မော်ကွန်းတိုက် ဒေတာ ဗဟို : သမိုင်း ED ဆင့်ကဲဖြစ်စဉ်
၁၉၉၀ ပြည့်လွန်နှစ်များတွင် ကော်ပိုရိတ်နည်းပညာ၏ အဓိကအကြောင်းအရာနှစ်ခုမှာ i ဖြစ်သည်။ ဒေတာဂိုဒေါင် နှင့် ERP ။ ဤအားကောင်းသော လမ်းကြောင်းနှစ်ခုသည် လမ်းဆုံလမ်းခွမရှိဘဲ ကော်ပိုရိတ် IT ၏ အစိတ်အပိုင်းများ ဖြစ်ခဲ့သည်မှာ ကြာပြီ။ အဲဒါတွေက ကိစ္စနဲ့ ဆန့်ကျင်ဘက် ဖြစ်နေသလိုပဲ။ ဒါပေမယ့် ဖြစ်စဉ်နှစ်ခုလုံးရဲ့ ကြီးထွားမှုက သူတို့ရဲ့ လမ်းဆုံကို မလွဲမသွေ ဖြစ်ပေါ်စေခဲ့ပါတယ်။ ယနေ့ခေတ် ကုမ္ပဏီများသည် ERP နှင့် ဘာလုပ်ရမည်ဆိုသည့် ပြဿနာနှင့် ရင်ဆိုင်နေရသည်။ ဒေတာဂိုဒေါင်. ဤဆောင်းပါးတွင် ပြဿနာများသည် အဘယ်အရာနှင့် ၎င်းတို့ကို ကုမ္ပဏီများက မည်သို့ကိုင်တွယ်ဖြေရှင်းကြောင်း ရှင်းပြပါမည်။
အစတွင်…
အစတုန်းကတော့ ရှိတယ်။ ဒေတာဂိုဒေါင်. ဒေတာသိုလှောင်ရုံ ငွေပေးငွေယူ စီမံဆောင်ရွက်ရေး အက်ပလီကေးရှင်းစနစ်ကို တန်ပြန်ရန် မွေးဖွားလာခြင်းဖြစ်သည်။ ရှေးဦးကာလ၌ အာဂုံဆောင်၏။ dati ၎င်းသည် ငွေပေးငွေယူ လုပ်ဆောင်ခြင်းဆိုင်ရာ အက်ပ်လီကေးရှင်းများနှင့် ဆန့်ကျင်ဘက်တစ်ခုမျှသာဖြစ်သည်။ ဒါပေမယ့် အခုခေတ်မှာ ဘာတွေကို ပိုပြီး ဆန်းပြားတဲ့ အမြင်တွေရှိလဲ။ ဒေတာဂိုဒေါင်. ယနေ့ကမ္ဘာတွင် ဒေတာဂိုဒေါင် Corporate Information Factory လို့ ခေါ်တဲ့ ဖွဲ့စည်းပုံထဲမှာ ထည့်သွင်းထားပါတယ်။
ကော်ပိုရိတ်အချက်အလက် စက်ရုံ (CIF)
Corporate Information Factory တွင် စံဗိသုကာဆိုင်ရာ အစိတ်အပိုင်းများပါရှိသည်- i ပေါင်းစပ်ထားသည့် ကုဒ်ပေါင်းစပ်ခြင်းနှင့် အသွင်ပြောင်းခြင်းအလွှာ dati ငါနေစဉ် dati ၎င်းတို့သည် အပလီကေးရှင်းပတ်ဝန်းကျင်မှ ပတ်၀န်းကျင်သို့ ပြောင်းရွှေ့ကြသည်။ ဒေတာဂိုဒေါင် ကုမ္ပဏီ၏; a ဒေတာဂိုဒေါင် ဘယ်ကုမ္ပဏီမှ၊ dati အသေးစိတ်နှင့် ပေါင်းစပ်ထားသော သမိုင်းပညာရှင်များ။ ဟိ ဒေတာဂိုဒေါင် စီးပွားရေးလုပ်ငန်းသည် ပတ်ဝန်းကျင်၏ အခြားအစိတ်အပိုင်းအားလုံးကို တည်ဆောက်နိုင်သည့် အခြေခံအုတ်မြစ်ဖြစ်သည်။ ဒေတာဂိုဒေါင်; လည်ပတ်ဒေတာသိုလှောင်မှု (ODS)။ ODS သည် အစိတ်အပိုင်းအချို့ပါရှိသော ပေါင်းစပ်ဖွဲ့စည်းပုံဖြစ်သည်။ ဒေတာဂိုဒေါင် OLTP ပတ်ဝန်းကျင်၏ အခြားရှုထောင့်များ၊ ကွဲပြားသောဌာနများသည် ၎င်းတို့၏ကိုယ်ပိုင်ဗားရှင်းရှိနိုင်သည့်နေရာတွင် data marts ဒေတာဂိုဒေါင်; က ဒေတာဂိုဒေါင် ကုမ္ပဏီတွေးခေါ်သူများသည် ၎င်းတို့၏ 72 နာရီကြာမေးမြန်းချက်များကို အကျိုးသက်ရောက်မှုမရှိစေဘဲ တင်သွင်းနိုင်သည့် စူးစမ်းလေ့လာမှု၊ ဒေတာဂိုဒေါင်; နှင့်အနီးတစ်ဝိုက်မှတ်ဉာဏ်၊ dati အဟောင်းနှင့် dati အစုလိုက်အသေးစိတ်အချက်အလက်များကို စျေးသက်သက်သာသာဖြင့် သိမ်းဆည်းနိုင်ပါသည်။
ERP သည် THE နှင့် မည်သည့်နေရာတွင် ပေါင်းစပ်သနည်း။ ကော်ပိုရိတ်အချက်အလက် စက်ရုံ
ERP သည် နေရာနှစ်ခုတွင် ကော်ပိုရိတ်သတင်းအချက်အလက်စက်ရုံနှင့် ပေါင်းစပ်ထားသည်။ အဓိကအားဖြင့် i ကိုထောက်ပံ့ပေးသောအခြေခံအပလီကေးရှင်းတစ်ခုဖြစ်သည်။ dati လျှောက်လွှာမှ ဒေတာဂိုဒေါင်. ဒီအမှုမှာ ငါ datiငွေပေးငွေယူ လုပ်ငန်းစဉ်တစ်ခု၏ ရလဒ်တစ်ခုအနေဖြင့် ထုတ်လုပ်ထားသော၊ အားလုံးကို ပေါင်းစပ်ပြီး ထည့်သွင်းထားပါသည်။ ဒေတာဂိုဒေါင် ကုမ္ပဏီ၏ ERP နှင့် CIF အကြား ဒုတိယချိတ်ဆက်မှုသည် ODS ဖြစ်သည်။ အမှန်စင်စစ်၊ ပတ်ဝန်းကျင်များစွာတွင် ERP ကို classic ODS အဖြစ်အသုံးပြုသည်။
ERP ကို အခြေခံအပလီကေးရှင်းတစ်ခုအနေဖြင့် အသုံးပြုပါက တူညီသော ERP ကို ODS အဖြစ် CIF တွင်အသုံးပြုနိုင်ပါသည်။ မည်သို့ပင်ဆိုစေကာမူ ERP ကို ကဏ္ဍနှစ်ခုလုံးတွင် အသုံးပြုမည်ဆိုပါက၊ entities နှစ်ခုကြားတွင် ရှင်းလင်းပြတ်သားစွာ ကွဲပြားမှုရှိရပါမည်။ တစ်နည်းဆိုရသော် ERP သည် base application နှင့် ODS ၏ အခန်းကဏ္ဍတွင် ပါဝင်နေသောအခါ၊ ဗိသုကာဆိုင်ရာ entities နှစ်ခုကို ခွဲခြားထားရပါမည်။ ERP ၏ တစ်ခုတည်းသော အကောင်အထည်ဖော်မှုတစ်ခုသည် အခန်းကဏ္ဍနှစ်ခုလုံးကို တစ်ပြိုင်နက် ဖြည့်ဆည်းရန် ကြိုးစားပါက ထိုဖွဲ့စည်းပုံ၏ ဒီဇိုင်းနှင့် အကောင်အထည်ဖော်မှုတွင် မလွဲမသွေ ပြဿနာများ ရှိလာမည်ဖြစ်သည်။
ODS နှင့် အခြေခံ အက်ပ်များကို ခွဲထုတ်ပါ။
ဗိသုကာ အစိတ်အပိုင်းများ ခွဲဝေခြင်းကို ဖြစ်စေသော အကြောင်းအရင်း များစွာရှိပါသည်။ ဗိသုကာတစ်ခု၏ မတူညီသော အစိတ်အပိုင်းများကို ပိုင်းခြားရာတွင် အထင်ရှားဆုံးအချက်မှာ ဗိသုကာလက်ရာတစ်ခုစီ၏ အစိတ်အပိုင်းတစ်ခုစီတွင် ကိုယ်ပိုင်အမြင်ရှိခြင်းပင်ဖြစ်သည်။ အခြေခံ အပလီကေးရှင်းသည် ODS ထက် မတူညီသော ရည်ရွယ်ချက်ကို ဆောင်ရွက်ပေးသည်။ ထပ်နေစမ်းပါ။
ODS ၏ကမ္ဘာပေါ်ရှိ အခြေခံအပလီကေးရှင်းအမြင် သို့မဟုတ် အပြန်အလှန်အားဖြင့် အလုပ်လုပ်ရန် မျှတသောနည်းလမ်းမဟုတ်ပါ။
ထို့ကြောင့် CIF တွင် ERP ၏ ပထမဆုံးပြဿနာမှာ အခြေခံအသုံးအဆောင်များနှင့် ODS အကြား ခြားနားမှုရှိမရှိ စစ်ဆေးရန်ဖြစ်သည်။
ကော်ပိုရေးရှင်းရှိဒေတာမော်ဒယ်များ သတင်းအချက်အလက် စက်ရုံ
CIF ဗိသုကာ၏ မတူညီသော အစိတ်အပိုင်းများကြား စည်းလုံးညီညွတ်မှုရရှိရန်၊ မော်ဒယ်တစ်ခု ရှိရပါမည်။ dati. မော်ဒယ်များ dati ၎င်းတို့သည် အခြေခံလိုင်းအပလီကေးရှင်းများနှင့် ODS ကဲ့သို့သော ဗိသုကာပညာ၏ အစိတ်အပိုင်းအမျိုးမျိုးအကြား ချိတ်ဆက်မှုတစ်ခုအဖြစ် လုပ်ဆောင်သည်။ မော်ဒယ်များ dati ၎င်းတို့သည် CIF ၏ မတူညီသော ဗိသုကာဆိုင်ရာ အစိတ်အပိုင်းများမှ မှန်ကန်သော အဓိပ္ပာယ်ကို ရယူရန် "ဉာဏလမ်းပြမြေပုံ" ဖြစ်လာသည်။
ဒီအယူအဆနဲ့ လက်တွဲပြီး စိတ်ကူးကတော့ အကြီးကြီးနဲ့ တစ်ခုတည်းသော ပုံစံရှိသင့်တယ်။ dati. ပုံသဏ္ဍာန်တစ်ခုရှိရမည်မှာ ထင်ရှားသည်။ dati အစိတ်အပိုင်းတစ်ခုစီအတွက်သာမက မတူညီသောမော်ဒယ်များကို ချိတ်ဆက်ရာတွင် သင့်လျော်သောလမ်းကြောင်းရှိရမည်။ ဗိသုကာ၏ အစိတ်အပိုင်းတစ်ခုစီ - ODS၊ အခြေခံအသုံးအဆောင်များ၊ ဒေတာဂိုဒေါင် ကုမ္ပဏီ ၊ အစရှိသဖြင့် .. – ၎င်း၏ ကိုယ်ပိုင် မော်ဒယ် လိုအပ်ပါသည်။ dati. ဒါကြောင့် ဒီမော်ဒယ်တွေရဲ့ ဘယ်လိုအဓိပ္ပါယ်ဖွင့်ဆိုချက်ရှိရမယ်။ dati အချင်းချင်း အပြန်အလှန် ဆက်သွယ်ကြသည်။
ကျွန်ုပ်ကို ရွှေ့ပါ။ ဒေတာ ဒေတာရှိ ERP ၏ သိုလှောင်ရုံ
ဇာတာရှိရင် ဟိ dati ERP သည် i ကိုထည့်သွင်းသောအခါတွင် အခြေခံအပလီကေးရှင်းတစ်ခုနှင့်/သို့မဟုတ် ODS တစ်ခုဖြစ်သည်။ dati နဲလ် ဒေတာဂိုဒေါင်ဤထည့်သွင်းမှုသည် "အသေးစိတ်ဖော်ပြမှု" ၏ အနိမ့်ဆုံးအဆင့်တွင် ဖြစ်ရမည်။ ရိုးရှင်းစွာ ပြန်ချုပ်ပါ သို့မဟုတ် စုစည်း၍ i dati ERP အခြေခံအပလီကေးရှင်း သို့မဟုတ် ERP ODS မှ ထွက်လာသောကြောင့် ၎င်းတို့သည် မှန်ကန်သောအရာမဟုတ်ပေ။ THE dati အသေးစိတ်အချက်အလက်များမှာ လိုအပ်ပါသည်။ ဒေတာဂိုဒေါင် DSS လုပ်ငန်းစဉ်၏အခြေခံကိုဖွဲ့စည်းရန်။ အဲလို dati ၎င်းတို့ကို data marts နှင့် exploration ဖြင့် နည်းလမ်းများစွာဖြင့် ပြန်လည်ပုံဖော်မည်ဖြစ်သည်။ ဒေတာဂိုဒေါင်.
ရွေ့လျားခြင်း။ dati ERP အခြေခံအပလီကေးရှင်းပတ်ဝန်းကျင်မှ ဒေတာဂိုဒေါင် ကုမ္ပဏီ၏ ကျိုးကြောင်းဆီလျော်စွာ ဖြေလျှော့မှုဖြင့် လုပ်ဆောင်သည်။ ဤရွေ့ပြောင်းမှုသည် ERP တွင် အပ်ဒိတ် သို့မဟုတ် ဖန်တီးမှုအပြီး 24 နာရီအကြာတွင် ဖြစ်ပေါ်သည်။ “ပျင်းရိခြင်း” လှုပ်ရှားမှုရှိခြင်း၏အချက် dati နဲလ် ဒေတာဂိုဒေါင် ကုမ္ပဏီက ခွင့်ပြုတယ်။ dati ERP မှ "အခြေချရန်" လာသည်။ တခါတဈခါ dati အခြေခံအပလီကေးရှင်းတွင် သိမ်းဆည်းထားပြီး၊ ထို့နောက် သင်လုံခြုံစွာရွှေ့နိုင်သည်။ dati လုပ်ငန်းတွင်း ERP ၏ "ပျင်းရိခြင်း" လှုပ်ရှားမှုကြောင့် အောင်မြင်နိုင်သည့် ပန်းတိုင်တစ်ခုဖြစ်သည်။ dati လုပ်ငန်းလည်ပတ်မှု လုပ်ငန်းစဉ်များနှင့် DSS အကြား ရှင်းရှင်းလင်းလင်း ကန့်သတ်ချက်ဖြစ်သည်။ "လျင်မြန်သော" လှုပ်ရှားမှုနှင့်အတူ dati DSS နှင့် လုပ်ငန်းလည်ပတ်မှုကြား မျဉ်းသည် မရေရာသေးပါ။
လှုပ်ရှားမှု dati ERP ၏ ODS မှ ဒေတာဂိုဒေါင် ကုမ္ပဏီ၏ ပုံမှန်အားဖြင့် အပတ်စဉ် သို့မဟုတ် လစဉ် ပုံမှန်လုပ်ဆောင်သည်။ ဤကိစ္စတွင် ရွေ့လျားမှု dati အဟောင်းများကို "သန့်ရှင်း" ရန်လိုအပ်မှုအပေါ်အခြေခံသည်။ dati သမိုင်းပညာရှင်များ။ ပုံမှန်အားဖြင့် ODS တွင် i ပါရှိသည်။ dati အဲဒါတွေထက် အများကြီး ပိုဆန်းတယ်။ dati သမိုင်းပညာရှင်များက တွေ့ရှိခဲ့သည်။ ဒေတာဂိုဒေါင်.
ရွေ့လျားခြင်း။ dati နဲလ် ဒေတာဂိုဒေါင် ၎င်းသည် “လက်ကား” (လက်ကားရောင်းချသည့်ပုံစံဖြင့်) တစ်ခါမှမပြီးလုနီးပါးဖြစ်သည်။ ERP ပတ်ဝန်းကျင်မှ ဇယားတစ်ခုကို ကူးယူပါ။ ဒေတာဂိုဒေါင် အဓိပ္ပာယ်မရှိဘူး။ ပိုမိုလက်တွေ့ကျသောချဉ်းကပ်မှုမှာ ရွေးချယ်ထားသော ယူနစ်များကို ရွှေ့ရန်ဖြစ်သည်။ dati. သာ dati နောက်ဆုံးမွမ်းမံပြီးကတည်းက ပြောင်းလဲသွားပြီ ဒေတာဂိုဒေါင် ပြောင်းရွှေ့သင့်သူများ ဖြစ်ကြပါစေ။ ဒေတာဂိုဒေါင်. ဘယ်ဟာတွေကို သိနိုင်မလဲ။ dati နောက်ဆုံးအပ်ဒိတ်သည် အချိန်တံဆိပ်များကို ကြည့်ရှုရန်ဖြစ်သောကြောင့် ပြောင်းလဲခဲ့သည်။ dati ERP ပတ်ဝန်းကျင်တွင် တွေ့ရှိရသည်။ ဒီဇိုင်နာသည် နောက်ဆုံးမွမ်းမံမှုနောက်ပိုင်း ဖြစ်ပေါ်ခဲ့သည့် ပြောင်းလဲမှုအားလုံးကို ရွေးချယ်သည်။ နောက်နည်းလမ်းတစ်ခုကတော့ ပြောင်းလဲရိုက်ယူခြင်းနည်းပညာကို အသုံးပြုခြင်းဖြစ်ပါတယ်။ dati. ဤနည်းပညာများဖြင့် မှတ်တမ်းများနှင့် ဂျာနယ်တိပ်များကို ခွဲခြမ်းစိတ်ဖြာဆုံးဖြတ်ရန် အလို့ငှာ မည်သည့်အရာများကို ခွဲခြမ်းစိတ်ဖြာမည်နည်း။ dati ERP ပတ် ၀ န်းကျင်မှထိုသို့ရွှေ့ရမည်။ ဒေတာဂိုဒေါင်. အခြား ERP ရင်းမြစ်များအပေါ် နောက်ထပ်သက်ရောက်မှုမရှိဘဲ ERP ဖိုင်များမှ မှတ်တမ်းများနှင့် ဂျာနယ်တိပ်များကို ဖတ်နိုင်သောကြောင့် ဤနည်းပညာများသည် အကောင်းဆုံးဖြစ်သည်။
အခြားသော ရှုပ်ထွေးမှုများ
CIF ရှိ ERP ပြဿနာများထဲမှ တစ်ခုသည် အခြားသော အပလီကေးရှင်းရင်းမြစ်များ သို့မဟုတ် ai တွင် ဖြစ်ပျက်နေပါသည်။ dati ODS မှ ပံ့ပိုးပေးရမှာ ဖြစ်ပါတယ်။ ဒေတာဂိုဒေါင် သို့သော် ၎င်းတို့သည် ERP ပတ်ဝန်းကျင်၏ အစိတ်အပိုင်းမဟုတ်ပါ။ ပြင်ပအရင်းအမြစ်များမှသော့များကိုပေါင်းစပ်ရန်ကြိုးစားခြင်း၊ အထူးသဖြင့် SAP ၏ပိတ်သောသဘောသဘာဝအရ၊ dati ငါနှင့်အတူ dati i ပြောင်းရွှေ့ချိန်တွင် ERP မှလာပါသည်။ dati နဲလ် ဒေတာဂိုဒေါင်စိန်ခေါ်မှုကြီးတစ်ခုပါ။ အတိအကျဖြစ်နိုင်ခြေကဘာလဲ dati အက်ပလီကေးရှင်းများ သို့မဟုတ် ODS ၏ ERP ပတ်ဝန်းကျင်ပြင်ပတွင် ပေါင်းစည်းမည်ဖြစ်သည်။ ဒေတာဂိုဒေါင်? အမှန်တကယ်တော့ အခွင့်အလမ်းတွေက အရမ်းများတယ်။
ရှာပါ။ ဒေတာ ERP မှ သမိုင်းဝင်
နောက်ပြဿနာတစ်ခုက i ပါ။ dati ERP သည် လိုအပ်မှုမှ ဆင်းသက်လာခြင်းဖြစ်သည်။ dati အတွင်းမှ သမိုင်းပညာရှင်များ၊ ဒေတာဂိုဒေါင်. များသောအားဖြင့် ဒေတာဂိုဒေါင် လိုအပ်ချက်များ dati သမိုင်းပညာရှင်များ။ ERP နည်းပညာသည် များသောအားဖြင့် ၎င်းတို့ကို မသိမ်းဆည်းပါ။ dati သမိုင်းကြောင်းအရ အနည်းဆုံး လိုအပ်သည့်အတိုင်းအတာအထိ မဟုတ်ပါ။ ဒေတာဂိုဒေါင်. ပမာဏများပြားလာသောအခါ dati မှတ်တမ်းများသည် ERP ပတ်ဝန်းကျင်တွင် ပေါင်းထည့်လာသည်၊ ထိုပတ်ဝန်းကျင်ကို သန့်စင်ရန် လိုအပ်သည်။ ဥပမာတစ်ခုဆိုပါစို့ ဒေတာဂိုဒေါင် ငါးနှစ်အတွင်း တင်ဆောင်ရပါမည်။ dati ERP သည် ဤအရာများကို အများဆုံး ခြောက်လအထိ သိမ်းဆည်းထားသော်လည်း သမိုင်းကြောင်းအရ သိရသည်။ dati. ကုမ္ပဏီက ကျေနပ်နေသမျှ အရေအတွက်ကို စုဆောင်းပါ။ dati အချိန်ကြာလာသည်နှင့်အမျှ သမိုင်းကြောင်းအရ ERP ကို အရင်းအမြစ်အဖြစ် အသုံးပြုခြင်းသည် ပြဿနာမရှိပါ။ ဒေတာဂိုဒေါင်. ဒါပေမယ့် ဘယ်တော့လဲ။ ဒေတာဂိုဒေါင် အချိန်ကိုပြန်၍ ဘုရားကိုယူရမည်။ dati ERP မှ ယခင်က စုဆောင်းသိမ်းဆည်းမထားသော မှတ်တမ်းများ၊ ထို့နောက် ERP ပတ်၀န်းကျင်သည် ထိရောက်မှုမရှိတော့ပါ။
ERP နှင့် မက်တာဒါတာ
ERP e နှင့် ပတ်သက်၍ နောက်ထပ်ထည့်သွင်းစဉ်းစားရန် ဒေတာဂိုဒေါင် ERP ပတ်ဝန်းကျင်ရှိ ရှိပြီးသား metadata ပေါ်တွင် တစ်ခုဖြစ်သည်။ မက်တာဒေတာသည် ERP ပတ်၀န်းကျင်မှ အဆိုပါသို့ ရွေ့သွားသကဲ့သို့ပင် ဒေတာဂိုဒေါင်မက်တာဒေတာကို ထိုနည်းအတိုင်း ရွှေ့ရပါမည်။ ထို့အပြင်၊ မက်တာဒေတာကို အခြေခံအဆောက်အအုံမှ လိုအပ်သော ဖော်မတ်နှင့် ဖွဲ့စည်းပုံအဖြစ် ပြောင်းလဲရပါမည်။ ဒေတာဂိုဒေါင်. လုပ်ငန်းလည်ပတ်မှုဆိုင်ရာ မက်တာဒေတာနှင့် DSS မက်တာဒေတာကြားတွင် ကြီးမားသော ကွာခြားချက်ရှိပါသည်။ လုပ်ဆောင်ချက်ဆိုင်ရာ မက်တာဒေတာသည် အများအားဖြင့် ဆော့ဖ်ဝဲရေးသားသူနှင့် ဆော့ဖ်ဝဲအတွက်ဖြစ်သည်။
ပရိုဂရမ်မာ။ DSS မက်တာဒေတာသည် အဓိကအားဖြင့် အသုံးပြုသူအတွက်ဖြစ်သည်။ ERP အပလီကေးရှင်းများ သို့မဟုတ် ODS များတွင် ရှိပြီးသား မက်တာဒေတာကို ပြောင်းလဲရန် လိုအပ်ပြီး ဤပြောင်းလဲခြင်းသည် အမြဲတမ်းလွယ်ကူပြီး ရိုးရှင်းသည်မဟုတ်ပါ။
ERP ဒေတာကို ရယူခြင်း။
အကယ်၍ ERP ကို ပေးသွင်းသူအဖြစ် အသုံးပြုသည်။ dati il နှုန်း ဒေတာဂိုဒေါင် i ကို ရွေ့လျားစေသော ခိုင်မာသော interface ရှိရပါမည်။ dati ERP ပတ်ဝန်းကျင်မှ ပတ်ဝန်းကျင်သို့ ဒေတာဂိုဒေါင်. အင်တာဖေ့စ်သည်-
- ▪ အသုံးပြုရလွယ်ကူစေခြင်း။
- ▪ ဝင်ရောက်ခွင့်ပြုပါ။ dati ERP ၏
- ▪ အနက်အဓိပ္ပာယ်ကို ကောက်ပါ။ dati ပြောင်းရွှေ့လျက်ရှိသော၊ ဒေတာဂိုဒေါင်
- ▪ ဝင်ရောက်ကြည့်ရှုသည့်အခါတွင် ဖြစ်ပေါ်လာနိုင်သည့် ERP ၏ ကန့်သတ်ချက်များကို သိရှိပါ။ dati ERP ၏
- ▪ ရည်ညွှန်းသမာဓိ
- ▪ အထက်အောက် ဆက်ဆံရေး
- ▪ သွယ်ဝိုက်သောယုတ္တိရှိသောဆက်ဆံရေး
- ▪ လျှောက်လွှာညီလာခံ
- ▪ အားလုံးသောဖွဲ့စည်းပုံများ dati ERP မှပံ့ပိုးပေးသည်နှင့်ထို့ကြောင့် ...
- ▪ ထိရောက်စွာဝင်ရောက်နိုင်ရမည်။ datiပံ့ပိုးပေးခြင်းဖြင့်၊
- ▪ တိုက်ရိုက်လှုပ်ရှားမှု dati
- ▪ အပြောင်းအလဲကို ရယူခြင်း။ dati
- ▪ အချိန်မီဝင်ရောက်ခွင့်ကို ပံ့ပိုးပေးသည်။ dati
- ▪ ပုံစံကို နားလည်ပါ။ dati, နောက် ... ပြီးတော့… SAP ဖြင့် ထိတွေ့ဆက်ဆံပါ။ အင်တာဖေ့စ်သည် ပြည်တွင်းဖြစ် သို့မဟုတ် စီးပွားဖြစ် အမျိုးအစားနှစ်မျိုးရှိနိုင်သည်။ စီးပွားဖြစ်အင်တာဖေ့စ်အချို့တွင်-
- ▪ SAS
- ▪ Prime Solutions
- ▪ D2k စသည်ဖြင့်... Multiple ERP နည်းပညာများ ERP ပတ်ဝန်းကျင်ကို နည်းပညာတစ်ခုတည်းကဲ့သို့ ဆက်ဆံခြင်းသည် ကြီးမားသောအမှားတစ်ခုဖြစ်သည်။ ERP နည်းပညာများစွာရှိပြီး တစ်ခုချင်းစီတွင် အားသာချက်များရှိသည်။ စျေးကွက်တွင်လူသိများသောစျေးသည်များမှာ-
- ▪ SAP
- ▪ Oracle Financials
- ▪ PeopleSoft
- JD Edwards
- ▪ Baans သည် SAP SAP သည် အကြီးဆုံးနှင့် အပြည့်စုံဆုံး ERP software ဖြစ်သည်။ SAP အက်ပလီကေးရှင်းများသည် နယ်ပယ်များစွာတွင် အမျိုးအစားများစွာ ပါဝင်သည်။ SAP သည်-
- ▪ အလွန်ကြီးမားသည်။
- ▪ အကောင်အထည်ဖော်ရန် အလွန်ခက်ခဲပြီး ဈေးကြီးသည်။
- ▪ အကောင်အထည်ဖော်ရန် လူအများနှင့် အတိုင်ပင်ခံများ လိုအပ်သည်။
- ▪ အကောင်အထည်ဖော်ရန် အထူးပြုသူများ လိုအပ်ပါသည်။
- ▪ အကောင်အထည်ဖော်ရန် အချိန်များစွာ လိုအပ်ပြီး SAP သည် ၎င်း၏ ကျက်မှတ်မှုအတွက် နာမည်ကောင်းရှိသည်။ dati အနီးကပ်၊ SAP ဧရိယာပြင်ပမှ တစ်စုံတစ်ယောက်သည် ၎င်းတို့ကို ဝင်ရောက်ရန် ခက်ခဲစေသည်။ SAP ၏ အားသာချက်မှာ အမြောက်အမြားကို ဖမ်းယူ သိမ်းဆည်းနိုင်ခြင်း ဖြစ်သည်။ dati. SAP သည် ၎င်း၏ လျှောက်လွှာများကို သက်တမ်းတိုးရန် ရည်ရွယ်ကြောင်း မကြာသေးမီက ကြေညာခဲ့သည်။ ဒေတာဂိုဒေါင်. SAP ကို ရောင်းချသူအဖြစ် အသုံးပြုခြင်းအတွက် ကောင်းကျိုး ဆိုးကျိုးများစွာ ရှိပါသည်။ ဒေတာဂိုဒေါင်. အားသာချက်မှာ SAP ကို ထည့်သွင်းထားပြီးဖြစ်ပြီး အတိုင်ပင်ခံအများစုသည် SAP နှင့် ရင်းနှီးပြီးသားဖြစ်သည်။
SAP ၏ပေးသွင်းသူအဖြစ်ရှိခြင်း၏အားနည်းချက်များ ဒေတာဂိုဒေါင် အများအပြားရှိသည်- SAP ၏ကမ္ဘာပေါ်တွင်အတွေ့အကြုံမရှိပါ။ ဒေတာဂိုဒေါင် အကယ်၍ SAP သည် ပေးသွင်းသူဖြစ်သည်။ ဒေတာဂိုဒေါင်"ထုတ်" ရန် လိုအပ်ပါသည်။ dati SAP မှ ဒေတာဂိုဒေါင်. datum SAP ၏ အပိတ်စနစ်၏ မှတ်တမ်းတစ်ခု၊ ၎င်းတွင် SAP မှ i ကိုရရန် လွယ်ကူသည် (???)။ IMS၊ VSAM၊ ADABAS၊ ORACLE၊ DB2 စသည်ဖြင့် SAP ကို အားဖြည့်ပေးသည့် အမွေအနှစ်ပတ်ဝန်းကျင်များစွာ ရှိပါသည်။ SAP သည် "ဤတွင်မတီထွင်ရသေးသော" ချဉ်းကပ်မှုကိုတောင်းဆိုသည်။ SAP သည် ၎င်းကိုအသုံးပြုရန် သို့မဟုတ် ဖန်တီးရန် အခြားရောင်းချသူများနှင့် ပူးပေါင်းလိုခြင်းမရှိပါ။ ဒေတာဂိုဒေါင်. SAP သည် ၎င်း၏ကိုယ်ပိုင်ဆော့ဖ်ဝဲလ်အားလုံးကို ကိုယ်တိုင်ထုတ်လုပ်ရန် တောင်းဆိုထားသည်။
SAP သည် ကြီးမားပြီး အားကောင်းသည့် ကုမ္ပဏီတစ်ခုဖြစ်သော်လည်း ELT၊ OLAP၊ စနစ်စီမံခန့်ခွဲမှုနှင့် ကုဒ်အခြေခံကိုပင် ပြန်လည်ရေးသားရန် ကြိုးစားခြင်း၏အချက်မှာ၊ dbms ရူးသွပ်ရုံပါပဲ။ ပေးသွင်းသူများနှင့် ပူးပေါင်းဆောင်ရွက်မည့်အစား၊ ဒေတာဂိုဒေါင် နှစ်ရှည်လများ SAP သည် ၎င်းတို့ "အကောင်းဆုံးသိသည်" ဟူသော ချဉ်းကပ်မှုကို လိုက်နာခဲ့သည်။ ဤသဘောထားသည် ထိုနယ်ပယ်တွင် SAP ရရှိနိုင်သော အောင်မြင်မှုကို ထိန်းထားနိုင်သည်။ ဒေတာဂိုဒေါင်.
SAP သည် ပြင်ပရောင်းချသူများအား ၎င်းတို့၏ပစ္စည်းများကို ဆောလျင်စွာနှင့် လှပစွာဝင်ရောက်ခွင့်ပေးရန် ငြင်းဆိုထားသည်။ dati. အသုံးပြုခြင်း၏ အလွန်အနှစ်သာရဖြစ်သည်။ ဒေတာဂိုဒေါင် ဝင်ရောက်ရန်လွယ်ကူသည်။ dati. SAP ၏ ဇာတ်လမ်းတစ်ခုလုံးသည် ဝင်ရောက်ရန်ခက်ခဲစေခြင်းအပေါ် အခြေခံထားသည်။ dati.
SAP ၏ကြီးမားသော volumes နှင့်ဆက်ဆံရာတွင်အတွေ့အကြုံမရှိခြင်း။ dati; ၏လယ်ပြင်၌ ဒေတာဂိုဒေါင် volumes တွေရှိတယ်။ dati SAP မှ တခါမှ မမြင်ဖူးသော ဤပမာဏကြီးကို ကိုင်တွယ်ရန် dati မှန်ကန်တဲ့နည်းပညာရှိဖို့ လိုပါတယ်။ SAP သည် နယ်ပယ်ထဲသို့ ဝင်ရောက်ရန် တည်ရှိနေသည့် ဤနည်းပညာဆိုင်ရာ အတားအဆီးကို သတိမပြုမိသည်မှာ ထင်ရှားပါသည်။ ဒေတာဂိုဒေါင်.
SAP ၏ ကော်ပိုရိတ်ယဉ်ကျေးမှု- SAP သည် i ကိုရယူရန်အတွက် လုပ်ငန်းတစ်ခုကို တည်ဆောက်ထားသည်။ dati စနစ်မှ။ ဒါပေမယ့် ဒီလိုလုပ်ဖို့ ကွဲပြားတဲ့ စိတ်ဓာတ်ရှိဖို့ လိုပါတယ်။ အစဉ်အလာအားဖြင့် ပတ်ဝန်းကျင်တစ်ခုသို့ ဒေတာရယူရာတွင် ကောင်းမွန်သောဆော့ဖ်ဝဲကုမ္ပဏီများသည် အခြားတစ်ဖက်သို့ ဒေတာရယူရန် ကောင်းစွာမလုပ်ဆောင်ခဲ့ပေ။ SAP သည် ဤခလုတ်အမျိုးအစားကို ပြုလုပ်ရန် စီမံခန့်ခွဲပါက၊ ၎င်းသည် ပထမဆုံးသော ကုမ္ပဏီဖြစ်လာမည်ဖြစ်သည်။
အတိုချုပ်ပြောရလျှင် ကုမ္ပဏီတစ်ခုသည် SAP ကို ပေးသွင်းသူအဖြစ် ရွေးချယ်သင့်သလားဟု မေးခွန်းထုတ်စရာဖြစ်သည်။ ဒေတာဂိုဒေါင်. တစ်ဖက်တွင် အလွန်ဆိုးရွားသော အန္တရာယ်များရှိပြီး အခြားတစ်ဖက်တွင် ဆုလာဘ်များ အလွန်နည်းပါးပါသည်။ သို့သော် SAP ကို ပေးသွင်းသူအဖြစ် ရွေးချယ်ခြင်းကို ပျက်ပြားစေသော အခြားအကြောင်းရင်းတစ်ခုရှိပါသည်။ ဒေတာဂိုဒေါင်. ဘာလို့လဲဆိုတော့ ကုမ္ပဏီတိုင်းက အတူတူပဲဖြစ်ရမယ်။ ဒေတာဂိုဒေါင် အခြားကုမ္ပဏီအားလုံး၏ ဟိ ဒေတာဂိုဒေါင် ပြိုင်ဆိုင်မှု အားသာချက်၏ နှလုံးသားဖြစ်သည်။ ကုမ္ပဏီတိုင်းက လက်ခံရင် အတူတူပဲ။ ဒေတာဂိုဒေါင် ပြိုင်ဆိုင်မှုအသာစီးရရန် မဖြစ်နိုင်သော်လည်း မဖြစ်နိုင်ပေ။ SAP လို့ ထင်ပုံရပါတယ်။ ဒေတာဂိုဒေါင် ကွတ်ကီးတစ်ခုအဖြစ် ရှုမြင်နိုင်ပြီး ၎င်းသည် "ဒေတာရယူရန်" အပလီကေးရှင်းများတွင် ၎င်းတို့၏စိတ်သဘောထား၏ နောက်ထပ်လက္ခဏာတစ်ရပ်ဖြစ်သည်။
အခြား ERP ရောင်းချသူသည် SAP လောက်သာ လွှမ်းမိုးမှုမရှိပါ။ ၎င်းတို့အတွက် SAP လမ်းကြောင်းအတိုင်းသွားမည့် ကုမ္ပဏီများ ရှိနေမည်မှာ သေချာပါသည်။ ဒေတာဂိုဒေါင် ဒါပေမယ့် ဒါတွေကို ယုံတယ်။ ဒေတာဂိုဒေါင် SAP များသည် ကြီးမားသည်၊ စျေးကြီးပြီး ဖန်တီးရန် အချိန်ကုန်လိမ့်မည်။
ဤပတ်ဝန်းကျင်များတွင် ဘဏ်ပြောပြသူလုပ်ဆောင်ခြင်း၊ လေကြောင်းလိုင်းကြိုတင်မှာယူခြင်းလုပ်ငန်းစဉ်များ၊ အာမခံတိုင်ကြားမှုလုပ်ငန်းစဉ်များ အစရှိသည့် လုပ်ဆောင်ချက်များ ပါဝင်သည်။ ငွေပေးငွေယူစနစ်အား ပိုမိုကောင်းမွန်စွာလုပ်ဆောင်နိုင်လေလေ၊ လုပ်ငန်းလည်ပတ်မှုလုပ်ငန်းစဉ်နှင့် DSS (ဆုံးဖြတ်ချက်ပံ့ပိုးမှုစနစ်) အကြား ပိုင်းခြားရန် လိုအပ်မှုမှာ ပိုမိုထင်ရှားလေဖြစ်သည်။ သို့သော် HR နှင့် ဝန်ထမ်းစနစ်များဖြင့် သင်သည် အရောင်းအ၀ယ်လုပ်ငန်း အများအပြားကို ဘယ်သောအခါမှ မကြုံတွေ့ရပါ။ လူတစ်ဦးအား ငှားရမ်းခြင်း သို့မဟုတ် ကုမ္ပဏီမှ ထွက်ခွာသည့်အခါ ယင်းသည် အရောင်းအဝယ်တစ်ခု၏ မှတ်တမ်းတစ်ခုဖြစ်သည်။ သို့သော် အခြားစနစ်များနှင့် နှိုင်းယှဉ်ပါက HR နှင့် ဝန်ထမ်းစနစ်များတွင် အရောင်းအဝယ်များစွာ မရှိပါ။ ထို့ကြောင့် HR နှင့် ဝန်ထမ်းစနစ်များတွင် DataWarehouse လိုအပ်ကြောင်း လုံးဝရှင်းရှင်းလင်းလင်းမရှိပေ။ နည်းလမ်းများစွာဖြင့် ဤစနစ်များသည် DSS စနစ်များ၏ ပေါင်းစပ်မှုများဖြစ်သည်။
သို့သော် datawarehouse နှင့် PeopleSoft နှင့်ဆက်ဆံရာတွင်ထည့်သွင်းစဉ်းစားရမည့်နောက်ထပ်အချက်တစ်ခုရှိသည်။ စက်ဝိုင်းများစွာတွင်၊ i dati HR နှင့် ကိုယ်ရေးကိုယ်တာအရင်းအမြစ်များသည် ကုမ္ပဏီ၏ အဓိကစီးပွားရေးလုပ်ငန်းအတွက် သာလွန်ဖြစ်သည်။ ကုမ္ပဏီအများစုသည် ထုတ်လုပ်ခြင်း၊ ရောင်းချခြင်း၊ ဝန်ဆောင်မှုပေးခြင်း အစရှိသည်တို့ကို လုပ်ဆောင်ကြသည်။ HR နှင့် ဝန်ထမ်းစနစ်များသည် အများအားဖြင့် ကုမ္ပဏီ၏ အဓိကစီးပွားရေးလုပ်ငန်း (သို့မဟုတ်) ပံ့ပိုးကူညီမှု၏ အလယ်တန်းဖြစ်သည်။ ထို့ကြောင့် ၎င်းသည် ညီမျှပြီး အဆင်မပြေပါ။ ဒေတာဂိုဒေါင် HR နှင့် ကိုယ်ရေးကိုယ်တာ အရင်းအမြစ်များ ပံ့ပိုးမှုအတွက် သီးခြား။
ဤအချက်တွင် PeopleSoft သည် SAP နှင့် အလွန်ကွာခြားသည်။ SAP နှင့်အတူ၊ ၎င်းသည်မဖြစ်မနေရှိရန်လိုအပ်သည်။ ဒေတာဂိုဒေါင်. PeopleSoft ဖြင့်၊ ဤမျှမရှင်းလင်းပါ။ ဒေတာသိုလှောင်ရုံသည် PeopleSoft ဖြင့် ရွေးချယ်နိုင်သည်။
အကောင်းဆုံးလို့ ပြောလို့ရတယ်။ dati PeopleSoft ကတော့ အဲဒါပါပဲ။ ဒေတာဂိုဒေါင် i ကို archive လုပ်ဖို့သုံးနိုင်တယ်။ dati လူ့စွမ်းအားနှင့် ကိုယ်ရေးကိုယ်တာ အရင်းအမြစ်ဟောင်းများနှင့် သက်ဆိုင်သည်။ ကုမ္ပဏီတစ်ခုက ဘာကိုသုံးချင်သလဲ၊ ဒေတာဂိုဒေါင် a
PeopleSoft ပတ်ဝန်းကျင်၏ အားနည်းချက်မှာ ခွဲခြမ်းစိတ်ဖြာမှုကိရိယာများကို အခမဲ့ဝင်ရောက်ခွင့်နှင့် အခမဲ့ဝင်ရောက်ခွင့်ဖြစ်သည်။ dati PeopleSoft မှ သို့သော် ဤအကြောင်းပြချက်များထက်ကျော်လွန်၍ data warehouse ထားရှိရန် ပိုကောင်းသည့်ကိစ္စများ ရှိနိုင်ပါသည်။ dati PeopleSoft
အကျဉ်းချုပ်မှာ
ဆောက်လုပ်ရေးနဲ့ပတ်သက်တဲ့ အယူအဆတွေ အများကြီးရှိတယ်။ ဒေတာဂိုဒေါင် ERP ဆော့ဖ်ဝဲတစ်ခုအတွင်း။
၎င်းတို့ထဲမှ အချို့မှာ-
- ▪ တစ်ခုရှိဖို့ အဓိပ္ပာယ်ရှိတယ်။ ဒေတာဂိုဒေါင် စက်မှုလုပ်ငန်းမှာ ဘယ်သူနဲ့တူလဲ။
- ▪ ERP သည် မည်မျှပြောင်းလွယ်ပြင်လွယ်ရှိသနည်း။ ဒေတာဂိုဒေါင် ဆော့ဗ်ဝဲ?
- ▪ ERP တစ်ခု ဒေတာဂိုဒေါင် ဆော့ဖ်ဝဲသည် အသံအတိုးအကျယ်ကို ကိုင်တွယ်နိုင်သည်။ dati တည်ရှိသော၊ဒေတာဂိုဒေါင် Arena"
- ▪ ERP ရောင်းချသူသည် လွယ်ကူပြီး စျေးမကြီးသော၊ အချိန်ကုန်သော၊ dati? (စျေးသက်သာသော၊ အချိန်မှန်၊ ဒေတာရယူရန်လွယ်ကူသောပေးပို့မှုအပေါ် ERP ရောင်းချသူများ၏ခြေရာခံမှတ်တမ်းကားအဘယ်နည်း။)
- ▪ ERP ရောင်းချသူ၏ DSS ဗိသုကာနှင့် ကော်ပိုရိတ်အချက်အလက် စက်ရုံအကြောင်း နားလည်မှုကား အဘယ်နည်း။
- ▪ ERP ရောင်းချသူများသည် မည်သို့ရယူရမည်ကို နားလည်သည်။ dati ပတ်ဝန်းကျင်အတွင်း၌သာမက ၎င်းတို့ကို မည်သို့တင်ပို့ရမည်ကို နားလည်ပါသလား။
- ▪ ERP ရောင်းချသူသည် ဒေတာသိုလှောင်ခြင်းကိရိယာများအတွက် မည်မျှပွင့်လင်းသနည်း။
မည်သည့်နေရာတွင်ထားရမည်ကို ဆုံးဖြတ်ရာတွင် ဤအချက်အားလုံးကို ထည့်သွင်းစဉ်းစားရပါမည်။ ဒေတာဂိုဒေါင် ငါအိမ်ရှင်ဖြစ်လိမ့်မည်။ dati ERP နှင့်အခြားအရာများ dati. ယေဘုယျအားဖြင့်၊ အခြားလုပ်ရန် ခိုင်လုံသောအကြောင်းပြချက်မရှိပါက၊ အဆောက်အအုံကို အကြံပြုထားသည်။ ဒေတာဂိုဒေါင် ERP ရောင်းချသူပတ်ဝန်းကျင်ပြင်ပ။ ကာပီတိုလို ၁ BI အဖွဲ့အစည်း၏ အဓိကအချက်များ ခြုံငုံသုံးသပ်ချက်-
သတင်းအချက်အလက်သိုလှောင်ရာနေရာများသည် စီးပွားရေးထောက်လှမ်းရေး (BI) ဗိသုကာနှင့်ဆန့်ကျင်ဘက်နည်းလမ်းဖြင့် အလုပ်လုပ်သည်-
ကော်ပိုရိတ်ယဉ်ကျေးမှုနှင့် အိုင်တီသည် BI အဖွဲ့အစည်းများကို တည်ဆောက်ခြင်း၏ အောင်မြင်မှုကို ကန့်သတ်နိုင်သည်။
နည်းပညာသည် BI အဖွဲ့အစည်းများအတွက် ကန့်သတ်ချက်မဟုတ်တော့ပါ။ ဗိသုကာပညာရှင်များနှင့် ပရောဂျက်ရေးဆွဲသူများအတွက် ပြဿနာမှာ နည်းပညာရှိမရှိမဟုတ်ဘဲ ရရှိနိုင်သောနည်းပညာကို ထိထိရောက်ရောက် အကောင်အထည်ဖော်နိုင်မလား။
ကုမ္ပဏီများစွာအတွက် ဒေတာဂိုဒေါင် i ကိုဖြန့်ဝေသော passive deposit ထက် အနည်းငယ်ပိုပါသည်။ dati လိုအပ်သောအသုံးပြုသူများအတွက်။ THE dati အရင်းအမြစ်စနစ်များမှ ထုတ်ယူပြီး ပစ်မှတ်တည်ဆောက်ပုံများအတွင်း ထည့်သွင်းထားသည်။ ဒေတာဂိုဒေါင်။ ငါ dati ၎င်းတို့သည် မည်သည့်ကံဖြင့် သန့်စင်နိုင်သည်။ သို့သော်လည်း အပိုတန်ဖိုးကို ပေါင်းထည့်ခြင်း သို့မဟုတ် စုဆောင်းခြင်း မရှိပါ။ dati ဤလုပ်ငန်းစဉ်ကာလအတွင်း။
အခြေခံအားဖြင့်၊ အကောင်းဆုံးမှာ passive dw သည် i ကိုသာပေးသည်။ dati သန့်ရှင်းပြီး အသုံးပြုသူအသင်းအဖွဲ့များသို့ လည်ပတ်နိုင်သည်။ သတင်းအချက်အလက်ဖန်တီးမှုနှင့် ခွဲခြမ်းစိတ်ဖြာနားလည်မှုသည် သုံးစွဲသူများအပေါ်တွင် လုံးလုံးလျားလျားမူတည်ပါသည်။ DW ရှိမရှိ (ဒေတာသိုလှောင်ရုံ) အောင်မြင်မှုဆိုတာ အစီအစဥ်ရှိမရှိ၊ ထိရောက်စွာ စုဆောင်း၊ ပေါင်းစည်းပြီး သန့်ရှင်းနိုင်မှုအပေါ် ကျွန်ုပ်တို့သည် အောင်မြင်မှုကို အကဲဖြတ်ပါက i dati ကြိုတင်မှန်းဆနိုင်သောအခြေခံဖြင့် ကော်ပိုရိတ်သည် ဟုတ်ပါတယ်၊ DW သည် အောင်မြင်မှုတစ်ခုဖြစ်သည်။ အခြားတစ်ဖက်တွင်၊ ကျွန်ုပ်တို့သည် အဖွဲ့အစည်းတစ်ခုလုံး၏ အချက်အလက်စုဆောင်းမှု၊ စုစည်းမှုနှင့် အသုံးချမှုများကို ကြည့်လျှင် DW သည် မအောင်မြင်ပါ။ DW သည် သတင်းအချက်အလက်တန်ဖိုး အနည်းငယ် သို့မဟုတ် လုံးဝမရှိပါ။ ရလဒ်အနေဖြင့် သုံးစွဲသူများသည် သတင်းအချက်အလက် silos ကို ဖန်တီးရန် အတင်းအကြပ်လုပ်ခိုင်းသည်။ ဤအခန်းသည် လုပ်ငန်း BI (Business Intelligence) ဗိသုကာကို ပြန်လည်သုံးသပ်ရန် ပြည့်စုံသောအမြင်ကို တင်ဆက်ထားသည်။ ကျွန်ုပ်တို့သည် BI ၏ဖော်ပြချက်ဖြင့်စတင်ပြီး ရိုးရှင်းစွာပေးဆောင်ခြင်းမှမဟုတ်ဘဲ သတင်းအချက်အလက်ဒီဇိုင်းနှင့် ဖွံ့ဖြိုးတိုးတက်မှုဆိုင်ရာ ဆွေးနွေးမှုများသို့ ရွှေ့ပါ။ dati အသုံးပြုသူများအတွက်။ ထို့နောက် ဆွေးနွေးချက်များသည် သင်၏ BI ကြိုးပမ်းမှုများ၏ တန်ဖိုးကို တွက်ချက်ခြင်းအပေါ် အာရုံစိုက်သည်။ သင့်အဖွဲ့အစည်း၏ BI ဗိသုကာဆိုင်ရာ လိုအပ်ချက်များကို IBM က မည်သို့ကိုင်တွယ်ဖြေရှင်းသည်ကို သတ်မှတ်ခြင်းဖြင့် ကျွန်ုပ်တို့ နိဂုံးချုပ်ပါသည်။
ဗိသုကာ၏ဖော်ပြချက် BI အဖွဲ့အစည်း
အားကောင်းသော ငွေပေးငွေယူကို ဦးတည်သည့် သတင်းအချက်အလက်စနစ်များသည် ယခုအခါတွင် ကမ္ဘာတစ်ဝှမ်းရှိ ကော်ပိုရေးရှင်းများအတွက် ကစားကွင်းကို ထိထိရောက်ရောက် အဆင့်သတ်မှတ်ပေးသည့် လုပ်ငန်းကြီးတစ်ခုစီတွင် ယနေ့ခေတ်၏ အစီအစဉ်တစ်ခုဖြစ်သည်။
သို့သော် လက်ကျန်ပြိုင်ဆိုင်မှုတွင် ယခုအခါ ကုမ္ပဏီ၏ စွမ်းရည်ကို ပြန်လည်ရှာဖွေတွေ့ရှိပြီး အသုံးပြုနိုင်သည့် ခွဲခြမ်းစိတ်ဖြာမှုဆိုင်ရာ စနစ်များ လိုအပ်ပါသည်။ ဤခွဲခြမ်းစိတ်ဖြာမှုစနစ်များသည် ကြွယ်ဝမှုမှ နားလည်မှုမှ ဆင်းသက်လာသည်။ dati ရရှိနိုင် BI သည် လုပ်ငန်းခွင်ရှိ အချက်အလက်အားလုံးတွင် စွမ်းဆောင်ရည်ကို မြှင့်တင်နိုင်သည်။ လုပ်ငန်းများသည် ဖောက်သည်-ပေးသွင်းသူ ဆက်ဆံရေးကို မြှင့်တင်နိုင်သည်၊ ထုတ်ကုန်နှင့် ဝန်ဆောင်မှု အမြတ်အစွန်းကို မြှင့်တင်နိုင်သည်၊ ပိုမိုကောင်းမွန်သော သဘောတူညီချက်သစ်များ ထုတ်ပေးနိုင်သည်၊ စွန့်စားရမှုကို ထိန်းချုပ်နိုင်သည်၊ နှင့် အခြားသော အမြတ်များစွာထဲမှ ကုန်ကျစရိတ်များကို သိသိသာသာ ဖြတ်တောက်နိုင်သည်။ BI ဖြင့်၊ သင့်ကုမ္ပဏီသည် စျေးကွက်ရည်မှန်းချက်များရှိသည့် အပလီကေးရှင်းများ၏ ကျေးဇူးကြောင့် ဖောက်သည်အချက်အလက်များကို ပြိုင်ဆိုင်မှုဆိုင်ရာပိုင်ဆိုင်မှုတစ်ခုအဖြစ် စတင်အသုံးပြုလာပါသည်။
စီးပွားရေးလုပ်ငန်းကို မှန်ကန်သောနည်းလမ်းရှိခြင်းဟူသည် ကဲ့သို့သော အဓိကမေးခွန်းများအတွက် တိကျသေချာသော အဖြေများရရှိခြင်းဖြစ်သည်-
- ▪ ငါတို့ထဲက ဘယ်ဟာလဲ။ ဖောက်သည်များ သူတို့က ကျွန်တော်တို့ကို ပိုဝင်ငွေဖြစ်စေသလား၊ ဒါမှမဟုတ် သူတို့က ငါတို့ကို ပိုက်ဆံဆုံးရှုံးအောင်လုပ်သလား။
- ▪ ကျွန်ုပ်တို့၏အကောင်းဆုံးနေထိုင်ရာနေရာ ဖောက်သည်များ နှင့်ပတ်သက် ကုန်ဆိုင်/ ဂိုဒေါင် ခဏခဏ လာတက်ကြလား ?
