မော်ကွန်းတိုက် ဒေတာ အလယ်ပိုင်း- သမိုင်းနှင့် ဆင့်ကဲဖြစ်စဉ်များ
၁၉၉၀ ပြည့်လွန်နှစ်များအတွင်း ကော်ပိုရိတ်နည်းပညာ၏ အဓိကအကြောင်းအရာနှစ်ခုမှာ ဖြစ်သည်။
ပြည်နယ်များ i ဒေတာဂိုဒေါင် နှင့် ERP ဒီနှစ်ခုက အချိန်အတော်ကြာအောင် အစွမ်းထက်တယ်။
လက်ရှိ သည် ကော်ပိုရိတ် IT ၏ အစိတ်အပိုင်းများ ဖြစ်ခဲ့သည်
လမ်းဆုံများ။ အဲဒါတွေက ကိစ္စနဲ့ ဆန့်ကျင်ဘက် ဖြစ်နေသလိုပဲ။ ဒါပေမယ့်
ဖြစ်စဉ်နှစ်ခုလုံး၏ ကြီးထွားမှုသည် တစ်ခုတည်းကို မလွဲမသွေ ဖြစ်စေခဲ့သည်။
သူတို့ရဲ့လမ်းဆုံ။ ယနေ့ခေတ်တွင် ကုမ္ပဏီများသည် ပြဿနာနှင့် ရင်ဆိုင်နေရသည်။
ERP e နဲ့ ဘာလုပ်ရမလဲ ဒေတာဂိုဒေါင်. ဤဆောင်းပါးတွင် ဖော်ပြပါမည်။
ပြဿနာတွေက ဘာတွေလဲ၊ ကုမ္ပဏီတွေက ဘယ်လို ကိုင်တွယ်ဖြေရှင်းမလဲ။
အစတွင်…
အစတုန်းကတော့ ရှိတယ်။ ဒေတာဂိုဒေါင်. ဒေတာသိုလှောင်ရုံ အတွက် မွေးဖွားခဲ့သည်။
ငွေပေးငွေယူ လုပ်ဆောင်ခြင်း အက်ပလီကေးရှင်းစနစ်ကို တန်ပြန်ခြင်း။
ရှေးဦးကာလ၌ အာဂုံဆောင်၏။ dati ဖြစ်ရန် ရည်ရွယ်ခဲ့သည်။
computer processing applications နဲ့ ဆန့်ကျင်ဘက်တစ်ခုပါပဲ။
အရောင်းအဝယ်များ။ ဒါပေမယ့် အခုခေတ်မှာ အမြင်တွေက အများကြီး ပိုဆန်းပြားလာတယ်။
အဘယ်အရာကိုမှ ဒေတာဂိုဒေါင်. ယနေ့ကမ္ဘာတွင်
ဒေတာဂိုဒေါင် ဖြစ်နိုင်တဲ့ ဖွဲ့စည်းပုံထဲမှာ ထည့်သွင်းထားပါတယ်။
Corporate Information Factory ဟုခေါ်သည်။
ကော်ပိုရိတ်အချက်အလက် စက်ရုံ
(CIF)
Corporate Information Factory တွင် ဗိသုကာဆိုင်ရာ အစိတ်အပိုင်းများရှိသည်။
စံ- ကုဒ်အသွင်ပြောင်းခြင်းနှင့် ပေါင်းစပ်မှုအဆင့်
ပေါင်းစပ်ထားတဲ့ i dati ငါနေစဉ် dati ပတ်ဝန်းကျင်ကနေ ပြောင်းသွားကြတယ်
ပတ်ဝန်းကျင်ကို အသုံးချပါ။ ဒေတာဂိုဒေါင် ကုမ္ပဏီ၏; a
ဒေတာဂိုဒေါင် ဘယ်ကုမ္ပဏီမှ၊ dati
အသေးစိတ်နှင့် ပေါင်းစပ်ထားသော သမိုင်းပညာရှင်များ။ ဟိ ဒေတာဂိုဒေါင် ကုမ္ပဏီ၏အဖြစ်ဆောင်ရွက်သည်။
အခြားအစိတ်အပိုင်းအားလုံးကို တည်ဆောက်နိုင်သည့် အခြေခံအုတ်မြစ်
ပတ်ဝန်းကျင်၏ ဒေတာဂိုဒေါင်; လည်ပတ်ဒေတာသိုလှောင်မှု (ODS)။
ODS သည် ဒေတာ၏ ရှုထောင့်အချို့ပါရှိသော ပေါင်းစပ်ဖွဲ့စည်းပုံဖြစ်သည်။
ဂိုဒေါင်နှင့် OLTP ပတ်ဝန်းကျင်၏ အခြားရှုထောင့်များ၊ data marts က ဘယ်မှာလဲ။
မတူညီသောဌာနများတွင် ၎င်းတို့၏ကိုယ်ပိုင်ဒေတာဗားရှင်းရှိနိုင်သည်။
ဂိုဒေါင်; a ဒေတာဂိုဒေါင် စူးစမ်းလေ့လာရေး၏
ကုမ္ပဏီ "ဒဿနပညာရှင်များ" သည် ၎င်းတို့၏မေးမြန်းချက်များကို တင်ပြနိုင်ပါသည်။
72 နာရီပေါ်တွင်အန္တရာယ်သက်ရောက်မှုမရှိဘဲ ဒေတာဂိုဒေါင်; မှတ်ဉာဏ်တစ်ခု
လိုင်းအနီး၊ ဘယ်မှာလဲ။ dati အဟောင်းနှင့် dati အစုလိုက်အသေးစိတ်ရှိနိုင်ပါသည်။
ဈေးပေါပေါနဲ့ သိမ်းထားတယ်။
ERP သည် THE နှင့် မည်သည့်နေရာတွင် ပေါင်းစပ်သနည်း။
ကော်ပိုရိတ်အချက်အလက် စက်ရုံ
ERP သည် နေရာနှစ်ခုတွင် ကော်ပိုရိတ်သတင်းအချက်အလက်စက်ရုံနှင့် ပေါင်းစပ်ထားသည်။
ပဌမ အခြေခံ အပလီကေးရှင်း (baseline) အဖြစ် ထောက်ပံ့ပေးသော i
dati လျှောက်လွှာမှ ဒေတာဂိုဒေါင်. ဒီအမှုမှာ ငါ dati,
ငွေပေးငွေယူ လုပ်ငန်းစဉ်တစ်ခု၏ ရလဒ်အဖြစ် ထုတ်ပေးခြင်း၊
ပေါင်းစည်းပြီး ထဲသို့ တင်ဆောင်ကြသည်။ ဒေတာဂိုဒေါင် ကုမ္ပဏီ၏ ဟိ
ERP နှင့် CIF နှင့် ODS အကြား ပြည်ထောင်စု၏ ဒုတိယအချက်။ တကယ်တော့ အများကြီးပါ။
ERP ကို ဂန္ထဝင် ODS အဖြစ် အသုံးပြုသည်။
ERP ကို core application အဖြစ်အသုံးပြုပါက၊
တူညီသော ERP ကို ODS အဖြစ် CIF တွင်လည်း အသုံးပြုနိုင်သည်။ ၌
မည်သို့ပင်ဆိုစေကာမူ ERP ကို အခန်းကဏ္ဍနှစ်ခုလုံးတွင် အသုံးပြုရမည်ဆိုလျှင်၊
အဖွဲ့အစည်းနှစ်ခုအကြား ပြတ်သားစွာ ခြားနားမှုရှိရမည်။ တစ်နည်းပြောရရင်တော့,
ERP သည် အဓိကအပလီကေးရှင်းနှင့် ODS ၏အခန်းကဏ္ဍတွင်ပါဝင်သောအခါ၊
ဗိသုကာလက်ရာနှစ်ခုသည် ကွဲပြားနေရပါမည်။ တစ်ယောက်တည်းရှိရင်
ERP ကို အကောင်အထည်ဖော်ခြင်းသည် အခန်းကဏ္ဍနှစ်ခုလုံးကို ဖြည့်ဆည်းရန် ကြိုးစားသည်။
တစ်ချိန်တည်းမှာပင် ပြသနာများ မလွဲမသွေ ကြုံတွေ့ရလိမ့်မည်။
ဤဖွဲ့စည်းပုံအား ဒီဇိုင်းရေးဆွဲခြင်းနှင့် အကောင်အထည်ဖော်ခြင်း။
ODS နှင့် အခြေခံ အက်ပ်များကို ခွဲထုတ်ပါ။
အစိတ်အပိုင်းကွဲခြင်းကို ဖြစ်စေသော အကြောင်းရင်းများစွာရှိပါသည်။
ဗိသုကာ။ ခွဲထုတ်ရန် အခမ်းနားဆုံးမေးခွန်းဖြစ်နိုင်သည်။
ဗိသုကာတစ်ခု၏ အစိတ်အပိုင်းတစ်ခုစီသည် အစိတ်အပိုင်းတစ်ခုစီတွင် ကွဲပြားသည်။
ဗိသုကာပညာမှာ ကိုယ်ပိုင်အမြင်ရှိတယ်။ အခြေခံအပလီကေးရှင်းသည် ဆောင်ရွက်ပေးသည်။
ODS ၏ မတူညီသော ရည်ရွယ်ချက်အတွက်။ ထပ်နေအောင်ကြိုးစားပါ။
ODS ၏ကမ္ဘာပေါ်တွင်အခြေခံအပလီကေးရှင်းမြင်ကွင်းတစ်ခုသို့မဟုတ်အပြန်အလှန်
ဒါဟာ မှန်ကန်တဲ့ အလုပ်မဟုတ်ပါဘူး။
ထို့ကြောင့် CIF တွင် ERP ၏ပထမဆုံးပြဿနာမှာ ပြဿနာဖြစ်သည်။
အခြေခံစာကြောင်းနှင့် အပလီကေးရှင်းများကြား ခြားနားမှုရှိမရှိ စစ်ဆေးပါ။
ODS ။
ကော်ပိုရေးရှင်းရှိဒေတာမော်ဒယ်များ
သတင်းအချက်အလက် စက်ရုံ
မတူညီသော အစိတ်အပိုင်းများကြား စည်းလုံးညီညွတ်မှု ရရှိစေရန်
CIF ၏ဗိသုကာလက်ရာ၏ပုံစံတစ်ခုရှိရမည်။ dati။ ငါ
မော်ဒယ်များ dati အမျိုးမျိုးသော အစိတ်အပိုင်းများကြား ချိတ်ဆက်မှုတစ်ခုအဖြစ် ဆောင်ရွက်ကြသည်။
အခြေခံအပလီကေးရှင်းများနှင့် ODS ကဲ့သို့သော ဗိသုကာလက်ရာများ။ THE
မော်ဒယ်များ dati ရှိရန် "ဉာဏလမ်းပြမြေပုံ" ဖြစ်လာသည်။
CIF ၏ မတူညီသော ဗိသုကာ အစိတ်အပိုင်းများမှ မှန်ကန်သော အဓိပ္ပာယ်။
ဒီသဘောတရားနဲ့ လက်တွဲပြီးတော့ နိဗ္ဗာန်ဆိုတာ ရှိသင့်တယ်။
ကြီးကျယ်ခမ်းနားပြီး ထူးခြားတဲ့ မော်ဒယ်တစ်ယောက်ဖြစ်ပါစေ။ dati. ဟုတ်ပါတယ်။
စံပြဖြစ်ပါစေ။ dati အစိတ်အပိုင်းတစ်ခုစီအတွက် လည်း ရှိသေးသည်။
မတူညီသော မော်ဒယ်များကို ချိတ်ဆက်ပေးသည့် သင့်လျော်သောလမ်းကြောင်းဖြစ်ရမည်။
ဗိသုကာ၏ အစိတ်အပိုင်းတစ်ခုစီ - ODS၊ အခြေခံအသုံးအဆောင်များ၊
ဒေတာဂိုဒေါင် ကုမ္မဏီ ၊ အစရှိသဖြင့် .. – သူ့ဘာသာသူ လိုအပ်တယ်။
မော်ဒယ် dati. ထို့ကြောင့် တိကျသော အဓိပ္ပါယ်ရှိရမည်။
ဤမော်ဒယ်များကဲ့သို့ dati အချင်းချင်း အပြန်အလှန် ဆက်သွယ်ကြသည်။
ကျွန်ုပ်ကို ရွှေ့ပါ။ ဒေတာ ဒေတာရှိ ERP ၏
သိုလှောင်ရုံ
ဇာတာရှိရင် ဟိ dati အခြေခံအပလီကေးရှင်းတစ်ခုနှင့်/သို့မဟုတ် ODS တစ်ခုဖြစ်သည်။
ERP သည် i ကိုထည့်သွင်းသည်။ dati နဲလ် ဒေတာဂိုဒေါင်၊ ဤထည့်သွင်းမှုဖြစ်ရမည်။
"granularity" ၏ အနိမ့်ဆုံးအဆင့်တွင် ဖြစ်ပေါ်သည်။ ပြန်ချုပ်ပါ သို့မဟုတ်
ရိုးရှင်းစွာ အစုလိုက် i dati သူတို့ထွက်လာသလိုပဲ။
ERP အခြေခံအပလီကေးရှင်းမှ သို့မဟုတ် ERP ODS မှ မဟုတ်ပါ။
လုပ်စရာရှိတယ်။ THE dati အချက်အလက်အသေးစိတ်များ လိုအပ်ပါသည်။
DSS လုပ်ငန်းစဉ်၏အခြေခံကိုဖွဲ့စည်းရန် warehouse ။ အဲလို dati
၎င်းတို့ကို data marts နှင့် exploration များဖြင့် ပုံစံအမျိုးမျိုးဖြင့် ပြန်လည်ပုံဖော်မည်ဖြစ်သည်။
del ဒေတာဂိုဒေါင်.
