭൗതിക സംഭരണം (ഇൻമോൺ 1996a, ബ്രെസ്നഹാൻ 1996, മയിൽ 1998).

ഈ സമീപനത്തിൻ്റെ പ്രധാന നേട്ടം, അന്തിമ ഉപയോക്താക്കൾക്ക് എൻ്റർപ്രൈസ്-വൈഡ് വ്യൂ ആക്സസ് ചെയ്യാൻ കഴിയും എന്നതാണ് ഡാറ്റ സംഘടനാപരമായ (Ovum 1998). ഇതിൻ്റെ സ്റ്റാൻഡേർഡൈസേഷൻ വാഗ്ദാനം ചെയ്യുന്നു എന്നതാണ് മറ്റൊരു നേട്ടം ഡാറ്റ ഓർഗനൈസേഷനിലൂടെ, അതായത് dw ശേഖരണത്തിൽ (മെറ്റാഡാറ്റ) ഉപയോഗിക്കുന്ന ഓരോ പദങ്ങൾക്കും ഒരു പതിപ്പോ നിർവചനമോ മാത്രമേ ഉള്ളൂ (Flanagan and Safdie 1997, Ovum 1998). മറുവശത്ത്, ഈ സമീപനത്തിൻ്റെ പോരായ്മ, ഇത് നിർമ്മിക്കുന്നത് ചെലവേറിയതും ബുദ്ധിമുട്ടുള്ളതുമാണ് എന്നതാണ് (Flanagan and Safdie 1997, Ovum 1998, Inmon et al. 1998). സ്റ്റോറേജ് ആർക്കിടെക്ചർ കഴിഞ്ഞ് അധികം താമസിയാതെ ഡാറ്റ കേന്ദ്രീകൃതമായത് ജനപ്രിയമായി, പരിണമിച്ചതിൻ്റെ ചെറിയ ഉപവിഭാഗങ്ങളെ വേർതിരിച്ചെടുക്കുക എന്ന ആശയം ഡാറ്റ നിർദ്ദിഷ്ട ആപ്ലിക്കേഷനുകളുടെ ആവശ്യങ്ങളെ പിന്തുണയ്ക്കുന്നതിന് (വാർണി 1996, ഐഡിസി 1997, ബെർസൺ ആൻഡ് സ്മിത്ത് 1997, മയിൽ 1998). ഈ ചെറിയ സംവിധാനങ്ങൾ വലിയവയുടെ ഡെറിവേറ്റീവുകളാണ് ഡാറ്റ വെയർഹൗസ് കേന്ദ്രീകൃതമായ. അവയ്ക്ക് പേരിട്ടിരിക്കുന്നു ഡാറ്റ വെയർഹൗസ് ആശ്രിത ഡിപ്പാർട്ട്മെൻ്റൽ അല്ലെങ്കിൽ ആശ്രിത ഡാറ്റാ മാർട്ടുകൾ. ആശ്രിത ഡാറ്റാ മാർട്ട് ആർക്കിടെക്ചർ ത്രീ-ടയർ ആർക്കിടെക്ചർ എന്നറിയപ്പെടുന്നു, അവിടെ ആദ്യ ടയർ അടങ്ങിയിരിക്കുന്നു ഡാറ്റ വെയർഹൗസ് കേന്ദ്രീകൃതമായത്, രണ്ടാമത്തേത് നിക്ഷേപങ്ങൾ ഉൾക്കൊള്ളുന്നു ഡാറ്റ വകുപ്പുതലവും മൂന്നാമത്തേത് ആക്സസ് ഉൾക്കൊള്ളുന്നു ഡാറ്റ വിശകലന ഉപകരണങ്ങൾ വഴിയും (Demarest 1994, Inmon et al. 1997).

ഡാറ്റാ മാർട്ടുകൾ സാധാരണയായി നിർമ്മിക്കുന്നത് അതിനു ശേഷമാണ് ഡാറ്റ വെയർഹൗസ് പ്രത്യേക യൂണിറ്റുകളുടെ ആവശ്യങ്ങൾ നിറവേറ്റുന്നതിനാണ് കേന്ദ്രീകൃതമായി നിർമ്മിച്ചിരിക്കുന്നത് (വൈറ്റ് 1995, വാർണി 1996).
ഡാറ്റ മാർട്ടുകൾ സംഭരിക്കുന്നു ഡാറ്റ പ്രത്യേക യൂണിറ്റുകളുമായി ബന്ധപ്പെട്ട് വളരെ പ്രസക്തമാണ് (Inmon et al. 1997, Inmon et al. 1998, IA 1998).

ഇല്ല എന്നതാണ് ഈ രീതിയുടെ പ്രയോജനം ഡാറ്റോ സംയോജിപ്പിച്ചിട്ടില്ലെന്നും ഐ ഡാറ്റ എല്ലാവരേയും പോലെ ഡാറ്റാ മാർട്ടിനുള്ളിൽ അനാവശ്യമായി കുറയും ഡാറ്റ അവർ ഒരു വെയർഹൗസിൽ നിന്നാണ് വരുന്നത് ഡാറ്റ സംയോജിപ്പിച്ചത്. ഓരോ ഡാറ്റാ മാർട്ടും അതിൻ്റെ ഉറവിടങ്ങളും തമ്മിൽ കുറച്ച് കണക്ഷനുകൾ മാത്രമേ ഉണ്ടാകൂ എന്നതാണ് മറ്റൊരു നേട്ടം ഡാറ്റ കാരണം ഓരോ ഡാറ്റാ മാർട്ടിനും ഒരു ഉറവിടം മാത്രമേയുള്ളൂ ഡാറ്റ. കൂടാതെ, ഈ ആർക്കിടെക്ചർ ഉപയോഗിച്ച്, അന്തിമ ഉപയോക്താക്കൾക്ക് ഇപ്പോഴും ഇതിൻ്റെ അവലോകനം ആക്സസ് ചെയ്യാൻ കഴിയും ഡാറ്റ

കോർപ്പറേറ്റ് സംഘടനകൾ. ഈ രീതി ടോപ്പ്-ഡൌൺ രീതി എന്നറിയപ്പെടുന്നു, ഇവിടെ ഡാറ്റാ മാർട്ടുകൾ നിർമ്മിക്കപ്പെടുന്നു ഡാറ്റ വെയർഹൗസ് (മയിൽ 1998, ഗോഫ് 1998).
ഫലങ്ങൾ നേരത്തെ കാണിക്കേണ്ടതിൻ്റെ ആവശ്യകത വർദ്ധിപ്പിച്ചുകൊണ്ട്, ചില ഓർഗനൈസേഷനുകൾ സ്വതന്ത്ര ഡാറ്റാ മാർട്ടുകൾ നിർമ്മിക്കാൻ തുടങ്ങി (Flanagan and Safdie 1997, White 2000). ഈ സാഹചര്യത്തിൽ, ഡാറ്റാ മാർട്ടുകൾ സ്വന്തമാകും ഡാറ്റ അടിസ്ഥാനകാര്യങ്ങളിൽ നിന്ന് നേരിട്ട് ഡാറ്റ OLTP, കേന്ദ്രീകൃതവും സംയോജിതവുമായ വെയർഹൗസിൽ നിന്നല്ല, അങ്ങനെ സൈറ്റിൽ സെൻട്രൽ വെയർഹൗസ് ഉണ്ടായിരിക്കേണ്ടതിൻ്റെ ആവശ്യകത ഇല്ലാതാക്കുന്നു.

ഓരോ ഡാറ്റാ മാർട്ടിനും അതിൻ്റെ ഉറവിടങ്ങളിലേക്ക് ഒരു ലിങ്കെങ്കിലും ആവശ്യമാണ് ഡാറ്റ. ഓരോ ഡാറ്റാ മാർട്ടിനും ഒന്നിലധികം കണക്ഷനുകൾ ഉള്ളതിൻ്റെ ഒരു പോരായ്മ, മുമ്പത്തെ രണ്ട് ആർക്കിടെക്ചറുകളുമായി താരതമ്യം ചെയ്യുമ്പോൾ, ഡാറ്റ ഗണ്യമായി വർദ്ധിക്കുന്നു.

ഓരോ ഡാറ്റാ മാർട്ടും എല്ലാം സംഭരിച്ചിരിക്കണം ഡാറ്റ OLTP സിസ്റ്റങ്ങളിൽ യാതൊരു സ്വാധീനവും ഉണ്ടാകാതിരിക്കാൻ പ്രാദേശികമായി ആവശ്യമാണ്. ഇത് കാരണമാകുന്നു, ഐ ഡാറ്റ അവ വിവിധ ഡാറ്റാ മാർട്ടുകളിൽ സംഭരിച്ചിരിക്കുന്നു (ഇൻമോൺ et al. 1997). ഈ വാസ്തുവിദ്യയുടെ മറ്റൊരു പോരായ്മ, ഇത് ഡാറ്റാ മാർട്ടുകളും അവയുടെ ഡാറ്റ സ്രോതസ്സുകളും തമ്മിലുള്ള സങ്കീർണ്ണമായ പരസ്പരബന്ധം സൃഷ്ടിക്കുന്നതിലേക്ക് നയിക്കുന്നു എന്നതാണ്. ഡാറ്റ നടപ്പിലാക്കാനും നിയന്ത്രിക്കാനും പ്രയാസമുള്ളവ (Inmon et al. 1997).

കമ്പനിയുടെ വിവരങ്ങളുടെ അവലോകനം അന്തിമ ഉപയോക്താക്കൾക്ക് ആക്സസ് ചെയ്യാൻ കഴിയില്ല എന്നതാണ് മറ്റൊരു പോരായ്മ കാരണം i ഡാറ്റ വ്യത്യസ്ത ഡാറ്റാ മാർട്ടുകൾ സംയോജിപ്പിച്ചിട്ടില്ല (Ovum 1998).
ഡാറ്റാ മാർട്ടുകളിൽ ഉപയോഗിക്കുന്ന ഓരോ പദങ്ങൾക്കും ഒന്നിലധികം നിർവചനങ്ങൾ ഉണ്ടായിരിക്കാം എന്നതാണ് മറ്റൊരു പോരായ്മ. ഡാറ്റ സംഘടനയിൽ (Ovum 1998).
മുകളിൽ ചർച്ച ചെയ്ത പോരായ്മകൾ ഉണ്ടായിരുന്നിട്ടും, സ്വതന്ത്ര ഡാറ്റാ മാർട്ടുകൾ ഇപ്പോഴും പല ഓർഗനൈസേഷനുകളുടെയും താൽപ്പര്യം ആകർഷിക്കുന്നു (IDC 1997). അവരെ ആകർഷകമാക്കുന്ന ഒരു ഘടകം, അവ വേഗത്തിൽ വികസിപ്പിക്കുകയും കുറഞ്ഞ സമയവും വിഭവങ്ങളും ആവശ്യമായി വരികയും ചെയ്യുന്നു എന്നതാണ് (Bresnahan 1996, Berson and Smith 1997, Ovum 1998). തൽഫലമായി, പ്രോജക്റ്റിലെ നേട്ടങ്ങളും കൂടാതെ/അല്ലെങ്കിൽ അപൂർണതകളും വേഗത്തിൽ തിരിച്ചറിയാൻ ഉപയോഗിക്കാവുന്ന ടെസ്റ്റ് പ്രോജക്റ്റുകളായി അവ പ്രവർത്തിക്കുന്നു (Parsaye 1995, Braly 1995, Newing 1996). ഈ സാഹചര്യത്തിൽ, പൈലറ്റ് പ്രോജക്റ്റിൽ നടപ്പിലാക്കേണ്ട ഭാഗം ചെറുതും എന്നാൽ ഓർഗനൈസേഷനെ സംബന്ധിച്ചിടത്തോളം പ്രധാനപ്പെട്ടതുമായിരിക്കണം (Newing 1996, Mansell-Lewis 1996).

പ്രോട്ടോടൈപ്പ് പരിശോധിച്ച്, അന്തിമ ഉപയോക്താക്കൾക്കും അഡ്മിനിസ്ട്രേഷനും പദ്ധതി തുടരണോ നിർത്തണോ എന്ന് തീരുമാനിക്കാം (Flanagan and Safdie 1997).
തീരുമാനം തുടരണമെങ്കിൽ, മറ്റ് വ്യവസായങ്ങൾക്കായുള്ള ഡാറ്റ മാർട്ടുകൾ ഒരു സമയം നിർമ്മിക്കണം. അന്തിമ ഉപയോക്താക്കൾക്ക് സ്വതന്ത്ര ഡാറ്റ മെട്രിക്‌സുകൾ നിർമ്മിക്കുന്നതിനുള്ള അവരുടെ ആവശ്യങ്ങളെ അടിസ്ഥാനമാക്കി രണ്ട് ഓപ്ഷനുകൾ ഉണ്ട്: സംയോജിത/ഫെഡറേറ്റഡ്, അൺഇൻ്റഗ്രേറ്റഡ് (Ovum 1998)

ആദ്യ രീതിയിൽ, ഓരോ പുതിയ ഡാറ്റാ മാർട്ടും നിലവിലെ ഡാറ്റാ മാർട്ടുകളും മോഡലും അടിസ്ഥാനമാക്കി നിർമ്മിക്കണം ഡാറ്റ കമ്പനി ഉപയോഗിച്ചത് (വാർണി 1996, ബെർസൺ ആൻഡ് സ്മിത്ത് 1997, പീക്കോക്ക് 1998). മോഡൽ ഉപയോഗിക്കേണ്ടതിൻ്റെ ആവശ്യകത ഡാറ്റ കമ്പനിയുടെ അർത്ഥം ഡാറ്റാ മാർട്ടുകളിൽ ഉടനീളം ഉപയോഗിക്കുന്ന ഓരോ പദങ്ങൾക്കും ഒരു നിർവചനം മാത്രമേ ഉള്ളൂ എന്ന് ഉറപ്പുവരുത്തണം എന്നാണ്, കമ്പനി വിവരങ്ങളുടെ ഒരു അവലോകനം നൽകുന്നതിന് വ്യത്യസ്ത ഡാറ്റാ മാർട്ടുകൾ സംയോജിപ്പിക്കാൻ കഴിയുമെന്ന് ഉറപ്പാക്കാൻ കൂടിയാണിത് (Bresnahan 1996). ഈ രീതിയെ ബോട്ടം-അപ്പ് എന്ന് വിളിക്കുന്നു, സാമ്പത്തിക ഉപാധികൾക്കും സമയത്തിനും പരിമിതി ഉള്ളപ്പോൾ മികച്ചതാണ് (ഫ്ലാനഗൻ ആൻഡ് സഫ്ഡി 1997, ഓവം 1998, പീക്കോക്ക് 1998, ഗോഫ് 1998). രണ്ടാമത്തെ രീതിയിൽ, നിർമ്മിച്ച ഡാറ്റ മാർട്ടുകൾക്ക് ഒരു പ്രത്യേക യൂണിറ്റിൻ്റെ ആവശ്യങ്ങൾ മാത്രമേ തൃപ്തിപ്പെടുത്താൻ കഴിയൂ. ഫെഡറേറ്റഡ് ഡാറ്റാ മാർട്ടിൻ്റെ ഒരു വകഭേദമാണ് ഡാറ്റ വെയർഹൗസ് അതിൽ വിതരണം ചെയ്തു ഡാറ്റാബേസ് ഹബ് സെർവർ മിഡിൽവെയർ പല ഡാറ്റാ മാർട്ടുകളെ ഒരൊറ്റ ശേഖരത്തിലേക്ക് ലയിപ്പിക്കാൻ ഉപയോഗിക്കുന്നു ഡാറ്റ വിതരണം ചെയ്തു (വൈറ്റ് 1995). ഈ സാഹചര്യത്തിൽ, ഐ ഡാറ്റ കമ്പനികൾ നിരവധി ഡാറ്റാ മാർട്ടുകളിൽ വിതരണം ചെയ്യപ്പെടുന്നു. അന്തിമ ഉപയോക്തൃ അഭ്യർത്ഥനകൾ കൈമാറുന്നു ഡാറ്റാബേസ് സെർവർ ഹബ് മിഡിൽവെയർ, അത് എല്ലാം വേർതിരിച്ചെടുക്കുന്നു ഡാറ്റ ഡാറ്റാ മാർട്ടുകൾ അഭ്യർത്ഥിക്കുകയും അന്തിമ ഉപയോക്തൃ ആപ്ലിക്കേഷനുകളിലേക്ക് ഫലങ്ങൾ നൽകുകയും ചെയ്യുന്നു. ഈ രീതി അന്തിമ ഉപയോക്താക്കൾക്ക് ബിസിനസ്സ് വിവരങ്ങൾ നൽകുന്നു. എന്നിരുന്നാലും, സ്വതന്ത്ര ഡാറ്റാ മാർട്ടുകളുടെ പ്രശ്നങ്ങൾ ഇപ്പോഴും ഇല്ലാതാക്കിയിട്ടില്ല. എന്ന് വിളിക്കപ്പെടുന്ന മറ്റൊരു വാസ്തുവിദ്യയും ഉപയോഗിക്കാം ഡാറ്റ വെയർഹൗസ് വെർച്വൽ (വൈറ്റ് 1995). എന്നിരുന്നാലും, ചിത്രം 2.9 ൽ വിവരിച്ചിരിക്കുന്ന ഈ ആർക്കിടെക്ചർ ഒരു ഡാറ്റ സ്റ്റോറേജ് ആർക്കിടെക്ചർ അല്ല. ഡാറ്റ OLTP സിസ്റ്റങ്ങളിൽ നിന്ന് ലോഡിംഗ് നീക്കാത്തതിനാൽ യഥാർത്ഥമാണ് ഡാറ്റ വെയർഹൗസ് (ഡിമറെസ്റ്റ് 1994).

വാസ്തവത്തിൽ, അഭ്യർത്ഥനകൾ ഡാറ്റ അന്തിമ ഉപയോക്താക്കളിൽ നിന്ന് ഉപയോക്തൃ അഭ്യർത്ഥനകൾ പ്രോസസ്സ് ചെയ്ത ശേഷം ഫലങ്ങൾ നൽകുന്ന OLTP സിസ്റ്റങ്ങളിലേക്ക് കൈമാറുന്നു. ഈ ആർക്കിടെക്ചർ അന്തിമ ഉപയോക്താക്കളെ റിപ്പോർട്ടുകൾ സൃഷ്ടിക്കാനും അഭ്യർത്ഥനകൾ നടത്താനും അനുവദിക്കുന്നുണ്ടെങ്കിലും, അത് നൽകാൻ കഴിയില്ല

ഡാറ്റ ഐ ആയി കമ്പനി വിവരങ്ങളുടെ ചരിത്രപരവും അവലോകനവും ഡാറ്റ വ്യത്യസ്ത OLTP സിസ്റ്റങ്ങളിൽ നിന്ന് സംയോജിപ്പിച്ചിട്ടില്ല. അതിനാൽ, ഈ വാസ്തുവിദ്യയ്ക്ക് വിശകലനം തൃപ്തിപ്പെടുത്താൻ കഴിയില്ല ഡാറ്റ പ്രവചനങ്ങൾ പോലുള്ള സങ്കീർണ്ണമായ.

ആക്സസ്, വീണ്ടെടുക്കൽ ആപ്ലിക്കേഷനുകളുടെ തിരഞ്ഞെടുപ്പ് ഡാറ്റ

നിർമ്മാണത്തിൻ്റെ ഉദ്ദേശ്യം എ ഡാറ്റ വെയർഹൗസ് അന്തിമ ഉപയോക്താക്കൾക്ക് വിവരങ്ങൾ കൈമാറുക (Inmon et al. 1997, Poe 1996, McFadden 1996, Shanks et al. 1997, Hammergren 1998); ഒന്നോ അതിലധികമോ ആക്‌സസ്, വീണ്ടെടുക്കൽ ആപ്ലിക്കേഷനുകൾ ഡാറ്റ നൽകണം. ഇന്നുവരെ, ഉപയോക്താവിന് തിരഞ്ഞെടുക്കാൻ കഴിയുന്ന ഈ ആപ്ലിക്കേഷനുകളുടെ വൈവിധ്യമാർന്ന വൈവിധ്യമുണ്ട് (Hammergren 1998, Humphries et al. 1999). നിങ്ങൾ തിരഞ്ഞെടുക്കുന്ന ആപ്ലിക്കേഷനുകൾ നിങ്ങളുടെ വെയർഹൗസിംഗ് ശ്രമത്തിൻ്റെ വിജയം നിർണ്ണയിക്കുന്നു ഡാറ്റ ഒരു ഓർഗനൈസേഷനിൽ, കാരണം ആപ്ലിക്കേഷനുകൾ ഏറ്റവും ദൃശ്യമായ ഭാഗമാണ് ഡാറ്റ വെയർഹൗസ് അന്തിമ ഉപയോക്താവിന് (Inmon et al. 1997, Poe 1996). വിജയിക്കാൻ എ ഡാറ്റ വെയർഹൗസ്, എന്നിവയുടെ വിശകലന പ്രവർത്തനങ്ങളെ പിന്തുണയ്ക്കാൻ കഴിയണം ഡാറ്റ അന്തിമ ഉപയോക്താവിൻ്റെ (Poe 1996, Seddon and Benjamin 1998, Eckerson 1999). അതിനാൽ അന്തിമ ഉപയോക്താവ് ആഗ്രഹിക്കുന്നതിൻ്റെ "നില" തിരിച്ചറിയണം (Poe 1996, Mattison 1996, Inmon et al. 1997, Humphries et al. 1999).