- ▪ ကျွန်ုပ်တို့၏ထုတ်ကုန်နှင့် ဝန်ဆောင်မှုများထဲမှ မည်သည့်အရာကို အထိရောက်ဆုံးရောင်းချနိုင်သနည်း၊
- ▪ မည်သည့်ထုတ်ကုန်များကို အထိရောက်ဆုံးရောင်းချနိုင်သနည်း၊
- ▪ ဘယ်အရောင်းကမ်ပိန်းက ပိုအောင်မြင်သလဲ၊
- ▪ ဘယ်အရောင်းလိုင်းတွေက ဘယ်ထုတ်ကုန်အတွက် အထိရောက်ဆုံးလဲ။
- ▪ ကျွန်ုပ်တို့နှင့် အကောင်းဆုံးဆက်ဆံရေးကို မည်သို့တိုးတက်အောင်လုပ်နိုင်မည်နည်း။ ဖောက်သည်များ? ကုမ္ပဏီ အများစု ရှိသည်။ dati ဒီမေးခွန်းတွေကို ဖြေဖို့ ခက်တယ်။
လည်ပတ်မှုစနစ်များသည် ထုတ်ကုန်များ၊ သုံးစွဲသူများနှင့် ကုန်ကျစရိတ်များစွာကို ထုတ်ပေးပါသည်။ dati အရောင်းရမှတ်များ၊ ကြိုတင်မှာယူမှုများ၊ ဖောက်သည်ဝန်ဆောင်မှုနှင့် နည်းပညာပံ့ပိုးမှုစနစ်များမှ စိန်ခေါ်မှုမှာ ဤအချက်အလက်ကို ထုတ်ယူပြီး အသုံးချရန်ဖြစ်သည်။ ကုမ္ပဏီများစွာသည် ၎င်းတို့၏ သေးငယ်သော အစိတ်အပိုင်းများမှသာ အမြတ်များသည်။ dati မဟာဗျူဟာပိုင်းခြားစိတ်ဖြာမှုများအတွက်။
I dati ကျန်သည် i နှင့် ပေါင်းစပ်လေ့ရှိသည်။ dati အစိုးရအစီရင်ခံစာများနှင့် အခြားဝယ်ယူထားသော အချက်အလက်ကဲ့သို့သော ပြင်ပအရင်းအမြစ်များမှရရှိသည့် ရွှေတွင်းများသည် စူးစမ်းရန် စောင့်ဆိုင်းနေရုံသာဖြစ်သည်။ dati ၎င်းတို့သည် သင့်အဖွဲ့အစည်း၏ အချက်အလက်ဆိုင်ရာ ဆက်စပ်မှုတွင် သန့်စင်ရန် လိုအပ်ပါသည်။
ဤအသိပညာကို အလုံးစုံ ကော်ပိုရိတ်ဗျူဟာကို ဒီဇိုင်းဆွဲခြင်းမှ ပေးသွင်းသူများနှင့် ပုဂ္ဂိုလ်ရေးဆိုင်ရာ ဆက်သွယ်မှုအထိ၊ ခေါ်ဆိုမှုစင်တာများ၊ ငွေတောင်းခံလွှာများမှတဆင့်၊ အင်တာနက်ကို နှင့်အခြားအချက်များ။ ယနေ့ခေတ် စီးပွားရေးပတ်ဝန်းကျင်တွင် DW နှင့် ဆက်စပ် BI ဖြေရှင်းချက်များသည် သမားရိုးကျ လုပ်ငန်းဖွဲ့စည်းပုံများကို လုပ်ဆောင်ခြင်းထက် ဆင့်ကဲပြောင်းလဲလာသည်ဟု သတ်မှတ်သည်။ dati ငါကဲ့သို့သော dati အဏုမြူအဆင့်ကို ပုံမှန်ဖြစ်အောင်လုပ်ပြီး "ကြယ်/တုံး လယ်ယာများ"။
အပြိုင်အဆိုင် ဆက်လက်ရှိနေရန် လိုအပ်သည်မှာ ကျယ်ပြန့်သော ခွဲခြမ်းစိတ်ဖြာမှု အခင်းအကျင်းကို ပံ့ပိုးရန် ကြိုးပမ်းမှုတွင် ရိုးရာနှင့် အဆင့်မြင့်နည်းပညာများ ပေါင်းစပ်မှုဖြစ်သည်။
နောက်ဆုံးတွင်၊ အထွေထွေပတ်ဝန်းကျင်သည် ကုမ္ပဏီတစ်ခုလုံး၏ အသိပညာကို တိုးတက်စေရမည်ဖြစ်ပြီး၊ ခွဲခြမ်းစိတ်ဖြာမှုရလဒ်အဖြစ် ဆောင်ရွက်ခဲ့သော လုပ်ဆောင်ချက်များသည် လူတိုင်းအကျိုးရှိစေရန် အသုံးဝင်ကြောင်း သေချာစေရမည်။
ဥပမာအားဖြင့်၊ သင်သည် သင်၏ကိုယ်ပိုင်အဆင့်ဟု ဆိုကြပါစို့ ဖောက်သည်များ မြင့်မားသော သို့မဟုတ် နိမ့်သောအန္တရာယ်အမျိုးအစားများတွင်။
ဤအချက်အလက်ကို သတ္တုတွင်းပုံစံ သို့မဟုတ် အခြားနည်းလမ်းဖြင့် ထုတ်လုပ်သည်ဖြစ်စေ DW တွင် ထည့်သွင်းပြီး static အစီရင်ခံစာများ၊ စာရင်းဇယားများ၊ ဇယားများ၊ သို့မဟုတ် အွန်လိုင်းခွဲခြမ်းစိတ်ဖြာမှုလုပ်ဆောင်ခြင်း (OLAP) ကဲ့သို့သော မည်သည့် access tool ကိုမဆို အသုံးပြု၍ အသုံးပြုနိုင်သည်။
သို့သော်လည်း လက်ရှိတွင် ဤအချက်အလက် အများစုသည် Silos တွင် ကျန်ရှိနေဆဲဖြစ်သည်။ dati ခွဲခြမ်းစိတ်ဖြာမှုကို ထုတ်ပေးသည့် ပုဂ္ဂိုလ်များ သို့မဟုတ် ဌာနများ။ အဖွဲ့အစည်းတစ်ခုလုံးအနေဖြင့် နားလည်မှုအနည်းငယ် သို့မဟုတ် မမြင်နိုင်ပါ။ ဤအချက်အလက်အမျိုးအစားကို သင့်လုပ်ငန်း DW တွင် ရောနှောခြင်းဖြင့်သာ အချက်အလက် silo များကို ဖယ်ရှားပြီး သင်၏ DW ပတ်ဝန်းကျင်ကို မြှင့်တင်ပေးနိုင်ပါသည်။
BI အဖွဲ့အစည်းတစ်ခု ထူထောင်ရာတွင် အဓိကအခက်အခဲနှစ်ခုရှိသည်။
ပထမအချက်က အဖွဲ့အစည်းကိုယ်တိုင်က စည်းကမ်းပိုင်းနဲ့ ပြဿနာရှိတယ်။
အဖွဲ့အစည်းဆိုင်ရာမူဝါဒအပြောင်းအလဲများကို ကျွန်ုပ်တို့မကူညီနိုင်သော်လည်း အဖွဲ့အစည်းတစ်ခု၏ BI၊ ၎င်း၏ဗိသုကာနှင့် IBM ၏နည်းပညာသည် ၎င်း၏ဖွံ့ဖြိုးတိုးတက်မှုကို လွယ်ကူချောမွေ့စေသည့် အစိတ်အပိုင်းများကို နားလည်ကူညီပေးနိုင်ပါသည်။
ကျော်လွှားရန် ဒုတိယအတားအဆီးမှာ ပေါင်းစပ်နည်းပညာမရှိခြင်းနှင့် BI space တစ်ခုလုံးကို သေးငယ်သော အစိတ်အပိုင်းတစ်ခုနှင့် ဆန့်ကျင်ဘက်ဟု ခေါ်သည့် နည်းလမ်းတစ်ခု၏ အသိပညာဗဟုသုတဖြစ်သည်။
IBM သည် နည်းပညာပေါင်းစပ်မှုတွင် အပြောင်းအလဲများကို တုံ့ပြန်လျက်ရှိသည်။ အသိစိတ်ရှိသော ဒီဇိုင်းကို ပေးဆောင်ရန်မှာ သင်၏တာဝန်ဖြစ်သည်။ ဤဗိသုကာကို အတားအဆီးမဲ့ ပေါင်းစပ်မှုအတွက် ရွေးချယ်ထားသော နည်းပညာဖြင့် သို့မဟုတ် အနည်းဆုံးအားဖြင့် ပွင့်လင်းသော စံနှုန်းများကို လိုက်နာသော နည်းပညာဖြင့် တီထွင်ရပါမည်။ ထို့အပြင်၊ သင်၏ကုမ္ပဏီစီမံခန့်ခွဲမှုသည် Bi လုပ်ငန်းကို အချိန်ဇယားအတိုင်း လုပ်ဆောင်ကြောင်း သေချာစေရမည်ဖြစ်ပြီး၊ ကိုယ်တိုင်လုပ်ဆောင်ရမည့် အစီအစဉ်များ သို့မဟုတ် ပန်းတိုင်များမှ ထွက်ပေါ်လာသော အချက်အလက် silo များ ဖွံ့ဖြိုးတိုးတက်မှုကို ခွင့်ပြုခြင်းမျိုးမဟုတ်ကြောင်း သေချာစေရမည်။
BI ဝန်းကျင်သည် မတူညီသောအသုံးပြုသူများ၏ မတူညီသောလိုအပ်ချက်များနှင့် လိုအပ်ချက်များကို တုံ့ပြန်ရန်အတွက် အထိခိုက်မခံကြောင်း မဆိုလိုပါ။ ယင်းအစား၊ ယင်းတစ်ဉီးချင်းစီ၏ လိုအပ်ချက်များနှင့် လိုအပ်ချက်များကို အကောင်အထည်ဖော်ခြင်းသည် BI အဖွဲ့အစည်းတစ်ခုလုံး၏ အကျိုးအတွက် လုပ်ဆောင်သည်ဟု ဆိုလိုသည်။
BI အဖွဲ့အစည်း၏ ဗိသုကာဆိုင်ရာ ရှင်းလင်းချက်အား ပုံ 9 တွင် စာမျက်နှာ 1.1 တွင် တွေ့ရှိနိုင်ပါသည်။ ဗိသုကာလက်ရာသည် နည်းပညာများနှင့် နည်းပညာများ ရောနှောပေါင်းစပ်မှုကို ပြသထားသည်။
ရိုးရာအမြင်အရ၊ ဗိသုကာလက်ရာတွင် အောက်ပါ ဂိုဒေါင်အစိတ်အပိုင်းများ ပါဝင်ပါသည်။
အနုမြူအလွှာ (Atomic Layer)။
ဤသည်မှာ Dw တစ်ခုလုံး၏ နှလုံးသားနှင့် ဗျူဟာမြောက် အစီရင်ခံခြင်း၏ အခြေခံအုတ်မြစ်ဖြစ်သည်။
I dati ဤနေရာတွင် သိမ်းဆည်းထားသော သမိုင်းဆိုင်ရာ ဂုဏ်သိက္ခာကို ဆက်လက်ထိန်းသိမ်းထားမည် ဖြစ်ကြောင်း ဖော်ပြသည်။ dati သတ္တုတူးဖော်မှုပုံစံများကို အသုံးပြု၍ သန့်စင်ခြင်း၊ ပေါင်းစပ်ခြင်းနှင့် သိမ်းဆည်းခြင်းများ ပါဝင်ပါသည်။
ဒါတွေအကုန်လုံးကို နောက်ဆက်တွဲအနေနဲ့ သုံးပါတယ်။ dati နှင့် ဆက်စပ်အချက်အလက်များသည် ဤဖွဲ့စည်းပုံမှ ဆင်းသက်လာသည်။ ဤသည်မှာ သတ္တုတူးဖော်ခြင်းအတွက် အလွန်ကောင်းမွန်သော အရင်းအမြစ်တစ်ခုဖြစ်သည်။ dati နှင့် ဖွဲ့စည်းတည်ဆောက်ထားသော SQL မေးမြန်းမှုများပါရှိသော အစီရင်ခံစာများအတွက်
လည်ပတ်ကုန်လှောင်ရုံ dati သို့မဟုတ် အစီရင်ခံစာအခြေခံ dati(Operational data store (ODS) သို့မဟုတ် အစီရင်ခံခြင်း။ ဒေတာဘေ့စ.)
ဒါက ဖွဲ့စည်းပုံတစ်ခုပါ။ dati နည်းပညာဆိုင်ရာ အစီရင်ခံခြင်းအတွက် အထူးဒီဇိုင်းထုတ်ထားသည်။
I dati ဤဖွဲ့စည်းပုံများအထက်တွင် သိမ်းဆည်းပြီး အစီရင်ခံတင်ပြခြင်းသည် နောက်ဆုံးတွင် ၎င်းကို ဗျူဟာအချက်ပြခြင်းအတွက် အသုံးပြုနိုင်သည့် အဆင့်သတ်မှတ်ဧရိယာမှတစ်ဆင့် ဂိုဒေါင်သို့ ပြန့်ပွားနိုင်သည်။
သူ့နေရာနဲ့သူ။
အများစုအတွက် ပထမဆုံးမှတ်တိုင် dati ဂိုဒေါင်ပတ်ဝန်းကျင်အတွက် ရည်ရွယ်သည်မှာ အဖွဲ့အစည်းဇုန်ဖြစ်သည်။
ဒီမှာ ငါ dati ပေါင်းစပ်၊ သန့်စင်ပြီး အဖြစ်သို့ ပြောင်းလဲကြသည်။ dati ဂိုဒေါင်ဖွဲ့စည်းပုံအား ပြည့်စေမည့် အမြတ်များ
Date marts။
ဤအစိတ်အပိုင်းသည် ဗိသုကာပညာ၏ ဖွဲ့စည်းပုံကို ကိုယ်စားပြုသည်။ dati OLAP အတွက် အထူးသုံးသည်။ datamarts ၏ရှေ့မှောက်တွင်, if i dati ၎င်းတို့ကို ကြယ်ပုံသဏ္ဍာန်တွင် သိမ်းဆည်းထားသည်။ dati ဆက်စပ်ပတ်ဝန်းကျင်တစ်ခုတွင် ဘက်ပေါင်းစုံမှ သို့မဟုတ် ဖိုင်များအတွင်း dati DB2 OLAP Server ကဲ့သို့သော သီးခြား OLAP နည်းပညာဖြင့် အသုံးပြုသော မူပိုင်ခွင့်သည် သက်ဆိုင်ရာ မဟုတ်ပါ။
တစ်ခုတည်းသော ကန့်သတ်ချက်မှာ ဗိသုကာလက်ရာကို အသုံးပြုရာတွင် အဆင်ပြေချောမွေ့စေခြင်း ဖြစ်သည်။ dati ဘက်ပေါင်းစုံ။
ဗိသုကာလက်ရာများတွင် အရေးပါသော Bi နည်းပညာများနှင့် နည်းစနစ်များ ပါဝင်သည်-
Spatial ခွဲခြမ်းစိတ်ဖြာ
Space သည် လေ့လာသူအတွက် သတင်းအချက်အလက် ပေါက်ကြားမှုဖြစ်ပြီး ပြီးပြည့်စုံသော ဆုံးဖြတ်ချက်အတွက် အရေးကြီးပါသည်။ Space သည် အချို့သော တည်နေရာတွင် နေထိုင်သော လူများအကြောင်း သတင်းအချက်အလက် နှင့် ထိုတည်နေရာသည် အခြားကမ္ဘာနှင့် ဆက်နွှယ်နေသည့် ရုပ်ပိုင်းဆိုင်ရာ အချက်အလက်များကို ကိုယ်စားပြုနိုင်သည်။
ဤခွဲခြမ်းစိတ်ဖြာမှုကို လုပ်ဆောင်ရန်၊ သင်၏အချက်အလက်များကို လတ္တီကျုနှင့် လောင်ဂျီတွဒ် သြဒိနိတ်များနှင့် ချိတ်ဆက်ခြင်းဖြင့် စတင်ရပါမည်။ ၎င်းကို "geocoding" ဟုရည်ညွှန်းပြီး သင့်ဂိုဒေါင်၏ အက်တမ်အဆင့်ရှိ ထုတ်ယူမှု၊ အသွင်ပြောင်းမှုနှင့် ဝန်ထုပ်ဝန်ပိုးလုပ်ငန်းစဉ် (ETL) ၏ တစ်စိတ်တစ်ပိုင်းဖြစ်ရပါမည်။
ဒေတာတူးဖော်ခြင်း။
ထုတ်ယူသည်။ dati ကျွန်ုပ်တို့၏ကုမ္ပဏီများကို အရေအတွက်တိုးရန် ခွင့်ပြုသည်။ ဖောက်သည်များအရောင်းခေတ်ရေစီးကြောင်းကို ခန့်မှန်းရန်နှင့် i နှင့် ဆက်ဆံရေးစီမံခန့်ခွဲမှုကို ဖွင့်ရန် ဖောက်သည်များ (CRM) အခြား BI ပဏာမခြေလှမ်းများအကြား။
ထုတ်ယူသည်။ dati ထို့ကြောင့် ၎င်းကို ဖွဲ့စည်းပုံများနှင့် ပေါင်းစပ်ရမည်ဖြစ်သည်။ dati သိုလှောင်ရုံနှင့် နည်းပညာနှင့် ဆက်စပ်နည်းပညာများကို ထိရောက်ပြီး အကျိုးရှိစွာ အသုံးပြုကြောင်း သေချာစေရန် သိုလှောင်ရုံလုပ်ငန်းစဉ်များက ပံ့ပိုးပေးသည်။
BI ဗိသုကာတွင်ဖော်ပြထားသည့်အတိုင်း၊ အက်တမ်အဆင့် Dwhouse နှင့် datamarts သည် ကောင်းမွန်သောအရင်းအမြစ်တစ်ခုဖြစ်သည်။ dati ထုတ်ယူရန်။ တူညီသောဂုဏ်သတ္တိများသည် ကျယ်ပြန့်သောပရိသတ်အတွက်ရရှိနိုင်ကြောင်းသေချာစေရန်အတွက် ထုတ်ယူမှုရလဒ်များကို လက်ခံသူများလည်းဖြစ်ရပါမည်။
ကိုယ်စားလှယ်များ။
ကုမ္ပဏီ၏လည်ပတ်မှုစနစ်များနှင့် dw ကိုယ်တိုင်ကဲ့သို့သောအချက်များအတွက် ဖောက်သည်အား စစ်ဆေးရန် အမျိုးမျိုးသော "အေးဂျင့်များ" ရှိပါသည်။ ဤအေးဂျင့်များသည် အရောင်းမြှင့်တင်မှုများအပေါ်အခြေခံ၍ အနာဂတ်ထုတ်ကုန်ဝယ်လိုအား၊ တုံ့ပြန်မှုအတွက် စည်းမျဉ်းအခြေခံအင်ဂျင်များကဲ့သို့ အချက်တိုင်းတွင် ခေတ်ရေစီးကြောင်းများကို လေ့လာရန် လေ့ကျင့်ထားသော အဆင့်မြင့်အာရုံကြောကွန်ရက်များဖြစ်ကြသည် Dato အခြေအနေအစုံ၊ သို့မဟုတ် ထိပ်တန်းအမှုဆောင်အရာရှိများထံ ချွင်းချက်အစီရင်ခံတင်ပြသည့် ရိုးရိုးအေးဂျင့်များပင်။ ဤလုပ်ငန်းစဉ်များသည် ယေဘူယျအားဖြင့် အချိန်နှင့်တပြေးညီ ဖြစ်ပေါ်လေ့ရှိပြီး ထို့ကြောင့် လုပ်ငန်းစဉ်များ၏ ရွေ့လျားမှုနှင့်အတူ တင်းတင်းကျပ်ကျပ် တွဲနေရမည်ဖြစ်သည်။ dati. ဤအရာအားလုံး၏ဖွဲ့စည်းပုံများ dati၊ နည်းပညာများနှင့် နည်းစနစ်များသည် သင်၏ BI ၏ အဖွဲ့အစည်းတစ်ခု ဖန်တီးရန် တစ်ညတာ ကုန်ဆုံးမည်မဟုတ်ကြောင်း သေချာစေပါသည်။
ဤလုပ်ဆောင်ချက်ကို အမှတ်သေးသေးလေးအတွက် တိုးမြင့်သောခြေလှမ်းများဖြင့် ဖော်ဆောင်သွားပါမည်။
ခြေလှမ်းတိုင်းသည် အမှီအခိုကင်းသော ပရောဂျက်အားထုတ်မှုဖြစ်ပြီး သင်၏ BI dw သို့မဟုတ် အစပျိုးမှုတွင် ထပ်ခါတလဲလဲအဖြစ် ရည်ညွှန်းသည်။ ထပ်ခါထပ်ခါလုပ်ဆောင်မှုများတွင် နည်းပညာအသစ်များကို အကောင်အထည်ဖော်ခြင်း၊ နည်းစနစ်အသစ်များဖြင့် စတင်ခြင်း၊ မူဘောင်အသစ်များထည့်သွင်းခြင်းတို့ ပါဝင်နိုင်သည်။ dati ဒိန်း၊ dati အပိုဆောင်း သို့မဟုတ် သင့်ပတ်ဝန်းကျင်၏ ခွဲခြမ်းစိတ်ဖြာမှု ချဲ့ထွင်မှုနှင့်အတူ။ ဒီအပိုဒ်ကို အခန်း ၃ မှာ အသေးစိတ် ဆွေးနွေးထားပါတယ်။
သမားရိုးကျ DW မူဘောင်များနှင့် BI ကိရိယာများအပြင်၊ သင် ဒီဇိုင်းရေးဆွဲရန် လိုအပ်သော သင်၏ BI အဖွဲ့အစည်း၏ အခြားသွင်ပြင်များ ရှိသည်၊
ဖောက်သည်ထိတွေ့မှုအမှတ်များ (ဖောက်သည်ထိတွေ့မှု မှတ်) ။
မည်သည့်ခေတ်မီအဖွဲ့အစည်းမဆိုကဲ့သို့ပင် သင့်အတွက် ကောင်းမွန်သောအတွေ့အကြုံကို မည်သို့ရရှိနိုင်ကြောင်း ညွှန်ပြသည့် ဖောက်သည်ထိတွေ့မှုအချက်များစွာရှိသည်။ ဖောက်သည်များ. ကုန်သည်များ၊ ခလုတ်ဘုတ်အော်ပရေတာများ၊ တိုက်ရိုက်မေးလ်၊ မာလ်တီမီဒီယာနှင့် ပုံနှိပ်ကြော်ငြာများကဲ့သို့သော ရိုးရာချန်နယ်များအပြင် အီးမေးလ်နှင့် ဝဘ်ကဲ့သို့သော လက်ရှိချန်နယ်များ၊ dati ထိတွေ့မှုအချို့ရှိသော ထုတ်ကုန်များကို ရယူခြင်း၊ သယ်ယူခြင်း၊ သန့်စင်ခြင်း၊ စီမံဆောင်ရွက်ပြီး အဆောက်အအုံများတွင် လူနေစေရမည်။ dati BI ၏
အခြေစိုက်စခန်းများ dati လုပ်ငန်းလည်ပတ်မှုနှင့် အသုံးပြုသူအသင်းအဖွဲ့များ (လုပ်ငန်းလည်ပတ်မှု
ဒေတာဘေ့စ်များနှင့် သုံးစွဲသူအသိုင်းအဝိုင်းများ)။
ဆက်သွယ်ရန်အချက်များ အဆုံးတွင်လည်းကောင်း ဖောက်သည်များ အခြေခံအုတ်မြစ်များကို တွေ့ရှိရသည်။ dati ကုမ္ပဏီ၏ အပလီကေးရှင်းနှင့် သုံးစွဲသူအသိုင်းအဝိုင်းများ။ THE dati ရှိပြီးသားတွေပါ။ dati ရိုးရာဓလေ့ထုံးတမ်းများကို ပေါင်းစပ်၍ ပေါင်းစည်းရမည်။ dati လိုအပ်သောအချက်အလက်များကိုဖြည့်ဆည်းရန် touchpoints မှစီးဆင်းသည်။
အကဲခတ်။ (သုံးသပ်သူများ)
BI ပတ်ဝန်းကျင်၏ အဓိကအကျိုးခံစားခွင့်မှာ အကဲခတ်သူဖြစ်သည်။ လက်ရှိထုတ်ယူမှုကနေ အကျိုးခံစားခွင့်ရှိသူဖြစ်ပါတယ်။ dati လည်ပတ်မှု၊ မတူညီသော အရင်းအမြစ်များနှင့် ပေါင်းစပ်ထားသည်။ dati ပထဝီဝင်ဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှု (geocoding) ကဲ့သို့သော အင်္ဂါရပ်များဖြင့် ချဲ့ထွင်ကာ သတ္တုတူးဖော်ခြင်း၊ OLAP၊ အဆင့်မြင့် SQL အစီရင်ခံခြင်းနှင့် ပထဝီဝင်ဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုကို ခွင့်ပြုသည့် BI နည်းပညာများတွင် တင်ပြထားသည်။ အစီရင်ခံပတ်ဝန်းကျင်အတွက် ခွဲခြမ်းစိတ်ဖြာသူအတွက် အဓိက interface သည် BI portal ဖြစ်သည်။
သို့သော်၊ လေ့လာသူသည် BI ဗိသုကာလက်ရာမှအကျိုးအမြတ်ရရှိရန်တစ်ဦးတည်းမဟုတ်ပါ။
အမှုဆောင်အရာရှိများ၊ ကြီးမားသောအသုံးပြုသူအသင်းအဖွဲ့များ၊ အဖွဲ့ဝင်များ၊ ပေးသွင်းသူများနှင့်ပင် ဖောက်သည်များ လုပ်ငန်း BI တွင် အကျိုးကျေးဇူးများ ရှာဖွေသင့်သည်။
Back feed loop။
BI ဗိသုကာပညာသည် သင်ယူမှုပတ်ဝန်းကျင်တစ်ခုဖြစ်သည်။ ဖွံ့ဖြိုးတိုးတက်မှု၏ဝိသေသနိယာမတစ်ခုသည်မြဲမြံသောဖွဲ့စည်းပုံများကိုခွင့်ပြုရန်ဖြစ်သည်။ dati အသုံးပြုသည့် BI နည်းပညာဖြင့် အပ်ဒိတ်လုပ်ရန်နှင့် အသုံးပြုသူ၏ လုပ်ဆောင်ချက်များဖြင့် အပ်ဒိတ်လုပ်ရန်။ ဥပမာတစ်ခုသည် ဖောက်သည် အမှတ်ပေးခြင်းဖြစ်သည်။
အရောင်းဌာနသည် ဝန်ဆောင်မှုအသစ်ကို အသုံးပြုခြင်းကဲ့သို့သော ဖောက်သည်ရမှတ်များ၏ တူးဖော်မှုပုံစံကို လုပ်ဆောင်ပါက၊ အရောင်းဌာနသည် ဝန်ဆောင်မှုမှ အကျိုးကျေးဇူးရရှိသည့် တစ်ခုတည်းသောအုပ်စု မဖြစ်သင့်ပါ။
ယင်းအစား၊ လုပ်ငန်းအတွင်း ဒေတာစီးဆင်းမှု၏ သဘာဝအစိတ်အပိုင်းတစ်ခုအနေဖြင့် မော်ဒယ်တူးဖော်ခြင်းကို လုပ်ဆောင်သင့်ပြီး သုံးစွဲသူများ၏ ရမှတ်များသည် အသုံးပြုသူအားလုံးမြင်နိုင်သည့် ဂိုဒေါင်အချက်အလက်ဆိုင်ရာ ဆက်စပ်အစိတ်အပိုင်းတစ်ခုဖြစ်လာမည်ဖြစ်သည်။ DB2 UDB၊ DB2 OLAP ဆာဗာ အပါအဝင် Bi-bI-ဗဟိုပြု IBM Suite တွင် ပုံ 1.1 တွင် သတ်မှတ်ထားသော အရေးကြီးသော နည်းပညာအစိတ်အပိုင်းများ ပါဝင်သည်။
ကျွန်ုပ်တို့သည် ကျွန်ုပ်တို့အား ဆက်နွှယ်မှုအဆင့်တစ်ခုပေးကာ IBM ၏ထုတ်ကုန်တစ်ခုစီ၏ BI အစီအစဉ်တွင် မည်ကဲ့သို့ကိုက်ညီပုံကို သရုပ်ပြရန် ဤစာအုပ်မှ ဤပုံတွင်ပေါ်လာသည့်အတိုင်း ကျွန်ုပ်တို့သည် ဗိသုကာပညာကို အသုံးပြုပါသည်။
သတင်းအချက်အလက် ပေးဆောင်ခြင်း (Providing အချက်အလက် အကြောင်းအရာ)
သင်၏ BI ပတ်ဝန်းကျင်ကို ဒီဇိုင်းဆွဲခြင်း၊ တီထွင်ခြင်းနှင့် အကောင်အထည်ဖော်ခြင်းသည် တုန်လှုပ်ချောက်ချားစရာအလုပ်တစ်ခုဖြစ်သည်။ ဒီဇိုင်းသည် လက်ရှိနှင့် အနာဂတ် လုပ်ငန်းလိုအပ်ချက်များကို လိုက်လျောညီထွေဖြစ်စေရန် လိုအပ်သည်။ ဒီဇိုင်းအဆင့်အတွင်း တွေ့ရှိသော ကောက်ချက်အားလုံးကို ထည့်သွင်းရန် ဗိသုကာပုံဆွဲခြင်းတွင် ကျယ်ကျယ်ပြန့်ပြန့် ဖြစ်ရပါမည်။ အကောင်အထည်ဖော်မှုသည် တစ်ခုတည်းသောရည်ရွယ်ချက်အတွက် ကတိကဝတ်ရှိနေရပါမည်- BI ဗိသုကာလက်ရာကို ဒီဇိုင်းတွင်တရားဝင်တင်ပြထားသကဲ့သို့ လုပ်ငန်းလိုအပ်ချက်များတွင် အခြေခံထားသည်။
စည်းကမ်းသည် နှိုင်းရအောင်မြင်မည်ဟု စောဒကတက်ရန် အထူးခက်ခဲသည်။
BI ဝန်းကျင်ကို တစ်ကြိမ်တည်း မဖွံ့ဖြိုးသေးသော်လည်း အချိန်ကြာလာသည်နှင့်အမျှ အဆင့်ငယ်များဖြင့် ရိုးရှင်းသောကြောင့် ၎င်းသည် ရိုးရှင်းပါသည်။
သို့သော်၊ သင်၏ဗိသုကာ၏ BI အစိတ်အပိုင်းများကို ခွဲခြားသတ်မှတ်ခြင်းသည် အကြောင်းရင်းနှစ်ခုအတွက် အရေးကြီးသည်- သင်သည် နောက်ဆက်တွဲနည်းပညာပိုင်းဆိုင်ရာ ဗိသုကာဆိုင်ရာ ဆုံးဖြတ်ချက်များအားလုံးကို မောင်းနှင်မည်ဖြစ်သည်။
သင်သည် လပေါင်းများစွာ နည်းပညာလိုအပ်သော ထပ်ခါတလဲလဲ မရရှိနိုင်သော်လည်း နည်းပညာအသုံးပြုမှုတစ်ခုအား သင်သတိရှိရှိစီစဉ်နိုင်မည်ဖြစ်သည်။
သင့်လုပ်ငန်းလိုအပ်ချက်များကို လုံလုံလောက်လောက်နားလည်ခြင်းသည် သင့်ဗိသုကာပညာအတွက် သင်ရရှိသော ထုတ်ကုန်အမျိုးအစားကို လွှမ်းမိုးနိုင်မည်ဖြစ်သည်။
သင့်ဗိသုကာလက်ရာ၏ ဒီဇိုင်းနှင့် ဖွံ့ဖြိုးတိုးတက်မှုသည် သင့်ဂိုဒေါင်ဖြစ်ကြောင်း သေချာစေသည်။
ကျပန်းဖြစ်ရပ်မဟုတ်သော်လည်း ကောင်းစွာစဉ်းစားပြီး ဂရုတစိုက်ဖန်တီးထားသော ကြော်ငြာတစ်ခုဖြစ်သည်။ တေးသံစုံကဇါတ် ရောစပ်နည်းပညာ၏ mosaic အဖြစ်အနုပညာ။
ဒီဇိုင်းအချက်အလက်အကြောင်းအရာ
ကနဦးဒီဇိုင်းအားလုံးသည် ယခုနှင့် အနာဂတ်တွင် ပတ်ဝန်းကျင်တစ်ခုလုံးအတွက် လိုအပ်မည့် အဓိက BI အစိတ်အပိုင်းများကို အာရုံစိုက်ပြီး ခွဲခြားသတ်မှတ်ရမည်ဖြစ်သည်။
လုပ်ငန်းလိုအပ်ချက်များကို သိရှိရန် အရေးကြီးပါသည်။
တရားဝင်စီမံကိန်းမစတင်မီတွင်ပင် ပရောဂျက်စီစဉ်သူသည် အစိတ်အပိုင်းတစ်ခု သို့မဟုတ် နှစ်ခုကို ချက်ချင်းဖော်ထုတ်နိုင်သည်။
သို့သော် သင့်ဗိသုကာလက်ရာအတွက် လိုအပ်နိုင်သည့် အစိတ်အပိုင်းများ၏ ချိန်ခွင်လျှာကို အလွယ်တကူ ရှာမတွေ့ပါ။ ဒီဇိုင်းအဆင့်အတွင်း၊ ဗိသုကာလက်ရာ၏ အဓိကအစိတ်အပိုင်းသည် လုပ်ငန်းလိုအပ်ချက်များကိုသိရှိနိုင်စေရန် သုတေသနတစ်ခုတွင် အပလီကေးရှင်းဖွံ့ဖြိုးတိုးတက်ရေးအပိုင်း (JAD) ကို ပေါင်းစပ်ထားသည်။
တစ်ခါတစ်ရံတွင် ဤလိုအပ်ချက်များကို မေးမြန်းခြင်းနှင့် အစီရင်ခံခြင်းကိရိယာများတွင် အပ်နှင်းနိုင်ပါသည်။
ဥပမာအားဖြင့်၊ အသုံးပြုသူများသည် လက်ရှိအစီရင်ခံစာကို အလိုအလျောက်လုပ်ဆောင်လိုပါက လက်ရှိအစီရင်ခံစာနှစ်ခုကို ပေါင်းစပ်ကာ ပေါင်းစပ်မှုမှရရှိသည့် တွက်ချက်မှုများကို ပေါင်းထည့်ခြင်းဖြင့် ၎င်းတို့ကိုယ်တိုင် ထုတ်လုပ်ရမည်ဟု ပြောဆိုကြသည်။ dati.
ဤလိုအပ်ချက်သည် ရိုးရှင်းသော်လည်း၊ ၎င်းသည် သင့်အဖွဲ့အစည်းအတွက် အစီရင်ခံခြင်းကိရိယာများကို ဝယ်ယူသည့်အခါတွင် သင်ထည့်သွင်းရမည့် လုပ်ဆောင်ချက်အချို့ကို သတ်မှတ်ပေးပါသည်။
ဒီဇိုင်နာသည် ပြီးပြည့်စုံသော ရုပ်ပုံတစ်ပုံရရှိရန် နောက်ထပ်လိုအပ်ချက်များကိုလည်း လိုက်လျှောက်ရပါမည်။ အသုံးပြုသူများသည် ဤအစီရင်ခံစာကို စာရင်းသွင်းလိုပါသလား။
အစီရင်ခံစာအခွဲများကို ထုတ်လုပ်ပြီး အမျိုးမျိုးသော အသုံးပြုသူများထံ အီးမေးလ်ပို့ပါသလား။ ကုမ္ပဏီပေါ်တယ်တွင် ဤအစီရင်ခံစာကို မြင်လိုပါသလား။ ဤလိုအပ်ချက်များအားလုံးသည် သုံးစွဲသူများ၏ လိုအပ်ချက်အရ လက်စွဲအစီရင်ခံစာကို အစားထိုးရန် ရိုးရှင်းသောလိုအပ်ချက်၏ တစ်စိတ်တစ်ပိုင်းဖြစ်သည်။ ဤလိုအပ်ချက်အမျိုးအစားများ၏ အကျိုးကျေးဇူးမှာ လူတိုင်း၊ အသုံးပြုသူများနှင့် ဒီဇိုင်နာများသည် အစီရင်ခံစာများ၏ သဘောတရားနှင့် အကျွမ်းတဝင်ရှိသောကြောင့်ဖြစ်သည်။
သို့သော်လည်း ကျွန်ုပ်တို့သည် အစီအစဉ်ဆွဲရန် လိုအပ်သော အခြားသော လုပ်ငန်းအမျိုးအစားများ ရှိပါသည်။ လုပ်ငန်းလိုအပ်ချက်များကို ဗျူဟာမြောက်စီးပွားရေးမေးခွန်းပုံစံဖြင့် ဖော်ပြသောအခါ၊ အတွေ့အကြုံရှိ အစီအစဉ်ရေးဆွဲသူသည် အတိုင်းအတာနှင့် တိုင်းတာမှု/အချက်အလက်လိုအပ်ချက်များကို ပိုင်းခြားရန် လွယ်ကူသည်။
JAD အသုံးပြုသူများသည် လုပ်ငန်းပြဿနာတစ်ခုအသွင်ဖြင့် ၎င်းတို့၏လိုအပ်ချက်များကို မည်သို့ဖော်ပြရမည်ကို မသိပါက၊ ဒီဇိုင်နာသည် လိုအပ်ချက်များစုစည်းမှုအပိုင်းကို ကျော်သွားရန်အတွက် မကြာခဏ ဥပမာပေးလိမ့်မည်။
ကျွမ်းကျင်သော အစီအစဥ်ရေးဆွဲသူသည် သုံးစွဲသူများအား မဟာဗျူဟာမြောက် စီးပွားရေးလုပ်ငန်းသာမကဘဲ ၎င်းကို မည်သို့ပုံဖော်ရမည်ကို နားလည်ရန် ကူညီပေးနိုင်ပါသည်။
လိုအပ်ချက်များစုဆောင်းခြင်းချဉ်းကပ်နည်းကို အခန်း ၃ တွင် ဆွေးနွေးထားသည်။ ယခုအချိန်တွင် ကျွန်ုပ်တို့သည် BI လိုအပ်ချက်အမျိုးမျိုးအတွက် ဒီဇိုင်းထုတ်ရန်လိုအပ်ကြောင်းကို ထောက်ပြလိုပါသည်။
မဟာဗျူဟာမြောက် စီးပွားရေးပြဿနာသည် လုပ်ငန်းလိုအပ်ချက်တစ်ခုသာမက ဒီဇိုင်းလမ်းညွှန်တစ်ခုလည်းဖြစ်သည်။ အကယ်၍ သင်သည် ဘက်ပေါင်းစုံမှ မေးခွန်းတစ်ခုကို ဖြေရမည်ဆိုလျှင် သင်အလွတ်ကျက်ပြီး တင်ပြရမည်ဖြစ်သည်။ dati dimensional နဲ့ ဆိုရင်တော့ အလွတ်ကျက်ဖို့ လိုပါတယ်။ dati Multidimensional၊ သင်သည် မည်သည့်နည်းပညာအမျိုးအစား သို့မဟုတ် နည်းပညာကို အသုံးပြုမည်ကို ဆုံးဖြတ်ရန် လိုအပ်သည်။
သီးသန့် cube star schema ကို သင်အကောင်အထည်ဖော်သလား၊ ဒါမှမဟုတ် နှစ်ခုလုံးအတွက်လား။ သင်တွေ့မြင်ရသည့်အတိုင်း ရိုးရှင်းသောစီးပွားရေးပြဿနာတစ်ခုသည် ဒီဇိုင်းကို များစွာလွှမ်းမိုးနိုင်သည်။ သို့သော် ဤလုပ်ငန်းလိုအပ်ချက်များသည် သာမန်ဖြစ်ရိုးဖြစ်စဉ်ဖြစ်ပြီး အနည်းဆုံး၊ အတွေ့အကြုံရှိ ပရောဂျက်စီစဉ်သူများနှင့် ဒီဇိုင်နာများမှ အနည်းဆုံးဖြစ်သည်။
OLAP နည်းပညာများနှင့် ပံ့ပိုးမှုများအကြောင်း လုံလောက်သော ငြင်းခုံမှုများရှိခဲ့ပြီး ဖြေရှင်းချက်များစွာကို ရရှိနိုင်ပါသည်။ အတိုင်းအတာစီးပွားရေးလိုအပ်ချက်များနှင့်အတူ ရိုးရှင်းသောအစီရင်ခံခြင်းကို ပေါင်းစပ်လုပ်ဆောင်ရန် လိုအပ်ကြောင်းနှင့် အဆိုပါလိုအပ်ချက်များသည် နည်းပညာဆိုင်ရာဗိသုကာဆုံးဖြတ်ချက်များအပေါ် မည်ကဲ့သို့လွှမ်းမိုးမှုရှိသည်ကို ယခုအချိန်အထိ ကျွန်ုပ်တို့သိရှိထားပြီးဖြစ်သည်။
သို့သော် အသုံးပြုသူများ သို့မဟုတ် Dw အဖွဲ့မှ အလွယ်တကူ နားမလည်နိုင်သော လိုအပ်ချက်များမှာ အဘယ်နည်း။ spatial ခွဲခြမ်းစိတ်ဖြာမှု (analysisi spatial) ကိုသင်လိုအပ်ပါသလား။
သတ္တုတူးဖော်ရေးမော်ဒယ်များ dati ၎င်းတို့သည် သင့်အနာဂတ်အတွက် မရှိမဖြစ်လိုအပ်သော အစိတ်အပိုင်းတစ်ခု ဖြစ်လာမည်လား။ ဘယ်သူသိနိုင်မလဲ?
ဤနည်းပညာအမျိုးအစားများကို ယေဘူယျအသုံးပြုသူအသိုင်းအဝိုင်းများနှင့် DW အဖွဲ့၀င်များက ကောင်းစွာမသိရှိကြောင်း မှတ်သားထားရန်မှာ အရေးကြီးသည်မှာ ၎င်းတို့သည် ပုံမှန်အားဖြင့် အတွင်းပိုင်း သို့မဟုတ် ပြင်ပအဖွဲ့အစည်း နည်းပညာကျွမ်းကျင်သူအချို့က ကိုင်တွယ်သောကြောင့် ဖြစ်နိုင်သည်။ ဤနည်းပညာအမျိုးအစားများသည် ဖြစ်ပေါ်လာသည့် ပြဿနာများ၏ အဆုံးစွန်သော ကိစ္စရပ်ဖြစ်သည်။ အသုံးပြုသူများသည် လုပ်ငန်းလိုအပ်ချက်များကို ဖော်ပြခြင်း သို့မဟုတ် ဒီဇိုင်နာများအတွက် လမ်းညွှန်မှုပေးရန် ၎င်းတို့အား ပုံဘောင်သွင်းပါက၊ ၎င်းတို့သည် သတိမပြုမိဘဲ သို့မဟုတ် ပိုဆိုးသည်မှာ ရိုးရိုးရှင်းရှင်းပင် လျစ်လျူရှုသွားနိုင်သည်။
ဒီဇိုင်နာနှင့် ဆော့ဖ်ဝဲရေးသားသူသည် ဤအဆင့်မြင့်သော်လည်း အရေးကြီးသောနည်းပညာများထဲမှ တစ်ခု၏အသုံးချမှုကို အသိအမှတ်မပြုနိုင်သည့်အခါ ပြဿနာဖြစ်လာသည်။
ဒီဇိုင်နာများ မကြာခဏ ကြားဖူးသည့် အတိုင်း “ကောင်းပြီ၊ တခြားအရာတွေ မရမချင်း အဲဒါကို ဘာလို့ မဖယ်ထားတာလဲ။ “သူတို့က ဦးစားပေးတွေကို တကယ်စိတ်ဝင်စားသလား၊ ဒါမှမဟုတ် သူတို့နားမလည်တဲ့ လိုအပ်ချက်တွေကို ရှောင်နေတာလား။ ၎င်းသည် နောက်ဆုံးယူဆချက် ဖြစ်နိုင်ခြေအရှိဆုံးဖြစ်သည်။ ပုံ 1.3 တွင်ဖော်ပြထားသည့်အတိုင်း သင့်အရောင်းအဖွဲ့သည် လုပ်ငန်းလိုအပ်ချက်တစ်ခုအား ဆက်သွယ်ထားသည်ဟုဆိုကြပါစို့၊ သင်တွေ့မြင်ရသည့်အတိုင်း လိုအပ်ချက်သည် လုပ်ငန်းပြဿနာတစ်ခုအသွင်ဖြင့် ဘောင်ခတ်ထားသည်။ ဤပြဿနာနှင့် သာမန်အတိုင်းအတာပြဿနာကြား ကွာခြားချက်မှာ အကွာအဝေးဖြစ်သည်။ ဤကိစ္စတွင်၊ အရောင်းအဖွဲ့သည် ကုန်ပစ္စည်းများ၊ ဂိုဒေါင်များမှ စုစုပေါင်းရောင်းချမှုအား လစဉ်သိရှိလိုပါသည်။ ဖောက်သည်များ ကုန်လှောင်ရုံမှ ၅ မိုင်အကွာတွင် နေထိုင်သူဖြစ်သည်။
ဝမ်းနည်းစရာမှာ၊ ဒီဇိုင်နာများ သို့မဟုတ် ဗိသုကာပညာရှင်များသည် "ကျွန်ုပ်တို့တွင် ဖောက်သည်၊ ကုန်ပစ္စည်းနှင့် dati သိုက်။ နောက်ထပ် ထပ်လုပ်မရအောင် အကွာအဝေးကို ထိန်းထားလိုက်ကြရအောင်။
"အဖြေမှား။ ဤစီးပွားရေးပြဿနာသည် BI နှင့်ပတ်သက်သည်။ ၎င်းသည် ကျွန်ုပ်တို့၏လုပ်ငန်းကို ပိုမိုနက်ရှိုင်းစွာ နားလည်မှုနှင့် ကျွန်ုပ်တို့၏ သုံးသပ်သူများအတွက် ခိုင်မာသော ခွဲခြမ်းစိတ်ဖြာနိုင်သော နေရာတစ်ခုကို ကိုယ်စားပြုသည်။ BI သည် ရိုးရှင်းသော မေးမြန်းမှု သို့မဟုတ် စံအစီရင်ခံခြင်း သို့မဟုတ် OLAP ကိုပင်ကျော်လွန်ပါသည်။ ဤနည်းပညာများသည် သင့် BI အတွက် အရေးမကြီးဟု မဆိုလိုပါ၊ သို့သော် ၎င်းတို့ကိုယ်တိုင်က BI ပတ်ဝန်းကျင်ကို ကိုယ်စားမပြုပါ။
သတင်းအချက်အလက်အကြောင်းအရာအတွက်ဒီဇိုင်း (အချက်အလက်အကြောင်းအရာအတွက် ဒီဇိုင်း)
ယခုအခါတွင် ကျွန်ုပ်တို့သည် အမျိုးမျိုးသော ပင်မအစိတ်အပိုင်းများကို ခွဲခြားနိုင်သော လုပ်ငန်းလိုအပ်ချက်များကို ဖော်ထုတ်နိုင်ပြီဖြစ်သောကြောင့် ၎င်းတို့ကို အလုံးစုံ ဗိသုကာပုံဆွဲခြင်းတွင် ထည့်သွင်းရန် လိုအပ်ပါသည်။ BI အစိတ်အပိုင်းအချို့သည် ကျွန်ုပ်တို့၏ ကနဦးကြိုးပမ်းမှုများ၏ တစ်စိတ်တစ်ပိုင်းဖြစ်ပြီး အချို့သည် လပေါင်းများစွာ အကောင်အထည်မဖော်နိုင်ပါ။
သို့သော်၊ ကျွန်ုပ်တို့သည် သီးခြားနည်းပညာတစ်ခုကို အကောင်အထည်ဖော်ရန် လိုအပ်သောအခါတွင် ကျွန်ုပ်တို့သည် ဒီဇိုင်းတွင် သိထားသော လိုအပ်ချက်အားလုံးကို ထင်ဟပ်စေပါသည်။ ပရောဂျက်နှင့်ပတ်သက်သည့် တစ်စုံတစ်ခုသည် ရိုးရာတွေးခေါ်မှုကို ထင်ဟပ်စေမည်ဖြစ်သည်။
ဒီအစုံ dati နောက်ပိုင်းအသုံးပြုမှုများကို ပံ့ပိုးရန် အသုံးပြုသည်။ dati ကျွန်ုပ်တို့ဖော်ထုတ်ထားသော စီးပွားရေးဆိုင်ရာ ပြဿနာများကြောင့် ဘက်ပေါင်းစုံမှ တွန်းအားပေးပါသည်။ ပရောဂျက် ဖွံ့ဖြိုးတိုးတက်ရေး ကဲ့သို့သော စာရွက်စာတမ်းများ ထပ်မံ ထုတ်ပေးပါသည်။ dati၊ i အဖြစ် တရားဝင်ဖြစ်အောင် စတင်ပါမည်။ dati ပတ်ဝန်းကျင်တွင် ပျံ့နှံ့သွားကြသည်။ i ကို ကိုယ်စားပြုရန် လိုအပ်ကြောင်းကို ကျွန်ုပ်တို့ သိရှိခဲ့ရပါသည်။ dati အတိုင်းအတာတစ်ခုအနေဖြင့် ၎င်းတို့အား data marts များအဖြစ် (သတ်မှတ်ထားသောလိုအပ်ချက်များအလိုက်) ပိုင်းခြားပါ။
ဖြေရမယ့်မေးခွန်းကတော့ ဒီ data marts တွေကို ဘယ်လိုတည်ဆောက်မလဲ။
သင်က တုံးတွေကို ထောက်ဖို့ ကြယ်တွေကို တည်ဆောက်သလား၊ (သို့မဟုတ် ညာဘက်တုံးများ သို့မဟုတ် ညာဘက်ကြယ်များ)။ အားလုံးအတွက် အနုမြူအလွှာတစ်ခု လိုအပ်သည့် မှီခိုဒေတာ marts အတွက် ဗိသုကာကို ဖန်တီးပါ။ dati သင်ရယူပါလား။ အမှီအခိုကင်းသော data marts များကို ဆည်းပူးခွင့်ပြုပါ။ dati Operating System မှ တိုက်ရိုက်?