ရွေ့လျားခြင်း။ dati အခြေခံလျှောက်လွှာပတ်ဝန်းကျင်မှ
ERP ၏ပတ်ဝန်းကျင်မှ ဒေတာဂိုဒေါင် ကုမ္ပဏီတစ်ခုတွင် ပြုလုပ်ထားသည်။
ကျိုးကြောင်းဆီလျော်စွာ ဖြေလျှော့သည့်ပုံစံ။ အဲဒီနောက်မှာ အဲဒီအပြောင်းအရွှေ့က ဖြစ်ပေါ်လာတယ်။
ERP တွင် အပ်ဒိတ် သို့မဟုတ် ဖန်တီးမှုမှ 24 နာရီနီးပါး။ အမှန်က
"ပျင်းရိခြင်း" လှုပ်ရှားမှုရှိသည်။ dati နဲလ် ဒေတာဂိုဒေါင်
ကုမ္ပဏီက ခွင့်ပြုတယ်။ dati ERP မှ "အပ်ငွေ" သို့ရောက်သည်။
တခါတဈခါ dati အခြေခံအပလီကေးရှင်းထဲမှာ သိမ်းထားတယ်၊
ထို့နောက် သင်သည် ဘေးကင်းစွာ ရွှေ့ပြောင်းနိုင်သည်။ dati ERP ၏
လုပ်ငန်း၌။ လှုပ်ရှားမှုကြောင့် နောက်ထပ် ပန်းတိုင်ကို ရောက်နိုင်သည်
"ပျင်းတယ်" ဘုရား dati လုပ်ငန်းလည်ပတ်မှု လုပ်ငန်းစဉ်များ နှင့် ရှင်းရှင်းလင်းလင်း ခွဲခြမ်းစိတ်ဖြာခြင်း ဖြစ်ပါသည်။
DSS "လျင်မြန်သော" လှုပ်ရှားမှုနှင့်အတူ dati ပိုင်းခြားမျဉ်း
DSS နှင့် လုပ်ငန်းလည်ပတ်မှုကြားတွင် မရေရာသေးပါ။
လှုပ်ရှားမှု dati ERP ၏ ODS မှ ဒေတာဂိုဒေါင်
ကုမ္ပဏီ၏ ပုံမှန်အားဖြင့် အချိန်အခါအလိုက် လုပ်ဆောင်သည်။
အပတ်စဉ် သို့မဟုတ် လစဉ်။ ဤကိစ္စတွင် ရွေ့လျားမှု
dati အဟောင်းများကို "သန့်ရှင်း" ရန်လိုအပ်မှုအပေါ်အခြေခံသည်။ dati သမိုင်းပညာရှင်များ။
ဟုတ်ပါတယ် ODS မှာ i ပါရှိပါတယ်။ dati ဘယ်ဟာက ပိုမကြာသေးဘူး။
လေးစားတယ်။ dati သမိုင်းပညာရှင်များက တွေ့ရှိခဲ့သည်။ ဒေတာဂိုဒေါင်.
ရွေ့လျားခြင်း။ dati နဲလ် ဒေတာဂိုဒေါင် ပြီးလုနီးပါးဖြစ်နေပါပြီ။
"လက်ကား" (လက်ကားပုံစံဖြင့်)။ ဇယားတစ်ခုကို ကူးယူပါ။
ERP ပတ်ဝန်းကျင်မှ ဒေတာဂိုဒေါင် အဓိပ္ပာယ်မရှိဘူး။ တစ်ခုတော့ ရေးပါတယ်။
ပိုမိုလက်တွေ့ကျသည်မှာ ရွေးချယ်ထားသော ယူနစ်များ၏ ရွေ့လျားမှုဖြစ်သည်။ dati.
သာ dati ဒေတာ၏နောက်ဆုံးအပ်ဒိတ်မှစတင်၍ ပြောင်းလဲခဲ့သည်။
warehouse များသည် data သို့ပြောင်းရွှေ့သင့်သောသူများဖြစ်သည်။
ဂိုဒေါင်။ ဘယ်ဟာတွေကို သိနိုင်မလဲ။ dati ပြုပြင်ပြီးပါပြီ။
နောက်ဆုံး update သည် အချိန်တံဆိပ်များကို ကြည့်ရှုရန်ဖြစ်သည်။ dati
ERP ပတ်ဝန်းကျင်တွင် တွေ့ရှိရသည်။ ဒီဇိုင်နာသည် ပြောင်းလဲမှုများအားလုံးကို ရွေးချယ်သည်။
၎င်းသည်နောက်ဆုံးမွမ်းမံမှုကတည်းကပေါ်လာသည်။ နောက်တစ်ခုက ရေးပါတယ်။
ပြောင်းလဲဝယ်ယူမှုနည်းပညာများကို အသုံးပြုရန်ဖြစ်သည်။ dati။ နှင့်
ဤနည်းပညာများသည် မှတ်တမ်းများနှင့် ဂျာနယ်တိပ်များကို ခွဲခြမ်းစိတ်ဖြာနိုင်ရန်ဖြစ်သည်။
မည်သည့်အရာများကိုဆုံးဖြတ်ပါ။ dati ERP ပတ် ၀ န်းကျင်မှရွှေ့ရမည်။
ဟိ ဒေတာဂိုဒေါင်. ဒီနည်းပညာတွေက အကောင်းဆုံးပါ။
ERP ဖိုင်များမှ မှတ်တမ်းများနှင့် ဂျာနယ်တိပ်များကို မည်မျှဖတ်နိုင်မည်နည်း။
အခြား ERP ရင်းမြစ်များအပေါ် နောက်ထပ်သက်ရောက်မှုမရှိဘဲ။
အခြားသော ရှုပ်ထွေးမှုများ
CIF တွင် ERP နှင့်ပတ်သက်သောပြဿနာများထဲမှတစ်ခုမှာအခြားသူများတွင်ဖြစ်ပျက်နေသည်။
လျှောက်လွှာအရင်းအမြစ်များသို့မဟုတ် ai dati ODS မှ ပံ့ပိုးပေးရမှာ ဖြစ်ပါတယ်။
ဒေတာဂိုဒေါင် သို့သော် ၎င်းတို့သည် ERP ပတ်ဝန်းကျင်၏ အစိတ်အပိုင်းမဟုတ်ပါ။ ထည့်သွင်းစဥ်းစားပါက
ERP ၏အပိတ်သဘောသဘာဝ၊ အထူးသဖြင့် SAP၊ ပေါင်းစပ်ရန်ကြိုးပမ်းမှု
ပြင်ပအရင်းအမြစ်များမှသော့များ dati ငါနှင့်အတူ dati ERP မှ လာပါသည်။
ငါရွှေ့ဖို့အချိန် dati နဲလ် ဒေတာဂိုဒေါင်စိန်ခေါ်မှုကြီးတစ်ခုပါ။
အတိအကျဆိုရရင် ဖြစ်နိုင်ခြေတွေက ဘာတွေလဲ။ dati လျှောက်လွှာများသို့မဟုတ်
ERP ပတ်ဝန်းကျင်ပြင်ပ ODS သည် ဒေတာသို့ ပေါင်းစည်းမည်ဖြစ်သည်။
ဂိုဒေါင်? အမှန်တကယ်တော့ အခွင့်အလမ်းတွေက အရမ်းများတယ်။
ရှာပါ။ ဒေတာ ERP မှ သမိုင်းဝင်
နောက်ပြဿနာတစ်ခုက i ပါ။ dati ERP ၏ရလဒ်ဖြစ်သည်။
ရှိဖို့ လိုပါတယ်။ dati အတွင်းမှ သမိုင်းပညာရှင်များ၊ ဒေတာဂိုဒေါင်.
များသောအားဖြင့် ဒေတာဂိုဒေါင် လိုအပ်ချက်များ dati သမိုင်းပညာရှင်များ။ AND
ERP နည်းပညာသည် များသောအားဖြင့် ၎င်းတို့ကို မသိမ်းဆည်းပါ။ dati
သမိုင်းကြောင်းအရ အနည်းဆုံး ဒေတာအတွက် လိုအပ်သည့်နေရာသို့ မရောက်ပါ။
ဂိုဒေါင်။ ပမာဏများပြားလာသောအခါ dati သမိုင်းပညာရှင်တွေက စတယ်။
ERP ပတ်ဝန်းကျင်တွင် ထည့်သွင်းရမည်ဖြစ်သည်
သန့်စင်ခဲ့သည်။ ဥပမာအားဖြင့် a ဆိုပါစို့ ဒေတာဂိုဒေါင် ရမယ်။
ငါးနှစ်နဲ့ တင်ဆောင်ရမှာပါ။ dati ERP က သိမ်းဆည်းထားစဉ် သမိုင်းဝင်
အများဆုံးခြောက်လ dati. ကုမ္ပဏီက ကျေနပ်နေသမျှ
အစုတစ်ခုစုဆောင်းပါ။ dati သမိုင်းပညာရှင်များသည် အချိန်ကုန်၊
ထို့နောက် ERP ကို အရင်းအမြစ်အဖြစ် အသုံးပြုရာတွင် ပြဿနာမရှိပါ။
ဒေတာဂိုဒေါင်. ဒါပေမယ့် ဘယ်တော့လဲ။ ဒေတာဂိုဒေါင် သွားကိုသွားရမယ်
အချိန်မီပြန်၍ ဘုရားကိုယူပါ။ dati သမိုင်းပညာရှင်များမဟုတ်ခဲ့ကြပေ။
ယခင်က ERP မှ စုဆောင်းသိမ်းဆည်းထားပြီး၊ ထို့နောက် ERP ပတ်ဝန်းကျင်
မထိရောက်ဘူး။
ERP နှင့် မက်တာဒါတာ
ERP e နှင့် ပတ်သက်၍ နောက်ထပ်ထည့်သွင်းစဉ်းစားရန် ဒေတာဂိုဒေါင် ဒါက
ERP ပတ်ဝန်းကျင်ရှိ ရှိပြီးသား metadata ပေါ်တွင်။ မက်တာဒေတာလည်း ပါပါတယ်။
ERP ပတ်ဝန်းကျင်မှ IT ပတ်ဝန်းကျင်သို့ ရွှေ့ပါ။ ဒေတာဂိုဒေါင်မေ
မက်တာဒေတာကို ထိုနည်းအတိုင်း ရွှေ့ရပါမည်။ ထိုမျှသာမက၊
မက်တာဒေတာကို ဖော်မတ်နှင့် ဖွဲ့စည်းပုံအဖြစ် ပြောင်းလဲရပါမည်။
အခြေခံအဆောက်အဦများ လိုအပ်သည်။ ဒေတာဂိုဒေါင်. အကြီးကြီးတစ်ခုရှိတယ်။
လုပ်ငန်းလည်ပတ်မှု မက်တာဒေတာနှင့် DSS မက်တာဒေတာကြား ကွာခြားချက်။ မက်တာဒေတာ
လုပ်ငန်းလည်ပတ်မှုသည် အဓိကအားဖြင့် developer နှင့် တို့အတွက်ဖြစ်သည်။
ပရိုဂရမ်မာ။ DSS မက်တာဒေတာသည် သုံးစွဲသူအတွက် အဓိကဖြစ်သည်။
နိဂုံး။ ERP အပလီကေးရှင်းများ သို့မဟုတ် ODSs များတွင် ရှိပြီးသား မက်တာဒေတာ
၎င်းတို့ကို ပြောင်းလဲရမည် ဖြစ်ပြီး ဤဘာသာပြောင်းခြင်းသည် အမြဲတမ်း မလွယ်ကူပါ။
နှင့်တိုက်ရိုက်။
ERP ဒေတာကို ရယူခြင်း။
အကယ်၍ ERP ကို ပေးသွင်းသူအဖြစ် အသုံးပြုသည်။ dati il နှုန်း ဒေတာဂိုဒေါင် ci
၎င်းသည် i ကို ရွေ့လျားစေသော ခိုင်မာသော interface ဖြစ်ရန် လိုအပ်သည်။ dati ပတ်ဝန်းကျင်ကနေ
ပတ်ဝန်းကျင်အတွက် ERP ဒေတာဂိုဒေါင်. အင်တာဖေ့စ်သည်-
▪ အသုံးပြုရလွယ်ကူစေခြင်း။
▪ ဝင်ရောက်ခွင့်ပြုပါ။ dati ERP ၏
▪ အဓိပ္ပာယ်ကို ယူပါ။ dati ရွှေ့ပါတော့မည်။
နဲလ် ဒေတာဂိုဒေါင်
▪ ဖြစ်ပေါ်လာနိုင်သည့် ERP ၏ ကန့်သတ်ချက်များကို သိရှိပါ။
ဘယ်အချိန်မှာ 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။
အချို့သောအဓိကကုန်သွယ်အင်တာဖေ့စ်များပါဝင်သည်-
▪ SAS
▪ Prims ဖြေရှင်းချက်များ
▪ D2k စသည်ဖြင့်...
Multiple ERP နည်းပညာများ
ERP ပတ်ဝန်းကျင်ကို ၎င်းသည် နည်းပညာတစ်ခုတည်းကဲ့သို့ ဆက်ဆံခြင်းဖြစ်သည်။
ကြီးမားတဲ့အမှား။ ERP နည်းပညာများစွာရှိပါတယ်၊ တစ်ခုချင်းစီမှာ၎င်း၏ကိုယ်ပိုင်ရှိသည်။
အားသာချက်များ။ စျေးကွက်တွင် လူသိအများဆုံး စျေးသည်များမှာ-
▪ SAP
▪ Oracle Financials
▪ PeopleSoft
▪ JD Edwards
▪ ဗန်း
သည် SAP
SAP သည် အကြီးဆုံးနှင့် အပြည့်စုံဆုံး ERP software ဖြစ်သည်။ လျှောက်လွှာများ
SAP ၏ နယ်ပယ်များစွာတွင် application အမျိုးအစားများစွာပါဝင်သည်။ SAP ရှိတယ်။
ဖြစ်ခြင်း၏ဂုဏ်သတင်း
▪ အလွန်ကြီးမားသည်။
▪ အကောင်အထည်ဖော်ရန် အလွန်ခက်ခဲပြီး ဈေးကြီးသည်။
▪ လူအများနှင့် အတိုင်ပင်ခံများဖြစ်ရန် လိုအပ်သည်။
အကောင်အထည်ဖော်ခဲ့သည်။
▪ အကောင်အထည်ဖော်ရန် အထူးပြုသူများ လိုအပ်သည်။
▪ အကောင်အထည်ဖော်ရန် အချိန်ကြာမြင့်သည်။
ထို့အပြင်၊ SAP သည် ၎င်း၏ကိုယ်ပိုင်သိမ်းဆည်းမှုအတွက် နာမည်ကောင်းရှိသည်။ dati အလွန်
ဂရုတစိုက်၊ ၎င်းတို့ကိုဝင်ရောက်ရန်ခက်ခဲစေသည်။
SAP ဧရိယာပြင်ပလူ။ SAP ရဲ့ အားသာချက်က ဖြစ်တည်မှုပါပဲ။
အမြောက်အမြားကို ဖမ်းယူ သိမ်းဆည်းနိုင်စွမ်းရှိသည်။ dati.