പൊതുവേ, അന്തിമ ഉപയോക്താക്കളെ മൂന്ന് വിഭാഗങ്ങളായി തിരിക്കാം: എക്സിക്യൂട്ടീവ് ഉപയോക്താക്കൾ, ബിസിനസ്സ് വിശകലന വിദഗ്ധർ, പവർ ഉപയോക്താക്കൾ (Poe 1996, Humphries et al. 1999). എക്സിക്യൂട്ടീവ് ഉപയോക്താക്കൾക്ക് മുൻകൂട്ടി നിർവചിച്ച റിപ്പോർട്ടുകളിലേക്ക് എളുപ്പത്തിൽ ആക്സസ് ആവശ്യമാണ് (Humphries et al. 1999). മെനു നാവിഗേഷൻ ഉപയോഗിച്ച് ഈ അനുപാതങ്ങൾ എളുപ്പത്തിൽ ആക്സസ് ചെയ്യാൻ കഴിയും (Poe 1996). കൂടാതെ, വിവരങ്ങൾ വേഗത്തിൽ അറിയിക്കുന്നതിന് പട്ടികകളും ടെംപ്ലേറ്റുകളും പോലുള്ള ഗ്രാഫിക്കൽ പ്രാതിനിധ്യം ഉപയോഗിച്ച് റിപ്പോർട്ടുകൾ വിവരങ്ങൾ അവതരിപ്പിക്കണം (Humphries et al. 1999). ആദ്യം മുതൽ സ്വന്തമായി റിപ്പോർട്ടുകൾ വികസിപ്പിക്കാനുള്ള സാങ്കേതിക കഴിവുകൾ ഇല്ലാത്ത ബിസിനസ്സ് വിശകലന വിദഗ്ധർക്ക് അവരുടെ പ്രത്യേക ആവശ്യങ്ങൾ നിറവേറ്റുന്നതിനായി നിലവിലെ റിപ്പോർട്ടുകൾ പരിഷ്കരിക്കേണ്ടതുണ്ട് (Poe 1996, Humphries et al. 1999). നേരെമറിച്ച്, ആദ്യം മുതൽ അഭ്യർത്ഥനകളും റിപ്പോർട്ടുകളും സൃഷ്ടിക്കാനും എഴുതാനുമുള്ള കഴിവുള്ള അന്തിമ ഉപയോക്താക്കളാണ് പവർ ഉപയോക്താക്കൾ (Poe 1996, Humphries et al. 1999). അവരാണ്

അവർ മറ്റ് തരത്തിലുള്ള ഉപയോക്താക്കൾക്കായി റിപ്പോർട്ടുകൾ വികസിപ്പിക്കുന്നു (Poe 1996, Humphries et al. 1999).

അന്തിമ ഉപയോക്തൃ ആവശ്യകതകൾ നിർണ്ണയിച്ചുകഴിഞ്ഞാൽ, ആക്സസ്, വീണ്ടെടുക്കൽ ആപ്ലിക്കേഷനുകളുടെ ഒരു തിരഞ്ഞെടുപ്പ് നടത്തണം ഡാറ്റ ലഭ്യമായ എല്ലാവരിലും (Poe 1996, Inmon et al. 1997).
ആക്സസ്സ് ഡാറ്റ വീണ്ടെടുക്കൽ ടൂളുകളെ 4 തരങ്ങളായി തരംതിരിക്കാം: OLAP ടൂളുകൾ, EIS/DSS ടൂളുകൾ, അന്വേഷണ, റിപ്പോർട്ടിംഗ് ടൂളുകൾ, ഡാറ്റ മൈനിംഗ് ടൂളുകൾ.

OLAP ടൂളുകൾ ഉപയോക്താക്കൾക്ക് അഡ്‌ഹോക്ക് അന്വേഷണങ്ങൾ സൃഷ്ടിക്കാൻ അനുവദിക്കുന്നു ഡാറ്റാബേസ് Del ഡാറ്റ വെയർഹൗസ്. കൂടാതെ, ഈ ഉൽപ്പന്നങ്ങൾ ഉപയോക്താക്കളെ താഴേക്ക് തുരത്താൻ അനുവദിക്കുന്നു ഡാറ്റ പൊതുവായവ മുതൽ വിശദമായവ വരെ.

EIS/DSS ടൂളുകൾ "എന്താണെങ്കിൽ" വിശകലനം, മെനു-ഡ്രൈവ് റിപ്പോർട്ടുകളിലേക്കുള്ള ആക്സസ് എന്നിവ പോലുള്ള എക്സിക്യൂട്ടീവ് റിപ്പോർട്ടിംഗ് നൽകുന്നു. എളുപ്പമുള്ള നാവിഗേഷനായി റിപ്പോർട്ടുകൾ മുൻകൂട്ടി നിശ്ചയിക്കുകയും മെനുകളുമായി ലയിപ്പിക്കുകയും വേണം.
അന്വേഷണവും റിപ്പോർട്ടിംഗ് ടൂളുകളും ഉപയോക്താക്കളെ മുൻകൂട്ടി നിർവചിച്ചതും നിർദ്ദിഷ്ടവുമായ റിപ്പോർട്ടുകൾ നിർമ്മിക്കാൻ അനുവദിക്കുന്നു.

മറന്നുപോയ പ്രവർത്തനങ്ങളിൽ പുതിയ വെളിച്ചം വീശാൻ കഴിയുന്ന ബന്ധങ്ങളെ തിരിച്ചറിയാൻ ഡാറ്റ മൈനിംഗ് ടൂളുകൾ ഉപയോഗിക്കുന്നു ഡാറ്റ ഡാറ്റ വെയർഹൗസിൻ്റെ.

ഓരോ തരത്തിലുള്ള ഉപയോക്താവിൻ്റെയും ആവശ്യകതകൾ ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിനൊപ്പം, തിരഞ്ഞെടുത്ത ഉപകരണങ്ങൾ അവബോധജന്യവും കാര്യക്ഷമവും ഉപയോഗിക്കാൻ എളുപ്പമുള്ളതുമായിരിക്കണം. അവ വാസ്തുവിദ്യയുടെ മറ്റ് ഭാഗങ്ങളുമായി പൊരുത്തപ്പെടുകയും നിലവിലുള്ള സിസ്റ്റങ്ങളുമായി പ്രവർത്തിക്കാൻ കഴിയുകയും വേണം. ന്യായമായ വിലയും പ്രകടനവും ഉള്ള ഡാറ്റ ആക്‌സസ്, വീണ്ടെടുക്കൽ ടൂളുകൾ തിരഞ്ഞെടുക്കാനും ശുപാർശ ചെയ്യുന്നു. പരിഗണിക്കേണ്ട മറ്റ് മാനദണ്ഡങ്ങളിൽ ടൂൾ വെണ്ടർ അവരുടെ ഉൽപ്പന്നത്തെ പിന്തുണയ്ക്കുന്നതിനുള്ള പ്രതിബദ്ധതയും ഭാവി റിലീസുകളിൽ അത് എങ്ങനെ വികസിപ്പിക്കും എന്നതും ഉൾപ്പെടുന്നു. ഡാറ്റ വെയർഹൗസ് ഉപയോഗിക്കുന്നതിൽ ഉപയോക്തൃ ഇടപെടൽ ഉറപ്പാക്കാൻ, ടൂൾ തിരഞ്ഞെടുക്കൽ പ്രക്രിയയിൽ ഡവലപ്മെൻ്റ് ടീം ഉപയോക്താക്കളെ ഉൾപ്പെടുത്തുന്നു. ഈ സാഹചര്യത്തിൽ, ഒരു പ്രായോഗിക ഉപയോക്തൃ വിലയിരുത്തൽ നടത്തണം.

ഡാറ്റ വെയർഹൗസിൻ്റെ മൂല്യം മെച്ചപ്പെടുത്തുന്നതിന്, ഡെവലപ്‌മെൻ്റ് ടീമിന് അവരുടെ ഡാറ്റ വെയർഹൗസിലേക്ക് വെബ് ആക്‌സസ് നൽകാനും കഴിയും. ഒരു വെബ് പ്രാപ്തമാക്കിയ ഡാറ്റ വെയർഹൗസ് ഉപയോക്താക്കളെ ആക്സസ് ചെയ്യാൻ അനുവദിക്കുന്നു ഡാറ്റ വിദൂര സ്ഥലങ്ങളിൽ നിന്നോ യാത്ര ചെയ്യുമ്പോൾ. കൂടുതൽ വിവരങ്ങൾക്ക് കഴിയും

പരിശീലനച്ചെലവുകൾ കുറയ്ക്കുന്നതിലൂടെ കുറഞ്ഞ ചിലവിൽ ലഭ്യമാക്കും.

2.4.3 വിവരങ്ങളുടെ കലവറ പ്രവർത്തന ഘട്ടം

ഈ ഘട്ടത്തിൽ മൂന്ന് പ്രവർത്തനങ്ങൾ ഉൾപ്പെടുന്നു: ഡാറ്റ പുതുക്കൽ തന്ത്രങ്ങളുടെ നിർവചനം, ഡാറ്റ വെയർഹൗസ് പ്രവർത്തനങ്ങളുടെ നിയന്ത്രണം, ഡാറ്റ വെയർഹൗസ് സുരക്ഷയുടെ മാനേജ്മെൻ്റ്.

ഡാറ്റ പുതുക്കൽ തന്ത്രങ്ങളുടെ നിർവ്വചനം

പ്രാരംഭ ലോഡിംഗിന് ശേഷം, ഐ ഡാറ്റ നെൽ ഡാറ്റാബേസ് ഡാറ്റ വെയർഹൗസ് അവയിൽ വരുത്തിയ മാറ്റങ്ങൾ പുനർനിർമ്മിക്കുന്നതിന് ഇടയ്ക്കിടെ പുതുക്കിയിരിക്കണം ഡാറ്റ ഒറിജിനൽ. അതിനാൽ എപ്പോൾ പുതുക്കണം, എത്ര തവണ പുതുക്കണം, ഡാറ്റ എങ്ങനെ പുതുക്കണം എന്നിവ നിങ്ങൾ തീരുമാനിക്കണം. ഡാറ്റ. പുതുക്കാൻ നിർദ്ദേശിക്കുന്നു ഡാറ്റ സിസ്റ്റം ഓഫ്‌ലൈനായി എടുക്കുമ്പോൾ. ഉപയോക്തൃ ആവശ്യകതകളെ അടിസ്ഥാനമാക്കി ഡെവലപ്‌മെൻ്റ് ടീമാണ് പുതുക്കൽ ആവൃത്തി നിർണ്ണയിക്കുന്നത്. ഡാറ്റ വെയർഹൗസ് പുതുക്കുന്നതിന് രണ്ട് സമീപനങ്ങളുണ്ട്: പൂർണ്ണമായ പുതുക്കലും മാറ്റങ്ങളുടെ തുടർച്ചയായ ലോഡിംഗും.

ആദ്യ സമീപനം, പൂർണ്ണ പുതുക്കൽ, എല്ലാം വീണ്ടും ലോഡുചെയ്യേണ്ടതുണ്ട് ഡാറ്റ ആദ്യം മുതൽ. ഇതിനർത്ഥം എല്ലാം എന്നാണ് ഡാറ്റ ആവശ്യമുള്ളവ വേർതിരിച്ചെടുക്കുകയും വൃത്തിയാക്കുകയും രൂപാന്തരപ്പെടുത്തുകയും ഓരോ പുതുക്കലിലും സംയോജിപ്പിക്കുകയും വേണം. ഈ സമീപനം പരമാവധി ഒഴിവാക്കണം, കാരണം ഇതിന് ധാരാളം സമയവും വിഭവങ്ങളും ആവശ്യമാണ്.

മാറ്റങ്ങൾ തുടർച്ചയായി അപ്‌ലോഡ് ചെയ്യുക എന്നതാണ് മറ്റൊരു സമീപനം. ഇത് ഐ കൂട്ടിച്ചേർക്കുന്നു ഡാറ്റ അവസാനത്തെ ഡാറ്റാ വെയർഹൗസ് പുതുക്കൽ സൈക്കിൾ മുതൽ മാറ്റിയിരിക്കുന്നു. പുതിയതോ പരിഷ്കരിച്ചതോ ആയ രേഖകൾ തിരിച്ചറിയുന്നത് അതിൻ്റെ അളവ് ഗണ്യമായി കുറയ്ക്കുന്നു ഡാറ്റ ഇവ മാത്രം മുതൽ എല്ലാ അപ്‌ഡേറ്റുകളിലും ഡാറ്റ വെയർഹൗസിലേക്ക് പ്രചരിപ്പിക്കേണ്ടതാണ് ഡാറ്റ ലേക്ക് ചേർക്കും ഡാറ്റാബേസ് ഡാറ്റ വെയർഹൗസിൻ്റെ.

പിൻവലിക്കാൻ കുറഞ്ഞത് 5 സമീപനങ്ങളെങ്കിലും ഉപയോഗിക്കാനാകും ഡാറ്റ പുതിയതോ പരിഷ്കരിച്ചതോ. കാര്യക്ഷമമായ ഡാറ്റ പുതുക്കൽ തന്ത്രം നേടുന്നതിന് ഡാറ്റ സിസ്റ്റത്തിലെ എല്ലാ മാറ്റങ്ങളും ഉൾക്കൊള്ളുന്ന ഈ സമീപനങ്ങളുടെ ഒരു മിശ്രിതം ഉപയോഗപ്രദമാകും.

ടൈംസ്റ്റാമ്പുകൾ ഉപയോഗിക്കുന്ന ആദ്യ സമീപനം, എല്ലാം നിയുക്തമാക്കിയിട്ടുണ്ടെന്ന് അനുമാനിക്കുന്നു ഡാറ്റ ഒരു ടൈംസ്റ്റാമ്പ് എഡിറ്റ് ചെയ്യുകയും അപ്‌ഡേറ്റ് ചെയ്യുകയും ചെയ്‌തതിനാൽ നിങ്ങൾക്ക് എല്ലാം എളുപ്പത്തിൽ തിരിച്ചറിയാനാകും ഡാറ്റ പരിഷ്കരിച്ചതും പുതിയതും. എന്നിരുന്നാലും, ഇന്നത്തെ മിക്ക ഓപ്പറേറ്റിംഗ് സിസ്റ്റങ്ങളിലും ഈ സമീപനം വ്യാപകമായി ഉപയോഗിച്ചിട്ടില്ല.
രണ്ടാമത്തെ സമീപനം, വരുത്തിയ മാറ്റങ്ങൾ മാത്രം ഉൾക്കൊള്ളുന്ന ഒരു ആപ്ലിക്കേഷൻ സൃഷ്ടിച്ച ഒരു ഡെൽറ്റ ഫയൽ ഉപയോഗിക്കുക എന്നതാണ് ഡാറ്റ. ഈ ഫയൽ ഉപയോഗിക്കുന്നത് അപ്‌ഡേറ്റ് സൈക്കിൾ വർദ്ധിപ്പിക്കുകയും ചെയ്യുന്നു. എന്നിരുന്നാലും, ഈ രീതി പോലും പല ആപ്ലിക്കേഷനുകളിലും ഉപയോഗിച്ചിട്ടില്ല.
മൂന്നാമത്തെ സമീപനം ഒരു ലോഗ് ഫയൽ സ്കാൻ ചെയ്യുക എന്നതാണ്, അതിൽ അടിസ്ഥാനപരമായി ഡെൽറ്റ ഫയലിന് സമാനമായ വിവരങ്ങൾ അടങ്ങിയിരിക്കുന്നു. വീണ്ടെടുക്കൽ പ്രക്രിയയ്‌ക്കായി ഒരു ലോഗ് ഫയൽ സൃഷ്‌ടിച്ചിരിക്കുന്നു, അത് മനസ്സിലാക്കാൻ പ്രയാസമാണ് എന്നതാണ് ഒരേയൊരു വ്യത്യാസം.
നാലാമത്തെ സമീപനം ആപ്ലിക്കേഷൻ കോഡ് പരിഷ്കരിക്കുക എന്നതാണ്. എന്നിരുന്നാലും, മിക്ക ആപ്ലിക്കേഷൻ കോഡുകളും പഴയതും ദുർബലവുമാണ്; അതിനാൽ ഈ സാങ്കേതികവിദ്യ ഒഴിവാക്കണം.
അവസാനത്തെ സമീപനം താരതമ്യം ചെയ്യുക എന്നതാണ് ഡാറ്റ പ്രധാന dei ഫയൽ ഉള്ള ഉറവിടങ്ങൾ ഡാറ്റ.

ഡാറ്റ വെയർഹൗസ് പ്രവർത്തനങ്ങളുടെ നിയന്ത്രണം

ഡാറ്റ വെയർഹൗസ് ഉപയോക്താക്കൾക്ക് റിലീസ് ചെയ്തുകഴിഞ്ഞാൽ, അത് കാലക്രമേണ നിരീക്ഷിക്കേണ്ടതുണ്ട്. ഈ സാഹചര്യത്തിൽ, ഡാറ്റ വെയർഹൗസിൻ്റെ ഉപയോഗം നിരീക്ഷിക്കാൻ ഡാറ്റ വെയർഹൗസ് അഡ്മിനിസ്ട്രേറ്റർക്ക് ഒന്നോ അതിലധികമോ മാനേജ്മെൻ്റ്, കൺട്രോൾ ടൂളുകൾ ഉപയോഗിക്കാനാകും. പ്രത്യേകിച്ചും, ആളുകളെയും അവർ ഡാറ്റ വെയർഹൗസിലേക്ക് പ്രവേശിക്കുന്ന സമയത്തെയും കുറിച്ചുള്ള വിവരങ്ങൾ ശേഖരിക്കാൻ കഴിയും. വരിക ഡാറ്റ ശേഖരിച്ച, നിർവഹിച്ച ജോലിയുടെ ഒരു പ്രൊഫൈൽ സൃഷ്ടിക്കാൻ കഴിയും, അത് ഉപയോക്താവിൻ്റെ ചാർജ്ബാക്ക് നടപ്പിലാക്കലിലേക്ക് ഇൻപുട്ടായി ഉപയോഗിക്കാം. ഡാറ്റ വെയർഹൗസ് പ്രോസസ്സിംഗ് ചെലവിനെക്കുറിച്ച് ഉപയോക്താക്കളെ അറിയിക്കാൻ ചാർജ്ബാക്ക് അനുവദിക്കുന്നു.

കൂടാതെ, ചോദ്യങ്ങളുടെ തരങ്ങൾ, അവയുടെ വലുപ്പം, പ്രതിദിനം ചോദ്യങ്ങളുടെ എണ്ണം, അന്വേഷണ പ്രതികരണ സമയം, എത്തിയ സെക്ടറുകൾ, തുക എന്നിവ തിരിച്ചറിയാനും ഡാറ്റ വെയർഹൗസ് ഓഡിറ്റ് ഉപയോഗിക്കാം. ഡാറ്റ പ്രോസസ്സ് ചെയ്തു. ഡാറ്റ വെയർഹൗസ് ഓഡിറ്റിംഗ് നടത്തുന്നതിൻ്റെ മറ്റൊരു ലക്ഷ്യം തിരിച്ചറിയുക എന്നതാണ് ഡാറ്റ ഉപയോഗത്തിലില്ലാത്തവ. ഇവ ഡാറ്റ സമയം മെച്ചപ്പെടുത്തുന്നതിന് അവ ഡാറ്റ വെയർഹൗസിൽ നിന്ന് നീക്കം ചെയ്യാവുന്നതാണ്

ചോദ്യം നിർവ്വഹണ പ്രതികരണം, വളർച്ച നിരീക്ഷിക്കുക ഡാറ്റ ഉള്ളിൽ വസിക്കുന്നു ഡാറ്റാ ബേസ് ഡാറ്റ വെയർഹൗസിൻ്റെ.

ഡാറ്റ വെയർഹൗസ് സുരക്ഷാ മാനേജ്മെൻ്റ്

ഒരു ഡാറ്റ വെയർഹൗസിൽ അടങ്ങിയിരിക്കുന്നു ഡാറ്റ എളുപ്പത്തിൽ എത്തിച്ചേരാവുന്ന സംയോജിത, വിമർശനാത്മക, സെൻസിറ്റീവ്. ഇക്കാരണത്താൽ, ഇത് അനധികൃത ഉപയോക്താക്കളിൽ നിന്ന് സംരക്ഷിക്കപ്പെടണം. സുരക്ഷ നടപ്പിലാക്കുന്നതിനുള്ള ഒരു മാർഗ്ഗം ഡെൽ ഫംഗ്ഷൻ ഉപയോഗിക്കുക എന്നതാണ് DBMS വ്യത്യസ്ത തരം ഉപയോക്താക്കൾക്ക് വ്യത്യസ്ത പ്രത്യേകാവകാശങ്ങൾ നൽകുന്നതിന്. ഈ രീതിയിൽ, ഓരോ തരത്തിലുള്ള ഉപയോക്താക്കൾക്കും ഒരു ആക്സസ് പ്രൊഫൈൽ പരിപാലിക്കേണ്ടതുണ്ട്. ഡാറ്റ വെയർഹൗസ് സുരക്ഷിതമാക്കാനുള്ള മറ്റൊരു മാർഗം, അതിൽ എഴുതിയിരിക്കുന്നതുപോലെ എൻക്രിപ്റ്റ് ചെയ്യുക എന്നതാണ് ഡാറ്റാ ബേസ് ഡാറ്റ വെയർഹൗസിൻ്റെ. ആക്സസ്സ് ഡാറ്റ വീണ്ടെടുക്കൽ ഉപകരണങ്ങൾ ഡീക്രിപ്റ്റ് ചെയ്യണം ഡാറ്റ ഉപയോക്താക്കൾക്ക് ഫലങ്ങൾ അവതരിപ്പിക്കുന്നതിന് മുമ്പ്.

2.4.4 വിവരങ്ങളുടെ കലവറ വിന്യാസ ഘട്ടം

ഡാറ്റ വെയർഹൗസ് നടപ്പാക്കൽ സൈക്കിളിലെ അവസാന ഘട്ടമാണിത്. ഡാറ്റ വെയർഹൗസ് ഉപയോഗിക്കുന്നതിന് ഉപയോക്താക്കളെ പരിശീലിപ്പിക്കുന്നതും ഡാറ്റ വെയർഹൗസിൻ്റെ അവലോകനങ്ങൾ നടത്തുന്നതും ഈ ഘട്ടത്തിൽ നടപ്പിലാക്കേണ്ട പ്രവർത്തനങ്ങളിൽ ഉൾപ്പെടുന്നു.