မည်သည့် Cube Technology ကို စံပြုရန် သင်ကြိုးစားမည်နည်း။
မင်းမှာ ဘုရားတွေအများကြီးရှိတယ်။ dati အတိုင်းအတာ ခွဲခြမ်းစိတ်ဖြာမှုအတွက် လိုအပ်သည် သို့မဟုတ် အပတ်စဉ်အလိုက် သင့်အမျိုးသား အရောင်းအင်အားစု၏ ကုဗတုံးများ လိုအပ်ပါသလား သို့မဟုတ် နှစ်မျိုးလုံး လိုအပ်ပါသလား။ ငွေကြေးအတွက် DB2 OLAP ဆာဗာကဲ့သို့ အားကောင်းသော အရာဝတ္ထုကို သင်တည်ဆောက်သလား သို့မဟုတ် သင့်အရောင်းအဖွဲ့အစည်းအတွက် သို့မဟုတ် နှစ်ခုလုံးအတွက် Cognos PowerPlay cubes ကို တည်ဆောက်ပါသလား။ ဒါတွေက မင်းရဲ့ BI ပတ်ဝန်းကျင်ကို သက်ရောက်မှုရှိစေမယ့် ဗိသုကာဒီဇိုင်းဆိုင်ရာ ဆုံးဖြတ်ချက်ကြီးတွေပါ။ ဟုတ်ကဲ့၊ OLAP အတွက် လိုအပ်ချက်တစ်ခုကို သင်ဖော်ထုတ်ပြီးပါပြီ။ အခု ဒီနည်းပညာကို ဘယ်လိုမျိုး အကောင်အထည်ဖော်မလဲ။
ပိုမိုအဆင့်မြင့်သောနည်းပညာအချို့သည် သင့်ဒီဇိုင်းများကို မည်သို့အကျိုးသက်ရောက်သနည်း။ သင့်အဖွဲ့အစည်းအတွင်း နယ်ပယ်အလိုက် လိုအပ်ချက်တစ်ခုကို သင်ရှာဖွေတွေ့ရှိခဲ့သည်ဟု ယူဆကြပါစို့။ သင်သည် လအတော်ကြာ spatial အစိတ်အပိုင်းများကို ပြုလုပ်ရန် မစီစဉ်ထားသော်လည်း ယခုအခါတွင် သင်သည် ဗိသုကာ ပုံဆွဲထုတ်ဝေမှုများကို ပြန်လည်သိမ်းဆည်းရမည်ဖြစ်ပါသည်။ ဗိသုကာပညာရှင်သည် ယနေ့ခေတ်တွင် လိုအပ်သည့်အရာကို အခြေခံ၍ ဒီဇိုင်းဆွဲရမည်ဖြစ်သည်။ ထုတ်လုပ်ခြင်း၊ သိမ်းဆည်းခြင်း၊ ထိန်းသိမ်းခြင်း၊ နှင့် အသုံးပြုခွင့်ကို ပံ့ပိုးပေးသော spatial analysis အတွက် လိုအပ်မှုကို ကြိုတင်ခန့်မှန်းပါ။ dati အာကာသ။ ၎င်းသည် သင်လက်ရှိထည့်သွင်းစဉ်းစားနိုင်သော ဆော့ဖ်ဝဲနည်းပညာအမျိုးအစားနှင့် ပလပ်ဖောင်းသတ်မှတ်ချက်များနှင့် ပတ်သက်၍ ကန့်သတ်ချက်တစ်ခုအနေဖြင့် လုပ်ဆောင်သင့်သည်။ ဥပမာအားဖြင့် အုပ်ချုပ်ရေးစနစ် ဒေတာအခြေခံ သင်၏ အက်တမ်အလွှာအတွက် ထိန်းသိမ်းထားသော ဆက်စပ်မှု (RDBMS) သည် ခိုင်မာသော spatial အတိုင်းအတာတစ်ခု ရှိရပါမည်။ ၎င်းသည် သင်၏ ခွဲခြမ်းစိတ်ဖြာမှုဆိုင်ရာ အပလီကေးရှင်းများတွင် ဂျီသြမေတြီနှင့် spatial အရာဝတ္ထုများကို အသုံးပြုသည့်အခါ အမြင့်ဆုံးစွမ်းဆောင်ရည်ကို သေချာစေမည်ဖြစ်သည်။ အကယ်၍ သင်၏ RDBMS ကို မကိုင်တွယ်နိုင်ပါ။ dati (spatial-centric) အတွင်းပိုင်းမို့လို့ ထူထောင်ရပါလိမ့်မယ်။ ဒေတာအခြေခံ (spatial-centric) ပြင်ပ။ ၎င်းသည် ပြဿနာစီမံခန့်ခွဲမှုကို ရှုပ်ထွေးစေပြီး သင်၏ DBA များအတွက် ဖန်တီးပေးသည့် နောက်ထပ်ပြဿနာများကို ဖော်ပြခြင်းမပြုဘဲ သင့်၏အလုံးစုံစွမ်းဆောင်ရည်ကို အလျှော့အတင်းဖြစ်စေပါသည်၊ dati spatial ပါဘဲ။ အခြားတစ်ဖက်တွင်၊ သင်၏ RDMBS အင်ဂျင်သည် spatial components အားလုံးကို ကိုင်တွယ်ပြီး ၎င်း၏ optimizer သည် spatial objects များ၏ အထူးလိုအပ်ချက်များ (ဥပမာ၊ indexing) ကို သတိပြုမိပါက၊ သင်၏ DBA များသည် စီမံခန့်ခွဲရေးဆိုင်ရာ ပြဿနာများကို အလွယ်တကူကိုင်တွယ်နိုင်ပြီး စွမ်းဆောင်ရည်ကို မြှင့်တင်နိုင်ပါသည်။
ထို့အပြင်၊ လိပ်စာရှင်းလင်းခြင်းပါဝင်ရန် အဆင့်သတ်မှတ်ဧရိယာနှင့် အနုမြူပတ်ဝန်းကျင်အလွှာကို ချိန်ညှိရန် လိုအပ်သည် (က
spatial analysis အတွက် အဓိကသော့ချက်) အပြင် spatial objects များ၏ နောက်ဆက်တွဲ သိမ်းဆည်းမှု။ လိပ်စာ သန့်ရှင်းမှု ဟူသော အယူအဆကို မိတ်ဆက်ပေးလိုက်သောကြောင့် ဒီဇိုင်း တည်းဖြတ်မှုများ ဆက်တိုက် ဆက်လက် ဖြစ်ပေါ်နေပါသည်။ တစ်ချက်အနေနှင့်၊ ဤအပလီကေးရှင်းသည် သင်၏ ETL အားစိုက်ထုတ်မှုအတွက် လိုအပ်သောဆော့ဖ်ဝဲလ်အမျိုးအစားကို ညွှန်ပေးမည်ဖြစ်သည်။
သင့်အား သန့်ရှင်းသောလိပ်စာတစ်ခုပေးရန်အတွက် Trillium ကဲ့သို့သော ထုတ်ကုန်များ လိုအပ်ပါသလား၊ သို့မဟုတ် ထိုလုပ်ဆောင်နိုင်စွမ်းကို ပေးဆောင်ရန် သင်ရွေးချယ်သည့် ETL ရောင်းချသူ တစ်ဦးမှ လိုအပ်ပါသလား။
ယခုအချိန်မှာတော့ ဂိုဒေါင်ကို မထိန်းသိမ်းခင် ပြီးအောင်လုပ်ရမယ့် ဒီဇိုင်းအဆင့်ကို တန်ဖိုးထားဖို့ အရေးကြီးပါတယ်။ အထက်ဖော်ပြပါ ဥပမာများသည် မည်သည့်လုပ်ငန်းလိုအပ်ချက်ကိုမဆို ဖော်ထုတ်လိုက်နာရမည့် ဒီဇိုင်းဆုံးဖြတ်ချက်များစွာကို သရုပ်ပြသင့်သည်။ မှန်ကန်စွာပြုလုပ်သောအခါ၊ ဤဒီဇိုင်းဆုံးဖြတ်ချက်များသည် သင့်ပတ်ဝန်းကျင်၏ ရုပ်ပိုင်းဆိုင်ရာတည်ဆောက်ပုံများ၊ အသုံးပြုထားသောနည်းပညာရွေးချယ်မှုနှင့် သတင်းအချက်အလက်အကြောင်းအရာများ၏ ပြန့်ပွားမှုတို့အကြား အပြန်အလှန်မှီခိုမှုကို မြှင့်တင်ပေးပါသည်။ ဤသမားရိုးကျ BI ဗိသုကာမပါပဲ၊ သင့်အဖွဲ့အစည်းသည် တည်ငြိမ်မှုကို ပေးစွမ်းရန် အကောင်းဆုံးသော ပျော့ပျောင်းစွာ ချည်နှောင်ထားသော ရှိပြီးသားနည်းပညာများ ရောနှောသွားမည်ဖြစ်သည်။
အချက်အလက်အကြောင်းအရာကို ထိန်းသိမ်းပါ။
သင့်အဖွဲ့အစည်းထံ သတင်းအချက်အလက်တန်ဖိုးကို ယူဆောင်လာခြင်းသည် အလွန်ခက်ခဲသော အလုပ်ဖြစ်သည်။ လုံလောက်သော နားလည်မှုနှင့် အတွေ့အကြုံ၊ သို့မဟုတ် သင့်လျော်သော အင်ဂျင်နီယာနှင့် ဒီဇိုင်းမရှိလျှင် အကောင်းဆုံးအသင်းများပင် ကျရှုံးမည်ဖြစ်သည်။ အခြားတစ်ဖက်တွင်၊ သင့်တွင် ကြီးမားသောထိုးထွင်းသိမြင်မှုနှင့် အသေးစိတ်ဒီဇိုင်းရှိသော်လည်း လက်တွေ့လုပ်ဆောင်ရန် စည်းကမ်းမရှိပါက၊ သင်၏ကြိုးစားအားထုတ်မှုမှာ ကျရှုံးနိုင်သောကြောင့် သင်၏ငွေနှင့်အချိန်ကို ဖြုန်းတီးနေခြင်းဖြစ်သည်။ မက်ဆေ့ချ်သည် ရှင်းရှင်းလင်းလင်းဖြစ်သင့်သည်- အကယ်၍ သင်သည် ဤကျွမ်းကျင်မှု၊ နားလည်မှု/အတွေ့အကြုံ သို့မဟုတ် အစီအစဉ်ဆွဲခြင်း/ဒီဇိုင်း သို့မဟုတ် အကောင်အထည်ဖော်မှုစည်းကမ်းတို့တွင် တစ်ခု သို့မဟုတ် တစ်ခုထက်ပို၍ ချို့တဲ့နေပါက၊ ၎င်းသည် BI အဖွဲ့အစည်း၏ အဆောက်အအုံကို နစ်နာစေခြင်း သို့မဟုတ် ဖျက်ဆီးခြင်းဆီသို့ ဦးတည်သွားစေမည်ဖြစ်သည်။
သင့်အဖွဲ့ လုံလုံလောက်လောက် ပြင်ဆင်ထားပါသလား။ သင့် BI အဖွဲ့မှ မည်သူမဆို BI ပတ်ဝန်းကျင်တွင် ရရှိနိုင်သော ကြီးမားသော ခွဲခြမ်းစိတ်ဖြာမှုရှုခင်းကို နားလည်ပြီး ထိုရှုခင်းကို ထိန်းသိမ်းရန် လိုအပ်သော နည်းပညာများနှင့် နည်းပညာများကို နားလည်ပါသလား။ အဆင့်မြင့်လျှောက်ထားရာတွင် ကွာခြားချက်ကို ပြောပြနိုင်သူ သင့်အဖွဲ့တွင် ရှိပါသလား။
တည်ငြိမ်သောအစီရင်ခံခြင်းနှင့် OLAP သို့မဟုတ် ROLAP နှင့် OLAP အကြား ခြားနားချက်များရှိပါသလား။ သင့်အဖွဲ့သားများထဲမှ တစ်ဦးသည် သတ္တုတူးဖော်ခြင်းနည်းလမ်းနှင့် ဂိုဒေါင်ကို မည်သို့အကျိုးသက်ရောက်နိုင်သည်ကို ရှင်းရှင်းလင်းလင်းသိပါသလား သို့မဟုတ် ဂိုဒေါင်သည် သတ္တုတူးဖော်ခြင်းစွမ်းဆောင်ရည်ကို မည်ကဲ့သို့ပံ့ပိုးပေးနိုင်သည်ကို ရှင်းရှင်းလင်းလင်းသိပါသလား။ အသင်းသားတစ်ဦး၏တန်ဖိုးကို နားလည်သည်။ dati အာကာသ သို့မဟုတ် အေးဂျင့်အခြေခံနည်းပညာ။ သင့်တွင် ETL နှင့် Message Broker နည်းပညာ၏ထူးခြားသောကိရိယာများအပလီကေးရှင်းကိုတန်ဖိုးထားသူတစ်ဦးရှိပါသလား။ မင်းမရှိရင် တစ်ခုယူလိုက်ပါ။ BI သည် ပုံမှန်အနုမြူအလွှာ၊ OLAP၊ star schemas နှင့် ODS ထက် များစွာကြီးမားသည်။
BI လိုအပ်ချက်များနှင့် ၎င်းတို့၏ဖြေရှင်းချက်များကို အသိအမှတ်ပြုရန် နားလည်မှုနှင့် အတွေ့အကြုံရှိခြင်းသည် သုံးစွဲသူ၏လိုအပ်ချက်များကို မှန်ကန်စွာသတ်မှတ်ရန်နှင့် ၎င်းတို့၏ဖြေရှင်းချက်များကို ဒီဇိုင်းရေးဆွဲအကောင်အထည်ဖော်ရန် သင့်စွမ်းရည်အတွက် မရှိမဖြစ်လိုအပ်ပါသည်။ သင့်အသုံးပြုသူအသိုင်းအဝိုင်းတွင် လိုအပ်ချက်များကိုဖော်ပြရန်အခက်အခဲရှိပါက၊ ထိုနားလည်မှုကိုပေးဆောင်ရန် ဂိုဒေါင်အဖွဲ့မှမူတည်ပါသည်။ ဂိုဒေါင်အဖွဲ့မှ လာလျှင်ကား၊
BI ၏ သီးခြားအသုံးချပလီကေးရှင်းကို အသိအမှတ်မပြုပါ - ဥပမာ၊ ဒေတာတူးဖော်ခြင်း - ထို့နောက် BI ပတ်ဝန်းကျင်များကို passive repositories အဖြစ် မကြာခဏကန့်သတ်ခြင်းသည် အကောင်းဆုံးတော့မဟုတ်ပါ။ သို့သော်၊ အဆိုပါနည်းပညာများကို လျစ်လျူရှုခြင်းသည် ၎င်းတို့၏ အရေးပါမှုနှင့် သင့်အဖွဲ့အစည်း၏ စီးပွားရေးဆိုင်ရာ ဉာဏ်ရည်ဉာဏ်သွေး စွမ်းရည်များ ပေါ်ထွန်းလာမှုအပြင် သင်မြှင့်တင်ရန် စီစဉ်ထားသည့် သတင်းအချက်အလက်ဆိုင်ရာ ပိုင်ဆိုင်မှုအပေါ် ၎င်းတို့တွင် သက်ရောက်မှုများ လျော့နည်းသွားမည်မဟုတ်ပေ။
ဒီဇိုင်းတွင် ပုံဆွဲခြင်းဆိုင်ရာ သဘောတရားများ ပါဝင်ရမည်ဖြစ်ပြီး နှစ်ခုစလုံးသည် အရည်အချင်းပြည့်မီသော တစ်ဦးချင်းလိုအပ်သည်။ ထို့အပြင်၊ စီမံကိန်းရေးဆွဲရာတွင် အသင်းသားများ၏ ခံယူချက်နှင့် စံနှုန်းများနှင့် ကိုက်ညီမှုရှိရန် လိုအပ်သည်။ ဥပမာအားဖြင့်၊ အကယ်၍ သင့်ကုမ္ပဏီသည် ပလပ်ဖောင်းစံနှုန်းတစ်ခုကို ထူထောင်ထားသည် သို့မဟုတ် ၎င်းသည် ပလပ်ဖောင်းတစ်လျှောက် စံချိန်စံညွှန်းသတ်မှတ်လိုသော RDBMS တစ်ခုကို ဖော်ထုတ်ခဲ့မည်ဆိုလျှင်၊ အဖွဲ့ရှိလူတိုင်းသည် အဆိုပါစံနှုန်းများကို လိုက်နာရန် လိုအပ်ပါသည်။ ယေဘူယျအားဖြင့် အဖွဲ့တစ်ခုသည် စံသတ်မှတ်ခြင်း (အသုံးပြုသူအသိုင်းအ၀ိုင်းအား) လိုအပ်ကြောင်း ဖော်ပြသော်လည်း၊ အဖွဲ့ကိုယ်တိုင်က ကုမ္ပဏီ၏ အခြားနယ်ပယ်များတွင် ချမှတ်ထားသော စံချိန်စံညွှန်းများကို လိုက်နာရန် ဆန္ဒမရှိသလို အလားတူ ကုမ္ပဏီများတွင်လည်း ဖြစ်ကောင်းဖြစ်နိုင်သည်။ ဤအရာသည် ကြောင်သူတော်ဖြစ်ရုံသာမကဘဲ ကုမ္ပဏီသည် ရှိပြီးသားရင်းမြစ်များနှင့် ရင်းနှီးမြှုပ်နှံမှုများကို အသုံးချနိုင်စွမ်းမရှိဟု တည်ထောင်ထားသည်။ စံမဟုတ်သော ပလပ်ဖောင်း သို့မဟုတ် နည်းပညာကို အာမခံနိုင်သော အခြေအနေများ မရှိဟု ဆိုလိုခြင်းမဟုတ်ပါ။ သို့သော် ဂိုဒေါင်၏ အားထုတ်မှု
လုပ်ငန်းလိုအပ်ချက်များကို အခြားနည်းဖြင့် မဆုံးဖြတ်မချင်း ၎င်းတို့သည် လုပ်ငန်း၏ စံနှုန်းများကို မနာလိုစွာ စောင့်ရှောက်သင့်သည်။
BI အဖွဲ့အစည်းတစ်ခုတည်ဆောက်ရန် လိုအပ်သော တတိယသော့ချက်မှာ စည်းကမ်းလိုက်နာခြင်း ဖြစ်သည်။
စုစုပေါင်း၊ လူတစ်ဦးချင်းနှင့် ပတ်ဝန်းကျင်အပေါ် ညီတူညီမျှ မူတည်ပါသည်။ ပရောဂျက်စီစဉ်သူများ၊ စပွန်ဆာများ၊ ဗိသုကာပညာရှင်များနှင့် သုံးစွဲသူများသည် ကုမ္ပဏီ၏ အချက်အလက်ပိုင်ဆိုင်မှုများကို တည်ဆောက်ရန် လိုအပ်သော စည်းကမ်းကို တန်ဖိုးထားရမည်ဖြစ်သည်။ ဒီဇိုင်နာများသည် လူ့အဖွဲ့အစည်းအတွင်း လိုအပ်သော အခြားကြိုးပမ်းမှုများကို ဖြည့်ဆည်းရန် ၎င်းတို့၏ ဒီဇိုင်းကြိုးပမ်းမှုများကို ညွှန်ကြားရမည်ဖြစ်သည်။
ဥပမာအားဖြင့်၊ သင့်ကုမ္ပဏီသည် ဂိုဒေါင်အစိတ်အပိုင်းတစ်ခုပါရှိသော ERP အပလီကေးရှင်းတစ်ခုကို တည်ဆောက်သည်ဆိုပါစို့။
ထို့ကြောင့် လုပ်ငန်းစတင်နေပြီဖြစ်သော လုပ်ငန်းကို ယှဉ်ပြိုင်ခြင်း သို့မဟုတ် ပွားခြင်းမပြုရန် ဂိုဒေါင်ပတ်ဝန်းကျင်အဖွဲ့နှင့် ပူးပေါင်းရန် ERP ဒီဇိုင်နာများ၏ တာဝန်ဖြစ်ပါသည်။
စည်းကမ်းသည် အဖွဲ့အစည်းတစ်ခုလုံးမှ ကိုင်တွယ်ဖြေရှင်းရန် လိုအပ်သော ခေါင်းစဉ်တစ်ခုဖြစ်ပြီး များသောအားဖြင့် အမှုဆောင်အဆင့်တွင် ဖွဲ့စည်းကာ တာဝန်ပေးလေ့ရှိသည်။
အမှုဆောင်များသည် ရေးဆွဲထားသောချဉ်းကပ်မှုကို လိုက်နာရန် ဆန္ဒရှိပါသလား။ လုပ်ငန်း၏ နယ်ပယ်အားလုံးသို့ အဆုံးစွန်သော တန်ဖိုးများ ပေးဆောင်မည့် သတင်းအချက်အလက် အကြောင်းအရာများကို ဖန်တီးရန် ကတိပြုသည့် ချဉ်းကပ်မှုတစ်ခု၊ သို့သော် တစ်ဦးချင်း သို့မဟုတ် ဌာနဆိုင်ရာ အစီအစဉ်များကို အပေးအယူလုပ်မလား။ “အရာရာတိုင်းကို တွေးတောခြင်းသည် တစ်ချက်စဉ်းစားခြင်းထက် ပိုအရေးကြီးသည်” ဟူသောစကားကို သတိရပါ။ ဤစကားသည် BI အဖွဲ့အစည်းများအတွက် မှန်ပါသည်။
ကံမကောင်းစွာဖြင့်၊ ဂိုဒေါင်အများအပြားသည် အဖွဲ့အစည်းကို ကြီးကြီးမားမား ဂရုမစိုက်ဘဲ သီးခြားဌာနတစ်ခု သို့မဟုတ် သီးခြားအသုံးပြုသူများထံ တန်ဖိုးများပေးပို့ရန် ကြိုးပမ်းရာတွင် ၎င်းတို့၏အားထုတ်မှုကို အာရုံစိုက်ပါသည်။ မန်နေဂျာသည် werehouse အဖွဲ့ထံမှ အကူအညီတောင်းသည်ဆိုပါစို့။ အဖွဲ့သည် အမှုဆောင်မှ သတ်မှတ်ထားသော အကြောင်းကြားချက် လိုအပ်ချက်များကို ပေးပို့ရုံသာမက အားလုံးကို သေချာစေရေး ပါ၀င်သည့် ရက် 90 ကြိုးပမ်းမှုဖြင့် တုံ့ပြန်သည်။ dati အဆိုပြုထားသည့် cube နည်းပညာသို့ မမိတ်ဆက်မီတွင် အခြေခံအား အက်တမ်အဆင့်သို့ ရောနှောထားသည်။
ဤအင်ဂျင်နီယာဆိုင်ရာ ပေါင်းစည်းမှုသည် werehouse လုပ်ငန်းမှ အကျိုးအမြတ်ရရှိစေကြောင်း အာမခံပါသည်။ dati မန်နေဂျာလိုအပ်သည်။
သို့သော် အမှုဆောင်အရာရှိသည် 4 ပတ်အောက်အတွင်း အလားတူလျှောက်လွှာတင်သည့် ပြင်ပအတိုင်ပင်ခံကုမ္ပဏီများနှင့် စကားပြောဆိုခဲ့သည်။
ဌာနတွင်း werehouse အဖွဲ့သည် အရည်အချင်းပြည့်မီသည်ဟု ယူဆပါက အမှုဆောင်တွင် ရွေးချယ်ခွင့်ရှိသည်။ လုပ်ငန်းအချက်အလက် ပိုင်ဆိုင်မှုကို မြှင့်တင်ရန် လိုအပ်သော အင်ဂျင်နီယာဆိုင်ရာ စည်းကမ်းကို မည်သူက ပံ့ပိုးနိုင်သနည်း သို့မဟုတ် ၎င်းတို့၏ ကိုယ်ပိုင်ဖြေရှင်းချက်ကို အမြန်တည်ဆောက်ရန် ရွေးချယ်နိုင်သည်။ နောက်တစ်ခုသည် မကြာခဏဆိုသလို ရွေးချယ်ခံရပုံရပြီး အနည်းငယ် သို့မဟုတ် တစ်ဦးချင်းစီအတွက် အကျိုးရှိစေမည့် အချက်အလက်များကို ဖန်တီးရန်သာ လုပ်ဆောင်သည်။
ရေတိုနှင့် ရေရှည်ပန်းတိုင်များ
ဗိသုကာပညာရှင်များနှင့် ပရောဂျက်ရေးဆွဲသူများသည် အလုံးစုံဗိသုကာပညာနှင့် BI အဖွဲ့အစည်းတစ်ခု ကြီးထွားလာရန်အတွက် အစီအစဥ်များဆိုင်ရာ ရေရှည်မျှော်မှန်းချက်တစ်ရပ်ကို တရားဝင်ချမှတ်ရမည်ဖြစ်သည်။ ဤရေတိုအကျိုးအမြတ်နှင့် ရေရှည်စီမံကိန်းရေးဆွဲခြင်း ပေါင်းစပ်မှုသည် BI ကြိုးပမ်းမှု၏ နှစ်ဖက်ဖြစ်သည်။ တိုတောင်းသောဝင်ငွေသည် သင့်ဂိုဒေါင်၏ ထပ်ခါထပ်ခါလုပ်ဆောင်မှုများနှင့် ဆက်စပ်နေသော BI ၏ အသွင်အပြင်ဖြစ်သည်။
ဤနေရာတွင် စီမံကိန်းရေးဆွဲသူများ၊ ဗိသုကာပညာရှင်များနှင့် စပွန်ဆာများသည် သတ်မှတ်ထားသော လုပ်ငန်းလိုအပ်ချက်များကို ပြည့်မီရန် အာရုံစိုက်နေပါသည်။ ဤအဆင့်တွင် ရုပ်ပိုင်းဆိုင်ရာ အဆောက်အဦများ တည်ဆောက်ခြင်း၊ နည်းပညာကို ဝယ်ယူပြီး နည်းပညာများကို အကောင်အထည်ဖော်သည့် အဆင့်တွင်ဖြစ်သည်။ ၎င်းတို့သည် သုံးစွဲသူအသိုင်းအဝိုင်းက သတ်မှတ်ထားသည့် သီးခြားလိုအပ်ချက်များကို ကိုင်တွယ်ဖြေရှင်းရန် မည်သည့်နည်းလမ်းဖြင့်မျှ ပြုလုပ်ထားခြင်းမရှိပါ။ အသိုင်းအဝိုင်းတစ်ခုက သတ်မှတ်ထားတဲ့ သီးခြားလိုအပ်ချက်တွေကို ဖြေရှင်းဖို့ ရည်ရွယ်ချက်နဲ့ အရာအားလုံးကို လုပ်ဆောင်ပါတယ်။
တာဝေးစီမံကိန်းရေးဆွဲခြင်းသည် BI ၏အခြားမျက်နှာစာဖြစ်သည်။ ဤနေရာတွင် အစီအစဥ်များနှင့် ဒီဇိုင်းများသည် မည်သည့်ရုပ်ပိုင်းဆိုင်ရာ ဖွဲ့စည်းပုံကိုမဆို တည်ဆောက်ခဲ့ကြောင်း၊ ရွေးချယ်ထားသော နည်းပညာများနှင့် လုပ်ငန်းကို အာရုံစိုက်ပြီး ပြုလုပ်ထားသည့် နည်းပညာများကို သေချာစေပါသည်။ ခိုင်မာသော အကျိုးအမြတ်များသည် ရေတိုအကျိုးအမြတ်များမှ ဆင်းသက်လာကြောင်း သေချာစေရန်အတွက် လိုအပ်သော စည်းလုံးညီညွတ်မှုကို ပံ့ပိုးပေးသော ရေရှည်စီမံကိန်းဖြစ်သည်။
သင်၏ BI အားထုတ်မှုကို အကြောင်းပြပါ။
Un ဒေတာဂိုဒေါင် သူ့အလိုလို သူ့အလိုလို တန်ဖိုးမရှိ။ တစ်နည်းဆိုရသော် သိုလှောင်ရုံနည်းပညာများနှင့် အကောင်အထည်ဖော်မှုနည်းပညာများကြားတွင် မွေးရာပါတန်ဖိုးမရှိပါ။
ဂိုဒေါင်ပတ်ဝန်းကျင်နှင့် အချိန်ကြာလာသည်နှင့်အမျှ ပြုစုပျိုးထောင်လာသော အချက်အလက်အကြောင်းအရာကြောင့် လုပ်ဆောင်သည့် လုပ်ဆောင်ချက်များတွင် ဂိုဒေါင်ကြိုးပမ်းမှုတိုင်း၏ တန်ဖိုးကို တွေ့ရှိရသည်။ ဤသည်မှာ မည်သည့်နေရာတွင်မဆို စတင်လုပ်ဆောင်မှု၏တန်ဖိုးကို ခန့်မှန်းရန် သင်မကြိုးစားမီ နားလည်ရန် အရေးကြီးသောအချက်ဖြစ်သည်။
မကြာခဏဆိုသလို၊ ဗိသုကာပညာရှင်များနှင့် စီစဉ်သူများသည် ဂိုဒေါင်၏ ရုပ်ပိုင်းဆိုင်ရာနှင့် နည်းပညာဆိုင်ရာ အစိတ်အပိုင်းများကို တန်ဖိုးသက်ရောက်စေရန် မကြာခဏဆိုသလို ကြိုးပမ်းလေ့ရှိကြပြီး အမှန်တကယ်တွင် တန်ဖိုးသည် ဂိုဒေါင်မှ ကောင်းသောအကျိုးသက်ရောက်မှုနှင့် ကောင်းစွာဖမ်းယူထားသော အချက်အလက်များကို စီးပွားရေးလုပ်ငန်းစဥ်များတွင် အခြေခံထားခြင်းဖြစ်သည်။
ဤနေရာတွင် BI တည်ထောင်ခြင်းအတွက် စိန်ခေါ်မှုမှာ စိန်ခေါ်မှုဖြစ်သည်- ရင်းနှီးမြှုပ်နှံမှုကို သင်မည်ကဲ့သို့ မျှတစေသနည်း။ အိမ်ရာတွင် ပင်ကိုယ်တန်ဖိုးမရှိပါက၊ ပရောဂျက်စီစဉ်သူများသည် သီးခြားစီးပွားရေးလုပ်ငန်းစဉ်များ သို့မဟုတ် အကာအကွယ်ပေးထားသည့် အချက်အလက်တန်ဖိုးကို မြှင့်တင်ရန်အတွက် ဂိုဒေါင်ကိုအသုံးပြုမည့်သူများအတွက် အကျိုးကျေးဇူးများကို စုံစမ်းစစ်ဆေးရန်၊ သတ်မှတ်ရန်နှင့် တရားဝင်သတ်မှတ်ပေးရမည်ဖြစ်သည်။
ကိစ္စရပ်များကို ရှုပ်ထွေးစေရန်၊ ဂိုဒေါင်ကြိုးပမ်းမှုများကြောင့် သက်ရောက်သည့် လုပ်ငန်းလုပ်ငန်းစဉ်မှန်သမျှသည် "များပြားသော" သို့မဟုတ် "အပျော့စား" အကျိုးခံစားခွင့်များကို ပေးစွမ်းနိုင်သည်။ သိသာထင်ရှားသောအကျိုးခံစားခွင့်များသည် ရင်းနှီးမြှုပ်နှံမှုအပေါ်ပြန်အမ်းငွေ (ROI) ကို တိုင်းတာရန်အတွက် မြင်သာထင်သာသောမက်ထရစ်ကို ပေးဆောင်သည် - ဥပမာ၊ သတ်မှတ်ကာလတစ်ခုအတွင်း ကုန်ပစ္စည်းစာရင်းကို အပိုအချိန်တစ်ခုသို့ လွှဲပြောင်းပေးခြင်း သို့မဟုတ် ပို့ဆောင်မှုတစ်ခုလျှင် သယ်ယူပို့ဆောင်ရေးစရိတ်သက်သာခြင်းတို့အတွက် ဖြစ်သည်။ မြင်သာထင်သာသောတန်ဖိုးအရ သတင်းအချက်အလက်ရရှိမှု တိုးတက်ကောင်းမွန်လာမှုကဲ့သို့သော သိမ်မွေ့သောအကျိုးကျေးဇူးများကို သတ်မှတ်ရန် ပို၍ခက်ခဲသည်။
သိရန် သင့်ပရောဂျက်ကို ချိတ်ဆက်ပါ။ စီးပွားရေးတောင်းဆိုမှုများ
မကြာခဏဆိုသလို၊ ပရောဂျက်အစီအစဉ်ရေးဆွဲသူများသည် သိုလှောင်ရုံတန်ဖိုးကို အနုမြူလုပ်ငန်းဆိုင်ရာ ပန်းတိုင်များနှင့် ချိတ်ဆက်ရန် ကြိုးပမ်းကြသည်။ "ဂိုဒေါင်တစ်ခု၏တန်ဖိုးသည် ဗျူဟာမြောက်တောင်းဆိုမှုများကို ဖြည့်ဆည်းပေးနိုင်သည့်စွမ်းရည်ပေါ်တွင် အခြေခံသည်" ဟုကြေငြာခြင်းဖြင့် ကျွန်ုပ်တို့သည် သာယာသောနည်းလမ်းဖြင့် ဆွေးနွေးမှုကိုဖွင့်ပါသည်။ ဒါပေမယ့် ဂိုဒေါင်မှာ ရင်းနှီးမြုပ်နှံတာဟာ အဓိပ္ပာယ်ရှိမရှိ ဆုံးဖြတ်ဖို့တစ်ခုတည်းနဲ့ မလုံလောက်ပါဘူး။ သတ်သတ်မှတ်မှတ် လုပ်ငန်းစုံစမ်းမေးမြန်းမှုများနှင့် မှတ်စုများဖြင့် ဂိုဒေါင်ကိုယ်စားလှယ်များကို ချိတ်ဆက်ခြင်းသည် အကောင်းဆုံးဖြစ်သည်။
ROI တိုင်းတာ
ဂိုဒေါင်ဆက်တင်တွင် ROI တွက်ချက်ရာတွင် အထူးခက်ခဲနိုင်သည်။ အထူးသဖြင့် ခဲရှိရင် ခက်တယ်။
သီးခြား ထပ်ခါတလဲလဲ ဆိုသည်မှာ မမြင်နိုင်သော သို့မဟုတ် တိုင်းတာရလွယ်ကူသော အရာတစ်ခုဖြစ်သည်။ လေ့လာမှုတစ်ခုအရ သုံးစွဲသူများသည် BI အစပျိုးခြင်း၏ အဓိကအကျိုးကျေးဇူးနှစ်ခုကို ရိပ်မိကြသည်-
- ▪ ဆုံးဖြတ်ချက်ချနိုင်စွမ်းကို ဖန်တီးပါ။
- ▪ သတင်းအချက်အလက်ရယူခွင့်ကို ဖန်တီးပါ။
ဤအကျိုးကျေးဇူးများသည် ပျော့ပျောင်းခြင်း (သို့မဟုတ်) အပျော့စား အကျိုးကျေးဇူးများဖြစ်သည်။ လျှော့စျေးကဲ့သို့ ခက်ခဲသော (သို့မဟုတ် ပိုကြီးသော) အကျိုးအမြတ်အပေါ် အခြေခံ၍ ROI ကို တွက်ချက်နိုင်ပုံကို ကြည့်ရန် လွယ်ကူသော်လည်း ပိုမိုကောင်းမွန်သော ဆုံးဖြတ်ချက်များချနိုင်မှုကို ကျွန်ုပ်တို့ မည်သို့တိုင်းတာမည်နည်း။
ကုမ္ပဏီအား ဂိုဒေါင်တစ်ခုတွင် ရင်းနှီးမြုပ်နှံရန် ကြိုးပမ်းနေချိန်တွင် ဤသည်မှာ ပရောဂျက်စီစဉ်သူများအတွက် သေချာပေါက်စိန်ခေါ်မှုတစ်ခုဖြစ်သည်။ အရောင်းမြှင့်တင်ခြင်း သို့မဟုတ် ကုန်ကျစရိတ်ကျဆင်းခြင်းသည် BI ပတ်ဝန်းကျင်ကို မောင်းနှင်သည့် အဓိကအကြောင်းအရာမဟုတ်တော့ပါ။
ယင်းအစား၊ သင်သည် သီးခြားဌာနတစ်ခု၏ ဆုံးဖြတ်ချက်များကို ပိုမိုမြန်ဆန်စွာ ချနိုင်စေရန်အတွက် ပိုမိုကောင်းမွန်သော အချက်အလက်များကို ရယူနိုင်ရန် စီးပွားရေးဆိုင်ရာ တောင်းဆိုမှုများကို ရှာဖွေနေပါသည်။ ၎င်းတို့သည် လုပ်ငန်းအတွက် တန်းတူရည်တူအရေးကြီးသော်လည်း ပိုမိုရှင်းလင်းပြတ်သားပြီး မြင်သာထင်သာသောမက်ထရစ်တစ်ခုတွင် လက္ခဏာပြရန် ပို၍ခက်ခဲသော ဗျူဟာမြောက်မောင်းနှင်သူများဖြစ်သည်။ ဤကိစ္စတွင်၊ ROI တွက်ချက်ခြင်းသည် မသက်ဆိုင်ပါက လှည့်စားနိုင်သည်။
ပရောဂျက်ဒီဇိုင်နာများသည် အမှုဆောင်အရာရှိများအတွက် မြင်သာထင်သာရှိသောတန်ဖိုးကို သရုပ်ပြနိုင်စေရမည်၊ သို့သော်၊ ကျွန်ုပ်တို့သည် ROI တွက်ချက်မှုအတွက် နည်းလမ်းအသစ်ကို အဆိုပြုမည်မဟုတ်သလို ၎င်းအတွက် သို့မဟုတ် ဆန့်ကျင်သည့် ငြင်းခုံမှုများလည်း ပြုလုပ်မည်မဟုတ်ပါ။
ROI တွက်ချက်ခြင်း၏ အခြေခံများကို ဆွေးနွေးသည့် ဆောင်းပါးများနှင့် စာအုပ်များစွာရှိသည်။ သင် သုတေသနပြုနိုင်သော Gartner ကဲ့သို့သော အဖွဲ့များမှ ကမ်းလှမ်းသည့် ရင်းနှီးမြှုပ်နှံမှုတန်ဖိုး (VOI) ကဲ့သို့သော အထူးတန်ဖိုး အဆိုပြုချက်များ ရှိပါသည်။ ယင်းအစား၊ သင်စဉ်းစားရန်လိုအပ်သည့် ROI သို့မဟုတ် အခြားတန်ဖိုးဆိုင်ရာအဆိုပြုချက်များ၏ အဓိကကဏ္ဍများကို ကျွန်ုပ်တို့အာရုံစိုက်ပါမည်။ ROI လျှောက်ထားခြင်း။ BI ကြိုးပမ်းမှုများနှင့်ဆက်စပ်သော "ခက်ခဲ" နှင့် "ပျော့" အကျိုးခံစားခွင့်များအကြောင်း ငြင်းခုံခြင်းအပြင် ROI လျှောက်ထားရာတွင် ထည့်သွင်းစဉ်းစားရမည့် အခြားပြဿနာများရှိပါသည်။ ဥပမာအားဖြင့်:
မည်သို့ပင်ဖြစ်စေ လာမည့် DW ကြိုးပမ်းအားထုတ်မှုများတွင် စုဆောင်းငွေများစွာကို ထည့်သွင်းတွက်ချက်ခြင်း။
သင့်ကုမ္ပဏီသည် ပင်မဘောင်ဗိသုကာမှ ဖြန့်ဝေထားသော UNIX ပတ်ဝန်းကျင်သို့ ပြောင်းရွှေ့ခဲ့သည်ဆိုကြပါစို့။ ထို့ကြောင့် ထိုကြိုးပမ်းမှုမှ အကောင်အထည်ဖော်နိုင်သော (သို့မဟုတ်) မရရှိနိုင်သော စုဆောင်းငွေများကို ဂိုဒေါင်သို့ (?) တစ်ခုတည်းဟု သတ်မှတ်ခြင်းမပြုသင့်ပါ။
အရာရာတိုင်းကို စာရင်းမသွင်းရင် ဈေးကြီးတယ်။ ပြီးတော့ ထည့်သွင်းစဉ်းစားစရာတွေ အများကြီးရှိတယ်။ အောက်ပါစာရင်းကို သုံးသပ်ကြည့်ပါ-
- ▪ ဖြစ်နိုင်ခြေ အပါအဝင် စတင်ခြင်း၏ ကုန်ကျစရိတ်။
- ▪ ဆက်စပ်သိုလှောင်မှုနှင့် ဆက်သွယ်ရေးဆိုင်ရာ သီးခြားဟာ့ဒ်ဝဲ၏ ကုန်ကျစရိတ်
- ▪ စီမံခန့်ခွဲမှုအပါအဝင် ဆော့ဖ်ဝဲ၏ကုန်ကျစရိတ် dati နှင့် သုံးစွဲသူ/ဆာဗာ တိုးချဲ့မှုများ၊ ETL ဆော့ဖ်ဝဲ၊ DSS နည်းပညာများ၊ အမြင်အာရုံပုံဖော်ခြင်း ကိရိယာများ၊ အချိန်ဇယားဆွဲခြင်းနှင့် အလုပ်အသွားအလာ အက်ပ်လီကေးရှင်းများနှင့် စောင့်ကြည့်ရေးဆော့ဖ်ဝဲ၊
- ▪ Structure ဒီဇိုင်းကုန်ကျစရိတ် dati, ဖန်တီးမှု, နှင့် optimization နှင့်အတူ
- ▪ BI ကြိုးပမ်းအားထုတ်မှုနှင့် တိုက်ရိုက်ဆက်စပ်နေသော ဆော့ဖ်ဝဲလ်ဖွံ့ဖြိုးတိုးတက်ရေးကုန်ကျစရိတ်
- ▪ ဆော့ဖ်ဝဲလ်ဗားရှင်းထိန်းချုပ်မှုနှင့် လုပ်ဆောင်ချက်များကို ကူညီခြင်းအပါအဝင် စွမ်းဆောင်ရည်ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ခြင်းအပါအဝင် အိမ်ပံ့ပိုးမှုကုန်ကျစရိတ် “Big-Bang” ROI ကို အသုံးပြုပါ။ ဂိုဒေါင်ကို တစ်ခုတည်း၊ အလွန်ကြီးမားသော အားထုတ်မှုတစ်ခုအဖြစ် တည်ဆောက်ခြင်းသည် ကျရှုံးရန် အကျုံးဝင်သောကြောင့် ကြီးမားသော လုပ်ငန်းအစပျိုးမှုအတွက် ROI ကို တွက်ချက်ခြင်း ကမ်းလှမ်းချက်သည် အံ့အားသင့်စရာဖြစ်ပြီး ကြိုးပမ်းမှုတစ်ခုလုံး၏တန်ဖိုးကို ခန့်မှန်းရန် အစီအစဉ်ရေးဆွဲသူများသည် အားနည်းသောကြိုးစားမှုများ ဆက်လက်ပြုလုပ်နေပါသည်။ တိကျသော ထပ်လောင်းခြင်းများကို ခန့်မှန်းရန် ခက်ခဲသည်ဟု ကျယ်ကျယ်ပြန့်ပြန့် သိပြီး လက်ခံပါက စီမံကိန်းရေးဆွဲသူများသည် လုပ်ငန်းအစပြုမှုတွင် ငွေကြေးတန်ဖိုးကို အဘယ်ကြောင့်ထည့်ရန် ကြိုးစားကြသနည်း။ ဘယ်လိုဖြစ်နိုင်မလဲ။ ခြွင်းချက်အနည်းငယ်ဖြင့် မဖြစ်နိုင်ပါ။ မလုပ်ပါနဲ့။ ယခု ကျွန်ုပ်တို့သည် ROI တွက်ချက်ရာတွင် မလုပ်သင့်သောအရာများကို ချမှတ်ထားပြီး၊ သင်၏ BI ကြိုးပမ်းမှုများ၏တန်ဖိုးကို ခန့်မှန်းရန်အတွက် ယုံကြည်စိတ်ချရသော လုပ်ငန်းစဉ်တစ်ခုကို ထူထောင်ရာတွင် အထောက်အကူဖြစ်စေမည့် အချက်အချို့မှာ ဤအရာဖြစ်သည်။
ROI သဘောတူညီချက် ရယူခြင်း။ သင်၏ BI ကြိုးပမ်းမှုများ၏တန်ဖိုးကို ခန့်မှန်းရန်အတွက် သင်ရွေးချယ်သည့်နည်းပညာကို မည်သို့ပင်ဖြစ်စေ ပရောဂျက်စီစဉ်သူများ၊ စပွန်ဆာများနှင့် ကော်ပိုရိတ်အမှုဆောင်အရာရှိများအပါအဝင် ပါတီအားလုံးက သဘောတူရပါမည်။
ROI ကို ခွဲခြားနိုင်သော အစိတ်အပိုင်းများအဖြစ် ပိုင်းဖြတ်ပါ။ ကျိုးကြောင်းဆီလျော်သော ROI တွက်ချက်မှုဆီသို့ လိုအပ်သောခြေလှမ်းသည် တိကျသောပရောဂျက်တစ်ခုပေါ်တွင် ထိုတွက်ချက်မှုကို အာရုံစိုက်ရန်ဖြစ်သည်။ ၎င်းသည် သင့်အား ဖြည့်ဆည်းပေးသည့် လုပ်ငန်းလိုအပ်ချက်များအပေါ် အခြေခံ၍ တန်ဖိုးတစ်ခုကို ခန့်မှန်းနိုင်စေမည်ဖြစ်သည်။
ကုန်ကျစရိတ်များကိုသတ်မှတ်ပါ။ ဖော်ပြခဲ့သည့်အတိုင်း ကုန်ကျစရိတ်များစွာကို ထည့်သွင်းစဉ်းစားရန် လိုအပ်ပါသည်။ ထို့အပြင်၊ ကုန်ကျစရိတ်များသည် တစ်ဦးချင်း ထပ်ခါတလဲလဲခြင်းနှင့် ဆက်စပ်နေရုံသာမက လုပ်ငန်းဆိုင်ရာ စံချိန်စံညွှန်းများနှင့် လိုက်လျောညီထွေရှိစေရန်အတွက် ကုန်ကျစရိတ်များလည်း ပါဝင်သည်။
အကျိုးကျေးဇူးများကိုသတ်မှတ်ပါ။ သတ်မှတ်ထားသော လုပ်ငန်းလိုအပ်ချက်များနှင့် ROI ကို ရှင်းရှင်းလင်းလင်း ချိတ်ဆက်ခြင်းဖြင့်၊ လိုအပ်ချက်များနှင့် ပြည့်မီမည့် အကျိုးကျေးဇူးများကို ကျွန်ုပ်တို့ ရှာဖွေဖော်ထုတ်နိုင်ရပါမည်။
မကြာမီ အမြတ်ငွေများနှင့် ကုန်ကျစရိတ်များကို လျှော့ချပါ။ ၎င်းသည် အနာဂတ် ၀င်ငွေများတွင် အနာဂတ်တန်ဖိုးကို ခန့်မှန်းရန် ကြိုးစားခြင်းထက် သင်၏တန်ဖိုးများကို အသားတင်လက်ရှိတန်ဖိုး (NPV) ပေါ်တွင် အခြေခံရန် အကောင်းဆုံးနည်းလမ်းဖြစ်သည်။
သင်၏ ROI ကို အနည်းဆုံးဖြစ်အောင် ခွဲရန် အချိန်ထားပါ။ ၎င်းကို သင်၏ ROI တွင် အသုံးပြုထားပြီး ရေရှည်တွင် ကောင်းမွန်စွာ မှတ်တမ်းတင်ထားသည်။
ROI ဖော်မြူလာတစ်ခုထက်ပို၍ အသုံးပြုပါ။ ROI ကို ခန့်မှန်းရန် နည်းလမ်းများစွာရှိပြီး ၎င်းတို့ထဲမှ တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော အသားတင်တန်ဖိုး၊ ပြည်တွင်းပြန်နှုန်း (IRR) နှင့် ပြန်ဆပ်ခြင်းအပါအဝင် ၎င်းတို့ထဲမှ တစ်ခုကို အသုံးပြုရန် စီစဉ်သင့်သည်။
ထပ်ခါတလဲလဲ လုပ်နိုင်တဲ့ လုပ်ငန်းစဉ်ကို သတ်မှတ်ပါ။ ရေရှည်တန်ဖိုးကို တွက်ချက်ရာတွင် ၎င်းသည် အရေးကြီးပါသည်။ နောက်ဆက်တွဲ ပရောဂျက်ခွဲများအားလုံးအတွက် ထပ်ခါတလဲလဲ လုပ်ဆောင်နိုင်သော လုပ်ငန်းစဉ်တစ်ခုအား မှတ်တမ်းတင်ထားသင့်သည်။
ဖော်ပြထားသော ပြဿနာများသည် အိမ်တွင်းပတ်ဝန်းကျင် ကျွမ်းကျင်သူများ သတ်မှတ်သည့် အဖြစ်အများဆုံး ပြဿနာများ ဖြစ်သည်။ “Big-Bang” ROI ပေးအပ်ရန် စီမံခန့်ခွဲမှု၏ အခိုင်အမာရပ်တည်မှုသည် အလွန်ရှုပ်ထွေးသည်။ အကယ်၍ သင်သည် ROI တွက်ချက်မှုအားလုံးကို ခွဲခြားသိမြင်နိုင်သော၊ မြင်သာထင်သာရှိသော အစိတ်အပိုင်းများအဖြစ် ခွဲခြမ်းခြင်းဖြင့် စတင်ပါက၊ သင်သည် တိကျသော ROI ခန့်မှန်းချက်ကို ခန့်မှန်းရန် အခွင့်အလမ်းကောင်းရှိသည်။
ROI အကျိုးခံစားခွင့်များဆိုင်ရာ မေးခွန်းများ
သင်၏ အကျိုးကျေးဇူးများ မည်သို့ပင်ဖြစ်စေ ပျော့ပျောင်းသည်ဖြစ်စေ ခက်သည်ဖြစ်စေ ၎င်းတို့၏တန်ဖိုးကို ဆုံးဖြတ်ရန် အခြေခံမေးခွန်းအချို့ကို သင်အသုံးပြုနိုင်ပါသည်။ ဥပမာအားဖြင့် 1 မှ 10 အထိ ရိုးရှင်းသောစကေးစနစ်ကို အသုံးပြု၍ အောက်ပါမေးခွန်းများကို အသုံးပြု၍ မည်သည့်အားထုတ်မှု၏အကျိုးသက်ရောက်မှုကိုမဆို တိုင်းတာနိုင်ပါသည်။
- နားလည်မှုကို ဘယ်လိုသတ်မှတ်မလဲ။ dati သင့်ကုမ္ပဏီ၏ ဤပရောဂျက်ကို လိုက်နာပါသလား။
- ဤပရောဂျက်၏ရလဒ်အဖြစ် လုပ်ငန်းစဉ်တိုးတက်မှုများကို သင်မည်ကဲ့သို့ အဆင့်သတ်မှတ်မည်နည်း။
- ယခုပြန်လည်သုံးသပ်ခြင်းဖြင့် ရရှိနိုင်သော ထိုးထွင်းသိမြင်မှုနှင့် ကောက်ချက်အသစ်များ၏ အကျိုးသက်ရောက်မှုကို သင်မည်ကဲ့သို့ တိုင်းတာမည်နည်း။
- လေ့လာသင်ယူမှုရလဒ်အရ ပိုမိုကောင်းမွန်သော ကွန်ပျူတာပတ်ဝန်းကျင်အသစ်များ၏ အကျိုးသက်ရောက်မှုသည် အဘယ်နည်း။ ဤမေးခွန်းများအတွက် အဖြေနည်းပါးပါက၊ လုပ်ငန်းသည် ရင်းနှီးမြှပ်နှံမှုနှင့် မထိုက်တန်ကြောင်း ဖြစ်နိုင်သည်။ ရမှတ်မြင့်မားသောမေးခွန်းများသည် သိသာထင်ရှားသောတန်ဖိုးများရရှိမှုကို ညွှန်ပြပြီး နောက်ထပ်စုံစမ်းစစ်ဆေးမှုအတွက် လမ်းညွှန်များအဖြစ် ဆောင်ရွက်သင့်သည်။ ဥပမာအားဖြင့်၊ လုပ်ငန်းစဉ်တိုးတက်မှုအတွက် ရမှတ်မြင့်မားခြင်းသည် ဒီဇိုင်နာများအား လုပ်ငန်းစဉ်များ မည်သို့တိုးတက်ခဲ့သည်ကို ဆန်းစစ်ရန် ဦးတည်သင့်သည်။ ရရှိသောအမြတ်ငွေအချို့ သို့မဟုတ် အားလုံးကို မြင်သာထင်သာရှိနိုင်သောကြောင့် ငွေကြေးတန်ဖိုးကို အလွယ်တကူအသုံးချနိုင်သည်ကို သင်တွေ့ရှိနိုင်ပါသည်။ ပထမအကြိမ် ထပ်လောင်းခြင်းမှ အကောင်းဆုံးရယူပါ။ ကုနျလှောငျရုံ သင့်လုပ်ငန်းအားထုတ်မှု၏ အကြီးမားဆုံးသော အမြတ်ငွေမှာ ပထမအကြိမ်အနည်းငယ်တွင် မကြာခဏဖြစ်သည်။ ဤအစောပိုင်းကြိုးပမ်းအားထုတ်မှုများသည် အများသူငှာအသုံးအများဆုံးသတင်းအချက်အလက်အကြောင်းအရာကို တည်ထောင်ပြီး နောက်ဆက်တွဲ BI အပလီကေးရှင်းများအတွက် နည်းပညာအခြေခံအုတ်မြစ်ကို ထူထောင်ရာတွင် အထောက်အကူဖြစ်စေပါသည်။ အများအားဖြင့် နောက်ဆက်တွဲ နောက်ဆက်တွဲ အသီးအသီး dati ဂိုဒေါင်ပရောဂျက်များသည် လုပ်ငန်းတစ်ခုလုံးအတွက် အပိုဆောင်းတန်ဖိုးများ လျော့နည်းလာပါသည်။ ထပ်ခါထပ်ခါပြုလုပ်ခြင်းသည် အကြောင်းအရာအသစ်များမထည့်ဘဲ သို့မဟုတ် အသုံးပြုသူအသိုင်းအဝိုင်းအသစ်၏လိုအပ်ချက်များနှင့်ကိုက်ညီပါက အထူးသဖြင့်မှန်ကန်ပါသည်။
ဤသိမ်းဆည်းခြင်းအင်္ဂါရပ်သည် ကြီးထွားလာသောအစုအဝေးများနှင့်လည်း သက်ဆိုင်ပါသည်။ dati သမိုင်းပညာရှင်များ။ နောက်ဆက်တွဲအနေနဲ့ အားထုတ်မှုတွေ ပိုလိုအပ်ပါတယ်။ dati နှင့်မည်မျှပို dati အများစုမှာ အချိန်ကြာလာသည်နှင့်အမျှ ဂိုဒေါင်ထဲသို့ လောင်းကြသည်။ dati အသုံးပြုထားသော ခွဲခြမ်းစိတ်ဖြာမှုနှင့် သက်ဆိုင်မှု နည်းပါးလာသည်။ ဒါတွေ dati မကြာခဏခေါ်ကြသည်။ dati မြုံပြီး သိမ်းထားဖို့ အမြဲစျေးကြီးတယ် ဘာလို့လဲဆိုတော့ သူတို့က အသုံးမဝင်သလောက်ပါပဲ။
ပရောဂျက်စပွန်ဆာများအတွက် ၎င်းသည် ဘာကိုဆိုလိုသနည်း။ အခြေခံအားဖြင့် ပထမစပွန်ဆာများသည် ရင်းနှီးမြှုပ်နှံမှုစရိတ်များထက် ပိုများသည်။ ၎င်းသည် အော်ဂဲနစ်အပါအဝင် ဂိုဒေါင်၏ကျယ်ပြန့်သောနည်းပညာနှင့် အရင်းအမြစ်ပတ်ဝန်းကျင်အလွှာကို တည်ထောင်ရန် တွန်းအားဖြစ်သောကြောင့် ၎င်းတို့သည် အဓိကဖြစ်သည်။
သို့သော် ဤပထမအဆင့်များသည် အကြီးမားဆုံးတန်ဖိုးကို သယ်ဆောင်လာသောကြောင့် ပရောဂျက်စီစဉ်သူများသည် ရင်းနှီးမြှုပ်နှံမှုကို အကြောင်းပြလေ့ရှိသည်။
သင်၏ BI အစပျိုးပြီးနောက် လုပ်ဆောင်ခဲ့သော ပရောဂျက်များသည် (ပထမနှင့် နှိုင်းယှဉ်ပါက) နည်းပါးပြီး တိုက်ရိုက်ကုန်ကျစရိတ်များ ရှိနိုင်သော်လည်း လုပ်ငန်းအတွက် တန်ဖိုးနည်းပါသည်။
အဖွဲ့အစည်းပိုင်ရှင်များသည် အဆောက်အအုံကို ပစ်ချရန် စတင်စဉ်းစားရန် လိုအပ်ပါသည်။ dati နှင့် သက်ဆိုင်မှုနည်းသော နည်းပညာများ။
ဒေတာတူးဖော်ခြင်း- ထုတ်ယူခြင်း။ Dati
များစွာသော ဗိသုကာဆိုင်ရာ အစိတ်အပိုင်းများသည် ဒေတာတူးဖော်ခြင်းနည်းပညာများနှင့် နည်းစနစ်အမျိုးမျိုး လိုအပ်သည်—
ဥပမာအားဖြင့်၊ ကွဲပြားခြားနားသော "အေးဂျင့်များ" ၏စိတ်ဝင်စားဖွယ်အချက်များကိုဆန်းစစ် ဖောက်သည်များကုမ္ပဏီ၏ လည်ပတ်မှုစနစ်များနှင့် တူညီသော dw အတွက်၊ ဤအေးဂျင့်များသည် အရောင်းမြှင့်တင်မှုများအပေါ်အခြေခံ၍ အနာဂတ်ထုတ်ကုန်ဝယ်လိုအားကဲ့သို့သော pot trends များကိုလေ့ကျင့်သင်ကြားထားသည့်အဆင့်မြင့်အာရုံကြောကွန်ရက်များဖြစ်နိုင်သည်။ သတ်မှတ်ချက်များကို တုံ့ပြန်ရန်အတွက် စည်းမျဉ်းအခြေခံ အင်ဂျင်များ Dato အခြေအနေများ၏ ဥပမာ၊ ဆေးဘက်ဆိုင်ရာ ရောဂါရှာဖွေခြင်းနှင့် ကုသမှု အကြံပြုချက်များ၊ သို့မဟုတ် ထိပ်တန်းအမှုဆောင်အရာရှိများထံ ခြွင်းချက်အစီရင်ခံသည့် အခန်းကဏ္ဍပါသော ရိုးရှင်းသော အေးဂျင့်များပင်။ ယေဘုယျအားဖြင့် ဤထုတ်ယူမှုလုပ်ငန်းစဉ်များ dati si
အချိန်နှင့်တပြေးညီစစ်ဆေးပါ။ ထို့ကြောင့် ရွေ့လျားမှုနှင့်အတူ လုံးလုံးညီညွတ်ကြရမည်ဖြစ်သည်။ dati မိမိကိုယ်ကို။
အွန်လိုင်း ခွဲခြမ်းစိတ်ဖြာမှု စီမံဆောင်ရွက်ခြင်း
အွန်လိုင်း ပိုင်းခြားစိတ်ဖြာချက်
လှီးဖြတ်ခြင်း၊ အန်စာတုံးခြင်း၊ လှိမ့်ခြင်း၊ တူးဖော်ခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်းများ လုပ်ဆောင်နိုင်မှု
IBM နည်းပညာအစုံအလင်၏ ဘောင်အတွင်း မည်သည် မည်သည် ဖြစ်သည် ။ ဥပမာအားဖြင့်၊ အွန်လိုင်းခွဲခြမ်းစိတ်ဖြာမှုလုပ်ဆောင်ခြင်း (OLAP) လုပ်ဆောင်ချက်များသည် DB2 အတွက် အတိုင်းအတာပိုင်းခွဲခြမ်းစိတ်ဖြာမှုကို အင်ဂျင်၏အင်ဂျင်သို့ ယူဆောင်လာပေးသည့် လုပ်ဆောင်ချက်များဖြစ်သည်။ ဒေတာဘေ့စ အတူတူပါပဲ။
Functions များသည် DB2 ၏ သဘာဝအစိတ်အပိုင်းတစ်ခုဖြစ်ခြင်း၏ အကျိုးကျေးဇူးအားလုံးကို စုဆောင်းရင်း SQL တွင် အတိုင်းအတာ အသုံးဝင်မှုကို ပေါင်းထည့်သည်။ OLAP ပေါင်းစည်းခြင်း၏ နောက်ထပ်ဥပမာတစ်ခုမှာ ထုတ်ယူသည့်ကိရိယာ၊ DB2 OLAP Analyzer ဆာဗာဖြစ်သည်။ ဤနည်းပညာသည် DB2 OLAP Server cubes များ၏တန်ဖိုးများကိုရှာဖွေရန်နှင့်အစီရင်ခံရန်အတွက်လျင်မြန်စွာအလိုအလျောက်စကင်န်ဖတ်ရန်ခွင့်ပြုသည်။ dati ပုံမှန်မဟုတ်သော သို့မဟုတ် မမျှော်လင့်ထားသော မည်သည့် cube အတွက်မဆို ရောင်းဝယ်မှုလေ့လာသူ။ နောက်ဆုံးအနေနှင့်၊ DW Center လုပ်ဆောင်ချက်များသည် ETL လုပ်ငန်းစဉ်များ၏ သဘာဝအစိတ်အပိုင်းတစ်ခုအနေဖြင့် DB2 OLAP cube server ၏ ပရိုဖိုင်ကို ဗိသုကာပညာရှင်များအား စစ်ဆေးရန် နည်းလမ်းတစ်ခုပေးပါသည်။
Spatial Analysis Spatial Analysis
Space သည် မြင်ကွင်းကျယ်တစ်ခုအတွက် လိုအပ်သော ခွဲခြမ်းစိတ်ဖြာမှုကျောက်ဆူးများ (conductions) တစ်ဝက်ကို ကိုယ်စားပြုသည်။
ကျယ်ပြန့်သော ပိုင်းခြားစိတ်ဖြာမှု (အချိန်သည် အခြားတစ်ဝက်ကို ကိုယ်စားပြုသည်)။ ပုံ 1.1 တွင် ဖော်ပြထားသော ကုန်လှောင်ရုံ၏ အဏုမြူအဆင့်သည် အချိန်နှင့် အာကာသအတွက် အုတ်မြစ်များ ပါဝင်သည်။ အချိန်တံဆိပ်တုံးများကို အချိန်အလိုက် ခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် လိပ်စာ အချက်အလက် ကျောက်ဆူးများကို နေရာအလိုက် ခွဲခြမ်းစိတ်ဖြာခြင်း။ Timestamps များသည် အချိန်အလိုက် ခွဲခြမ်းစိတ်ဖြာမှုကို လုပ်ဆောင်ပြီး လိပ်စာအချက်အလက်များသည် အာကာသဖြင့် ခွဲခြမ်းစိတ်ဖြာမှုကို လုပ်ဆောင်သည်။ ပုံကြမ်းတွင် geocoding- မြေပုံရှိ အမှတ်များ သို့မဟုတ် အာကာသရှိ အမှတ်များအဖြစ် လိပ်စာများကို ခွဲခြမ်းစိတ်ဖြာရာတွင် အကွာအဝေးနှင့် အတွင်း/အပြင် ကဲ့သို့သော သဘောတရားများကို အသုံးချနိုင်စေရန်- အက်တမ်အဆင့်တွင် ပြုလုပ်သည့် ခွဲခြမ်းစိတ်ဖြာမှုနှင့် အာကာသဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုကို ခွဲခြမ်းစိတ်ဖြာသူထံ ရရှိစေမည်ဖြစ်သည်။ IBM သည် Environmental System Research Institute (ESRI), al ဒေတာဘေ့စ DB2 သည် spatial အရာဝတ္ထုများကို ပုံမှန်အစိတ်အပိုင်းတစ်ခုအဖြစ် ထိန်းသိမ်းထားနိုင်စေရန် ဒေတာဘေ့စ ဆက်စပ်မှု။ db2
Spatial Extenders များသည် spatial ခွဲခြမ်းစိတ်ဖြာမှုကို အခွင့်ကောင်းယူရန် SQL extension အားလုံးကို ပေးပါသည်။ ဥပမာအားဖြင့်၊ မေးမြန်းရန် SQL extensions များ
လိပ်စာများကြား အကွာအဝေး သို့မဟုတ် အမှတ်တစ်ခုသည် သတ်မှတ်ထားသော ဗဟုဂံဧရိယာအတွင်း သို့မဟုတ် အပြင်ရှိမရှိ၊ Spatial Extender နှင့် ခွဲခြမ်းစိတ်ဖြာမှုစံနှုန်းတစ်ခုဖြစ်သည်။ နောက်ထပ်အချက်အလက်များအတွက် အခန်း 16 ကိုကြည့်ပါ။
ဒေတာဘေ့စ-Resident Tools Tools များ ဒေတာဘေ့စ-နေထိုင်သူ
DB2 တွင် ခွဲခြမ်းစိတ်ဖြာမှုလုပ်ဆောင်ရာတွင် အထောက်အကူဖြစ်စေသော SQL BI-resident အင်္ဂါရပ်များစွာရှိသည်။ ၎င်းတို့တွင်-
- ခွဲခြမ်းစိတ်ဖြာမှုလုပ်ဆောင်ရန် Recursion functions ဖြစ်သည့် “ဖြစ်နိုင်ချေရှိသော ပျံသန်းမှုလမ်းကြောင်းအားလုံးကို ရှာဖွေပါ။ ဆန်ဖရန်စစ္စကို a New York "။
- ပုံမှန်အားဖြင့် OLAP နည်းပညာဖြင့်သာ လုပ်ဆောင်ရသည့် အလုပ်များကို လွယ်ကူချောမွေ့စေရန် အဆင့်သတ်မှတ်ခြင်း၊ စုစည်းမှု၊ ကုဗနှင့် rollup လုပ်ဆောင်ချက်များအတွက် ခွဲခြမ်းစိတ်ဖြာမှုလုပ်ဆောင်ချက်များသည် ယခုအခါ အင်ဂျင်၏ သဘာဝအစိတ်အပိုင်းတစ်ခုဖြစ်သည်။ ဒေတာဘေ့စ
- ရလဒ်များပါရှိသောဇယားများကိုဖန်တီးနိုင်မှု
ရောင်းချသူများ ဒေတာဘေ့စ ခေါင်းဆောင်များသည် BI ၏အင်္ဂါရပ်များကိုပိုမိုပေါင်းစပ်သည်။ ဒေတာဘေ့စ ကိုယ်ပိုင်o။
အဓိက ပေးသွင်းသူများ ဒေတာအခြေခံ ၎င်းတို့သည် BI အင်္ဂါရပ်များကို ပိုမိုပေါင်းစပ်ထားသည်။ ဒေတာဘေ့စ ကိုယ်ပိုင်o။
၎င်းသည် BI ဖြေရှင်းချက်များအတွက် ပိုမိုကောင်းမွန်သော စွမ်းဆောင်ရည်နှင့် လုပ်ဆောင်မှုရွေးချယ်စရာများကို ပံ့ပိုးပေးပါသည်။
DB2 V8 ၏ အင်္ဂါရပ်များနှင့် လုပ်ဆောင်ချက်များကို အောက်ပါအခန်းများတွင် အသေးစိတ် ဆွေးနွေးထားပါသည်။
နည်းပညာဗိသုကာနှင့် ဒေတာစီမံခန့်ခွဲမှုအခြေခံများ (အခန်း ၅)
- DB2 BI အခြေခံများ (အခန်း 6)
- DB2 မှ ပုံဖော်ထားသော မေးခွန်းဇယားများ (အခန်း 7)
- DB2 OLAP လုပ်ဆောင်ချက်များ (အခန်း 13)
- DB2 မြှင့်တင်ထားသော BI အင်္ဂါရပ်များနှင့် လုပ်ဆောင်ချက်များ (အခန်း 15) ရိုးရှင်းသောဒေတာပေးပို့မှုစနစ် ပို့ဆောင်မှုစနစ် dati ပုံဥပမာ
ပုံ 1.1 တွင်ဖော်ပြထားသော ဗိသုကာလက်ရာများသည် မြောက်မြားစွာသောဖွဲ့စည်းပုံများပါဝင်သည်။ dati ရုပ်ပိုင်းဆိုင်ရာ။ တစ်ခုမှာ ဂိုဒေါင်ဖြစ်သည်။ dati လည်ပတ်ခြင်း။ ယေဘုယျအားဖြင့် ODS သည် အရာဝတ္ထုကို ဦးတည်သည်၊ ပေါင်းစပ်ထားပြီး လက်ရှိဖြစ်သည်။ ဥပမာအားဖြင့်၊ အရောင်းရုံးကို ပံ့ပိုးရန် သင်သည် ODS တစ်ခုကို တည်ဆောက်မည်ဖြစ်သည်။ ODS အရောင်းရရင် ဖြည့်မယ်။ dati မတူညီသော စနစ်များစွာမှ သော်လည်းကောင်း ဥပမာအားဖြင့် ယနေ့ခေတ် ငွေပေးငွေယူများကိုသာ သိမ်းဆည်းထားမည်ဖြစ်သည်။ ODS ကို တစ်နေ့လျှင် အကြိမ်များစွာ အပ်ဒိတ်လုပ်နိုင်သည်။ တပြိုင်နက်တည်း တွန်းအားပေးသည့် လုပ်ငန်းစဉ်များ ဖြဈသည်။ dati အခြားအပလီကေးရှင်းများတွင် ပေါင်းစပ်ထားသည်။ ဤဖွဲ့စည်းပုံကို ပေါင်းစပ်ရန် အထူးဒီဇိုင်းထုတ်ထားသည်။ dati လက်ရှိနှင့် သွက်လက်ပြီး ဝန်ဆောင်မှု အေးဂျင့်များ ပေးဆောင်ခြင်းကဲ့သို့သော အချိန်နှင့်တစ်ပြေးညီ ခွဲခြမ်းစိတ်ဖြာမှုများကို ပံ့ပိုးရန် အလားအလာရှိသော ကိုယ်စားလှယ်လောင်းတစ်ဦး ဖြစ်လာမည်ဖြစ်သည်။ ဖောက်သည်များ ပစ္စည်းစာရင်းကိုယ်တိုင်မှ အရောင်းလမ်းကြောင်းအချက်အလက်ကို ထုတ်ယူခြင်းဖြင့် ဖောက်သည်တစ်ဦး၏ လက်ရှိအရောင်းအချက်အလက်။ ပုံ 1.1 တွင်ပြထားသည့်နောက်ထပ်ဖွဲ့စည်းပုံသည် dw အတွက်တရားဝင်အခြေအနေဖြစ်သည်။ ဤနေရာသည် လိုအပ်သော ပေါင်းစည်းမှု၏ အရည်အသွေးကို အကောင်အထည်ဖော်ရန် နေရာဖြစ်သည်။ dati, နှင့်အသွင်ပြောင်း၏ dati Incoming warehouse ၏သာမကဘဲ ယုံကြည်စိတ်ချရပြီး ယာယီသိုလှောင်မှုဧရိယာတစ်ခုလည်းဖြစ်သည်။ dati အချိန်နှင့်တပြေးညီ ခွဲခြမ်းစိတ်ဖြာမှုတွင် အသုံးပြုနိုင်သည့် ပုံတူများ။ ODS သို့မဟုတ် အဆင့်သတ်မှတ်ဧရိယာကို အသုံးပြုရန် ဆုံးဖြတ်ပါက၊ ဤဖွဲ့စည်းပုံများကို ဖြည့်ရန် အကောင်းဆုံးကိရိယာများထဲမှ တစ်ခုဖြစ်သည်။ dati မတူညီသော လုပ်ငန်းလည်ပတ်မှုရင်းမြစ်များကို အသုံးပြုခြင်းသည် DB2 ၏ ကွဲပြားသော ဖြန့်ဝေမေးမြန်းမှုဖြစ်သည်။ ဤစွမ်းရည်ကို DB2 Relational Connect ဟုခေါ်သော ရွေးချယ်နိုင်သော DB2 အင်္ဂါရပ် (မေးမြန်းချက်များအတွက်သာ) နှင့် DB2 DataJoiner (ကွဲပြားသော ဖြန့်ဝေထားသော RDBMS များကို ဖြန့်ဝေပေးသည့် သီးခြားထုတ်ကုန်တစ်ခု) မှတဆင့် ပေးပို့ပါသည်။
ဒီနည်းပညာက ဗိသုကာပညာရှင်တွေကို ခွင့်ပြုပါတယ်။ dati ချည်ရန် dati ခွဲခြမ်းစိတ်ဖြာမှု လုပ်ငန်းစဉ်များဖြင့် ထုတ်လုပ်မှု၊ နည်းပညာသည် အချိန်နှင့်တစ်ပြေးညီ ခွဲခြမ်းစိတ်ဖြာမှုဖြင့် ဖြစ်ပေါ်လာနိုင်သည့် ကူးယူမှုတောင်းဆိုမှုတိုင်းအတွက် လိုက်လျောညီထွေဖြစ်အောင် လုပ်ဆောင်နိုင်ရုံသာမက အမျိုးမျိုးသော အမျိုးမျိုးကိုလည်း ချိတ်ဆက်နိုင်သည်။ dati DB2၊ Oracle၊ Sybase၊ SQL Server၊ Informix နှင့် အခြားလူကြိုက်အများဆုံးများ။ ဖွဲ့စည်းပုံတစ်ခုအားဖြည့်ရန် DB2 DataJoiner ကိုသုံးနိုင်သည်။ dati ODS သို့မဟုတ် ချက်ခြင်းအပ်ဒိတ်များကို အမြန်ပြန်လည်ရယူရန် သို့မဟုတ် ရောင်းချရန်အတွက် ဒီဇိုင်းထုတ်ထားသော ဂိုဒေါင်အတွင်းရှိ အမြဲတမ်းဇယားတစ်ခုကဲ့သို့ တရားဝင်ဖြစ်သည်။ ဟုတ်ပါတယ်, ဒီဖွဲ့စည်းပုံများကိုယ်တိုင် dati အသုံးပြု၍ ဖြည့်သွင်းနိုင်ပါသည်။
ပုံတူပွားခြင်းအတွက် ဒီဇိုင်းထုတ်ထားသော နောက်ထပ်အရေးကြီးသော နည်းပညာတစ်ခုဖြစ်သည်။ dati, IBM DataPropagator Relational ။ (DataPropagator သည် ဗဟိုစနစ်များအတွက် သီးခြားထုတ်ကုန်တစ်ခုဖြစ်သည်။ DB2 UNIX၊ Linux၊ Windows နှင့် OS/2 ၏ ပုံတူခြင်းဝန်ဆောင်မှုများ ပါဝင်သည်။ dati စံအင်္ဂါရပ်အဖြစ်)။
ရွေ့လျားခြင်းအတွက် နောက်ထပ်နည်းလမ်းတစ်ခု dati လုပ်ငန်းလည်ပတ်နေသောလုပ်ငန်းသည် မက်ဆေ့ချ်ပွဲစားအဖြစ် လူသိများသော လုပ်ငန်းဆိုင်ရာ အပလီကေးရှင်းတစ်ခုဖြစ်သည်။ dati ကုမ္ပဏီပတ်လည်။ IBM တွင် အသုံးအများဆုံး မက်ဆေ့ချ်ပွဲစား၊ MQSeries၊ သို့မဟုတ် လိုအပ်ချက်များ ပါဝင်သော ထုတ်ကုန်၏ ပြောင်းလဲမှု e-commerce, IBM WebSphere MQ ။
ဂိုဒေါင်နှင့် BI ပတ်ဝန်းကျင်ကို ပံ့ပိုးရန် MQ ကို မည်ကဲ့သို့ အသုံးချရမည်အကြောင်း နောက်ထပ် ဆွေးနွေးမှုများအတွက်၊ သွားရောက်ကြည့်ရှုပါ။ ဝဘ်ဆိုဒ် စာအုပ်၏ ယခုအချိန်တွင်၊ ဤနည်းပညာသည် ဖမ်းယူ၍ အသွင်ပြောင်းရန် အကောင်းဆုံးနည်းလမ်းဖြစ်သည် (MQSeries Integrator ကိုအသုံးပြု၍) ဟုဆိုရန် လုံလောက်ပါသည်။ dati BI ဖြေရှင်းချက်များအတွက် ပစ်မှတ်ထားလုပ်ကိုင်သူများကို ခေါ်ယူထားသည်။ MQ နည်းပညာကို UDB V8 တွင် ပေါင်းစပ်ထည့်သွင်းထားပြီး၊ ဆိုလိုသည်မှာ မက်ဆေ့ချ်တန်းစီခြင်းများကို DB2 ဇယားများကဲ့သို့ စီမံခန့်ခွဲနိုင်ပြီဖြစ်သည်။ ဂဟေ တန်းစီစာများ သဘောတရားနှင့် သြဠာရိက ဒေတာဘေ့စ ဆက်စပ်မှု၏ပေးပို့မှု၏အားကောင်းသောပတ်ဝန်းကျင်ဆီသို့ဦးတည် dati.