မကြာသေးမီက SAP က ၎င်းကို သက်တမ်းတိုးရန် ရည်ရွယ်ကြောင်း ကြေညာခဲ့သည်။
၎င်း၏ applications များ ဒေတာဂိုဒေါင်. ကောင်းကျိုးဆိုးကျိုးများစွာရှိသည်။
SAP ကို ပေးသွင်းသူအဖြစ် အသုံးပြုခြင်း။ ဒေတာဂိုဒေါင်.
အားသာချက်တစ်ခုကတော့ SAP ကို ထည့်သွင်းထားပြီးသားဖြစ်ပြီး အများစုဖြစ်ပါတယ်။
အတိုင်ပင်ခံတွေက SAP ကို သိပြီးသားပါ။
SAP ၏ပေးသွင်းသူအဖြစ်ရှိခြင်း၏အားနည်းချက်များ ဒေတာဂိုဒေါင် အိပ်
အများအပြား - SAP ၏ကမ္ဘာပေါ်တွင်အတွေ့အကြုံမရှိပါ။ ဒေတာဂိုဒေါင်
အကယ်၍ SAP သည် ပေးသွင်းသူဖြစ်သည်။ ဒေတာဂိုဒေါင်"ထုတ်" ရန်လိုအပ်သည်
i dati SAP မှ ဒေတာဂိုဒေါင်. datum SAP ၏ ခြေရာခံမှတ်တမ်းတစ်ခု
အပိတ်စနစ်၊ SAP မှ အလွယ်တကူရရန် မဖြစ်နိုင်ပါ။
အဲဒါ (???)။ SAP အား စွမ်းအားပေးသော အမွေအနှစ်ပတ်ဝန်းကျင်များစွာ ရှိပါသည်။
IMS၊ VSAM၊ ADABAS၊ ORACLE၊ DB2 စသည်ဖြင့်။
SAP သည် "ဤတွင်မတီထွင်ရသေးသော" ချဉ်းကပ်မှုကိုတောင်းဆိုသည်။ SAP က မလိုချင်ဘူး။
အသုံးပြုရန် သို့မဟုတ် ဖန်တီးရန် အခြားရောင်းချသူများနှင့် ပူးပေါင်းပါ။ ဒေတာဂိုဒေါင်.
SAP သည် ၎င်း၏ဆော့ဖ်ဝဲလ်အားလုံးကို ကိုယ်တိုင်ထုတ်လုပ်ရန် အခိုင်အမာတောင်းဆိုထားသည်။
SAP သည် ကြီးမားပြီး အားကောင်းသည့် ကုမ္ပဏီဖြစ်သော်လည်း၊
ELT, OLAP, စီမံခန့်ခွဲမှုနည်းပညာကို ပြန်လည်ရေးသားရန် ကြိုးစားပါ။
system နှင့် core code များပင် dbms အရူးပဲ။
ပေးသွင်းသူများနှင့် ပူးပေါင်းဆောင်ရွက်မည့်အစား၊
di ဒေတာဂိုဒေါင် SAP သည် ထိုချဉ်းကပ်မှုကို ကြာရှည်စွာ လိုက်နာခဲ့သည်။
သူတို့က “ပိုသိတယ်”။ ဤသဘောထားသည် အောင်မြင်မှုကို နှေးကွေးစေသည်။
SAP ၏ဧရိယာ၌ရှိနိုင်ပါသည်။ ဒေတာဂိုဒေါင်.
SAP သည် ပြင်ပရောင်းချသူများကို ဝင်ရောက်ခွင့်ပြုရန် ငြင်းဆိုထားသည်။
သူတို့အား ချက်ခြင်း ၊ dati. အသုံးပြုခြင်း၏အလွန်အနှစ်သာရ
un ဒေတာဂိုဒေါင် ဝင်ရောက်ရန်လွယ်ကူသည်။ dati. SAP ၏ ဇာတ်လမ်းတစ်ခုလုံးသည်
ဝင်ရောက်ရန်ခက်ခဲစေခြင်းအပေါ်အခြေခံသည်။ dati.
SAP ၏ကြီးမားသော volumes နှင့်ဆက်ဆံရာတွင်အတွေ့အကြုံမရှိခြင်း။ dati;
၏လယ်ပြင်၌ ဒေတာဂိုဒေါင် volumes တွေရှိတယ်။ dati အဲဒီကတည်းက မတွေ့ဖူးဘူး။
SAP နှင့်ဤအမြောက်အမြားကိုစီမံခန့်ခွဲရန် dati သင်တစ်ဦးရှိရန်လိုအပ်သည်။
သင့်လျော်သောနည်းပညာ။ SAP သည် ဤအကြောင်းကို အကြောင်းကြားခြင်း မရှိသည်မှာ ထင်ရှားပါသည်။
ဒေတာနယ်ပယ်သို့ ဝင်ရောက်ရန် တည်ရှိနေသော နည်းပညာဆိုင်ရာ အတားအဆီး
ဂိုဒေါင်။
SAP ၏ ကော်ပိုရိတ်ယဉ်ကျေးမှု- SAP သည် လုပ်ငန်းတစ်ခုကို ဖန်တီးထားသည်။
i ရရှိရေး dati စနစ်မှ။ ဒါပေမယ့် ဒီလိုလုပ်ဖို့တော့ လိုပါတယ်။
ကွဲပြားသော စိတ်ဓာတ်။ အစဉ်အလာအားဖြင့် ဆော့ဖ်ဝဲလ်ကုမ္ပဏီတွေရှိခဲ့တယ်။
ပတ်ဝန်းကျင်တစ်ခုသို့ data များရယူရာတွင် ကောင်းကောင်းမလုပ်နိုင်ပါ။
ဒေတာရယူကြမယ် ။ SAP ဆိုရင် ဒီလိုမျိုး လုပ်နိုင်ပါတယ်။
switch သည် ပထမဆုံးသော ကုမ္ပဏီဖြစ်လိမ့်မည်။
အတိုချုပ်ပြောရလျှင် ကုမ္ပဏီတစ်ခုကို ရွေးချယ်သင့်သလားဟု မေးခွန်းထုတ်စရာဖြစ်သည်။
SAP ပေးသွင်းသူအဖြစ် ဒေတာဂိုဒေါင်. အလွန်ပြင်းထန်သောအန္တရာယ်များရှိပါသည်။
တစ်ဖက်နှင့်တစ်ဖက်တွင် ဆုကြေးအလွန်နည်းပါးသည်။ ဒါပေမယ့် နောက်တစ်ခုရှိသေးတယ်။
ဒေတာပေးသွင်းသူအနေဖြင့် SAP ၏ရွေးချယ်မှုကို အနှောင့်အယှက်ဖြစ်စေသော အကြောင်းရင်း
ဂိုဒေါင်။ ဘာကြောင့်လဲဆိုတော့ ကုမ္ပဏီတိုင်းဟာ တူညီတဲ့ရက်စွဲရှိရမယ်။
တခြားကုမ္ပဏီအားလုံးရဲ့ ဂိုဒေါင်တွေလား။ ဟိ ဒေတာဂိုဒေါင် အဲဒါ နှလုံးသားပါ။
ယှဉ်ပြိုင်မှုအားသာချက်။ ကုမ္ပဏီတိုင်းက လက်ခံရင် အတူတူပဲ။
ဒေတာဂိုဒေါင် မဖြစ်နိုင်ပေမယ့် ခက်ခဲလိမ့်မယ်၊
အပြိုင်အဆိုင် အားသာချက်ကို ရရှိစေပါသည်။ SAP လို့ ထင်ပုံရပါတယ်။
ဒေတာဂိုဒေါင် ကွတ်ကီးတစ်ခုအဖြစ် မြင်နိုင်ပြီး၊
၎င်းတို့၏ "ဒေတာရယူရန်" အသုံးချမှု စိတ်ဓာတ်၏ နောက်ထပ်လက္ခဏာ
in "။
အခြား ERP ရောင်းချသူသည် SAP လောက်သာ လွှမ်းမိုးမှုမရှိပါ။
SAP ၏လမ်းကြောင်းအတိုင်းလိုက်သောကုမ္ပဏီများရှိမည်မှာသေချာပါသည်။
သူတို့အတွက် ဒေတာဂိုဒေါင် ဒါပေမယ့် ဒီရက်စွဲလို့ ယူဆရတယ်။
SAP ဂိုဒေါင်များသည် ကြီးမားပြီး၊ ဈေးကြီးပြီး တောင်းဆိုမှုများလည်း ရှိလိမ့်မည်။
သူတို့ရဲ့ဖန်တီးမှုအတွက်အချိန်။
ဤပတ်ဝန်းကျင်တွင် ဘဏ်ပြောရေးဆိုခွင့်များ လုပ်ဆောင်ခြင်းကဲ့သို့သော လုပ်ငန်းများ၊
လေကြောင်းလိုင်း ကြိုတင်စာရင်းသွင်းခြင်း လုပ်ငန်းစဉ်များ၊ တိုင်ကြားမှု လုပ်ငန်းစဉ်များ
အာမခံ စသဖြင့်ပေါ့။ ငွေပေးငွေယူစနစ် ပိုမိုလုပ်ဆောင်ခြင်း၊
ပိုမိုသိသာထင်ရှားသောအချက်မှာ လုပ်ငန်းဆောင်ရွက်မှုနှင့် လုပ်ငန်းစဉ်ကို ပိုင်းခြားရန် လိုအပ်ပါသည်။
DSS (ဆုံးဖြတ်ချက်ပံ့ပိုးမှုစနစ်)။ သို့သော် အရင်းအမြစ်စနစ်များဖြင့်
လူသားနှင့် ပုဂ္ဂိုလ်ရေးအရ သင်သည် ကြီးမားသော အစုအဝေးနှင့် ကြုံတွေ့ရမည်မဟုတ်ပေ။
အရောင်းအဝယ်များ။ လူတစ်ဦးကို ငှားရမ်းသည့်အခါ၊
သို့မဟုတ် ကုမ္ပဏီမှ ထွက်သွားပါက ၎င်းသည် အရောင်းအဝယ်တစ်ခု၏ မှတ်တမ်းတစ်ခုဖြစ်သည်။
သို့သော် အခြားသော စနစ်များ၊ လူ့စွမ်းအား အရင်းအမြစ်စနစ်များနှင့် ဆက်စပ်မှုရှိသည်။
ကိုယ်ရေးကိုယ်တာတွင် အရောင်းအဝယ်များစွာ မရှိပါ။ ထို့ကြောင့်၊
လူ့စွမ်းအား အရင်းအမြစ်နှင့် ဝန်ထမ်းစနစ်များ ရှိနေကြောင်း လုံးဝ ရှင်းရှင်းလင်းလင်း မရှိပါ။
DataWarehouse တစ်ခုလိုပါတယ်။ နည်းလမ်းများစွာဖြင့် ဤစနစ်များ
DSS စနစ်များ ပေါင်းစပ်ခြင်းကို ကိုယ်စားပြုသည်။
ဒါပေမယ့် လိုအပ်ရင် ထည့်သွင်းစဉ်းစားရမယ့် အချက်တစ်ခုရှိပါတယ်။
data warehouse နဲ့ PeopleSoft နဲ့လုပ်ပါတယ်။ များစွာသောပတ်ဝန်းကျင်တွင်, i dati
လူ့စွမ်းအားနှင့် ကိုယ်ရေးကိုယ်တာ အရင်းအမြစ်များသည် လုပ်ငန်း၏ သာမညဖြစ်သည်။
ကုမ္ပဏီအကြီးအကဲ။ ကုမ္ပဏီအများစုက ဆောင်ရွက်ပေးတယ်။
ထုတ်လုပ်ခြင်း၊ ရောင်းချခြင်း၊ ဝန်ဆောင်မှုပေးခြင်းစသည်ဖြင့်။ THE
HR နှင့် ဝန်ထမ်းစနစ်များသည် များသောအားဖြင့် အလယ်တန်း (သို့မဟုတ်)
) ကုမ္ပဏီ၏ ပင်မစီးပွားရေးလိုင်းအား ပံ့ပိုးကူညီခြင်း။ ထို့ကြောင့်၊
equivocal နှင့်အဆင်မပြေ ဒေတာဂိုဒေါင် သီးခြား
လူသားနှင့် ကိုယ်ရေးကိုယ်တာ အရင်းအမြစ်များအတွက် ပံ့ပိုးမှု။
PeopleSoft သည် ဤကိစ္စတွင် SAP နှင့် အလွန်ကွာခြားသည်။ SAP ဖြင့်၎င်းသည်
မဖြစ်မနေရှိတယ်ဆိုတာ ဒေတာဂိုဒေါင်. PeopleSoft နဲ့တော့ မဟုတ်ဘူး။
ဒါဆိုရင် ရှင်းပါတယ်။ ဒေတာသိုလှောင်ရုံသည် PeopleSoft ဖြင့် ရွေးချယ်နိုင်သည်။
အကောင်းဆုံးလို့ ပြောလို့ရတယ်။ dati PeopleSoft သည် ထိုဒေတာဖြစ်သည်။
သိုလှောင်ရုံအား သိမ်းဆည်းရန်အတွက် အသုံးပြုနိုင်ပါသည်။ dati ပတ်သက်
လူ့စွမ်းအားနှင့် ကိုယ်ရေးကိုယ်တာ အရင်းအမြစ်ဟောင်းများ။ ဒုတိယအကြောင်းပြချက်
ကုမ္ပဏီက ဘယ်ဟာကို သုံးချင်လဲ။ ဒေတာဂိုဒေါင် a
PeopleSoft ပတ်ဝန်းကျင်ကို ထိခိုက်စေခြင်းသည် ဝင်ရောက်ခွင့်နှင့် ခွင့်ပြုခြင်းဖြစ်သည်။
ခွဲခြမ်းစိတ်ဖြာမှုကိရိယာများ ai dati PeopleSoft မှ ဒါပေမယ့်
ဤအကြောင်းပြချက်များအပြင်၊ မပြုရန်ပိုကောင်းသည့် ကိစ္စများလည်း ရှိနိုင်သည်။
ဒေတာသိုလှောင်ရုံတစ်ခုရှိသည်။ dati PeopleSoft
အကျဉ်းချုပ်မှာ
Data တစ်ခုတည်ဆောက်ခြင်းနှင့် ပတ်သက်၍ အကြံဥာဏ်များစွာ ရှိပါသည်။
ERP ဆော့ဖ်ဝဲတစ်ခုအတွင်းရှိ ဂိုဒေါင်။
၎င်းတို့ထဲမှ အချို့မှာ-
▪ တစ်ခုရှိဖို့ အဓိပ္ပာယ်ရှိတယ်။ ဒေတာဂိုဒေါင် မည်သည့်အရာနှင့်တူသနည်း။
တခြားလုပ်ငန်းမှာလား။
▪ ERP သည် မည်မျှပြောင်းလွယ်ပြင်လွယ်ရှိသနည်း။ ဒေတာဂိုဒေါင် ဆော့ဗ်ဝဲ?