ഉപയോക്തൃ പരിശീലനം

ആക്സസ് ചെയ്യുന്നതിന് മുമ്പ് ഉപയോക്തൃ പരിശീലനം നടത്തണം ഡാറ്റ ഡാറ്റ വെയർഹൗസിൻ്റെയും വീണ്ടെടുക്കൽ ഉപകരണങ്ങളുടെ ഉപയോഗത്തിൻ്റെയും. സാധാരണയായി, സ്റ്റോറേജ് എന്ന ആശയത്തിൻ്റെ ആമുഖത്തോടെ സെഷനുകൾ ആരംഭിക്കണം ഡാറ്റ, ഡാറ്റ വെയർഹൗസിൻ്റെ ഉള്ളടക്കം, മെറ്റാ ഡാറ്റ ഉപകരണങ്ങളുടെ അടിസ്ഥാന സവിശേഷതകളും. തുടർന്ന്, കൂടുതൽ വിപുലമായ ഉപയോക്താക്കൾക്ക് ഡാറ്റ ആക്‌സസ്, വീണ്ടെടുക്കൽ ടൂളുകളുടെ ഫിസിക്കൽ ടേബിളുകളും ഉപയോക്തൃ സവിശേഷതകളും പഠിക്കാനും കഴിയും.

ഉപയോക്തൃ പരിശീലനം നടത്തുന്നതിന് നിരവധി സമീപനങ്ങളുണ്ട്. ഇതിലൊന്ന്, അവരുടെ നേതൃത്വത്തെയും ആശയവിനിമയ വൈദഗ്ധ്യത്തെയും അടിസ്ഥാനമാക്കി ഒരു കൂട്ടം ഉപയോക്താക്കളിൽ നിന്ന് തിരഞ്ഞെടുത്ത നിരവധി ഉപയോക്താക്കളുടെയോ വിശകലന വിദഗ്ധരുടെയോ തിരഞ്ഞെടുപ്പ് ഉൾപ്പെടുന്നു. സിസ്റ്റവുമായി പരിചയപ്പെടാൻ അവർക്കറിയേണ്ട എല്ലാ കാര്യങ്ങളിലും അവർ വ്യക്തിപരമായി പരിശീലനം നേടിയിട്ടുണ്ട്. പരിശീലനം പൂർത്തിയാക്കിക്കഴിഞ്ഞാൽ, അവർ അവരുടെ ജോലികളിലേക്ക് മടങ്ങുകയും സിസ്റ്റം എങ്ങനെ ഉപയോഗിക്കണമെന്ന് മറ്റ് ഉപയോക്താക്കളെ പഠിപ്പിക്കാൻ തുടങ്ങുകയും ചെയ്യുന്നു. ന്

അവർ പഠിച്ചതിനെ അടിസ്ഥാനമാക്കി, മറ്റ് ഉപയോക്താക്കൾക്ക് ഡാറ്റ വെയർഹൗസ് പര്യവേക്ഷണം ചെയ്യാൻ കഴിയും.
നിങ്ങൾ ഒരു ക്ലാസ് റൂം കോഴ്‌സ് എടുക്കുന്നതുപോലെ ഒരേ സമയം നിരവധി ഉപയോക്താക്കളെ പരിശീലിപ്പിക്കുക എന്നതാണ് മറ്റൊരു സമീപനം. ഒരേ സമയം പരിശീലിപ്പിക്കേണ്ട നിരവധി ഉപയോക്താക്കൾ ഉള്ളപ്പോൾ ഈ രീതി അനുയോജ്യമാണ്. ഓരോ ഉപയോക്താവിനെയും വ്യക്തിഗതമായി പരിശീലിപ്പിക്കുക എന്നതാണ് മറ്റൊരു രീതി. കുറച്ച് ഉപയോക്താക്കൾ ഉള്ളപ്പോൾ ഈ രീതി അനുയോജ്യമാണ്.

ഉപയോക്തൃ പരിശീലനത്തിൻ്റെ ഉദ്ദേശ്യം ആക്‌സസ് ചെയ്യുന്നത് നിങ്ങളെ പരിചയപ്പെടുത്തുക എന്നതാണ് ഡാറ്റ വീണ്ടെടുക്കൽ ഉപകരണങ്ങളും ഡാറ്റ വെയർഹൗസിലെ ഉള്ളടക്കങ്ങളും. എന്നിരുന്നാലും, പരിശീലന സെഷനിൽ നൽകിയ വിവരങ്ങളുടെ അളവ് ചില ഉപയോക്താക്കൾക്ക് മതിയാകും. അതിനാൽ, നിലവിലുള്ള സഹായത്തിനും നിർദ്ദിഷ്ട ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകുന്നതിനും ഒരു നിശ്ചിത എണ്ണം റിഫ്രഷർ സെഷനുകൾ നടത്തേണ്ടതുണ്ട്. ചില സന്ദർഭങ്ങളിൽ ഇത്തരത്തിലുള്ള പിന്തുണ നൽകുന്നതിനായി ഒരു ഉപയോക്തൃ ഗ്രൂപ്പ് രൂപീകരിക്കുന്നു.

ഫീഡ്‌ബാക്ക് ശേഖരിക്കുന്നു

ഡാറ്റ വെയർഹൗസ് പുറത്തിറക്കിക്കഴിഞ്ഞാൽ, ഉപയോക്താക്കൾക്ക് i ഉപയോഗിക്കാൻ കഴിയും ഡാറ്റ വിവിധ ആവശ്യങ്ങൾക്കായി ഡാറ്റ വെയർഹൗസിൽ താമസിക്കുന്നത്. കൂടുതലും, അനലിസ്റ്റുകൾ അല്ലെങ്കിൽ ഉപയോക്താക്കൾ i ഉപയോഗിക്കുന്നു ഡാറ്റ ഇതിനായി ഡാറ്റ വെയർഹൗസിൽ:

1. 1 കമ്പനി പ്രവണതകൾ തിരിച്ചറിയുക
2. 2 വാങ്ങൽ പ്രൊഫൈലുകൾ വിശകലനം ചെയ്യുക ഉപഭോക്താക്കൾക്ക്
3. 3 ഹരിക്കുക i ഉപഭോക്താക്കൾക്ക് ഒപ്പം
4. 4 മികച്ച സേവനങ്ങൾ നൽകുക ഉപഭോക്താക്കൾക്ക് - സേവനങ്ങൾ ഇഷ്ടാനുസൃതമാക്കുക
5. 5 തന്ത്രങ്ങൾ രൂപപ്പെടുത്തുക മാർക്കറ്റിംഗ്
6. 6 ചെലവ് വിശകലനം ചെയ്യുന്നതിനും നിയന്ത്രണം സഹായിക്കുന്നതിനും മത്സര ഉദ്ധരണികൾ നൽകുക
7. 7 തന്ത്രപരമായ തീരുമാനങ്ങൾ എടുക്കുന്നതിനെ പിന്തുണയ്ക്കുക
8. 8 വേറിട്ടുനിൽക്കാനുള്ള അവസരങ്ങൾ തിരിച്ചറിയുക
9. 9 നിലവിലെ ബിസിനസ് പ്രക്രിയകളുടെ ഗുണനിലവാരം മെച്ചപ്പെടുത്തുക
10. 10 ലാഭം പരിശോധിക്കുക

ഡാറ്റ വെയർഹൗസിൻ്റെ വികസന ദിശയെ പിന്തുടർന്ന്, ഫീഡ്‌ബാക്ക് ലഭിക്കുന്നതിന് സിസ്റ്റത്തിന് അവലോകനങ്ങളുടെ ഒരു പരമ്പര നടത്താം

വികസന ടീമിൽ നിന്നും അന്തിമ ഉപയോക്തൃ കമ്മ്യൂണിറ്റിയിൽ നിന്നും.
ലഭിച്ച ഫലങ്ങൾ അടുത്ത വികസന ചക്രത്തിൽ പരിഗണിക്കാവുന്നതാണ്.

ഡാറ്റ വെയർഹൗസിന് വർദ്ധിച്ചുവരുന്ന സമീപനമുള്ളതിനാൽ, മുമ്പത്തെ സംഭവവികാസങ്ങളുടെ വിജയങ്ങളിൽ നിന്നും തെറ്റുകളിൽ നിന്നും പഠിക്കുന്നത് നിർണായകമാണ്.

2.5 സംഗ്രഹം

ഈ അധ്യായത്തിൽ സാഹിത്യത്തിൽ നിലവിലുള്ള സമീപനങ്ങൾ ചർച്ചചെയ്തു. സെക്ഷൻ 1 ൽ, ഡാറ്റ വെയർഹൗസ് എന്ന ആശയവും തീരുമാന ശാസ്ത്രത്തിൽ അതിൻ്റെ പങ്കും ചർച്ച ചെയ്തു. സെക്ഷൻ 2 ഡാറ്റ വെയർഹൗസുകളും OLTP സിസ്റ്റങ്ങളും തമ്മിലുള്ള പ്രധാന വ്യത്യാസങ്ങൾ വിവരിച്ചു. ഒരു ഡാറ്റാ വെയർഹൗസ് വികസിപ്പിക്കുന്ന പ്രക്രിയയിൽ ഉൾപ്പെട്ടിരിക്കുന്ന പ്രവർത്തനങ്ങളെ വിവരിക്കാൻ സെക്ഷൻ 3-ൽ ഉപയോഗിച്ചിരുന്ന മൊണാഷ് ഡാറ്റ വെയർഹൗസ് മാതൃകയെക്കുറിച്ച് സെക്ഷൻ 4-ൽ ഞങ്ങൾ ചർച്ച ചെയ്തു, ഈ തീസിസുകൾ കർശനമായ ഗവേഷണത്തെ അടിസ്ഥാനമാക്കിയുള്ളതല്ല. യഥാർത്ഥത്തിൽ സംഭവിക്കുന്നത് സാഹിത്യം റിപ്പോർട്ടുചെയ്യുന്നതിൽ നിന്ന് വളരെ വ്യത്യസ്തമായിരിക്കും, എന്നിരുന്നാലും ഈ ഗവേഷണത്തിനായി ഡാറ്റ വെയർഹൗസ് എന്ന ആശയത്തിന് അടിവരയിടുന്ന ഒരു അടിസ്ഥാന പശ്ചാത്തലം സൃഷ്ടിക്കാൻ ഈ ഫലങ്ങൾ ഉപയോഗിക്കാം.

അധ്യായം 3

ഗവേഷണ, ഡിസൈൻ രീതികൾ

ഈ അധ്യായം ഈ പഠനത്തിനായുള്ള ഗവേഷണവും ഡിസൈൻ രീതികളും അഭിസംബോധന ചെയ്യുന്നു. ആദ്യ ഭാഗം വിവരങ്ങൾ വീണ്ടെടുക്കുന്നതിന് ലഭ്യമായ ഗവേഷണ രീതികളുടെ പൊതുവായ കാഴ്ച കാണിക്കുന്നു, കൂടാതെ ഒരു പ്രത്യേക പഠനത്തിനായി മികച്ച രീതി തിരഞ്ഞെടുക്കുന്നതിനുള്ള മാനദണ്ഡം ചർച്ചചെയ്യുന്നു. വിഭാഗം 2-ൽ, ഇപ്പോൾ വെളിപ്പെടുത്തിയ മാനദണ്ഡങ്ങൾ ഉപയോഗിച്ച് തിരഞ്ഞെടുത്ത രണ്ട് രീതികൾ പിന്നീട് ചർച്ചചെയ്യുന്നു; ഇതിൽ, സെക്ഷൻ 3-ൽ പറഞ്ഞിരിക്കുന്ന കാരണങ്ങളാൽ ഒന്ന് തിരഞ്ഞെടുത്ത് സ്വീകരിക്കും, അവിടെ മറ്റ് മാനദണ്ഡങ്ങൾ ഒഴിവാക്കുന്നതിനുള്ള കാരണങ്ങളും വ്യക്തമാക്കിയിട്ടുണ്ട്. സെക്ഷൻ 4 ഗവേഷണ രൂപകൽപ്പനയും സെക്ഷൻ 5 നിഗമനങ്ങളും അവതരിപ്പിക്കുന്നു.

3.1 വിവര സംവിധാനങ്ങളിലെ ഗവേഷണം

വിവരസംവിധാനങ്ങളിലെ ഗവേഷണം കേവലം സാങ്കേതിക മണ്ഡലത്തിൽ മാത്രമായി പരിമിതപ്പെടുത്താതെ, പെരുമാറ്റപരവും സംഘടനാപരവുമായ ഉദ്ദേശ്യങ്ങൾ ഉൾപ്പെടുത്തുന്നതിനായി വിപുലീകരിക്കേണ്ടതുണ്ട്.
സാമൂഹികം മുതൽ പ്രകൃതിശാസ്ത്രം വരെയുള്ള വിവിധ വിഷയങ്ങളുടെ തീസിസുകളോട് ഞങ്ങൾ ഇതിന് കടപ്പെട്ടിരിക്കുന്നു; ഇത് വിവര സംവിധാനങ്ങൾക്കായി ഉപയോഗിക്കേണ്ട അളവും ഗുണപരവുമായ രീതികൾ ഉൾപ്പെടുന്ന ഒരു നിശ്ചിത സ്പെക്ട്രം ഗവേഷണ രീതികളുടെ ആവശ്യകതയിലേക്ക് നയിക്കുന്നു.
ലഭ്യമായ എല്ലാ ഗവേഷണ രീതികളും പ്രധാനമാണ്, വാസ്തവത്തിൽ Jenkins (1985), Nunamaker et al പോലുള്ള നിരവധി ഗവേഷകർ. (1991), ഗാലിയേഴ്‌സ് (1992) എന്നിവർ വിവര സംവിധാനങ്ങളുടെ വിവിധ മേഖലകളിൽ ഗവേഷണം നടത്തുന്നതിന് പ്രത്യേക സാർവത്രിക രീതികളൊന്നുമില്ലെന്ന് വാദിക്കുന്നു; വാസ്തവത്തിൽ ഒരു രീതി ഒരു പ്രത്യേക ഗവേഷണത്തിന് യോജിച്ചതായിരിക്കാം, എന്നാൽ മറ്റുള്ളവർക്ക് അനുയോജ്യമല്ല. ഞങ്ങളുടെ പ്രത്യേക ഗവേഷണ പ്രോജക്റ്റിന് അനുയോജ്യമായ ഒരു രീതി തിരഞ്ഞെടുക്കേണ്ടതിൻ്റെ ആവശ്യകത ഇത് ഞങ്ങളെ കൊണ്ടുവരുന്നു: ഈ തിരഞ്ഞെടുപ്പിനായി Benbasat et al. (1987) ഗവേഷണത്തിൻ്റെ സ്വഭാവവും ലക്ഷ്യവും പരിഗണിക്കണമെന്ന് പ്രസ്താവിക്കുന്നു.

3.1.1 ഗവേഷണത്തിൻ്റെ സ്വഭാവം

ഗവേഷണത്തിൻ്റെ സ്വഭാവത്തെ അടിസ്ഥാനമാക്കിയുള്ള വിവിധ രീതികളെ വിവര ശാസ്ത്രത്തിൽ പരക്കെ അറിയപ്പെടുന്ന മൂന്ന് പാരമ്പര്യങ്ങളായി തരംതിരിക്കാം: പോസിറ്റിവിസ്റ്റ്, വ്യാഖ്യാന, വിമർശനാത്മക ഗവേഷണം.

3.1.1.1 പോസിറ്റിവിസ്റ്റ് ഗവേഷണം

പോസിറ്റിവിസ്റ്റ് ഗവേഷണം ശാസ്ത്രീയമോ അനുഭവപരമോ ആയ പഠനം എന്നും അറിയപ്പെടുന്നു. ഇത് ശ്രമിക്കുന്നത്: "സാമൂഹിക ലോകത്ത് എന്താണ് സംഭവിക്കുന്നതെന്ന് വിശദീകരിക്കുകയും പ്രവചിക്കുകയും ചെയ്യുക, അതുണ്ടാക്കുന്ന ഘടകങ്ങൾ തമ്മിലുള്ള ക്രമവും കാരണ-ഫല ബന്ധങ്ങളും" (Shanks et al 1993).

ആവർത്തനക്ഷമത, ലളിതവൽക്കരണം, നിരാകരണങ്ങൾ എന്നിവയും പോസിറ്റിവിസ്റ്റ് ഗവേഷണത്തിൻ്റെ സവിശേഷതയാണ്. കൂടാതെ, പോസിറ്റിവിസ്റ്റ് ഗവേഷണം പഠിച്ച പ്രതിഭാസങ്ങൾക്കിടയിൽ ഒരു മുൻകൂർ ബന്ധത്തിൻ്റെ അസ്തിത്വം അംഗീകരിക്കുന്നു.
Galliers (1992) അനുസരിച്ച്, ടാക്സോണമി എന്നത് പോസിറ്റിവിസ്റ്റ് മാതൃകയിൽ ഉൾപ്പെടുത്തിയിട്ടുള്ള ഒരു ഗവേഷണ രീതിയാണ്, എന്നിരുന്നാലും ഇതിൽ മാത്രം പരിമിതപ്പെടുന്നില്ല, വാസ്തവത്തിൽ ലബോറട്ടറി പരീക്ഷണങ്ങൾ, ഫീൽഡ് പരീക്ഷണങ്ങൾ, കേസ് പഠനങ്ങൾ, സിദ്ധാന്തങ്ങളുടെ പ്രകടനങ്ങൾ, പ്രവചനങ്ങൾ, അനുകരണങ്ങൾ എന്നിവയുണ്ട്. ഈ രീതികൾ ഉപയോഗിക്കുന്നതിലൂടെ, പഠിച്ച പ്രതിഭാസങ്ങൾ വസ്തുനിഷ്ഠമായും കർശനമായും നിരീക്ഷിക്കാൻ കഴിയുമെന്ന് ഗവേഷകർ സമ്മതിക്കുന്നു.

3.1.1.2 വ്യാഖ്യാന ഗവേഷണം

ഫിനോമിനോളജി അല്ലെങ്കിൽ ആൻ്റി പോസിറ്റിവിസം എന്ന് വിളിക്കപ്പെടുന്ന വ്യാഖ്യാന ഗവേഷണത്തെ ന്യൂമാൻ (1994) വിശേഷിപ്പിച്ചത് "പ്രകൃതി സാഹചര്യങ്ങളിൽ ആളുകളെ നേരിട്ടും വിശദമായും നിരീക്ഷിച്ചുകൊണ്ട്, ഒരു ധാരണയിലെത്തുന്നതിനായി, പ്രവർത്തനത്തിൻ്റെ സാമൂഹിക അർത്ഥത്തിൻ്റെ ചിട്ടയായ വിശകലനം ആളുകൾ അവരുടെ സാമൂഹിക ലോകം എങ്ങനെ സൃഷ്ടിക്കുകയും പരിപാലിക്കുകയും ചെയ്യുന്നു എന്നതിൻ്റെ വ്യാഖ്യാനത്തിലേക്ക്. നിരീക്ഷിച്ച പ്രതിഭാസങ്ങളെ വസ്തുനിഷ്ഠമായി നിരീക്ഷിക്കാൻ കഴിയുമെന്ന അനുമാനത്തെ വ്യാഖ്യാന പഠനങ്ങൾ നിരാകരിക്കുന്നു. വാസ്തവത്തിൽ അവ ആത്മനിഷ്ഠമായ വ്യാഖ്യാനങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്. കൂടാതെ, വ്യാഖ്യാന ഗവേഷകർ അവർ പഠിക്കുന്ന പ്രതിഭാസങ്ങൾക്ക് ഒരു മുൻകൂട്ടി അർത്ഥങ്ങൾ ചുമത്തുന്നില്ല.

ഈ രീതിയിൽ ആത്മനിഷ്ഠ/വാദപരമായ പഠനങ്ങൾ, പ്രവർത്തന ഗവേഷണം, വിവരണാത്മക/വ്യാഖ്യാനാത്മക പഠനങ്ങൾ, ഭാവി ഗവേഷണം, റോൾ പ്ലേയിംഗ് എന്നിവ ഉൾപ്പെടുന്നു. ഈ സർവ്വേകൾക്കും കേസ് പഠനങ്ങൾക്കും പുറമേ, സങ്കീർണ്ണമായ യഥാർത്ഥ ലോകസാഹചര്യങ്ങൾക്കുള്ളിലെ വ്യക്തികളുടെയോ ഓർഗനൈസേഷനുകളുടെയോ പഠനങ്ങളെ ഈ സമീപനത്തിൽ ഉൾപ്പെടുത്താവുന്നതാണ്.

3.1.1.3 നിർണായക ഗവേഷണം

വിമർശനാത്മക അന്വേഷണം എന്നത് സോഷ്യൽ സയൻസസിലെ ഏറ്റവും കുറച്ച് അറിയപ്പെടുന്ന സമീപനമാണ്, എന്നാൽ സമീപകാലത്ത് ഇൻഫർമേഷൻ സിസ്റ്റം ഗവേഷകരിൽ നിന്ന് ശ്രദ്ധ നേടിയിട്ടുണ്ട്. സാമൂഹിക യാഥാർത്ഥ്യം ചരിത്രപരമായി ജനങ്ങളും അതുപോലെ തന്നെ സാമൂഹിക വ്യവസ്ഥകളും അവരുടെ പ്രവർത്തനങ്ങളും ഇടപെടലുകളും ഉപയോഗിച്ച് നിർമ്മിക്കുകയും പുനർനിർമ്മിക്കുകയും ചെയ്യുന്നു എന്ന ദാർശനിക അനുമാനം. എന്നിരുന്നാലും, അവരുടെ കഴിവ് സാമൂഹികവും സാംസ്കാരികവും രാഷ്ട്രീയവുമായ നിരവധി പരിഗണനകളാൽ മധ്യസ്ഥത വഹിക്കുന്നു.