Zero-Latency Zero latency
IBM အတွက် အဆုံးစွန်သော မဟာဗျူဟာ ရည်မှန်းချက်မှာ zero-latency ခွဲခြမ်းစိတ်ဖြာခြင်း ဖြစ်သည်။ သတ်မှတ်ထားတဲ့ အတိုင်းပါပဲ။
Gartner၊ BI စနစ်သည် လိုအပ်ချက်အရ လေ့လာသုံးသပ်သူများအတွက် ကောက်ချက်ချနိုင်၊ ထည့်သွင်းနိုင်ကာ အချက်အလက်များကို ပေးဆောင်နိုင်ရပါမည်။ စိန်ခေါ်မှုကတော့ ဘယ်လို ရောစပ်ရမလဲ dati i ကဲ့သို့သော လိုအပ်သော သမိုင်းဆိုင်ရာ အချက်အလက်များဖြင့် လက်ရှိနှင့် အချိန်နှင့်တပြေးညီ dati ဆက်စပ်သော လမ်းကြောင်း/ပုံစံ၊ သို့မဟုတ် ဖောက်သည် ပရိုဖိုင်ဖော်ပြခြင်းကဲ့သို့ ဖြတ်ထုတ်ထားသော ထိုးထွင်းသိမြင်မှု။
ထိုကဲ့သို့သောအချက်အလက်များပါဝင်သည်, ဥပမာ, ဖော်ထုတ်ခြင်း။ ဖောက်သည်များ မြင့်မားသော သို့မဟုတ် နိမ့်သောအန္တရာယ် သို့မဟုတ် မည်သည့်ထုတ်ကုန်များ i ဖောက်သည်များ ဈေးဝယ်လှည်းများတွင် ဒိန်ခဲရှိနေပြီဆိုလျှင် ၎င်းတို့သည် ဝယ်ယူနိုင်ခြေများပါသည်။
Zero latency ရယူခြင်းသည် အမှန်တကယ်တွင် အခြေခံယန္တရားနှစ်ခုပေါ်တွင် မူတည်သည်-
- ပြီးပြည့်စုံသော ပြည်ထောင်စု dati တည်ထောင်ထားသောနည်းပညာများနှင့် BI မှဖန်တီးထားသောကိရိယာများဖြင့်ခွဲခြမ်းစိတ်ဖြာသည်။
- ပို့ဆောင်မှုစနစ် dati အချိန်နှင့်တစ်ပြေးညီ ခွဲခြမ်းစိတ်ဖြာမှုများကို အမှန်တကယ်ရရှိနိုင်ကြောင်း သေချာစေရန် ထိရောက်မှုရှိသော ဤ latency သုညအတွက် လိုအပ်ချက်များသည် အထက်တွင်ဖော်ပြထားသော IBM မှ ချမှတ်ထားသော ပန်းတိုင်နှစ်ခုနှင့် မတူညီပါ။ တင်းကျပ်စွာ အဆက်အစပ် ဟိသည်။ dati ၎င်းသည် IBM ၏ ချောမွေ့သော ပေါင်းစည်းမှု ပရိုဂရမ်၏ တစ်စိတ်တစ်ပိုင်းဖြစ်သည်။ ပေးပို့မှုစနစ် ဖန်တီးပါ။ dati ထိရောက်မှုသည် ပေးပို့မှုလုပ်ငန်းစဉ်ကို ရိုးရှင်းလွယ်ကူစေမည့် ရရှိနိုင်သောနည်းပညာပေါ်တွင် လုံးဝမူတည်ပါသည်။ dati. ထို့ကြောင့်၊ IBM ၏ ပန်းတိုင်သုံးခုအနက်မှ နှစ်ခုသည် တတိယမြောက်အောင်မြင်ရန် အရေးကြီးပါသည်။ IBM သည် သိုလှောင်ရုံဆိုင်ရာ ကြိုးပမ်းအားထုတ်မှုများအတွက် လက်တွေ့ကျကြောင်း သေချာစေရန်အတွက် ၎င်း၏နည်းပညာကို သတိရှိရှိ တီထွင်နေပါသည်။ အနှစ်ချုပ် / Synthesis သင်၏ BI အဖွဲ့အစည်းသည် သင့်ပတ်ဝန်းကျင်ကို တည်ဆောက်ရန်အတွက် လမ်းပြမြေပုံကို ပံ့ပိုးပေးပါသည်။
အထပ်ထပ်။ လက်ရှိနှင့် အနာဂတ် နှစ်ခုလုံးတွင် သင့်လုပ်ငန်း၏ လိုအပ်ချက်များကို ထင်ဟပ်စေရန် ၎င်းကို ချိန်ညှိရပါမည်။ ကျယ်ပြန့်သော ဗိသုကာအမြင်မရှိလျှင် ဂိုဒေါင်ကို ထပ်ခါထပ်ခါပြုလုပ်ခြင်းသည် ကြီးမားပြီး သတင်းအချက်အလက်ပေးသော လုပ်ငန်းတစ်ခုဖန်တီးရန် အနည်းငယ်သာလုပ်ဆောင်သည့် ဗဟိုဂိုဒေါင်၏ အတုမဲ့အကောင်အထည်ဖော်မှုများထက် အနည်းငယ်သာလွန်ပါသည်။ ပရောဂျက်ခေါင်းဆောင်များအတွက် ပထမဆုံးအခက်အခဲမှာ BI အဖွဲ့အစည်းကို ကြီးထွားရန်အတွက် လိုအပ်သော ရင်းနှီးမြှုပ်နှံမှုကို မျှတအောင်ပြုလုပ်နည်းဖြစ်သည်။ ROI တွက်ချက်မှုများသည် စာရင်းဇယားအောင်မြင်မှုများ၏ အဓိကကျသည့်အချက်အဖြစ် ဆက်လက်တည်ရှိနေသော်လည်း အတိအကျခန့်မှန်းရန် ပို၍ခက်ခဲလာသည်။ ယင်းက သင့်ငွေကို တန်ဖိုးရှိမရှိ ဆုံးဖြတ်ရန် အခြားနည်းလမ်းများဆီသို့ ဦးတည်စေခဲ့သည်။ ဥပမာအားဖြင့် Investment2 (VOI) ၏တန်ဖိုးကို ဖြေရှင်းချက်တစ်ခုအနေဖြင့် ရယူသည်။ ၎င်းသည် ဗိသုကာပညာရှင်များအပေါ်တွင် တာဝန်ရှိသည်။ dati ပရောဂျက်အစီအစဉ်ရေးဆွဲသူများသည် ဝန်ဆောင်မှုတစ်ခုပေးရုံမျှမဟုတ်ဘဲ သုံးစွဲသူအသင်းအဖွဲ့များသို့ တမင်တကာ သတင်းအချက်အလက်ထုတ်ပေးကာ ပံ့ပိုးပေးသည်။ dati. နှစ်ခုကြားတွင် ကြီးမားသောကွာခြားချက်တစ်ခုရှိသည်။ သတင်းအချက်အလက်သည် ဆုံးဖြတ်ချက်ချခြင်းနှင့် ထိရောက်မှုတွင် ခြားနားစေသည့် အရာတစ်ခုဖြစ်သည်။ အတော်လေး, i dati ၎င်းတို့သည် ထိုအချက်အလက်များကို ရယူရန်အတွက် ပိတ်ဆို့ခြင်းများကို တည်ဆောက်နေကြသည်။
အရင်းအမြစ်ကို ဝေဖန်ရင်တောင် dati လုပ်ငန်းလိုအပ်ချက်များကိုဖြေရှင်းရန်အတွက် BI ပတ်ဝန်းကျင်သည် သတင်းအချက်အလက်အကြောင်းအရာဖန်တီးရာတွင် ပိုမိုကောင်းမွန်သောအခန်းကဏ္ဍမှ ဆောင်ရွက်သင့်သည်။ အသုံးပြုသူများလုပ်ဆောင်နိုင်သည့် အချက်အလက်အကြောင်းအရာများကို သန့်စင်ရန်၊ ပေါင်းစည်းရန်၊ အသွင်ပြောင်းရန်၊ သို့မဟုတ် အခြားနည်းဖြင့် ဖန်တီးရန် အပိုအဆင့်များကို လုပ်ဆောင်ရမည်ဖြစ်ပြီး၊ ထို့နောက် အဆိုပါလုပ်ရပ်များနှင့် ဆုံးဖြတ်ချက်များသည် ကျိုးကြောင်းဆီလျော်မှုရှိလျှင် BI ပတ်ဝန်းကျင်တွင် ထင်ဟပ်ကြောင်း သေချာစေရပါမည်။ အကယ်၍ ကျွန်ုပ်တို့သည် ဂိုဒေါင်ကို ရာထူးမှ ဖြုတ်လိုက်လျှင် စသည်ဖြင့်သာ ဆောင်ရွက်ပေးပါသည်။ datiအသုံးပြုသူအသင်းအဖွဲ့များသည် အရေးယူဆောင်ရွက်ရန် လိုအပ်သော အချက်အလက်အကြောင်းအရာများကို ဖန်တီးပေးမည် ဖြစ်ကြောင်း စိတ်ချပါ။ ယင်းက ၎င်းတို့၏အသိုင်းအဝိုင်းသည် ပိုမိုကောင်းမွန်သော ဆုံးဖြတ်ချက်များ ချမှတ်နိုင်စေရန် သေချာစေသော်လည်း လုပ်ငန်းသည် ၎င်းတို့အသုံးပြုသည့် အသိပညာနည်းပါးမှုကို ကြုံတွေ့နေရသည်။ datum ဗိသုကာပညာရှင်များနှင့် ပရောဂျက်ရေးဆွဲသူများသည် BI ပတ်ဝန်းကျင်တွင် တိကျသောပရောဂျက်များကို စတင်လုပ်ဆောင်ကြသောကြောင့် လုပ်ငန်းတစ်ခုလုံးအတွက် တာဝန်ခံမှုရှိနေပါသည်။ BI ထပ်ခြင်း၏ ရိုးရှင်းသော ဥပမာကို အရင်းအမြစ်တွင် တွေ့နိုင်သည်။ dati. အရာအားလုံး dati သတ်မှတ်ထားသော စီးပွားဖြစ်တောင်းဆိုမှုများအတွက် လက်ခံရရှိသော ပထမအနုမြူအလွှာတွင် လူနေရပါမည်။ ၎င်းသည် လုပ်ငန်းဆိုင်ရာ အချက်အလက်များ ပိုင်ဆိုင်မှု၏ ဖွံ့ဖြိုးတိုးတက်မှုကို သေချာစေသည့်အပြင် ထပ်ကာထပ်ကာ သတ်မှတ်ထားသည့် အသုံးပြုသူ တောင်းဆိုချက်များကို စီမံခန့်ခွဲရန်လည်း သေချာစေပါသည်။
Data Warehouse ဆိုတာဘာလဲ။
ဒေတာသိုလှောင်ရုံ 1990 ခုနှစ်ကတည်းက သတင်းအချက်အလက်စနစ်ဗိသုကာပညာ၏ဗဟိုချက်ဖြစ်ခဲ့ပြီး ခိုင်မာသောပေါင်းစပ်ပလပ်ဖောင်းတစ်ခုကို ပေးဆောင်ခြင်းဖြင့် သတင်းအချက်အလက်လုပ်ငန်းစဉ်များကို ပံ့ပိုးပေးပါသည်။ dati သမိုင်းကို နောက်ဆက်တွဲ ခွဲခြမ်းစိတ်ဖြာမှုများအတွက် အခြေခံအဖြစ် ယူသည်။ THE ဒေတာဂိုဒေါင် ၎င်းတို့သည် သဟဇာတမဖြစ်သော အပလီကေးရှင်းစနစ်များကမ္ဘာသို့ ပေါင်းစည်းရန် လွယ်ကူစေသည်။ ဒေတာသိုလှောင်ရုံ ပရိဘောဂတစ်ခုဖြစ်လာသည်။ ဒေတာသိုလှောင်ရုံ စုစည်းပြီး အလွတ်ကျက်ပါ။ dati ရှည်လျားသော သမိုင်းဆိုင်ရာ ယာယီရှုထောင့်ကို အခြေခံ၍ သတင်းအချက်အလက်နှင့် ခွဲခြမ်းစိတ်ဖြာမှု လုပ်ငန်းစဉ်များအတွက် လိုအပ်ပါသည်။ ဤအရာအားလုံးသည် ဆောက်လုပ်ရေးနှင့် ပြုပြင်ထိန်းသိမ်းမှုတွင် အတော်အတန် စဉ်ဆက်မပြတ် အားထုတ်မှု ပါဝင်သည်။ ဒေတာဂိုဒေါင်.
ဒါဆို တစ်ခုကဘာလဲ ဒေတာဂိုဒေါင်? က ဒေတာဂိုဒေါင် နှင့်-
- ▪ ဘာသာရပ်ကို ဦးတည်သည်။
- ▪ ပေါင်းစပ်စနစ်
- ▪ အချိန်ကွာခြားမှု
- ▪ မတည်ငြိမ်သော (မပယ်ဖျက်ပါ)
စုစည်းမှုတစ်ခု dati လုပ်ငန်းစဉ်များ အကောင်အထည်ဖော်ရာတွင် စီမံခန့်ခွဲမှုဆိုင်ရာ ဆုံးဖြတ်ချက်များကို ပံ့ပိုးရန် အသုံးပြုသည်။
I dati ထည့်သွင်းခဲ့သည်။ ဒေတာဂိုဒေါင် ၎င်းတို့သည် ကိစ္စအများစုတွင် လုပ်ငန်းလည်ပတ်မှုပတ်ဝန်းကျင်မှ ဆင်းသက်လာသည်။ ဟိ ဒေတာဂိုဒေါင် ၎င်းကို သိုလှောင်မှုယူနစ်တစ်ခုမှ ပြုလုပ်ထားပြီး ၎င်းတွင်ပါရှိသော ကျန်စနစ်နှင့် ရုပ်ပိုင်းဆိုင်ရာအရ သီးခြားဖြစ်သည်။ dati လည်ပတ်မှုပတ်ဝန်းကျင်မှ ဆင်းသက်လာသော အချက်အလက်များအပေါ် လုပ်ဆောင်သည့် အပလီကေးရှင်းများဖြင့် ယခင်က ပြောင်းလဲခဲ့သည်။
a ၏ ပကတိအဓိပ္ပါယ် ဒေတာဂိုဒေါင် ဂိုဒေါင်၏ဝိသေသလက္ခဏာများကိုဖော်ပြသော အရေးကြီးသော စေ့ဆော်မှုများနှင့် အရင်းခံအဓိပ္ပာယ်များ ရှိနေသောကြောင့် စေ့စေ့စပ်စပ် ရှင်းပြရန် ထိုက်တန်ပါသည်။
ဘာသာရပ်ဆိုင်ရာ ဦးတည်ချက် ဦးတည်ချက် THEMATIC
ပထမအင်္ဂါရပ်တစ်ခုဖြစ်သည်။ ဒေတာဂိုဒေါင် အဲဒါက ကုမ္ပဏီတစ်ခုရဲ့ အဓိကဘာသာရပ်တွေကို ဦးတည်ပါတယ်။ လုပ်ငန်းစဉ်များကို လမ်းညွှန်ပေးသည်။ dati ၎င်းသည် လုပ်ငန်းစဉ်များနှင့် လုပ်ငန်းဆောင်တာများဆီသို့ အပလီကေးရှင်းများဆီသို့ ဦးတည်ပေးသည့် ပိုဂန္ထဝင်နည်းလမ်းနှင့် ဆန့်ကျင်ဘက်ဖြစ်ပြီး မကြာသေးမီက စီမံခန့်ခွဲမှုစနစ်အများစုမှ မျှဝေလေ့ရှိသည့် နည်းလမ်းတစ်ခုဖြစ်သည်။
လည်ပတ်မှုလောကသည် ချေးငွေများ၊ ငွေစုခြင်း၊ ဘဏ်ကတ်များနှင့် ငွေရေးကြေးရေးအဖွဲ့အစည်းတစ်ခုအတွက် ယုံကြည်မှုကဲ့သို့သော အသုံးချပရိုဂရမ်များနှင့် လုပ်ဆောင်ချက်များကို ပတ်လည်ဒီဇိုင်းရေးဆွဲထားသည်။ dw ၏ကမ္ဘာကို ဖောက်သည်၊ ရောင်းချသူ၊ ထုတ်ကုန်နှင့် လုပ်ဆောင်ချက်စသည့် အဓိကအကြောင်းအရာများ ပတ်လည်တွင် ဖွဲ့စည်းထားသည်။ ခေါင်းစဉ်များပတ်လည် ချိန်ညှိခြင်းသည် ဒီဇိုင်းနှင့် အကောင်အထည်ဖော်မှုအပေါ် သက်ရောက်မှုရှိသည်။ dati dw မှာတွေ့တယ်။ အရေးအကြီးဆုံးမှာ၊ အဓိကအကြောင်းအရာသည် သော့ဖွဲ့စည်းပုံ၏ အရေးကြီးဆုံးအပိုင်းကို သက်ရောက်သည်။
အပလီကေးရှင်းလောကသည် ဒေတာဘေ့စ်ဒီဇိုင်းနှင့် လုပ်ငန်းစဉ်ဒီဇိုင်းနှစ်ခုလုံးက လွှမ်းမိုးထားသည်။ dw ၏ကမ္ဘာသည် ဗီဒီယိုမော်ဒယ်လ်ကိုသာ အာရုံစိုက်သည်။ dati ၏ဒီဇိုင်းအပေါ် ဒေတာဘေ့စ. လုပ်ငန်းစဉ်ဒီဇိုင်း (၎င်း၏ဂန္ထဝင်ပုံစံ) သည် dw ပတ်ဝန်းကျင်၏ အစိတ်အပိုင်းမဟုတ်ပါ။
လုပ်ငန်းစဉ်/လုပ်ဆောင်ချက် လျှောက်လွှာရွေးချယ်မှုနှင့် ဘာသာရပ်ရွေးချယ်မှုကြား ကွဲလွဲမှုများကို အကြောင်းအရာ၏ ခြားနားချက်များအဖြစ် ထင်ရှားစေပါသည်။ dati အသေးစိတ်အဆင့်တွင်။ THE dati del dw မပါဝင်ပါ။ dati ၎င်းသည် အပလီကေးရှင်းများအတွင်း DSS လုပ်ဆောင်ရန် အသုံးပြုမည်မဟုတ်ပါ။
လုပ်ငန်းလည်ပတ်မှုကို ဦးတည်သည်။ dati ပါရှိသည်။ dati DSS ခွဲခြမ်းစိတ်ဖြာသူအတွက် အသုံးမပြုနိုင် သို့မဟုတ် မရှိနိုင်သည့် လုပ်ဆောင်ချက်/လုပ်ဆောင်ခြင်းဆိုင်ရာ လိုအပ်ချက်များကို ချက်ချင်းဖြည့်ဆည်းပေးရန်။
နောက်ထပ်အရေးကြီးသောနည်းလမ်းမှာ လုပ်ငန်းလည်ပတ်မှုကို အသားပေးသော Application များဖြစ်သည်။ dati မတူပါ။ dati of dw ၏ အစီရင်ခံစာတွင် ဖော်ပြထားသည်။ dati။ ငါ dati လုပ်ငန်းဆောင်တာများသည် အသက်ဝင်နေသော လုပ်ငန်းစည်းမျဉ်းအပေါ် အခြေခံ၍ ဇယားနှစ်ခု သို့မဟုတ် ထို့ထက်ပိုသော ဆက်ဆံရေးကို ဆက်လက်ထိန်းသိမ်းထားသည်။ THE dati of dw သည် အချိန်၏ spectrum ကို ဖြတ်တောက်ပြီး dw တွင် တွေ့ရှိသော အစီရင်ခံစာများ အများအပြားရှိသည်။ များစွာသောကုန်သွယ်မှုစည်းမျဉ်းများ (နှင့်သက်ဆိုင်သောအားဖြင့်၊ များစွာသောအစီရင်ခံစာများ dati ) စတော့ရှယ်ယာတွင်ကိုယ်စားပြုထားသည်။ dati စားပွဲနှစ်ခု သို့မဟုတ် ထို့ထက်ပိုသော စားပွဲများကြား။
(၎င်းတို့အကြား ဆက်ဆံရေးကို အသေးစိတ်ရှင်းပြရန် dati DW တွင် စီမံခန့်ခွဲသည်၊ ထိုပြဿနာအတွက် Tech Topic ကို ကိုးကားပါ။)
လုပ်ဆောင်ချက်/လုပ်ငန်းစဉ် အသုံးချပရိုဂရမ်ရွေးချယ်မှုနှင့် ဘာသာရပ်ရွေးချယ်မှုအကြား အခြေခံခြားနားချက်မှလွဲ၍ အခြားရှုထောင့်မှ မဟုတ်ဘဲ၊ လည်ပတ်မှုစနစ်များနှင့် ကြီးမားသော ကွာခြားချက်ရှိပါသလား။ dati နှင့် DW ။
ပေါင်းစည်းခြင်း ပေါင်းစည်းခြင်း
dw ပတ်၀န်းကျင်၏ အရေးကြီးဆုံးအချက်မှာ i ဖြစ်သည်။ dati dw တွင် အလွယ်တကူ ပေါင်းစပ်ထားသည်ကို တွေ့ရှိရသည်။ အမြဲတမ်း ခြွင်းချက်မရှိ dw ပတ်ဝန်းကျင်ရဲ့ အနှစ်သာရကတော့ i ပါပဲ။ dati ဂိုဒေါင်၏ကန့်သတ်ချက်များအတွင်းပါရှိသော ပေါင်းစည်းထားသည်။
ပေါင်းစပ်ခြင်းသည် မတူညီသောနည်းလမ်းများစွာဖြင့် သူ့ကိုယ်သူဖော်ပြသည် - တသမတ်တည်းသတ်မှတ်ထားသော သဘောတူညီချက်များ၊ ကိန်းရှင်များကို တသမတ်တည်းတိုင်းတာခြင်း၊ dati တသမတ်တည်း ဖြစ်သွားပြီ။
နှစ်များတစ်လျှောက် မတူညီသော အပလီကေးရှင်းများ၏ ဒီဇိုင်နာများသည် အက်ပလီကေးရှင်းကို မည်သို့တီထွင်ရမည်ကို ဆုံးဖြတ်ချက်များစွာ ချခဲ့ကြသည်။ ဒီဇိုင်နာများ၏ အပလီကေးရှင်းများ၏ စတိုင်လ်နှင့် တစ်ဦးချင်း သီးသန့် ဒီဇိုင်းဆိုင်ရာ ဆုံးဖြတ်ချက်များကို ပုံစံတစ်ရာဖြင့် ဖော်ပြသည်- coding ကွဲပြားမှု၊ အဓိကဖွဲ့စည်းပုံ၊ ရုပ်ပိုင်းဆိုင်ရာ ဝိသေသလက္ခဏာများ၊ ခွဲခြားသတ်မှတ်ခြင်းဆိုင်ရာ သဘောတူညီချက်များ အစရှိသည်ဖြင့် ဖော်ပြသည်။ ကိုက်ညီမှုမရှိသော အပလီကေးရှင်းများကို ဖန်တီးရန် အပလီကေးရှင်းဒီဇိုင်နာများစွာ၏ စုပေါင်းစွမ်းရည်သည် ဒဏ္ဍာရီဖြစ်သည်။ ပုံ 3 သည် အပလီကေးရှင်းများကို ဒီဇိုင်းထုတ်ပုံတွင် အရေးအကြီးဆုံး ကွဲပြားချက်အချို့ကို ဖော်ပြသည်။
ကုဒ်သွင်းခြင်း- ကုဒ်နံပါတ်-
အပလီကေးရှင်းဒီဇိုင်နာများသည် နယ်ပယ်စုံကုဒ်ရေးနည်း-ကျား-မ-ကို နည်းလမ်းများစွာဖြင့် ရွေးချယ်ထားသည်။ ဒီဇိုင်နာတစ်ဦးသည် လိင်ကို "m" နှင့် "f" အဖြစ် ကိုယ်စားပြုသည်။ အခြားဒီဇိုင်နာသည် လိင်ကို "1" နှင့် "0" အဖြစ် ကိုယ်စားပြုသည်။ အခြားဒီဇိုင်နာသည် လိင်ကို "x" နှင့် "y" အဖြစ် ကိုယ်စားပြုသည်။ အခြားဒီဇိုင်နာသည် လိင်ကို "အမျိုးသား" နှင့် "အမျိုးသမီး" အဖြစ် ကိုယ်စားပြုသည်။ လိင်ဆက်ဆံမှုက DW ထဲကို ဘယ်လိုရောက်သွားတယ်ဆိုတာ တကယ်တော့ အရေးမကြီးပါဘူး။ “M” နှင့် “F” တို့သည် မည်သည့်ကိုယ်စားပြုမှုမျှလောက် ကောင်းမွန်နိုင်သည် ။
အရေးကြီးသည်မှာ လိင်နယ်ပယ်မှ ထွက်ပေါ်လာသည့် အရင်းအမြစ်သည် DW သို့ တသမတ်တည်း ပေါင်းစပ်ထားသည့် အခြေအနေသို့ ရောက်ရှိနေခြင်း ဖြစ်သည်။ ထို့ကြောင့် ၎င်းကို ပြင်ပဖော်မက် “M” နှင့် “F” ဖြင့် ကိုယ်စားပြုထားသည့် အပလီကေးရှင်းမှ DW ထဲသို့ ထည့်သွင်းသည့်အခါ၊ dati DW ဖော်မတ်သို့ ပြောင်းရပါမည်။
ဂုဏ်တော်များကို အတိုင်းအတာ- အတိုင်းအတာ ဂုဏ်ရည်များ-
အပလီကေးရှင်းဒီဇိုင်နာများသည် နှစ်များတစ်လျှောက် ပိုက်လိုင်းကို နည်းအမျိုးမျိုးဖြင့် တိုင်းတာရန် ရွေးချယ်ခဲ့သည်။ ဒီဇိုင်နာတစ်ယောက် စတိုးဆိုင်မှာ ဖွဈပါတယျ dati ပိုက်လိုင်း၏ စင်တီမီတာ။ နောက်ထပ် အပလီကေးရှင်း ဒီဇိုင်နာက သိမ်းဆည်းထားပါတယ်။ dati ပိုက်လိုင်း၏ စည်းကမ်းချက်များအရ လက်မ။ နောက်ထပ် အပလီကေးရှင်း ဒီဇိုင်နာက သိမ်းဆည်းထားပါတယ်။ dati ပိုက်လိုင်း၏ တစ်စက္ကန့်လျှင် ကုဗပေ သန်း၊ အခြားဒီဇိုင်နာတစ်ဦးသည် ပိုက်လိုင်းအချက်အလက်ကို အကိုက်အညီဖြင့် သိမ်းဆည်းထားသည်။ မည်သည့်အရင်းအမြစ်ကိုမဆို DW အတွင်းသို့ ပိုက်လိုင်းအချက်အလက်ရောက်ရှိသည့်အခါ ၎င်းကို တူညီသောနည်းလမ်းဖြင့် တိုင်းတာရမည်ဖြစ်ပါသည်။
ပုံ 3 တွင်ပြထားသည့်အတိုင်း၊ ပေါင်းစည်းမှုပြဿနာများသည် ပရောဂျက်၏ ရှုထောင့်တိုင်းနီးပါးတွင် သက်ရောက်မှုရှိသည်။ datiအရင်းအမြစ်တစ်ခုထက်ပိုရှိခြင်း၏အကျပ်အတည်း datiခွဲခြားသတ်မှတ်ထားသော နမူနာများ၊ ဖော်မက်များ ကွဲလွဲနေသည့် ပြဿနာ၊ dati တသမတ်တည်း ဖြစ်သွားပြီ။
ဒီဇိုင်းအငြင်းအခုံဖြစ်ပါစေ၊ ရလဒ်က အတူတူပါပဲ။ dati အရင်းခံလည်ပတ်မှုစနစ် i ကို သိမ်းဆည်းသည့်တိုင် ထူးခြားပြီး ကမ္ဘာလုံးဆိုင်ရာ လက်ခံနိုင်သောပုံစံဖြင့် DW တွင် သိမ်းဆည်းထားရပါမည်။ dati.
DSS မှ ခွဲခြမ်းစိတ်ဖြာသူသည် DW ကို ကြည့်ရှုသောအခါ၊ လေ့လာသူ၏ အာရုံစိုက်မှုသည် အမြတ်ထုတ်ခြင်းသာ ဖြစ်သင့်သည်။ dati ဂိုဒေါင်ထဲမှာရှိတဲ့၊
ယုံကြည်စိတ်ချရမှု သို့မဟုတ် ညီညွတ်မှုကို အံ့သြနေမည့်အစား၊ dati.
အချိန် အမျိုးမျိုး
အားလုံး i dati DW တွင် ၎င်းတို့သည် အချိန်အတိုင်းအတာတစ်ခုအထိ တိကျသည်။ ဤသည်၏အခြေခံအင်္ဂါရပ် dati DW နှင့် အလွန်ကွာခြားသည်။ dati လည်ပတ်မှုပတ်ဝန်းကျင်တွင် တွေ့ရှိရသည်။ THE dati လည်ပတ်သည့်ပတ်ဝန်းကျင်၏ လည်ပတ်ချိန်ကကဲ့သို့ တိကျပါသည်။ တစ်နည်းဆိုရသော်၊ ယူနစ်တစ်ခုဝင်ရောက်သည့်အခါ လည်ပတ်မှုပတ်ဝန်းကျင်တွင်ဖြစ်သည်။ dati၊ ဝင်ရောက်သည့်အချိန်တွင်ကဲ့သို့ တိကျသောတန်ဖိုးများကို ထင်ဟပ်ရန် မျှော်လင့်ပါသည်။ ငါဘာလို့လဲ။ dati DW တွင် တစ်ချိန်ချိန်တွင် တိကျသည် (ဆိုလိုသည်မှာ "ယခုမဟုတ်")၊ i dati DW တွင်တွေ့ရသည်မှာ "အချိန်ကွဲလွဲမှု" ဖြစ်သည်။
အချိန်ကွာခြားမှု dati DW ကို နည်းလမ်းပေါင်းများစွာဖြင့် ရည်ညွှန်းသည်။
အရိုးရှင်းဆုံးနည်းလမ်းကတော့ ငါပါပဲ။ dati DW ကို ကိုယ်စားပြုပါတယ်။ dati ရှည်လျားသောမိုးကုပ်စက်ဝိုင်း - ငါးနှစ်မှဆယ်နှစ်။ လည်ပတ်ပတ်ဝန်း ကျင်အတွက် ဖော်ပြထားသော အချိန်ကာလသည် ယနေ့ လက်ရှိတန်ဖိုးများထက် ခြောက်ဆယ်ကိုးဆယ်အထိ တိုတောင်းပါသည်။
ကောင်းစွာအလုပ်လုပ်ရန်လိုအပ်သော applications များနှင့်ငွေပေးငွေယူလုပ်ဆောင်ခြင်းအတွက်ရရှိနိုင်ရန်လိုအပ်သည်၏အနည်းဆုံးပမာဏကိုဆောင်ထားဖို့လိုအပ်ပါတယ်။ dati လိုက်လျောညီထွေဖြစ်စေရန် ခွင့်ပြုလျှင် ထို့ကြောင့် လုပ်ငန်းလည်ပတ်မှုအပလီကေးရှင်းများတွင် အသံအက်ပလီကေးရှင်းဒီဇိုင်းအကြောင်းအရာကဲ့သို့သော အချိန်တိုအတွင်း အကျုံးဝင်သည်။
DW တွင် 'အချိန်ကွဲလွဲမှု' ပေါ်လာသည့် ဒုတိယနည်းလမ်းမှာ သော့ဖွဲ့စည်းပုံတွင်ဖြစ်သည်။ DW ရှိ သော့ဖွဲ့စည်းပုံတစ်ခုစီတွင် နေ့၊ အပတ်၊ လ အစရှိသည့် အချိန်ဒြပ်စင်များ ပါ၀င်သည် ။ အချိန်ဒြပ်စင်သည် DW တွင်တွေ့ရသော ပေါင်းစပ်သော့၏အောက်ခြေတွင် အမြဲတမ်းနီးပါးဖြစ်သည်။ ဤအခါသမယများတွင်၊ လကုန် သို့မဟုတ် သုံးလပတ်တွင် ဖိုင်တစ်ခုလုံးကို ပွားနေသည့်ကိစ္စကဲ့သို့သော အချိန်ဒြပ်စင်သည် သွယ်ဝိုက်၍ တည်ရှိနေလိမ့်မည်။
တတိယနည်းမှာ time varianance ကိုပြသခြင်းမှာ i ဖြစ်သည်။ dati DW ကို မှန်ကန်စွာ မှတ်ပုံတင်ရုံဖြင့် အပ်ဒိတ်လုပ်၍မရပါ။ THE dati DW သည် လက်တွေ့ကျသော ရည်ရွယ်ချက်များအားလုံးအတွက် ရှည်လျားသော လျှပ်တစ်ပြက်တွဲများဖြစ်သည်။ လျှပ်တစ်ပြက်ရိုက်ချက် မမှန်ပါက၊ လျှပ်တစ်ပြက်ရိုက်ချက်များကို ပြုပြင်နိုင်သည်။ သို့သော် လျှပ်တစ်ပြက်ပုံများကို မှန်မှန်ကန်ကန် ရိုက်ယူသည်ဟု ယူဆပါက ၎င်းတို့ရိုက်ပြီးသည်နှင့် မပြောင်းလဲပါ။ အချို့၌
DW ရှိ လျှပ်တစ်ပြက်ရိုက်ချက်များကို မွမ်းမံထားသောကြောင့် ကျင့်ဝတ်သိက္ခာမဲ့ သို့မဟုတ် မမှန်မကန်ဖြစ်နိုင်သည်။ THE dati လည်ပတ်သည့်အချိန်တွင်ကဲ့သို့ တိကျမှန်ကန်မှုရှိခြင်း၊ လိုအပ်သည်နှင့်အမျှ မွမ်းမံပြင်ဆင်နိုင်ပါသည်။
မတည်ငြိမ်ပါ။
DW ၏ စတုတ္ထမြောက် အရေးကြီးသော လက္ခဏာမှာ မတည်ငြိမ်ခြင်း ဖြစ်သည်။
အပ်ဒိတ်များ၊ ထည့်သွင်းမှုများ၊ ဖျက်ခြင်းနှင့် အပြောင်းအလဲများကို မှတ်တမ်းတစ်ခုချင်းအလိုက် မှတ်တမ်းအခြေခံဖြင့် လုပ်ငန်းလည်ပတ်မှုပတ်ဝန်းကျင်တွင် ပုံမှန်ပြုလုပ်သည်။ ဒါပေမယ့် အခြေခံခြယ်လှယ်မှု ဟိ dati DW မှာ လိုအပ်တာက ပိုလွယ်တယ်။ DW တွင် ဖြစ်ပေါ်သည့် လုပ်ဆောင်မှု နှစ်မျိုးသာ ရှိသည် - ကနဦး တင်ခြင်း ဖြစ်သည်။ dati နှင့်ဝင်ရောက်ခွင့် dati. ၏ update မရှိပါ။ dati (ယေဘူယျအားဖြင့် မွမ်းမံခြင်း၏သဘောအရ) DW တွင် ပုံမှန်လုပ်ဆောင်ခြင်းလုပ်ငန်းဖြစ်သည်။ လုပ်ငန်းလည်ပတ်မှုလုပ်ဆောင်ခြင်းနှင့် DW လုပ်ဆောင်ခြင်းကြား အခြေခံခြားနားချက်၏ အလွန်အားကောင်းသော အကျိုးဆက်အချို့ရှိသည်။ ဒီဇိုင်းအဆင့်တွင်၊ ပျက်စီးမှု update ကိုသတိထားရန်လိုသည်မှာ DW ၏ update ဖြစ်သောကြောင့်၊ dati မဆောင်ရွက်ပါ။ ဆိုလိုသည်မှာ ဒီဇိုင်းပိုင်းဆိုင်ရာ အဆင့်တွင် ဝင်ရောက်ခွင့်ကို အကောင်းဆုံးဖြစ်အောင် လုပ်ရန် လွတ်လပ်မှုများကို ယူဆောင်သွားနိုင်သည်။ datiအထူးသဖြင့် ပုံမှန်ဖြစ်အောင်ပြုလုပ်ခြင်း နှင့် ရုပ်ပိုင်းဆိုင်ရာ ပုံမှန်မဟုတ်ခြင်းဆိုင်ရာ အကြောင်းအရာများနှင့် ဆက်ဆံရာတွင်၊ DW ၏ ရိုးရှင်းသောလုပ်ဆောင်မှု၏နောက်ထပ်အကျိုးဆက်မှာ DW ပတ်ဝန်းကျင်ကိုလည်ပတ်ရန်အသုံးပြုသည့်အခြေခံနည်းပညာတွင်ဖြစ်သည်။ အွန်လိုင်းမှ မှတ်တမ်းတစ်ခုချင်း အပ်ဒိတ်များကို ပံ့ပိုးရန် (လုပ်ငန်းလည်ပတ်မှု လုပ်ဆောင်ခြင်းတွင် မကြာခဏ ဖြစ်လေ့ရှိသည့်အတိုင်း) သည် ထင်ရှားရိုးရှင်းသော ရိုးရှင်းမှုအောက်တွင် အလွန်ရှုပ်ထွေးသော အခြေခံအုတ်မြစ်ရှိရန် နည်းပညာ လိုအပ်ပါသည်။
အရန်သိမ်းခြင်းနှင့် ပြန်လည်ရယူခြင်း၊ ငွေပေးငွေယူများနှင့် ဖိုင်ခိုင်မာမှုကို ပံ့ပိုးပေးသည့် နည်းပညာ dati Deadlock detection နှင့် remedy သည် DW processing အတွက် အတော်လေးရှုပ်ထွေးပြီး မလိုအပ်ပါ။ DW ၏ဝိသေသလက္ခဏာများ, ဒီဇိုင်း orientation, ပေါင်းစပ် dati DW အတွင်း၊ အချိန်ကွာခြားမှုနှင့် စီမံခန့်ခွဲရလွယ်ကူခြင်း။ datiဂန္ထဝင်လည်ပတ်မှုပတ်ဝန်းကျင်နှင့် အလွန်ကွာခြားသော ပတ်ဝန်းကျင်တစ်ခုဆီသို့ ဦးတည်သွားစေသည်။ အားလုံးနီးပါး၏အရင်းအမြစ် dati DW သည် လည်ပတ်နေသော ပတ်ဝန်းကျင်ဖြစ်သည်။ ကြီးမားသော ထပ်လောင်းမှုများ ရှိနေသည်ဟု တွေးရန် ဆွဲဆောင်မှုရှိသည်။ dati ပတ်ဝန်းကျင်နှစ်ခုကြား။
အမှန်တကယ်ပင် လူများစွာ၏ ပထမဆုံးသော ခံယူချက်မှာ များပြားလွန်းလှသည်။ dati လည်ပတ်ပတ်ဝန်း ကျင်နှင့် ပတ်ဝန်းကျင်၏ အကြား၊
DW တိုးချဲ့မှု။ ထိုသို့သော အဓိပ္ပာယ်ဖွင့်ဆိုချက်သည် အပေါ်ယံဖြစ်ပြီး DW တွင် ဖြစ်ပျက်နေသည့်အရာများကို နားလည်မှု ကင်းမဲ့မှုကို ပြသသည်။
အမှန်တကယ်တော့ ထပ်လောင်းမှု အနည်းဆုံးတော့ ရှိပါတယ်။ dati လည်ပတ်ပတ်ဝန်းကျင်နှင့် i အကြား dati DW ၏ အောက်ပါတို့ကို သုံးသပ်ကြည့်ပါ။ dati စစ်ထုတ်ခံရတယ်။ Dato သင်လည်ပတ်နေသောပတ်ဝန်းကျင်မှ DW ပတ်ဝန်းကျင်သို့ပြောင်းရန်။ အများကြီးပဲ။ dati လည်ပတ်နေတဲ့ ပတ်ဝန်းကျင်ကို ဘယ်တော့မှ အပြင်မထွက်ကြဘူး။ ဒါပဲ ငါ dati DSS လုပ်ဆောင်ခြင်းအတွက် လိုအပ်သော ၎င်းတို့၏ ဦးတည်ချက်ကို ပတ်ဝန်းကျင်တွင် ရှာဖွေပါ။
▪ အချိန်မိုးကုပ်စက်ဝိုင်း dati ပတ်ဝန်းကျင်တစ်ခုနှင့်တစ်ခု အလွန်ကွာခြားပါသည်။ THE dati လည်ပတ်မှုပတ်ဝန်းကျင်တွင် ၎င်းတို့သည် အလွန်လတ်ဆတ်သည်။ THE dati DW မှာ အသက်ကြီးတယ်။ အချိန်မိုးကုပ်စက်ဝိုင်း ရှုထောင့်မှ ကြည့်ရုံဖြင့်၊ လည်ပတ်နေသော ပတ်ဝန်းကျင်နှင့် DW ကြားတွင် အနည်းငယ် ထပ်နေပါသည်။
▪ DW တွင်ပါရှိသည်။ dati အကျဉ်းချုပ်ကတော့ ပတ်ဝန်းကျင်မှာ ဘယ်တော့မှ မရှိပါဘူး။
▪ ငါ dati ပုံ 3 တွင် အများစုကို သရုပ်ဖော်ထားသောကြောင့် အခြေခံ အသွင်ကူးပြောင်းမှုကို ခံယူရသည်။ dati ၎င်းတို့ကို ရွေးချယ်ပြီး DW သို့ ရွှေ့ထားသောကြောင့် သိသာထင်ရှားစွာ ပြုပြင်ထားပါသည်။ အများစုကို အခြားနည်းဖြင့် ကြည့်ပါ။ dati ၎င်းသည် DW သို့ပြောင်းသွားသောကြောင့် ရုပ်ပိုင်းဆိုင်ရာနှင့် ပြင်းထန်စွာ ပြောင်းလဲပါသည်။ ပေါင်းစည်းခြင်း ရှုထောင့်မှကြည့်လျှင် ၎င်းတို့သည် တူညီသည်မဟုတ်။ dati လည်ပတ်နေသော ပတ်ဝန်းကျင်တွင် နေထိုင်သည်။ ဤအချက်များ ကြောင့် သာ၍ များပြားခြင်း၊ dati ပတ်၀န်းကျင်နှစ်ခုကြားတွင် ရှားပါးသောဖြစ်ရပ်တစ်ခုဖြစ်ပြီး ပတ်ဝန်းကျင်နှစ်ခုကြားတွင် 1% အောက်သာလွန်မှုကို ဖြစ်စေသည်။ ဂိုဒေါင်၏ဖွဲ့စည်းပုံ DW တွင် ထူးခြားသောဖွဲ့စည်းပုံရှိသည်။ DW များကို အကွက်ချသည့် အကျဉ်းချုပ်နှင့် အသေးစိတ်အဆင့် အမျိုးမျိုးရှိသည်။
DW ၏ အစိတ်အပိုင်းအမျိုးမျိုးမှာ-
- metadata
- Dati လက်ရှိအသေးစိတ်အချက်အလက်များ
- Dati အဟောင်းအသေးစိတ်
- Dati အနည်းငယ်အကျဉ်းချုပ်
- Dati အလွန်အကျဉ်းချုပ်
အခုချိန်ထိတော့ အဓိကစိုးရိမ်တာက ကျွန်တော်အတွက်ပါ။ dati လက်ရှိအသေးစိတ်အချက်အလက်များ။ အဘယ်ကြောင့်ဆိုသော်၎င်းသည် အဓိကစိုးရိမ်စရာဖြစ်ပါသည်-
- I dati လက်ရှိအသေးစိတ်အချက်အလက်များသည် အမြဲတမ်းစိတ်ဝင်စားဖွယ်ကောင်းပြီး လတ်တလောဖြစ်ရပ်များကို ထင်ဟပ်စေသည်။
- i dati လက်ရှိအသေးစိတ်အချက်အလက်များကို အနိမ့်ဆုံးအဆင့်တွင် သိမ်းဆည်းထားသောကြောင့် တောက်ပနေပါသည်။
- i dati လက်ရှိအသေးစိတ်အချက်အလက်များကို ဒစ်ခ်မမ်မိုရီတွင် အမြဲတမ်းနီးပါး သိမ်းဆည်းထားပြီး၊ ဝင်ရောက်ရန် မြန်ဆန်သော်လည်း I ထံမှ စျေးကြီးပြီး ရှုပ်ထွေးပါသည်။ dati အသေးစိတ်ကတော့ အသက်ကြီးတယ်။ dati အချို့သော Memory တွင် သိမ်းဆည်းထားသည်။ အစုလိုက်အပြုံလိုက်. ၎င်းကို ကြိုးကြားကြိုးကြားဝင်ရောက်ပြီး လိုက်ဖက်သောအသေးစိတ်အဆင့်တွင် သိမ်းဆည်းထားသည်။ dati လက်ရှိအသေးစိတ်အချက်အလက်များ။ ကြီးမားသောပမာဏကြောင့် အစားထိုးသိုလှောင်မှုကြားခံတစ်ခုတွင် သိမ်းဆည်းရန်မဖြစ်မနေလိုအပ်ပါသည်။ dati ကြိုကြားကြိုကြားဝင်ရောက်ခြင်းတို့ဖြင့် စည်းလုံးကြသည်။ datiသိုလှောင်မှုအလတ်စား dati အဟောင်းများ၏အသေးစိတ်အချက်အလက်များကို disk တွင်သိမ်းဆည်းလေ့မရှိပါ။ THE dati ပေါ့ပေါ့ပါးပါး အကျဉ်းချုံးပြီး ရေးထားတာပါ။ dati တွေ့ရှိရသည့်အသေးစိတ်အဆင့်မှ လက်ရှိအသေးစိတ်အဆင့်အထိ ပေါင်းခံထားသည့်အရာဖြစ်သည်။ ဤ DW အဆင့်သည် disk memory တွင် အမြဲလိုလို သိမ်းဆည်းထားသည်။ ဗိသုကာပညာရှင်ထံတင်ပြသော ဒီဇိုင်းပြဿနာများ dati DW ၏ ဤအဆင့်တည်ဆောက်မှုတွင်၊
- အထက်ဖော်ပြပါ အကျဉ်းချုပ်ဖော်ပြချက်သည် မည်သည့်အချိန်ယူနစ်ဖြစ်သည်
- ဘယ်အကြောင်းအရာ၊ attributes တွေရဲ့ အကြောင်းအရာကို အနည်းငယ် အကျဉ်းချုပ်ပါမယ်။ dati နောက်တစ်ဆင့် dati DW မှာတွေ့နိုင်ပါတယ်။ dati အလွန်အကျဉ်းချုပ်။ THE dati အကျဉ်းချုပ်အားဖြင့် ကျစ်လျစ်ပြီး အလွယ်တကူ ရရှိနိုင်သည်။ THE dati အကျဉ်းချုပ်အားဖြင့် DW ပတ်ဝန်းကျင်နှင့် အခြားသော ကိစ္စများတွင် တစ်ခါတစ်ရံ တွေ့ရှိရသည်။ dati DW ကို လက်ခံဆောင်ရွက်ပေးသည့် နည်းပညာ၏ ချက်ခြင်းနံရံများအပြင်တွင် အလွန်အမြှေးယောင်ထင်ထင်တွေ့နိုင်သည်။ (ဘယ်လိုပဲဖြစ်ဖြစ်၊ ငါ dati အလွန်အကျဉ်းချုံ့ထားသော အပိုင်းများသည် ကျွန်ုပ် မည်သည့်နေရာတွင်ပင်ဖြစ်စေ DW ၏ အစိတ်အပိုင်းများဖြစ်သည်။ dati ရုပ်ပိုင်းဆိုင်ရာ နေအိမ်များ)။ DW ၏ နောက်ဆုံးအစိတ်အပိုင်းမှာ မက်တာဒေတာ အစိတ်အပိုင်းဖြစ်သည်။ မက်တာဒေတာသည် များစွာသောကဏ္ဍများတွင် အခြားအရာများထက် ကွဲပြားသောအတိုင်းအတာတစ်ခုတွင် တည်ရှိသည်။ dati မက်တာဒေတာတွင် မည်သည့်အရာမှ မပါဝင်သောကြောင့် DW ၏ Dato လည်ပတ်နေသော ပတ်ဝန်းကျင်မှ တိုက်ရိုက်ယူသည်။ မက်တာဒေတာသည် DW တွင် အထူးနှင့် အလွန်အရေးကြီးသော အခန်းကဏ္ဍတစ်ခုဖြစ်သည်။ Metadata ကို:
- DSS ခွဲခြမ်းစိတ်ဖြာသူသည် DW ၏ အကြောင်းအရာကို ရှာဖွေရာတွင် ကူညီရန် လမ်းညွှန်တစ်ခု၊
- မြေပုံဆွဲခြင်းလမ်းညွှန် dati ငါဘယ်လိုမှ dati လည်ပတ်ပတ်ဝန်း ကျင်မှ DW ပတ်၀န်းကျင်သို့ ပြောင်းလဲခဲ့ပြီး၊
- i အကြား အကျဉ်းချုပ်အတွက် အသုံးပြုသည့် algorithms လမ်းညွှန် dati လက်ရှိအသေးစိတ်အချက်အလက်များ dati အနည်းငယ် အကျဉ်းချုပ်၊ i dati အနှစ်ချုပ်အားဖြင့်၊ Metadata သည် လုပ်ငန်းလည်ပတ်မှုပတ်ဝန်းကျင်တွင် ယခင်ကထက် DW ပတ်ဝန်းကျင်တွင် ပိုမိုကြီးမားသောအခန်းကဏ္ဍမှ ပါဝင်ပါသည်။ အဟောင်းအသေးစိတ် သိုလှောင်မှု အလယ်အလတ် ဒီလိုမျိုး သိမ်းဆည်းဖို့အတွက် သံလိုက်တိပ်ကို အသုံးပြုနိုင်ပါတယ်။ dati. အမှန်တွင် အဟောင်းများကို သိမ်းဆည်းရန်အတွက် ထည့်သွင်းစဉ်းစားသင့်သော သိုလှောင်မှုမီဒီယာ အများအပြားရှိပါသည်။ dati အသေးစိတ်။ ၏ထုထည်အပေါ် မူတည် datiသုံးစွဲမှုအကြိမ်ရေ၊ ကိရိယာများ၏ ကုန်ကျစရိတ်နှင့် ဝင်ရောက်မှုအမျိုးအစား၊ အခြားကိရိယာများသည် DW တွင် အသေးစိတ်အဆင့်ဟောင်းကို လိုအပ်လိမ့်မည်ဟူ၍ လုံးဝဖြစ်နိုင်ချေရှိသည်။ ဒေတာစီးဆင်းမှု ပုံမှန်နှင့် ခန့်မှန်းနိုင်သော စီးဆင်းမှု ရှိပါသည်။ dati DW အတွင်း။
I dati ၎င်းတို့သည် လည်ပတ်မှုပတ်ဝန်းကျင်မှ DW သို့ ဝင်ရောက်သည်။ (မှတ်ချက်- ဤစည်းမျဉ်းအတွက် အလွန်စိတ်ဝင်စားစရာကောင်းသော ခြွင်းချက်အချို့ရှိပါသည်။ သို့သော် အားလုံးနီးပါး dati လည်ပတ်မှုပတ်ဝန်းကျင်မှ DW ကိုရိုက်ထည့်ပါ။) datum ထို dati ၎င်းတို့သည် လည်ပတ်မှုပတ်ဝန်းကျင်မှ DW ထဲသို့ ဝင်ရောက်ပြီး အထက်တွင်ဖော်ပြထားသည့်အတိုင်း အသွင်ပြောင်းသွားပါသည်။ DW ကို ထည့်ပေးထားတယ်၊ i dati ပြထားသည့်အတိုင်း လက်ရှိအသေးစိတ်အဆင့်ကို ထည့်သွင်းပါ။ ၎င်းသည် ထိုနေရာတွင် တည်ရှိပြီး အဖြစ်အပျက် သုံးခုအနက်မှ တစ်ခု မဖြစ်ပေါ်မချင်း အသုံးပြုသည်-
- သန့်စင်သည်၊
- အကျဉ်းချုပ်ပြီး/သို့မဟုတ် ▪ DW အတွင်းရှိ အသုံးမပြုတော့သော လုပ်ငန်းစဉ်သည် i ကို ရွေ့လျားစေသည်။ dati လက်ရှိအသေးစိတ်အချက်များ a dati အသက်အရွယ်အလိုက် အသေးစိတ်ဖော်ပြထားပါတယ်။ dati. လုပ်ငန်းစဉ်
summarization သည် အသေးစိတ်ကို အသုံးပြုသည်။ dati တွက်ချက်ရန် dati အနည်းငယ် အကျဉ်းချုပ်ပြီး အလွန်အကျဉ်းချုပ် အဆင့်များ dati. ပြထားသော စီးဆင်းမှုတွင် ခြွင်းချက်အချို့ရှိသည် (နောက်မှ ဆွေးနွေးရန်)။ သို့သော် အများအားဖြင့်၊ အများအားဖြင့်၊ dati DW, stream ၏အတွင်းတွေ့ရှိခဲ့သည်။ dati ကိုယ်စားပြုအဖြစ်။
DATAWAREHOUSE ကိုအသုံးပြုခြင်း။
အမျိုးမျိုးသောအဆင့်များ အံ့သြစရာမဟုတ်ပါ။ dati DW တွင် ၎င်းတို့သည် မတူညီသော အဆင့်များကို လက်ခံရရှိခြင်းမရှိပေ။ စည်းကမ်းအရ၊ အကျဉ်းချုပ်အဆင့်မြင့်လေ၊ i ပိုများလေဖြစ်သည်။ dati အသုံးပြုကြသည်။
အသုံးပြုမှု အများအပြား ပေါ်ပေါက်လာသည်။ dati ဟောင်းနေချိန်တွင် အလွန်အကျဉ်းချုပ်ပါသည်။ dati အသေးစိတ်ကိုတော့ လုံးဝနီးပါးမသုံးပါဘူး။ အဖွဲ့အစည်းအား အရင်းအမြစ်အသုံးချမှုဆိုင်ရာ ပါရာဒိုင်းသို့ ပြောင်းရန် အကြောင်းကောင်းရှိပါသည်။ အချုပ်အားဖြင့်ဆိုရသော် ငါ datiရောက်ဖို့ ပိုမြန်လေ၊ ပိုထိရောက်လေပါပဲ။ dati. တစ်ဦးလျှင် ကုန်ဆိုင် ၎င်းသည် DW ၏အသေးစိတ်အဆင့်လုပ်ဆောင်မှုများစွာကိုပြုလုပ်သည်ကိုတွေ့ရှိပြီးနောက်၊ စက်အရင်းအမြစ်များစွာကို အတိအကျသုံးစွဲသည်။ ဤကဲ့သို့သော မြင့်မားသောအဆင့်အကျဉ်းချုပ်ကို တတ်နိုင်သမျှအမြန်ဆုံးလုပ်ဆောင်ရန် လူတိုင်း၏အကောင်းဆုံးအကျိုးစီးပွားအတွက်ဖြစ်သည်။