▪ ERP တစ်ခု ဒေတာဂိုဒေါင် ဆော့ဖ်ဝဲသည် အသံအတိုးအကျယ်ကို ကိုင်တွယ်နိုင်သည်။
dati တည်ရှိသော၊ဒေတာဂိုဒေါင် Arena"
▪ ERP ရောင်းချသူလုပ်ဆောင်သည့် ခြေရာခံမှတ်တမ်းသည် အဘယ်နည်း
အချိန်ကာလအရ လွယ်ကူပြီး စျေးမကြီးသော အရာများနှင့် ရင်ဆိုင်နေရသည်။ dati? (ဘာလဲ
စျေးသိပ်မကြီးတဲ့ ပို့ဆောင်မှုအပေါ် ERP ရောင်းချသူတွေရဲ့ ခြေရာခံမှတ်တမ်းတစ်ခုဖြစ်ပါတယ်။
အချိန်၊ ဒေတာရယူရန် လွယ်ကူပါသလား။)
▪ DSS ဗိသုကာနှင့် ပတ်သက်၍ သင်နားလည်မှုကား အဘယ်နည်း
ERP ရောင်းချသူမှ "ကော်ပိုရိတ်သတင်းအချက်အလက်စက်ရုံ"
▪ ERP ရောင်းချသူများသည် မည်သို့အောင်မြင်ရမည်ကို နားလည်သည်။ dati အတွင်းပိုင်း
သဘာဝပတ်ဝန်းကျင်ကိုသာမက တင်ပို့နည်းကိုလည်း နားလည်ပါသလား။
▪ ယနေ့အထိ ERP ရောင်းချသူသည် ကိရိယာများ မည်မျှပွင့်သနည်း။
ဂိုဒေါင်?
အဆုံးအဖြတ်မှာ ဒီအချက်တွေအားလုံးကို ထည့်သွင်းစဉ်းစားရပါမယ်။
ဘယ်မှာထားရမလဲ ဒေတာဂိုဒေါင် ငါအိမ်ရှင်ဖြစ်လိမ့်မည်။ dati ERP နှင့်အခြားအရာများ
dati. ယေဘုယျအားဖြင့် ခိုင်လုံသောအကြောင်းပြချက်မရှိလျှင်
မဟုတ်ရင် ဆောက်ဖို့ အကြံပြုထားပါတယ်။ ဒေတာဂိုဒေါင် ထွက်
ERP ရောင်းချသူ၏ပတ်ဝန်းကျင်မှ။
ကာပီတိုလို ၁
BI အဖွဲ့အစည်း၏ ခြုံငုံသုံးသပ်ချက်
အဓိကအချက်များ:
သတင်းအချက်အလက် သိုလှောင်ရုံများသည် အခြားနည်းလမ်းဖြင့် လုပ်ဆောင်သည်။
Business Intelligence (BI) ဗိသုကာသို့
ကော်ပိုရိတ်ယဉ်ကျေးမှုနှင့် အိုင်တီသည် အောင်မြင်မှုအတွက် ကန့်သတ်နိုင်သည်။
BI အဖွဲ့အစည်းများတည်ဆောက်ခြင်း။
နည်းပညာသည် BI အဖွဲ့အစည်းများအတွက် ကန့်သတ်ချက်မဟုတ်တော့ပါ။ ဟိ
ဗိသုကာပညာရှင်များနှင့် ပရောဂျက်ရေးဆွဲသူများ၏ ပြဿနာမှာ အဆိုပါကိစ္စမဟုတ်ပေ။
နည်းပညာရှိသော်လည်း ထိထိရောက်ရောက် အကောင်အထည်ဖော်နိုင်လျှင်
ရရှိနိုင်သောနည်းပညာ။
ကုမ္ပဏီများစွာအတွက် ဒေတာဂိုဒေါင် ဂိုဒေါင်ထက် နည်းနည်းပိုတယ်။
ဖြန့်ဝေသော passive i dati လိုအပ်သောအသုံးပြုသူများအတွက်။ THE dati
၎င်းတို့ကို အရင်းအမြစ်စနစ်များမှ ထုတ်ယူပြီး ပစ်မှတ်တည်ဆောက်ပုံများတွင် ထည့်သွင်းထားသည်။
di ဒေတာဂိုဒေါင်။ ငါ dati ၎င်းတို့အားလုံးကိုလည်း သန့်စင်နိုင်ပါသည်။
ကံကြမ္မာ။ သို့သော်လည်း အပိုတန်ဖိုး ထပ်ထည့်ထားခြင်းမရှိပါ။
စုဆောင်း dati ဤလုပ်ငန်းစဉ်ကာလအတွင်း။
အခြေခံအားဖြင့်၊ passive Dw သည် အကောင်းဆုံး၊ ပေးဆောင်သည်။
ငါသာ dati သန့်ရှင်းပြီး အသုံးပြုသူအသင်းအဖွဲ့များသို့ လည်ပတ်နိုင်သည်။ ဟိုမှာ
သတင်းအချက်အလက်ဖန်တီးမှုနှင့် ခွဲခြမ်းစိတ်ဖြာနားလည်မှုအပေါ် မူတည်သည်။
လုံးဝအသုံးပြုသူများ။ တရားသူကြီးက DW (ဒေတာသိုလှောင်ရုံ) သည်
အောင်မြင်မှုသည် ပုဂ္ဂလဓိဋ္ဌာန်ဖြစ်သည်။ အောင်မြင်မှုကို အဆုံးအဖြတ်ပေးရင်
ထိထိရောက်ရောက် စုဆောင်း၊ ပေါင်းစည်းပြီး သန့်ရှင်းရေးလုပ်နိုင်စွမ်း dati
ကြိုတင်မှန်းဆနိုင်သောအခြေခံဖြင့် ကော်ပိုရိတ်သည် ဟုတ်ပါတယ်၊ DW သည် အောင်မြင်မှုတစ်ခုဖြစ်သည်။
အခြားတစ်ဖက်တွင်၊ ကျွန်ုပ်တို့သည် စုစည်းမှုအား လေ့လာကြည့်လျှင် စုစည်းမှုနှင့် အကယ်
အဖွဲ့အစည်းတစ်ခုလုံးရဲ့ အချက်အလက်တွေကို အသုံးချပြီးတော့၊
DW သည် မအောင်မြင်ပါ။ DW သည် အနည်းငယ်မျှ တန်ဖိုးမရှိပေ။
သတင်းအချက်အလက်။ ထို့ကြောင့် သုံးစွဲသူများကို အတင်းအကြပ်လုပ်ခိုင်းခြင်း၊
ထို့ကြောင့် သတင်းအချက်အလက် silos ကို ဖန်တီးသည်။ ဒီအခန်းမှာ တင်ပြထားပါတယ်။
BI (Business) ၏ ဗိသုကာလက်ရာကို အကျဉ်းချုပ်ရန် ပြီးပြည့်စုံသော မျှော်မှန်းချက်
Intelligence) ကုမ္ပဏီ။ BI e ၏ဖော်ပြချက်ဖြင့်စကြပါစို့
ပြီးရင် ဒီဇိုင်းပိုင်းနဲ့ ပတ်သက်ပြီး ဆွေးနွေးကြမယ်။
ရိုးရှင်းစွာ ပံ့ပိုးပေးခြင်းနှင့် ဆန့်ကျင်သည့်အနေဖြင့် သတင်းအချက်အလက်များကို တီထွင်ဖန်တီးခြင်း။ dati
အသုံးပြုသူများအတွက်။ ထို့နောက် တွက်ချက်မှုအပေါ် အဓိကထား ဆွေးနွေးကြသည်။
သင်၏ BI ကြိုးပမ်းမှုတန်ဖိုး။ ကျွန်ုပ်တို့သည် IBM ကို မည်ကဲ့သို့ အဓိပ္ပာယ်ဖွင့်ဆိုခြင်းဖြင့် ကောက်ချက်ချပါသည်။
သင့်အဖွဲ့အစည်း၏ BI ဗိသုကာဆိုင်ရာလိုအပ်ချက်များကို ဖြေရှင်းပေးသည်။
ဗိသုကာ၏ဖော်ပြချက်
BI အဖွဲ့အစည်း
အားကောင်းသော ငွေပေးငွေယူကို ဦးတည်သည့် သတင်းအချက်အလက်စနစ်များ ယခုပင် ဖြစ်နေပြီဖြစ်သည်။
ကြီးမားသော လုပ်ငန်းတိုင်းတွင် အဖြစ်များသည်။
ကမ္ဘာတစ်ဝှမ်းရှိ ကော်ပိုရေးရှင်းများအတွက် ကစားကွင်းကို ထိရောက်စွာ အသုံးချပါ။
သို့သော် လက်ကျန်ပြိုင်ဆိုင်မှုမှာ ခွဲခြမ်းစိတ်ဖြာမှုစနစ်များ လိုအပ်ပါသည်။
ed ကို ပြန်လည်ရှာဖွေတွေ့ရှိခြင်းဖြင့် ကုမ္ပဏီ၏စွမ်းရည်ကို တော်လှန်နိုင်စေမည့် ဦးတည်ချက်ဖြစ်သည်။
သူတို့ရှိပြီးသားအချက်အလက်ကို အသုံးပြု. ဤစနစ်များ
ခွဲခြမ်းစိတ်ဖြာခြင်းသည် ကြွယ်ဝမှုမှ နားလည်မှုမှ ဆင်းသက်လာသည်။ dati
ရရှိနိုင် BI သည် အချက်အလက်အားလုံးတွင် စွမ်းဆောင်ရည်ကို မြှင့်တင်နိုင်သည်။
ကုမ္ပဏီ၏ ကုမ္ပဏီများသည် ဖောက်သည်နှင့် ဖောက်သည် ဆက်ဆံရေးကို တိုးတက်စေနိုင်သည်။
ပေးသွင်းသူများ၊ ထုတ်ကုန်နှင့် ဝန်ဆောင်မှုများ၏ အမြတ်ငွေကို တိုးတက်အောင် ဖန်တီးပါ။
ပိုမိုကောင်းမွန်သောကမ်းလှမ်းမှုများ၊ သင်၏အန္တရာယ်နှင့် အခြားများစွာသောအခြားအရာများကို ထိန်းချုပ်ပါ။
ဝင်ငွေက အသုံးစရိတ်ကို သိသိသာသာ လျှော့ချတယ်။ မင်းအတွက် BI နဲ့
ကုမ္ပဏီသည် နောက်ဆုံးတွင် ဖောက်သည်အချက်အလက်ကို စတင်အသုံးပြုသည်။
ရည်ရွယ်ချက်များရှိသော application များ၏ကျေးဇူးကြောင့်ယှဉ်ပြိုင်မှုကောင်းသည်။
စျေးကွက်။
မှန်ကန်သောစီးပွားရေးရှိခြင်းဆိုသည်မှာ တိကျသေချာသောအဖြေများရရှိခြင်းကို ဆိုလိုသည်။
ကဲ့သို့သော အဓိကမေးခွန်းများ
▪ ငါတို့ထဲက ဘယ်ဟာလဲ။ ဖောက်သည်များ သူတို့က ကျွန်တော်တို့ကို ပိုဝင်ငွေဖြစ်စေတယ်။
သူတို့ ရှုံးသလား။
▪ ကျွန်ုပ်တို့၏အကောင်းဆုံးနေထိုင်ရာနေရာ ဖောက်သည်များ နှင့်ပတ်သက် ကုန်ဆိုင်/
ဂိုဒေါင်မှာ သူတို့ ခဏခဏ လာနေသလား ?
▪ ကျွန်ုပ်တို့၏ ထုတ်ကုန်များနှင့် ဝန်ဆောင်မှုများထဲမှ မည်သည့်အရာကို ပိုမိုရောင်းချနိုင်မည်နည်း။
ထိထိရောက်ရောက်နဲ့ ဘယ်သူ့အတွက်လဲ။
▪ မည်သည့်ထုတ်ကုန်များကို အထိရောက်ဆုံးရောင်းချနိုင်သနည်း၊
▪ ဘယ်အရောင်းကမ်ပိန်းက အအောင်မြင်ဆုံးဖြစ်ပြီး ဘာကြောင့်လဲ။
▪ ဘယ်အရောင်းလိုင်းတွေက ဘယ်ထုတ်ကုန်အတွက် အထိရောက်ဆုံးလဲ။
▪ ကျွန်ုပ်တို့၏အကောင်းဆုံးလူများနှင့် ဆက်ဆံရေးကို မည်သို့တိုးတက်အောင်လုပ်နိုင်မည်နည်း။ ဖောက်သည်များ?