വ്യാഖ്യാന ഗവേഷണം പോലെ, പോസിറ്റിവിസ്റ്റ് ഗവേഷണത്തിന് സാമൂഹിക പശ്ചാത്തലവുമായി യാതൊരു ബന്ധവുമില്ലെന്നും മനുഷ്യൻ്റെ പ്രവർത്തനങ്ങളിൽ അതിൻ്റെ സ്വാധീനം അവഗണിക്കുന്നുവെന്നും വിമർശനാത്മക ഗവേഷണം നിലനിർത്തുന്നു.
മറുവശത്ത്, വിമർശനാത്മക ഗവേഷണം, വ്യാഖ്യാന ഗവേഷണത്തെ വളരെ ആത്മനിഷ്ഠമാണെന്നും ആളുകളെ അവരുടെ ജീവിതം മെച്ചപ്പെടുത്താൻ സഹായിക്കുന്നതിന് ലക്ഷ്യമിടുന്നില്ലെന്നും വിമർശിക്കുന്നു. വിമർശനാത്മക ഗവേഷണവും മറ്റ് രണ്ട് സമീപനങ്ങളും തമ്മിലുള്ള ഏറ്റവും വലിയ വ്യത്യാസം അതിൻ്റെ മൂല്യനിർണ്ണയ മാനമാണ്. പോസിറ്റിവിസ്റ്റ്, വ്യാഖ്യാന പാരമ്പര്യങ്ങളുടെ വസ്തുനിഷ്ഠത സ്ഥിതി അല്ലെങ്കിൽ സാമൂഹിക യാഥാർത്ഥ്യത്തെ പ്രവചിക്കുകയോ വിശദീകരിക്കുകയോ ചെയ്യുകയാണെങ്കിൽ, വിമർശനാത്മക ഗവേഷണം ലക്ഷ്യമിടുന്നത് പഠനത്തിൻ കീഴിലുള്ള സാമൂഹിക യാഥാർത്ഥ്യത്തെ വിമർശനാത്മകമായി വിലയിരുത്തുകയും രൂപാന്തരപ്പെടുത്തുകയും ചെയ്യുന്നു.

സാമൂഹിക വ്യത്യാസങ്ങൾ നീക്കം ചെയ്യുന്നതിനും സാമൂഹിക സാഹചര്യങ്ങൾ മെച്ചപ്പെടുത്തുന്നതിനുമായി വിമർശനാത്മക ഗവേഷകർ സാധാരണ നിലയെ എതിർക്കുന്നു. നിർണായക ഗവേഷണത്തിന് താൽപ്പര്യമുള്ള പ്രതിഭാസങ്ങളുടെ ഒരു പ്രോസസ്സൽ വീക്ഷണത്തിന് പ്രതിബദ്ധതയുണ്ട്, അതിനാൽ ഇത് സാധാരണയായി രേഖാംശമാണ്. ദീർഘകാല ചരിത്ര പഠനങ്ങളും നരവംശശാസ്ത്ര പഠനങ്ങളും ഗവേഷണ രീതികളുടെ ഉദാഹരണങ്ങളാണ്. എന്നിരുന്നാലും, നിർണ്ണായക ഗവേഷണം, വിവര സംവിധാന ഗവേഷണത്തിൽ വ്യാപകമായി ഉപയോഗിച്ചിട്ടില്ല

3.1.2 ഗവേഷണത്തിൻ്റെ ഉദ്ദേശ്യം

ഗവേഷണത്തിൻ്റെ സ്വഭാവത്തോടൊപ്പം, ഒരു പ്രത്യേക ഗവേഷണ രീതി തിരഞ്ഞെടുക്കുന്നതിൽ ഗവേഷകനെ നയിക്കാൻ അതിൻ്റെ ഉദ്ദേശ്യം ഉപയോഗിക്കാം. ഒരു ഗവേഷണ പ്രോജക്റ്റിൻ്റെ ഉദ്ദേശ്യം ഗവേഷണ ചക്രവുമായി ബന്ധപ്പെട്ട ഗവേഷണത്തിൻ്റെ സ്ഥാനവുമായി അടുത്ത ബന്ധപ്പെട്ടിരിക്കുന്നു, അതിൽ മൂന്ന് ഘട്ടങ്ങൾ ഉൾപ്പെടുന്നു: സിദ്ധാന്ത നിർമ്മാണം, സിദ്ധാന്ത പരിശോധന, സിദ്ധാന്ത ശുദ്ധീകരണം. അതിനാൽ, ഗവേഷണ ചക്രത്തിൻ്റെ സമയത്തെ അടിസ്ഥാനമാക്കി, ഒരു ഗവേഷണ പ്രോജക്റ്റിന് ഒരു വിശദീകരണമോ വിവരണാത്മകമോ പര്യവേക്ഷണമോ പ്രവചനാത്മകമോ ആയ ഉദ്ദേശ്യമുണ്ടാകും.

3.1.2.1 പര്യവേക്ഷണ ഗവേഷണം

പര്യവേക്ഷണ ഗവേഷണം ഒരു പുതിയ വിഷയം അന്വേഷിക്കാനും ഭാവി ഗവേഷണത്തിനായി ചോദ്യങ്ങളും അനുമാനങ്ങളും രൂപപ്പെടുത്താനും ലക്ഷ്യമിടുന്നു. ഒരു പുതിയ മേഖലയിൽ പ്രാരംഭ റഫറൻസുകൾ ലഭിക്കുന്നതിന് തിയറി ബിൽഡിംഗിൽ ഇത്തരത്തിലുള്ള ഗവേഷണം ഉപയോഗിക്കുന്നു. സാധാരണഗതിയിൽ, കേസ് പഠനങ്ങൾ അല്ലെങ്കിൽ പ്രതിഭാസ പഠനങ്ങൾ പോലുള്ള ഗുണപരമായ ഗവേഷണ രീതികൾ ഉപയോഗിക്കുന്നു.

എന്നിരുന്നാലും, പര്യവേക്ഷണ സർവേകൾ അല്ലെങ്കിൽ പരീക്ഷണങ്ങൾ പോലുള്ള അളവ് സാങ്കേതിക വിദ്യകൾ ഉപയോഗിക്കാനും സാധിക്കും.

3.1.3.3 വിവരണാത്മക ഗവേഷണം

ഒരു പ്രത്യേക ഓർഗനൈസേഷണൽ സാഹചര്യമോ പ്രയോഗമോ വളരെ വിശദമായി വിശകലനം ചെയ്യാനും വിവരിക്കാനും വിവരണാത്മക ഗവേഷണം ലക്ഷ്യമിടുന്നു. ഇത് സിദ്ധാന്തങ്ങൾ കെട്ടിപ്പടുക്കുന്നതിന് അനുയോജ്യമാണ്, കൂടാതെ അനുമാനങ്ങളെ സ്ഥിരീകരിക്കുന്നതിനോ വെല്ലുവിളിക്കുന്നതിനോ ഉപയോഗിക്കാം. വിവരണാത്മക ഗവേഷണത്തിൽ സാധാരണയായി അളവുകളുടെയും സാമ്പിളുകളുടെയും ഉപയോഗം ഉൾപ്പെടുന്നു. ഏറ്റവും അനുയോജ്യമായ ഗവേഷണ രീതികളിൽ സർവേകളും മുൻഗാമികളുടെ വിശകലനവും ഉൾപ്പെടുന്നു.

3.1.2.3 വിശദീകരണ ഗവേഷണം

എന്തുകൊണ്ടാണ് കാര്യങ്ങൾ സംഭവിക്കുന്നതെന്ന് വിശദീകരിക്കാൻ വിശദീകരണ ഗവേഷണം ശ്രമിക്കുന്നു. ഇതിനകം പഠിച്ച വസ്തുതകളെ അടിസ്ഥാനമാക്കിയാണ് ഇത് നിർമ്മിച്ചിരിക്കുന്നത്, ഈ വസ്തുതകളുടെ കാരണങ്ങൾ കണ്ടെത്താൻ ശ്രമിക്കുന്നു.
അതിനാൽ, വിശദീകരണ ഗവേഷണം സാധാരണയായി പര്യവേക്ഷണപരമോ വിവരണാത്മകമോ ആയ ഗവേഷണങ്ങളിലാണ് നിർമ്മിച്ചിരിക്കുന്നത്, ഇത് സിദ്ധാന്തങ്ങൾ പരിശോധിക്കുന്നതിനും ശുദ്ധീകരിക്കുന്നതിനുമുള്ള അനുബന്ധമാണ്. വിശദീകരണ ഗവേഷണം സാധാരണയായി കേസ് പഠനങ്ങൾ അല്ലെങ്കിൽ സർവേ അടിസ്ഥാനമാക്കിയുള്ള ഗവേഷണ രീതികൾ ഉപയോഗിക്കുന്നു.

3.1.2.4 പ്രതിരോധ ഗവേഷണം

പ്രിവൻ്റീവ് റിസർച്ച് ലക്ഷ്യമിടുന്നത് നിരീക്ഷണത്തിലുള്ള സംഭവങ്ങളും പെരുമാറ്റങ്ങളും പ്രവചിക്കാനാണ് (Marshall and Rossman 1995). സത്യത്തിൻ്റെ അടിസ്ഥാന ശാസ്‌ത്രീയ പരിശോധനയാണ് പ്രവചനം. ഇത്തരത്തിലുള്ള ഗവേഷണം സാധാരണയായി സർവേകൾ അല്ലെങ്കിൽ വിശകലനം ഉപയോഗിക്കുന്നു ഡാറ്റ ചരിത്രകാരന്മാർ. (യിൻ 1989)

ഒരു പ്രത്യേക പഠനത്തിൽ ഉപയോഗിക്കാൻ കഴിയുന്ന നിരവധി ഗവേഷണ രീതികൾ ഉണ്ടെന്ന് മുകളിലുള്ള ചർച്ച തെളിയിക്കുന്നു. എന്നിരുന്നാലും, ഒരു പ്രത്യേക തരം ഗവേഷണ പദ്ധതിക്ക് മറ്റുള്ളവയേക്കാൾ അനുയോജ്യമായ ഒരു നിർദ്ദിഷ്ട രീതി ഉണ്ടായിരിക്കണം. (ഗലിയേഴ്സ് 1987, യിൻ 1989, ഡി വാസ് 1991). അതിനാൽ, ഓരോ ഗവേഷകനും, ഗവേഷണ പദ്ധതിയുമായി ഏറ്റവും അനുയോജ്യവും അനുയോജ്യവുമായ ഗവേഷണ രീതി സ്വീകരിക്കുന്നതിന്, വിവിധ രീതികളുടെ ശക്തിയും ബലഹീനതയും ശ്രദ്ധാപൂർവ്വം വിലയിരുത്തേണ്ടതുണ്ട്. (ജെങ്കിൻസ് 1985, പെർവാൻ ആൻഡ് ക്ലാസ്സ് 1992, ബോണോമിയ 1985, യിൻ 1989, ഹിമിൽട്ടൺ ആൻഡ് ഐവ്സ് 1992).

3.2 സാധ്യമായ ഗവേഷണ രീതികൾ

ഓസ്‌ട്രേലിയൻ ഓർഗനൈസേഷനുകളിലെ അനുഭവം പഠിക്കുക എന്നതായിരുന്നു ഈ പദ്ധതിയുടെ ലക്ഷ്യം ഡാറ്റ ഒരു വികസനത്തോടൊപ്പം സംഭരിച്ചു ഡാറ്റ വെയർഹൗസ്. ഡാറ്റ നിലവിൽ, ഓസ്‌ട്രേലിയയിൽ ഡാറ്റ വെയർഹൗസിംഗ് മേഖലയിൽ ഗവേഷണത്തിൻ്റെ അഭാവമുണ്ട്, ഈ ഗവേഷണ പദ്ധതി ഇപ്പോഴും ഗവേഷണ ചക്രത്തിൻ്റെ സൈദ്ധാന്തിക ഘട്ടത്തിലാണ്, കൂടാതെ ഒരു പര്യവേക്ഷണ ലക്ഷ്യവുമുണ്ട്. ഡാറ്റ വെയർഹൗസിംഗ് സ്വീകരിക്കുന്ന ഓസ്‌ട്രേലിയൻ ഓർഗനൈസേഷനുകളിലെ അനുഭവം പര്യവേക്ഷണം ചെയ്യുന്നതിന് യഥാർത്ഥ സമൂഹത്തിൻ്റെ വ്യാഖ്യാനം ആവശ്യമാണ്. തത്ഫലമായി, ഗവേഷണ പ്രോജക്റ്റിന് അടിവരയിടുന്ന ദാർശനിക അനുമാനം പരമ്പരാഗത വ്യാഖ്യാനത്തെ പിന്തുടരുന്നു.

ലഭ്യമായ രീതികളുടെ കർശനമായ പരിശോധനയ്ക്ക് ശേഷം, സാധ്യമായ രണ്ട് ഗവേഷണ രീതികൾ തിരിച്ചറിഞ്ഞു: സർവേകളും കേസ് പഠനങ്ങളും, അവ പര്യവേക്ഷണ ഗവേഷണത്തിനായി ഉപയോഗിക്കാം (Shanks et al. 1993). ഗലിയേഴ്സ് (1992) ഈ പ്രത്യേക പഠനത്തിന് ഈ രണ്ട് രീതികളും അനുയോജ്യമാണെന്ന് തൻ്റെ പരിഷ്കരിച്ച ടാക്സോണമിയിൽ വാദിക്കുന്നത്, അവ സിദ്ധാന്ത നിർമ്മാണത്തിന് അനുയോജ്യമാണെന്ന് പറഞ്ഞുകൊണ്ടാണ്. ഇനിപ്പറയുന്ന രണ്ട് ഉപവിഭാഗങ്ങൾ ഓരോ രീതിയും വിശദമായി ചർച്ചചെയ്യുന്നു.

3.2.1 സർവേ ഗവേഷണ രീതി

പുരാതന സെൻസസ് രീതിയിൽ നിന്നാണ് സർവേ ഗവേഷണ രീതി വരുന്നത്. ഒരു ജനസംഖ്യാ കണക്കെടുപ്പ് എന്നത് മുഴുവൻ ജനങ്ങളിൽ നിന്നും വിവരങ്ങൾ ശേഖരിക്കുന്നതാണ്. ഈ രീതി ചെലവേറിയതും അപ്രായോഗികവുമാണ്, പ്രത്യേകിച്ച് ജനസംഖ്യ കൂടുതലാണെങ്കിൽ. അങ്ങനെ, ഒരു സെൻസസുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, ഒരു സർവേ സാധാരണയായി ജനസംഖ്യയുടെ പ്രതിനിധികളുടെ ഒരു ചെറിയ സംഖ്യയുടെ അല്ലെങ്കിൽ സാമ്പിളിൻ്റെ വിവരങ്ങൾ ശേഖരിക്കുന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു (Fowler 1988, Neuman 1994). ഉപയോഗിച്ച സാമ്പിൾ ഘടന, വലുപ്പം, തിരഞ്ഞെടുക്കൽ രീതി എന്നിവയെ ആശ്രയിച്ച് വ്യത്യസ്ത തലത്തിലുള്ള കൃത്യതയോടെ, ഒരു സാമ്പിൾ അത് വരച്ച ജനസംഖ്യയെ പ്രതിഫലിപ്പിക്കുന്നു (Fowler 1988, Babbie 1982, Neuman 1994).

സർവ്വേ രീതി നിർവചിച്ചിരിക്കുന്നത് “ഒരു പ്രത്യേക സമയത്തെ സമ്പ്രദായങ്ങൾ, സാഹചര്യങ്ങൾ അല്ലെങ്കിൽ കാഴ്ചകൾ എന്നിവയുടെ സ്നാപ്പ്ഷോട്ടുകൾ, ചോദ്യാവലികൾ അല്ലെങ്കിൽ അഭിമുഖങ്ങൾ എന്നിവ ഉപയോഗിച്ച് അനുമാനങ്ങൾ ഉണ്ടാകാം.
ഉണ്ടാക്കിയത്” (Galliers 1992:153) [പ്രാക്ടീസ്, സാഹചര്യങ്ങൾ അല്ലെങ്കിൽ വീക്ഷണങ്ങൾ എന്നിവയുടെ സ്നാപ്പ്ഷോട്ട്, പ്രത്യേക ഘട്ടത്തിൽ, ചോദ്യാവലികളോ അഭിമുഖങ്ങളോ ഉപയോഗിച്ച്, അതിൽ നിന്ന് അനുമാനങ്ങൾ ഉണ്ടാക്കാം]. ഒരു നിശ്ചിത എണ്ണം പങ്കാളികളിൽ നിന്ന് ചോദ്യങ്ങൾ ചോദിച്ച് പഠനത്തിൻ്റെ ചില വശങ്ങളെക്കുറിച്ചുള്ള വിവരങ്ങൾ ശേഖരിക്കുന്നത് സർവേകൾ കൈകാര്യം ചെയ്യുന്നു (ഫൗളർ 1988). മുഖാമുഖ ടെലിഫോൺ അഭിമുഖങ്ങളും ഘടനാപരമായവയും ഉൾപ്പെടുന്ന ഈ ചോദ്യാവലികളും അഭിമുഖങ്ങളും ശേഖരണ സാങ്കേതികതയാണ്. ഡാറ്റ അന്വേഷണങ്ങളിൽ ഏറ്റവും സാധാരണയായി ഉപയോഗിക്കുന്ന (ബ്ലാക്ക് 1970, നാച്ച്മിയാസ് ആൻഡ് നാച്ച്മിയാസ് 1976, ഫൗളർ 1988), നിരീക്ഷണങ്ങളും വിശകലനങ്ങളും ഉപയോഗിക്കാം (ഗേബിൾ 1994). ശേഖരിക്കുന്നതിനുള്ള ഈ എല്ലാ രീതികളിലും ഡാറ്റ, ചോദ്യാവലിയുടെ ഉപയോഗം ഏറ്റവും ജനപ്രിയമായ സാങ്കേതികതയാണ്, കാരണം അത് i ഡാറ്റ

ശേഖരിച്ചത് ഘടനാപരമായതും ഫോർമാറ്റ് ചെയ്തതുമാണ്, അതിനാൽ വിവരങ്ങളുടെ വർഗ്ഗീകരണം സുഗമമാക്കുന്നു (Hwang 1987, de Vaus 1991).

വിശകലനം ചെയ്യുമ്പോൾ ഐ ഡാറ്റ, ഒരു ഇൻവെസ്റ്റിഗേഷൻ സ്ട്രാറ്റജി പലപ്പോഴും സ്റ്റാറ്റിസ്റ്റിക്കൽ അനാലിസിസ് പോലുള്ള ക്വാണ്ടിറ്റേറ്റീവ് ടെക്നിക്കുകൾ ഉപയോഗിക്കുന്നു, എന്നാൽ ഗുണപരമായ സാങ്കേതിക വിദ്യകളും ഉപയോഗിക്കാവുന്നതാണ് (Galliers 1992, Pervan

ക്ലാസ് 1992, ഗേബിൾ 1994). സാധാരണയായി, ഐ ഡാറ്റ ശേഖരിച്ചത് അസോസിയേഷനുകളുടെ വിതരണങ്ങളും പാറ്റേണുകളും വിശകലനം ചെയ്യാൻ ഉപയോഗിക്കുന്നു (ഫൗളർ 1988).

'എന്ത്?' (എന്ത്) അല്ലെങ്കിൽ അതിൽ നിന്ന് ഉരുത്തിരിഞ്ഞത്, അതായത് 'എത്ര', 'എത്ര' എന്നിങ്ങനെ, 'എന്തുകൊണ്ട്' എന്ന ചോദ്യത്തിലൂടെ അവരോട് ചോദിക്കാം (Sonquist and Dunkelberg 1977, Yin 1989). Sonquist and Dunkelberg (1977) പ്രകാരം, അന്വേഷണ ഗവേഷണം, അനുമാനങ്ങളെ വെല്ലുവിളിക്കുക, പ്രോഗ്രാമുകൾ വിലയിരുത്തുക, ജനസംഖ്യയെ വിവരിക്കുക, മനുഷ്യ സ്വഭാവത്തിൻ്റെ മാതൃകകൾ വികസിപ്പിക്കുക എന്നിവ ലക്ഷ്യമിടുന്നു. കൂടാതെ, ഒരു നിശ്ചിത ജനസംഖ്യാ അഭിപ്രായം, വ്യവസ്ഥകൾ, അഭിപ്രായങ്ങൾ, സ്വഭാവസവിശേഷതകൾ, പ്രതീക്ഷകൾ എന്നിവയും പഴയതോ നിലവിലുള്ളതോ ആയ പെരുമാറ്റങ്ങൾ പോലും പഠിക്കാൻ സർവേകൾ ഉപയോഗിക്കാം (Neuman 1994).

സർവേകൾ ഗവേഷകനെ ജനസംഖ്യയ്ക്കിടയിലുള്ള ബന്ധം കണ്ടെത്താൻ അനുവദിക്കുന്നു, ഫലങ്ങൾ സാധാരണയായി മറ്റ് രീതികളേക്കാൾ പൊതുവായതാണ് (Sonquist and Dunkelberg 1977, Gable 1994). സർവേകൾ ഗവേഷകരെ ഒരു വലിയ ഭൂമിശാസ്ത്രപരമായ പ്രദേശം ഉൾക്കൊള്ളാനും പ്രതികരിക്കുന്നവരിലേക്ക് എത്തിച്ചേരാനും അനുവദിക്കുന്നു (ബ്ലാക്ക് 1970, സോൺക്വിസ്റ്റ്, ഡങ്കൽബർഗ് 1977, ഹ്വാങ് ആൻഡ് ലിൻ 1987, ഗേബിൾ 1994, ന്യൂമാൻ 1994). അവസാനമായി, സർവേകൾക്ക് മറ്റെവിടെയെങ്കിലും ലഭ്യമല്ലാത്ത വിവരങ്ങൾ അല്ലെങ്കിൽ വിശകലനങ്ങൾക്ക് ആവശ്യമായ രൂപത്തിൽ നൽകാൻ കഴിയും (Fowler 1988).