စတိုးဆိုင်များစွာအတွက်၊ ကြိုတင်-DW ပတ်ဝန်းကျင်ရှိ DSS ဆန်းစစ်သူကို အသုံးပြုထားသည်။ dati အသေးစိတ်အဆင့်မှာ။ အရိုအသေများစွာဖြင့် ရောက်ရှိလာသည်။ dati အခြားအဆင့်များ အကျဉ်းချုပ်ရရှိနိုင်သည့်တိုင် လုံခြုံရေးစောင်တစ်ထည်နှင့်တူသည်။ ဗိသုကာပညာရှင်၏ လှုပ်ရှားမှုများထဲမှ တစ်ခုဖြစ်သည်။ dati DSS အသုံးပြုသူကို အဆက်မပြတ်အသုံးပြုခြင်းမှ ဖြတ်တောက်ရန်ဖြစ်သည်။ dati အနိမ့်ဆုံးအသေးစိတ်အဆင့်မှာ။ ဗိသုကာပညာရှင်အတွက် တွန်းအားနှစ်ခုရှိသည်။ dati:
- အသုံးပြုသူသည် စားသုံးခဲ့သော အရင်းအမြစ်များအတွက် e
- i ဖြင့် ပြုမူသည့်အခါ အလွန်ကောင်းမွန်သော တုံ့ပြန်မှုအချိန်ကို ရရှိနိုင်ကြောင်း ညွှန်ပြသည်။ dati အကျဉ်းချုပ်အားဖြင့် မြင့်မားသောအဆင့်တွင်ရှိပြီး ညံ့ဖျင်းသောတုံ့ပြန်မှုအချိန်သည် အပြုအမူမှ လာပါသည်။ dati နိမ့်သောအဆင့်တွင် အခြားသတင်းများကိုစဉ်းစား အခြားသော DW ဆောက်လုပ်ရေးနှင့် စီမံခန့်ခွဲမှုဆိုင်ရာ ထည့်သွင်းစဉ်းစားမှုများလည်း ရှိသေးသည်။
ပထမစဉ်းစားချက်မှာ အညွှန်းကိန်းများဖြစ်သည်။ THE dati ပိုမိုမြင့်မားသောအဆင့်များတွင် အကျဉ်းချုပ်အားဖြင့် ၎င်းတို့ကို လွတ်လပ်စွာ ညွှန်းဆိုနိုင်သော်လည်း i dati
အောက်ခြေအသေးစိတ်အဆင့်တွင် ၎င်းတို့သည် အလွန်တောက်ပနေသဖြင့် ၎င်းတို့ကို ချိန်ညှိကာ အညွှန်းကိန်းထုတ်နိုင်သည်။ တူညီသောတိုကင်မှ i dati မြင့်မားသောအဆင့်တွင်အသေးစိတ်အချက်အလက်များ၏အသံအတိုးအကျယ်ကိုနေစဉ်အတော်လေးလွယ်ကူစွာပြန်လည်ဖွဲ့စည်းနိုင်ပါသည်။ dati အောက်ခြေအဆင့်မှာ အရမ်းကြီးတယ်။ dati ၎င်းတို့ကို အလွယ်တကူ ပြန်လည်ပြုပြင်၍မရနိုင်ပါ။ တဆက်တည်းမှာ မော်ဒယ်လ် dati နှင့် ဒီဇိုင်းမှလုပ်ဆောင်သောတရားဝင်အလုပ်သည် DW အတွက် လက်ရှိအသေးစိတ်အဆင့်အထိ သီးသန့်နီးပါးအသုံးပြုမှုအတွက် အုတ်မြစ်ချပေးသည်။ တစ်နည်းဆိုရသော် မော်ဒယ်လ်၏ လှုပ်ရှားမှုများ dati ကိစ္စတိုင်းလိုလိုတွင် ၎င်းတို့သည် အကျဉ်းချုပ်အဆင့်များနှင့် မသက်ဆိုင်ပါ။ အခြားဖွဲ့စည်းပုံဆိုင်ရာ ထည့်သွင်းစဉ်းစားမှုမှာ အပိုင်းခွဲများဖြစ်သည်။ dati DW မှ
Partition ကို အဆင့်နှစ်ဆင့်နဲ့ လုပ်ဆောင်နိုင်ပါတယ်။ dbms နှင့်လျှောက်လွှာအဆင့်တွင်။ ဌာနခွဲအဆင့်မှာ dbmsက dbms ဌာနခွဲများကို အသိပေးပြီး ၎င်းတို့အား ထိန်းကျောင်းပေးသည်။ အက်ပလီကေးရှင်းအဆင့်ဌာနခွဲတစ်ခုတွင်၊ ပရိုဂရမ်မာတစ်ဦးတည်းသာ ကွဲပြားမှုများကို သိရှိပြီး ၎င်းတို့၏ စီမံခန့်ခွဲရေးတာဝန်ကို သူ့ထံချန်ထားခဲ့သည်
အောက်အဆင့် dbmsအလုပ်တော်တော်များများက အလိုအလျောက် ပြီးသွားတယ်။ ကိုယ်ပိုင်အုပ်ချုပ်ခွင့် ကွဲပြားခြင်းနှင့် ဆက်စပ်မှု ပျော့ပြောင်းမှုများစွာ ရှိပါသည်။ ဌာနခွဲအဆင့် လျှောက်ထားမှုကိစ္စရပ်ကိုလည်းကောင်း dati del ဒေတာဂိုဒေါင်အလုပ်တော်တော်များများက ပရိုဂရမ်မာအပေါ်မှာ အကျုံးဝင်ပေမယ့် နောက်ဆုံးရလဒ်ကတော့ စီမံခန့်ခွဲရေးမှာ ပြောင်းလွယ်ပြင်လွယ်ပါပဲ။ dati နဲလ် ဒေတာဂိုဒေါင်
အခြား ကွဲလွဲချက်များ
ပဉ္စငါးပါး ဟိ ဒေတာဂိုဒေါင် အားလုံးနီးပါးအတွက် ဖော်ပြထားသည့်အတိုင်း လုပ်ဆောင်ပါ။ datiဆွေးနွေးရန် လိုအပ်သော အသုံးဝင်သော ခြွင်းချက်အချို့ ရှိပါသည်။ ခြွင်းချက်တစ်ခုကတော့ အဲဒါပါပဲ။ dati အများသူငှာ အကျဉ်းချုပ်များ (အများပြည်သူ အကျဉ်းချုပ် အချက်အလက်)။ ဤသည်များမှာ dati တွက်ချက်ထားသော အကျဉ်းချုပ်များ ဒေတာဂိုဒေါင် ဒါပေမယ့် လူ့အဖွဲ့အစည်းက သုံးတယ်။ THE dati အများသူငှာ အနှစ်ချုပ်များကို သိမ်းဆည်းပြီး စီမံခန့်ခွဲပါသည်။ ဒေတာဂိုဒေါင်အထက်တွင်ဖော်ပြခဲ့သည့်အတိုင်းပင်၊ စာရင်းကိုင်များ စသည်တို့ကို သုံးလတစ်ကြိမ် ထုတ်လုပ်ရန် လုပ်ဆောင်သည်။ dati ဝင်ငွေ၊ သုံးလပတ်အသုံးစရိတ်၊ သုံးလတစ်ကြိမ်အမြတ်စသည်ဖြင့်။ စာရင်းကိုင်လုပ်သောအလုပ်သည် ပြင်ပတွင်ဖြစ်သည်။ ဒေတာဂိုဒေါင်. သို့သော် ဈ dati ကုမ္ပဏီအတွင်း၌ “အတွင်း၌” ကို အသုံးပြုကြသည်။ စျေးကွက်ရှာဖွေရေးအရောင်း, etc. ဆွေးနွေးမည်မဟုတ်သော အခြားသော ကွဲလွဲချက်များမှာ၊ dati esterni
နောက်ထပ်ထူးခြားသောအမျိုးအစား dati a တွင်တွေ့နိုင်သည်။ ဒေတာဂိုဒေါင် ဒါက အမြဲတမ်းအသေးစိတ်အချက်အလက်ပါ။ ဒါတွေက အမြဲတမ်း သိမ်းဆည်းထားဖို့ လိုပါတယ်။ dati ကျင့်ဝတ် သို့မဟုတ် ဥပဒေဆိုင်ရာ အကြောင်းပြချက်များအတွက် အသေးစိတ်အဆင့်တွင်။ ကုမ္ပဏီတစ်ခုသည် ၎င်း၏အလုပ်သမားများကို အန္တရာယ်ရှိသော ပစ္စည်းများနှင့် ဖော်ထုတ်ပါက လိုအပ်ပါသည်။ dati အသေးစိတ်ပြီး အမြဲတမ်း အကယ်၍ ကုမ္ပဏီတစ်ခုသည် အများသူငှာ ဘေးကင်းရေးဆိုင်ရာ ထုတ်ကုန်တစ်ခုဖြစ်သည့် လေယာဉ်တစ်စီးအတွက် အစိတ်အပိုင်းများကဲ့သို့သော အများသူငှာ ဘေးကင်းရေးဆိုင်ရာ ထုတ်ကုန်တစ်ခုကို ထုတ်လုပ်ပါက၊ dati အမြဲတမ်းအသေးစိတ်အချက်များအပြင် ကုမ္ပဏီတစ်ခုသည် အန္တရာယ်ရှိသော စာချုပ်များတွင် ထည့်သွင်းပါက၊
ကုမ္ပဏီသည် လာမည့်နှစ်အနည်းငယ်အတွင်း တရားစွဲခြင်း၊ ပြန်လည်ခေါ်ယူခြင်း၊ အငြင်းပွားနေသော ဆောက်လုပ်ရေးဆိုင်ရာ ချို့ယွင်းချက် စသည်တို့ကြောင့် အသေးစိတ်အချက်အလက်များကို ကုမ္ပဏီက လျစ်လျူရှုရန် မတတ်နိုင်ပေ။ ကုမ္ပဏီ၏ ထိတွေ့မှုသည် ကြီးမားနိုင်သည်။ ထို့ကြောင့် ထူးခြားသော အမျိုးအစားတစ်ခု ရှိပါသည်။ dati အမြဲတမ်းအသေးစိတ်အချက်အလက်လို့ ခေါ်တယ်။
အကျဉ်းချုပ်
Un ဒေတာဂိုဒေါင် ၎င်းသည် object oriented၊ integrated၊ tense variant၊ အစုအဝေးတစ်ခုဖြစ်သည်။ dati အုပ်ချုပ်ရေး၏ ဆုံးဖြတ်ချက်ချမှတ်ခြင်းဆိုင်ရာ လိုအပ်ချက်များကို ပံ့ပိုးရာတွင် မတည်ငြိမ်သော။ တစ်ခုချင်းစီ၏ထူးခြားသောလုပ်ဆောင်ချက်များ ဒေတာဂိုဒေါင် ၎င်း၏သက်ရောက်မှုရှိသည်။ ထို့အပြင် အဆင့်လေးဆင့်ရှိသည်။ dati del ဒေတာဂိုဒေါင်:
- အဟောင်းအသေးစိတ်
- လက်ရှိအသေးစိတ်
- Dati အနည်းငယ်အကျဉ်းချုပ်
- Dati အလွန်အကျဉ်းချုံ့ထားသော Metadata သည် ၏ အရေးကြီးသော အစိတ်အပိုင်းတစ်ခုလည်းဖြစ်သည်။ ဒေတာဂိုဒေါင်. စိတ္တဇ သိမ်းဆည်းခြင်း၏သဘောတရား dati မကြာသေးမီက အာရုံစိုက်မှုများစွာရရှိခဲ့ပြီး 90s ၏ခေတ်ရေစီးကြောင်းတစ်ခုဖြစ်လာခဲ့သည်။ ဒေတာဂိုဒေါင် ဆုံးဖြတ်ချက်ပံ့ပိုးမှုစနစ် (DSS) နှင့် အမှုဆောင်သတင်းအချက်အလက်စနစ် (EIS) ကဲ့သို့သော စီမံခန့်ခွဲမှုဆိုင်ရာ ပံ့ပိုးမှုစနစ်များ၏ ကန့်သတ်ချက်များကို ကျော်လွှားရန်။ သဘောတရားဆိုပေမယ့် ဒေတာဂိုဒေါင် အလားအလာကောင်းပုံရသည်၊ အကောင်အထည်ဖော်ပါ။ ဒေတာဂိုဒေါင် ကြီးမားသော သိုလှောင်ရုံ လုပ်ငန်းစဉ်များကြောင့် ပြဿနာရှိနိုင်သည်။ သိုလှောင်ရုံစီမံကိန်းများ၏ရှုပ်ထွေးနေသော်လည်း datiစတော့ရှယ်ယာရောင်းချသူများနှင့် အတိုင်ပင်ခံများ အများအပြားရှိသည်။ dati storage of တာဟာ dati ပြဿနာမရှိပါ။ သို့ရာတွင်၊ ဤသုတေသနပရောဂျက်၏အစတွင်၊ မည်သည့်လွတ်လပ်မှု၊ တိကျခိုင်မာမှုနှင့် စနစ်တကျသုတေသနပြုမှုမျှမရှိပေ။ အကျိုးဆက်အနေနဲ့ သူတို့တည်ဆောက်တဲ့အခါ စက်မှုလုပ်ငန်းမှာ အမှန်တကယ်ဖြစ်ပျက်နေတာလို့ ပြောဖို့ခက်ပါတယ်။ ဒေတာဂိုဒေါင်. ဤလေ့လာမှုသည် သိုလှောင်ခြင်းဆိုင်ရာ အလေ့အကျင့်ကို လေ့လာခဲ့သည်။ dati သြစတြေးလျအလေ့အကျင့်ကို ပိုမိုနားလည်လာစေရန် ရည်ရွယ်သည့် ခေတ်ပြိုင်များ။ စာပေသုံးသပ်ချက်သည် လက်တွေ့ကျသောလေ့လာမှုအတွက် အကြောင်းအရာနှင့် အခြေခံအုတ်မြစ်ကို ပေးဆောင်သည်။ ဒီသုတေသနက ရလဒ်တွေ အများကြီးရှိတယ်။ ပထမဦးစွာ ဤလေ့လာမှုသည် ဖွံ့ဖြိုးတိုးတက်မှုအတွင်း ဖြစ်ပေါ်ခဲ့သော လှုပ်ရှားမှုများကို ဖော်ထုတ်ပြသခဲ့သည်။ ဒေတာဂိုဒေါင်. နယ်ပယ်များစွာတွင်၊ dati စာပေ၌ အတည်ယူ စုစည်းတင်ပြပါသည်။ ဒုတိယအချက်အနေဖြင့် ဖွံ့ဖြိုးတိုးတက်မှုအပေါ် သက်ရောက်မှုရှိနိုင်သော ပြဿနာများ၊ ဒေတာဂိုဒေါင် ဤလေ့လာမှုမှဖော်ထုတ်ခဲ့သည်။ နောက်ဆုံးတွင်၊ အသုံးပြုမှုနှင့်ဆက်စပ်သော သြစတြေးလျအဖွဲ့အစည်းများမှ ရရှိသောအကျိုးကျေးဇူးများ ဒေတာဂိုဒေါင် ထုတ်ဖော်ခဲ့ကြပြီ။
အခန်း ၁
အကြောင်းအရာကို ရှာဖွေပါ။
ဒေတာသိုလှောင်ခြင်းဆိုင်ရာ အယူအဆသည် ကျယ်ကျယ်ပြန့်ပြန့် ထိတွေ့မှုရရှိခဲ့ပြီး ၁၉၉၀ ခုနှစ်များအတွင်း ပေါ်ပေါက်လာသော လမ်းကြောင်းတစ်ခု (McFadden 90၊ TDWI 1996၊ Shah and Milstein 1996၊ Shanks et al. 1997၊ Eckerson 1997၊ Adelman နှင့် Oates 1998)။ ကုန်သွယ်မှုဆိုင်ရာ စာစောင်များ (Little and Gibson 2000) တွင် ဒေတာသိုလှောင်ခြင်းဆိုင်ရာ ဆောင်းပါးများ တိုးပွားလာသည်ကို တွေ့မြင်နိုင်သည်။ ဆောင်းပါးများစွာ (ဥပမာ Fisher 1999၊ Hackathorn 1995၊ Morris 1995a၊ Bramblett and King 1995၊ Graham et al. 1996၊ Sakaguchi and Frolick 1996၊ Alvarez 1996၊ Brousell 1997၊ Don Clarke 1997၊ Edwards 1997၊ TDWI 1997) သည် အကောင်အထည်ဖော်သောအဖွဲ့အစည်းများအား သိသာထင်ရှားသောအကျိုးကျေးဇူးများကို အစီရင်ခံထားပါသည်။ ဒေတာဂိုဒေါင်. ၎င်းတို့သည် ၎င်းတို့၏ သီအိုရီကို အောင်မြင်သော အကောင်အထည်ဖော်မှုများ၏ သရုပ်ပြ အထောက်အထားများ၊ မြင့်မားသော ရင်းနှီးမြှုပ်နှံမှု (ROI) ကိန်းဂဏန်းများနှင့် ဖွံ့ဖြိုးတိုးတက်မှုအတွက် လမ်းညွှန်ချက်များ သို့မဟုတ် နည်းစနစ်များကို ပံ့ပိုးပေးခြင်းဖြင့်လည်း၊ ဒေတာဂိုဒေါင်
(Shanks et al. 1997၊ Seddon and Benjamin 1998၊ Little and Gibson 1999)။ လွန်ကဲသောကိစ္စတွင်၊ ဂရေဟမ် et al။ (1996) သည် သုံးနှစ်တာ ရင်းနှီးမြုပ်နှံမှု 401% တွင် ပျမ်းမျှပြန်အစီရင်ခံခဲ့သည်။
သို့သော် လက်ရှိစာပေအများစုသည် ထိုကဲ့သို့သောပရောဂျက်များကိုလုပ်ဆောင်ရာတွင်ပါဝင်ပတ်သက်သည့်ရှုပ်ထွေးမှုများကိုလျစ်လျူရှုထားသည်။ ပရောဂျက်များ ဒေတာဂိုဒေါင် ၎င်းတို့သည် အများအားဖြင့် ရှုပ်ထွေးပြီး ကြီးမားသောကြောင့် ဂရုတစိုက် မထိန်းချုပ်ပါက ပျက်ကွက်နိုင်ခြေ မြင့်မားသည် (Shah and Milstein 1997၊ Eckerson 1997၊ Foley 1997b၊ Zimmer 1997၊ Bort 1998၊ Gibbs နှင့် Clymer 1998၊ Rao 1998)။ ၎င်းတို့ကို တည်ဆောက်ရန်အတွက် လူသားနှင့် ငွေကြေးအရင်းအနှီး၊ အချိန်နှင့် ကြိုးစားအားထုတ်မှု အများအပြား လိုအပ်သည် (Hill 1998၊ Crofts 1998)။ လိုအပ်သော ပုံမှန်အချိန်နှင့် ငွေကြေးဆိုင်ရာနည်းလမ်းများသည် ဒေါ်လာနှစ်နှစ်နှင့် နှစ်နှစ်မှ သုံးသန်းခန့် အသီးသီးဖြစ်သည် (Braly 1995၊ Foley 1997b၊ Bort 1998၊ Humphries et al. 1999)။ ဤအချိန်နှင့် ငွေကြေးဆိုင်ရာ နည်းလမ်းများသည် ဒေတာသိုလှောင်ခြင်း၏ မတူညီသော အသွင်အပြင်များစွာကို ထိန်းချုပ်ပြီး စုစည်းရန် လိုအပ်သည် (Cafasso 1995၊ Hill 1998)။ ဟာ့ဒ်ဝဲနှင့် ဆော့ဖ်ဝဲလ် ထည့်သွင်းစဉ်းစားမှုများနှင့်အတူ ထုတ်ယူခြင်းမှ ကွဲပြားသည့် အခြားလုပ်ဆောင်ချက်များ dati loading လုပ်ငန်းစဉ်များဆီသို့ datiအပ်ဒိတ်များနှင့် meta ကို စီမံခန့်ခွဲရန် မှတ်ဉာဏ်စွမ်းရည် dati အသုံးပြုသူသင်တန်းအတွက် ထည့်သွင်းစဉ်းစားရပါမည်။
ဤသုတေသနပရောဂျက်စတင်ချိန်တွင်၊ အထူးသဖြင့် သြစတြေးလျတွင် ဒေတာသိုလှောင်ခြင်းနယ်ပယ်တွင် ပညာရပ်ဆိုင်ရာ သုတေသနပြုလုပ်မှု အလွန်နည်းပါးပါသည်။ ဂျာနယ်များ သို့မဟုတ် အခြားပညာရပ်ဆိုင်ရာ အရေးအသားများတွင် ဒေတာသိုလှောင်ခြင်းဆိုင်ရာ ဆောင်းပါးများ နည်းပါးနေခြင်းမှ ထင်ရှားပါသည်။ ရရှိနိုင်သောပညာရပ်ဆိုင်ရာ အရေးအသားများစွာသည် US အတွေ့အကြုံကို ဖော်ပြခဲ့သည်။ ဒေတာသိုလှောင်ခြင်းနယ်ပယ်တွင် ပညာရပ်ဆိုင်ရာ သုတေသနမရှိခြင်းကြောင့် တိကျခိုင်မာသော သုတေသနနှင့် လက်တွေ့ကျသောလေ့လာမှုများအတွက် လိုအပ်ချက် (McFadden 1996၊ Shanks et al. 1997၊ Little and Gibson 1999)။ အထူးသဖြင့် အကောင်အထည်ဖော်မှု လုပ်ငန်းစဉ်များအပေါ် သုတေသနပြု လေ့လာမှုများ၊ ဒေတာဂိုဒေါင် အကောင်အထည်ဖော်မှုနှင့်ပတ်သက်၍ အထွေထွေဗဟုသုတများ တိုးချဲ့ဆောင်ရွက်ရန် လိုအပ်ပါသည်။ ဒေတာဂိုဒေါင် နှင့် အနာဂတ် သုတေသနလေ့လာမှုအတွက် အခြေခံအဖြစ် ဆောင်ရွက်သွားမည် (Shanks et al. 1997၊ Little and Gibson 1999)။
ထို့ကြောင့် ဤလေ့လာမှု၏ ရည်ရွယ်ချက်မှာ အဖွဲ့အစည်းများ i ကို အကောင်အထည်ဖော်ပြီး အသုံးပြုသည့်အခါ အမှန်တကယ်ဖြစ်ပျက်လာပုံကို စုံစမ်းရန်ဖြစ်သည်။ ဒေတာဂိုဒေါင် သြစတြေးလျမှာ။ အတိအကျအားဖြင့်၊ ဤလေ့လာမှုသည် ဖွံ့ဖြိုးတိုးတက်မှုလုပ်ငန်းစဉ်တစ်ခုလုံးကို ခွဲခြမ်းစိတ်ဖြာမှုပါ၀င်မည်ဖြစ်သည်။ ဒေတာဂိုဒေါင်သြစတြေးလျအဖွဲ့အစည်းများအတွင်း ဒီဇိုင်းရေးဆွဲခြင်းနှင့် အကောင်အထည်ဖော်ခြင်းနှင့် နောက်ဆက်တွဲအသုံးပြုခြင်းများမှတစ်ဆင့် စတင်ခြင်းနှင့် ဒီဇိုင်းရေးဆွဲခြင်းမှ စတင်သည်။ ထို့အပြင်၊ လေ့လာမှုသည် အလေ့အကျင့်ကို ပိုမိုတိုးတက်ကောင်းမွန်လာစေပြီး ထိရောက်မှုမရှိခြင်းနှင့် အန္တရာယ်များကို နည်းပါးအောင် သို့မဟုတ် ရှောင်ရှားနိုင်စေသည့် နယ်ပယ်များကို ဖော်ထုတ်ခြင်းဖြင့် လက်ရှိအလေ့အကျင့်ကို အထောက်အကူဖြစ်စေမည်ဖြစ်သည်။ ထို့အပြင် ၎င်းသည် အခြားလေ့လာမှုများအတွက် အခြေခံတစ်ခုအဖြစ် ဆောင်ရွက်မည်ဖြစ်သည်။ ဒေတာဂိုဒေါင် ဩစတေးလျမှာရှိပြီး စာပေမှာ လက်ရှိရှိနေတဲ့ ကွက်လပ်ကို ဖြည့်ဆည်းပေးမှာပါ။
သုတေသနမေးခွန်းများ
ဤသုတေသန၏ ရည်ရွယ်ချက်မှာ အကောင်အထည်ဖော်မှုတွင် ပါဝင်သည့် လုပ်ဆောင်ချက်များကို လေ့လာရန်ဖြစ်သည်။ ဒေတာဂိုဒေါင် သြစတြေးလျအဖွဲ့အစည်းတွေက သူတို့ရဲ့အသုံးပြုမှု။ အထူးသဖြင့်၊ စီမံကိန်းရေးဆွဲခြင်း၊ ဖွံ့ဖြိုးတိုးတက်မှု၊ လည်ပတ်ဆောင်ရွက်မှု၊ အသုံးပြုမှုနှင့် ပတ်သက်သော အစိတ်အပိုင်းများနှင့် ပတ်သက်သည့် အန္တရာယ်များကို လေ့လာသည်။ ထို့ကြောင့် ဤသုတေသန၏မေးခွန်းမှာ-
“လက်ရှိ ကျင့်ဝတ်က ဘယ်လိုလဲ။ ဒေတာဂိုဒေါင် သြစတြေးလျမှာလား?"
ဤမေးခွန်းကို ထိထိရောက်ရောက်ဖြေဆိုရန်၊ လုပ်ငန်းခွဲသုတေသနမေးခွန်းများစွာ လိုအပ်ပါသည်။ အထူးသဖြင့်၊ ဤသုတေသနပရောဂျက်ကို လမ်းညွှန်ရန်အတွက် အခန်း ၂ တွင်တင်ပြထားသည့် စာပေများမှ မေးခွန်းခွဲသုံးခုကို ဖော်ထုတ်တွေ့ရှိခဲ့သည်- ဒေတာဂိုဒေါင် သြစတြေးလျအဖွဲ့အစည်းတွေက ဘယ်လိုပြဿနာတွေ ကြုံတွေ့နေရလဲ။
အကျိုးကျေးဇူးတွေက ဘာတွေလဲ။
ဤမေးခွန်းများကိုဖြေဆိုရာတွင် စစ်တမ်းတစ်ခုအား အသုံးချကာ စူးစမ်းလေ့လာမှုဆိုင်ရာ သုတေသနဒီဇိုင်းကို အသုံးပြုခဲ့သည်။ စူးစမ်းလေ့လာမှုတစ်ခုအနေဖြင့် အထက်ဖော်ပြပါမေးခွန်းများအတွက် အဖြေများသည် မပြည့်စုံပါ (Shanks et al. 1993၊ Denscombe 1998)။ ဤကိစ္စတွင်၊ ဤမေးခွန်းများအတွက် အဖြေများကို တိုးတက်စေရန်အတွက် triangulation အချို့ လိုအပ်ပါသည်။ သို့သော်လည်း စုံစမ်းစစ်ဆေးမှုသည် ဤမေးခွန်းများကို စစ်ဆေးသည့် အနာဂတ်လုပ်ငန်းအတွက် ခိုင်မာသော အခြေခံအုတ်မြစ်ကို ပေးလိမ့်မည်။ သုတေသနလုပ်ထုံးလုပ်နည်း၏ မျှတမှုနှင့် ဒီဇိုင်းဆိုင်ရာ အသေးစိတ်ဆွေးနွေးချက်ကို အခန်း ၃ တွင် ဖော်ပြထားသည်။
သုတေသနပရောဂျက်၏ဖွဲ့စည်းပုံ
ဤသုတေသနပရောဂျက်ကို အပိုင်းနှစ်ပိုင်းခွဲထားသည်- ဒေတာသိုလှောင်ခြင်းဆိုင်ရာ သဘောတရားဆိုင်ရာ ဆက်စပ်လေ့လာမှုနှင့် လက်တွေ့ကျသော သုတေသနပြုချက် (ပုံ 1.1 ကိုကြည့်ပါ)၊ တစ်ခုစီကို အောက်တွင် ဆွေးနွေးထားသည်။
အပိုင်း ၁- ဆက်စပ်လေ့လာမှု
သုတေသန၏ပထမအပိုင်းတွင် ဆုံးဖြတ်ချက်ပံ့ပိုးမှုစနစ် (DSS)၊ အမှုဆောင်သတင်းအချက်အလက်စနစ်များ (EIS) အပါအဝင် ဒေတာသိုလှောင်ခြင်းဆိုင်ရာ အမျိုးအစား အမျိုးမျိုးအပေါ် ပြန်လည်သုံးသပ်ခြင်း ပါဝင်ပါသည်။ ဒေတာဂိုဒေါင် နှင့် သဘောတရားများ ဒေတာဂိုဒေါင်. ထို့အတူ ဖိုရမ်များပေါ်တွင်လည်း ရလဒ်များ ၊ ဒေတာဂိုဒေါင် Monash DSS သုတေသနအဖွဲ့မှ ဦးဆောင်သော ကျွမ်းကျင်သူနှင့် လေ့ကျင့်ရေးမှူးများ တွေ့ဆုံသည့်အဖွဲ့များသည် လက်တွေ့အသုံးချမှုတွင် ထိုးထွင်းသိမြင်နိုင်စေရန် ရည်ရွယ်ထားသည့် လေ့လာမှု၏ ဤအဆင့်တွင် ပံ့ပိုးပေးခဲ့သည်။ ဒေတာဂိုဒေါင် ၎င်းတို့၏မွေးစားခြင်းတွင်ပါ၀င်သော အန္တရာယ်များကို ဖော်ထုတ်ရန်။ ဤအခြေအနေဆိုင်ရာလေ့လာမှုကာလတွင်၊ နောက်ဆက်တွဲ လက်တွေ့ဆန်သော စုံစမ်းစစ်ဆေးမှုများအတွက် အသိပညာအခြေခံကို ပံ့ပိုးပေးရန်အတွက် ပြဿနာဧရိယာကို နားလည်သဘောပေါက်ရန် တည်ဆောက်ခဲ့ပါသည်။ သို့သော်လည်း ယင်းသည် သုတေသန လေ့လာမှု ပြုလုပ်စဉ်တွင် ဆက်လက် လုပ်ဆောင်နေသည့် လုပ်ငန်းစဉ်တစ်ခု ဖြစ်သည်။
အပိုင်း ၂- လက်တွေ့သုတေသန
အထူးသဖြင့် ဩစတေးလျတွင် ဒေတာသိုလှောင်ခြင်းဆိုင်ရာ အယူအဆသစ်သည် အသုံးပြုမှုအတွေ့အကြုံ၏ ကျယ်ပြန့်သောပုံသဏ္ဌာန်ကိုရရှိရန် စစ်တမ်းတစ်ခုပြုလုပ်ရန် လိုအပ်လာသည်။ ကျယ်ပြန့်သော စာပေသုံးသပ်ချက်ဖြင့် ပြဿနာဒိုမိန်းကို တည်ထောင်ပြီးသည်နှင့် ဤအပိုင်းကို လုပ်ဆောင်ခဲ့သည်။ ဆက်စပ်လေ့လာမှုအဆင့်အတွင်း ဖွဲ့စည်းထားသော ဒေတာသိုလှောင်ခြင်းသဘောတရားကို ဤလေ့လာမှု၏ ကနဦးမေးခွန်းလွှာအတွက် ထည့်သွင်းမှုအဖြစ် အသုံးပြုခဲ့သည်။ ယင်းနောက် မေးခွန်းလွှာကို ပြန်လည်သုံးသပ်ခဲ့သည်။ သင်ဟာ ကျွမ်းကျင်သူလား။ ဒေတာဂိုဒေါင် စမ်းသပ်မှုတွင်ပါဝင်ခဲ့သည်။ ကနဦးမေးခွန်းလွှာကို စမ်းသပ်ရခြင်း၏ ရည်ရွယ်ချက်မှာ မေးခွန်းများ၏ ပြည့်စုံမှုနှင့် တိကျမှုကို စစ်ဆေးရန်ဖြစ်သည်။ စာမေးပွဲရလဒ်များအပေါ် အခြေခံ၍ မေးခွန်းလွှာအား ပြင်ဆင်ပြီး ပြုပြင်ထားသောဗားရှင်းကို စစ်တမ်းပါဝင်သူများထံ စာပို့ခဲ့သည်။ ထို့နောက် ပြန်လာသောမေးခွန်းလွှာများကို i အတွက် ခွဲခြမ်းစိတ်ဖြာခဲ့ပါသည်။ dati ဇယားများ၊ ပုံများ၊ နှင့် အခြားဖော်မတ်များတွင်။ THE
ခွဲခြမ်းစိတ်ဖြာမှုရလဒ်များ dati သြစတြေးလျတွင် ဒေတာသိုလှောင်ခြင်းအလေ့အကျင့်ကို လျှပ်တစ်ပြက်ပုံစံ။
ဒေတာသိုလှောင်ခြင်း အကျဉ်းချုပ်
ကွန်ပြူတာနည်းပညာတွင် တိုးတက်မှုနှင့်အတူ ဒေတာသိုလှောင်ခြင်းဆိုင်ရာ သဘောတရားသည် ပြောင်းလဲလာသည်။
၎င်းသည် ဆုံးဖြတ်ချက်ပံ့ပိုးမှုစနစ် (DSS) နှင့် အမှုဆောင်သတင်းအချက်အလက်စနစ် (EIS) ကဲ့သို့သော အပလီကေးရှင်းပံ့ပိုးကူညီရေးအဖွဲ့များမှ ကြုံတွေ့ရသည့် ပြဿနာများကို ကျော်လွှားရန် ရည်ရွယ်သည်။
အတိတ်ကာလတွင် ဤအပလီကေးရှင်းများ၏ အကြီးမားဆုံးအတားအဆီးမှာ ယင်းအပလီကေးရှင်းများကို ပံ့ပိုးပေးနိုင်စွမ်းမရှိခြင်းပင်ဖြစ်သည်။ ဒေတာအခြေခံ ခွဲခြမ်းစိတ်ဖြာမှုအတွက်လိုအပ်သည်။
ဤသည်မှာ အဓိကအားဖြင့် စီမံခန့်ခွဲမှု၏ လုပ်ငန်းသဘောသဘာဝကြောင့် ဖြစ်ရခြင်းဖြစ်သည်။ ကုမ္ပဏီတစ်ခု၏ စီမံခန့်ခွဲမှု၏ အကျိုးစီးပွားများသည် လွှမ်းခြုံထားသော ဧရိယာပေါ်မူတည်၍ အဆက်မပြတ် ကွဲပြားပါသည်။ ထို့ကြောင့် ငါ dati ဤအပလီကေးရှင်းများအတွက် အခြေခံအကျဆုံးမှာ ကုသရမည့်အပိုင်းပေါ် မူတည်၍ လျင်မြန်စွာ ပြောင်းလဲနိုင်ရပါမည်။
ဆိုလိုတာက ငါ dati လိုအပ်သော ခွဲခြမ်းစိတ်ဖြာမှုများအတွက် သင့်လျော်သောပုံစံဖြင့် ရရှိရပါမည်။ တကယ်တော့၊ လျှောက်လွှာထောက်ပံ့ရေးအဖွဲ့များသည် စုဆောင်းပြီး ပေါင်းစည်းရန် ယခင်က အလွန်ခက်ခဲခဲ့ပါသည်။ dati ရှုပ်ထွေးပြီး ကွဲပြားသော အရင်းအမြစ်များမှ
ဤအပိုင်း၏ကျန်ရှိသောအချက်သည် ဒေတာသိုလှောင်ခြင်းဆိုင်ရာ သဘောတရားကို ခြုံငုံသုံးသပ်ပြီး မည်သို့လုပ်ဆောင်ရမည်ကို ဆွေးနွေးထားသည်။ ဒေတာဂိုဒေါင် အပလီကေးရှင်း အထောက်အကူပြုအဖွဲ့များ၏ ပြဿနာများကို ကျော်လွှားနိုင်သည်။
ဟူသောဝေါဟာရကို "ဒေတာသိုလှောင်ရုံWilliam Inmon သည် ၁၉၉၀ တွင် လူကြိုက်များခဲ့သည်။ သူ၏ မကြာခဏ ကိုးကားသော အဓိပ္ပါယ်ကို မြင်သည်။ ဒေတာသိုလှောင်ရုံ စုစည်းမှုအဖြစ် dati စီမံခန့်ခွဲမှုဆိုင်ရာ ဆုံးဖြတ်ချက်များကို ပံ့ပိုးရာတွင် ဘာသာရပ်-ဆန်သော၊ ပေါင်းစပ်မှု၊ မတည်ငြိမ်သော၊ အချိန်နှင့်အမျှ ပြောင်းလဲနိုင်သော၊
ဤအဓိပ္ပါယ်ကို Inmon ကိုအသုံးပြု၍ ဆိုလိုသည်မှာ i dati တွင်နေထိုင်သည်။ ဒေတာဂိုဒေါင် အောက်ဖော်ပြပါ အင်္ဂါရပ် ၄ ပါးကို ပိုင်ဆိုင်ရမည် ။
- ▪ ဘာသာရပ်ကို ဦးတည်သည်။
- ▪ ပေါင်းစပ်ထားသည်။
- ▪ မတည်ငြိမ်သော
- ▪ အချိန်နှင့်အမျှ ပြောင်းလဲနိုင်သော အကြောင်းအရာ-အသားပေး Inmon အဓိပ္ပါယ်မှာ i dati နဲလ် ဒေတာဂိုဒေါင် အကြီးမားဆုံး အဖွဲ့အစည်း နယ်ပယ်များတွင် ရှိခဲ့ဖူးသည်။
မော်ဒယ်တွင်သတ်မှတ်ထားသည်။ dati. ဥပမာအားလုံး dati ငါနှင့်ပတ်သက် ဖောက်သည်များ ဘာသာရပ်နယ်ပယ်တွင်ပါရှိသည်။ ဝယ်သူ. အားလုံးလည်း အလားတူပါပဲ။ dati ထုတ်ကုန်များနှင့်စပ်လျဉ်းသောအကြောင်းအရာနယ်ပယ်တွင်ပါရှိသော PRODUCTS။
Integrated Inmon အားဖြင့်ဆိုလိုသည်မှာ ဖွဈသည်။ dati မတူညီသော ပလက်ဖောင်းများမှ၊ စနစ်များနှင့် တည်နေရာများကို တစ်နေရာတည်းတွင် ပေါင်းစပ်ပြီး သိမ်းဆည်းထားသည်။ တဆက်တည်း dati လွယ်ကူစွာ ပေါင်းထည့်၍ နှိုင်းယှဉ်နိုင်ရန် တူညီသော ဖော်မတ်များအဖြစ် ပြောင်းလဲရပါမည်။
ဥပမာအားဖြင့်၊ ယောက်ျားနှင့် မိန်းမလိင်ကို စနစ်တစ်ခုတွင် M နှင့် F စာလုံးများဖြင့် ကိုယ်စားပြုပြီး နောက်တစ်ခုတွင် 1 နှင့် 0 ဖြင့် ကိုယ်စားပြုသည်။ ၎င်းတို့ကို မှန်ကန်စွာ ပေါင်းစည်းရန်၊ ဖော်မတ်နှစ်ခုလုံး ညီမျှစေရန် ဖော်မတ်တစ်ခု သို့မဟုတ် နှစ်ခုလုံးကို အသွင်ပြောင်းရပါမည်။ ဤကိစ္စတွင် ကျွန်ုပ်တို့သည် M မှ 1 နှင့် F ကို 0 သို့ ပြောင်းနိုင်သည်။ Subject-oriented နှင့် Integrated ကိုဖော်ပြပါသည်။ ဒေတာဂိုဒေါင် functional နှင့် transversal ရူပါရုံကိုပေးဆောင်ရန်ဒီဇိုင်းပြုလုပ်ထားသည်။ dati ကုမ္ပဏီအားဖြင့်။
Non-volatile လို့ အဓိပ္ပါယ်ရတဲ့ ဈ dati နဲလ် ဒေတာဂိုဒေါင် တသမတ်တည်းနှင့် update ကိုဆက်လက်တည်ရှိ dati မလိုအပ်ပါ။ အဲဒီအစား၊ အပြောင်းအလဲတစ်ခုခု dati မူရင်းများကို ထည့်သွင်းထားသည်။ ဒေတာဘေ့စ del ဒေတာဂိုဒေါင်. ဆိုလိုတာက သမိုင်းပညာရှင် ဟိဟိ dati တွင်ပါရှိသည်။ ဒေတာဂိုဒေါင်.
for time with variables သည် Inmon က ဖော်ပြသည် i dati နဲလ် ဒေတာဂိုဒေါင် tempo ညွှန်ကိန်းများ ei အမြဲပါရှိသည်။ dati ပုံမှန်အားဖြင့် သတ်မှတ်ထားသော မိုးကုပ်စက်ဝိုင်းကို ဖြတ်ကျော်ကြသည်။ ဥပမာ a
ဒေတာဂိုဒေါင် ၅ နှစ်တာ သမိုင်းတန်ဖိုးများ ပါဝင်နိုင်သည်။ ဖောက်သည်များ ၁၉၉၃ ခုနှစ်မှ ၁၉၉၇ ခုနှစ်အထိ။ သမိုင်းဝင်နှင့် အချိန်အပိုင်းအခြားတစ်ခု၏ ရရှိနိုင်မှု၊ dati ခေတ်ရေစီးကြောင်းတွေကို ခွဲခြမ်းစိတ်ဖြာနိုင်ရမယ်။
Un ဒေတာဂိုဒေါင် မိမိကိုယ်တိုင် စုဆောင်းနိုင်သည်။ dati OLTP စနစ်များမှ၊ မူလအစမှ dati အဖွဲ့အစည်းနှင့်/သို့မဟုတ် အခြားသော အထူးထောင်ချောက်စနစ် ပရောဂျက်များမှ ပြင်ပ dati.
I dati ကောက်နှုတ်ချက်များသည် သန့်ရှင်းမှုလုပ်ငန်းစဉ်ကို ဖြတ်သန်းနိုင်သည်၊ ဤကိစ္စတွင် i dati သိမ်းဆည်းခြင်းမပြုမီ အသွင်ပြောင်းပြီး ပေါင်းစပ်ထားသည်။ ဒေတာဘေ့စ del ဒေတာဂိုဒေါင်. ထို့နောက် ဈ dati
အတွင်းနေထိုင်သူ ဒေတာဘေ့စ del ဒေတာဂိုဒေါင် အသုံးပြုသူ အကောင့်ဝင်ခြင်းများနှင့် ပြန်လည်ရယူရေး ကိရိယာများအတွက် ရရှိနိုင်စေပါသည်။ ဤကိရိယာများကို အသုံးပြုခြင်းဖြင့် အသုံးပြုသူသည် အဖွဲ့အစည်း၏ ပေါင်းစပ်ထားသော မြင်ကွင်းကို ဝင်ရောက်ကြည့်ရှုနိုင်သည်။ dati.
I dati အတွင်းနေထိုင်သူ ဒေတာဘေ့စ del ဒေတာဂိုဒေါင် ၎င်းတို့ကို အသေးစိတ်နှင့် အကျဉ်းချုပ်ဖော်မတ်နှစ်မျိုးလုံးဖြင့် သိမ်းဆည်းထားသည်။
အနှစ်ချုပ်အဆင့်သည် နိယာမသဘောသဘာဝပေါ် မူတည်ပါသည်။ dati။ ငါ dati အသေးစိတ်ပါဝင်နိုင်သည်။ dati လက်ရှိနှင့် dati စတိုရီစီ
I dati အစစ်အမှန် မပါဝင်ပါ။ ဒေတာဂိုဒေါင် ငါတိုင်အောင် dati နဲလ် ဒေတာဂိုဒေါင် ပြန်လည်မွမ်းမံကြသည်။
သိမ်းဆည်းခြင်းအပြင် dati သူတို့ကိုယ်သူတို့၊ ဒေတာဂိုဒေါင် အမျိုးမျိုးသော အမျိုးအစားကိုလည်း သိမ်းဆည်းနိုင်သည်။ Dato METADATA ဟုခေါ်သည် i ကိုဖော်ပြသည်။ dati မိမိ၌နေထိုင်သည်။ ဒေတာဘေ့စ.
မက်တာဒေတာ နှစ်မျိုးရှိသည်- ဖွံ့ဖြိုးတိုးတက်မှု မက်တာဒေတာနှင့် ခွဲခြမ်းစိတ်ဖြာမှု မက်တာဒေတာ။
ဖြည်ထုတ်ခြင်း၊ သန့်ရှင်းရေး၊ မြေပုံဆွဲခြင်းနှင့် အပ်လုဒ်တင်ခြင်းဆိုင်ရာ လုပ်ငန်းစဉ်များကို စီမံခန့်ခွဲရန်နှင့် အလိုအလျောက်လုပ်ဆောင်ရန် ဖွံ့ဖြိုးတိုးတက်မှု မက်တာဒေတာကို အသုံးပြုပါသည်။ dati နဲလ် ဒေတာဂိုဒေါင်.
ဖွံ့ဖြိုးတိုးတက်မှု မက်တာဒေတာတွင်ပါရှိသော အချက်အလက်များတွင် လည်ပတ်မှုစနစ်အသေးစိတ်များ၊ ထုတ်ယူရမည့် အစိတ်အပိုင်းအသေးစိတ်များ၊ မော်ဒယ်လ်များ ပါဝင်နိုင်သည်။ dati del ဒေတာဂိုဒေါင် ဒေတာပြောင်းလဲခြင်းအတွက် စီးပွားရေးစည်းမျဉ်းများ dati.
ခွဲခြမ်းစိတ်ဖြာမှု မက်တာဒေတာဟု လူသိများသော ဒုတိယအမျိုးအစား မက်တာဒေတာသည် အသုံးပြုသူ၏ အကြောင်းအရာကို စူးစမ်းလေ့လာနိုင်စေပါသည်။ ဒေတာဂိုဒေါင် ငါရှာရန် dati နည်းပညာဆိုင်ရာ အသုံးအနှုန်းများဖြင့် ရှင်းလင်းပြတ်သားသော အသုံးအနှုန်းများဖြင့် ၎င်းတို့၏ အဓိပ္ပာယ်ကို ရရှိနိုင်သည်။
ထို့ကြောင့် ခွဲခြမ်းစိတ်ဖြာမှု မက်တာဒေတာသည် ၎င်းအကြား ပေါင်းကူးတစ်ခုအဖြစ် အလုပ်လုပ်သည်။ ဒေတာဂိုဒေါင် နှင့် end-user applications များ။ ဤမက်တာဒေတာတွင် လုပ်ငန်းပုံစံ၊ ဖော်ပြချက်များ ပါဝင်နိုင်သည်။ dati လုပ်ငန်းပုံစံ၊ ကြိုတင်သတ်မှတ်ထားသော မေးမြန်းချက်များနှင့် အစီရင်ခံစာများ၊ အသုံးပြုသူဝင်ရောက်ခွင့်အတွက် အချက်အလက်များနှင့် အညွှန်းနှင့် သက်ဆိုင်သည်။
ခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် ဖွံ့ဖြိုးတိုးတက်မှု မက်တာဒေတာကို ကောင်းမွန်စွာလုပ်ဆောင်နိုင်ရန် ပေါင်းစပ်ပါဝင်သော မက်တာဒေတာတစ်ခုအဖြစ် ပေါင်းစပ်ရပါမည်။
ကံမကောင်းစွာပဲ ရှိပြီးသားကိရိယာတော်တော်များများမှာ သူတို့ရဲ့ကိုယ်ပိုင် metadata ရှိပြီး လက်ရှိမှာ အဲဒီစံနှုန်းတွေ မရှိပါဘူး။
ဤမက်တာဒေတာကို ပေါင်းစပ်ရန် ဒေတာသိုလှောင်ခြင်းကိရိယာများကို ခွင့်ပြုပါ။ ဤအခြေအနေကို ကုစားရန်အတွက် ဒေတာသိုလှောင်ခြင်းကိရိယာများ ဦးဆောင်ရောင်းချသူ အများအပြားသည် နောက်ပိုင်းတွင် Meta Data Coalition ဖြစ်လာသည့် Meta Data Council ကို ဖွဲ့စည်းခဲ့သည်။
ဤညွန့်ပေါင်းအဖွဲ့၏ရည်ရွယ်ချက်မှာ မတူညီသောဒေတာသိုလှောင်ခြင်းကိရိယာများကို မက်တာဒေတာအဖြစ်သို့ ပြောင်းလဲခွင့်ပြုသည့် စံမက်တာဒေတာအစုံကို တည်ဆောက်ရန်ဖြစ်သည်။
၎င်းတို့၏ကြိုးပမ်းအားထုတ်မှုများသည် Microsoft မော်ကွန်းတိုက်များနှင့် ဆက်စပ် MDIS ဖိုင်များအကြား သတင်းအချက်အလက်ဖလှယ်နိုင်စေမည့် Meta Data Interchange Specification (MDIS) ကို မွေးဖွားလာစေသည်။
တည်ရှိမှု dati အကျဉ်းချုပ်/အညွှန်းနှင့်အသေးစိတ် နှစ်မျိုးစလုံးသည် သုံးစွဲသူအား DRILL DROWN (တူးဖော်ခြင်း) မှ လုပ်ဆောင်ရန် ဖြစ်နိုင်ခြေကို ပေးသည်။ dati အသေးစိတ်အချက်များနှင့် အပြန်အလှန် ညွှန်းကိန်းများ။ တည်ရှိမှု dati အသေးစိတ်သမိုင်းကြောင်းကို အချိန်နှင့်အမျှ လမ်းကြောင်းခွဲခြမ်းစိတ်ဖြာမှုများကို ဖန်တီးနိုင်စေပါသည်။ ထို့အပြင် ခွဲခြမ်းစိတ်ဖြာမှု မက်တာဒေတာကို ဒယ်လ်လမ်းညွှန်အဖြစ် အသုံးပြုနိုင်သည်။ ဒေတာဘေ့စ del ဒေတာဂိုဒေါင် နောက်ဆုံးအသုံးပြုသူများ i ကိုရှာဖွေရာတွင်ကူညီရန် dati လိုအပ်သည်
OLTP စနစ်များနှင့် နှိုင်းယှဉ်လျှင် ၎င်းတို့၏ ပံ့ပိုးပေးနိုင်စွမ်းနှင့် ခွဲခြမ်းစိတ်ဖြာမှု dati အစီရင်ခံခြင်း၊ ဒေတာဂိုဒေါင် မေးမြန်းမှုများပြုလုပ်ခြင်းနှင့် ဖြေကြားခြင်းနှင့် အစီရင်ခံစာများထုတ်လုပ်ခြင်းကဲ့သို့သော သတင်းအချက်အလက်ဆိုင်ရာ လုပ်ငန်းစဉ်များအတွက် ပိုမိုသင့်လျော်သောစနစ်အဖြစ် ရှုမြင်ပါသည်။ နောက်အပိုင်းတွင် စနစ်နှစ်ခု၏ ကွဲပြားချက်များကို အသေးစိတ်ဖော်ပြပါမည်။
ဒေတာဂိုဒေါင် OLTP စနစ်များနှင့်ဆန့်ကျင်ဘက်
အဖွဲ့အစည်းအတွင်းရှိ သတင်းအချက်အလက်စနစ်များစွာသည် နေ့စဉ်လုပ်ငန်းဆောင်တာများကို ပံ့ပိုးပေးရန် ရည်ရွယ်ပါသည်။ OLTP SYSTEMS ဟုလူသိများသော ဤစနစ်များသည် စဉ်ဆက်မပြတ်မွမ်းမံထားသော နေ့စဉ်ငွေပေးငွေယူများကို ဖမ်းယူပါသည်။
I dati ဤစနစ်များအတွင်း ၎င်းတို့ကို မကြာခဏ ပြုပြင်မွမ်းမံခြင်း၊ ထည့်သွင်းခြင်း သို့မဟုတ် ဖျက်ပစ်ခြင်းများ ပြုလုပ်လေ့ရှိသည်။ ဥပမာအားဖြင့်၊ တစ်နေရာမှတစ်နေရာသို့ ရွေ့လျားသည့်အခါ ဖောက်သည်၏လိပ်စာသည် ပြောင်းလဲသွားပါသည်။ ဤကိစ္စတွင်ခုနှစ်, လိပ်စာအသစ်၏လိပ်စာအကွက်ကိုမွမ်းမံခြင်းဖြင့်မှတ်ပုံတင်လိမ့်မည်။ ဒေတာဘေ့စ. ဤစနစ်များ၏ အဓိကရည်ရွယ်ချက်မှာ အရောင်းအ၀ယ်ကုန်ကျစရိတ်များကို လျှော့ချရန်နှင့် တစ်ချိန်တည်းတွင် လုပ်ဆောင်ချိန်များကို လျှော့ချရန်ဖြစ်သည်။ OLTP စနစ်များ၏ ဥပမာများတွင် မှာယူမှုဂျာနယ်၊ လုပ်ခလစာ၊ ပြေစာများ၊ ကုန်ထုတ်လုပ်မှု၊ ဖောက်သည်ဝန်ဆောင်မှုကဲ့သို့သော အရေးကြီးသော လုပ်ဆောင်ချက်များ ပါဝင်သည်။ ဖောက်သည်များ.
ငွေပေးငွေယူနှင့် ဖြစ်ရပ်အခြေခံ လုပ်ငန်းစဉ်များအတွက် ဖန်တီးထားသည့် OLTP စနစ်များနှင့် မတူဘဲ၊ i ဒေတာဂိုဒေါင် ခွဲခြမ်းစိတ်ဖြာမှုအခြေပြု လုပ်ငန်းစဉ်ပံ့ပိုးမှုပေးရန် ဖန်တီးထားသည်။ dati ဆုံးဖြတ်ချက်ချသည့် လုပ်ငန်းစဉ်များနှင့်ပတ်သက်ပြီး
၎င်းကို i ပေါင်းစပ်ခြင်းဖြင့် အောင်မြင်သည်။ dati "ကွန်တိန်နာ" တစ်ခုတည်းရှိ OLTP နှင့် ပြင်ပစနစ်အမျိုးမျိုးမှ datiယခင်အပိုင်းတွင် ဆွေးနွေးခဲ့သည့်အတိုင်း၊
Monash Data Warehousing Process Model
လုပ်ငန်းစဉ်ပုံစံ ဒေတာဂိုဒေါင် Monash ကို Monash DSS သုတေသနအဖွဲ့မှ သုတေသီများက တီထွင်ခဲ့ပြီး စာပေများကို အခြေခံထားသည်။ ဒေတာဂိုဒေါင်ဖွံ့ဖြိုးတိုးတက်မှု ပံ့ပိုးမှုစနစ်နယ်ပယ်များတွင် အတွေ့အကြုံ၊ အသုံးပြုရန်အတွက် အပလီကေးရှင်းရောင်းချသူများနှင့် ဆွေးနွေးမှုများ ဒေတာဂိုဒေါင်, ၏အသုံးပြုမှုအတွက်ကျွမ်းကျင်သူများ၏အုပ်စုအပေါ် ဒေတာဂိုဒေါင်.