ကုမ္ပဏီ အများစု ရှိသည်။ dati ဖြေဖို့ ခက်တယ်။
ဤမေးခွန်းများ။
လည်ပတ်မှုစနစ်များသည် ထုတ်ကုန်အမြောက်အမြားကို ထုတ်လုပ်သည်။
ဖောက်သည်နှင့် dati စျေးရောင်းနေရာများမှ ကြိုတင်မှာယူမှုများ၊
ဖောက်သည်ဝန်ဆောင်မှုနှင့် နည်းပညာပံ့ပိုးမှုစနစ်များဖြင့်။ စိန်ခေါ်မှုက
ဤအချက်အလက်ကို ထုတ်ယူပြီး အသုံးချပါ။
ကုမ္ပဏီများစွာသည် ၎င်းတို့၏ သေးငယ်သော အစိတ်အပိုင်းများမှသာ အမြတ်များသည်။ dati
မဟာဗျူဟာပိုင်းခြားစိတ်ဖြာမှုများအတွက်။
I dati ကျန်သည် i နှင့် ပေါင်းစပ်လေ့ရှိသည်။ dati အစရှိတဲ့ ပြင်ပအရင်းအမြစ်တွေကနေ ဖြစ်ပေါ်လာတာပါ။
“အစိုးရအစီရင်ခံစာများ” နှင့် အခြားဝယ်ယူထားသော အချက်အလက်များသည် တစ်ခုဖြစ်သည်။
ရွှေတွင်းကို စူးစမ်းဖို့ စောင့်နေကြတာ dati မဖြစ်မနေ
သင့်အချက်အလက်များ၏ ဆက်စပ်မှုတွင်သာ သန့်စင်ပါ။
အဖွဲ့အစည်း။
ဤအသိပညာကို နည်းအမျိုးမျိုးဖြင့် အသုံးချနိုင်သည်။
အလုံးစုံ ကော်ပိုရိတ်ဗျူဟာ ရေးဆွဲခြင်းမှ
ပေးသွင်းသူများနှင့် ပုဂ္ဂိုလ်ရေးဆက်သွယ်မှု၊ ခေါ်ဆိုမှုစင်တာများမှတစ်ဆင့်၊
ငွေတောင်းခံလွှာ၊ အင်တာနက်ကို နှင့်အခြားအချက်များ။ ယနေ့ခေတ် စီးပွားရေးပတ်ဝန်းကျင်သည် ညွှန်ပြနေသည်။
DW နှင့် ဆက်စပ်သော BI ဖြေရှင်းချက်များသည် ကျော်လွန်၍ ပြောင်းလဲတိုးတက်နေပါသည်။
ရိုးရာအဆောက်အ အုံများကို အကောင်အထည်ဖော်ခြင်း။ dati ငါကဲ့သို့သော dati ပုံမှန်ဖြစ်စေရန်
အနုမြူအဆင့် နှင့် "ကြယ်/တုံးခြံများ"။
အပြိုင်အဆိုင်ရှိနေရန် လိုအပ်သောအရာမှာ ပေါင်းစပ်မှုဖြစ်သည်။
အစဉ်အလာနှင့် အဆင့်မြင့်နည်းပညာများကို ပံ့ပိုးကူညီရန် ကြိုးပမ်းမှုတစ်ခုဖြစ်သည်။
ကြီးမားသော ခွဲခြမ်းစိတ်ဖြာမှု ရှုခင်း။
နိဂုံးချုပ်ရလျှင် ယေဘုယျအားဖြင့် ပတ်ဝန်းကျင်သည် အသိပညာကို မြှင့်တင်ပေးရမည်။
ကုမ္ပဏီတစ်ခုလုံး၏ အရေးယူဆောင်ရွက်မှုများကို အာမခံပါသည်။
ခွဲခြမ်းစိတ်ဖြာမှု၏ အကျိုးဆက်အနေဖြင့် လူတိုင်းလုပ်နိုင်စေရန်အတွက် အသုံးဝင်ပါသည်။
အကျိုး
ဥပမာအားဖြင့်၊ သင်သည် သင်၏ကိုယ်ပိုင်အဆင့်ဟု ဆိုကြပါစို့ ဖောက်သည်များ အမျိုးအစားများတွင်
မြင့်မားသောသို့မဟုတ်နိမ့်အန္တရာယ်။
အကယ်၍ ဤအချက်အလက်ကို ထုတ်ယူသည့်ပုံစံမှ ထုတ်ပေးသည် သို့မဟုတ်
အခြားနည်းလမ်းမှာ Dw တွင် ထားရှိရမည်ဖြစ်ပြီး သုံးစွဲနိုင်စေရန် ပြုလုပ်ထားသည်။
i ကဲ့သို့သော access tool တစ်ခုခုဖြင့် မည်သူမဆို၊
တည်ငြိမ်သောအစီရင်ခံစာများ၊ စာရင်းဇယားများ၊ ဇယားများ သို့မဟုတ် ခွဲခြမ်းစိတ်ဖြာမှုဆိုင်ရာ လုပ်ဆောင်ခြင်းများတွင်
လိုင်း (OLAP)။
ဒါပေမယ့် လောလောဆယ်မှာတော့ ဒီအမျိုးအစားက အချက်အလက်တွေ အများကြီးပဲ။
silos တွင်ကျန်ခဲ့သည်။ dati ၎င်းတို့ထုတ်လုပ်သည့် ပုဂ္ဂိုလ်များ သို့မဟုတ် ဌာနဆိုင်ရာများ၊
ခွဲခြမ်းစိတ်ဖြာ။ အဖွဲ့အစည်းတစ်ခုလုံးအနေဖြင့် အနည်းငယ်မျှသာ သို့မဟုတ် မမြင်နိုင်ပေ။
နားလည်မှုအတွက်။ ဤအကြောင်းအရာကို ရောစပ်ခြင်းသာဖြစ်သည်။
သင့်ကုမ္ပဏီ DW ရှိ အချက်အလက်များကို သင် ဖယ်ရှားပစ်နိုင်သည်။
အချက်အလက်များနှင့် သင်၏ DW ပတ်ဝန်းကျင်ကို မြှင့်တင်ပါ။
အဖွဲ့အစည်းတစ်ခု ထူထောင်ရာတွင် အဓိက အတားအဆီး နှစ်ခုရှိသည်။
BI ၏
ပထမအချက်က ကျွန်တော်တို့ အဖွဲ့အစည်းကိုယ်တိုင်က ပြဿနာရှိတယ်။
သက်ဆိုင်ရာ စည်းကမ်း၊
မူဝါဒအပြောင်းအလဲများကို ကျွန်ုပ်တို့ မကူညီနိုင်လျှင်ပင်
အဖွဲ့အစည်းရဲ့ အစိတ်အပိုင်းတွေကို နားလည်အောင် ကူညီပေးနိုင်ပါတယ်။
BI အဖွဲ့အစည်းတစ်ခု၊ ၎င်း၏ဗိသုကာနှင့်မည်သို့
IBM နည်းပညာသည် ၎င်း၏ ဖွံ့ဖြိုးတိုးတက်မှုကို အထောက်အကူပြုသည်။
ကျော်လွှားရမည့် ဒုတိယအတားအဆီးမှာ နည်းပညာမရှိခြင်းပင်ဖြစ်သည်။
ပေါင်းစပ်ပြီး အာကာသတစ်ခုလုံးကို ပြန်လည်သိမ်းဆည်းသည့် နည်းလမ်းတစ်ခု၏ အသိပညာ
BI ၏သေးငယ်သောအစိတ်အပိုင်းတစ်ခုနှင့်ဆန့်ကျင်သည်။
IBM သည် နည်းပညာပြောင်းလဲမှုများနှင့် ကိုက်ညီနေပြီဖြစ်သည်။
ပေါင်းစပ်ထားသည်။ ဒီဇိုင်းတစ်ခု ပေးအပ်ရန် သင့်တာဝန်ဖြစ်သည်။
မိမိကိုယ်မိမိသတိရှိနေသော။ ဤဗိသုကာပညာဖြင့် ဖွံ့ဖြိုးတိုးတက်ရမည်။
အတားအဆီးမရှိ ပေါင်းစပ်မှု သို့မဟုတ် အနည်းဆုံးဖြင့် ရွေးချယ်ထားသော နည်းပညာ
ပွင့်လင်းစံနှုန်းများကိုလိုက်နာသောနည်းပညာ။ ဒါတင်မကဘူး။
ကုမ္ပဏီစီမံခန့်ခွဲမှုသည် Bi လုပ်ငန်းဖြစ်ကြောင်း သေချာစေရမည်။
ခွင့်မပြုဘဲ အစီအစဉ်အတိုင်း ဆောင်ရွက်ခဲ့ပါသည်။
မိမိကိုယ်မိမိ ဝန်ဆောင်မှုပေးခြင်းမှ ထွက်ပေါ်လာသော အချက်အလက် silos များ ဖွံ့ဖြိုးတိုးတက်ရေး
အစီအစဉ်များ သို့မဟုတ် ရည်ရွယ်ချက်များ။
BI ပတ်၀န်းကျင်သည် အထိအခိုက်မခံကြောင်း မဆိုလိုပါ။
မတူညီသောအသုံးပြုသူများ၏ မတူညီသောလိုအပ်ချက်များနှင့် လိုအပ်ချက်များကို တုံ့ပြန်ပါ။ အစား၊
ထိုလိုအပ်ချက်များနှင့် လိုအပ်ချက်များကို အကောင်အထည်ဖော်ရန်
BI အဖွဲ့အစည်းတစ်ခုလုံး၏အကျိုးအတွက် လုပ်ဆောင်သည်။
BI အဖွဲ့အစည်း ဗိသုကာ ၏ ရှင်းလင်းချက်
ပုံ 9 တွင် စာမျက်နှာ 1.1 တွင် တွေ့နိုင်သည်။ ဗိသုကာလက်ရာကို သရုပ်ပြသည်။
နည်းပညာများနှင့် နည်းပညာများ ရောနှောပေါင်းစပ်ထားသည်။
ရိုးရာအမြင်အရ၊ ဗိသုကာလက်ရာတွင် အောက်ပါ အစိတ်အပိုင်းများ ပါဝင်ပါသည်။
ဂိုဒေါင်၏
အနုမြူအလွှာ (Atomic Layer)။
ဤသည်မှာ အုတ်မြစ်၊ Dw တစ်ခုလုံး၏ နှလုံးသားနှင့် ထို့ကြောင့် ဖြစ်သည်။
မဟာဗျူဟာအစီရင်ခံခြင်း။
I dati ဤနေရာတွင် သိမ်းဆည်းထားသော သမိုင်းဆိုင်ရာ ဂုဏ်သိက္ခာကို ဆက်လက်ထိန်းသိမ်းထားမည် ဖြစ်ကြောင်း ဖော်ပြသည်။
dati ရရှိလာသော မက်ထရစ်များ ပါဝင်သည့်အပြင် သန့်ရှင်းမှု၊
ပေါင်းစပ်ပြီး ထုတ်ယူသည့်ပုံစံများကို အသုံးပြု၍ သိမ်းဆည်းထားသည်။
ဒါတွေအကုန်လုံးကို နောက်ဆက်တွဲအနေနဲ့ သုံးပါတယ်။ dati နှင့် သက်ဆိုင်သော အချက်အလက် ဖြစ်ပါ သည်။
ဤဖွဲ့စည်းပုံမှဆင်းသက်လာသည်။ ဤသည်မှာ အလွန်ကောင်းမွန်သော အရင်းအမြစ်တစ်ခုဖြစ်သည်။
ထုတ်ယူခြင်း။ dati နှင့် ဖွဲ့စည်းတည်ဆောက်ထားသော SQL မေးမြန်းမှုများပါရှိသော အစီရင်ခံစာများအတွက်
လည်ပတ်ကုန်လှောင်ရုံ dati သို့မဟုတ် အစီရင်ခံစာအခြေခံ
dati(Operational data store (ODS) သို့မဟုတ် အစီရင်ခံခြင်း။
ဒေတာဘေ့စ.)