എന്നിരുന്നാലും, ഒരു സർവേ നടത്തുന്നതിന് ചില പരിമിതികളുണ്ട്. പഠിച്ച വസ്തുവിനെക്കുറിച്ച് ഗവേഷകന് കൂടുതൽ വിവരങ്ങൾ ലഭിക്കില്ല എന്നതാണ് ഒരു പോരായ്മ. സർവേകൾ ഒരു പ്രത്യേക സമയത്ത് മാത്രമാണ് നടത്തുന്നത്, അതിനാൽ, ഗവേഷകന് കഴിയുന്ന പരിമിതമായ എണ്ണം വേരിയബിളുകളും ആളുകളും ഉണ്ട് എന്നതാണ് ഇതിന് കാരണം.

പഠനം (Yin 1989, de Vaus 1991, Gable 1994, Denscombe 1998). മറ്റൊരു പോരായ്മ എന്തെന്നാൽ, ഒരു സർവേ നടത്തുന്നത് സമയത്തിൻ്റെയും വിഭവങ്ങളുടെയും കാര്യത്തിൽ വളരെ ചെലവേറിയതാണ്, പ്രത്യേകിച്ചും അതിൽ മുഖാമുഖ അഭിമുഖങ്ങൾ ഉൾപ്പെടുന്നുവെങ്കിൽ (Fowler 1988).

3.2.2. അന്വേഷണ ഗവേഷണ രീതി

അന്വേഷണ ഗവേഷണ രീതിയിൽ ഗവേഷകൻ്റെ ഭാഗത്തുനിന്ന് ഒരു ഇടപെടലും കൂടാതെ, ഒരു പ്രത്യേക സാഹചര്യത്തെ അതിൻ്റെ യഥാർത്ഥ ലോക പശ്ചാത്തലത്തിൽ ഒരു നിശ്ചിത കാലയളവിൽ ആഴത്തിൽ പഠിക്കുന്നത് ഉൾപ്പെടുന്നു (Shanks & C. 1993, Eisenhardt 1989, Jenkins 1985). ഒരു പ്രത്യേക സാഹചര്യത്തിൽ പഠിക്കുന്ന വേരിയബിളുകൾ തമ്മിലുള്ള ബന്ധത്തെ വിവരിക്കാൻ ഈ രീതി പ്രധാനമായും ഉപയോഗിക്കുന്നു (Galliers 1992). വിശകലനം ചെയ്ത പ്രതിഭാസത്തെ ആശ്രയിച്ച്, അന്വേഷണങ്ങളിൽ ഒന്നോ അതിലധികമോ കേസുകൾ ഉൾപ്പെടാം (Franz and Robey 1987, Eisenhardt 1989, Yin 1989).

"ആളുകൾ, ഗ്രൂപ്പുകൾ അല്ലെങ്കിൽ ഓർഗനൈസേഷനുകൾ പോലുള്ള ഒന്നോ അതിലധികമോ സ്ഥാപനങ്ങളിൽ നിന്ന് ശേഖരിച്ച ഒന്നിലധികം ഉറവിടങ്ങൾ ഉപയോഗിച്ച് ഒരു സമകാലിക പ്രതിഭാസത്തെ അതിൻ്റെ യഥാർത്ഥ സന്ദർഭത്തിൽ പഠിക്കുന്ന ഒരു അനുഭവപരമായ അന്വേഷണം" എന്നാണ് അന്വേഷണ ഗവേഷണ രീതി നിർവചിച്ചിരിക്കുന്നത് (Yin 1989). പ്രതിഭാസവും അതിൻ്റെ സന്ദർഭവും തമ്മിൽ വ്യക്തമായ വേർതിരിവില്ല കൂടാതെ വേരിയബിളുകളുടെ പരീക്ഷണാത്മക നിയന്ത്രണമോ കൃത്രിമത്വമോ ഇല്ല (Yin 1989, Benbasat et al. 1987).

ശേഖരിക്കുന്നതിന് വിവിധ സാങ്കേതിക വിദ്യകളുണ്ട് ഡാറ്റ നേരിട്ടുള്ള നിരീക്ഷണങ്ങൾ, ആർക്കൈവൽ രേഖകളുടെ അവലോകനങ്ങൾ, ചോദ്യാവലികൾ, ഡോക്യുമെൻ്റേഷൻ അവലോകനം, ഘടനാപരമായ അഭിമുഖങ്ങൾ എന്നിവ ഉൾപ്പെടുന്ന അന്വേഷണരീതിയിൽ അത് ഉപയോഗിക്കാവുന്നതാണ്. വൈവിധ്യമാർന്ന വിളവെടുപ്പ് സാങ്കേതികവിദ്യകൾ ഉണ്ട് ഡാറ്റ, അന്വേഷണങ്ങൾ രണ്ടും കൈകാര്യം ചെയ്യാൻ ഗവേഷകരെ അനുവദിക്കുന്നു ഡാറ്റ ഒരേ സമയം ഗുണപരവും അളവും (Bonoma 1985, Eisenhardt 1989, Yin 1989, Gable 1994). സർവേ രീതിയുടെ കാര്യത്തിലെന്നപോലെ, ഒരു സർവേ ഗവേഷകൻ ഒരു നിരീക്ഷകനോ ഗവേഷകനോ ആയി പ്രവർത്തിക്കുന്നു, പഠനത്തിൻ കീഴിലുള്ള സ്ഥാപനത്തിൽ സജീവ പങ്കാളിയായിട്ടല്ല.

ഗവേഷണ സിദ്ധാന്തം കെട്ടിപ്പടുക്കുന്നതിന് അന്വേഷണ രീതി പ്രത്യേകിച്ചും അനുയോജ്യമാണെന്ന് ബെൻബാസറ്റ് et al. (1987) സമർത്ഥിക്കുന്നു, അത് ഒരു ഗവേഷണ ചോദ്യത്തിൽ ആരംഭിച്ച് വിദ്യാഭ്യാസത്തിൽ തുടരുന്നു.

ശേഖരിക്കുന്ന പ്രക്രിയയിൽ ഒരു സിദ്ധാന്തം ഡാറ്റ. സ്റ്റേജിനും അനുയോജ്യമാണ്

തിയറി ബിൽഡിംഗിൻ്റെ, ഫ്രാൻസും റോബിയും (1987) സങ്കീർണ്ണമായ സിദ്ധാന്ത ഘട്ടത്തിനും അന്വേഷണ രീതി ഉപയോഗിക്കാമെന്ന് നിർദ്ദേശിക്കുന്നു. ഈ സാഹചര്യത്തിൽ, ശേഖരിച്ച തെളിവുകളുടെ അടിസ്ഥാനത്തിൽ, തന്നിരിക്കുന്ന സിദ്ധാന്തമോ സിദ്ധാന്തമോ സ്ഥിരീകരിക്കുകയോ നിരാകരിക്കുകയോ ചെയ്യുന്നു. കൂടാതെ, 'എങ്ങനെ' അല്ലെങ്കിൽ 'എന്തുകൊണ്ട്' ചോദ്യങ്ങൾ കൈകാര്യം ചെയ്യുന്ന ഗവേഷണത്തിനും സർവേ അനുയോജ്യമാണ് (Yin 1989).

മറ്റ് രീതികളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, അവശ്യ വിവരങ്ങൾ കൂടുതൽ വിശദമായി പകർത്താൻ സർവേകൾ ഗവേഷകനെ അനുവദിക്കുന്നു (Galliers 1992, Shanks et al. 1993). കൂടാതെ, പഠന പ്രക്രിയകളുടെ സ്വഭാവവും സങ്കീർണ്ണതയും മനസ്സിലാക്കാൻ സർവേകൾ ഗവേഷകനെ അനുവദിക്കുന്നു (Benbasat et al. 1987).

സർവേ രീതിയുമായി ബന്ധപ്പെട്ട നാല് പ്രധാന ദോഷങ്ങളുണ്ട്. നിയന്ത്രിത കിഴിവുകളുടെ അഭാവമാണ് ആദ്യത്തേത്. ഗവേഷകൻ്റെ ആത്മനിഷ്ഠതയ്ക്ക് പഠനത്തിൻ്റെ ഫലങ്ങളും നിഗമനങ്ങളും മാറ്റാൻ കഴിയും (Yin 1989). നിയന്ത്രിത നിരീക്ഷണത്തിൻ്റെ അഭാവമാണ് രണ്ടാമത്തെ പോരായ്മ. പരീക്ഷണാത്മക രീതികളിൽ നിന്ന് വ്യത്യസ്തമായി, അന്വേഷണ ഗവേഷകന് പഠിച്ച പ്രതിഭാസങ്ങളെ അവയുടെ സ്വാഭാവിക സന്ദർഭത്തിൽ പരിശോധിക്കുന്നതിനാൽ നിയന്ത്രിക്കാൻ കഴിയില്ല (ഗേബിൾ 1994). മൂന്നാമത്തെ പോരായ്മ ആവർത്തനക്ഷമതയുടെ അഭാവമാണ്. കാരണം, ഗവേഷകന് സമാന സംഭവങ്ങൾ നിരീക്ഷിക്കാൻ സാധ്യതയില്ല, കൂടാതെ ഒരു പ്രത്യേക പഠനത്തിൻ്റെ ഫലങ്ങൾ പരിശോധിക്കാൻ കഴിയില്ല (ലീ 1989). അവസാനമായി, നോൺ-റെപ്ലിക്കബിലിറ്റിയുടെ അനന്തരഫലമായി, ഒന്നോ അതിലധികമോ അന്വേഷണങ്ങളിൽ നിന്ന് ലഭിച്ച ഫലങ്ങൾ സാമാന്യവൽക്കരിക്കുക പ്രയാസമാണ് (Galliers 1992, Shanks et al 1993). എന്നിരുന്നാലും, ഈ പ്രശ്‌നങ്ങളെല്ലാം പരിഹരിക്കാനാകാത്തവയല്ല, വാസ്തവത്തിൽ, ഉചിതമായ പ്രവർത്തനങ്ങൾ പ്രയോഗിച്ച് ഗവേഷകന് അത് കുറയ്ക്കാൻ കഴിയും (ലീ 1989).

3.3 ഗവേഷണ രീതിയെ ന്യായീകരിക്കുക സ്വീകരിച്ചു

ഈ പഠനത്തിന് സാധ്യമായ രണ്ട് ഗവേഷണ രീതികളിൽ നിന്ന്, സർവേ രീതിയാണ് ഏറ്റവും അനുയോജ്യമെന്ന് കണക്കാക്കപ്പെടുന്നു. ബന്ധപ്പെട്ടവ ശ്രദ്ധയിൽപ്പെട്ടതിനെ തുടർന്നാണ് അന്വേഷണം ഉപേക്ഷിച്ചത്

ഗുണങ്ങളും ബലഹീനതകളും. ഈ പഠനത്തിനായുള്ള ഓരോ രീതിയുടെയും ഉചിതമോ അനുചിതമോ ചുവടെ ചർച്ചചെയ്യുന്നു.

3.3.1. ഗവേഷണ രീതിയുടെ അനുചിതത്വം അന്വേഷണത്തിൻ്റെ

അന്വേഷണ രീതിക്ക് ഒരു നിശ്ചിത കാലയളവിൽ ഒന്നോ അതിലധികമോ സ്ഥാപനങ്ങൾക്കുള്ളിലെ ഒരു പ്രത്യേക സാഹചര്യത്തെക്കുറിച്ച് ആഴത്തിലുള്ള പഠനം ആവശ്യമാണ് (Eisenhardt 1989). ഈ സാഹചര്യത്തിൽ, ഈ കാലയളവ് ഈ പഠനത്തിന് നൽകിയിരിക്കുന്ന സമയപരിധി കവിഞ്ഞേക്കാം. സർവേ രീതി സ്വീകരിക്കാത്തതിൻ്റെ മറ്റൊരു കാരണം, ഫലങ്ങൾ കാഠിന്യത്തിൻ്റെ അഭാവം ബാധിച്ചേക്കാം എന്നതാണ് (Yin 1989). ഗവേഷകൻ്റെ ആത്മനിഷ്ഠത ഫലങ്ങളെയും നിഗമനങ്ങളെയും സ്വാധീനിക്കും. മറ്റൊരു കാരണം, ഈ രീതി 'എങ്ങനെ' അല്ലെങ്കിൽ 'എന്തുകൊണ്ട്' തരം ചോദ്യങ്ങൾ (Yin 1989) എന്നതിനെക്കുറിച്ചുള്ള ഗവേഷണത്തിന് കൂടുതൽ അനുയോജ്യമാണ്, അതേസമയം ഈ പഠനത്തിൻ്റെ ഗവേഷണ ചോദ്യം 'ഏത്' തരത്തിലാണ്. അവസാനത്തേത് എന്നാൽ ഏറ്റവും കുറഞ്ഞത്, ഒന്നോ അതിലധികമോ അന്വേഷണങ്ങളിൽ നിന്നുള്ള കണ്ടെത്തലുകൾ സാമാന്യവൽക്കരിക്കുക പ്രയാസമാണ് (Galliers 1992, Shanks et al. 1993). ഈ യുക്തിയുടെ അടിസ്ഥാനത്തിൽ, ഈ പഠനത്തിന് അനുയോജ്യമല്ലാത്തതിനാൽ സർവേ ഗവേഷണ രീതി തിരഞ്ഞെടുത്തില്ല.

3.3.2. എന്ന തിരയൽ രീതിയുടെ സൗകര്യം അന്വേഷണം

ഈ ഗവേഷണം നടത്തുമ്പോൾ, ഓസ്‌ട്രേലിയൻ ഓർഗനൈസേഷനുകൾ ഡാറ്റ വെയർഹൗസിംഗ് രീതി വ്യാപകമായി സ്വീകരിച്ചിരുന്നില്ല. അതിനാൽ, ഓസ്‌ട്രേലിയൻ ഓർഗനൈസേഷനുകൾക്കുള്ളിൽ അവ നടപ്പിലാക്കുന്നത് സംബന്ധിച്ച് കൂടുതൽ വിവരങ്ങൾ ഉണ്ടായിരുന്നില്ല. എ നടപ്പിലാക്കിയതോ ഉപയോഗിച്ചതോ ആയ ഓർഗനൈസേഷനുകളിൽ നിന്നാണ് ലഭ്യമായ വിവരങ്ങൾ ലഭിച്ചത് ഡാറ്റ വെയർഹൗസ്. ഈ സാഹചര്യത്തിൽ, സർവേ ഗവേഷണ രീതിയാണ് ഏറ്റവും അനുയോജ്യം, കാരണം ഇത് മറ്റെവിടെയെങ്കിലും ലഭ്യമല്ലാത്തതോ വിശകലനത്തിന് ആവശ്യമായ രൂപത്തിലുള്ളതോ ആയ വിവരങ്ങൾ നേടാൻ അനുവദിക്കുന്നു (ഫൗളർ 1988). കൂടാതെ, സർവേ ഗവേഷണ രീതി ഗവേഷകനെ ഒരു പ്രത്യേക സമയത്ത് സമ്പ്രദായങ്ങൾ, സാഹചര്യങ്ങൾ, അല്ലെങ്കിൽ കാഴ്ചകൾ എന്നിവയെക്കുറിച്ച് നല്ല ഉൾക്കാഴ്ച നേടാൻ അനുവദിക്കുന്നു (Galliers 1992, Denscombe 1998). ഓസ്‌ട്രേലിയൻ ഡാറ്റ വെയർഹൗസിംഗ് അനുഭവത്തെക്കുറിച്ചുള്ള അറിവ് വർദ്ധിപ്പിക്കുന്നതിന് ഒരു അവലോകനം ആവശ്യമാണ്.

കൂടാതെ, സോൺക്വിസ്റ്റും ഡങ്കൽബർഗും (1977) സർവേ ഗവേഷണത്തിന്റെ ഫലങ്ങൾ മറ്റ് രീതികളേക്കാൾ പൊതുവായതാണെന്ന് പ്രസ്താവിക്കുന്നു.

3.4 സർവേ റിസർച്ച് ഡിസൈൻ

1999-ലാണ് ഡാറ്റ വെയർഹൗസിംഗ് രീതികളെക്കുറിച്ചുള്ള സർവേ നടത്തിയത്. ഡാറ്റ വെയർഹൗസിംഗ് പഠനങ്ങളിൽ താൽപ്പര്യമുള്ള ഓസ്‌ട്രേലിയൻ ഓർഗനൈസേഷനുകളാണ് ടാർഗെറ്റ് പോപ്പുലേഷൻ രൂപീകരിച്ചത്. ഡാറ്റ അവ സംഭരിക്കുകയും അതിനാൽ ഈ പഠനത്തിന് ഉപയോഗപ്രദമായ വിവരങ്ങൾ നൽകുകയും ചെയ്യും. ദ ഡാറ്റ വെയർഹൗസിംഗ് ഇൻസ്റ്റിറ്റ്യൂട്ടിലെ (Tdwi-aap) എല്ലാ ഓസ്‌ട്രേലിയൻ അംഗങ്ങളുടെയും പ്രാഥമിക സർവേയിലൂടെയാണ് ടാർഗെറ്റ് പോപ്പുലേഷൻ കണ്ടെത്തിയത്. ഈ പഠനത്തിൻ്റെ അനുഭവപരമായ ഗവേഷണ ഘട്ടത്തിൻ്റെ രൂപകല്പനയാണ് ഈ വിഭാഗം ചർച്ച ചെയ്യുന്നത്.

3.4.1. വിളവെടുപ്പ് സാങ്കേതികത ഡാറ്റ

സർവേ ഗവേഷണത്തിൽ സാധാരണയായി ഉപയോഗിക്കുന്ന മൂന്ന് സാങ്കേതിക വിദ്യകളിൽ നിന്ന് (അതായത് മെയിൽ ചോദ്യാവലി, ടെലിഫോൺ അഭിമുഖം, വ്യക്തിഗത അഭിമുഖം) (Nachmias 1976, Fowler 1988, de Vaus 1991), ഈ പഠനത്തിനായി മെയിൽ ചോദ്യാവലി സ്വീകരിച്ചു. ഭൂമിശാസ്ത്രപരമായി ചിതറിക്കിടക്കുന്ന ഒരു ജനസംഖ്യയിൽ എത്തിച്ചേരാൻ കഴിയും എന്നതാണ് രണ്ടാമത്തേത് സ്വീകരിക്കുന്നതിനുള്ള ആദ്യ കാരണം (ബ്ലാക്ക് 1970, നാച്ച്മിയാസ് ആൻഡ് നാച്ച്മിയാസ് 1976, ഹ്വാങ് ആൻഡ് ലിൻ 1987, ഡി വാസ് 1991, ഗേബിൾ 1994). രണ്ടാമതായി, മെയിൽ ചോദ്യാവലി ഉയർന്ന വിദ്യാഭ്യാസമുള്ള പങ്കാളികൾക്ക് അനുയോജ്യമാണ് (ഫൗളർ 1988). ഈ പഠനത്തിനായുള്ള മെയിൽ ചോദ്യാവലി ഡാറ്റ വെയർഹൗസിംഗ് പ്രോജക്റ്റ് സ്പോൺസർമാർ, ഡയറക്ടർമാർ കൂടാതെ/അല്ലെങ്കിൽ പ്രോജക്ട് മാനേജർമാർ എന്നിവരെ അഭിസംബോധന ചെയ്തു. മൂന്നാമതായി, സുരക്ഷിതമായ ഒരു മെയിലിംഗ് ലിസ്റ്റ് ലഭ്യമാകുമ്പോൾ മെയിൽ ചോദ്യാവലി അനുയോജ്യമാണ് (Salant and Dilman 1994). TDWI, ഈ സാഹചര്യത്തിൽ, ഒരു വിശ്വസനീയമായ ഡാറ്റ വെയർഹൗസിംഗ് അസോസിയേഷൻ അതിൻ്റെ ഓസ്‌ട്രേലിയൻ അംഗങ്ങളുടെ മെയിലിംഗ് ലിസ്റ്റ് നൽകിയിട്ടുണ്ട്. ടെലിഫോൺ ചോദ്യാവലിയിലോ വ്യക്തിഗത അഭിമുഖത്തിലോ ഉള്ള മെയിൽ ചോദ്യാവലിയുടെ മറ്റൊരു നേട്ടം, പ്രതികരിക്കുന്നവരെ കൂടുതൽ കൃത്യമായി പ്രതികരിക്കാൻ അനുവദിക്കുന്നു എന്നതാണ്, പ്രത്യേകിച്ചും പ്രതികരിക്കുന്നവർ കുറിപ്പുകൾ പരിശോധിക്കുകയോ മറ്റ് ആളുകളുമായി ചോദ്യങ്ങൾ ചർച്ച ചെയ്യുകയോ ചെയ്യുമ്പോൾ (Fowler 1988).