အဆင့်များမှာ- အစပြုခြင်း၊ စီမံကိန်း၊ ဖွံ့ဖြိုးတိုးတက်မှု၊ လည်ပတ်ဆောင်ရွက်မှုနှင့် ရှင်းလင်းချက်။ ပုံကြမ်းသည် a တီထွင်ခြင်း၏ ထပ်ခါထပ်ခါ သို့မဟုတ် ဆင့်ကဲဖြစ်စဉ်သဘောသဘာဝကို ရှင်းပြသည်။ ဒေတာဂိုဒေါင် မတူညီသောအဆင့်များကြားတွင် နှစ်လမ်းသွားမြှားများကို အသုံးပြု၍ လုပ်ငန်းစဉ်။ ဤအခြေအနေတွင် “ထပ်တလဲလဲ” နှင့် “ဆင့်ကဲဖြစ်စဉ်” ဆိုသည်မှာ လုပ်ငန်းစဉ်၏ အဆင့်တစ်ဆင့်ချင်းစီတွင်၊ အကောင်အထည်ဖော်ဆောင်ရွက်မှုများသည် ယခင်အဆင့်သို့ အမြဲတမ်း နောက်ပြန်ဆုတ်သွားနိုင်သည်ဟု ဆိုလိုသည်။ ဒါက ပရောဂျက်တစ်ခုရဲ့ သဘောသဘာဝကြောင့်ပါ။ ဒေတာဂိုဒေါင် ၎င်းတွင် အသုံးပြုသူမှ ထပ်လောင်းတောင်းဆိုမှုများသည် အချိန်မရွေး ဖြစ်ပေါ်နိုင်သည်။ ဥပမာအားဖြင့်၊ လုပ်ငန်းစဉ်တစ်ခု၏ဖွံ့ဖြိုးတိုးတက်ရေးအဆင့်အတွင်း ဒေတာဂိုဒေါင်မူလအစီအစဉ်၏အစိတ်အပိုင်းမဟုတ်သော ဘာသာရပ်အရွယ်အစား သို့မဟုတ် ဧရိယာအသစ်ကို အသုံးပြုသူမှ တောင်းဆိုပါက၊ ၎င်းကို စနစ်သို့ ထည့်သွင်းရမည်ဖြစ်သည်။ ဒါက ပရောဂျက်ကို အပြောင်းအလဲ ဖြစ်စေတယ်။ ရလဒ်မှာ ဒီဇိုင်းအဖွဲ့သည် ဒီဇိုင်းအဆင့်တွင် ယခုအချိန်အထိ ဖန်တီးထားသည့် စာရွက်စာတမ်းများ၏ လိုအပ်ချက်များကို ပြောင်းလဲရမည်ဖြစ်ပါသည်။ အခြေအနေများစွာတွင်၊ ပရောဂျက်၏ လက်ရှိအခြေအနေသည် လိုအပ်ချက်အသစ်ကို ထည့်သွင်းပြီး မှတ်တမ်းတင်ရမည့် ဒီဇိုင်းအဆင့်သို့ တောက်လျှောက်သွားရမည်ဖြစ်သည်။ သုံးစွဲသူသည် သတ်မှတ်ထားသော စာရွက်စာတမ်းများကို ပြန်လည်သုံးသပ်ပြီး ဖွံ့ဖြိုးတိုးတက်မှုအဆင့်တွင် ပြုလုပ်ထားသည့် အပြောင်းအလဲများကို ကြည့်ရှုနိုင်ရပါမည်။ ဤဖွံ့ဖြိုးတိုးတက်မှုစက်ဝန်း၏အဆုံးတွင်၊ ပရောဂျက်သည် ဖွံ့ဖြိုးတိုးတက်မှုနှင့် အသုံးပြုသူအဖွဲ့နှစ်ခုလုံးထံမှ ကောင်းမွန်သောတုံ့ပြန်ချက်ရယူရန် လိုအပ်သည်။ ထို့နောက် အနာဂတ်ပရောဂျက်တစ်ခု ပိုမိုကောင်းမွန်လာစေရန် အကြံပြုချက်အား ပြန်လည်အသုံးပြုပါသည်။
စွမ်းဆောင်ရည်အစီအစဥ်
dw သည် အရွယ်အစား အလွန်ကြီးမားပြီး ကြီးထွားနှုန်း အလွန်မြန်သည် (အကောင်းဆုံး 1995၊ Rudin 1997a)၊ dati သမိုင်းကြောင်းကို ထိမ်းသိမ်းစောင့်ရှောက်ကြရသည်။ ကြီးထွားမှုတို့ကြောင့်လည်း ဖြစ်နိုင်သည်။ dati ၏တန်ဖိုးကိုတိုးမြှင့်ရန်အသုံးပြုသူများတောင်းဆိုထားသော add-ons dati သူတို့ရှိပြီးသား။ ထို့ကြောင့် သိုလှောင်မှုအတွက် လိုအပ်ချက်များ၊ dati သိသိသာသာ မြှင့်တင်နိုင်သည် (Eckerson 1997)။ ထို့ကြောင့် တည်ဆောက်ရမည့်စနစ်သည် လိုအပ်ချက်များ တိုးပွားလာသည်နှင့်အမျှ စွမ်းဆောင်ရည်အစီအစဥ်ရေးဆွဲခြင်းဖြင့် သေချာစေရန် အရေးကြီးသည် (Best 1995၊ LaPlante 1996၊ Lang 1997၊ Eckerson 1997၊ Rudin 1997a၊ Foley 1997a)။
dw ၏ အရွယ်အစားကို ချဲ့ထွင်နိုင်ရန် စီစဉ်ရာတွင်၊ ဂိုဒေါင်၏ အရွယ်အစား၊ မျှော်မှန်းထားသည့် တိုးတက်မှုနှုန်း၊ ဖြစ်နိုင်ခြေရှိသော မေးခွန်းအမျိုးအစားများနှင့် ပံ့ပိုးပေးထားသည့် အသုံးပြုသူ အရေအတွက် (အကောင်းဆုံး 1995၊ Rudin 1997b၊ Foley 1997a) ကို သိရှိရပါမည်။ အရွယ်စားနိုင်သော အပလီကေးရှင်းများတည်ဆောက်ရာတွင် အရွယ်အစားကြီးမားနိုင်သော ဆာဗာနည်းပညာများနှင့် အရွယ်တင်နိုင်သော အပလီကေးရှင်းဒီဇိုင်းနည်းပညာများ ပေါင်းစပ်ထားရန် လိုအပ်သည် (အကောင်းဆုံး 1995၊ Rudin 1997b။ နှစ်ခုစလုံးသည် အလွန်အရွယ်စားနိုင်သော အပလီကေးရှင်းကို တည်ဆောက်ရာတွင် လိုအပ်ပါသည်။ အရွယ်တင်နိုင်သော ဆာဗာနည်းပညာများသည် သိုလှောင်မှု၊ မန်မိုရီနှင့် CPU တို့ကို ထည့်သွင်းရန် လွယ်ကူပြီး ကုန်ကျစရိတ်သက်သာနိုင်သည် စွမ်းဆောင်ရည်ကျဆင်းခြင်း (Lang 1997၊ Telephony 1997)။
အဓိက အရွယ်တင်နိုင်သော ဆာဗာနည်းပညာ နှစ်ခုရှိသည်- အချိုးကျ မျိုးစုံလုပ်ဆောင်ခြင်း (SMP) နှင့် ကြီးမားစွာ အပြိုင်လုပ်ဆောင်ခြင်း (MPP) ) (IDC 1997၊ Humphries et al. 1999)။ SMP ဆာဗာတစ်ခုတွင် ပုံမှန်အားဖြင့် မန်မိုရီ၊ စနစ်ဘတ်စ်ကားများနှင့် အခြားအရင်းအမြစ်များကို မျှဝေပေးသည့် ပရိုဆက်ဆာအများအပြားရှိသည် (IDC 1997၊ Humphries et al. 1999)။ ၎င်းကိုမြှင့်တင်ရန် အပိုပရိုဆက်ဆာများကို ထည့်သွင်းနိုင်သည်။ စွမ်းအား တွက်ချက်မှု။ တိုးဖို့နောက်ထပ်နည်းလမ်း စွမ်းအား SMP server ၏တွက်ချက်မှုသည် SMP စက်များစွာကိုပေါင်းစပ်ရန်ဖြစ်သည်။ ဤနည်းပညာကို အစုလိုက်ဖွဲ့ခြင်း (Humphries et al. 1999) ဟုခေါ်သည်။ အခြားတစ်ဖက်တွင် MPP ဆာဗာတစ်ခုစီတွင် ၎င်း၏ကိုယ်ပိုင်မှတ်ဉာဏ်၊ ဘတ်စ်ကားစနစ်နှင့် အခြားအရင်းအမြစ်များပါရှိသည့် ပရိုဆက်ဆာအများအပြားပါရှိသည် (IDC 1997၊ Humphries et al. 1999)။ ပရိုဆက်ဆာတစ်ခုစီကို node ဟုခေါ်သည်။ တိုးလာပါသည်။ စွမ်းအား တွက်ချက်မှုတို့ကို ရယူနိုင်မည်ဖြစ်သည်။
MPP ဆာဗာများသို့ အပို node များကို ပေါင်းထည့်ခြင်း (Humphries et al. 1999)။
SMP ဆာဗာများ၏ အားနည်းချက်မှာ အဝင်-အထွက် (I/O) များလွန်းခြင်းကြောင့် ဘတ်စ်ကားစနစ် (IDC 1997) ကို ပိတ်ဆို့နိုင်သည်။ ပရိုဆက်ဆာတစ်ခုစီတွင် ၎င်း၏ကိုယ်ပိုင်ဘတ်စ်ကားစနစ်ရှိသောကြောင့် MPP ဆာဗာများတွင် ဤပြဿနာမဖြစ်ပွားပါ။ သို့သော်၊ node တစ်ခုစီကြား အပြန်အလှန်ချိတ်ဆက်မှုသည် ယေဘုယျအားဖြင့် SMP ဘတ်စ်ကားစနစ်ထက် များစွာနှေးကွေးပါသည်။ ထို့အပြင် MPP ဆာဗာများသည် အပလီကေးရှင်းဆော့ဖ်ဝဲရေးသားသူများအတွက် ရှုပ်ထွေးမှုအလွှာတစ်ခု ထပ်ပေါင်းနိုင်သည် (IDC 1997)။ ထို့ကြောင့်၊ SMP နှင့် MPP ဆာဗာများအကြား ရွေးချယ်မှုအား အက်ပ်လီကေးရှင်းများ၏ ရှုပ်ထွေးမှု၊ စျေးနှုန်း/စွမ်းဆောင်ရည်အချိုး၊ လိုအပ်သည့် ဖြတ်သန်းမှု၊ dw အက်ပ်လီကေးရှင်းများ တားဆီးထားသည့် နှင့် အရွယ်အစား တိုးလာမှုတို့အပါအဝင် အချက်များစွာဖြင့် လွှမ်းမိုးနိုင်သည်။ ဒေတာဘေ့စ dw နှင့် end users အရေအတွက်။
စွမ်းရည်အစီအစဥ်ရေးဆွဲရာတွင် အတိုင်းအတာအထိ အသုံးချနိုင်သော ဒီဇိုင်းနည်းပညာများစွာကို အသုံးချနိုင်သည်။ တစ်ရက်၊ ရက်သတ္တပတ်၊ လနှင့် နှစ်များကဲ့သို့ အမျိုးမျိုးသော အစီရင်ခံချိန်များကို အသုံးပြုသည်။ အမျိုးမျိုးသောအသိပေးကာလရှိခြင်း၊ ဒေတာဘေ့စ စီမံခန့်ခွဲနိုင်သော အုပ်စုများအဖြစ် ပိုင်းခြားနိုင်သည် (Inmon et al. 1997)။ အခြားနည်းလမ်းမှာ အကျဉ်းချုပ်အားဖြင့် တည်ဆောက်ထားသော ဇယားများကို အသုံးပြုရန်ဖြစ်သည်။ dati da dati အသေးစိတ်။ ထို့ကြောင့်၊ dati Abstract များသည် အသေးစိတ်ထက် ပိုကျစ်လျစ်ပြီး မှတ်ဉာဏ်နေရာ နည်းပါးသည်။ ဒါကြောင့် dati အသေးစိတ်အချက်အလက်များကို စျေးပိုသက်သာသော သိုလှောင်မှုယူနစ်တွင် သိမ်းဆည်းထားနိုင်ပြီး သိုလှောင်မှုပို၍ပင် သက်သာစေပါသည်။ အနှစ်ချုပ်ဇယားများကို အသုံးပြုခြင်းဖြင့် သိုလှောင်မှုနေရာလွတ်ကို သက်သာစေနိုင်သော်လည်း ၎င်းတို့ကို လက်ရှိနှင့် လုပ်ငန်းလိုအပ်ချက်များနှင့် လိုက်လျောညီထွေဖြစ်စေရန် ကြိုးပမ်းအားထုတ်မှုများစွာ လိုအပ်ပါသည်။ သို့သော်၊ ဤနည်းပညာကို တွင်ကျယ်စွာအသုံးပြုပြီး ယခင်နည်းပညာနှင့် တွဲဖက်အသုံးပြုလေ့ရှိသည် (အကောင်းဆုံး 1995၊ Inmon 1996a၊ Chauduri နှင့် Dayal
1997) ။
သတ်မှတ်ခြင်း ဒေတာသိုလှောင်ရုံ Technical Architectures dw ဗိသုကာနည်းပညာများ၏ အဓိပ္ပာယ်ဖွင့်ဆိုချက်
အစောပိုင်း data warehouseing ကို လက်ခံအသုံးပြုသူများသည် အဓိကအားဖြင့် ဗဟိုချုပ်ကိုင်ထားသော data warehouse အကောင်အထည်ဖော်မှုကို အဓိက မျှော်မှန်းထားသည်၊ datiငါအပါအဝင် dati ပြင်ပ တစ်ခုတည်းသို့ ပေါင်းစည်းခြင်း၊
ရုပ်ပိုင်းဆိုင်ရာသိုလှောင်မှု (Inmon 1996a၊ Bresnahan 1996၊ Peacock 1998)။
ဤချဉ်းကပ်မှု၏ အဓိကအကျိုးကျေးဇူးမှာ သုံးစွဲသူများသည် လုပ်ငန်းတစ်ခုလုံး၏ အမြင်ကို ရယူနိုင်ခြင်းပင်ဖြစ်သည်။ dati အဖွဲ့အစည်း (Ovum 1998)။ နောက်ထပ် အားသာချက်တစ်ခုကတော့ စံချိန်စံညွှန်းသတ်မှတ်ခြင်း ပါရှိပါတယ်။ dati အဖွဲ့အစည်းတစ်ဝှမ်းတွင်၊ ဆိုလိုသည်မှာ repository metadata (Flanagan and Safdie 1997၊ Ovum 1998) တွင်အသုံးပြုသည့် ဝေါဟာရတစ်ခုစီအတွက် ဗားရှင်း သို့မဟုတ် အဓိပ္ပါယ်ဖွင့်ဆိုချက်တစ်ခုသာရှိသည်။ အခြားတစ်ဖက်တွင်မူ ဤချဉ်းကပ်မှု၏အားနည်းချက်မှာ စျေးကြီးပြီး တည်ဆောက်ရန်ခက်ခဲသည် (Flanagan and Safdie 1997၊ Ovum 1998၊ Inmon et al. 1998)။ သိုလှောင်မှုဗိသုကာကိုသိပ်မကြာခင်မှာဘဲ dati ဗဟိုချုပ်ကိုင်မှု ပေါ်ပြူလာဖြစ်လာပြီး နတ်ဘုရားများ၏ အသေးငယ်ဆုံး အစိတ်အပိုင်းများကို တူးဖော်ခြင်းဆိုင်ရာ အယူအဆ ဆင့်ကဲပြောင်းလဲလာသည်။ dati သီးခြားအက်ပ်လီကေးရှင်းများ၏လိုအပ်ချက်များကိုပံ့ပိုးရန် (Varney 1996၊ IDC 1997၊ Berson and Smith 1997၊ peacock 1998)။ ဤသေးငယ်သောစနစ်များသည် ပိုကြီးသောစနစ်မှဆင်းသက်လာသည်။ ဒေတာဂိုဒေါင် ဗဟိုချုပ်ကိုင်မှု။ သူတို့အမည်မှာ ဒေတာဂိုဒေါင် ဝန်ထမ်းဌာနဆိုင်ရာ သို့မဟုတ် ဝန်ထမ်းဒေတာ marts။ မှီခိုဒေတာမာ့ဗိသုကာကို ပထမအဆင့်တွင် သုံးဆင့်ဗိသုကာဟု လူသိများသည်။ ဒေတာဂိုဒေါင် ဗဟိုချုပ်ကိုင်မှုဒုတိယ၏သိုက်များပါဝင်သည်။ dati ဌာနဆိုင်ရာနှင့် တတိယအကြိမ်မြောက် ဝင်ရောက်ခွင့်တို့ ပါဝင်သည်။ dati နှင့် ခွဲခြမ်းစိတ်ဖြာမှု ကိရိယာများဖြင့် (Demarest 1994၊ Inmon et al. 1997)။
Data marts များကို ပုံမှန်အားဖြင့် အပြီးတည်ဆောက်ပါသည်။ ဒေတာဂိုဒေါင် သတ်မှတ်ထားသောယူနစ်များ၏လိုအပ်ချက်များကိုဖြည့်ဆည်းရန်ဗဟိုချုပ်ကိုင်မှုကိုတည်ဆောက်ခဲ့သည် (White 1995၊ Varney 1996)။
Data marts စတိုးတဈခု dati သီးခြားယူနစ်များနှင့် သက်ဆိုင်သည် (Inmon et al. 1997, Inmon et al. 1998, IA 1998)။
ဒီနည်းလမ်းရဲ့ အားသာချက်ကတော့ မရှိမဖြစ်ပါ။ Dato ပေါင်းစည်းထားခြင်းမဟုတ်၊ dati data marts များအတွင်း မလိုအပ်တော့တာ နည်းပါးသွားပါမည်။ dati အပ်နှံငွေမှ လာပါသည်။ dati ဘက်ပေါင်းစုံ။ နောက်ထပ်အားသာချက်တစ်ခုကတော့ data mart တစ်ခုစီနှင့် ၎င်း၏ရင်းမြစ်များကြားတွင် လင့်ခ်အနည်းငယ်သာရှိမည်ဖြစ်သည်။ dati အဘယ်ကြောင့်ဆိုသော် data mart တစ်ခုစီတွင် source တစ်ခုသာရှိသည်။ dati. ထို့အပြင် ဤဗိသုကာလက်ရာဖြင့်၊ သုံးစွဲသူများသည် ၎င်းကို ဆက်လက်ဝင်ရောက်နိုင်သည်။ dati
ကော်ပိုရိတ်အဖွဲ့အစည်းများ။ ဤနည်းလမ်းကို data marts များအပြီးတွင် တည်ဆောက်သည့် top-down method ဟုခေါ်သည်။ ဒေတာဂိုဒေါင် (ဒေါင်း ၁၉၉၈၊ Goff 1998)။
ရလဒ်များကို စောစီးစွာ ပြသရန် လိုအပ်မှု တိုးလာခြင်းကြောင့် အချို့သော အဖွဲ့အစည်းများသည် အမှီအခိုကင်းသော ဒေတာမတ်များ (Flanagan နှင့် Safdie 1997၊ White 2000) ကို စတင်တည်ဆောက်ခဲ့ကြသည်။ ဤကိစ္စတွင်၊ data marts သည်၎င်းတို့ဖြစ်သည်။ dati အခြေခံမှစ၍ တိုက်ရိုက် dati OLTP နှင့် OLTP မဟုတ်သော ဗဟိုချုပ်ကိုင်မှု နှင့် ပေါင်းစည်းထားသော သိုလှောင်မှုမှ၊ ထို့ကြောင့် ဗဟိုသိုလှောင်မှုနေရာအတွက် လိုအပ်မှုကို ဖယ်ရှားပေးသည်။
data mart တစ်ခုစီသည် ၎င်း၏ရင်းမြစ်များသို့ အနည်းဆုံး လင့်ခ်တစ်ခု လိုအပ်သည်။ dati. data mart တစ်ခုစီသို့ လင့်ခ်များစွာရှိခြင်း၏ အားနည်းချက်တစ်ခုမှာ ယခင်ဗိသုကာနှစ်ခုနှင့် နှိုင်းယှဉ်ပါက များပြားလွန်းခြင်း၊ dati သိသိသာသာတိုးလာပါတယ်။
data mart တိုင်းက အားလုံးကို သိမ်းထားရမယ်။ dati OLTP စနစ်များအပေါ် သက်ရောက်မှုမရှိရန် ပြည်တွင်း၌ လိုအပ်သည်။ ဒီအတွက်ကြောင့်မို့လား။ dati ၎င်းတို့ကို မတူညီသော data marts များတွင် သိမ်းဆည်းထားပါသည် (Inmon et al. 1997)။ ဤဗိသုကာ၏နောက်ထပ်အားနည်းချက်မှာ data marts နှင့် ၎င်းတို့၏ ဒေတာရင်းမြစ်များကြားတွင် ရှုပ်ထွေးသော အပြန်အလှန်ချိတ်ဆက်မှုများ ဖန်တီးနိုင်ခြင်းကြောင့်ဖြစ်သည်။ dati အကောင်အထည်ဖော်ရန်နှင့် ထိန်းချုပ်ရန်ခက်ခဲသော (Inmon et al. 1997)။
အခြားအားနည်းချက်မှာ သုံးစွဲသူများသည် ကုမ္ပဏီအချက်အလက် ခြုံငုံသုံးသပ်ချက်ကို ရယူနိုင်ခြင်းမှာ i ကြောင့်ဖြစ်သည်။ dati မတူညီသော data marts များကို ပေါင်းစည်းခြင်းမပြုပါ (Ovum 1998)။
အခြားအားနည်းချက်မှာ data marts များတွင်အသုံးပြုသည့် ဝေါဟာရတစ်ခုစီအတွက် အဓိပ္ပါယ်ကွဲလွဲမှုများကို ထုတ်ပေးသည့် data marts တစ်ခုစီတွင် တစ်ခုထက်ပို၍ ရှိနေနိုင်သည်။ dati အဖွဲ့အစည်းတွင် (Ovum 1998)။
အထက်တွင်ဖော်ပြထားသော အားနည်းချက်များရှိသော်လည်း၊ သီးခြားဒေတာမတ်များသည် အဖွဲ့အစည်းများစွာ၏ စိတ်ဝင်စားမှုကို ဆွဲဆောင်ဆဲဖြစ်သည် (IDC 1997)။ ၎င်းတို့ကို ဆွဲဆောင်မှုဖြစ်စေသည့်အချက်တစ်ခုမှာ ၎င်းတို့သည် ဖွံ့ဖြိုးတိုးတက်ရန် ပိုမိုမြန်ဆန်ပြီး အချိန်နှင့် အရင်းအမြစ်များ လိုအပ်သည် (Bresnahan 1996၊ Berson and Smith 1997၊ Ovum 1998) ဖြစ်သည်။ ထို့ကြောင့်၊ ၎င်းတို့သည် ဒီဇိုင်းတွင် အကျိုးကျေးဇူးများနှင့်/သို့မဟုတ် ချို့ယွင်းချက်များကို လျင်မြန်စွာဖော်ထုတ်ရန် အသုံးပြုနိုင်သည့် စမ်းသပ်ဒီဇိုင်းများ (Parsaye 1995၊ Braly 1995၊ Newing 1996)။ ဤကိစ္စတွင်၊ ရှေ့ပြေးပရောဂျက်တွင် အကောင်အထည်ဖော်ရမည့်အပိုင်းသည် အဖွဲ့အစည်းအတွက် သေးငယ်သော်လည်း အရေးကြီးသည် (Newing 1996၊ Mansell-Lewis 1996)။
ရှေ့ပြေးပုံစံကို စစ်ဆေးခြင်းဖြင့်၊ သုံးစွဲသူများနှင့် စီမံခန့်ခွဲသူများသည် ပရောဂျက်ကို ဆက်လက်လုပ်ဆောင်ရန် သို့မဟုတ် ရပ်ရန် ဆုံးဖြတ်နိုင်သည် (Flanagan and Safdie 1997)။
ဆက်လက်၍ ဆုံးဖြတ်ချက်ချပါက၊ အခြားစက်မှုလုပ်ငန်းများအတွက် data marts ကို တစ်ကြိမ်လျှင် တစ်ခုတည်ဆောက်သင့်သည်။ အမှီအခိုကင်းသောဒေတာမက်ထရစ်များတည်ဆောက်ရာတွင် ၎င်းတို့၏လိုအပ်ချက်များအပေါ်အခြေခံ၍ သုံးစွဲသူများအတွက် ရွေးချယ်စရာနှစ်ခုရှိသည်- ပေါင်းစပ်/ဖက်ဒရယ်နှင့် ပေါင်းစပ်ထားခြင်း (Ovum 1998)
ပထမနည်းလမ်းတွင်၊ data mart အသစ်တစ်ခုစီသည် လက်ရှိ data marts နှင့် model ကိုအခြေခံ၍ တည်ဆောက်သင့်သည်။ dati ကုမ္ပဏီမှအသုံးပြုသည် (Varney 1996၊ Berson and Smith 1997၊ Peacock 1998)။ မော်ဒယ်ကို အသုံးပြုရန် လိုအပ်သည်။ dati လုပ်ငန်း၏ အဓိပ္ပါယ်မှာ data marts များတွင်အသုံးပြုသော ဝေါဟာရတစ်ခုစီအတွက် အဓိပ္ပါယ်ဖွင့်ဆိုချက်တစ်ခုသာရှိရန်၊ လုပ်ငန်းဆိုင်ရာအချက်အလက်များ၏ခြုံငုံသုံးသပ်ချက်ပေးရန် မတူညီသော data marts များကို ပေါင်းစည်းနိုင်စေရန် သေချာစေရမည် (Bresnahan 1996)။ ဤနည်းလမ်းကို အောက်ခြေ-up နည်းလမ်းဟုခေါ်ပြီး ငွေကြေးနည်းလမ်းနှင့် အချိန်ကန့်သတ်ချက်ရှိသည့်အခါ (Flanagan and Safdie 1997၊ Ovum 1998၊ peacock 1998၊ Goff 1998)။ ဒုတိယနည်းလမ်းတွင် တည်ဆောက်ထားသော data marts များသည် သီးခြားယူနစ်တစ်ခု၏ လိုအပ်ချက်များကိုသာ ဖြည့်ဆည်းပေးနိုင်သည်။ Federated data mart ၏ မူကွဲမှာ အမျိုးအစားဖြစ်သည်။ ဒေတာဂိုဒေါင် ဖြန့်ဝေပေးသော၊ ဒေတာဘေ့စ hub server middleware ကို data marts အများအပြားကို repository တစ်ခုထဲသို့ ပေါင်းစည်းရန်အတွက် အသုံးပြုပါသည်။ dati ဖြန့်ဝေ (အဖြူရောင် 1995)။ ဤကိစ္စတွင်၊ ဈ dati လုပ်ငန်းတော်တော်များများကို data marts တွေမှာ ဖြန့်ဝေပါတယ်။ အသုံးပြုသူ တောင်းဆိုချက်များကို ထပ်ဆင့်ပို့သည်။ ဒေတာဘေ့စ အားလုံးကို ထုတ်ယူသည့် hub server အလယ်တန်းဝဲ dati data marts မှ တောင်းဆိုထားပြီး ရလဒ်များကို end-user applications များသို့ ပြန်ပို့ပေးပါသည်။ ဤနည်းလမ်းသည် သုံးစွဲသူများအား စီးပွားရေးဆိုင်ရာ အချက်အလက်များကို ပံ့ပိုးပေးပါသည်။ သို့သော်လည်း လွတ်လပ်သော ဒေတာမာ့စ်များ၏ ပြဿနာများကို မဖယ်ရှားနိုင်သေးပါ။ သုံးလို့ရတဲ့ နောက်ထပ် ဗိသုကာလက်ရာတစ်ခု ရှိပါသေးတယ်။ ဒေတာဂိုဒေါင် virtual (အဖြူရောင် 1995)။ သို့သော်၊ ပုံ 2.9 တွင်ဖော်ပြထားသော ဤဗိသုကာသည် ဒေတာသိုလှောင်မှုဗိသုကာတစ်ခုမဟုတ်ပါ။ dati ၎င်းသည် OLTP စနစ်များမှ load ကိုရွှေ့မပေးသောကြောင့်မှန်ကန်သည်။ ဒေတာဂိုဒေါင် (Demarest 1994)။
အမှန်တကယ်တော့ တောင်းဆိုမှုတွေ ပြုလုပ်ခဲ့ပါတယ်။ dati သုံးစွဲသူများက ၎င်းတို့ကို အသုံးပြုသူတောင်းဆိုမှုများကို လုပ်ဆောင်ပြီးနောက် ရလဒ်များကို ပြန်ပေးသည့် OLTP စနစ်များသို့ လွှဲပြောင်းပေးသည်။ ဤဗိသုကာလက်ရာသည် သုံးစွဲသူများအား အစီရင်ခံစာများဖန်တီးရန်နှင့် တောင်းဆိုမှုများပြုလုပ်ရန် ခွင့်ပြုသော်လည်း၊ ၎င်းသည် i ကို မပေးနိုင်ပါ။
dati မှတ်တမ်းနှင့် ကုမ္ပဏီအချက်အလက် ခြုံငုံသုံးသပ်ချက် i dati မတူညီသော OLTP စနစ်များကို ပေါင်းစပ်ထားခြင်း မရှိသောကြောင့်ဖြစ်သည်။ ထို့ကြောင့် ဤဗိသုကာပညာ၏ ခွဲခြမ်းစိတ်ဖြာမှုကို ကျေနပ်နိုင်မည်မဟုတ်ပေ။ dati ကြိုတင်ခန့်မှန်းချက်များကဲ့သို့သော။
အသုံးပြုခွင့်နှင့် ဒေတာပြန်လည်ရယူရေးအက်ပ်များကို ရွေးချယ်ခြင်း။ dati
တည်ဆောက်ရခြင်း၏ ရည်ရွယ်ချက် ဒေတာဂိုဒေါင် သုံးစွဲသူများထံ သတင်းအချက်အလက်များ ပေးပို့ရန်ဖြစ်သည် (Inmon et al. 1997, Poe 1996, McFadden 1996, Shanks et al. 1997, Hammergren 1998); တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော အသုံးပြုခွင့်နှင့် ပြန်လည်ရယူရေး အပလီကေးရှင်းများ dati ပေးရပါမည်။ ယနေ့အထိ၊ အသုံးပြုသူမှ ရွေးချယ်နိုင်သော များပြားလှသော အပလီကေးရှင်းများ (Hammergren 1998၊ Humphries et al. 1999)။ ရွေးချယ်ထားသော အပလီကေးရှင်းများသည် သိုလှောင်မှုကြိုးပမ်းမှု၏ အောင်မြင်မှုကို ဆုံးဖြတ်သည်။ dati အဘယ်ကြောင့်ဆိုသော် အဖွဲ့အစည်းတစ်ခုတွင် Application များသည် မြင်သာမြင်သာဆုံးအပိုင်းဖြစ်သည်။ ဒေတာဂိုဒေါင် အသုံးပြုသူထံ (Inmon et al. 1997၊ Poe 1996)။ အောင်မြင်ဖို့ A ဒေတာဂိုဒေါင်ဒေတာခွဲခြမ်းစိတ်ဖြာခြင်းလုပ်ငန်းများကို ပံ့ပိုးပေးနိုင်ရမည်။ dati နောက်ဆုံးအသုံးပြုသူ (Poe 1996၊ Seddon နှင့် Benjamin 1998၊ Eckerson 1999)။ ထို့ကြောင့် အသုံးပြုသူ လိုချင်သည့်အရာ၏ "အဆင့်" ကို ဖော်ထုတ်ရမည် (Poe 1996၊ Mattison 1996၊ Inmon et al. 1997၊ Humphries et al. 1999)။
ယေဘုယျအားဖြင့်၊ အဆုံးအသုံးပြုသူများကို အမှုဆောင်အသုံးပြုသူများ၊ လုပ်ငန်းခွဲခြမ်းစိတ်ဖြာသူများနှင့် ပါဝါအသုံးပြုသူများ (Poe 1996၊ Humphries et al. 1999) ဟူ၍ အမျိုးအစားသုံးမျိုးဖြင့် အုပ်စုဖွဲ့နိုင်သည်။ အမှုဆောင်အသုံးပြုသူများသည် ကြိုတင်သတ်မှတ်ထားသော အစီရင်ခံစာအစုံများကို အလွယ်တကူဝင်ရောက်ခွင့် လိုအပ်သည် (Humphries et al. 1999)။ ဤအစီရင်ခံစာများကို မီနူးလမ်းညွှန်ဖြင့် အလွယ်တကူ ဝင်ရောက်ကြည့်ရှုနိုင်သည် (Poe 1996)။ ထို့အပြင်၊ အစီရင်ခံစာများသည် သတင်းအချက်အလက်ကို လျင်မြန်စွာဖော်ပြရန် ဇယားများနှင့် ပုံစံခွက်များကဲ့သို့သော ဂရပ်ဖစ်ကိုယ်စားပြုဖော်ပြချက်များကို အသုံးပြု၍ အချက်အလက်တင်ပြသင့်သည် (Humphries et al. 1999)။ အစီရင်ခံစာများကို အစမှနေ၍ ကိုယ်တိုင်ဖန်တီးရန် နည်းပညာဆိုင်ရာ စွမ်းရည်မရှိသော စီးပွားရေးလေ့လာသုံးသပ်သူများသည် ၎င်းတို့၏ သီးခြားလိုအပ်ချက်များနှင့် ကိုက်ညီရန် လက်ရှိအစီရင်ခံစာများကို မွမ်းမံပြင်ဆင်ရန် လိုအပ်သည် (Poe 1996၊ Humphries et al. 1999)။ အခြားတစ်ဖက်တွင်မူ ပါဝါအသုံးပြုသူများသည် တောင်းဆိုချက်များနှင့် အစီရင်ခံစာများကို အစမှ ထုတ်ယူနိုင်ပြီး ရေးသားနိုင်စွမ်းရှိသည့် သုံးစွဲသူများဖြစ်သည် (Poe 1996၊ Humphries et al. 1999)။ သူတို
၎င်းတို့သည် အခြားအသုံးပြုသူများ၏ ဆက်ဆံရေးကို တည်ဆောက်သည် (Poe 1996၊ Humphries et al. 1999)။
သုံးစွဲသူ၏ လိုအပ်ချက်များကို ဆုံးဖြတ်ပြီးသည်နှင့်၊ အသုံးပြုခွင့်နှင့် ပြန်လည်ရယူရေး အပလီကေးရှင်းများ ရွေးချယ်မှု ပြုလုပ်ရပါမည်။ dati ရနိုင်သမျှတို့တွင် (Poe 1996၊ Inmon et al. 1997)။
လက်လှမ်းမီရန် dati နှင့် ပြန်လည်ရယူခြင်းဆိုင်ရာ ကိရိယာများကို အမျိုးအစား 4 မျိုး ခွဲခြားနိုင်သည်- OLAP ကိရိယာ၊ EIS/DSS ကိရိယာ၊ မေးမြန်းချက်နှင့် အစီရင်ခံခြင်းကိရိယာ နှင့် ဒေတာတူးဖော်ရေးကိရိယာ။
OLAP ကိရိယာများသည် သုံးစွဲသူများအား သီးသန့်မေးမြန်းချက်များကို ဖန်တီးနိုင်သည့်အပြင် ၎င်းတွင် ပြုလုပ်ထားသည့်အရာများကို ဖန်တီးနိုင်စေသည်။ ဒေတာဘေ့စ del ဒေတာဂိုဒေါင်. ထို့အပြင်၊ ဤထုတ်ကုန်များသည် သုံးစွဲသူများကို တူးဆွရန် ခွင့်ပြုသည်။ dati ယေဘုယျအားဖြင့်အသေးစိတ်။
EIS/DSS ကိရိယာများသည် "ဘာဖြစ်လျှင်" ခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် မီနူးမှမောင်းနှင်သော အစီရင်ခံစာများသို့ ဝင်ရောက်ခြင်းကဲ့သို့သော အမှုဆောင်အစီရင်ခံစာကို ပံ့ပိုးပေးပါသည်။ ပိုမိုလွယ်ကူစွာ လမ်းညွှန်နိုင်ရန် အစီရင်ခံစာများကို ကြိုတင်သတ်မှတ်ထားပြီး မီနူးများနှင့် ပေါင်းစည်းသင့်သည်။
Query နှင့် အစီရင်ခံခြင်း ကိရိယာများသည် အသုံးပြုသူများအား ကြိုတင်သတ်မှတ်ထားသော နှင့် သီးခြားအစီရင်ခံစာများကို ထုတ်လုပ်နိုင်စေပါသည်။
မေ့လျော့နေသော လုပ်ငန်းဆောင်တာများတွင် အလင်းသစ်များထွန်းလင်းပေးနိုင်သော ဆက်ဆံရေးများကို ဖော်ထုတ်ရန်အတွက် ဒေတာတူးဖော်ရေးကိရိယာများကို အသုံးပြုပါသည်။ dati ဒေတာဂိုဒေါင်၏
အသုံးပြုသူ အမျိုးအစားတစ်ခုစီ၏ လိုအပ်ချက်များကို ပိုမိုကောင်းမွန်အောင် လုပ်ဆောင်ခြင်းအပြင်၊ ရွေးချယ်ထားသော ကိရိယာများသည် အလိုလိုသိ၊ ထိရောက်ပြီး အသုံးပြုရလွယ်ကူရပါမည်။ ၎င်းတို့သည် ဗိသုကာပညာ၏ အခြားအစိတ်အပိုင်းများနှင့် သဟဇာတဖြစ်ရန် လိုအပ်ပြီး လက်ရှိစနစ်များနှင့်လည်း လုပ်ဆောင်နိုင်သည်။ ကျိုးကြောင်းဆီလျော်သောစျေးနှုန်းနှင့် စွမ်းဆောင်ရည်ဖြင့် ဒေတာအသုံးပြုခွင့်နှင့် ပြန်လည်ရယူသည့်ကိရိယာများကို ရွေးချယ်ရန်လည်း အကြံပြုထားသည်။ ထည့်သွင်းစဉ်းစားရမည့် အခြားစံသတ်မှတ်ချက်များတွင် ၎င်းတို့၏ထုတ်ကုန်ကို ပံ့ပိုးပေးရန် ကိရိယာရောင်းချသူ၏ ကတိကဝတ်နှင့် နောင်ထွက်ရှိမည့် တိုးတက်မှုများ ပါဝင်သည်။ ဒေတာဂိုဒေါင်ကို အသုံးပြုရာတွင် အသုံးပြုသူများ ပါဝင်ပတ်သက်မှုရှိစေရန်၊ ဖွံ့ဖြိုးတိုးတက်ရေးအဖွဲ့သည် ကိရိယာရွေးချယ်မှုလုပ်ငန်းစဉ်တွင် အသုံးပြုသူများပါ၀င်သည်။ ဤကိစ္စတွင်၊ အသုံးပြုသူ၏လက်တွေ့အကဲဖြတ်ခြင်းကိုဆောင်ရွက်သင့်သည်။
ဒေတာဂိုဒေါင်၏တန်ဖိုးကို မြှင့်တင်ရန်အတွက် ဖွံ့ဖြိုးတိုးတက်ရေးအဖွဲ့သည် ၎င်းတို့၏ဒေတာသိုလှောင်ရုံများသို့ ဝဘ်ဝင်ရောက်ခွင့်ကိုလည်း ပံ့ပိုးပေးနိုင်သည်။ ဝဘ်-ဖွင့်ထားသော ဒေတာဂိုဒေါင်သည် သုံးစွဲသူများကို ဝင်ရောက်ကြည့်ရှုခွင့်ပေးသည်။ dati ဝေးလံခေါင်သီသောနေရာများမှ သို့မဟုတ် ခရီးသွားနေစဉ်။ အချက်အလက်တွေလည်း ရနိုင်ပါတယ်။
လေ့ကျင့်ရေးစရိတ်များ လျှော့ချခြင်းဖြင့် သက်သာသော ကုန်ကျစရိတ်ဖြင့် ပံ့ပိုးပေးပါသည်။
2.4.3 ဒေတာသိုလှောင်ရုံ စစ်ဆင်ရေးအဆင့်
ဤအဆင့်တွင် လုပ်ဆောင်ချက်များ သုံးခုပါဝင်သည်- ဒေတာပြန်လည်ဆန်းသစ်ခြင်းဗျူဟာများ၏ အဓိပ္ပါယ်ဖွင့်ဆိုချက်၊ ဒေတာဂိုဒေါင်၏ လုပ်ဆောင်ချက်များကို ထိန်းချုပ်ခြင်းနှင့် ဒေတာသိုလှောင်ရုံလုံခြုံရေးကို စီမံခန့်ခွဲခြင်း။
ဒေတာပြန်လည်ဆန်းသစ်ခြင်းဗျူဟာများ အဓိပ္ပါယ်ဖွင့်ဆိုချက်
ကနဦး loading ပြီးနောက် i dati နဲလ် ဒေတာဘေ့စ ဒေတာဂိုဒေါင်၏ ဒေတာဂိုဒေါင်ပေါ်တွင် ပြုလုပ်ထားသော အပြောင်းအလဲများကို ပြန်လည်ထုတ်ပေးရန်အတွက် အခါအားလျော်စွာ ပြန်လည်စတင်ရပါမည်။ dati မူရင်းများ။ ထို့ကြောင့် မည်သည့်အချိန်တွင် ပြန်လည်စတင်ရန်၊ ပြန်လည်စတင်ရန် အချိန်မည်မျှ အချိန်ဇယားဆွဲထားသင့်ပြီး မည်ကဲ့သို့ ပြန်လည်စတင်ရမည်ကို သင်ဆုံးဖြတ်ရမည်ဖြစ်သည်။ dati. ပြန်လည်ဆန်းသစ်ရန် အကြံပြုထားသည်။ dati စနစ်ကို အော့ဖ်လိုင်းယူနိုင်သည့်အခါ။ အသုံးပြုသူလိုအပ်ချက်များအပေါ်အခြေခံ၍ ပြန်လည်ဆန်းသစ်မှုနှုန်းကို ဖွံ့ဖြိုးတိုးတက်ရေးအဖွဲ့က ဆုံးဖြတ်သည်။ ဒေတာဂိုဒေါင်ကို ပြန်လည်ဆန်းသစ်ရန် နည်းလမ်းနှစ်ခုရှိသည်- အပြည့်အဝ ပြန်လည်ဆန်းသစ်ခြင်းနှင့် အပြောင်းအလဲများကို စဉ်ဆက်မပြတ် အပ်လုဒ်လုပ်ခြင်း။
ပထမနည်းလမ်း၊ အပြည့်အဝ ပြန်လည်ဆန်းသစ်ရန်၊ အားလုံးကို ပြန်လည်စတင်ရန် လိုအပ်သည်။ dati အစကနေ။ ဆိုလိုတာက အကုန်လုံးပေါ့။ dati လိုအပ်သည်များကို ထုတ်ယူရန်၊ သန့်စင်ရန်၊ အသွင်ပြောင်းကာ ပြန်လည်ဆန်းသစ်မှုတစ်ခုစီတွင် ပေါင်းစည်းရပါမည်။ အချိန်ကုန်ပြီး အရင်းအမြစ်ကုန်သောကြောင့် ဤနည်းလမ်းကို တတ်နိုင်သမျှ ရှောင်ရှားသင့်သည်။
အခြားနည်းလမ်းတစ်ခုမှာ အပြောင်းအလဲများကို စဉ်ဆက်မပြတ် အပ်လုဒ်လုပ်ရန်ဖြစ်သည်။ ဒါလေးထပ်ပြောပါရစေ dati နောက်ဆုံး data warehouse refresh cycle ကတည်းက ပြောင်းလဲသွားတာ။ အသစ် သို့မဟုတ် ပြောင်းလဲထားသော မှတ်တမ်းများကို ဖော်ထုတ်ခြင်းသည် ပမာဏကို သိသိသာသာ လျော့နည်းစေသည်။ dati အပ်ဒိတ်တစ်ခုစီရှိ data warehouse သို့ပြန့်နှံ့စေရမည် dati သို့ ထည့်ပေးပါမည်။ ဒေတာဘေ့စ ဒေတာဂိုဒေါင်၏
ဆုတ်ခွာရန် အနည်းဆုံး နည်းလမ်း ၅ ခု ရှိပါသည်။ dati အသစ် သို့မဟုတ် ပြင်ဆင်ထားသည်။ ထိရောက်သော ဗီဒီယို ပြန်လည်ဆန်းသစ်မှုဗျူဟာကို ရရှိရန် dati စနစ်ရှိ ပြောင်းလဲမှုအားလုံးကို ရယူနိုင်သည့် ဤချဉ်းကပ်နည်းများ ရောနှောခြင်းဖြင့် အသုံးဝင်နိုင်ပါသည်။
အချိန်တံဆိပ်တုံးများကို အသုံးပြုသည့် ပထမချဉ်းကပ်နည်းမှာ လူတိုင်းကို တာဝန်ပေးသည်ဟု ယူဆသည်။ dati အချိန်တံဆိပ်ကို တည်းဖြတ်ပြီး အပ်ဒိတ်လုပ်ထားသောကြောင့် အားလုံးကို အလွယ်တကူ သိရှိနိုင်သည်။ dati ပြင်ဆင်ပြီး အသစ်။ သို့သော်လည်း ဤနည်းလမ်းကို ယနေ့ခေတ် operating system အများစုတွင် တွင်တွင်ကျယ်ကျယ် အသုံးမပြုရသေးပါ။
ဒုတိယနည်းလမ်းမှာ အက်ပလီကေးရှင်းမှ ဖန်တီးထားသော မြစ်ဝကျွန်းပေါ် ဖိုင်ကို အသုံးပြုရန် အပြောင်းအလဲများသာ ပါဝင်ပါသည်။ dati. ဤဖိုင်ကိုအသုံးပြုခြင်းသည် အပ်ဒိတ်စက်ဝန်းကိုလည်း ချဲ့ထွင်စေသည်။ သို့သော်လည်း ဤနည်းလမ်းကိုပင် များစွာသော application များတွင် အသုံးမပြုရသေးပါ။
တတိယနည်းလမ်းမှာ မြစ်ဝကျွန်းပေါ်ဖိုင်နှင့် အခြေခံအားဖြင့် အချက်အလက်များပါရှိသော မှတ်တမ်းဖိုင်ကို စကင်န်ဖတ်ရန်ဖြစ်သည်။ တစ်ခုတည်းသော ခြားနားချက်မှာ ပြန်လည်ရယူခြင်း လုပ်ငန်းစဉ်အတွက် မှတ်တမ်းဖိုင်ကို ဖန်တီးထားပြီး နားလည်ရန် ခက်ခဲနိုင်သည်။
စတုတ္ထနည်းလမ်းမှာ အပလီကေးရှင်းကုဒ်ကို ပြုပြင်ရန်ဖြစ်သည်။ သို့ရာတွင်၊ အပလီကေးရှင်းကုဒ်အများစုသည် ဟောင်းပြီး ကြွပ်ဆတ်သည်။ ထို့ကြောင့် ဤနည်းပညာကို ရှောင်ရှားသင့်သည်။
နောက်ဆုံးနည်းလမ်းကတော့ i ကို နှိုင်းယှဉ်ဖို့ပါပဲ။ dati ပင်မဖိုင် dei နှင့်အတူရင်းမြစ် dati.