ဒါက ဖွဲ့စည်းပုံတစ်ခုပါ။ dati အတွက် အထူးထုတ်လုပ်ထားပါသည်။
နည်းပညာဆိုင်ရာအစီရင်ခံခြင်း။
I dati သိမ်းဆည်းပြီး အစီရင်ခံတာက ဒီဖွဲ့စည်းပုံတွေကို နောက်ဆုံးမှာ လုပ်လို့ရတယ်။
အဖွဲ့အစည်းဇုံမှတဆင့် ဂိုဒေါင်သို့ ဖြန့်ကြက်ပါ။
ဧရိယာ)၊ ၎င်းကို ဗျူဟာမြောက် အချက်ပြခြင်းအတွက် အသုံးပြုနိုင်သည်။
သူ့နေရာနဲ့သူ။
အများစုအတွက် ပထမဆုံးမှတ်တိုင် dati သဘာဝပတ်ဝန်းကျင်အတွက် ရည်ရွယ်ပါတယ်။
ဂိုဒေါင်သည် အဖွဲ့အစည်းဧရိယာဖြစ်သည်။
ဒီမှာ ငါ dati ပေါင်းစပ်၊ သန့်စင်ပြီး အဖြစ်သို့ ပြောင်းလဲကြသည်။ dati အသုံးဝင်သည်။
ဂိုဒေါင်ဖွဲ့စည်းပုံအား ပြည့်စေမည်ဖြစ်သည်။
Date marts။
ဤအစိတ်အပိုင်းသည် ဗိသုကာပညာ၏ ဖွဲ့စည်းပုံကို ကိုယ်စားပြုသည်။ dati အသုံးပြုခံ့
အထူးသဖြင့် OLAP အတွက်။ အကယ်၍ datamarts ၏ရှေ့မှောက်တွင်၊ dati အိပ်
ထပ်နေသည့် ကြယ်အစီအစဉ်များတွင် သိမ်းဆည်းထားသည်။ dati
ဆက်စပ်ပတ်ဝန်းကျင်တစ်ခုတွင်၊ သို့မဟုတ် ဖိုင်ပုံးများတွင် ဘက်ပေါင်းစုံ
di dati သီးသန့် OLAP နည်းပညာ၊ လျှို့ဝှက်အသုံးပြုသည်။
DB2 OLAP ဆာဗာ၊ မသက်ဆိုင်ပါ။
တစ်ခုတည်းသော ကန့်သတ်ချက်မှာ ဗိသုကာလက်ရာကို အသုံးပြုရာတွင် အဆင်ပြေချောမွေ့စေခြင်း ဖြစ်သည်။ dati
ဘက်ပေါင်းစုံ။
ဗိသုကာတွင် အရေးပါသော BI နည်းပညာများနှင့် နည်းပညာများလည်း ပါဝင်သည်။
ဟူ၍ ခွဲခြားထားပါသည်။
Spatial ခွဲခြမ်းစိတ်ဖြာ
အာကာသသည် လေ့လာသူအတွက် သတင်းအချက်အလက် ပေါက်ကြားမှုတစ်ခုဖြစ်သည်။
ဖြေရှင်းချက်ပြီးမြောက်ရန် အရေးကြီးပါသည်။ အာကာသ နိုင်သည်။
တစ်နေရာရာမှာ နေထိုင်သူတွေအကြောင်း အချက်အလက်တွေကို ကိုယ်စားပြုပါတယ်။
တည်နေရာအပြင် ထိုနေရာသည် မည်သည့်နေရာဖြစ်သည်ကို သိရှိနိုင်သည်။
ရုပ်ပိုင်းဆိုင်ရာအရ အခြားကမ္ဘာနှင့် နှိုင်းယှဉ်ပါ။
ဤခွဲခြမ်းစိတ်ဖြာမှုကို အကောင်အထည်ဖော်ရန်၊ သင့်ကိုယ်ပိုင် ကြိုးချည်ခြင်းဖြင့် စတင်ရပါမည်။
မြောက်လတ္တီတွဒ်များနှင့်လောင်ဂျီတွဒ်ကိုသြဒီနိတ်. ဘာကို ဆိုလိုတာလဲ။
“geocoding” ဟုရည်ညွှန်းပြီး ထုတ်ယူမှု၏ တစ်စိတ်တစ်ပိုင်းဖြစ်ရမည်။
အသွင်ပြောင်းခြင်းနှင့် loading process (ETL) အဆင့်တွင်
မင်းရဲ့ဂိုဒေါင်ရဲ့ အနုမြူဗုံး။
ဒေတာတူးဖော်ခြင်း။
ထုတ်ယူသည်။ dati ကျွန်တော်တို့ရဲ့ ကုမ္ပဏီတွေကို ကြီးထွားခွင့်ပေးတယ်။
နံပါတ် ဖောက်သည်များအရောင်းလမ်းကြောင်းများကို ခန့်မှန်းရန်နှင့် ဖွင့်ရန်
i နှင့်ဆက်ဆံရေးကိုစီမံခန့်ခွဲ ဖောက်သည်များ (CRM) ၏အခြားအစပျိုးမှုတို့တွင်
BI။
ထုတ်ယူသည်။ dati ထို့ကြောင့် ၎င်းကို ဖွဲ့စည်းပုံများနှင့် ပေါင်းစပ်ရမည်ဖြစ်သည်။
dati Dwhouse ၏ ဂိုဒေါင်လုပ်ငန်းစဉ်များကို ပံ့ပိုးပေးသည်။
နည်းပညာကို ထိထိရောက်ရောက်နှင့် အကျိုးရှိစွာ အသုံးပြုနိုင်စေရန်နှင့် နှစ်ခုစလုံးကို သေချာစေရန်
ဆက်စပ်နည်းပညာများ။
BI ဗိသုကာ၌ဖော်ပြထားသည့်အတိုင်း, အက်တမ်အဆင့်၏
Dwhouse နှင့် datamarts တို့သည် ကောင်းမွန်သောအရင်းအမြစ်တစ်ခုဖြစ်သည်။ dati
ထုတ်ယူရန်။ ဒီလို တူညီတဲ့ ဖွဲ့စည်းပုံတွေလည်း ရှိရမယ်။
ထုတ်ယူမှုရလဒ်များကို လက်ခံရရှိမှုသေချာစေရန်
အကြီးဆုံး ပရိသတ်။ (အကျယ်ဆုံး ပရိသတ်)။
ကိုယ်စားလှယ်များ။
ဖောက်သည်ကဲ့သို့ အချက်တိုင်းအတွက် ဆန်းစစ်ရန် “အေးဂျင့်” အမျိုးမျိုးရှိသည်။
ကုမ္ပဏီလည်ပတ်မှုစနစ်များနှင့် dw တူညီသည်။ ဒီအေးဂျင့်တွေ လုပ်နိုင်ပါတယ်။
အဆင့်မြင့် အာရုံကြောကွန်ရက်များအကြောင်း လေ့လာရန် လေ့ကျင့်ထားသည်။
ထုတ်ကုန်၏ အနာဂတ်ဝယ်လိုအားကဲ့သို့သော အချက်တစ်ခုစီ၏ ခေတ်ရေစီးကြောင်းကို အခြေခံသည်။
အရောင်းမြှင့်တင်ရေးတွင် တုံ့ပြန်ရန် စည်းမျဉ်းအခြေခံအင်ဂျင်များ
un Dato အခြေအနေများ သို့မဟုတ် ရိုးရှင်းသော အေးဂျင့်များပင်
သူတို့က ခြွင်းချက်တွေကို "ထိပ်တန်းအမှုဆောင်" ကို တင်ပြတယ်။ ဒီဖြစ်စဉ်တွေက ဟုတ်တယ်။
ယေဘူယျအားဖြင့် အချိန်နှင့်တပြေးညီ ရှိနေသောကြောင့် ဖြစ်ရပါမည်။
သူတို့ရဲ့ လှုပ်ရှားမှုတွေနဲ့ နီးနီးကပ်ကပ် တွဲနေပါ။ dati.
ဤအရာအားလုံး၏ဖွဲ့စည်းပုံများ datiနည်းပညာများနှင့် နည်းစနစ်များကို အာမခံပါသည်။
အဖွဲ့အစည်းတစ်ခုဖန်တီးရန် တစ်ညတာ ကုန်ဆုံးမည်မဟုတ်ပါ။
မင်းရဲ့ BI
ဤလုပ်ဆောင်ချက်ကို အသေးအမွှားအဆင့်များ၊
အမှတ်များ။
ခြေလှမ်းတိုင်းသည် လွတ်လပ်သော ပရောဂျက်တစ်ခုဖြစ်ပြီး ကြိုးစားအားထုတ်မှုတစ်ခုဖြစ်ကြောင်း တင်ပြပါသည်။
သင်၏ DW သို့မဟုတ် BI အစပျိုးမှုတွင် ထပ်ခါတလဲလဲအဖြစ်။ ပါတယ်လို့
နည်းပညာသစ်များ အကောင်အထည်ဖော်ရေးတွင် ပါဝင်နိုင်သည်။
နည်းစနစ်အသစ်များဖြင့် စတင်ကာ တည်ဆောက်မှုအသစ်များကို ထည့်သွင်းပါ။ dati ,
loading i dati ဖြည့်စွက် ၊ သို့မဟုတ် ခွဲခြမ်းစိတ်ဖြာမှု ချဲ့ထွင်မှုနှင့်အတူ
သင့်ပတ်ဝန်းကျင်။ ဒီစာပိုဒ်ကို ပိုပြီး ဆွေးနွေးထားပါတယ်။
အခန်း ၃ တွင် အသေးစိတ်
DW နှင့် BI ကိရိယာများ၏ ရိုးရာဖွဲ့စည်းပုံများအပြင် အခြားအရာများလည်း ရှိသေးသည်။
သင်လိုအပ်သော သင်၏ BI အဖွဲ့အစည်း၏ လုပ်ငန်းဆောင်တာများ
ဒီဇိုင်း၊ ဥပမာ-
ဖောက်သည်ထိတွေ့မှုအမှတ်များ (ဖောက်သည်ထိတွေ့မှု
မှတ်) ။
ခေတ်မီအဖွဲ့အစည်းအားလုံးနှင့် အမျှ အရေအတွက်များစွာ ရှိပါသည်။
အတွေ့အကြုံရှိပုံကို ညွှန်ပြသော ဖောက်သည် ထိတွေ့မှုအမှတ်များ
သင့်အတွက် အကောင်းမြင်ပါ။ ဖောက်သည်များ. i လိုမျိုး ရိုးရာလမ်းကြောင်းတွေရှိတယ်။
ကုန်သည်များ၊ switchboard အော်ပရေတာများ၊ တိုက်ရိုက်မေးလ်များ၊ မာလ်တီမီဒီယာနှင့် ပုံနှိပ်ခြင်း။
ကြော်ငြာများအပြင် အီးမေးလ်နှင့် ဝဘ်ကဲ့သို့သော လက်ရှိချန်နယ်များ၊ dati
touch point တစ်ခုခုနဲ့ ထုတ်ကုန်တွေကို ရယူရမယ်၊
သယ်ယူ၊ သန့်စင်၊ စီမံပြီး အဆောက်အဦများသို့ လူနေထူထပ်သည်။ dati della
BI။
အခြေစိုက်စခန်းများ dati လုပ်ငန်းလည်ပတ်မှုနှင့် အသုံးပြုသူအသင်းအဖွဲ့များ (လုပ်ငန်းလည်ပတ်မှု
ဒေတာဘေ့စ်များနှင့် သုံးစွဲသူအသိုင်းအဝိုင်းများ)။
ဆက်သွယ်ရန်အချက်များ အဆုံးတွင်လည်းကောင်း ဖောက်သည်များ အခြေခံအုတ်မြစ်များကို တွေ့ရှိရသည်။ dati
ကုမ္ပဏီ၏ အပလီကေးရှင်းနှင့် သုံးစွဲသူအသိုင်းအဝိုင်းများ။ THE dati ရှိပြီးသား
အိပ် dati ရိုးရာဓလေ့ထုံးတမ်းများကို ပေါင်းစပ်၍ ပေါင်းစည်းရမည်။ dati ထို
လိုအပ်ချက်များကို ကျေနပ်စေရန် ဆက်သွယ်ရန်အချက်များမှ စီးဆင်းပါ။
သတင်းအချက်အလက်။
အကဲခတ်။ (သုံးသပ်သူများ)
BI ပတ်ဝန်းကျင်၏ အဓိကအကျိုးခံစားခွင့်မှာ အကဲခတ်သူဖြစ်သည်။ သူကတော့ ဘယ်သူလဲ။
လက်ရှိထုတ်ယူခြင်းမှ အကျိုးကျေးဇူးများ dati လုပ်ငန်းလည်ပတ်မှု၊ ပေါင်းစပ်မှု
မတူညီသောအရင်းအမြစ်များ dati ခွဲခြမ်းစိတ်ဖြာမှုကဲ့သို့သော အင်္ဂါရပ်များဖြင့် တိုးမြှင့်ထားသည်။
ပထဝီဝင် (geocoding) နှင့် BI နည်းပညာများကို တင်ပြထားကြောင်းသိရသည်။
ထုတ်ယူရန်၊ OLAP၊ အဆင့်မြင့် SQL အစီရင်ခံခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာမှုကို ခွင့်ပြုပါ။
ပထဝီဝင်။ ပတ်ဝန်းကျင်အတွက် ဆန်းစစ်သူအတွက် ပင်မအင်တာဖေ့စ်
အစီရင်ခံခြင်းသည် BI ပေါ်တယ်ဖြစ်သည်။
သို့သော်လည်း လေ့လာသူသည် ဗိသုကာပညာမှ အကျိုးကျေးဇူးရရန် တစ်ခုတည်းမဟုတ်ပါ။
BI။
အမှုဆောင်အရာရှိများ၊ ကြီးမားသောအသုံးပြုသူအသင်းအဖွဲ့များ၊ အဖွဲ့ဝင်များ၊ ပေးသွင်းသူများနှင့်ပင်
ဖောက်သည်များ လုပ်ငန်း BI တွင် အကျိုးကျေးဇူးများ ရှာဖွေသင့်သည်။
Back feed loop။
BI ဗိသုကာပညာသည် သင်ယူမှုပတ်ဝန်းကျင်တစ်ခုဖြစ်သည်။ နိယာမတစ်ခု
ဖွံ့ဖြိုးတိုးတက်မှု၏ လက္ခဏာရပ်မှာ တည်မြဲသော ဖွဲ့စည်းပုံများကို ခွင့်ပြုရန်ဖြစ်သည်။ dati
အသုံးပြုထားသော BI နည်းပညာကို အသုံးပြု၍ လုပ်ဆောင်ချက်များဖြင့် အဆင့်မြှင့်တင်ရန်
အသုံးပြုသူ၏တာဝန်များ။ ဥပမာတစ်ခုသည် အကဲဖြတ်ခြင်း ဖြစ်သည်။
ဖောက်သည် (ဖောက်သည် အမှတ်ပေးမှု)။
အရောင်းဌာနက သတ္တုတွင်းပုံစံကို ဆောင်ရွက်တယ်ဆိုရင်