മെയിൽ വഴി ചോദ്യാവലി നടത്തുന്നതിന് ആവശ്യമായ സമയമായിരിക്കാം ഒരു പോരായ്മ. സാധാരണയായി, ഈ ക്രമത്തിൽ ഒരു മെയിൽ സർവേ നടത്തപ്പെടുന്നു: മെയിൽ ലെറ്ററുകൾ, പ്രതികരണങ്ങൾക്കായി കാത്തിരിക്കുക, സ്ഥിരീകരണം അയയ്ക്കുക (Fowler 1988, Bainbridge 1989). അങ്ങനെ, മൊത്തം സമയം വ്യക്തിഗത അഭിമുഖങ്ങൾക്കോ ​​ടെലിഫോൺ അഭിമുഖങ്ങൾക്കോ ​​ആവശ്യമായ സമയത്തേക്കാൾ കൂടുതലായിരിക്കാം. എന്നിരുന്നാലും, മൊത്തം സമയം മുൻകൂട്ടി അറിയാൻ കഴിയും (Fowler 1988, Denscombe 1998). വ്യക്തിഗത അഭിമുഖങ്ങൾ നടത്താൻ ചെലവഴിച്ച സമയം മുൻകൂട്ടി അറിയാൻ കഴിയില്ല, കാരണം ഇത് ഒരു അഭിമുഖത്തിൽ നിന്ന് മറ്റൊന്നിലേക്ക് വ്യത്യാസപ്പെടുന്നു (ഫൗളർ 1988). തപാൽ ചോദ്യാവലികളേക്കാളും വ്യക്തിഗത അഭിമുഖങ്ങളേക്കാളും ടെലിഫോൺ അഭിമുഖങ്ങൾ വേഗത്തിലാകാം, എന്നാൽ ചില ആളുകളുടെ ലഭ്യമല്ലാത്തതിനാൽ ഉയർന്ന പ്രതികരണ നിരക്ക് ഉണ്ടാകാം (ഫൗളർ 1988). കൂടാതെ, ടെലിഫോൺ അഭിമുഖങ്ങൾ സാധാരണയായി ചോദ്യങ്ങളുടെ താരതമ്യേന ചെറിയ ലിസ്റ്റുകളിലേക്ക് പരിമിതപ്പെടുത്തിയിരിക്കുന്നു (Bainbridge 1989).

ഒരു മെയിൽ ചോദ്യാവലിയുടെ മറ്റൊരു ദൗർബല്യമാണ് ഉയർന്ന പ്രതികരണ നിരക്ക് (Fowler 1988, Bainbridge 1989, Neuman 1994). എന്നിരുന്നാലും, ഈ പഠനത്തെ വിശ്വസനീയമായ ഒരു ഡാറ്റാ വെയർഹൗസിംഗ് സ്ഥാപനവുമായി ബന്ധപ്പെടുത്തി (അതായത് TDWI) (Bainbridge 1989, Neuman 1994), പ്രതികരിക്കാത്തവർക്ക് രണ്ട് ഓർമ്മപ്പെടുത്തൽ കത്തുകൾ അയയ്ക്കുന്നു (Fowler 1988, Neuman 1994) കൂടാതെ ഒരു അധിക കത്തും ഉൾപ്പെടുന്നു. പഠനത്തിൻ്റെ ഉദ്ദേശ്യം വിശദീകരിക്കുന്നു (ന്യൂമാൻ 1994).

3.4.2. വിശകലന യൂണിറ്റ്

ഓസ്‌ട്രേലിയൻ ഓർഗനൈസേഷനുകൾക്കുള്ളിൽ ഡാറ്റ വെയർഹൗസിംഗ് നടപ്പിലാക്കുന്നതിനെക്കുറിച്ചും അതിൻ്റെ ഉപയോഗത്തെക്കുറിച്ചും വിവരങ്ങൾ നേടുകയാണ് ഈ പഠനത്തിൻ്റെ ലക്ഷ്യം. ടാർഗെറ്റ് പോപ്പുലേഷൻ എന്നത് നടപ്പിലാക്കിയ അല്ലെങ്കിൽ നടപ്പിലാക്കുന്ന എല്ലാ ഓസ്‌ട്രേലിയൻ ഓർഗനൈസേഷനുകളും ഉൾക്കൊള്ളുന്നു ഡാറ്റ വെയർഹൗസ്. വ്യക്തിഗത സംഘടനകൾ പിന്നീട് പേരിൽ രജിസ്റ്റർ ചെയ്യുന്നു. ചോദ്യാവലി ദത്തെടുക്കാൻ താൽപ്പര്യമുള്ള സംഘടനകൾക്ക് മെയിൽ വഴി അയച്ചു ഡാറ്റ വെയർഹൗസ്. പങ്കെടുക്കുന്ന ഓരോ ഓർഗനൈസേഷൻ്റെയും ഏറ്റവും അനുയോജ്യമായ ഉറവിടങ്ങളിൽ നിന്നാണ് ശേഖരിക്കുന്ന വിവരങ്ങൾ വരുന്നതെന്ന് ഈ രീതി ഉറപ്പാക്കുന്നു.

3.4.3. സർവേ സാമ്പിൾ

സർവേയിൽ പങ്കെടുത്തവരുടെ "മെയിലിംഗ് ലിസ്റ്റ്" TDWI-ൽ നിന്ന് ലഭിച്ചു. ഈ ലിസ്റ്റിൽ നിന്ന്, 3000 ഓസ്‌ട്രേലിയൻ ഓർഗനൈസേഷനുകൾ സാമ്പിളിൻ്റെ അടിസ്ഥാനമായി തിരഞ്ഞെടുത്തു. സർവേയുടെ പ്രോജക്റ്റും ഉദ്ദേശ്യവും വിശദീകരിക്കുന്ന ഒരു അധിക കത്തും ഒരു പ്രതികരണ ഷീറ്റും പൂർത്തിയാക്കിയ ചോദ്യാവലി തിരികെ നൽകുന്നതിനുള്ള പ്രീ-പെയ്ഡ് കവറും സാമ്പിളിലേക്ക് അയച്ചു. 3000 സംഘടനകളിൽ 198 എണ്ണം പഠനത്തിൽ പങ്കെടുക്കാൻ സമ്മതിച്ചു. ഇത്രയും ചെറിയ പ്രതികരണങ്ങൾ പ്രതീക്ഷിച്ചിരുന്നു ഡാറ്റോ അവരുടെ ഓർഗനൈസേഷനുകൾക്കുള്ളിൽ ഡാറ്റ വെയർഹൗസിംഗ് തന്ത്രം സ്വീകരിക്കുകയോ സ്വീകരിക്കുകയോ ചെയ്തിരുന്ന ഓസ്‌ട്രേലിയൻ ഓർഗനൈസേഷനുകളുടെ വലിയൊരു എണ്ണം. അതിനാൽ, ഈ പഠനത്തിനായി ലക്ഷ്യമിടുന്ന ജനസംഖ്യ 198 ഓർഗനൈസേഷനുകൾ മാത്രമാണ്.

3.4.4. ചോദ്യാവലിയുടെ ഉള്ളടക്കം

ചോദ്യാവലിയുടെ ഘടന മൊണാഷ് ഡാറ്റ വെയർഹൗസിംഗ് മോഡലിനെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് (മുമ്പ് ഭാഗം 2.3 ൽ ചർച്ച ചെയ്തത്). ചോദ്യാവലിയുടെ ഉള്ളടക്കം അധ്യായം 2-ൽ അവതരിപ്പിച്ച സാഹിത്യ വിശകലനത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്. സർവേയിൽ പങ്കെടുക്കുന്നവർക്ക് അയച്ച ചോദ്യാവലിയുടെ ഒരു പകർപ്പ് അനുബന്ധം B-യിൽ കാണാം. ചോദ്യാവലിയിൽ ആറ് വിഭാഗങ്ങൾ അടങ്ങിയിരിക്കുന്നു, അത് ഉൾക്കൊള്ളുന്ന മാതൃകയുടെ ഘട്ടങ്ങൾ പിന്തുടരുന്നു. ഇനിപ്പറയുന്ന ആറ് ഖണ്ഡികകൾ ഓരോ വിഭാഗത്തിൻ്റെയും ഉള്ളടക്കങ്ങൾ സംക്ഷിപ്തമായി സംഗ്രഹിക്കുന്നു.

വിഭാഗം എ: സ്ഥാപനത്തെക്കുറിച്ചുള്ള അടിസ്ഥാന വിവരങ്ങൾ
ഈ വിഭാഗത്തിൽ പങ്കെടുക്കുന്ന ഓർഗനൈസേഷനുകളുടെ പ്രൊഫൈലുമായി ബന്ധപ്പെട്ട ചോദ്യങ്ങൾ അടങ്ങിയിരിക്കുന്നു. കൂടാതെ, ചില ചോദ്യങ്ങൾ പങ്കാളിയുടെ ഡാറ്റ വെയർഹൗസിംഗ് പ്രോജക്റ്റ് നിലയുമായി ബന്ധപ്പെട്ടതാണ്. സ്ഥാപനത്തിൻ്റെ പേര് പോലുള്ള രഹസ്യ വിവരങ്ങൾ സർവേ വിശകലനത്തിൽ വെളിപ്പെടുത്തിയിട്ടില്ല.

വിഭാഗം ബി: തുടക്കം
ഈ വിഭാഗത്തിലെ ചോദ്യങ്ങൾ ഡാറ്റ വെയർഹൗസിംഗ് ആരംഭിക്കുന്നതിനുള്ള ചുമതലയുമായി ബന്ധപ്പെട്ടതാണ്. പ്രോജക്ട് തുടക്കക്കാർ, ഗ്യാരൻ്റർമാർ, ആവശ്യമായ വൈദഗ്ധ്യവും അറിവും, ഡാറ്റ വെയർഹൗസിംഗ് വികസന ലക്ഷ്യങ്ങൾ, അന്തിമ ഉപയോക്തൃ പ്രതീക്ഷകൾ എന്നിവയുമായി ബന്ധപ്പെട്ട ചോദ്യങ്ങൾ ചോദിച്ചു.

വിഭാഗം സി: ഡിസൈൻ
ആസൂത്രണ പ്രവർത്തനങ്ങളുമായി ബന്ധപ്പെട്ട ചോദ്യങ്ങൾ ഈ വിഭാഗത്തിൽ അടങ്ങിയിരിക്കുന്നു ഡാറ്റ വെയർഹൗസ്. പ്രത്യേകിച്ചും, നിർവ്വഹണത്തിൻ്റെ വ്യാപ്തി, പദ്ധതിയുടെ കാലാവധി, പദ്ധതിയുടെ ചെലവ്, ചെലവ്/ആനുകൂല്യ വിശകലനം എന്നിവയെക്കുറിച്ചായിരുന്നു ചോദ്യങ്ങൾ.

വിഭാഗം ഡി: വികസനം
യുടെ വികസന പ്രവർത്തനങ്ങളുമായി ബന്ധപ്പെട്ട ചോദ്യങ്ങളാണ് വികസന വിഭാഗത്തിൽ ഉള്ളത് ഡാറ്റ വെയർഹൗസ്: അന്തിമ ഉപയോക്തൃ ആവശ്യകതകളുടെ ശേഖരം, ഉറവിടങ്ങൾ ഡാറ്റ, ലോജിക്കൽ മോഡൽ ഡാറ്റ, പ്രോട്ടോടൈപ്പുകൾ, ശേഷി ആസൂത്രണം, സാങ്കേതിക വാസ്തുവിദ്യകൾ, ഡാറ്റ വെയർഹൗസിംഗ് വികസന ടൂളുകളുടെ തിരഞ്ഞെടുപ്പ്.

വിഭാഗം ഇ: പ്രവർത്തനം
പ്രവർത്തനവും വിപുലീകരണവുമായി ബന്ധപ്പെട്ട പ്രവർത്തന ചോദ്യങ്ങൾ ഡാറ്റ വെയർഹൗസ്, വികസനത്തിൻ്റെ അടുത്ത ഘട്ടത്തിൽ അത് എങ്ങനെ വികസിക്കുന്നു. അവിടെ ഡാറ്റ നിലവാരം, എന്നതിൻ്റെ പുതുക്കൽ തന്ത്രങ്ങൾ ഡാറ്റ, ഗ്രാനുലാരിറ്റി ഡാറ്റ, സ്കേലബിളിറ്റി ഡാറ്റ വെയർഹൗസ് യുടെ സുരക്ഷാ പ്രശ്നങ്ങളും ഡാറ്റ വെയർഹൗസ് ചോദിച്ച ചോദ്യങ്ങളുടെ കൂട്ടത്തിൽ ഉൾപ്പെടുന്നു.

വിഭാഗം എഫ്: വികസനം
ഈ വിഭാഗത്തിൽ ഉപയോഗിക്കുന്നതുമായി ബന്ധപ്പെട്ട ചോദ്യങ്ങൾ അടങ്ങിയിരിക്കുന്നു ഡാറ്റ വെയർഹൗസ് അന്തിമ ഉപയോക്താക്കൾ വഴി. ഇതിൻ്റെ ഉദ്ദേശ്യത്തിലും പ്രയോജനത്തിലും ഗവേഷകന് താൽപ്പര്യമുണ്ടായിരുന്നു ഡാറ്റ വെയർഹൗസ്, സ്വീകരിച്ച അവലോകനവും പരിശീലന തന്ത്രങ്ങളും നിയന്ത്രണ തന്ത്രവും ഡാറ്റ വെയർഹൗസ് സ്വീകരിച്ചു.

3.4.5. പ്രതികരണ നിരക്ക്

മെയിൽ സർവേകൾക്ക് കുറഞ്ഞ പ്രതികരണ നിരക്ക് ഉണ്ടെന്ന് വിമർശിക്കപ്പെടുന്നുണ്ടെങ്കിലും, റിട്ടേൺ നിരക്ക് വർദ്ധിപ്പിക്കുന്നതിനുള്ള നടപടികൾ സ്വീകരിച്ചിട്ടുണ്ട് (ഭാഗം 3.4.1 ൽ മുമ്പ് ചർച്ച ചെയ്തതുപോലെ). 'പ്രതികരണ നിരക്ക്' എന്ന പദം ഒരു പ്രത്യേക സർവേ സാമ്പിളിലെ ചോദ്യാവലിയോട് പ്രതികരിക്കുന്ന ആളുകളുടെ ശതമാനത്തെ സൂചിപ്പിക്കുന്നു (ഡെൻസ്‌കോംബ് 1998). ഈ പഠനത്തിനുള്ള പ്രതികരണ നിരക്ക് കണക്കാക്കാൻ ഇനിപ്പറയുന്ന ഫോർമുല ഉപയോഗിച്ചു:

പ്രതികരിച്ച ആളുകളുടെ എണ്ണം
പ്രതികരണ നിരക്ക് = —————————————————————————– X 100 അയച്ച ചോദ്യാവലികളുടെ ആകെ എണ്ണം

3.4.6. പൈലറ്റ് ടെസ്റ്റ്

ചോദ്യാവലി സാമ്പിളിലേക്ക് അയയ്ക്കുന്നതിന് മുമ്പ്, ലക്ക് ആൻഡ് റൂബിൻ (1987), ജാക്സൺ (1988), ഡി വോസ് (1991) എന്നിവർ നിർദ്ദേശിച്ച പ്രകാരം പൈലറ്റ് ടെസ്റ്റുകൾ നടത്തി ചോദ്യങ്ങൾ പരിശോധിച്ചു. പൈലറ്റ് ടെസ്റ്റുകളുടെ ഉദ്ദേശം, വ്യാഖ്യാനിക്കാൻ ബുദ്ധിമുട്ടുള്ള, അവ്യക്തവും അവ്യക്തവുമായ പദപ്രയോഗങ്ങളും ചോദ്യങ്ങളും വെളിപ്പെടുത്തുക, ഉപയോഗിച്ചിട്ടുള്ള ഏതെങ്കിലും നിർവചനങ്ങളും നിബന്ധനകളും വ്യക്തമാക്കുക, ചോദ്യാവലി പൂർത്തിയാക്കാൻ ആവശ്യമായ ഏകദേശ സമയം തിരിച്ചറിയുക (Warwick and Lininger 1975, Jackson 1988, Salant ദിൽമാൻ 1994). ഡേവിസ് ഇ നിർദ്ദേശിച്ച പ്രകാരം അവസാന വിഷയങ്ങളുടേതിന് സമാനമായ സ്വഭാവസവിശേഷതകളുള്ള വിഷയങ്ങൾ തിരഞ്ഞെടുത്താണ് പൈലറ്റ് ടെസ്റ്റുകൾ നടത്തിയത്. ചൊസെന്ജ (1993). ഈ പഠനത്തിൽ, ആറ് ഡാറ്റ വെയർഹൗസിംഗ് പ്രൊഫഷണലുകളെ പൈലറ്റ് വിഷയങ്ങളായി തിരഞ്ഞെടുത്തു. ഓരോ പൈലറ്റ് ടെസ്റ്റിനും ശേഷം ആവശ്യമായ തിരുത്തലുകൾ വരുത്തി. നടത്തിയ പൈലറ്റ് ടെസ്റ്റുകളിൽ നിന്ന്, ചോദ്യാവലിയുടെ അന്തിമ പതിപ്പ് പുനഃക്രമീകരിക്കുന്നതിനും പുനഃസജ്ജമാക്കുന്നതിനും പങ്കെടുക്കുന്നവർ സംഭാവന നൽകി.

3.4.7. വിശകലന രീതികൾ പ്രകാരം ദതി

I ഡാറ്റ ക്ലോസ്-എൻഡ് ചോദ്യാവലികളിൽ നിന്ന് ശേഖരിച്ച സർവേകൾ എസ്പിഎസ്എസ് എന്ന സ്റ്റാറ്റിസ്റ്റിക്കൽ പ്രോഗ്രാം പാക്കേജ് ഉപയോഗിച്ച് വിശകലനം ചെയ്തു. വിവരണാത്മക സ്ഥിതിവിവരക്കണക്കുകൾ ഉപയോഗിച്ച് പല പ്രതികരണങ്ങളും വിശകലനം ചെയ്തു. നിരവധി ചോദ്യാവലികൾ അപൂർണ്ണമായി തിരിച്ചയച്ചു. ഐ ഡാറ്റ നഷ്‌ടമായത് ഡാറ്റാ എൻട്രി പിശകുകളുടെ അനന്തരഫലമല്ല, പക്ഷേ ചോദ്യങ്ങൾ രജിസ്‌ട്രേഷന് അനുയോജ്യമല്ലാത്തതിനാലോ അല്ലെങ്കിൽ ഒന്നോ അതിലധികമോ നിർദ്ദിഷ്ട ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകേണ്ടതില്ലെന്ന് രജിസ്‌ട്രൻ്റ് തീരുമാനിച്ചു. ഈ കാണാതായ പ്രതികരണങ്ങൾ വിശകലന സമയത്ത് അവഗണിക്കപ്പെട്ടു ഡാറ്റ വിശകലന പ്രക്രിയയിൽ നിന്ന് അവരെ ഒഴിവാക്കുന്നത് ഉറപ്പാക്കാൻ '- 9' എന്ന് കോഡ് ചെയ്തു.

ചോദ്യാവലി തയ്യാറാക്കുമ്പോൾ, ഓരോ ഓപ്ഷനും ഒരു നമ്പർ നൽകി അടച്ച ചോദ്യങ്ങൾ മുൻകൂട്ടി കോഡ് ചെയ്തു. പിന്നീട് ഈ നമ്പർ തയ്യാറാക്കാൻ ഉപയോഗിച്ചു ഡാറ്റ വിശകലന സമയത്ത് (Denscombe 1998, Sapsford and Jupp 1996). ഉദാഹരണത്തിന്, സെക്ഷൻ ബിയിലെ ചോദ്യം 1-ൽ ആറ് ഓപ്ഷനുകൾ പട്ടികപ്പെടുത്തിയിട്ടുണ്ട്: ഡയറക്ടർ ബോർഡ്, സീനിയർ എക്സിക്യൂട്ടീവ്, ഐടി ഡിപ്പാർട്ട്മെൻ്റ്, ബിസിനസ് യൂണിറ്റ്, കൺസൾട്ടൻ്റുകൾ തുടങ്ങിയവ. എന്ന ഫയലിൽ ഡാറ്റ SPSS-ൽ, 'പ്രോജക്റ്റ് ഇനീഷ്യേറ്റർ' സൂചിപ്പിക്കാൻ ഒരു വേരിയബിൾ സൃഷ്ടിച്ചു, ആറ് മൂല്യ ലേബലുകൾ: 'ബോർഡ് ഓഫ് ഡയറക്‌ടേഴ്‌സിന്' '1', 'സീനിയർ എക്‌സിക്യൂട്ടീവിന്' '2' എന്നിങ്ങനെ. സ്ട്രീറ്റ്. ചില അടച്ച ചോദ്യങ്ങളിൽ ലൈകെർട്ടിൻ സ്കെയിലിൻ്റെ ഉപയോഗം SPSS-ൽ നൽകിയിട്ടുള്ള അനുബന്ധ സംഖ്യാ മൂല്യങ്ങൾ ഉപയോഗിച്ച് അനായാസമായി തിരിച്ചറിയാൻ അനുവദിച്ചു. പരസ്പരവിരുദ്ധമല്ലാത്ത, സമഗ്രമല്ലാത്ത ഉത്തരങ്ങളുള്ള ചോദ്യങ്ങൾക്ക്, ഓരോ ഓപ്ഷനും രണ്ട് മൂല്യ ലേബലുകളുള്ള ഒരൊറ്റ വേരിയബിളായി കണക്കാക്കുന്നു: 'അടയാളപ്പെടുത്തിയ'തിന് '1', 'അടയാളപ്പെടുത്തിയിട്ടില്ല' എന്നതിന് '2'.

തുറന്ന ചോദ്യങ്ങൾ അടഞ്ഞ ചോദ്യങ്ങളിൽ നിന്ന് വ്യത്യസ്തമായി പരിഗണിക്കപ്പെട്ടു. ഈ ചോദ്യങ്ങൾക്കുള്ള ഉത്തരങ്ങൾ SPSS-ൽ നൽകിയിട്ടില്ല. പകരം, അവ കൈകൊണ്ട് വിശകലനം ചെയ്തു. ഇത്തരത്തിലുള്ള ചോദ്യത്തിൻ്റെ ഉപയോഗം പ്രതികരിക്കുന്നവരുടെ സ്വതന്ത്രമായി പ്രകടിപ്പിക്കുന്ന ആശയങ്ങളെയും വ്യക്തിഗത അനുഭവങ്ങളെയും കുറിച്ചുള്ള വിവരങ്ങൾ നേടുന്നതിന് ഞങ്ങളെ അനുവദിക്കുന്നു (Bainbridge 1989, Denscombe 1998). സാധ്യമായ ഇടങ്ങളിൽ, പ്രതികരണങ്ങളുടെ ഒരു വർഗ്ഗീകരണം നടത്തി.