ဒေတာသိုလှောင်ရုံ လှုပ်ရှားမှုများကို စောင့်ကြည့်ခြင်း။
ဒေတာဂိုဒေါင်ကို သုံးစွဲသူများထံ ထုတ်ပေးပြီးသည်နှင့် အချိန်နှင့်အမျှ စောင့်ကြည့်ရန် လိုအပ်သည်။ ဤကိစ္စတွင်၊ ဒေတာဂိုဒေါင်စီမံခန့်ခွဲသူသည် ဒေတာသိုလှောင်ရုံအသုံးပြုမှုကို စောင့်ကြည့်စစ်ဆေးရန် တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော စီမံခန့်ခွဲမှုနှင့် ထိန်းချုပ်ရေးကိရိယာများကို အသုံးပြုနိုင်သည်။ အထူးသဖြင့်၊ လူများထံနှင့် ဒေတာသိုလှောင်ရုံသို့ ဝင်ရောက်သည့်အချိန်၌ အချက်အလက်များ စုဆောင်းနိုင်သည်။ စလာသည် dati စုဆောင်းထားသည်၊ အသုံးပြုသူ၏ ငွေပြန်အမ်းမှု အကောင်အထည်ဖော်မှုတွင် ထည့်သွင်းမှုအဖြစ် အသုံးပြုနိုင်သည့် အလုပ်၏ ပရိုဖိုင်ကို ဖန်တီးနိုင်သည်။ ငွေပြန်အမ်းခြင်းသည် သုံးစွဲသူများအား ဒေတာဂိုဒေါင်၏ စီမံဆောင်ရွက်မှုကုန်ကျစရိတ်ကို အသိပေးနိုင်စေပါသည်။
ထို့အပြင်၊ data warehouse auditing ကို query အမျိုးအစား၊ ၎င်းတို့၏ အရွယ်အစား၊ တစ်နေ့လျှင် queries အရေအတွက်၊ query တုံ့ပြန်မှုအချိန်၊ ကဏ္ဍများနှင့် ပမာဏတို့ကို ခွဲခြားသတ်မှတ်ရန်အတွက်လည်း အသုံးပြုနိုင်သည်။ dati ဆောင်ရွက်ပြီး။ Data warehouse auditing လုပ်ခြင်း၏နောက်ထပ်ရည်ရွယ်ချက်မှာ ၎င်းကိုသိရှိနိုင်စေရန်ဖြစ်သည်။ dati အသုံးမပြုသော။ ဒါတွေ dati အချိန်ပိုကောင်းစေရန် ၎င်းတို့ကို ဒေတာဂိုဒေါင်မှ ဖယ်ရှားနိုင်သည်။
query ၏ execution တုံ့ပြန်မှုနှင့် ကြီးထွားမှုကို ထိန်းချုပ်သည်။ dati အထဲမှာ နေထိုင်တယ်။ ဒေတာအခြေခံ ဒေတာဂိုဒေါင်၏
ဒေတာဂိုဒေါင်လုံခြုံရေးစီမံခန့်ခွဲမှု
ဒေတာဂိုဒေါင်တစ်ခုပါရှိသည်။ dati လွယ်ကူစွာရောက်ရှိနိုင်သော ပေါင်းစပ်မှု၊ အရေးကြီးသော၊ အကဲဆတ်မှု။ ထို့ကြောင့် ၎င်းအား ခွင့်ပြုချက်မရှိဘဲ အသုံးပြုသူများထံမှ ကာကွယ်ထားသင့်သည်။ လုံခြုံရေးကိုအကောင်အထည်ဖော်ရန်နည်းလမ်းတစ်ခုမှာ del လုပ်ဆောင်ချက်ကိုအသုံးပြုခြင်းဖြစ်သည်။ DBMS မတူညီသောအခွင့်အရေးများကို မတူညီသောအသုံးပြုသူအမျိုးအစားများသို့ ပေးအပ်ရန်။ ဤနည်းအားဖြင့်၊ အသုံးပြုသူအမျိုးအစားတစ်ခုစီအတွက် အသုံးပြုခွင့်ပရိုဖိုင်ကို ထိန်းသိမ်းထားရပါမည်။ ဒေတာဂိုဒေါင်ကို လုံခြုံစေမည့် အခြားနည်းလမ်းမှာ စာတွင်ရေးထားသည့်အတိုင်း ၎င်းကို စာဝှက်ရန်ဖြစ်သည်။ ဒေတာအခြေခံ ဒေတာဂိုဒေါင်၏ လက်လှမ်းမီရန် dati နှင့် ပြန်လည်ရယူရေး ကိရိယာများသည် ၎င်းကို ကုဒ်ဝှက်ရန် လိုအပ်သည်။ dati ရလဒ်များကို အသုံးပြုသူများအား မတင်ပြမီ။
2.4.4 ဒေတာသိုလှောင်ရုံ ဖြန့်ကျက်မှု အဆင့်
၎င်းသည် ဒေတာသိုလှောင်ရုံ အကောင်အထည်ဖော်မှုစက်ဝန်း၏ နောက်ဆုံးအဆင့်ဖြစ်သည်။ ဤအဆင့်တွင် ဆောင်ရွက်ရမည့် လုပ်ဆောင်ချက်များတွင် သုံးစွဲသူများအား ဒေတာဂိုဒေါင်ကို အသုံးပြုရန် လေ့ကျင့်ပေးခြင်းနှင့် ဒေတာဂိုဒေါင်၏ ပြန်လည်သုံးသပ်ခြင်းတို့ကို လုပ်ဆောင်ခြင်း ပါဝင်သည်။
အသုံးပြုသူသင်တန်း
မဝင်ရောက်မီ အသုံးပြုသူ သင်တန်းကို ပြုလုပ်သင့်သည်။ dati data warehouse နှင့် retrieval tools များအသုံးပြုခြင်း။ ယေဘုယျအားဖြင့်၊ အစည်းအဝေးများသည် သိုလှောင်မှုသဘောတရားကို မိတ်ဆက်ခြင်းဖြင့် စတင်သင့်သည်။ datiဒေတာဂိုဒေါင်၏ အကြောင်းအရာ၊ meta dati နှင့် tools များ၏အခြေခံအင်္ဂါရပ်များ။ ထို့နောက်၊ ပိုမိုအဆင့်မြင့်သောအသုံးပြုသူများသည် ဒေတာရယူခြင်းနှင့် ထုတ်ယူခြင်းကိရိယာများအသုံးပြုသူများ၏ ရုပ်ပိုင်းဆိုင်ရာဇယားများနှင့် အင်္ဂါရပ်များကို လေ့လာနိုင်သည်။
အသုံးပြုသူ လေ့ကျင့်မှု ပြုလုပ်ရန် နည်းလမ်းများစွာ ရှိပါသည်။ ယင်းတို့အနက် တစ်ခုတွင် ၎င်းတို့၏ ခေါင်းဆောင်မှုနှင့် ဆက်သွယ်ရေးကျွမ်းကျင်မှုအပေါ် အခြေခံ၍ သုံးစွဲသူအစုအဝေးတစ်ခုမှ ရွေးချယ်ထားသော သုံးစွဲသူအများအပြား သို့မဟုတ် လေ့လာဆန်းစစ်သူများ၏ ရွေးချယ်မှုတွင် ပါဝင်ပါသည်။ ၎င်းတို့သည် စနစ်နှင့် အကျွမ်းတဝင်ဖြစ်ရန် ၎င်းတို့ သိလိုသမျှကို ကိုယ်တိုင်ကိုယ်ကျ လေ့ကျင့်သင်ကြားပေးပါသည်။ သင်တန်းပြီးသောအခါတွင် ၎င်းတို့သည် ၎င်းတို့၏အလုပ်များသို့ ပြန်သွားပြီး စနစ်ကိုအသုံးပြုနည်းကို အခြားအသုံးပြုသူများအား စတင်သင်ကြားပေးပါသည်။ ဂရန်
သူတို့သင်ယူခဲ့ရာကို အခြေခံ၍ အခြားအသုံးပြုသူများသည် ဒေတာဂိုဒေါင်ကို စတင်ရှာဖွေနိုင်ပါသည်။
အခြားနည်းလမ်းမှာ သင်စာသင်ခန်းထဲတွင် လေ့ကျင့်နေသကဲ့သို့ သုံးစွဲသူအများအပြားကို တစ်ချိန်တည်းတွင် လေ့ကျင့်ပေးရန်ဖြစ်သည်။ တစ်ချိန်တည်းတွင် လေ့ကျင့်ရန် လိုအပ်သော အသုံးပြုသူများစွာရှိသည့်အခါ ဤနည်းလမ်းသည် သင့်လျော်ပါသည်။ အခြားနည်းလမ်းမှာ အသုံးပြုသူ တစ်ဦးချင်းစီ၊ တစ်ဦးချင်း လေ့ကျင့်ရန် ဖြစ်သည်။ အသုံးပြုသူနည်းပါးသောအခါ ဤနည်းလမ်းသည် သင့်လျော်ပါသည်။
အသုံးပြုသူသင်တန်း၏ ရည်ရွယ်ချက်မှာ ဝင်ရောက်အသုံးပြုခြင်းနှင့် ရင်းနှီးစေရန်ဖြစ်သည်။ dati ထုတ်ယူရေးကိရိယာများအပြင် ဒေတာဂိုဒေါင်ပါ အကြောင်းအရာများ။ သို့သော်လည်း အချို့သောအသုံးပြုသူများသည် လေ့ကျင့်ချိန်အတွင်း ပေးဆောင်သည့် အချက်အလက်ပမာဏဖြင့် လွှမ်းခြုံသွားနိုင်သည်။ ထို့နောက် ပံ့ပိုးကူညီမှုအတွက် ဆက်လက်လုပ်ဆောင်ရန်နှင့် သီးခြားမေးခွန်းများကို ဖြေရန် ပြန်လည်စတင်သည့် အစည်းအဝေးများ အများအပြား လိုအပ်သည်။ အချို့ကိစ္စများတွင်၊ ဤအမျိုးအစားကိုပံ့ပိုးပေးရန်အတွက် အသုံးပြုသူအုပ်စုကို ဖွဲ့စည်းထားပါသည်။
တုံ့ပြန်ချက်စုဆောင်းခြင်း။
ဒေတာဂိုဒေါင်ကို ဖြန့်ကျက်ပြီးသည်နှင့် အသုံးပြုသူများသည် i ကို အသုံးပြုနိုင်သည်။ dati ရည်ရွယ်ချက်အမျိုးမျိုးအတွက် data warehouse တွင်နေထိုင်သည်။ အများစုမှာ လေ့လာသုံးသပ်သူများ သို့မဟုတ် အသုံးပြုသူများ i ကို အသုံးပြုကြသည်။ dati ဒေတာသိုလှောင်ရုံတွင်-
- 1 ကုမ္ပဏီလမ်းကြောင်းများကို ခွဲခြားသတ်မှတ်ပါ။
- 2 ၏ဝယ်ယူမှုပရိုဖိုင်များကိုခွဲခြမ်းစိတ်ဖြာပါ။ ဖောက်သည်များ
- 3 ခွဲ၍ i ဖောက်သည်များ ed
- 4 အကောင်းဆုံးဝန်ဆောင်မှုများပေးဆောင်ပါ။ ဖောက်သည်များ - ဝန်ဆောင်မှုများကိုစိတ်ကြိုက်ပြင်ဆင်ပါ။
- 5 ဗျူဟာများ ရေးဆွဲပါ။ စျေးကွက်ရှာဖွေရေး
- 6 ကုန်ကျစရိတ်ခွဲခြမ်းစိတ်ဖြာခြင်းအတွက် ပြိုင်ဆိုင်မှုဆိုင်ရာကိုးကားချက်များပြုလုပ်ပြီး ထိန်းချုပ်ရန် ကူညီပေးသည်။
- 7 ဗျူဟာမြောက် ဆုံးဖြတ်ချက်ချခြင်းကို ပံ့ပိုးပါ။
- ၈ ပေါ်ပေါက်လာမည့် အခွင့်အလမ်းများကို ဖော်ထုတ်ပါ။
- 9 လက်ရှိလုပ်ငန်းဆောင်ရွက်မှုများ၏ အရည်အသွေးကို မြှင့်တင်ပါ။
- 10 အမြတ်ကိုစစ်ဆေးပါ။
ဒေတာဂိုဒေါင်၏ ဖွံ့ဖြိုးတိုးတက်ရေးလမ်းညွှန်ချက်အတိုင်း တုံ့ပြန်ချက်ရယူရန် စနစ်၏ သုံးသပ်ချက်များစွာကို လုပ်ဆောင်နိုင်သည်
ဖွံ့ဖြိုးတိုးတက်ရေးအဖွဲ့နှင့် အသုံးပြုသူအသိုင်းအဝန်းမှ နှစ်မျိုးလုံး။
ရရှိသောရလဒ်များကို လာမည့်ဖွံ့ဖြိုးတိုးတက်မှုစက်ဝန်းအတွက် ထည့်သွင်းစဉ်းစားနိုင်ပါသည်။
ဒေတာသိုလှောင်ရုံတွင် တိုးမြင့်လာသောချဉ်းကပ်မှုတစ်ခုရှိသောကြောင့် ယခင်တိုးတက်မှုများနှင့် အမှားအယွင်းများမှ သင်ခန်းစာယူရန် လိုအပ်ပါသည်။
2.5 အနှစ်ချုပ်
ဤအခန်းတွင် စာပေတွင်ပါရှိသော ချဉ်းကပ်နည်းများကို ဆွေးနွေးထားပါသည်။ အခန်း ၁ တွင် ဒေတာသိုလှောင်ရုံ၏ သဘောတရားနှင့် ဆုံးဖြတ်ချက်သိပ္ပံတွင် ၎င်း၏အခန်းကဏ္ဍကို ဆွေးနွေးခဲ့ပါသည်။ အပိုင်း 1 သည် data warehouses နှင့် OLTP စနစ်များကြား အဓိက ကွာခြားချက်များကို ဖော်ပြထားပါသည်။ အပိုင်း 2 သည် ဒေတာဂိုဒေါင်တစ်ခုတည်ဆောက်ခြင်းလုပ်ငန်းစဉ်တွင်ပါ၀င်သည့်လုပ်ဆောင်မှုများကိုဖော်ပြရန် အပိုင်း 3 တွင်အသုံးပြုခဲ့သည့် Monash ဒေတာသိုလှောင်ရုံပုံစံကို ဆွေးနွေးခဲ့ပြီး၊ အဆိုပါတောင်းဆိုချက်များသည် ပြင်းထန်သောသုတေသနအပေါ်အခြေခံထားခြင်းမရှိပါ။ လက်တွေ့တွင် ဖြစ်ပျက်သောအရာများသည် စာပေအစီရင်ခံစာများနှင့် အလွန်ကွာခြားနိုင်သော်လည်း ဤသုတေသနပြုချက်အတွက် ဒေတာသိုလှောင်ရုံ၏ သဘောတရားကို အလေးပေးသည့် အခြေခံအိတ်ကို ဖန်တီးရန်အတွက် ဤရလဒ်များကို အသုံးပြုနိုင်သည်။
အခန်း ၁
သုတေသနနှင့် ဒီဇိုင်းနည်းလမ်းများ
ဤအခန်းတွင် ဤလေ့လာမှုအတွက် သုတေသနနှင့် ဒီဇိုင်းနည်းလမ်းများကို ဆွေးနွေးထားသည်။ ပထမပိုင်းသည် သတင်းအချက်အလက်ပြန်လည်ရယူရန်အတွက် ရရှိနိုင်သော သုတေသနနည်းလမ်းများ၏ ယေဘုယျအမြင်ကို ပြသထားပြီး လေ့လာမှုတစ်ခုအတွက် အကောင်းဆုံးနည်းလမ်းကို ရွေးချယ်ခြင်းဆိုင်ရာ စံနှုန်းများကို ဆွေးနွေးထားသည်။ အပိုင်း 2 တွင် အထက်ဖော်ပြပါ စံနှုန်းများနှင့် ရွေးချယ်ထားသော နည်းလမ်းနှစ်ခုကို ဆွေးနွေးပြီး၊ ယင်းတို့အနက်မှ တစ်ခုကို ပုဒ်မ ၃ တွင်ဖော်ပြထားသည့် အကြောင်းပြချက်များအတွက် ရွေးချယ်ပြီး လက်ခံမည်ဖြစ်သည်။ အပိုင်း 3 သည် သုတေသနပရောဂျက်ကို တင်ပြပြီး အပိုင်း 4 ၏ ကောက်ချက်ဖြစ်သည်။
3.1 သတင်းအချက်အလက်စနစ်များတွင်သုတေသန
သတင်းအချက်အလက်စနစ် သုတေသနသည် နည်းပညာနယ်ပယ်တွင် အကန့်အသတ်မရှိသော်လည်း အပြုအမူဆိုင်ရာနှင့် အဖွဲ့အစည်းဆိုင်ရာ ရည်မှန်းချက်များပါ၀င်ရန် တိုးချဲ့လုပ်ဆောင်ရမည်ဖြစ်သည်။
လူမှုရေးသိပ္ပံမှ သဘာဝဘာသာရပ်အထိ အမျိုးမျိုးသော ဘာသာရပ်ဆိုင်ရာ ဘာသာရပ်များအတွက် ဤအရာများကို ကျွန်ုပ်တို့ ပေးဆောင်ပါသည်။ ထို့ကြောင့် သတင်းအချက်အလက်စနစ်များအတွက် အသုံးပြုရန်အတွက် အရေအတွက်နှင့် အရည်အသွေးဆိုင်ရာ နည်းလမ်းများ ပါဝင်သော သုတေသနနည်းလမ်းအချို့ လိုအပ်လာသည်။
ရရှိနိုင်သော သုတေသနနည်းလမ်းအားလုံးသည် အရေးကြီးသည်၊ အမှန်မှာ Jenkins (1985), Nunamaker et al ကဲ့သို့သော သုတေသီများစွာရှိသည်။ (1991) နှင့် Galliers (1992) တို့သည် သတင်းအချက်အလက်စနစ်၏ နယ်ပယ်အသီးသီးတွင် သုတေသနပြုလုပ်ရန် သီးခြားကမ္ဘာ့နည်းလမ်းမရှိဟု ငြင်းခုံကြသည်။ တကယ်တော့ နည်းလမ်းတစ်ခုသည် သီးခြားသုတေသနအတွက် သင့်လျော်သော်လည်း အခြားသူများအတွက် မဟုတ်ပါ။ ၎င်းသည် ကျွန်ုပ်တို့၏ သီးခြားသုတေသနပရောဂျက်အတွက် သင့်လျော်သောနည်းလမ်းကို ရွေးချယ်ရန် လိုအပ်သည်- ဤရွေးချယ်မှုအတွက် Benbasat et al. (၁၉၈၇)တွင် သုတေသန၏ သဘောသဘာဝနှင့် ရည်ရွယ်ချက်ကို ထည့်သွင်းစဉ်းစားသင့်သည်ဟု ဖော်ပြထားသည်။
၃.၁.၁ သုတေသန၏ သဘောသဘာဝ
အမျိုးမျိုးသော သဘာဝအခြေခံ သုတေသနပြုနည်းများကို သတင်းအချက်အလက်သိပ္ပံတွင် လူသိများသော ဓလေ့ထုံးတမ်းသုံးမျိုး ခွဲခြားနိုင်သည်- အကောင်းမြင်ဝါဒ၊ အဓိပ္ပာယ်ဖွင့်ဆိုမှုနှင့် ဝေဖန်ပိုင်းခြားသော သုတေသနပြုမှုတို့ကို ခွဲခြားနိုင်သည်။
3.1.1.1 Positivist သုတေသန
Positivist သုတေသနကို သိပ္ပံနည်းကျ သို့မဟုတ် empirical study ဟုခေါ်သည်။ ၎င်းသည်- "၎င်းကိုဖွဲ့စည်းထားသည့်ဒြပ်စင်များကြားရှိ ပုံမှန်ဖြစ်တည်မှုနှင့် အကျိုးသက်ရောက်မှုဆိုင်ရာ ဆက်ဆံရေးများကို ကြည့်ရှုခြင်းဖြင့် လူမှုရေးလောကတွင် မည်သို့မည်ပုံဖြစ်လာမည်ကို ရှင်းပြပြီး ခန့်မှန်းနိုင်သည်" (Shanks et al 1993)။
Positivist သုတေသနသည် ထပ်ခါတလဲလဲနိုင်မှု၊ ရိုးရှင်းမှုနှင့် ငြင်းဆိုမှုများဖြင့် သွင်ပြင်လက္ခဏာရှိသည်။ ထို့အပြင်၊ အပြုသဘောဆောင်သော သုတေသနပြုချက်သည် လေ့လာခဲ့သည့် ဖြစ်စဉ်များကြားတွင် ဦးစားပေး ဆက်ဆံရေးရှိကြောင်း ဝန်ခံပါသည်။
Galliers (1992) ၏ အဆိုအရ အပြုသဘောဆောင်သော ပါရာဒိုင်းတွင် ပါဝင်သော သုတေသနနည်းလမ်းတစ်ခုဖြစ်ပြီး ၎င်းတွင် အကန့်အသတ်မရှိ၊ အမှန်တကယ်တွင် ဓာတ်ခွဲခန်းစမ်းသပ်မှုများ၊ ကွင်းဆင်းစမ်းသပ်မှုများ၊ ဖြစ်ရပ်မှန်လေ့လာမှုများ၊ သီအိုရီသရုပ်ပြမှုများ၊ ကြိုတင်ခန့်မှန်းချက်များနှင့် သရုပ်ဖော်မှုများ ရှိပါသည်။ ဤနည်းလမ်းများကို အသုံးပြု၍ လေ့လာခဲ့သော ဖြစ်စဉ်များကို ဓမ္မဓိဋ္ဌာန်ကျကျနှင့် တိကျစွာ လေ့လာတွေ့ရှိနိုင်သည်ဟု သုတေသီများက ဝန်ခံကြသည်။
3.1.1.2 စကားပြန်သုတေသန
ဖြစ်ရပ်ဆန်းဗေဒ သို့မဟုတ် အပြုသဘောဝါဒဆန့်ကျင်ရေးဝါဒဟု မကြာခဏခေါ်ဝေါ်သော စကားပြန်သုတေသနကို Neuman (1994) က “သဘာဝအခြေအနေများတွင် လူတို့ကို တိုက်ရိုက်အသေးစိတ်သိရှိနားလည်မှုဖြင့် နားလည်မှုရောက်ရှိစေရန်အတွက် လုပ်ဆောင်ချက်၏လူမှုရေးအဓိပ္ပာယ်ကို စနစ်တကျခွဲခြမ်းစိတ်ဖြာမှုအဖြစ် ဖော်ပြသည်။ လူတွေက သူတို့ရဲ့လူမှုရေးလောကကို ဘယ်လိုဖန်တီးထိန်းသိမ်းမလဲဆိုတဲ့ အဓိပ္ပာယ်ဖွင့်ဆိုချက်ပါ။” ဘာသာပြန်လေ့လာမှုများက လေ့လာတွေ့ရှိထားသော ဖြစ်စဉ်များကို ဓမ္မဓိဋ္ဌာန်ကျကျ လေ့လာတွေ့ရှိနိုင်သည်ဟု ယူဆချက်ကို ငြင်းပယ်သည်။ တကယ်တော့ သူတို့ဟာ ပုဂ္ဂလဓိဋ္ဌာန် အဓိပ္ပါယ်ဖွင့်ဆိုချက်တွေကို အခြေခံပါတယ်။ ထို့အပြင်၊ ဘာသာပြန်သုတေသီများသည် ၎င်းတို့လေ့လာသည့် ဖြစ်စဉ်များအပေါ် ဦးစားပေး အဓိပ္ပါယ်များကို မသတ်မှတ်ထားပေ။
ဤနည်းလမ်းတွင် အကြောင်းအရာ/အငြင်းပွားမှုဆိုင်ရာလေ့လာမှုများ၊ လုပ်ဆောင်ချက်သုတေသန၊ သရုပ်ဖော်/ပြန်ဆိုလေ့လာမှုများ၊ အနာဂတ်သုတေသနနှင့် အခန်းကဏ္ဍများ ပါဝင်ပါသည်။ ဤစစ်တမ်းများနှင့် ဖြစ်ရပ်မှန်လေ့လာမှုများအပြင် လူတစ်ဦးချင်း သို့မဟုတ် အဖွဲ့အစည်းများ၏ ရှုပ်ထွေးသော လက်တွေ့ကမ္ဘာအခြေအနေများအတွင်း လူတစ်ဦးချင်း သို့မဟုတ် အဖွဲ့အစည်းများကို လေ့လာခြင်းနှင့်ပတ်သက်သောကြောင့် ဤချဉ်းကပ်နည်းတွင် ထည့်သွင်းနိုင်ပါသည်။
3.1.1.3 အရေးပါသောသုတေသန
ဝေဖန်ပိုင်းခြားသောရှာဖွေမှုသည် လူမှုရေးသိပ္ပံတွင် လူသိနည်းသောချဉ်းကပ်နည်းဖြစ်သော်လည်း မကြာသေးမီက သတင်းအချက်အလက်စနစ်နယ်ပယ်ရှိ သုတေသီများ၏ အာရုံစိုက်မှုကို ရရှိခဲ့သည်။ လူမှုဘဝအမှန်တရားသည် သမိုင်းကြောင်းအရ လူများမှ ထုတ်လုပ်ပြီး ပြန်ထုတ်ပေးသည်ဟု အတွေးအခေါ်ဆိုင်ရာ ယူဆချက်အပြင် ၎င်းတို့၏ လုပ်ဆောင်ချက်များနှင့် အပြန်အလှန်အားဖြင့် လူမှုစနစ်များဖြစ်သည်။ သို့သော် ၎င်းတို့၏စွမ်းရည်ကို လူမှုရေး၊ ယဉ်ကျေးမှုနှင့် နိုင်ငံရေးဆိုင်ရာ ထည့်သွင်းစဉ်းစားမှုများစွာဖြင့် ဖျန်ဖြေပေးသည်။
အနက်ပြန်သုတေသနပြုခြင်းကဲ့သို့ပင်၊ အပြုသဘောဆောင်သောသုတေသနပြုချက်သည် လူမှုဆက်စပ်အခြေအနေနှင့်မသက်ဆိုင်ဘဲ လူ့လုပ်ရပ်များအပေါ် ၎င်း၏သြဇာလွှမ်းမိုးမှုကို လျစ်လျူရှုထားသည်ဟု အပြုသဘောဆောင်သောသုတေသနပြုချက်တွင် အဓိပ္ပာယ်ဖွင့်ဆိုထားသည့်သုတေသနကဲ့သို့ပင်၊
အခြားတစ်ဖက်တွင်မူ ဝေဖန်ပိုင်းခြားနိုင်သော သုတေသနပြုချက်သည် အဓိပ္ပာယ်ဖွင့်ဆိုချက်ဆိုင်ရာ သုတေသနပြုချက်သည် ပုဂ္ဂလဓိဋ္ဌာန်ဆန်လွန်းခြင်းနှင့် လူတို့၏ဘဝတိုးတက်ကောင်းမွန်လာစေရန် မလုပ်ဆောင်ခြင်းအတွက် ဝေဖန်သည်။ အရေးကြီးသော သုတေသနနှင့် အခြားသော ချဉ်းကပ်မှုနှစ်ခုကြား အကြီးမားဆုံး ကွာခြားချက်မှာ ၎င်း၏ အကဲဖြတ်သည့် အတိုင်းအတာဖြစ်သည်။ အကောင်းမြင်ဝါဒနှင့် အဓိပ္ပာယ်ဖွင့်ဆိုထားသော ထုံးတမ်းစဉ်လာများ၏ ဦးတည်ချက်မှာ လက်ရှိအနေအထား သို့မဟုတ် လူမှုရေးအဖြစ်မှန်ကို ခန့်မှန်းရန် သို့မဟုတ် ရှင်းပြရန်ဖြစ်သော်လည်း၊ ဝေဖန်ပိုင်းခြားထားသော သုတေသနသည် လေ့လာမှုအောက်တွင် လူမှုဘဝအမှန်တရားကို ပိုင်းခြားစိတ်ဖြာစွာ အကဲဖြတ်ရန်နှင့် ပြောင်းလဲရန် ရည်ရွယ်သည်။
ဝေဖန်ပိုင်းခြားသော သုတေသီများသည် လူမှုရေးကွဲပြားမှုများကို ဖယ်ရှားရန်နှင့် လူမှုရေးအခြေအနေများ တိုးတက်ကောင်းမွန်လာစေရန်အတွက် လက်ရှိအနေအထားကို ဆန့်ကျင်ကြသည်။ အရေးပါသော သုတေသနပြုချက်သည် စိတ်ဝင်စားဖွယ် ဖြစ်စဉ်များကို ရှုမြင်ရန် ကတိကဝတ် ရှိပြီး ထို့ကြောင့် ပုံမှန်အားဖြင့် အရှည်ဖြစ်သည်။ သုတေသနနည်းလမ်းများ၏ နမူနာများသည် ရေရှည်သမိုင်းဆိုင်ရာလေ့လာမှုများနှင့် လူမျိုးစုဆိုင်ရာလေ့လာမှုများဖြစ်သည်။ သို့သော် အရေးကြီးသောရှာဖွေမှုကို သတင်းအချက်အလက်စနစ် သုတေသနတွင် တွင်တွင်ကျယ်ကျယ် အသုံးမချပါ။
၃.၁.၂ သုတေသန၏ရည်ရွယ်ချက်
သုတေသန၏သဘောသဘာဝနှင့်အတူ၊ ၎င်း၏ရည်ရွယ်ချက်သည် သီးခြားသုတေသနနည်းလမ်းကိုရွေးချယ်ရာတွင် သုတေသီအား လမ်းညွှန်ရန်အတွက် အသုံးပြုနိုင်သည်။ သုတေသနပရောဂျက်တစ်ခု၏ နယ်ပယ်သည် သီအိုရီတည်ဆောက်မှု၊ သီအိုရီစမ်းသပ်ခြင်းနှင့် သီအိုရီပြန်လည်ပြင်ဆင်ခြင်း အဆင့်သုံးဆင့်ပါ၀င်သည့် သုတေသနစက်ဝန်းနှင့်ဆက်စပ်နေသော သုတေသန၏အနေအထားနှင့် အနီးကပ်ဆက်စပ်နေသည်။ ထို့ကြောင့် သုတေသနစက်ဝန်းနှင့်စပ်လျဉ်းသည့် အရှိန်အဟုန်အပေါ်အခြေခံ၍ သုတေသနပရောဂျက်တစ်ခုတွင် ရှင်းလင်းချက်၊ သရုပ်ဖော်မှု၊ စူးစမ်းလေ့လာမှု သို့မဟုတ် ကြိုတင်ခန့်မှန်းနိုင်သော ရည်ရွယ်ချက်တစ်ခု ရှိနိုင်သည်။
3.1.2.1 စူးစမ်းလေ့လာရေးသုတေသန
စူးစမ်းလေ့လာရေးသုတေသနသည် လုံးဝအကြောင်းအရာအသစ်တစ်ခုကို စုံစမ်းစစ်ဆေးရန်နှင့် အနာဂတ်သုတေသနအတွက် မေးခွန်းများနှင့် ယူဆချက်များကို ရေးဆွဲရန် ရည်ရွယ်သည်။ ဤသုတေသနအမျိုးအစားကို နယ်ပယ်အသစ်တွင် ကနဦးကိုးကားချက်များရရှိရန် သီအိုရီတည်ဆောက်မှုတွင် အသုံးပြုသည်။ အများအားဖြင့် ဖြစ်ရပ်လေ့လာမှုများ သို့မဟုတ် ဖြစ်ရပ်ဗေဒဆိုင်ရာလေ့လာမှုများကဲ့သို့ အရည်အသွေးဆိုင်ရာ သုတေသနနည်းလမ်းများကို အသုံးပြုကြသည်။
သို့သော်လည်း စူးစမ်းလေ့လာရေး စစ်တမ်းများ သို့မဟုတ် စမ်းသပ်မှုများကဲ့သို့သော အရေအတွက်နည်းပညာများကို အသုံးချရန်လည်း ဖြစ်နိုင်သည်။
၃.၁.၃.၃ သရုပ်ဖော်ရှာဖွေမှု
သရုပ်ဖော်သုတေသနသည် သီးခြားအခြေအနေ သို့မဟုတ် အဖွဲ့အစည်းအလေ့အကျင့်ကို အသေးစိတ်ခွဲခြမ်းစိတ်ဖြာပြီး ဖော်ပြရန် ဒီဇိုင်းထုတ်ထားသည်။ ၎င်းသည် သီအိုရီများတည်ဆောက်ရန်အတွက် သင့်လျော်ပြီး ယူဆချက်များအား အတည်ပြုရန် သို့မဟုတ် စိန်ခေါ်ရန်အတွက်လည်း အသုံးပြုနိုင်သည်။ သရုပ်ဖော်ခြင်းဆိုင်ရာ သုတေသနတွင် အများအားဖြင့် တိုင်းတာခြင်းနှင့် နမူနာများ အသုံးပြုခြင်းတို့ ပါဝင်ပါသည်။ သင့်လျော်သော သုတေသနနည်းလမ်းများတွင် စစ်တမ်းများနှင့် နောက်ခံခွဲခြမ်းစိတ်ဖြာမှုများ ပါဝင်သည်။
၃.၁.၂.၃ ရှင်းလင်းချက်သုတေသန
ရှင်းလင်းချက် သုတေသနသည် အဘယ်ကြောင့် အရာများ ဖြစ်ပျက်သည်ကို ရှင်းပြရန် ကြိုးစားသည်။ ၎င်းသည် လေ့လာပြီးသော ဖြစ်ရပ်မှန်များကို အခြေခံ၍ အဆိုပါ အချက်အလက်များ၏ အကြောင်းရင်းများကို ရှာဖွေရန် ကြိုးစားသည်။
ထို့ကြောင့် ရှင်းလင်းချက်သုတေသနကို အများအားဖြင့် စူးစမ်းလေ့လာခြင်း သို့မဟုတ် သရုပ်ဖော်သုတေသနပြုခြင်းအပေါ်တွင် တည်ဆောက်ထားပြီး သီအိုရီများကို စမ်းသပ်ခြင်းနှင့် သန့်စင်ခြင်းအတွက် နောက်ဆက်တွဲဖြစ်သည်။ ရှင်းလင်းချက်သုတေသနသည် ပုံမှန်အားဖြင့် ဖြစ်ရပ်လေ့လာမှုများ သို့မဟုတ် စစ်တမ်းအခြေပြု သုတေသနနည်းလမ်းများကို အသုံးပြုသည်။
3.1.2.4 ကြိုတင်သုတေသနပြုခြင်း။
ကြိုတင်ကာကွယ်သော သုတေသနသည် လေ့လာနေသော အဖြစ်အပျက်များနှင့် အပြုအမူများကို ခန့်မှန်းရန် ရည်ရွယ်သည် (Marshall and Rossman 1995)။ Prediction သည် အမှန်တရား၏ စံသိပ္ပံနည်းကျ စမ်းသပ်မှုဖြစ်သည်။ ဤသုတေသနအမျိုးအစားသည် ယေဘူယျအားဖြင့် စစ်တမ်းများ သို့မဟုတ် ဒေတာခွဲခြမ်းစိတ်ဖြာမှုကို အသုံးပြုသည်။ dati သမိုင်းပညာရှင်များ။ (ယဉ် ၁၉၈၉)၊
အထက်ဖော်ပြပါ ဆွေးနွေးချက်သည် လေ့လာမှုတစ်ခုတွင် အသုံးပြုနိုင်သည့် ဖြစ်နိုင်ခြေရှိသော သုတေသနနည်းလမ်းများစွာရှိကြောင်း သက်သေပြနေသည်။ သို့ရာတွင်၊ သုတေသနပရောဂျက်တစ်ခုအတွက် အခြားအမျိုးအစားများထက် ပိုမိုသင့်လျော်သော တိကျသောနည်းလမ်းတစ်ခု ရှိရပါမည်။ (Galliers 1987၊ Yin 1989၊ De Vaus 1991)။ ထို့ကြောင့် သုတေသီတိုင်းသည် သုတေသနပရောဂျက်နှင့် ကိုက်ညီမှုအရှိဆုံး သုတေသနနည်းလမ်းကို ချမှတ်နိုင်ရန် နည်းလမ်းအမျိုးမျိုး၏ အားသာချက်များနှင့် အားနည်းချက်များကို ဂရုတစိုက် အကဲဖြတ်ရန် လိုအပ်ပါသည်။ (Jenkins 1985၊ Pervan and Klass 1992၊ Bonomia 1985၊ Yin 1989၊ Himilton and Ives 1992)။
၃.၂။ ဖြစ်နိုင်သောရှာဖွေရေးနည်းလမ်းများ
ဤပရောဂျက်၏ ရည်ရွယ်ချက်မှာ i နှင့်အတူ သြစတြေးလျအဖွဲ့အစည်းများ၏ အတွေ့အကြုံများကို လေ့လာရန်ဖြစ်သည်။ dati ဖွံ့ဖြိုးတိုးတက်မှုနှင့်အတူသိမ်းဆည်းထားသည်။ ဒေတာဂိုဒေါင်. datum လောလောဆယ်တွင်၊ သြစတြေးလျနိုင်ငံရှိ ဒေတာသိုလှောင်ခြင်းနယ်ပယ်တွင် သုတေသန အားနည်းနေသေးသည်၊ ဤသုတေသနပရောဂျက်သည် သုတေသနစက်ဝန်း၏ သီအိုရီအဆင့်တွင်သာရှိသေးပြီး စူးစမ်းလေ့လာရေးရည်ရွယ်ချက်တစ်ခုရှိသည်။ ဒေတာသိုလှောင်ခြင်းကို လက်ခံကျင့်သုံးသည့် သြစတြေးလျအဖွဲ့အစည်းများ၏ အတွေ့အကြုံကို စူးစမ်းရှာဖွေခြင်းသည် လူ့အဖွဲ့အစည်းအစစ်အမှန်ကို အဓိပ္ပာယ်ဖွင့်ဆိုရန် လိုအပ်သည်။ အကျိုးဆက်အနေဖြင့် သုတေသနပရောဂျက်ကို အခြေပြုသော ဒဿနိကဗေဒဆိုင်ရာ ယူဆချက်သည် သမားရိုးကျ အဓိပ္ပာယ်ဖွင့်ဆိုချက်ကို လိုက်နာသည်။
ရနိုင်သောနည်းလမ်းများကို တိကျစွာစစ်ဆေးပြီးနောက် ဖြစ်နိုင်ချေရှိသော သုတေသနနည်းလမ်းနှစ်ခုကို ဖော်ထုတ်ခဲ့သည်- စူးစမ်းလေ့လာမှုအတွက် အသုံးပြုနိုင်သည့် စစ်တမ်းများနှင့် ဖြစ်ရပ်လေ့လာမှုများ (Shanks et al. 1993)။ Galliers (1992) သည် သီအိုရီတည်ဆောက်မှုများအတွက် သင့်လျော်သည်ဟုဆိုခြင်းဖြင့် သူ၏ပြန်လည်ပြင်ဆင်ထားသောအခွန်စည်းမျဥ်းတွင် ဤအထူးပြုလေ့လာမှုအတွက် ဤနည်းလမ်းနှစ်ခု၏ သင့်လျော်မှုကို စောဒကတက်ခဲ့သည်။ အောက်ပါ ကဏ္ဍခွဲနှစ်ခုသည် နည်းလမ်းတစ်ခုစီကို အသေးစိတ် ဆွေးနွေးထားသည်။
3.2.1 မြေတိုင်းသုတေသနနည်းလမ်း
စစ်တမ်းသုတေသနနည်းလမ်းသည် ရှေးခေတ်သန်းခေါင်စာရင်းနည်းလမ်းမှ ဆင်းသက်လာသည်။ သန်းခေါင်စာရင်း ဆိုသည်မှာ လူဦးရေ တစ်ရပ်လုံးထံမှ အချက်အလက် စုဆောင်းခြင်း နှင့် ပတ်သက်သည် ။ အထူးသဖြင့် လူဦးရေများရင် ဒီနည်းလမ်းက ဈေးကြီးပြီး လက်တွေ့မကျပါဘူး။ ထို့ကြောင့် သန်းခေါင်စာရင်းနှင့် နှိုင်းယှဉ်ပါက စစ်တမ်းသည် အများအားဖြင့် လူဦးရေ၏ ကိုယ်စားလှယ်များ၏ အနည်းစု သို့မဟုတ် နမူနာအတွက် အချက်အလက်စုဆောင်းခြင်းအပေါ် အာရုံစိုက်သည် (Fowler 1988၊ Neuman 1994)။ နမူနာဖွဲ့စည်းပုံ၊ အရွယ်အစားနှင့် ရွေးချယ်မှုနည်းလမ်းပေါ်မူတည်၍ ၎င်းကို ရေးဆွဲထားသည့် လူဦးရေကို တိကျမှုဒီဂရီအမျိုးမျိုးဖြင့် ရောင်ပြန်ဟပ်သည် (Fowler 1988၊ Babbie 1982၊ Neuman 1994)။
စစ်တမ်းနည်းလမ်းကို "အလေ့အကျင့်များ၊ အခြေအနေများ သို့မဟုတ် အမြင်များကို အချိန်နှင့်တပြေးညီ၊ မေးခွန်းပုံစံများ သို့မဟုတ် အင်တာဗျူးများကို အသုံးပြု၍ ဆောင်ရွက်ခဲ့သော သရုပ်ဖော်ပုံများ၊
ဖန်တီးသည်” (Galliers 1992:153) [အလေ့အကျင့်များ၊ အခြေအနေများ သို့မဟုတ် အမြင်များကို အချိန်နှင့်တစ်ပြေးညီ လျှပ်တစ်ပြက်ဓာတ်ပုံရိုက်ခြင်း၊ မေးခွန်းပုံစံများ သို့မဟုတ် အင်တာဗျူးများကို အသုံးပြု၍ ကောက်ချက်ချနိုင်သည့်အရာ]။ စစ်တမ်းများသည် ပါဝင်သူအများအပြားထံမှ မေးခွန်းများမေးခြင်းဖြင့် လေ့လာမှု၏အချို့သောသွင်ပြင်လက္ခဏာများအကြောင်း အချက်အလက်စုဆောင်းခြင်းနှင့် သက်ဆိုင်သည် (Fowler 1988)။ မျက်နှာချင်းဆိုင် တယ်လီဖုန်းအင်တာဗျူးများနှင့် ဖွဲ့စည်းတည်ဆောက်ထားသော အင်တာဗျူးများပါ၀င်သည့် ဤမေးခွန်းပုံစံများနှင့် အင်တာဗျူးများသည် စုစည်းမှုနည်းပညာများဖြစ်သည်။ dati စစ်တမ်းများတွင်အသုံးပြုသည် (Blalock 1970၊ Nachmias နှင့် Nachmias 1976၊ Fowler 1988)၊ လေ့လာဆန်းစစ်မှုများနှင့် ခွဲခြမ်းစိတ်ဖြာမှုများကို အသုံးပြုနိုင်သည်။ (Gable 1994)။ ဤဘုရားများ စုဆောင်းနည်းများ အားလုံးထဲမှ dati၊ မေးခွန်းလွှာကိုအသုံးပြုခြင်းသည် လူကြိုက်အများဆုံးနည်းပညာဖြစ်သည်၊ သေချာသောကြောင့် i dati
စုဆောင်းထားသောပုံစံနှင့် ဖော်မတ်ထားသောကြောင့် အချက်အလက်များ အမျိုးအစားခွဲရာတွင် အဆင်ပြေချောမွေ့စေသည် (Hwang 1987၊ de Vaus 1991)။
ခွဲခြမ်းစိတ်ဖြာရာတွင် ဖြဈသည်။ datiစစ်တမ်းဗျူဟာတစ်ခုသည် ကိန်းဂဏန်းဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုကဲ့သို့သော ကိန်းဂဏန်းနည်းပညာများကို မကြာခဏအသုံးပြုလေ့ရှိသော်လည်း အရည်အသွေးပိုင်းဆိုင်ရာနည်းစနစ်များကို အသုံးချနိုင်သည် (Galliers 1992၊ Pervan
နှင့် Klass 1992၊ Gable 1994)။ သာမာန်၊ dati စုဆောင်းထားသော ဖြန့်ဝေမှုများနှင့် အသင်းအဖွဲ့များ၏ ပုံစံများကို ခွဲခြမ်းစိတ်ဖြာရန် အသုံးပြုသည် (Fowler 1988)။
စစ်တမ်းများသည် ယေဘုယျအားဖြင့် 'ဘာလဲ' ဟူသောမေးခွန်းနှင့် ပတ်သက်သော ရှာဖွေမှုများအတွက် သင့်လျော်သော်လည်း၊ 'ကွမ်တို' (မည်မျှ) နှင့် 'ကွမ်'è' (မည်မျှ) တို့မှ ဆင်းသက်လာကာ ၎င်းတို့ကို 'ဘာကြောင့်လဲ' (Sonquist and Dunkelberg 1977၊ Yin 1989) မှ ဆင်းသက်လာသည်။ Sonquist and Dunkelberg (1977) အရ သုတေသန စုံစမ်းမေးမြန်းမှုသည် ခက်ခဲသော ယူဆချက်များ၊ အကဲဖြတ်ခြင်း အစီအစဉ်များ၊ လူဦးရေကို ဖော်ပြခြင်းနှင့် လူသားတို့၏ အပြုအမူပုံစံများကို ပြုစုပျိုးထောင်ရန် ရည်ရွယ်ပါသည်။ ထို့အပြင်၊ အချို့သောလူဦးရေ၏အမြင်၊ အခြေအနေများ၊ ယုံကြည်ချက်များ၊ လက္ခဏာများ၊ မျှော်လင့်ချက်များနှင့် အတိတ် သို့မဟုတ် ပစ္စုပ္ပန်အပြုအမူများကိုပင် လေ့လာရန် စစ်တမ်းများကို အသုံးပြုနိုင်သည်။
စစ်တမ်းများသည် သုတေသီအား လူဦးရေဆိုင်ရာ ဆက်ဆံရေးကို ရှာဖွေတွေ့ရှိနိုင်စေပြီး ရလဒ်များသည် များသောအားဖြင့် အခြားနည်းလမ်းများထက် ပိုမိုယေဘုယျဖြစ်သည် (Sonquist and Dunkelberg 1977၊ Gable 1994)။ စစ်တမ်းများသည် သုတေသီများအား ပိုမိုကျယ်ပြန့်သော ပထဝီဝင်ဧရိယာကို လွှမ်းခြုံနိုင်ပြီး ဖြေဆိုသူအများအပြားထံ ရောက်ရှိနိုင်သည် (Blalock 1970၊ Sonquist and Dunkelberg 1977၊ Hwang and Lin 1987၊ Gable 1994၊ Neuman 1994)။ နောက်ဆုံးတွင်၊ စစ်တမ်းများသည် အခြားနေရာများတွင် မရရှိနိုင်သော သို့မဟုတ် ခွဲခြမ်းစိတ်ဖြာမှုများအတွက် လိုအပ်သောပုံစံဖြင့် အချက်အလက်များကို ပေးနိုင်သည် (Fowler 1988)။
သို့သော် စစ်တမ်းကောက်ယူခြင်းအတွက် ကန့်သတ်ချက်များရှိသည်။ အားနည်းချက်မှာ သုတေသီသည် လေ့လာထားသော အရာဝတ္ထုနှင့်ပတ်သက်သော အချက်အလက်များစွာကို မရနိုင်ခြင်းကြောင့် ဖြစ်သည်။ ယင်းမှာ စစ်တမ်းများကို အချိန်အတိုင်းအတာတစ်ခုအတွင်းသာ လုပ်ဆောင်ရခြင်းဖြစ်သောကြောင့်၊ ထို့ကြောင့်၊ သုတေသီလုပ်နိုင်သော ကိန်းရှင်နှင့် လူအရေအတွက် အကန့်အသတ်ရှိသောကြောင့်ဖြစ်သည်။
လေ့လာမှု (Yin 1989၊ de Vaus 1991၊ Gable 1994၊ Denscombe 1998)။ အခြားအားနည်းချက်မှာ စစ်တမ်းတစ်ခုကောက်ယူခြင်းသည် အထူးသဖြင့် မျက်နှာချင်းဆိုင်တွေ့ဆုံမေးမြန်းခြင်းများပါ၀င်ပါက အချိန်နှင့်အရင်းအမြစ်များ အရ အလွန်ကုန်ကျနိုင်သည် (Fowler 1988)။
၃.၂.၂။ စုံစမ်းစစ်ဆေးရေး သုတေသနနည်းလမ်း
စုံစမ်းရေး သုတေသနနည်းလမ်းတွင် သုတေသီဘက်မှ ဝင်ရောက်စွက်ဖက်ခြင်းမရှိဘဲ သတ်မှတ်ထားသော အချိန်အတိုင်းအတာတစ်ခုအတွင်း ၎င်း၏ လက်တွေ့အခြေအနေတစ်ခုအတွင်း နက်ရှိုင်းစွာ လေ့လာခြင်း ပါဝင်သည် (Shanks & C. 1993၊ Eisenhardt 1989၊ Jenkins 1985)။ အဓိကအားဖြင့် ဤနည်းလမ်းကို အခြေအနေတစ်ခုတွင် လေ့လာနေသည့် variables များအကြား ဆက်စပ်မှုများကို ဖော်ပြရန်အတွက် အသုံးပြုသည် (Galliers 1992)။ စုံစမ်းစစ်ဆေးမှုများတွင် ခွဲခြမ်းစိတ်ဖြာသည့် ဖြစ်စဉ်ပေါ် မူတည်၍ တစ်ခုတည်း သို့မဟုတ် အများအပြား ပါဝင်နိုင်သည် (Franz and Robey 1987၊ Eisenhardt 1989၊ Yin 1989)။
စုံစမ်းရေး သုတေသနနည်းလမ်းကို "လူ၊ အုပ်စုများ သို့မဟုတ် အဖွဲ့အစည်းများကဲ့သို့ လူများ၊ အုပ်စုများ သို့မဟုတ် အဖွဲ့အစည်းအများအပြားမှ ထုတ်ယူထားသော အရင်းအမြစ်များစွာကို အသုံးပြု၍ ၎င်း၏ လက်တွေ့အခြေအနေအတွင်း ခေတ်ပြိုင်ဖြစ်စဉ်ကို စုံစမ်းဖော်ထုတ်သည့် empirical inquiry" (ယင်း 1989)။ ဖြစ်စဉ်နှင့် ၎င်း၏အကြောင်းအရာတို့ကြား ရှင်းရှင်းလင်းလင်း ခွဲခြားထားခြင်း မရှိသည့်အပြင် ကိန်းရှင်များကို ထိန်းချုပ်ခြင်း သို့မဟုတ် စမ်းသပ်ခြယ်လှယ်ခြင်းလည်း မရှိပါ (Yin 1989၊ Benbasat et al. 1987)။
နတ်များကို စုဆောင်းရန် နည်းစနစ်အမျိုးမျိုးရှိသည်။ dati တိုက်ရိုက်လေ့လာကြည့်ရှုမှုများ၊ မော်ကွန်းမှတ်တမ်းပြန်လည်သုံးသပ်ခြင်း၊ မေးခွန်းပုံစံများ၊ စာရွက်စာတမ်းပြန်လည်သုံးသပ်ခြင်းနှင့် ဖွဲ့စည်းတည်ဆောက်ထားသောအင်တာဗျူးများပါ၀င်သည့် စုံစမ်းစစ်ဆေးရေးနည်းလမ်းတွင် အသုံးပြုနိုင်ပါသည်။ ကောက်ရိတ်ခြင်းဆိုင်ရာ နည်းစနစ်မျိုးစုံရှိခြင်း။ datiစစ်တမ်းများက သုတေသီများကို နှစ်ဦးစလုံးနှင့် ဆက်ဆံရန် ခွင့်ပြုသည်။ dati အရည်အသွေးနှင့် အရေအတွက်တို့ကို တစ်ချိန်တည်းတွင် (Bonoma 1985၊ Eisenhardt 1989၊ Yin 1989၊ Gable 1994)။ စစ်တမ်းနည်းလမ်းကဲ့သို့ပင်၊ စစ်တမ်းသုတေသီတစ်ဦးသည် လေ့လာသူ သို့မဟုတ် သုတေသနပြုသူအဖြစ် တာဝန်ထမ်းဆောင်နေပြီး လေ့လာမှုလက်အောက်ရှိ အဖွဲ့အစည်းတွင် တက်ကြွစွာပါဝင်သူအဖြစ် မဟုတ်ပါ။
Benbasat et al. (1987) မှ စုံစမ်းမေးမြန်းခြင်းနည်းလမ်းသည် သုတေသနမေးခွန်းတစ်ခုမှစတင်ကာ လေ့ကျင့်မှုဆက်လက်ပြုလုပ်သည့် သုတေသနသီအိုရီတည်ဆောက်မှုအတွက် အထူးသင့်လျော်ကြောင်း အခိုင်အမာဆိုသည်။
စုဆောင်းခြင်းလုပ်ငန်းစဉ်အတွင်း သီအိုရီတစ်ခု dati. ဇာတ်ခုံအတွက်လည်း သင့်တော်ပါတယ်။
သီအိုရီတည်ဆောက်မှုဆိုင်ရာ Franz and Robey (1987) က စုံစမ်းရေးနည်းလမ်းကို ရှုပ်ထွေးသောသီအိုရီအဆင့်အတွက် အသုံးပြုနိုင်ကြောင်း အကြံပြုထားသည်။ ဤကိစ္စတွင်၊ စုဆောင်းထားသော အထောက်အထားများအပေါ် အခြေခံ၍ ပေးထားသော သီအိုရီ သို့မဟုတ် အယူအဆတစ်ခုကို အတည်ပြုခြင်း သို့မဟုတ် သက်သေပြခြင်း ဖြစ်သည်။ ထို့အပြင်၊ စုံစမ်းမေးမြန်းခြင်းသည် 'ဘယ်လို' သို့မဟုတ် 'ဘာကြောင့်' မေးခွန်းများကို သုတေသနပြုရန်အတွက်လည်း သင့်တော်သည် (Yin 1989)။
အခြားနည်းလမ်းများနှင့် နှိုင်းယှဉ်ပါက စစ်တမ်းများသည် သုတေသီအား မရှိမဖြစ်လိုအပ်သော အချက်အလက်များကို ပိုမိုအသေးစိတ်သိရှိနိုင်စေသည် (Galliers 1992, Shanks et al. 1993)။ ထို့အပြင်၊ စုံစမ်းစစ်ဆေးမှုများသည် လေ့လာခဲ့သော လုပ်ငန်းစဉ်များ၏ သဘောသဘာဝနှင့် ရှုပ်ထွေးမှုကို သုတေသီအား နားလည်နိုင်စေသည် (Benbasat et al. 1987)။
စုံစမ်းရေးနည်းလမ်းနှင့် ဆက်စပ်နေသော အဓိကအားနည်းချက် လေးခုရှိသည်။ ပထမအချက်မှာ ထိန်းချုပ်ထားသော နုတ်ယူမှု မရှိခြင်းပင်ဖြစ်သည်။ သုတေသီ၏ပုဂ္ဂလဓိဋ္ဌာန်သည် လေ့လာမှု၏ရလဒ်များနှင့် ကောက်ချက်များအား ပြောင်းလဲနိုင်သည် (Yin 1989)။ ဒုတိယ အားနည်းချက်မှာ ထိန်းချုပ်မှု မရှိခြင်း ဖြစ်သည်။ စမ်းသပ်နည်းများနှင့်မတူဘဲ၊ စူးစမ်းလေ့လာသူသည် ၎င်းတို့၏ သဘာဝအခြေအနေတွင် ဆန်းစစ်ထားသောကြောင့် လေ့လာထားသော ဖြစ်စဉ်များကို ထိန်းချုပ်နိုင်မည်မဟုတ်ပါ (Gable 1994)။ တတိယ အားနည်းချက်ကတော့ အတုယူနိုင်မှု မရှိခြင်းပါပဲ။ ယင်းမှာ သုတေသီသည် အလားတူဖြစ်ရပ်များကို သတိပြုဖွယ်မရှိသည့်အပြင် လေ့လာမှုတစ်ခု၏ရလဒ်များကို အတည်မပြုနိုင်ခြင်းကြောင့်ဖြစ်သည် (Lee 1989)။ နောက်ဆုံးတွင်၊ ပုံတူကူးမရနိုင်ခြင်း၏အကျိုးဆက်အနေဖြင့်၊ တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော စစ်တမ်းများမှရရှိသောရလဒ်များကို ယေဘူယျဖော်ပြရန်ခက်ခဲသည် (Galliers 1992၊ Shanks et al. 1993)။ သို့သော် ဤပြဿနာများအားလုံးကို ကျော်လွှား၍မရနိုင်ပါ၊ အမှန်မှာ သင့်လျော်သောလုပ်ဆောင်ချက်များကို ကျင့်သုံးခြင်းဖြင့် သုတေသီမှ နည်းပါးသွားနိုင်မည် (Lee 1989)။
၃.၃။ သုတေသန နည်းစနစ်ကို အကြောင်းပြပါ။ မွေးစားသည်။
ဤလေ့လာမှုအတွက် ဖြစ်နိုင်ခြေရှိသော သုတေသနနည်းလမ်းနှစ်ခုမှ၊ စစ်တမ်းနည်းလမ်းသည် အသင့်တော်ဆုံးဟု ယူဆပါသည်။ သက်ဆိုင်ရာ စုံစမ်းစစ်ဆေးရေးမှူးက ပယ်ချခံခဲ့ရပါတယ်။
အားသာချက် အားနည်းချက်။ ဤလေ့လာမှုအတွက် နည်းလမ်းတစ်ခုစီ၏ အဆင်ပြေမှု သို့မဟုတ် မသင့်လျော်မှုကို အောက်တွင် ဆွေးနွေးထားသည်။
၃.၃.၁။ မသင့်လျော်သောသုတေသနနည်းလမ်း စုံစမ်းရေး
စုံစမ်းရေးနည်းလမ်းသည် အချိန်ကာလတစ်ခုအတွင်း တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော အဖွဲ့အစည်းအတွင်း အခြေအနေတစ်ခုခုကို နက်ရှိုင်းစွာ လေ့လာရန် လိုအပ်သည် (Eisenhardt 1989)။ ဤအခြေအနေတွင်၊ ဤလေ့လာမှုအတွက် သတ်မှတ်ကာလထက် ကျော်လွန်သွားနိုင်သည်။ စုံစမ်းရေးနည်းလမ်းကို မကျင့်သုံးရခြင်း၏ နောက်အကြောင်းရင်းတစ်ခုမှာ ရလဒ်များသည် ခိုင်မာမှု မရှိခြင်း (Yin 1989) ကြောင့်ဖြစ်သည်။ သုတေသီ၏ ပုဂ္ဂလဓိဋ္ဌာန်သည် ရလဒ်များနှင့် ကောက်ချက်များအား လွှမ်းမိုးနိုင်သည်။ နောက်တချက်ကတော့ ဒီနည်းလမ်းဟာ 'ဘယ်လို' သို့မဟုတ် 'ဘာကြောင့်' အမျိုးအစား (Yin 1989) ရဲ့ သုတေသနမေးခွန်းတွေနဲ့ ပိုသင့်တော်ပြီး ဒီလေ့လာမှုအတွက် သုတေသနမေးခွန်းက 'ဘာလဲ' အမျိုးအစားဖြစ်ပါတယ်။ နောက်ဆုံးအချက်အနေဖြင့်၊ စစ်တမ်းတစ်ခု သို့မဟုတ် အနည်းငယ်မျှမှ တွေ့ရှိချက်များကို ယေဘုယျဖော်ပြရန် ခက်ခဲသည် (Galliers 1992၊ Shanks et al. 1993)။ ဤအကြောင်းပြချက်အပေါ်အခြေခံ၍ စစ်တမ်းသုတေသနနည်းလမ်းကို ဤလေ့လာမှုအတွက် မသင့်လျော်သောကြောင့် ရွေးချယ်ခဲ့ခြင်းမရှိပါ။
၃.၃.၂။ ရှာဖွေရေးနည်းလမ်း၏အဆင်ပြေ စုံစမ်းစစ်ဆေးရေး
ဤသုတေသနကို ပြုလုပ်သောအခါတွင်၊ ဒေတာသိုလှောင်ခြင်းအလေ့အကျင့်ကို သြစတြေးလျအဖွဲ့အစည်းများမှ ကျယ်ကျယ်ပြန့်ပြန့် လက်ခံကျင့်သုံးခြင်း မရှိခဲ့ပါ။ ထို့ကြောင့် သြစတြေးလျအဖွဲ့အစည်းများအတွင်း ၎င်းတို့၏ အကောင်အထည်ဖော်မှုနှင့် ပတ်သက်၍ သတင်းအချက်အလက်များစွာ မရရှိခဲ့ပေ။ ရရှိနိုင်သော အချက်အလက်များသည် အကောင်အထည်ဖော်မှု သို့မဟုတ် အသုံးပြုသည့် အဖွဲ့အစည်းများမှ လာခြင်းဖြစ်သည်။ ဒေတာဂိုဒေါင်. ဤကိစ္စတွင်၊ စစ်တမ်းသုတေသနနည်းလမ်းသည် အခြားနေရာများတွင် မရရှိနိုင်သော သို့မဟုတ် ခွဲခြမ်းစိတ်ဖြာမှုအတွက် လိုအပ်သည့်ပုံစံဖြင့် ရရှိနိုင်သောကြောင့် အသင့်တော်ဆုံးဖြစ်သည် (Fowler 1988)။ ထို့အပြင်၊ စူးစမ်းလေ့လာရေးနည်းလမ်းသည် သုတေသီအား သတ်မှတ်အချိန်အတွင်း အလေ့အကျင့်များ၊ အခြေအနေများ သို့မဟုတ် အမြင်များကို ကောင်းစွာထိုးထွင်းသိမြင်နိုင်စေသည် (Galliers 1992၊ Denscombe 1998)။ သြစတြေးလျ ဒေတာသိုလှောင်ခြင်း အတွေ့အကြုံကို အသိပညာပေးရန်အတွက် ခြုံငုံသုံးသပ်ချက်ကို တောင်းဆိုထားသည်။
ထို့အပြင် Sonquist နှင့် Dunkelberg (1977) တွင် စစ်တမ်း သုတေသနရလဒ်များသည် အခြားနည်းလမ်းများထက် ပို၍ ယေဘူယျဖြစ်ကြောင်း ဖော်ပြထားသည်။
၃.၄။ စစ်တမ်း သုတေသန ဒီဇိုင်း
ဒေတာသိုလှောင်ခြင်းအလေ့အကျင့်စစ်တမ်းကို 1999 ခုနှစ်တွင် ပြုလုပ်ခဲ့သည်။ ပစ်မှတ်လူဦးရေတွင် ဒေတာသိုလှောင်ခြင်းဆိုင်ရာလေ့လာမှုကို စိတ်ဝင်စားသော သြစတြေးလျအဖွဲ့အစည်းများ ပါဝင်ပါသည်။ dati ၎င်းတို့ သိမ်းဆည်းထားသောကြောင့် ဤလေ့လာမှုအတွက် အသုံးဝင်သော အချက်အလက်များကို ပေးစွမ်းနိုင်ပါသည်။ ပစ်မှတ်လူဦးရေကို 'The Data Warehousing Institute' (Tdwi-aap) ၏ သြစတြေးလျအဖွဲ့ဝင်အားလုံး၏ ကနဦးစစ်တမ်းဖြင့် ဖော်ထုတ်ခဲ့သည်။ ဤအပိုင်းသည် ဤလေ့လာမှု၏ empirical research အဆင့်၏ ဒီဇိုင်းကို ဆွေးနွေးထားသည်။