ဝန်ဆောင်မှုအသစ်ကိုအသုံးပြုရန် ဖောက်သည်၏ရမှတ်များ ၊ ထို့နောက်
အရောင်းဌာနသည် တစ်ခုတည်းသော အကျိုးခံစားခွင့်အုပ်စု မဖြစ်သင့်ပါ။
ဝန်ဆောင်မှု၏
ယင်းအစား ထုတ်ယူခြင်းပုံစံကို အစိတ်အပိုင်းတစ်ခုအနေဖြင့် ဆောင်ရွက်သင့်သည်။
ကုမ္ပဏီအတွင်း သဘာဝဒေတာစီးဆင်းမှုနှင့် ဖောက်သည်၏ရမှတ်များ
သတင်းအချက်အလက်ဆက်စပ်မှု၏ပေါင်းစပ်အစိတ်အပိုင်းတစ်ခုဖြစ်လာသင့်သည်။
ဂိုဒေါင်၊ အသုံးပြုသူအားလုံး မြင်နိုင်သည်။ Bi-bI-ဗဟိုပြု IBM Suite
DB2 UDB, DB2 OLAP Server အပါအဝင် အများဆုံးပါဝင်ပါတယ်။
ပုံတွင် သတ်မှတ်ထားသော အရေးကြီးသော နည်းပညာ အစိတ်အပိုင်းများ
1.1 ။
စာအုပ်မှ ဤပုံတွင် ပြထားသည့်အတိုင်း ကျွန်ုပ်တို့သည် ဗိသုကာပညာကို အသုံးပြုပါသည်။
ကျွန်ုပ်တို့အား စဉ်ဆက်မပြတ်အဆင့်တစ်ခုပေး၍ ထုတ်ကုန်တစ်ခုစီကို မည်သို့သရုပ်ပြပါ။
IBM မှ BI ၏ ယေဘုယျပုံစံနှင့် ကိုက်ညီသည်။
သတင်းအချက်အလက် ပေးဆောင်ခြင်း (Providing
အချက်အလက် အကြောင်းအရာ)
သင်၏ BI ပတ်ဝန်းကျင်ကို ဒီဇိုင်းဆွဲခြင်း၊ ဖော်ဆောင်ခြင်းနှင့် အကောင်အထည်ဖော်ခြင်းတို့ဖြစ်သည်။
ခက်ခဲကြမ်းတမ်းသော လည်ပတ်မှုတစ်ခု။ ဒီဇိုင်းက နှစ်ခုစလုံးကို လိုက်ဖက်ညီရမယ်။
လက်ရှိနှင့် အနာဂတ် လုပ်ငန်းလိုအပ်ချက်များ။ ဗိသုကာဒီဇိုင်း
တွေ့ရှိချက်အားလုံးကို ထည့်သွင်းရန် ပြီးပြည့်စုံရပါမည်။
ဒီဇိုင်းအဆင့်အတွင်း။ ကွပ်မျက်ခြင်းတို့သည် တည်ရှိနေရမည်။
တစ်ခုတည်းသောရည်ရွယ်ချက်အတွက် ကတိပြုသည်- BI ဗိသုကာလက်ရာကို ဖော်ဆောင်ခြင်း။
ပုံတွင် တရားဝင်တင်ပြထားသည့်အတိုင်း လိုအပ်ချက်များအပေါ်အခြေခံ၍
စီးပွားရေးလုပ်ငန်း။
စည်းကမ်းတကျ ဆောင်ရွက်ပေးမည်ဆိုသည်ကို ငြင်းခုံရန်မှာ အထူးခက်ခဲသည်။
ဆွေမျိုးအောင်မြင်မှု။
BI ပတ်ဝန်းကျင်တစ်ခုလုံးကို သင်မဖွံ့ဖြိုးသေးသောကြောင့် ၎င်းသည် ရိုးရှင်းပါသည်။
ရုတ်တရက်သော်လည်းကောင်း အချိန်ကြာလာသည်နှင့်အမျှ အဆင့်သေးသေးလေးဖြင့် လုပ်ဆောင်သည်။
သို့ရာတွင်၊ သင်၏ဗိသုကာလက်ရာ၏ BI အစိတ်အပိုင်းများကို ခွဲခြားသတ်မှတ်ခြင်းဖြစ်ပါသည်။
အကြောင်းပြချက်နှစ်ခုအတွက် အရေးကြီးသည်- နောက်ဆက်တွဲ ဆုံးဖြတ်ချက်အားလုံးကို သင်လမ်းညွှန်ပါမည်။
ဗိသုကာနည်းပညာများ။
နည်းပညာအသုံးပြုမှုတစ်ခုကို သင်သတိရှိရှိ စီစဉ်နိုင်မည်ဖြစ်သည်။
သင်လိုအပ်သော ထပ်ခါထပ်ခါမရနိုင်သော်လည်း၊
နည်းပညာက လပေါင်းများစွာ။
သင့်လုပ်ငန်းလိုအပ်ချက်များကို လုံလုံလောက်လောက်နားလည်ခြင်းသည် အမျိုးအစားကို လွှမ်းမိုးနိုင်မည်ဖြစ်သည်။
မင်းရဲ့ဗိသုကာလက်ရာအတွက် မင်းရရှိမယ့်ထုတ်ကုန်တွေ။
သင်၏ဗိသုကာလက်ရာများ၏ ဒီဇိုင်းနှင့် ဖွံ့ဖြိုးတိုးတက်မှုသည် အာမခံပါသည်။
အဲဒါ မင်းရဲ့ ဂိုဒေါင်ပါ။
ကျပန်းဖြစ်ရပ်မဟုတ်သော်လည်း “ကောင်းစွာစဉ်းစားဆင်ခြင်ခြင်း”၊
ဂရုတစိုက်ဖန်တီးထားတဲ့ကြော်ငြာ တေးသံစုံကဇါတ် mosaic ကဲ့သို့အနုပညာ
ရောစပ်နည်းပညာ။
ဒီဇိုင်းအချက်အလက်အကြောင်းအရာ
ကနဦးစီမံကိန်းများအားလုံးကို အာရုံစိုက်ပြီး ဖော်ထုတ်ရမည်ဖြစ်သည်။
သဘာဝပတ်ဝန်းကျင်အတွက် လိုအပ်မည့် အဓိက BI အစိတ်အပိုင်းများ
ယေဘူယျအားဖြင့် ယခုရော နောင်ရောပေါ့။
လုပ်ငန်းလိုအပ်ချက်များကို သိရှိရန် အရေးကြီးပါသည်။
သမားရိုးကျ အစီအစဉ်တွေ မစတင်ခင်မှာပင်၊
ပရောဂျက် စီစဉ်သူသည် တစ်ဦး သို့မဟုတ် နှစ်ခုကို မကြာခဏ ဖော်ထုတ်နိုင်သည်။
အစိတ်အပိုင်းချက်ချင်း။
အစိတ်အပိုင်းများ၏ ချိန်ခွင်လျှာသည် လိုအပ်နိုင်ပါသည်။
သို့သော် သင်၏ဗိသုကာလက်ရာကို လွယ်လွယ်ကူကူ ရှာမတွေ့ပါ။
ဒီဇိုင်းအဆင့်တွင် ဗိသုကာပညာ၏ အဓိကအစိတ်အပိုင်းဖြစ်သည်။
အပလီကေးရှင်းဖွံ့ဖြိုးတိုးတက်မှု (JAD) စက်ရှင်အား ရှာဖွေမှုတစ်ခုနှင့် ချိတ်ဆက်ပါ။
လုပ်ငန်းလိုအပ်ချက်များကို ဖော်ထုတ်ရန်။
တစ်ခါတစ်ရံတွင် ဤလိုအပ်ချက်များကို ကိရိယာများတွင် အပ်နှင်းနိုင်သည်။
မေးမြန်းချက်များနှင့် အစီရင်ခံခြင်း။
ဥပမာအားဖြင့်၊ အသုံးပြုသူများသည် ၎င်းတို့အလိုအလျောက်ပြန်လုပ်လိုပါက ဖော်ပြသည်။
လက်ရှိတွင် အစီရင်ခံစာကို ပေါင်းစပ်ခြင်းဖြင့် ကိုယ်တိုင်ထုတ်လုပ်ရန် လိုအပ်သည်။
လက်ရှိအချိုးအစားနှစ်ခုနှင့် တွက်ချက်မှုများမှ ဆင်းသက်လာခြင်းဖြစ်သည်။
ပေါင်းစပ် dati.
ဤလိုအပ်ချက်သည် ရိုးရှင်းသော်လည်း၊ ၎င်းသည် တိကျသောသတ်မှတ်ချက်တစ်ခုဖြစ်သည်။
သင်ထည့်သွင်းရမည့်အင်္ဂါရပ်၏ လုပ်ဆောင်နိုင်စွမ်း
သင့်အဖွဲ့အစည်းအတွက် အစီရင်ခံကိရိယာများကို ဝယ်ယူပါ။
ဒီဇိုင်နာများအတွက်လည်း ထပ်လောင်းလိုအပ်ချက်များကို လိုက်စားရပါမည်။
ပြီးပြည့်စုံသောပုံကိုရယူပါ။ အသုံးပြုသူများမှ စာရင်းသွင်းလိုပါသည်။
ဒီအစီရင်ခံစာ?
အစီရင်ခံစာ၏ အပိုင်းခွဲများကို ထုတ်ပေးပြီး အသီးသီးထံသို့ အီးမေးလ်မှတဆင့် ပေးပို့သည်။
အသုံးပြုသူများ? ဤအစီရင်ခံစာကို ကုမ္ပဏီပေါ်တယ်တွင် မြင်လိုပါသလား။
ဤလိုအပ်ချက်များအားလုံးသည် ရိုးရှင်းသောလိုအပ်ချက်၏ တစ်စိတ်တစ်ပိုင်းဖြစ်သည်။
အသုံးပြုသူများ တောင်းဆိုထားသည့်အတိုင်း လက်စွဲအစီရင်ခံစာကို အစားထိုးပါ။ အကျိုး
ဤလိုအပ်ချက်အမျိုးအစားများထဲမှ လူတိုင်း၊ အသုံးပြုသူများနှင့် ဒီဇိုင်နာများ ရှိကြပါသည်။
အစီရင်ခံစာများ၏ သဘောတရားကို နားလည်ခြင်း။
သို့သော်လည်း ကျွန်ုပ်တို့သည် အစီအစဉ်ဆွဲရန် လိုအပ်သော အခြားသော လုပ်ငန်းအမျိုးအစားများ ရှိပါသည်။
လုပ်ငန်းလိုအပ်ချက်များကို ဖော်ပြသည့်ပုံစံဖြင့် ဆောင်ရွက်သည့်အခါ
စီးပွားရေးဆိုင်ရာ မဟာဗျူဟာမေးခွန်းများ၊ ကျွမ်းကျင်သူ ဒီဇိုင်နာအတွက် လွယ်ကူသည်။
အတိုင်းအတာ/အချက်အလက်နှင့် အတိုင်းအတာလိုအပ်ချက်များကို ပိုင်းခြားပါ။
ပုံ 1.2 သည် a ၏ အတိုင်းအတာနှင့် အတိုင်းအတာ အစိတ်အပိုင်းများကို ဖော်ပြသည်။
စီးပွားရေးပြဿနာ။
JAD အသုံးပြုသူများသည် ၎င်းတို့၏ လိုအပ်ချက်များကို မည်သို့ကြေညာရမည်ကို မသိပါက၊
လုပ်ငန်းပြဿနာပုံစံဖြင့် ဒီဇိုင်နာက ပေးလေ့ရှိသည်။
စုစည်းမှုကဏ္ဍကို ကျော်ရန် ဥပမာအချို့
လိုအပ်ချက်များ။
ကျွမ်းကျင်သော ဒီဇိုင်နာသည် သုံးစွဲသူများကို နားလည်အောင် ကူညီပေးနိုင်ရုံသာမက
မဟာဗျူဟာကျသော ကုန်သွယ်မှုကို မည်သို့ဖွဲ့စည်းမည်နည်း။
လိုအပ်ချက်များစုဆောင်းခြင်းချဉ်းကပ်နည်းကို အခန်း ၃ တွင် ဆွေးနွေးထားသည်။ ဘို့
ယခု ကျွန်ုပ်တို့သည် လူတိုင်းအတွက် ဒီဇိုင်းပြုလုပ်ရန် လိုအပ်ကြောင်း ထောက်ပြလိုပါသည်။
BI လိုအပ်ချက်အမျိုးအစားများ
မဟာဗျူဟာစီးပွားရေးပြဿနာသည် လိုအပ်ချက်တစ်ခုမျှသာမဟုတ်ပေ။
စီးပွားရေးသာမက ဒီဇိုင်းပိုင်းကိုလည်း သိစေချင်တယ်။ ဖြေရမယ်ဆိုရင်
ဘက်ပေါင်းစုံမှ မေးခွန်းတစ်ခုအတွက်၊ ထို့နောက် သင်အလွတ်ကျက်ရန်၊
ပစ္စုပ္ပန်ဈ dati dimensional နဲ့ ဆိုရင်တော့ အလွတ်ကျက်ဖို့ လိုပါတယ်။
dati multidimensional, သင်သည်အဘယ်အရာကိုနည်းပညာသို့မဟုတ်အမျိုးအစားဆုံးဖြတ်ရန်ရှိသည်။
သင်အသုံးပြုမည့်နည်းပညာ။
သီးသန့် cube star schema ကို သင်အကောင်အထည်ဖော်သလား၊ ဒါမှမဟုတ် နှစ်ခုလုံးအတွက်လား။
သင်မြင်နိုင်သကဲ့သို့ပင်ရိုးရှင်းသောစီးပွားရေးပြဿနာ
ဒီဇိုင်းကို သိသိသာသာ လွှမ်းမိုးနိုင်ပါတယ်။ သို့သော်
ဤလုပ်ငန်းလိုအပ်ချက်အမျိုးအစားများသည် သာမာန်ဖြစ်ပြီး အနည်းဆုံး နားလည်နိုင်သည်။
ပရောဂျက်အတွေ့အကြုံရှိသော ဒီဇိုင်နာများနှင့် စီစဉ်သူများမှ။
နည်းပညာများနှင့် ပံ့ပိုးမှုများနှင့်ပတ်သက်၍ လုံလောက်သော ငြင်းခုံမှုများရှိခဲ့သည်။
OLAP နှင့် ကျယ်ပြန့်သော ဖြေရှင်းချက်များ ရရှိနိုင်ပါသည်။ အခုချိန်အထိ
i ဖြင့် ရိုးရှင်းသော အစီရင်ခံမှုကို စုစည်းရန် လိုအပ်ကြောင်း ဖော်ပြထားပါသည်။
business dimensional လိုအပ်ချက်တွေနဲ့ ဒီလိုအပ်ချက်တွေက ဘယ်လိုလဲ။
နည်းပညာဆိုင်ရာ ဗိသုကာဆိုင်ရာ ဆုံးဖြတ်ချက်များအပေါ် လွှမ်းမိုးသည်။
ဒါပေမယ့် နားမလည်နိုင်တဲ့ လိုအပ်ချက်တွေက ဘာတွေလဲ။
အသုံးပြုသူများ သို့မဟုတ် DW အဖွဲ့မှ? ခွဲခြမ်းစိတ်ဖြာမှု လိုအပ်ပါသလား။
spatial (ခွဲခြမ်းစိတ်ဖြာ spatial)?