എന്ന വിശകലനത്തിനായി ഡാറ്റ, പ്രതികരണ ആവൃത്തി, ശരാശരി, സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ, മീഡിയൻ (Argyrous 1996, Denscombe 1998) എന്നിങ്ങനെയുള്ള ലളിതമായ സ്റ്റാറ്റിസ്റ്റിക്കൽ വിശകലന രീതികൾ ഉപയോഗിക്കുന്നു.
തമ്മിലുള്ള അസ്സോസിയേഷനുകളുടെ അളവ് അളക്കുന്നതിനുള്ള ഗാമാ ടെസ്റ്റ് നന്നായി പ്രവർത്തിക്കുന്നു ഡാറ്റ ഓർഡിനലുകൾ (നോറുസിസ് 1983, ആർഗൈറസ് 1996). ഉപയോഗിച്ച ഓർഡിനൽ സ്കെയിലുകൾക്ക് നിരവധി വിഭാഗങ്ങൾ ഇല്ലാത്തതിനാലും ഒരു പട്ടികയിൽ കാണിക്കാമെന്നതിനാലും ഈ പരിശോധനകൾ ഉചിതമായിരുന്നു (നോറുസിസ് 1983).

3.5 സംഗ്രഹം

ഈ അധ്യായത്തിൽ, ഈ പഠനത്തിനായി സ്വീകരിച്ച ഗവേഷണ രീതിശാസ്ത്രവും രൂപകൽപ്പനയും ചർച്ച ചെയ്തു.

ഒരു പ്രത്യേക പഠനത്തിനായി ഏറ്റവും അനുയോജ്യമായ ഗവേഷണ രീതി തിരഞ്ഞെടുക്കുന്നത് കണക്കിലെടുക്കുന്നു
ഗവേഷണത്തിൻ്റെ സ്വഭാവവും തരവും, കൂടാതെ സാധ്യമായ ഓരോ രീതിയുടെയും ഗുണങ്ങളും ബലഹീനതകളും ഉൾപ്പെടെ നിരവധി നിയമങ്ങളുടെ പരിഗണന (ജെങ്കിൻസ് 1985, ബെൻബസാറ്റ് et al. 1097, Galliers and Land 1987, yin 1989, Hamilton and ives 1992, Galliers 1992, ന്യൂമാൻ 1994). ഓസ്‌ട്രേലിയയിൽ ഡാറ്റ വെയർഹൗസിംഗ് ദത്തെടുക്കൽ സംബന്ധിച്ച നിലവിലുള്ള അറിവിൻ്റെയും സിദ്ധാന്തത്തിൻ്റെയും അഭാവം കണക്കിലെടുത്ത്, ഈ ഗവേഷണ പഠനത്തിന് ഓസ്‌ട്രേലിയൻ ഓർഗനൈസേഷനുകളുടെ അനുഭവങ്ങൾ പര്യവേക്ഷണം ചെയ്യാനുള്ള പര്യവേക്ഷണ ശേഷിയുള്ള ഒരു വ്യാഖ്യാന ഗവേഷണ രീതി ആവശ്യമാണ്. ഓസ്‌ട്രേലിയൻ ഓർഗനൈസേഷനുകൾ ഡാറ്റ വെയർഹൗസിംഗ് ആശയം സ്വീകരിക്കുന്നതുമായി ബന്ധപ്പെട്ട വിവരങ്ങൾ ശേഖരിക്കുന്നതിനാണ് തിരഞ്ഞെടുത്ത ഗവേഷണ രീതി തിരഞ്ഞെടുത്തത്. ശേഖരണ സാങ്കേതികതയായി ഒരു തപാൽ ചോദ്യാവലി തിരഞ്ഞെടുത്തു ഡാറ്റ. ഗവേഷണ രീതിയുടെയും ശേഖരണ സാങ്കേതികതയുടെയും ന്യായീകരണങ്ങൾ ഡാറ്റ തിരഞ്ഞെടുത്തവ ഈ അധ്യായത്തിൽ നൽകും. കൂടാതെ, വിശകലന യൂണിറ്റ്, ഉപയോഗിച്ച സാമ്പിൾ, പ്രതികരണങ്ങളുടെ ശതമാനം, ചോദ്യാവലിയുടെ ഉള്ളടക്കം, ചോദ്യാവലിയുടെ പ്രീ-ടെസ്റ്റ്, വിശകലന രീതി എന്നിവയെക്കുറിച്ച് ഒരു ചർച്ച അവതരിപ്പിച്ചു. ഡാറ്റ.

ഡിസൈനിംഗ് a വിവരങ്ങളുടെ കലവറ:

എൻ്റിറ്റി റിലേഷൻഷിപ്പും ഡൈമൻഷണൽ മോഡലിംഗും സംയോജിപ്പിക്കുന്നു

ABSTRACT
സംഭരിക്കുന്നു ഐ ഡാറ്റ പല സംഘടനകളുടെയും ഒരു പ്രധാന വിഷയമാണ്. കമ്പ്യൂട്ടർ സ്റ്റോറേജ് വികസിപ്പിക്കുന്നതിലെ ഒരു പ്രധാന പ്രശ്നം ഡാറ്റ അത് അവൻ്റെ രൂപകല്പനയാണ്.
എന്നതിലെ ആശയങ്ങൾ കണ്ടെത്തുന്നതിന് ഡിസൈൻ പിന്തുണയ്ക്കണം ഡാറ്റ വെയർഹൗസ് ലെഗസി സിസ്റ്റത്തിലേക്കും മറ്റ് ഉറവിടങ്ങളിലേക്കും ഡാറ്റ കൂടാതെ നടപ്പിലാക്കുന്നതിൽ എളുപ്പമുള്ള ധാരണയും കാര്യക്ഷമതയും ഡാറ്റ വെയർഹൗസ്.
യുടെ സംഭരണ ​​സാഹിത്യത്തിൻ്റെ ഭൂരിഭാഗവും ഡാറ്റ രൂപകല്പനയെ പ്രതിനിധീകരിക്കുന്നതിന് എൻ്റിറ്റി റിലേഷൻഷിപ്പ് മോഡലിംഗ് അല്ലെങ്കിൽ ഡൈമൻഷണൽ മോഡലിംഗ് ഉപയോഗിക്കാൻ ശുപാർശ ചെയ്യുന്നു ഡാറ്റ വെയർഹൗസ്.
ഡ്രോയിംഗിനായുള്ള ഒരു സമീപനത്തിൽ രണ്ട് പ്രതിനിധാനങ്ങളും എങ്ങനെ സംയോജിപ്പിക്കാമെന്ന് ഈ പേപ്പറിൽ ഞങ്ങൾ കാണിക്കുന്നു ഡാറ്റ വെയർഹൗസ്. ഉപയോഗിച്ച സമീപനം വ്യവസ്ഥാപിതമാണ്

ഒരു കേസ് പഠനത്തിൽ പരിശോധിക്കുകയും പ്രാക്ടീഷണർമാരുമായുള്ള നിരവധി പ്രധാന പ്രത്യാഘാതങ്ങളിൽ തിരിച്ചറിയുകയും ചെയ്യുന്നു.

ഡാറ്റ വെയർഹൗസിംഗ്

Un ഡാറ്റ വെയർഹൗസ് ഇത് സാധാരണയായി "വിഷയാധിഷ്ഠിത, സംയോജിത, സമയ-വ്യതിയാനം, മാനേജ്മെൻ്റിൻ്റെ തീരുമാനങ്ങളെ പിന്തുണയ്ക്കുന്ന ഡാറ്റയുടെ അസ്ഥിരമായ ശേഖരണം" (Inmon and Hackathorn, 1994) എന്നാണ് നിർവചിക്കപ്പെടുന്നത്. വിഷയാധിഷ്ഠിതവും സംയോജിതവും സൂചിപ്പിക്കുന്നത് ഡാറ്റ വെയർഹൗസ് ലെഗാസി സിസ്റ്റങ്ങളുടെ പ്രവർത്തനപരമായ അതിരുകൾ മറികടക്കാൻ രൂപകൽപ്പന ചെയ്തിട്ടുള്ളതാണ് ഡാറ്റ.
സമയ-വ്യതിയാനം ചരിത്രപരമോ സമയപരമോ ആയ സ്വഭാവത്തെ ബാധിക്കുന്നു ഡാറ്റ a ഡാറ്റ വെയർഹൗസ്, ഇത് ട്രെൻഡുകൾ വിശകലനം ചെയ്യാൻ പ്രാപ്തമാക്കുന്നു. അസ്ഥിരമല്ലാത്തത് എന്ന് സൂചിപ്പിക്കുന്നു ഡാറ്റ വെയർഹൗസ് a പോലെ തുടർച്ചയായി അപ്ഡേറ്റ് ചെയ്യപ്പെടുന്നില്ല ഡാറ്റാബേസ് OLTP യുടെ. പകരം അത് ഇടയ്ക്കിടെ അപ്ഡേറ്റ് ചെയ്യുന്നു, കൂടെ ഡാറ്റ ആന്തരികവും ബാഹ്യവുമായ ഉറവിടങ്ങളിൽ നിന്ന് വരുന്നു. ദി ഡാറ്റ വെയർഹൗസ് സമഗ്രതയും പ്രവർത്തന പ്രകടനവും പുതുക്കുന്നതിനുപകരം തിരയലിനായി ഇത് പ്രത്യേകം രൂപകൽപ്പന ചെയ്തിട്ടുള്ളതാണ്.
ഐ സംഭരിക്കുന്നതിനുള്ള ആശയം ഡാറ്റ പുതിയതല്ല, മാനേജ്മെൻ്റ് ഉദ്ദേശ്യങ്ങളിൽ ഒന്നായിരുന്നു അത് ഡാറ്റ അറുപതുകൾ മുതൽ (ദി മാർട്ടിൻ, 1982).
I ഡാറ്റ വെയർഹൗസ് അവർ അടിസ്ഥാന സൗകര്യങ്ങൾ വാഗ്ദാനം ചെയ്യുന്നു ഡാറ്റ മാനേജ്മെൻ്റ് സപ്പോർട്ട് സിസ്റ്റങ്ങൾക്കായി. മാനേജ്മെൻ്റ് സപ്പോർട്ട് സിസ്റ്റങ്ങളിൽ ഡിസിഷൻ സപ്പോർട്ട് സിസ്റ്റങ്ങളും (ഡിഎസ്എസ്) എക്സിക്യൂട്ടീവ് ഇൻഫർമേഷൻ സിസ്റ്റങ്ങളും (ഇഐഎസ്) ഉൾപ്പെടുന്നു. മാനുഷിക തീരുമാനമെടുക്കൽ മെച്ചപ്പെടുത്താൻ രൂപകൽപ്പന ചെയ്ത കമ്പ്യൂട്ടർ അധിഷ്ഠിത വിവര സംവിധാനമാണ് ഡിഎസ്എസ്. ഒരു EIS സാധാരണയായി ഒരു ഡെലിവറി സംവിധാനമാണ് ഡാറ്റ ഇത് ബിസിനസ്സ് നേതാക്കന്മാരെ എളുപ്പത്തിൽ കാണുന്നതിന് പ്രാപ്തമാക്കുന്നു ഡാറ്റ.
എ യുടെ പൊതു വാസ്തുവിദ്യ ഡാറ്റ വെയർഹൗസ് യുടെ പങ്ക് എടുത്തുകാണിക്കുന്നു ഡാറ്റ വെയർഹൗസ് മാനേജ്മെൻ്റ് പിന്തുണയിൽ. അതോടൊപ്പം അടിസ്ഥാന സൗകര്യങ്ങളും വാഗ്ദാനം ചെയ്യുന്നു ഡാറ്റ EIS, DSS എന്നിവയ്‌ക്കായി, അൽ ഡാറ്റ വെയർഹൗസ് ചോദ്യങ്ങളിലൂടെ അത് നേരിട്ട് ആക്സസ് ചെയ്യാൻ കഴിയും. ദി ഡാറ്റ എയിൽ ഉൾപ്പെടുത്തിയിട്ടുണ്ട് ഡാറ്റ വെയർഹൗസ് മാനേജുമെൻ്റ് വിവര ആവശ്യകതകളുടെ വിശകലനത്തെ അടിസ്ഥാനമാക്കിയുള്ളവയും മൂന്ന് ഉറവിടങ്ങളിൽ നിന്ന് ലഭിക്കുന്നവയുമാണ്: ആന്തരിക ലെഗസി സിസ്റ്റങ്ങൾ, പ്രത്യേക ഉദ്ദേശ്യ ഡാറ്റ ക്യാപ്‌ചർ സിസ്റ്റങ്ങൾ, ബാഹ്യ ഡാറ്റ ഉറവിടങ്ങൾ. ദി ഡാറ്റ ഇൻ്റേണൽ ലെഗസി സിസ്റ്റങ്ങളിൽ, അവ പലപ്പോഴും അനാവശ്യവും, പൊരുത്തമില്ലാത്തതും, നിലവാരം കുറഞ്ഞതും, വ്യത്യസ്ത ഫോർമാറ്റുകളിൽ സംഭരിച്ചിരിക്കുന്നതുമാണ്, അതിനാൽ അവ ലോഡുചെയ്യുന്നതിന് മുമ്പ് അവ അനുരഞ്ജിപ്പിക്കുകയും വൃത്തിയാക്കുകയും വേണം.

ഡാറ്റ വെയർഹൗസ് (ഇൻമോൺ, 1992; മക്ഫാഡൻ, 1996). ദി ഡാറ്റ സ്റ്റോറേജ് സിസ്റ്റങ്ങളിൽ നിന്ന് വരുന്നു ഡാറ്റ താൽക്കാലികവും ഉറവിടങ്ങളിൽ നിന്നും ഡാറ്റ ബാഹ്യമായവ പലപ്പോഴും വർദ്ധിപ്പിക്കാൻ ഉപയോഗിക്കുന്നു (അപ്ഡേറ്റ് ചെയ്യുക, മാറ്റിസ്ഥാപിക്കുക) i ഡാറ്റ പൈതൃക സംവിധാനങ്ങളിൽ നിന്ന്.

എ വികസിപ്പിക്കുന്നതിന് നിരവധി ശക്തമായ കാരണങ്ങളുണ്ട് ഡാറ്റ വെയർഹൗസ്, കൂടുതൽ വിവരങ്ങളുടെ ഫലപ്രദമായ ഉപയോഗത്തിലൂടെ മെച്ചപ്പെട്ട തീരുമാനമെടുക്കൽ ഉൾപ്പെടുന്നു (ഐവ്സ് 1995), മുഴുവൻ ഡീലുകളിലും ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നതിനുള്ള പിന്തുണ (ഗ്രഹാം 1996), കുറയ്ക്കൽ ഡാറ്റ EIS, DSS എന്നിവയ്ക്കായി (ഗ്രഹാം 1996, മക്ഫാഡൻ 1996).

ഈയിടെ നടത്തിയ ഒരു പരീക്ഷണാത്മക പഠനം കണ്ടെത്തി, ശരാശരി, നിക്ഷേപത്തിൻ്റെ വരുമാനം ഡാറ്റ വെയർഹൗസ് മൂന്ന് വർഷത്തിന് ശേഷം 401% (ഗ്രഹാം, 1996). എന്നിരുന്നാലും, മറ്റ് അനുഭവപഠനങ്ങൾ ഡാറ്റ വെയർഹൗസ് ആനുകൂല്യങ്ങൾ അളക്കുന്നതിലും അസൈൻ ചെയ്യുന്നതിലുമുള്ള ബുദ്ധിമുട്ട്, വ്യക്തമായ ലക്ഷ്യത്തിൻ്റെ അഭാവം, ആനുകൂല്യങ്ങൾ സംഭരിക്കുന്നതിനുള്ള പ്രക്രിയയുടെ ഉദ്ദേശ്യവും സങ്കീർണ്ണതയും കുറച്ചുകാണുന്നത് ഉൾപ്പെടെയുള്ള കാര്യമായ പ്രശ്നങ്ങൾ കണ്ടെത്തി. ഡാറ്റ, പ്രത്യേകിച്ച് ഉറവിടങ്ങളെക്കുറിച്ചും ശുചിത്വത്തെക്കുറിച്ചും ഡാറ്റ. സംഭരിക്കുന്നു ഐ ഡാറ്റ മാനേജ്മെൻ്റ് പ്രശ്നത്തിനുള്ള പരിഹാരമായി കണക്കാക്കാം ഡാറ്റ സംഘടനകൾ തമ്മിൽ. എന്ന കൃത്രിമത്വം ഡാറ്റ ഒരു സാമൂഹിക വിഭവമെന്ന നിലയിൽ ലോകമെമ്പാടുമുള്ള വിവര സംവിധാനങ്ങൾ കൈകാര്യം ചെയ്യുന്നതിലെ പ്രധാന പ്രശ്‌നങ്ങളിൽ ഒന്നായി ഇത് നിലകൊള്ളുന്നു (ബ്രാഞ്ചെയോ et al. 1996, Galliers et al. 1994, Niederman et al. 1990, Pervan 1993).

കൈകാര്യം ചെയ്യുന്നതിനുള്ള ഒരു ജനപ്രിയ സമീപനം ഡാറ്റ എൺപതുകളിൽ അത് ഒരു മാതൃകയുടെ വികാസമായിരുന്നു ഡാറ്റ സാമൂഹിക. മോഡൽ ഡാറ്റ പുതിയ ആപ്ലിക്കേഷൻ സിസ്റ്റങ്ങളുടെ വികസനത്തിന് സ്ഥിരമായ അടിസ്ഥാനം വാഗ്ദാനം ചെയ്യുന്നതിനാണ് സോഷ്യൽ രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത് ഡാറ്റാബേസ് ലെഗസി സിസ്റ്റങ്ങളുടെ പുനർനിർമ്മാണവും സംയോജനവും (ബ്രാഞ്ചെയോ എറ്റ്.

1989, Goodhue et al. 1988:1992, കിമ്മും എവറസ്റ്റും 1994). എന്നിരുന്നാലും, ഈ സമീപനത്തിൽ നിരവധി പ്രശ്‌നങ്ങളുണ്ട്, പ്രത്യേകിച്ചും, ഓരോ ടാസ്‌ക്കിൻ്റെയും സങ്കീർണ്ണതയും ചെലവും, പ്രത്യക്ഷമായ ഫലങ്ങൾ ലഭിക്കുന്നതിന് ആവശ്യമായ ദീർഘകാലവും (Beynon-Davies 1994, Earl 1993, Goodhue et al. 1992, Periasamy 1994, Shanks 1997 ).

Il ഡാറ്റ വെയർഹൗസ് ലെഗസി ഡാറ്റാബേസുകൾ മാറ്റിസ്ഥാപിക്കുന്നതിനുപകരം അവയുമായി സഹകരിക്കുന്ന ഒരു പ്രത്യേക ഡാറ്റാബേസാണിത്. അതിനാൽ മാനേജ്മെൻ്റിനെ നയിക്കാൻ ഇത് നിങ്ങളെ അനുവദിക്കുന്നു ഡാറ്റ പൈതൃക സംവിധാനങ്ങളുടെ ചെലവേറിയ പുനർനിർമ്മാണം ഒഴിവാക്കുക.

ഡാറ്റ ഡിസൈനിലേക്ക് നിലവിലുള്ള സമീപനങ്ങൾ

വെയർഹൗസ്

കെട്ടിപ്പടുക്കുകയും പൂർണ്ണമാക്കുകയും ചെയ്യുന്ന പ്രക്രിയ a ഡാറ്റ വെയർഹൗസ് പരമ്പരാഗത സംവിധാനങ്ങളുടെ വികസന ജീവിതചക്രം എന്നതിലുപരി ഒരു പരിണാമ പ്രക്രിയയായി ഇതിനെ മനസ്സിലാക്കണം (ദേശിയോ, 1995, Shanks, O'Donnell and Arnott 1997a ). ഒരു പ്രോജക്റ്റിൽ നിരവധി പ്രക്രിയകൾ ഉൾപ്പെടുന്നു ഡാറ്റ വെയർഹൗസ് പ്രാരംഭം, ആസൂത്രണം എന്നിവ പോലെ; കമ്പനി മാനേജർമാരോട് ആവശ്യപ്പെട്ട ആവശ്യകതകളിൽ നിന്ന് നേടിയ വിവരങ്ങൾ; ഉറവിടങ്ങൾ, പരിവർത്തനങ്ങൾ, വൃത്തിയാക്കൽ ഡാറ്റ ലെഗസി സിസ്റ്റങ്ങളിൽ നിന്നും മറ്റ് ഉറവിടങ്ങളിൽ നിന്നുമുള്ള സമന്വയവും ഡാറ്റ; വികസനത്തിൽ ഡെലിവറി സംവിധാനങ്ങൾ; യുടെ നിരീക്ഷണം ഡാറ്റ വെയർഹൗസ്; കൂടാതെ a യുടെ പരിണാമ പ്രക്രിയയുടെയും നിർമ്മാണത്തിൻ്റെയും അർത്ഥശൂന്യത ഡാറ്റ വെയർഹൗസ് (Stinchi, O'Donnell and Arnott 1997b). ഈ ജേണലിൽ, എങ്ങനെ വരയ്ക്കാം എന്നതിൽ ഞങ്ങൾ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു ഡാറ്റ ഈ മറ്റ് പ്രക്രിയകളുടെ പശ്ചാത്തലത്തിൽ സംഭരിച്ചിരിക്കുന്നു. വാസ്തുവിദ്യയ്ക്ക് നിർദ്ദേശിക്കപ്പെട്ടിട്ടുള്ള നിരവധി സമീപനങ്ങളുണ്ട് ഡാറ്റ വെയർഹൗസ് സാഹിത്യത്തിൽ (Inmon 1994, Ives 1995, Kimball 1994 McFadden 1996). ഈ രീതികളിൽ ഓരോന്നിനും അവയുടെ ശക്തിയും ബലഹീനതയും വിശകലനം ചെയ്യുന്ന ഒരു ഹ്രസ്വ അവലോകനമുണ്ട്.