၃.၄.၁။ ဒေတာစုဆောင်းခြင်းနည်းပညာ dati
စစ်တမ်းသုတေသနတွင် အသုံးများသောနည်းစနစ်သုံးမျိုးမှ (ဥပမာ မေးလ်မေးခွန်းလွှာ၊ တယ်လီဖုန်းအင်တာဗျူးနှင့် ကိုယ်ရေးကိုယ်တာအင်တာဗျူး) (Nachmias 1976၊ Fowler 1988၊ de Vaus 1991) မှ ဤလေ့လာမှုအတွက် မေးလ်မေးခွန်းလွှာကို လက်ခံကျင့်သုံးခဲ့ပါသည်။ ယင်းကို လက်ခံကျင့်သုံးရခြင်း၏ ပထမအကြောင်းရင်းမှာ ၎င်းသည် ပထဝီဝင်အနေအထားအရ ပြန့်ကျဲနေသော လူဦးရေသို့ ရောက်ရှိနိုင်သည် (Blalock 1970၊ Nachmias and Nachmias 1976၊ Hwang and Lin 1987၊ de Vaus 1991၊ Gable 1994)။ ဒုတိယအနေဖြင့်၊ မေးလ်မေးခွန်းလွှာသည် ပညာတတ်မြောက်သောပါဝင်သူများအတွက် သင့်လျော်သည် (Fowler 1988)။ ဤလေ့လာမှုအတွက် မေးလ်မေးခွန်းလွှာကို ဒေတာသိုလှောင်ရုံပရောဂျက်စပွန်ဆာများ၊ ဒါရိုက်တာများနှင့်/သို့မဟုတ် ပရောဂျက်မန်နေဂျာများထံ လိပ်မူထားပါသည်။ တတိယ၊ လုံခြုံသောလိပ်စာများစာရင်းကိုရရှိနိုင်သောအခါ စာတိုက်မေးခွန်းပုံစံများသည် သင့်လျော်သည် (Salant and Dilman 1994)။ ဤကိစ္စတွင် TDWI သည် ယုံကြည်ရသော ဒေတာသိုလှောင်ရေးအသင်းမှ ၎င်း၏သြစတြေးလျအဖွဲ့ဝင်များ၏ စာပို့စာရင်းကို ပေးဆောင်ပါသည်။ တယ်လီဖုန်းမေးခွန်းပုံစံများ သို့မဟုတ် ကိုယ်ရေးကိုယ်တာအင်တာဗျူးများအကြောင်း မေးလ်မေးခွန်းလွှာ၏ နောက်ထပ်အားသာချက်တစ်ခုမှာ ဖြေကြားသူများကို မှတ်တမ်းများနှင့် တိုင်ပင်ဆွေးနွေးရန် သို့မဟုတ် အခြားသူများနှင့် မေးမြန်းဆွေးနွေးရန် လိုအပ်သည့်အခါတွင် ဖြေဆိုသူများကို ပိုမိုတိကျစွာ တုံ့ပြန်နိုင်စေခြင်းဖြစ်သည် (Fowler 1988)။
ဖြစ်နိုင်ချေရှိသော အားနည်းချက်မှာ မေးလ်ဖြင့် မေးခွန်းလွှာများ ပြုလုပ်ရန် လိုအပ်သည့် အချိန်ဖြစ်နိုင်သည်။ ပုံမှန်အားဖြင့် မေးလ်မေးခွန်းလွှာကို ဤအစီအစဥ်တွင် ပြုလုပ်သည်- မေးလ်စာများ၊ တုံ့ပြန်မှုများကို စောင့်ပါ၊ အတည်ပြုချက်ပေးပို့ပါ (Fowler 1988၊ Bainbridge 1989)။ ထို့ကြောင့် မျက်နှာချင်းဆိုင်တွေ့ဆုံမေးမြန်းခြင်း သို့မဟုတ် တယ်လီဖုန်းအင်တာဗျူးများအတွက် လိုအပ်သည့်အချိန်ထက် စုစုပေါင်းအချိန်ပိုကြာနိုင်ပါသည်။ သို့သော်လည်း စုစုပေါင်းအချိန်ကို ကြိုတင်သိရှိနိုင်သည် (Fowler 1988၊ Denscombe 1998)။ အင်တာဗျူးတစ်ခုနှင့်တစ်ခု အင်တာဗျူးတစ်ခုမှ ကွဲပြားသောကြောင့် ကိုယ်ရေးကိုယ်တာအင်တာဗျူးများပြုလုပ်သည့်အချိန်ကို ကြိုမသိနိုင်ပေ။ တယ်လီဖုန်းအင်တာဗျူးများသည် မေးလ်မေးခွန်းပုံစံများနှင့် ကိုယ်ရေးကိုယ်တာအင်တာဗျူးများထက် ပိုမိုမြန်ဆန်သော်လည်း အချို့သောလူများ မရရှိနိုင်ခြင်းကြောင့် အဖြေမရသေးသည့်နှုန်း မြင့်မားနိုင်သည် (Fowler 1988)။ ထို့အပြင်၊ တယ်လီဖုန်းအင်တာဗျူးများကို ယေဘူယျအားဖြင့် မေးခွန်းတိုများစာရင်းတွင် ကန့်သတ်ထားသည် (Bainbridge 1988)။
စာပို့မေးခွန်းလွှာ၏နောက်ထပ်အားနည်းချက်မှာ တုံ့ပြန်မှုမရှိသောနှုန်းမြင့်မားခြင်း (Fowler 1988၊ Bainbridge 1989၊ Neuman 1994)။ သို့သော်၊ ဤလေ့လာမှုအား ယုံကြည်ရသော ဒေတာသိုလှောင်ရေးအဖွဲ့အစည်း (ဆိုလိုသည်မှာ TDWI) (Bainbridge 1989၊ Neuman 1994) နှင့် ပေါင်းစည်းခြင်းဖြင့် တန်ပြန်အရေးယူမှုများ ပြုလုပ်ခဲ့သည် (Fowler 1988၊ Neuman 1994) နှင့် ထပ်လောင်းရှင်းပြထားသော စာတစ်စောင်လည်း ပါဝင်ပါသည်။ လေ့လာမှု၏ရည်ရွယ်ချက် (Neuman 1994)။
၃.၄.၂။ ခွဲခြမ်းစိတ်ဖြာယူနစ်
ဤလေ့လာမှု၏ရည်ရွယ်ချက်မှာ သြစတြေးလျအဖွဲ့အစည်းများအတွင်း ဒေတာသိုလှောင်ခြင်း အကောင်အထည်ဖော်မှုနှင့် ၎င်း၏အသုံးပြုမှုဆိုင်ရာ အချက်အလက်များကို ရယူရန်ဖြစ်သည်။ ပစ်မှတ်လူဦးရေသည် အကောင်အထည်ဖော်သော သို့မဟုတ် အကောင်အထည်ဖော်နေသော သြစတြေးလျအဖွဲ့အစည်းအားလုံးဖြစ်သည်။ ဒေတာဂိုဒေါင်. အဲဒီနောက်မှာ တစ်ဦးချင်း အဖွဲ့အစည်းတွေကို မှတ်ပုံတင်တယ်။ မေးခွန်းလွှာကို ခေါ်ယူလိုသည့် အဖွဲ့အစည်းများထံ ပေးပို့ခဲ့သည်။ ဒေတာဂိုဒေါင်. ဤနည်းလမ်းသည် စုဆောင်းရရှိထားသော အချက်အလက်များသည် ပါဝင်အဖွဲ့အစည်းတစ်ခုစီ၏ အသင့်လျော်ဆုံးအရင်းအမြစ်များမှ လာကြောင်း သေချာစေသည်။
၃.၄.၃။ စစ်တမ်းနမူနာ
စစ်တမ်းပါဝင်သူများစာရင်းကို TDWI မှ ရယူခဲ့ပါသည်။ ဤစာရင်းမှ သြစတြေးလျအဖွဲ့အစည်း 3000 ကို နမူနာကောက်ယူရန်အတွက် အခြေခံအဖြစ် ရွေးချယ်ခဲ့သည်။ ပရောဂျက်နှင့် စစ်တမ်း၏ရည်ရွယ်ချက်ကို ရှင်းပြသည့် နောက်ဆက်တွဲစာတစ်စောင်၊ ဖြေကြားချက်ပုံစံနှင့် ပြီးသွားသော မေးခွန်းလွှာကို ပြန်လည်ပေးပို့ရန်အတွက် ကြိုတင်ငွေဖြည့်စာအိတ်နှင့်အတူ နမူနာထံသို့ ပေးပို့ခဲ့သည်။ အဖွဲ့အစည်း 3000 တွင် 198 သည် လေ့လာမှုတွင် ပါဝင်ရန် သဘောတူခဲ့သည်။ ထိုသို့သော တုံ့ပြန်မှု အနည်းစုကို မျှော်လင့်ထားသည်။ Dato ထိုအချိန်က လက်ခံခဲ့သော သို့မဟုတ် ၎င်းတို့၏အဖွဲ့အစည်းအတွင်း ဒေတာသိုလှောင်ခြင်းဗျူဟာကို လက်ခံယုံကြည်ခဲ့သော သြစတြေးလျအဖွဲ့အစည်း အများအပြား။ ထို့ကြောင့် ဤလေ့လာမှုအတွက် ပစ်မှတ်လူဦးရေသည် အဖွဲ့အစည်း 198 ခုသာ ပါဝင်သည်။
၃.၄.၄။ မေးခွန်းလွှာပါ အကြောင်းအရာများ
မေးခွန်းပုံစံဒီဇိုင်းသည် Monash ဒေတာသိုလှောင်မှုပုံစံ (အပိုင်း 2.3 တွင်အစောပိုင်းတွင် ဆွေးနွေးထားသည်) ကိုအခြေခံထားသည်။ မေးခွန်းလွှာ၏အကြောင်းအရာသည် အခန်း 2 တွင်ဖော်ပြထားသည့် စာပေပြန်လည်သုံးသပ်မှုအပေါ် အခြေခံထားသည်။ စစ်တမ်းပါဝင်သူများထံ ပေးပို့ထားသောမေးခွန်းလွှာမိတ္တူကို နောက်ဆက်တွဲ B တွင်တွေ့ရှိနိုင်ပါသည်။ မေးခွန်းပုံစံတွင် အပိုင်းခြောက်ပိုင်းဖြင့်ဖွဲ့စည်းထားပြီး မော်ဒယ်၏အဆင့်များအတိုင်းလုပ်ဆောင်ပေးပါသည်။ အောက်ဖော်ပြပါ စာပိုဒ်ခြောက်ပိုဒ်သည် ကဏ္ဍတစ်ခုစီ၏ အကြောင်းအရာများကို အကျဉ်းချုံးဖော်ပြပါသည်။
အပိုင်း A- အဖွဲ့အစည်းနှင့်ပတ်သက်သော အခြေခံအချက်အလက်များ
ဤကဏ္ဍတွင် ပါဝင်နေသည့် အဖွဲ့အစည်းများ၏ ပရိုဖိုင်နှင့် ပတ်သက်သော မေးခွန်းများ ပါရှိသည်။ ထို့အပြင်၊ အချို့သောမေးခွန်းများသည်ပါဝင်သူ၏ဒေတာသိုလှောင်ခြင်းပရောဂျက်၏အခြေအနေနှင့်သက်ဆိုင်သည်။ စစ်တမ်းခွဲခြမ်းစိတ်ဖြာမှုတွင် အဖွဲ့အစည်း၏အမည်ကဲ့သို့သော လျှို့ဝှက်အချက်အလက်များကို ထုတ်ဖော်မထားပါ။
အပိုင်း B- စတင်ပါ။
ဤကဏ္ဍရှိ မေးခွန်းများသည် ဒေတာသိုလှောင်ခြင်း စတင်ခြင်းနှင့်ပတ်သက်၍ သက်ဆိုင်ပါသည်။ ပရောဂျက်အစပြုသူများ၊ ပံ့ပိုးကူညီသူများ၊ လိုအပ်သော ကျွမ်းကျင်မှုနှင့် အသိပညာ၊ ဒေတာသိုလှောင်ခြင်းဆိုင်ရာ ဖွံ့ဖြိုးတိုးတက်မှုပန်းတိုင်များနှင့် သုံးစွဲသူများ၏ မျှော်လင့်ချက်များနှင့် စပ်လျဉ်းသည့် မေးခွန်းများကို မေးမြန်းခဲ့ပါသည်။
အခန်း C: ဒီဇိုင်း
ဤကဏ္ဍတွင် စီမံကိန်းရေးဆွဲခြင်းဆိုင်ရာ လှုပ်ရှားမှုများနှင့် ပတ်သက်သည့် မေးခွန်းများ ပါရှိသည်။ ဒေတာဂိုဒေါင်. အထူးသဖြင့်၊ အကောင်အထည်ဖော်မှုအတိုင်းအတာ၊ စီမံကိန်းကာလ၊ စီမံကိန်းကုန်ကျစရိတ်နှင့် ကုန်ကျစရိတ်/အကျိုးခံစားခွင့် ခွဲခြမ်းစိတ်ဖြာမှုတို့နှင့်ပတ်သက်သော မေးခွန်းများဖြစ်သည်။
အပိုင်း D- ဖွံ့ဖြိုးတိုးတက်ရေး
ဖွံ့ဖြိုးရေးကဏ္ဍတွင် ဖွံ့ဖြိုးရေးလုပ်ငန်းများနှင့် ပတ်သက်သည့် မေးခွန်းများ ရှိပါသည်။ ဒေတာဂိုဒေါင်: သုံးစွဲသူများ၏ လိုအပ်ချက်များ၊ အရင်းအမြစ်များ စုစည်းမှု datiယုတ္တိတန်သောပုံစံ၊ datiရှေ့ပြေးပုံစံများ၊ စွမ်းရည်အစီအစဥ်ရေးဆွဲခြင်း၊ နည်းပညာဗိသုကာလက်ရာများနှင့် ဒေတာသိုလှောင်ခြင်းဆိုင်ရာ ဖွံ့ဖြိုးတိုးတက်ရေးကိရိယာများကို ရွေးချယ်ခြင်း။
အပိုင်း E- လုပ်ဆောင်ချက်
စစ်ဆင်ရေး၏ စစ်ဆင်ရေးနှင့် တိုးချဲ့နိုင်မှုနှင့် ပတ်သက်သည့် မေးခွန်းများ ဒေတာဂိုဒေါင်ဖွံ့ဖြိုးတိုးတက်မှု၏နောက်ထပ်အဆင့်တွင်ပြောင်းလဲလာသည်နှင့်အမျှ၊ ဟိုမှာ data အရည်အသွေး၊ ပြန်လည်ဆန်းသစ်မှုဗျူဟာများ dati, ၏အသေးစိတ် dati, scalability of ဒေတာဂိုဒေါင် လုံခြုံရေးပြဿနာများ ဒေတာဂိုဒေါင် မေးတဲ့မေးခွန်းအမျိုးအစားတွေထဲမှာ ပါဝင်ခဲ့ပါတယ်။
အပိုင်း F- ဖွံ့ဖြိုးတိုးတက်ရေး
ဤကဏ္ဍတွင် အသုံးပြုခြင်းနှင့် ပတ်သက်သည့် မေးခွန်းများ ပါရှိသည်။ ဒေတာဂိုဒေါင် အသုံးပြုသူများအနေဖြင့် သုတေသီသည် ရည်ရွယ်ချက်နှင့် အသုံးဝင်ပုံကို စိတ်ဝင်စားခဲ့သည်။ ဒေတာဂိုဒေါင်ပြန်လည်သုံးသပ်ခြင်းနှင့် လေ့ကျင့်ရေးဗျူဟာများ နှင့် ထိန်းချုပ်မှုဗျူဟာတို့ကို ချမှတ်ခဲ့သည်။ ဒေတာဂိုဒေါင် မွေးစားသည်။
၃.၄.၅။ တုံ့ပြန်မှုနှုန်း
မေးလ်စစ်တမ်းများသည် တုံ့ပြန်မှုနှုန်းနည်းပါးသည့်အတွက် ဝေဖန်ခံရသော်လည်း၊ ပြန်လာနှုန်းကို တိုးမြှင့်ရန် အဆင့်များ (အပိုင်း 3.4.1 တွင် အထက်တွင်ဖော်ပြထားသည့်အတိုင်း) ပြန်လည်ဝင်ရောက်လာပါသည်။ 'တုံ့ပြန်မှုနှုန်း' ဟူသော အသုံးအနှုန်းသည် မေးခွန်းလွှာကို ဖြေဆိုသည့် စစ်တမ်းနမူနာတစ်ခုမှ လူများ၏ ရာခိုင်နှုန်း (Denscombe 1998) ကို ရည်ညွှန်းသည်။ ဤလေ့လာမှုအတွက် တုံ့ပြန်မှုနှုန်းကို တွက်ချက်ရန် အောက်ပါဖော်မြူလာကို အသုံးပြုခဲ့သည်။
ဖြေကြားသူအရေအတွက်
တုံ့ပြန်မှုနှုန်း = —————————————————————————– X 100 စုစုပေါင်းမေးခွန်းလွှာပေးပို့သည်
၃.၄.၆။ စမ်းသပ်မောင်းနှင်သူ
မေးခွန်းပုံစံကို နမူနာသို့ မပို့မီ Luck and Rubin (1987)၊ Jackson (1988) နှင့် de Vaus (1991) တို့က အကြံပြုထားသည့်အတိုင်း ရှေ့ပြေးစမ်းသပ်မှုများ ပြုလုပ်ခြင်းဖြင့် မေးခွန်းများကို စမ်းသပ်ခဲ့ပါသည်။ စမ်းသပ်စမ်းသပ်မှုများ၏ ရည်ရွယ်ချက်မှာ အဆင်မပြေသော၊ ရှုပ်ထွေးသောအသုံးအနှုန်းများနှင့် နားလည်ရခက်သောမေးခွန်းများကို ထုတ်ဖော်ပြသရန်၊ အသုံးပြုထားသည့် အဓိပ္ပါယ်ဖွင့်ဆိုချက်များနှင့် ဝေါဟာရများကို ရှင်းလင်းရန်နှင့် မေးခွန်းလွှာပြီးမြောက်ရန် ခန့်မှန်းခြေအချိန်ကို ဖော်ထုတ်ရန်ဖြစ်သည် (Warwick and Lininger 1975၊ Jackson 1988၊ Salant နှင့် Dilman 1994)။ Davis e မှ အကြံပြုထားသည့်အတိုင်း နောက်ဆုံး ဘာသာရပ်များနှင့် ဆင်တူသည့် ဘာသာရပ်များကို ရွေးချယ်ခြင်းဖြင့် လေယာဉ်မှူး စမ်းသပ်ခြင်းများကို ဆောင်ရွက်ခဲ့ပါသည်။ Cosenza (၁၉၉၃)။ ဤလေ့လာမှုတွင် အချက်အလက်သိုလှောင်ခြင်းဆိုင်ရာ ကျွမ်းကျင်ပညာရှင် ခြောက်ဦးကို ရှေ့ပြေးဘာသာရပ်အဖြစ် ရွေးချယ်ခဲ့သည်။ လေယာဉ်မှူး စမ်းသပ်မှုတိုင်းပြီးနောက် လိုအပ်သော ပြုပြင်မှုများ ပြုလုပ်ခဲ့သည်။ စမ်းသပ်စမ်းသပ်မှုများမှ ပါဝင်သူများသည် မေးခွန်းလွှာ၏ နောက်ဆုံးဗားရှင်းကို ပြန်လည်ပြင်ဆင်ခြင်းနှင့် ပြန်လည်သတ်မှတ်ခြင်းတို့ကို ပံ့ပိုးကူညီခဲ့ကြသည်။
၃.၄.၇။ ခွဲခြမ်းစိတ်ဖြာနည်းများ Dati
I dati အပိတ်မေးခွန်းပုံစံများမှ ကောက်ယူရရှိသော စစ်တမ်းဒေတာကို SPSS ဟုခေါ်သော စာရင်းအင်းဆော့ဖ်ဝဲလ်ပက်ကေ့ခ်ျကို အသုံးပြု၍ ခွဲခြမ်းစိတ်ဖြာခဲ့သည်။ တုံ့ပြန်မှုများစွာကို သရုပ်ဖော်ကိန်းဂဏန်းများသုံးပြီး ခွဲခြမ်းစိတ်ဖြာခဲ့သည်။ မေးခွန်းပုံစံ အတော်များများ မပြည့်မစုံ ပြန်လာကြသည်။ ဒါတှကေို ပိုဂရုတစိုက် ကုသထားဖို့ ဖွဈပါတယျ dati ပျောက်ဆုံးမှုသည် ဒေတာထည့်သွင်းမှုအမှားများ၏ အကျိုးဆက်မဟုတ်သော်လည်း မေးခွန်းများသည် စာရင်းသွင်းသူအတွက် မသင့်လျော်သောကြောင့်၊ သို့မဟုတ် မှတ်ပုံတင်သူသည် တိကျသောမေးခွန်းတစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသောမေးခွန်းများကို မဖြေဆိုရန် ဆုံးဖြတ်ခဲ့သည်။ ဒေတာကိုခွဲခြမ်းစိတ်ဖြာသောအခါ ဤပျောက်ဆုံးနေသောအဖြေများကို လျစ်လျူရှုထားသည်။ dati ၎င်းတို့အား ခွဲခြမ်းစိတ်ဖြာမှု လုပ်ငန်းစဉ်မှ ဖယ်ထုတ်ကြောင်း သေချာစေရန်အတွက် '-9' အဖြစ် ကုဒ်နံပါတ်တပ်ထားသည်။
မေးခွန်းလွှာပြင်ဆင်ရာတွင်၊ ရွေးချယ်မှုတစ်ခုစီသို့ နံပါတ်တစ်ခုသတ်မှတ်ခြင်းဖြင့် အပိတ်မေးခွန်းများကို ကြိုတင်ကုဒ်လုပ်ထားသည်။ နံပါတ်ကို လေ့ကျင့်ဖို့ သုံးတယ်။ dati ခွဲခြမ်းစိတ်ဖြာနေစဉ် (Denscombe 1998၊ Sapsford နှင့် Jupp 1996)။ ဥပမာအားဖြင့်၊ အပိုင်း B ၏ မေးခွန်း 1 တွင် ဖော်ပြထားသော ရွေးချယ်စရာ ခြောက်ခုရှိသည်- ဒါရိုက်တာဘုတ်အဖွဲ့၊ အကြီးတန်းအမှုဆောင်၊ အိုင်တီဌာန၊ လုပ်ငန်းယူနစ်၊ အတိုင်ပင်ခံများနှင့် အခြားအရာများ။ ဖိုင်ထဲမှာ dati SPSS ၏ 'ပရောဂျက်အစပျိုးသူ' အတွက် တန်ဖိုးအညွှန်းခြောက်ခုပါရှိသည်- 'ဘုတ်အဖွဲ့' အတွက် '1'၊ 'အကြီးတန်းအမှုဆောင်' အတွက် '2' နှင့် အခြားလမ်းပေါ်ရှိ တန်ဖိုးတံဆိပ်ခြောက်ခုဖြင့် ကိန်းရှင်တစ်ခုကို ထုတ်ပေးခဲ့သည်။ ပိတ်ထားသောမေးခွန်းအချို့တွင် Likertin စကေးကိုအသုံးပြုခြင်းသည် SPSS တွင်ထည့်သွင်းထားသောသက်ဆိုင်ရာဂဏန်းတန်ဖိုးများကိုအသုံးပြုခြင်းဖြင့်အားစိုက်ထုတ်ဖော်ထုတ်ခြင်းအတွက်ခွင့်ပြုထားသည်။ အပြန်အလှန်သီးသန့်မဟုတ်သော အဖြေများပါရှိသော မေးခွန်းများအတွက်၊ ရွေးချယ်စရာတစ်ခုစီကို တန်ဖိုးအညွှန်းနှစ်ခုဖြင့် '1' နှင့် 'စစ်ဆေးထားသည်' အတွက် '2' နှင့် 'XNUMX' တို့ကို 'မစစ်ဆေးရသေး' အတွက် တစ်ခုတည်းသောကိန်းရှင်တစ်ခုအဖြစ် သတ်မှတ်သည်။
အဖွင့်မေးခွန်းများကို အပိတ်မေးခွန်းများနှင့် ကွဲပြားစွာ ဆက်ဆံခဲ့သည်။ ဤမေးခွန်းများအတွက် အဖြေများကို SPSS တွင် ထည့်သွင်းထားခြင်းမရှိပါ။ ယင်းအစား ၎င်းတို့ကို လက်ဖြင့် ခွဲခြမ်းစိတ်ဖြာခဲ့သည်။ ဤမေးခွန်းအမျိုးအစားကိုအသုံးပြုခြင်းသည် ဖြေဆိုသူများတွင် လွတ်လပ်စွာထုတ်ဖော်ပြောဆိုထားသော စိတ်ကူးစိတ်သန်းများနှင့် ကိုယ်ရေးကိုယ်တာအတွေ့အကြုံများအကြောင်း အချက်အလက်များကို ရရှိနိုင်သည် (Bainbridge 1989၊ Denscombe 1998)။ ဖြစ်နိုင်လျှင် တုံ့ပြန်မှုများကို အမျိုးအစားခွဲကာ ပြုလုပ်ခဲ့ပါသည်။
ခွဲခြမ်းစိတ်ဖြာမှုအတွက် datiရိုးရှင်းသောစာရင်းအင်းခွဲခြမ်းစိတ်ဖြာမှုနည်းလမ်းများဖြစ်သည့် တုံ့ပြန်မှုအကြိမ်ရေ၊ ပျမ်းမျှ၊ စံသွေဖည်မှုနှင့် ပျမ်းမျှ (Argyrous 1996၊ Denscombe 1998) ကဲ့သို့သော ရိုးရှင်းသောစာရင်းအင်းခွဲခြမ်းစိတ်ဖြာမှုနည်းလမ်းများကို အသုံးပြုပါသည်။
Gamma test သည် အကြားရှိ ပေါင်းစည်းမှုများ၏ ပမာဏတိုင်းတာမှုကို ရယူရန်အတွက် လုပ်ဆောင်ခဲ့ပါသည်။ dati ညွှန်ကြားချက်များ (Norusis 1983၊ Argyrous 1996)။ အသုံးပြုထားသော သာမာန်စကေးများတွင် အမျိုးအစားများစွာမရှိသောကြောင့် ဤစစ်ဆေးမှုများသည် သင့်လျော်သည် (Norusis 1983)။
3.5 အနှစ်ချုပ်
ဤအခန်းတွင်၊ ဤလေ့လာမှုအတွက် ချမှတ်ထားသော သုတေသန နည်းစနစ်နှင့် ဒီဇိုင်းကို ဆွေးနွေးခဲ့ပါသည်။
လေ့လာမှုတစ်ခုအတွက် အသင့်လျော်ဆုံး သုတေသနနည်းလမ်းကို ရွေးချယ်ခြင်းသည် အချိန်ကြာမြင့်ပါသည်။
သုတေသန၏ သဘောသဘာဝနှင့် အမျိုးအစား အပါအဝင် စည်းမျဉ်းအများအပြားကို ထည့်သွင်းစဉ်းစားခြင်းအပြင် ဖြစ်နိုင်သည့် နည်းလမ်းတစ်ခုစီ၏ အားသာချက်များနှင့် အားနည်းချက်များ (Jenkins 1985၊ Benbasat et al. 1097၊ Galliers and Land 1987၊ yin 1989၊ Hamilton and ives 1992၊ Galliers ၁၉၉၂၊ neuman 1992)။ ဩစတေးလျတွင် ဒေတာသိုလှောင်ခြင်းဆိုင်ရာ အသိပညာနှင့် သီအိုရီများ နည်းပါးခြင်းကြောင့် ဤသုတေသနလေ့လာမှုသည် သြစတြေးလျအဖွဲ့အစည်းများ၏ အတွေ့အကြုံများကို စူးစမ်းလေ့လာနိုင်မှုရှိသော အဓိပ္ပါယ်ရှိသော သုတေသနနည်းလမ်းကို တောင်းဆိုထားသည်။ သြစတြေးလျအဖွဲ့အစည်းများမှ ဒေတာသိုလှောင်ခြင်းဆိုင်ရာ အယူအဆကို လက်ခံကျင့်သုံးခြင်းဆိုင်ရာ အချက်အလက်များကို စုဆောင်းရန်အတွက် ရွေးချယ်ထားသော သုတေသနနည်းလမ်းကို ရွေးချယ်ခဲ့သည်။ စာတိုက်မေးခွန်းလွှာကို စုစည်းမှုနည်းပညာအဖြစ် ရွေးချယ်ခဲ့သည်။ dati. သုတေသနနည်းလမ်းနှင့် စုဆောင်းမှုနည်းပညာအတွက် အကြောင်းပြချက်များ dati ရွေးချယ်မှုများကို ဤအခန်းတွင် ဖော်ပြထားသည်။ ထို့အပြင် ခွဲခြမ်းစိတ်ဖြာမှုယူနစ်၊ အသုံးပြုသည့်နမူနာ၊ အဖြေရာခိုင်နှုန်းများ၊ မေးခွန်းပုံစံ၏ အကြောင်းအရာ၊ မေးခွန်းလွှာ၏ အကြိုစမ်းသပ်မှုနှင့် ခွဲခြမ်းစိတ်ဖြာမှုနည်းလမ်းတို့ကို ဆွေးနွေးတင်ပြခဲ့ပါသည်။ dati.
ဒီဇိုင်းတစ်ခု ဒေတာသိုလှောင်ရုံ:
Entity Relationships နှင့် Dimensional Modeling ကို ပေါင်းစပ်ခြင်း။
ြဒပ်မဲ့သော
စတိုးတဈခု dati အဖွဲ့အစည်းများစွာအတွက် အဓိကပြဿနာတစ်ခုဖြစ်သည်။ သိုလှောင်ရုံများ ဖွံ့ဖြိုးတိုးတက်ရေးတွင် အဓိကပြဿနာဖြစ်သည်။ dati ဒါသူ့ဒီဇိုင်းပါ။
ပုံဆွဲခြင်းတွင် သဘောတရားများကို ထောက်လှမ်းနိုင်စေရမည်။ ဒေတာဂိုဒေါင် အမွေအနှစ်စနစ်နှင့် အခြားအရင်းအမြစ်များဆီသို့ dati အကောင်အထည်ဖော်ရာတွင်လည်း နားလည်လွယ်ပြီး ထိရောက်မှုရှိသည်။ ဒေတာဂိုဒေါင်.
သိုလှောင်ရုံ စာပေတွေ အများကြီးပဲ။ dati ဒီဇိုင်းကိုကိုယ်စားပြုရန် entity relationship modeling သို့မဟုတ် dimensional modeling ကိုအသုံးပြုရန် အကြံပြုထားသည်။ ဒေတာဂိုဒေါင်.
ဤစာတမ်းတွင် ကိုယ်စားပြုမှုနှစ်ခုလုံးကို ဒီဇိုင်း၏ချဉ်းကပ်ပုံတွင် မည်သို့ပေါင်းစပ်နိုင်သည်ကို ပြသထားသည်။ ဒေတာဂိုဒေါင်. သုံးတဲ့ ချဉ်းကပ်နည်းက စနစ်တကျပါ။
case study တွင် စစ်ဆေးပြီး ပညာရှင်များနှင့် အရေးကြီးသော သက်ရောက်မှုများစွာကို ဖော်ထုတ်ထားသည်။
ဒေတာသိုလှောင်ခြင်း
Un ဒေတာဂိုဒေါင် ၎င်းကို စီမံခန့်ခွဲမှု၏ ဆုံးဖြတ်ချက်များကို ပံ့ပိုးရန်အတွက် ဘာသာရပ်-အသားပေး၊ ပေါင်းစပ်ထားသော၊ အချိန်-မူကွဲနှင့် မတည်ငြိမ်သော ဒေတာစုဆောင်းမှု" (Inmon and Hackathorn, 1994) အဖြစ် သတ်မှတ်လေ့ရှိသည်။ ဘာသာရပ်ကို ဦးတည်ပြီး ပေါင်းစပ်ကြောင်း ညွှန်ပြသည်။ ဒေတာဂိုဒေါင် ပေါင်းစပ်ရှုထောင့်ကို ပေးဆောင်ရန် အမွေအနှစ်စနစ်များ၏ လုပ်ငန်းခွင်နယ်နိမိတ်များကို ဖြတ်ကျော်ရန် ဒီဇိုင်းထုတ်ထားသည်။ dati.
အချိန်-မူကွဲသည် ဗီဒီယို၏ သမိုင်းဝင် သို့မဟုတ် အချိန်စီးရီးသဘောသဘာဝနှင့် သက်ဆိုင်သည်။ dati in un ဒေတာဂိုဒေါင်လမ်းကြောင်းများကို ပိုင်းခြားစိတ်ဖြာနိုင်စေသည့်၊ Non-volatile ကိုဖော်ပြသည်။ ဒေတာဂိုဒေါင် စဉ်ဆက်မပြတ် အပ်ဒိတ်လုပ်ထားသလိုမျိုး မဟုတ်ပါဘူး။ ဒေတာဘေ့စ OLTP ၏ ယင်းအစား ၎င်းကို အခါအားလျော်စွာ မွမ်းမံပြင်ဆင်ထားသည်။ dati ပြည်တွင်းပြည်ပ အရင်းအမြစ်များမှ ဟိ ဒေတာဂိုဒေါင် ခိုင်မာမှုနှင့် လည်ပတ်မှုစွမ်းဆောင်ရည်ကို မွမ်းမံခြင်းထက် သုတေသနအတွက် အထူးဒီဇိုင်းထုတ်ထားသည်။
သိုမှီးထားတာ ဖွဈပါတယျ dati အသစ်အဆန်းမဟုတ်ပါ၊ စီမံခန့်ခွဲမှု၏ရည်ရွယ်ချက်တစ်ခုဖြစ်သည်။ dati ခြောက်ဆယ်ကျော်ကတည်းက (Il Martin, 1982)။
I ဒေတာဂိုဒေါင် သူတို့က အခြေခံအဆောက်အအုံကို ပေးတယ်။ dati စီမံခန့်ခွဲမှုစနစ်များအတွက်။ စီမံခန့်ခွဲမှု ပံ့ပိုးမှုစနစ်များတွင် ဆုံးဖြတ်ချက် ပံ့ပိုးမှုစနစ် (DSS) နှင့် အမှုဆောင် သတင်းအချက်အလက်စနစ် (EIS) တို့ ပါဝင်သည်။ DSS သည် လုပ်ငန်းစဉ်တိုးတက်စေရန်နှင့် လူသားများ၏ ဆုံးဖြတ်ချက်ချခြင်းကို မြှင့်တင်ရန် ဒီဇိုင်းထုတ်ထားသည့် ကွန်ပျူတာအခြေခံ သတင်းအချက်အလက်စနစ်တစ်ခုဖြစ်သည်။ EIS သည် ပုံမှန်အားဖြင့် ပေးပို့မှုစနစ်တစ်ခုဖြစ်သည်။ dati ယင်းသည် စီးပွားရေး အမှုဆောင်အရာရှိများ၏ အမြင်ကို အလွယ်တကူ ဝင်ရောက်ကြည့်ရှုနိုင်စေပါသည်။ dati.
ယေဘူယျအားဖြင့် ဗိသုကာပညာ ဒေတာဂိုဒေါင် အခန်းကဏ္ဍကို မီးမောင်းထိုးပြသည်။ ဒေတာဂိုဒေါင် စီမံခန့်ခွဲမှုအတွက် ပံ့ပိုးမှု။ ထို့အပြင် အခြေခံအဆောက်အအုံများ ပံ့ပိုးပေးသည်။ dati EIS နှင့် DSS အတွက်၊ ဒေတာဂိုဒေါင် စုံစမ်းမေးမြန်းမှုများမှတဆင့် တိုက်ရိုက်ဝင်ရောက်ကြည့်ရှုနိုင်ပါသည်။ THE dati တစ်ခုတွင် ပါဝင်သည်။ ဒေတာဂိုဒေါင် စီမံခန့်ခွဲမှု သတင်းအချက်အလက် လိုအပ်ချက်များကို ခွဲခြမ်းစိတ်ဖြာမှုအပေါ် အခြေခံပြီး အရင်းအမြစ် သုံးခုမှ ရရှိသည်- ပြည်တွင်း အမွေအနှစ် စနစ်များ၊ အထူး ရည်ရွယ်ချက် ဒေတာ ဖမ်းယူမှု စနစ်များနှင့် ပြင်ပ ဒေတာ ရင်းမြစ်များ။ THE dati စက်တွင်း အမွေအနှစ်စနစ်များတွင် ၎င်းတို့သည် မကြာခဏ မလိုအပ်တော့ဘဲ၊ တသမတ်တည်းဖြစ်နေကာ အရည်အသွေးနိမ့်ကာ မတူညီသော ဖော်မတ်များဖြင့် သိမ်းဆည်းထားသောကြောင့် ၎င်းတို့ကို ၎င်းတို့ထဲသို့ မတင်မီ ပြန်လည်သင့်မြတ်ပြီး ရှင်းထုတ်ရမည်ဖြစ်သည်။
ဒေတာဂိုဒေါင် (Inmon, 1992; McFadden, 1996)။ THE dati သိုလှောင်မှုစနစ်များမှ dati ad hoc နှင့် အရင်းအမြစ်များမှ dati External ကို augment (update, replace) လုပ်ဖို့ သုံးလေ့ရှိပါတယ်။ dati အမွေအနှစ်စနစ်များမှ
ဖွံ့ဖြိုးတိုးတက်ရန် ခိုင်လုံသောအကြောင်းပြချက်များစွာရှိပါသည်။ ဒေတာဂိုဒေါင်အချက်အလက်များကို ထိရောက်စွာအသုံးပြုခြင်းဖြင့် ပိုမိုကောင်းမွန်သော ဆုံးဖြတ်ချက်ချခြင်း အပါအဝင် (Ives 1995)၊ ကိစ္စအဝဝကို အာရုံစိုက်ခြင်း (Graham 1996)၊ နှင့် ဆုံးဖြတ်ချက်ချရာတွင် ကုန်ကျစရိတ်များ လျှော့ချရေးတို့ ပါဝင်သည်။ dati EIS နှင့် DSS အတွက် (Graham 1996၊ McFadden 1996)။
မကြာသေးမီက လက်တွေ့ကျသော လေ့လာမှုတစ်ခုအရ ပျမ်းမျှအားဖြင့် i အတွက် ရင်းနှီးမြှုပ်နှံမှုအပေါ် ပြန်အမ်းငွေကို တွေ့ရှိခဲ့သည်။ ဒေတာဂိုဒေါင် သုံးနှစ်အကြာတွင် 401% (Graham, 1996)။ သို့သော် အခြားသော ပင်ကိုယ် လေ့လာမှုများ ၏ ဒေတာဂိုဒေါင် အကျိုးခံစားခွင့်များကို တိုင်းတာခွဲဝေရာတွင် ခက်ခဲခြင်း၊ ရှင်းလင်းသောရည်ရွယ်ချက်မရှိခြင်း၊ သိမ်းဆည်းခြင်းလုပ်ငန်းစဉ်၏ အတိုင်းအတာနှင့် ရှုပ်ထွေးမှုကို လျှော့တွက်ခြင်းအပါအဝင် သိသာထင်ရှားသော ပြဿနာများကို တွေ့ရှိခဲ့သည်။ datiအထူးသဖြင့် အရင်းအမြစ်များနှင့် သန့်ရှင်းမှုနှင့်ပတ်သက်၍၊ dati. စတိုးတဈခု dati စီမံခန့်ခွဲမှုပြဿနာအတွက် အဖြေတစ်ခုအဖြစ် ယူဆနိုင်သည်။ dati အဖွဲ့အစည်းတွေကြား။ ခြယ်လှယ်သည်။ dati လူမှုအရင်းအမြစ်တစ်ခုအနေဖြင့် ၎င်းသည် ကမ္ဘာတစ်ဝှမ်းရှိ သတင်းအချက်အလက်စနစ်များကို စီမံခန့်ခွဲရာတွင် နှစ်ပေါင်းများစွာ အဓိကပြဿနာများထဲမှတစ်ခုဖြစ်ခဲ့သည် (Brancheau et al. 1996၊ Galliers et al. 1994၊ Niederman et al. 1990၊ Pervan 1993)။
ပိုင်ဆိုင်မှုစီမံခန့်ခွဲမှုအတွက် ရေပန်းစားသောချဉ်းကပ်မှုတစ်ခု dati ရှစ်ဆယ်ကျော်တွင် မော်ဒယ်တစ်ခု ဖွံ့ဖြိုးတိုးတက်လာခဲ့သည်။ dati လူမှုရေး။ မော်ဒယ် dati လူမှုဆက်ဆံရေးသည် အက်ပလီကေးရှင်းစနစ်အသစ်များ ဖွံ့ဖြိုးတိုးတက်မှုအတွက် တည်ငြိမ်သောအခြေခံတစ်ခုကို ပေးဆောင်ရန် ဒီဇိုင်းထုတ်ထားသည်။ ဒေတာဘေ့စ နှင့် အမွေအနှစ်စနစ်များ ပြန်လည်တည်ဆောက်ရေးနှင့် ပေါင်းစည်းရေး (Brancheau et al.
1989၊ Goodhue et al။ 1988:1992၊ Kim and Everest 1994)။ သို့သော်၊ ဤချဉ်းကပ်မှုတွင် ပြဿနာများစွာရှိပြီး၊ အထူးသဖြင့်၊ လုပ်ငန်းတစ်ခုစီ၏ ရှုပ်ထွေးမှုနှင့် ကုန်ကျစရိတ်နှင့် မြင်သာထင်သာသောရလဒ်များရရှိရန် လိုအပ်သောအချိန်ကြာမြင့်မှု (Beynon-Davies 1994၊ Earl 1993၊ Goodhue et al. 1992၊ Periasamy 1994၊ Shanks 1997၊ )
Il ဒေတာဂိုဒေါင် ၎င်းသည် ၎င်းတို့ကို အစားထိုးမည့်အစား အမွေအနှစ်ဒေတာဘေ့စ်များနှင့် ပူးတွဲတည်ရှိသည့် သီးခြားဒေတာဘေ့စ်တစ်ခုဖြစ်သည်။ ထို့ကြောင့် စီမံအုပ်ချုပ်မှုကို ညွှန်ကြားရန် ခွင့်ပြုသည်။ dati ငွေကုန်ကြေးကျများသော အမွေအနှစ်စနစ်များကို ပြန်လည်တည်ဆောက်ခြင်းမှ ရှောင်ကြဉ်ပါ။
ဒေတာဒီဇိုင်းအတွက် လက်ရှိချဉ်းကပ်မှုများ
သိုလှောင်ရုံ
တည်ဆောက်ခြင်းနှင့် ပြီးပြည့်စုံသော လုပ်ငန်းစဉ်များ ဒေတာဂိုဒေါင် သမားရိုးကျ စနစ်များ ဖွံ့ဖြိုးတိုးတက်မှု ဘဝသံသရာထက် ဆင့်ကဲဖြစ်စဉ်တစ်ခုအဖြစ် ပိုမိုနားလည်သင့်သည် (ဒက်စီယို၊ 1995၊ Shanks၊ O'Donnell နှင့် Arnott 1997a )။ ပရောဂျက်တစ်ခုတွင် ပါဝင်သော လုပ်ငန်းစဉ်များစွာရှိသည်။ ဒေတာဂိုဒေါင် အစပြုခြင်း၊ အချိန်ဇယားဆွဲခြင်း၊ ကုမ္ပဏီမန်နေဂျာများထံမှ တောင်းဆိုထားသော လိုအပ်ချက်များမှ ရရှိသော အချက်အလက်၊ အရင်းအမြစ်များ၊ အသွင်ပြောင်းမှု၊ သန့်ရှင်းရေး dati အမွေအနှစ်စနစ်များနှင့် အခြားရင်းမြစ်များမှ ထပ်တူပြုခြင်း။ dati; ဖွံ့ဖြိုးတိုးတက်မှုအောက်တွင် ပို့ဆောင်ရေးစနစ်များ၊ စောင့်ကြည့် ဒေတာဂိုဒေါင်; ဆင့်ကဲဖြစ်စဉ်နှင့် တည်ဆောက်ခြင်း၏ အာရုံခံစားမှုကင်းမဲ့ခြင်း။ ဒေတာဂိုဒေါင် (Stinchi၊ O'Donnell and Arnott 1997b)။ ဒီဂျာနယ်မှာ ကျွန်တော် ပုံဆွဲနည်းကို အာရုံစိုက်ထားပါတယ်။ dati ဤအခြားလုပ်ငန်းစဉ်များ၏ ဆက်စပ်မှုတွင် သိမ်းဆည်းထားသည်။ ဗီဒီယိုဗိသုကာပညာအတွက် အဆိုပြုထားသော ချဉ်းကပ်နည်းများစွာရှိပါသည်။ ဒေတာဂိုဒေါင် စာပေတွင် (Inmon 1994၊ Ives 1995၊ Kimball 1994၊ McFadden 1996)။ ဤနည်းစနစ်တစ်ခုစီတွင် ၎င်းတို့၏ အားသာချက်နှင့် အားနည်းချက်များကို ခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့် အတိုချုံးသုံးသပ်ချက်တစ်ခုစီ ပါရှိသည်။
Inmon ၏ (၁၉၉၄) ချဉ်းကပ်မှု ဒေတာသိုလှောင်ရုံ ပုံစံ
Inmon (1994) သည် ဒီဇိုင်းတစ်ခုအား ထပ်ခါထပ်ခါ အဆင့်လေးဆင့် အဆိုပြုခဲ့သည်။ ဒေတာဂိုဒေါင် (ပုံ ၂ ကိုကြည့်ပါ)။ ပထမအဆင့်မှာ နမူနာပုံစံတစ်ခုကို ရေးဆွဲရန်ဖြစ်သည်။ dati လူမှုဆက်ဆံရေးကို ဘယ်လိုနားလည်လဲ။ dati i ကို ပိုင်းခွဲခြင်းဖြင့် အဖွဲ့အစည်းတစ်ခုအတွင်း လုပ်ဆောင်နိုင်သော နယ်ပယ်များကို ပေါင်းစပ်နိုင်သည်။ dati နေရာများတွင် သိမ်းဆည်းပါ။ မော်ဒယ် dati သိုလှောင်ရန်အတွက် ပြုလုပ်ထားသည်။ dati ဆုံးဖြတ်ချက်ချခြင်း အပါအဝင်၊ dati သမိုင်းဆိုင်ရာ၊ နှင့် ပါဝင်သည်။ dati နုတ်ပြီး စုစည်းထားသည်။ ဒုတိယအဆင့်မှာ အကောင်အထည်ဖော်ရန်အတွက် ဘာသာရပ်နယ်ပယ်များကို ခွဲခြားသတ်မှတ်ရန်ဖြစ်သည်။ ဤအရာများသည် အဖွဲ့အစည်းတစ်ခုက သတ်မှတ်သော ဦးစားပေးများပေါ်တွင် အခြေခံသည်။ တတိယအဆင့်တွင် ပုံဆွဲခြင်း ပါဝင်သည်။ ဒေတာဘေ့စ ဘာသာရပ်နယ်ပယ်အတွက် သင့်လျော်သော အသေးစိတ်အဆင့်များအပါအဝင် အထူးဂရုပြုပါ။ Inmon သည် အဖွဲ့အစည်းနှင့် ဆက်ဆံရေးပုံစံကို အသုံးပြုရန် အကြံပြုထားသည်။ စတုတ္ထအဆင့်မှာ အရင်းအမြစ်စနစ်များကို ဖော်ထုတ်ရန်ဖြစ်သည်။ dati ဖမ်းယူ၊ ရှင်းလင်းပြီး ဖော်မတ်လုပ်ရန် အသွင်ကူးပြောင်းရေး လုပ်ငန်းစဉ်များကို ဖော်ဆောင်ရန် လိုအပ်ပါသည်။ dati.
Inmon ၏ ချဉ်းကပ်မှု၏ အားသာချက်မှာ မော်ဒယ်ဖြစ်သည်။ dati လူမှုရေးပေါင်းစပ်မှုများအတွက်အခြေခံကမ်းလှမ်း dati အဖွဲ့အစည်းအတွင်းနှင့် ထပ်တလဲလဲ ဖွံ့ဖြိုးတိုးတက်မှုအတွက် ပံ့ပိုးပေးပါသည်။ ဒေတာဂိုဒေါင်. ၎င်း၏ အားနည်းချက်များမှာ မော်ဒယ်ကို ဒီဇိုင်းဆွဲရာတွင် အခက်အခဲနှင့် ကုန်ကျစရိတ်များ ဖြစ်သည်။ dati လူမှုရေး၊ မော်ဒယ်နှစ်ခုလုံးတွင် အသုံးပြုသည့် အရာများနှင့် ဆက်ဆံရေးပုံစံများကို နားလည်ရန်ခက်ခဲသည်။ dati လူမှုရေးနှင့် dati ဘာသာရပ်နယ်ပယ်အလိုက် သိမ်းဆည်းထားခြင်းနှင့် သင့်လျော်မှုရှိသည်။ dati ပုံဆွဲခြင်း၏ ဒေတာဂိုဒေါင် ၏ဖော်ဆောင်မှုအတွက် ဒေတာဘေ့စ ဆက်စပ်မှုရှိသော်လည်း၊ ဒေတာဘေ့စ ဘက်ပေါင်းစုံ။
Ives ၏ (၁၉၉၅) ချဉ်းကပ်မှု ဒေတာသိုလှောင်ရုံ ပုံစံ
Ives (1995) သည် သတင်းအချက်အလက်စနစ်တစ်ခုအား ဒီဇိုင်းရေးဆွဲရာတွင် အဆင့်လေးဆင့်ဖြင့် ချဉ်းကပ်ပုံကို အဆိုပြုထားသည်။ ဒေတာဂိုဒေါင် (ပုံ 3 ကိုကြည့်ပါ)။ ချဉ်းကပ်မှုသည် သတင်းအချက်အလက်စနစ်များ ဖွံ့ဖြိုးတိုးတက်မှုအတွက် သတင်းအချက်အလက် အင်ဂျင်နီယာပညာကို အခြေခံသည် (Martin 1990)။ ပထမအဆင့်မှာ သင်၏ပန်းတိုင်များ၊ အောင်မြင်မှုနှင့် အရေးကြီးသောအချက်များနှင့် အဓိကစွမ်းဆောင်ရည်ညွှန်းကိန်းများကို ဆုံးဖြတ်ရန်ဖြစ်သည်။ စံနမူနာယူရန် ကျွန်ုပ်တို့အား စံနမူနာပြုရန် အဓိကကျသော လုပ်ငန်းလုပ်ငန်းစဉ်များနှင့် လိုအပ်သောအချက်အလက်များကို စံပြထားပါသည်။ dati လူမှုရေး။ ဒုတိယအဆင့်တွင် အဓိပ္ပာယ်ဖွင့်ဆိုထားသော ဗိသုကာပညာကို ဖော်ဆောင်ရန် ပါဝင်သည်။ dati နယ်မြေအလိုက် သိမ်းဆည်း၊ ဒေတာဘေ့စ di ဒေတာဂိုဒေါင်လိုအပ်သော နည်းပညာဆိုင်ရာ အစိတ်အပိုင်းများ၊ နှင့် အကောင်အထည်ဖော်ဆောင်ရွက်ရန် လိုအပ်သော အဖွဲ့အစည်းဆိုင်ရာ ပံ့ပိုးကူညီမှုအစုံ ဒေတာဂိုဒေါင်. တတိယအဆင့်တွင် လိုအပ်သော ဆော့ဖ်ဝဲလ်ပက်ကေ့ချ်များနှင့် ကိရိယာများကို ရွေးချယ်ခြင်း ပါဝင်သည်။ စတုတ္ထအဆင့်မှာ ဒီဇိုင်းအသေးစိတ်နှင့် တည်ဆောက်မှုဖြစ်သည်။ ဒေတာဂိုဒေါင်. Ives က အဲဒီဆိုင်ကို မှတ်သားထားပါတယ်။ dati ၎င်းသည် ကန့်သတ်ထားသော ထပ်လောင်းဖြစ်စဉ်တစ်ခုဖြစ်သည်။
Ives ချဉ်းကပ်မှု၏ အားသာချက်များမှာ သတင်းအချက်အလက် လိုအပ်ချက်များကို ဆုံးဖြတ်ရန် နည်းပညာဆိုင်ရာ သတ်မှတ်ချက်များကို အသုံးပြုခြင်း၊ ပေါင်းစည်းမှုကို ပံ့ပိုးရန်အတွက် ဖွဲ့စည်းထားသော လုပ်ငန်းစဉ်ကို အသုံးပြုခြင်း၊ ဒေတာဂိုဒေါင်၊ သင့်လျော်သော ဟာ့ဒ်ဝဲနှင့် ဆော့ဖ်ဝဲလ်ရွေးချယ်မှု နှင့် များစွာသော ကိုယ်စားပြုနည်းစနစ်များကို အသုံးပြုခြင်း။ ဒေတာဂိုဒေါင်. ၎င်း၏ချို့ယွင်းချက်များသည် ရှုပ်ထွေးမှုများတွင် မွေးရာပါရှိသည်။ အခြားအဆင့်များစွာကို ဖွံ့ဖြိုးတိုးတက်ရန် ခက်ခဲခြင်းတို့ ပါဝင်ပါသည်။ ဒေတာဘေ့စ အတွင်းမှာ ဒေတာဂိုဒေါင် သင့်လျော်သောအချိန်နှင့်ကုန်ကျစရိတ်အတွက်။
Kimball ၏ (၁၉၉၄) ချဉ်းကပ်မှု ဒေတာသိုလှောင်ရုံ ပုံစံ
Kimball (1994) သည် ဒီဇိုင်းပြုလုပ်ရန်အတွက် ထပ်ခါထပ်ခါ အဆင့်ငါးဆင့်ကို အဆိုပြုခဲ့သည်။ ဒေတာဂိုဒေါင် (ပုံ ၄ ကိုကြည့်ပါ)။ သူ၏ ချဉ်းကပ်ပုံသည် အထူးသဖြင့် တစ်ကိုယ်တော် ပန်းချီဆွဲခြင်းအပေါ် အထူးအလေးထားပါသည်။ ဒေတာဂိုဒေါင် နှင့် entity နှင့် ဆက်နွယ်မှု မော်ဒယ်များကို ဦးစားပေးရာတွင် အတိုင်းအတာ မော်ဒယ်များ အသုံးပြုမှုအပေါ်၊ Kimball သည် စီးပွားရေးခေါင်းဆောင်များ လုပ်ငန်းကို နားလည်ရန် ပိုမိုလွယ်ကူသောကြောင့်၊ ရှုပ်ထွေးသော တိုင်ပင်ဆွေးနွေးမှုများနှင့် ဒီဇိုင်းပိုင်းကို ကိုင်တွယ်ရာတွင် ပိုမိုထိရောက်မှုရှိသောကြောင့် Kimball သည် ခွဲခြမ်းစိတ်ဖြာပါသည်။ ဒေတာဘေ့စ ရုပ်ပိုင်းဆိုင်ရာက ပိုထိရောက်တယ် (Kimball 1994)။ Kimball မှ အသိအမှတ်ပြုပါသည်။ ဒေတာဂိုဒေါင် ထပ်ခါထပ်ခါ ဖြစ်နေတယ်။ ဒေတာဂိုဒေါင် ပိုင်းခြားထားသော ဘုံအတိုင်းအတာဇယားများအဖြစ် ပိုင်းခြားခြင်းဖြင့် ပေါင်းစပ်နိုင်သည်။
ပထမအဆင့်မှာ ပြီးပြည့်စုံရမည့် ဘာသာရပ်အလိုက် ခွဲခြားသတ်မှတ်ရန်ဖြစ်သည်။ ဒုတိယနှင့် တတိယအဆင့်များတွင် အတိုင်းအတာ ပုံဖော်ခြင်း ပါဝင်သည်။ ဒုတိယအဆင့်တွင် အစီအမံများသည် ဘာသာရပ်နယ်ပယ်တွင် စိတ်ဝင်စားသောအရာများကို ခွဲခြားသတ်မှတ်ပြီး ၎င်းတို့ကို အချက်အလက်ဇယားတစ်ခုအဖြစ် အုပ်စုဖွဲ့သည်။ ဥပမာအားဖြင့်၊ အရောင်းဘာသာရပ်တစ်ခုတွင် အတိုးနှုန်းတိုင်းတာမှုတွင် ရောင်းချသည့်ပစ္စည်းပမာဏနှင့် အရောင်းငွေကြေးအဖြစ် ဒေါ်လာကို ထည့်သွင်းနိုင်သည်။ တတိယအဆင့်တွင် အချက်အလက်များကို အုပ်စုဖွဲ့နိုင်သည့် နည်းလမ်းဖြစ်သည့် အတိုင်းအတာများကို ခွဲခြားသတ်မှတ်ခြင်း ပါဝင်သည်။ အရောင်းအကြောင်းအရာနယ်ပယ်တစ်ခုတွင်၊ သက်ဆိုင်ရာအတိုင်းအတာများသည် ပစ္စည်း၊ တည်နေရာနှင့် အချိန်ကာလတို့ ပါဝင်နိုင်သည်။ အချက်အလက်ဇယားတွင် ၎င်းကို အတိုင်းအတာဇယားတစ်ခုစီသို့ ချိတ်ဆက်ရန် အပိုင်းများစွာပါ၀င်ပြီး အများအားဖြင့် အချက်အလက်အများအပြားပါရှိသည်။ ဆန့်ကျင်ဘက်အားဖြင့်၊ အတိုင်းအတာဇယားများတွင် အချက်အလက်များကို အုပ်စုဖွဲ့ရန် အသုံးပြုနိုင်သည့် အတိုင်းအတာများနှင့် အခြား attribute များအကြောင်း ဖော်ပြချက်အချက်အလက်များပါရှိသည်။ အဆိုပြုထားသည့် ဆက်စပ်အချက်အလက်နှင့် အတိုင်းအတာဇယားသည် ၎င်း၏ပုံသဏ္ဍာန်ကြောင့် ကြယ်စကေးမာဟုခေါ်သည့်အရာကို ပုံဖော်သည်။ စတုတ္ထအဆင့်တွင် အဆောက်အအုံတစ်ခု တည်ဆောက်ခြင်း ပါဝင်သည်။ ဒေတာဘေ့စ ကြယ်၏ပုံစံကို ပြီးပြည့်စုံစေရန် ဘက်ပေါင်းစုံမှ။ နောက်ဆုံးအဆင့်မှာ အရင်းအမြစ်စနစ်များကို ဖော်ထုတ်ရန်ဖြစ်သည်။ dati ဖမ်းယူ၊ ရှင်းလင်းပြီး ဖော်မတ်လုပ်ရန် အသွင်ကူးပြောင်းရေး လုပ်ငန်းစဉ်များကို ဖော်ဆောင်ရန် လိုအပ်ပါသည်။ dati.
Kimball ၏ ချဉ်းကပ်မှု၏ အားသာချက်များမှာ i ကို ကိုယ်စားပြုရန်အတွက် Dimension ပုံစံများကို အသုံးပြုခြင်း ပါဝင်သည်။ dati နားလည်ရလွယ်ကူစေပြီး ထိရောက်သော ရုပ်ပိုင်းဆိုင်ရာဒီဇိုင်းကို ဖြစ်ပေါ်စေသော သိမ်းဆည်းထားသည်။ စနစ်နှစ်ခုစလုံးကို အလွယ်တကူ အသုံးပြုနိုင်သော အတိုင်းအတာ မော်ဒယ် ဒေတာဘေ့စ Relational သို့မဟုတ် စနစ်များကို ပြီးပြည့်စုံစေနိုင်သည်။ ဒေတာဘေ့စ ဘက်ပေါင်းစုံ။ ၎င်း၏ချို့ယွင်းချက်များတွင် ကြယ်ပွင့်အစီအစဥ်များစွာ၏ စီစဉ်မှု သို့မဟုတ် ပေါင်းစပ်မှုကို လွယ်ကူချောမွေ့စေရန်အတွက် အချို့သောနည်းပညာများမရှိခြင်း ပါဝင်သည်။ ဒေတာဂိုဒေါင် နှင့် အတိုင်းအတာ မော်ဒယ် a တွင် လွန်ကဲ denormalized ဖွဲ့စည်းပုံမှ ဒီဇိုင်းဆွဲရန် ခက်ခဲခြင်း။ dati အမွေအနှစ်စနစ်များ။
McFadden ၏ (1996) ဒေတာဆီသို့ချဉ်းကပ်မှု ဂိုဒေါင်ဒီဇိုင်း
McFadden (1996) သည် ပုံဆွဲရန် အဆင့်ငါးဆင့် ချဉ်းကပ်မှုကို အဆိုပြုပါသည်။ ဒေတာဂိုဒေါင် (ပုံ 5 ကိုကြည့်ပါ)။
သူ၏ ချဉ်းကပ်မှုသည် စာပေမှ စိတ်ကူးများ ပေါင်းစပ်မှုအပေါ် အခြေခံပြီး တစ်ခုတည်းသော ဒီဇိုင်းကို အာရုံစိုက်သည်။ ဒေတာဂိုဒေါင်. ပထမအဆင့်တွင် လိုအပ်ချက်ခွဲခြမ်းစိတ်ဖြာမှုတစ်ခု ပါဝင်ပါသည်။ နည်းပညာဆိုင်ရာ သတ်မှတ်ချက်များကို မသတ်မှတ်ထားသော်လည်း McFadden ၏ မှတ်စုများက အကြောင်းအရာများကို ခွဲခြားသတ်မှတ်သည်။ dati သတ်မှတ်ချက်များနှင့် ၎င်းတို့၏ အရည်အချင်းများနှင့် လိုအပ်ချက်များကို ဖမ်းယူရန်အတွက် စာဖတ်သူများ Watson and Frolick (1993) ကို ရည်ညွှန်းသည်။
ဒုတိယအဆင့်တွင်၊ entity ဆက်ဆံရေးပုံစံကို ရေးဆွဲသည်။ ဒေတာဂိုဒေါင် ထို့နောက် ကုမ္ပဏီ အမှုဆောင်အရာရှိများက အတည်ပြုသည်။ တတိယအဆင့်တွင် အမွေအနှစ်စနစ်များနှင့် ပြင်ပအရင်းအမြစ်များမှ မြေပုံထုတ်ခြင်းကို ဆုံးဖြတ်ခြင်းပါဝင်သည်။ ဒေတာဂိုဒေါင်. စတုတ္ထအဆင့်တွင် တီထွင်ခြင်း၊ ဖြန့်ကျက်ခြင်းနှင့် ထပ်တူပြုခြင်းတွင် လုပ်ငန်းစဉ်များ ပါဝင်သည်။ dati နဲလ် ဒေတာဂိုဒေါင်. နောက်ဆုံးအဆင့်တွင်၊ အသုံးပြုသူအင်တာဖေ့စ်ကိုအလေးပေးခြင်းဖြင့်စနစ်၏ပေးပို့မှုကိုဖန်တီးသည်။ ပုံဆွဲခြင်းလုပ်ငန်းစဉ်သည် ယေဘူယျအားဖြင့် ထပ်ခါထပ်ခါဖြစ်ကြောင်း McFadden က မှတ်ချက်ပြုသည်။
McFadden ၏ ချဉ်းကပ်မှု၏ အားသာချက်များမှာ လိုအပ်ချက်များနှင့် အရင်းအမြစ်များ၏ အရေးပါမှုကို ဆုံးဖြတ်ရာတွင် စီးပွားရေးခေါင်းဆောင်များ၏ ပါဝင်ပတ်သက်မှုဖြစ်သည်။ dati၎င်းတို့၏ သန့်ရှင်းရေးနှင့် စုဆောင်းမှု။ ၎င်း၏ ချို့ယွင်းချက်များမှာ ကြီးမားသော ပရောဂျက်တစ်ခုကို ခွဲဝေရန် လုပ်ငန်းစဉ်မရှိခြင်းပင်ဖြစ်သည်။ ဒေတာဂိုဒေါင် ပေါင်းစပ်အဆင့်များစွာတွင်၊
ဒီဇိုင်းတွင်အသုံးပြုသည့် entity နှင့် ဆက်ဆံရေးပုံစံများကို နားလည်ရန်ခက်ခဲခြင်း။ ဒေတာဂိုဒေါင်.
ကျွန်ုပ်တို့နှင့်နီးစပ်သူများသာမရွေးချယ်ပါ။
ဝေမျှမယ်:
အွန်လိုင်း ဝဘ်အေဂျင်စီမှ ပိုမိုရှာဖွေပါ။
နောက်ဆုံးရ ဆောင်းပါးများကို အီးမေးလ်ဖြင့် ရယူရန် စာရင်းသွင်းပါ။