ഇൻമോൻ്റെ (1994) സമീപനം വിവരങ്ങളുടെ കലവറ ഡിസൈൻ

ഇൻമോൺ (1994) രൂപകൽപന ചെയ്യുന്നതിനായി നാല് ആവർത്തന ഘട്ടങ്ങൾ നിർദ്ദേശിച്ചു ഡാറ്റ വെയർഹൗസ് (ചിത്രം 2 കാണുക). ഒരു ടെംപ്ലേറ്റ് രൂപകൽപ്പന ചെയ്യുക എന്നതാണ് ആദ്യപടി ഡാറ്റ ഞാൻ എങ്ങനെ മനസ്സിലാക്കാൻ സാമൂഹിക ഡാറ്റ അവയെ വിഭജിച്ച് ഒരു ഓർഗനൈസേഷനിലെ പ്രവർത്തന മേഖലകളിലുടനീളം സംയോജിപ്പിക്കാൻ കഴിയും ഡാറ്റ പ്രദേശങ്ങളിൽ സംഭരിക്കുക. മോഡൽ ഡാറ്റ അത് സംഭരണത്തിനായി നിർമ്മിച്ചതാണ് ഡാറ്റ ഉൾപ്പെടെയുള്ള തീരുമാനങ്ങൾ എടുക്കുന്നതുമായി ബന്ധപ്പെട്ട് ഡാറ്റ ചരിത്രകാരന്മാരും ഉൾപ്പെടുന്നു ഡാറ്റ കുറയ്ക്കുകയും സമാഹരിക്കുകയും ചെയ്തു. രണ്ടാം ഘട്ടം നടപ്പിലാക്കുന്നതിനുള്ള വിഷയ മേഖലകൾ തിരിച്ചറിയുക എന്നതാണ്. ഒരു പ്രത്യേക സ്ഥാപനം നിശ്ചയിക്കുന്ന മുൻഗണനകളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് ഇവ. മൂന്നാമത്തെ ഘട്ടത്തിൽ a വരയ്ക്കുന്നത് ഉൾപ്പെടുന്നു ഡാറ്റാബേസ് വിഷയ മേഖലയ്ക്കായി, ഗ്രാനുലാരിറ്റിയുടെ ഉചിതമായ തലങ്ങൾ ഉൾപ്പെടുത്തുന്നതിന് പ്രത്യേക ശ്രദ്ധ നൽകുക. എൻ്റിറ്റികളും ബന്ധങ്ങളുടെ മാതൃകയും ഉപയോഗിക്കാൻ ഇൻമോൺ ശുപാർശ ചെയ്യുന്നു. നാലാമത്തെ ഘട്ടം ഉറവിട സംവിധാനങ്ങൾ തിരിച്ചറിയുക എന്നതാണ് ഡാറ്റ ക്യാപ്‌ചർ ചെയ്യാനും വൃത്തിയാക്കാനും ഫോർമാറ്റ് ചെയ്യാനും ആവശ്യമായ പരിവർത്തന പ്രക്രിയകൾ വികസിപ്പിക്കുകയും വികസിപ്പിക്കുകയും ചെയ്യുന്നു ഡാറ്റ.

മോഡൽ എന്നതാണ് ഇൻമോൻ്റെ സമീപനത്തിൻ്റെ ശക്തി ഡാറ്റ സാമൂഹികമായ സംയോജനത്തിന് അടിസ്ഥാനം നൽകുന്നു ഡാറ്റ യുടെ ആവർത്തന വികസനത്തിനുള്ള പിന്തുണയുടെ ഓർഗനൈസേഷനിലും ആസൂത്രണത്തിലും ഡാറ്റ വെയർഹൗസ്. അതിൻ്റെ പോരായ്മകൾ മോഡൽ രൂപകൽപ്പന ചെയ്യുന്നതിനുള്ള ബുദ്ധിമുട്ടും ചെലവുമാണ് ഡാറ്റ സാമൂഹികമായത്, രണ്ട് മോഡലുകളിലും ഉപയോഗിക്കുന്ന എൻ്റിറ്റികളുടെയും ബന്ധങ്ങളുടെയും മാതൃകകൾ മനസ്സിലാക്കുന്നതിനുള്ള ബുദ്ധിമുട്ട്, അത് ഡാറ്റ സാമൂഹികവും അതിൻറെയും ഡാറ്റ സബ്ജക്ട് ഏരിയ, അതിൻ്റെ ഔചിത്യം എന്നിവ പ്രകാരം സംഭരിച്ചിരിക്കുന്നു ഡാറ്റ എന്ന ഡ്രോയിംഗിൻ്റെ ഡാറ്റ വെയർഹൗസ് യുടെ സാക്ഷാത്കാരത്തിനായി ഡാറ്റാബേസ് ബന്ധമുള്ളതും എന്നാൽ അതിനുള്ളതല്ല ഡാറ്റാബേസ് മൾട്ടി-ഡൈമൻഷണൽ.

ഐവ്‌സിൻ്റെ (1995) സമീപനം വിവരങ്ങളുടെ കലവറ ഡിസൈൻ

ഐവ്സ് (1995) ഒരു വിവരസംവിധാനം രൂപകല്പന ചെയ്യുന്നതിനുള്ള നാല്-ഘട്ട സമീപനം നിർദ്ദേശിക്കുന്നു, അത് ഒരു രൂപകൽപ്പനയ്ക്ക് ബാധകമാണെന്ന് അദ്ദേഹം വിശ്വസിക്കുന്നു. ഡാറ്റ വെയർഹൗസ് (ചിത്രം 3 കാണുക). ഇൻഫർമേഷൻ സിസ്റ്റങ്ങളുടെ വികസനത്തിന് ഇൻഫർമേഷൻ എഞ്ചിനീയറിംഗിനെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് സമീപനം (മാർട്ടിൻ 1990). ലക്ഷ്യങ്ങൾ, നിർണായക, വിജയ ഘടകങ്ങൾ, പ്രധാന പ്രകടന സൂചകങ്ങൾ എന്നിവ നിർണ്ണയിക്കുക എന്നതാണ് ആദ്യപടി. പ്രധാന ബിസിനസ്സ് പ്രക്രിയകളും ആവശ്യമായ വിവരങ്ങളും നമ്മെ ഒരു മാതൃകയിലേക്ക് നയിക്കാൻ മാതൃകയാക്കുന്നു ഡാറ്റ സാമൂഹിക. രണ്ടാമത്തെ ഘട്ടത്തിൽ നിർവചിക്കുന്ന വാസ്തുവിദ്യ വികസിപ്പിക്കുന്നത് ഉൾപ്പെടുന്നു ഡാറ്റ പ്രദേശങ്ങൾ അനുസരിച്ച് സംഭരിച്ചു, ഡാറ്റാബേസ് di ഡാറ്റ വെയർഹൗസ്, ആവശ്യമായ സാങ്കേതിക ഘടകങ്ങൾ, നടപ്പിലാക്കുന്നതിനും പ്രവർത്തിക്കുന്നതിനും ആവശ്യമായ സംഘടനാ പിന്തുണയുടെ സെറ്റ് ഡാറ്റ വെയർഹൗസ്. മൂന്നാമത്തെ ഘട്ടത്തിൽ ആവശ്യമായ സോഫ്റ്റ്‌വെയർ പാക്കേജുകളും ടൂളുകളും തിരഞ്ഞെടുക്കുന്നത് ഉൾപ്പെടുന്നു. നാലാമത്തെ ഘട്ടം വിശദമായ രൂപകൽപ്പനയും നിർമ്മാണവുമാണ് ഡാറ്റ വെയർഹൗസ്. സൂക്ഷിക്കുന്നതായി ഐവ്സ് കുറിക്കുന്നു ഡാറ്റ ഇത് ഒരു നിയന്ത്രിത ആവർത്തന പ്രക്രിയയാണ്.

വിവര ആവശ്യകതകൾ നിർണ്ണയിക്കുന്നതിനുള്ള പ്രത്യേക സാങ്കേതിക വിദ്യകളുടെ ഉപയോഗം, സംയോജനത്തെ പിന്തുണയ്ക്കുന്നതിനുള്ള ഘടനാപരമായ പ്രക്രിയയുടെ ഉപയോഗം എന്നിവയാണ് ഐവ്സ് സമീപനത്തിൻ്റെ ശക്തി. ഡാറ്റ വെയർഹൗസ്, അനുയോജ്യമായ ഹാർഡ്‌വെയറും സോഫ്‌റ്റ്‌വെയറും തിരഞ്ഞെടുക്കൽ, കൂടാതെ ഒന്നിലധികം പ്രാതിനിധ്യ സാങ്കേതിക വിദ്യകളുടെ ഉപയോഗം ഡാറ്റ വെയർഹൗസ്. അതിൻ്റെ പോരായ്മകൾ സങ്കീർണ്ണതയിൽ അന്തർലീനമാണ്. മറ്റുള്ളവയിൽ പല തലങ്ങളും വികസിപ്പിക്കുന്നതിൽ ബുദ്ധിമുട്ട് ഉൾപ്പെടുന്നു ഡാറ്റാബേസ് ഉള്ളിൽ ഡാറ്റ വെയർഹൗസ് ന്യായമായ സമയങ്ങളിലും ചെലവുകളിലും.

കിംബോളിൻ്റെ (1994) സമീപനം വിവരങ്ങളുടെ കലവറ ഡിസൈൻ

കിംബോൾ (1994) രൂപകല്പന ചെയ്യുന്നതിനായി അഞ്ച് ആവർത്തന ഘട്ടങ്ങൾ നിർദ്ദേശിച്ചു ഡാറ്റ വെയർഹൗസ് (ചിത്രങ്ങൾ 4 കാണുക). അദ്ദേഹത്തിൻ്റെ സമീപനം ഒരു സോളോയുടെ രൂപകൽപ്പനയിൽ പ്രത്യേകം സമർപ്പിച്ചിരിക്കുന്നു ഡാറ്റ വെയർഹൗസ് എൻ്റിറ്റി, റിലേഷൻഷിപ്പ് മോഡലുകൾ എന്നിവയ്ക്ക് മുൻഗണന നൽകുന്ന ഡൈമൻഷണൽ മോഡലുകളുടെ ഉപയോഗത്തെക്കുറിച്ചും. കിംബോൾ ആ ഡൈമൻഷണൽ മോഡലുകൾ വിശകലനം ചെയ്യുന്നു, കാരണം ബിസിനസ്സ് നേതാക്കൾക്ക് ബിസിനസ്സ് മനസിലാക്കാൻ എളുപ്പമാണ്, സങ്കീർണ്ണമായ കൺസൾട്ടേഷനുകൾ കൈകാര്യം ചെയ്യുമ്പോൾ ഇത് കൂടുതൽ കാര്യക്ഷമമാണ്. ഡാറ്റാബേസ് ശാരീരികം കൂടുതൽ കാര്യക്ഷമമാണ് (കിംബോൾ 1994). എ യുടെ വികസനം കിംബോൾ തിരിച്ചറിയുന്നു ഡാറ്റ വെയർഹൗസ് അത് ആവർത്തനമാണ്, അത് ഡാറ്റ വെയർഹൗസ് പൊതുവായ അളവുകളുള്ള പട്ടികകളായി വിഭജിച്ച് പ്രത്യേക പട്ടികകൾ സംയോജിപ്പിക്കാൻ കഴിയും.

പൂർണ്ണമാക്കേണ്ട പ്രത്യേക വിഷയ മേഖല തിരിച്ചറിയുക എന്നതാണ് ആദ്യപടി. രണ്ടാമത്തെയും മൂന്നാമത്തെയും ഘട്ടങ്ങൾ ഡൈമൻഷണൽ മോഡലിംഗുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു. രണ്ടാം ഘട്ടത്തിൽ, നടപടികൾ വിഷയമേഖലയിൽ താൽപ്പര്യമുള്ള കാര്യങ്ങൾ തിരിച്ചറിയുകയും ഒരു വസ്തുത പട്ടികയിലേക്ക് ഗ്രൂപ്പുചെയ്യുകയും ചെയ്യുന്നു. ഉദാഹരണത്തിന്, ഒരു സെയിൽസ് സബ്ജക്ട് ഏരിയയിൽ, പലിശയുടെ അളവുകൾ വിൽക്കുന്ന ഇനങ്ങളുടെ അളവും വിൽപ്പന കറൻസിയായി ഡോളറും ഉൾപ്പെട്ടേക്കാം. മൂന്നാമത്തെ ഘട്ടത്തിൽ വസ്‌തുതകളെ തരംതിരിക്കാൻ കഴിയുന്ന അളവുകൾ തിരിച്ചറിയുന്നത് ഉൾപ്പെടുന്നു. ഒരു വിൽപ്പന വിഷയ മേഖലയിൽ, പ്രസക്തമായ അളവുകളിൽ ഇനം, സ്ഥാനം, സമയ കാലയളവ് എന്നിവ ഉൾപ്പെട്ടേക്കാം. ഫാക്‌ട് ടേബിളിന് ഓരോ ഡയമൻഷൻ ടേബിളുകളുമായും ലിങ്ക് ചെയ്യാനുള്ള ഒരു മൾട്ടി-പാർട്ട് കീ ഉണ്ട്, കൂടാതെ വളരെ വലിയ വസ്തുതകൾ അതിൽ അടങ്ങിയിരിക്കുന്നു. ഇതിനു വിപരീതമായി, ഡൈമൻഷൻ ടേബിളുകളിൽ വസ്‌തുതകൾ ഗ്രൂപ്പ് ചെയ്യാൻ ഉപയോഗിക്കാവുന്ന അളവുകളെയും മറ്റ് ആട്രിബ്യൂട്ടുകളെയും കുറിച്ചുള്ള വിവരണാത്മക വിവരങ്ങൾ അടങ്ങിയിരിക്കുന്നു. അനുബന്ധ നിർദ്ദിഷ്ട വസ്തുതയും അളവും പട്ടിക അതിൻ്റെ ആകൃതി കാരണം ഒരു നക്ഷത്ര സ്കീമ എന്ന് വിളിക്കുന്നു. നാലാമത്തെ ഘട്ടത്തിൽ ഒരു നിർമ്മാണം ഉൾപ്പെടുന്നു ഡാറ്റാബേസ് നക്ഷത്ര പാറ്റേൺ മികച്ചതാക്കാൻ മൾട്ടിഡൈമൻഷണൽ. ഉറവിട സംവിധാനങ്ങൾ തിരിച്ചറിയുക എന്നതാണ് അവസാന ഘട്ടം ഡാറ്റ ക്യാപ്‌ചർ ചെയ്യാനും വൃത്തിയാക്കാനും ഫോർമാറ്റ് ചെയ്യാനും ആവശ്യമായ പരിവർത്തന പ്രക്രിയകൾ വികസിപ്പിക്കുകയും വികസിപ്പിക്കുകയും ചെയ്യുന്നു ഡാറ്റ.

കിംബോളിൻ്റെ സമീപനത്തിൻ്റെ ശക്തികളിൽ പ്രതിനിധീകരിക്കുന്നതിന് ഡൈമൻഷണൽ മോഡലുകളുടെ ഉപയോഗം ഉൾപ്പെടുന്നു ഡാറ്റ സംഭരിച്ചിരിക്കുന്നത് മനസ്സിലാക്കാൻ എളുപ്പമാക്കുകയും കാര്യക്ഷമമായ ഫിസിക്കൽ ഡിസൈനിലേക്ക് നയിക്കുകയും ചെയ്യുന്നു. രണ്ട് സിസ്റ്റങ്ങളും എളുപ്പത്തിൽ ഉപയോഗിക്കുന്ന ഒരു ഡൈമൻഷണൽ മോഡൽ ഡാറ്റാബേസ് റിലേഷണൽ പെർഫെക്റ്റ് അല്ലെങ്കിൽ സിസ്റ്റങ്ങൾ ആകാം ഡാറ്റാബേസ് ബഹുമുഖം. നക്ഷത്ര പാറ്റേണുകൾ ആസൂത്രണം ചെയ്യുന്നതിനോ സംയോജിപ്പിക്കുന്നതിനോ സഹായിക്കുന്ന ചില സാങ്കേതിക വിദ്യകളുടെ അഭാവം അതിൻ്റെ പോരായ്മകളിൽ ഉൾപ്പെടുന്നു. ഡാറ്റ വെയർഹൗസ് അങ്ങേയറ്റത്തെ ഡീനോർമലൈസ്ഡ് ഘടനയിൽ നിന്ന് ഒരു ഡൈമൻഷണൽ മോഡലായി രൂപകൽപന ചെയ്യുന്നതിനുള്ള ബുദ്ധിമുട്ട് a ഡാറ്റ പൈതൃക വ്യവസ്ഥയിൽ.

മക്ഫാഡൻ്റെ (1996) ഡാറ്റയിലേക്കുള്ള സമീപനം വെയർഹൗസ് ഡിസൈൻ

മക്ഫാഡൻ (1996) ഒരു രൂപകല്പന ചെയ്യുന്നതിനുള്ള അഞ്ച്-ഘട്ട സമീപനം നിർദ്ദേശിക്കുന്നു ഡാറ്റ വെയർഹൗസ് (ചിത്രം 5 കാണുക).
അദ്ദേഹത്തിൻ്റെ സമീപനം സാഹിത്യത്തിൽ നിന്നുള്ള ആശയങ്ങളുടെ സമന്വയത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്, മാത്രമല്ല ഒരു ഏകകത്തിൻ്റെ രൂപകൽപ്പനയിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുകയും ചെയ്യുന്നു ഡാറ്റ വെയർഹൗസ്. ആദ്യ ഘട്ടത്തിൽ ആവശ്യകതകളുടെ വിശകലനം ഉൾപ്പെടുന്നു. സാങ്കേതിക സവിശേഷതകൾ നിർദ്ദേശിച്ചിട്ടില്ലെങ്കിലും, മക്ഫാഡൻ്റെ കുറിപ്പുകൾ എൻ്റിറ്റികളെ തിരിച്ചറിയുന്നു ഡാറ്റ സ്‌പെസിഫിക്കേഷനുകളും അവയുടെ ആട്രിബ്യൂട്ടുകളും, ആവശ്യകതകൾ ക്യാപ്‌ചർ ചെയ്യുന്നതിന് വായനക്കാരായ Watson and Frolick (1993) എന്നിവയെ പരാമർശിക്കുന്നു.
രണ്ടാം ഘട്ടത്തിൽ, ഒരു എൻ്റിറ്റി റിലേഷൻസ് മോഡൽ രൂപകല്പന ചെയ്തിരിക്കുന്നു ഡാറ്റ വെയർഹൗസ് തുടർന്ന് വ്യവസായ പ്രമുഖർ സാധൂകരിച്ചു. മൂന്നാം ഘട്ടത്തിൽ ലെഗസി സിസ്റ്റങ്ങളിൽ നിന്നും ബാഹ്യ ഉറവിടങ്ങളിൽ നിന്നും മാപ്പിംഗ് നിർണ്ണയിക്കുന്നത് ഉൾപ്പെടുന്നു ഡാറ്റ വെയർഹൗസ്. നാലാമത്തെ ഘട്ടത്തിൽ വികസനം, വിന്യാസം, സമന്വയം എന്നിവയിലെ പ്രക്രിയകൾ ഉൾപ്പെടുന്നു ഡാറ്റ നെൽ ഡാറ്റ വെയർഹൗസ്. അവസാന ഘട്ടത്തിൽ, ഒരു ഉപയോക്തൃ ഇൻ്റർഫേസിന് പ്രത്യേക ഊന്നൽ നൽകിക്കൊണ്ടാണ് സിസ്റ്റം ഡെലിവറി വികസിപ്പിച്ചിരിക്കുന്നത്. ഡ്രോയിംഗ് പ്രക്രിയ സാധാരണയായി ആവർത്തനമാണെന്ന് മക്ഫാഡൻ കുറിക്കുന്നു.

മക്ഫാഡൻ്റെ സമീപനത്തിൻ്റെ ശക്തി ആവശ്യകതകളും വിഭവങ്ങളുടെ പ്രാധാന്യവും നിർണ്ണയിക്കുന്നതിൽ ബിസിനസ്സ് നേതാക്കളുടെ പങ്കാളിത്തത്തിലേക്ക് വിരൽ ചൂണ്ടുന്നു. ഡാറ്റ, അവരുടെ വൃത്തിയാക്കലും ശേഖരണവും. ഒരു വലിയ പദ്ധതി തകർക്കുന്നതിനുള്ള ഒരു പ്രക്രിയയുടെ അഭാവം അതിൻ്റെ പോരായ്മകളിൽ ഉൾപ്പെടുന്നു ഡാറ്റ വെയർഹൗസ് പല സംയോജിത ഘട്ടങ്ങളിലും, കൂടാതെ

രൂപകല്പനയിൽ ഉപയോഗിച്ചിരിക്കുന്ന എൻ്റിറ്റിയും ബന്ധ മാതൃകകളും മനസ്സിലാക്കാനുള്ള ബുദ്ധിമുട്ട് ഡാറ്റ വെയർഹൗസ്.

നമ്മോട് അടുപ്പമുള്ളവർ മാത്രമല്ല ഞങ്ങളെ തിരഞ്ഞെടുക്കുന്നത്.