သတ္တုတူးဖော်ရေးမော်ဒယ်များ dati ၎င်းတို့သည် သင့်အတွက် လိုအပ်သော အစိတ်အပိုင်းတစ်ခုဖြစ်လိမ့်မည်။
အနာဂတ် ဘယ်သူသိနိုင်မလဲ?
ဤနည်းပညာအမျိုးအစားများသည် အလွန်မဟုတ်ကြောင်း သတိပြုရန် အရေးကြီးပါသည်။
အထွေထွေအသုံးပြုသူများနှင့် အဖွဲ့၀င်များ၏ အသိုင်းအဝိုင်းများက သိကြသည်။
Dw၊ တစ်စိတ်တစ်ပိုင်းအားဖြင့်၊ ၎င်းတို့သည် ပုံမှန်အားဖြင့် ဖြစ်ကောင်းဖြစ်နိုင်သည်။
အချို့သော ဌာနတွင်း သို့မဟုတ် ပြင်ပနည်းပညာကျွမ်းကျင်သူများက ကုသပေးသည်။ အဲဒါ
အဆိုပါနည်းပညာအမျိုးအစားများထုတ်လုပ်သည့်ပြဿနာများ၏ပြင်းထန်သောဖြစ်ရပ်။ ကိုယ့်ကိုယ်ကို
သုံးစွဲသူများသည် လုပ်ငန်းလိုအပ်ချက်များကို ဖော်ပြခြင်း သို့မဟုတ် ၎င်းတို့ကို ဘောင်ခတ်၍မရပါ။
ဒီဇိုင်နာများအတွက် လမ်းညွှန်ချက်များပေးနိုင်ရန်၊
သတိမပြုမိဘဲ သို့မဟုတ် ပိုဆိုးသည်မှာ ရိုးရိုးရှင်းရှင်းပင် လျစ်လျူရှုထားခြင်းဖြစ်သည်။
ဒီဇိုင်နာနှင့် ဆော့ဖ်ဝဲအင်ဂျင်နီယာတို့ မလုပ်သည့်အခါ ပြဿနာက ပိုဖြစ်လာသည်။
အဆိုပါအဆင့်မြင့်များထဲမှတစ်ခု၏လျှောက်လွှာကိုအသိအမှတ်ပြုနိုင်ပေမယ့်
အရေးကြီးသောနည်းပညာများ။
ဒီဇိုင်နာများ မကြာခဏ ကြားဖူးသည့်အတိုင်း “ကောင်းပြီ၊ ဘာဖြစ်လို့လဲ။
တခြားအရာရလာသည်အထိ ငါတို့က ဖယ်မထားဘူးလား။
“သူတို့က ဦးစားပေးတွေကို တကယ်စိတ်ဝင်စားသလား၊ ဒါမှမဟုတ် သူတို့က ရှောင်နေတာပဲ။
လိုအပ်ချက်တွေကို သူတို့ နားမလည်ဘူးလား? ၎င်းသည် နောက်ဆုံးယူဆချက်ဖြစ်သည်။
သင့်အရောင်းအဖွဲ့သည် လိုအပ်ချက်တစ်ခုအား ဆက်သွယ်ပြောဆိုသည်ဆိုပါစို့
ပုံ 1.3 တွင်ဖော်ပြထားသည့်အတိုင်း စီးပွားရေးလုပ်ငန်း၊
လိုအပ်ချက်ကို စီးပွားရေးပြဿနာတစ်ခုအသွင်ဖြင့် ဘောင်ခတ်ထားသည်။ ဟိုမှာ
ဤပြဿနာနှင့် သာမန်အတိုင်းအတာပြဿနာကြား ခြားနားချက်ဖြစ်သည်။
အကွာအဝေး။ ယင်းကိစ္စရပ်ကို အရောင်းအဖွဲ့မှ သိရှိလိုကြောင်း၊
လစဉ်အလိုက်၊ ကုန်ပစ္စည်းများ၊ ဂိုဒေါင်များနှင့် စုစုပေါင်းရောင်းချမှု
ဖောက်သည်များ ဂိုဒေါင်မှ ၅ မိုင်အကွာတွင် နေထိုင်သူဖြစ်သည်။
ဝယ်ကြတယ်။
ဝမ်းနည်းစရာမှာ၊ ဒီဇိုင်နာများ သို့မဟုတ် ဗိသုကာပညာရှင်များသည် ရိုးရိုးရှင်းရှင်းပင် ဖြစ်နိုင်သည်။
“ကျွန်ုပ်တို့မှာ ဖောက်သည်ရှိတယ်၊
ထုတ်ကုန်နှင့် ငါ dati သိုက်။ မရောက်မချင်း အကွာအဝေးကို ခွာကြပါစို့
နောက်တစ်ခု ထပ်လုပ်တယ်။
"အဖြေမှား။ ဤလုပ်ငန်းအမျိုးအစားသည် ပြဿနာကို အလေးထားသည်။
BI လုံးဝ ၎င်းသည် နက်နဲသော နားလည်မှုကို ကိုယ်စားပြုသည်။
ကျွန်ုပ်တို့၏လုပ်ငန်းနှင့် ကျွန်ုပ်တို့၏သုံးသပ်သူများအတွက် ခိုင်မာသော ခွဲခြမ်းစိတ်ဖြာနိုင်သောနေရာတစ်ခု။
BI သည် ရိုးရှင်းသောမေးမြန်းမှု သို့မဟုတ် စံအစီရင်ခံခြင်းထက် ကျော်လွန်နေပါသည်။
OLAP ပင်။ ဒီနည်းပညာတွေ မပါဘူးလို့ မဆိုလိုပါဘူး။
၎င်းတို့သည် သင့် BI အတွက် အရေးကြီးသော်လည်း ၎င်းတို့ကိုယ်တိုင် ကိုယ်စားမပြုပါ။
BI ပတ်ဝန်းကျင်။
သတင်းအချက်အလက်အကြောင်းအရာအတွက်ဒီဇိုင်း
(အချက်အလက်အကြောင်းအရာအတွက် ဒီဇိုင်း)
ယခု ကျွန်ုပ်တို့သည် ထင်ရှားပေါ်လွင်သော လုပ်ငန်းလိုအပ်ချက်များကို ဖော်ထုတ်နိုင်ပါပြီ။
ပုံတစ်ပုံတွင် အမျိုးမျိုးသော အခြေခံ အစိတ်အပိုင်းများကို ထည့်သွင်းရပါမည်။
အထွေထွေဗိသုကာ။ BI ၏ အစိတ်အပိုင်းအချို့သည် အစိတ်အပိုင်းများဖြစ်သည်။
ကျွန်ုပ်တို့၏ ကနဦးကြိုးပမ်းမှုအချို့ကို အကောင်အထည် ဖော်မည်မဟုတ်ပါ။
လပေါင်းများစွာ။
သို့သော်လည်း သိပြီးသား လိုအပ်ချက်အားလုံးကို ဒီဇိုင်းတွင် ထင်ဟပ်စေပါသည်။
နည်းပညာတစ်ခုခုကို အကောင်အထည်ဖော်ဖို့ လိုအပ်တဲ့အခါ၊
အဲဒါကိုလုပ်ဖို့အဆင်သင့်ပါ။ ပရောဂျက်နဲ့ပတ်သက်တဲ့ အတွေးအမြင်ကို ထင်ဟပ်စေပါလိမ့်မယ်။
ကွမ်းခြံကုန်း။
ဥပမာ၊ ပုံ 1.1 သည် အခန်း၏အစတွင် အချက်အလက်တစ်ခုပြသည်။
mart မှာ ထားရှိတဲ့ ဈ dati အတိုင်းအတာ။
ဒီအစုံ dati နောက်ပိုင်းအသုံးပြုမှုများကို ပံ့ပိုးရန် အသုံးပြုသည်။
dati အတိုင်းအတာ အတိုင်းအတာများကို စီးပွားရေးဆိုင်ရာ ပြဿနာများဖြင့် တွန်းအားပေးသည်။
ကျွန်ုပ်တို့ဖော်ထုတ်ခဲ့သည်။ နောက်ဆက်တွဲ စာရွက်စာတမ်းတွေ အတိုင်းပါပဲ။
ဒီဇိုင်း ဖွံ့ဖြိုးတိုးတက်မှု စသည်တို့ကို ထုတ်လုပ်ခဲ့သည်။ dati၊ ငါတို့
ဘယ်လိုပုံစံနဲ့ တရားဝင်စလုပ်မယ်။ dati ပတ်ဝန်းကျင်တွင် ပျံ့နှံ့သွားကြသည်။
i ကို ကိုယ်စားပြုရန် လိုအပ်ကြောင်းကို ကျွန်ုပ်တို့ သိရှိခဲ့ရပါသည်။ dati ဒီတော့
၎င်းတို့ကို ပိုင်းခြား၍ ပိုင်းခြားခြင်း (တိကျသော လိုအပ်ချက်အရ၊
) data marts တွင်ဆုံးဖြတ်သည်။
ဖြေရမယ့်မေးခွန်းကတော့ ဘယ်လိုတည်ဆောက်ကြမလဲ။
ဒီ data marts တွေလား?
အတုံးများကို ထောက်ရန် ကြယ်များကို တည်ဆောက်သလား၊
(သို့မဟုတ် ညာဘက်အတုံးများ သို့မဟုတ် ညာဘက်ကြယ်များ)။ ဒေတာဗိသုကာကို ဖန်တီးပါ။
အားလုံးအတွက် အက်တမ်အလွှာ လိုအပ်သော မှီခို မတ်များ 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 သင့်အမျိုးသား အရောင်းအင်အားစု၏ အတုံးတစ်ခုပေါ်တွင် လိုအပ်ပါသည်။
အပတ်စဉ် အခြေခံ သို့မဟုတ် နှစ်မျိုးလုံး။ အစွမ်းထက်သည့်အရာတစ်ခုကို တည်ဆောက်ပါ။
ငွေကြေးအတွက် DB2 OLAP ဆာဗာကဲ့သို့သော သို့မဟုတ် Cognos cubes
သင့်အရောင်းအဖွဲ့အစည်းအတွက် PowerPlay သို့မဟုတ် နှစ်ခုလုံးအတွက်လား။
ဒါတွေက ဗိသုကာ ဒီဇိုင်းဆိုင်ရာ ဆုံးဖြတ်ချက်ကြီးတွေပါပဲ။
ဤနေရာမှစပြီး သင်၏ BI ပတ်၀န်းကျင်ကို ထိခိုက်စေလိမ့်မည်။ ဟုတ်တယ်၊
သင်သည် OLAP အတွက် လိုအပ်ချက်တစ်ခုကို ထူထောင်ထားသည်။ အခု အဲဒါကို ဘယ်လို လုပ်မလဲ။
နည်းပညာအမျိုးအစားနှင့်နည်းပညာ?
အဆင့်မြင့်နည်းပညာအချို့က သင့်အပေါ် ဘယ်လိုအကျိုးသက်ရောက်လဲ။
ပုံတွေ? လိုအပ်ချက်တစ်ခုကို သင်ဖော်ထုတ်လိုက်ပြီဟု ကျွန်ုပ်တို့ ယူဆပါသည်။
သင့်အဖွဲ့အစည်းအတွင်း နေရာလွတ်။ ခုတော့ မင်းကို ပြန်သတိရလာပြီ။
မစီစဉ်ထားရင်တောင် ဗိသုကာပုံဆွဲတဲ့ကိစ္စတွေ
လအတော်ကြာ အာကာသ အစိတ်အပိုင်းများကို လုပ်ဆောင်ပါ။ ဗိသုကာပညာရှင်ဖြစ်ရမယ်။
ယနေ့ခေတ်တွင် လိုအပ်သည်များကို အခြေခံ၍ ဒီဇိုင်းဆွဲပါ။ လိုအပ်ချက်ကို ခန့်မှန်းပါ။
ထုတ်လုပ်ခြင်း၊ သိမ်းဆည်းခြင်း၊ လုပ်ဆောင်ခြင်းနှင့် ပံ့ပိုးပေးသော spatial ခွဲခြမ်းစိတ်ဖြာခြင်း။
ဝင်ရောက်ခွင့် dati အာကာသ။ ဤအလှည့်အဖြစ်ဆောင်ရွက်သင့်သည်။
နည်းပညာအမျိုးအစားနှင့် သတ်မှတ်ချက်များနှင့်ပတ်သက်၍ ကန့်သတ်ချက်များ၊
လောလောဆယ် စဉ်းစားနိုင်တဲ့ software platform ပါ။ ဘို့
ဥပမာအားဖြင့်၊ အုပ်ချုပ်ရေးစနစ် ဒေတာအခြေခံ relational
မင်းရဲ့ အနုမြူအလွှာအတွက် လုပ်ဆောင်ပေးတဲ့ (RDBMS) ရှိရမယ်။
ခိုင်မာသော spatial extension တစ်ခု ရနိုင်သည်။ ဒါက သေချာပေါက် သိလိမ့်မယ်။
ဂျီသြမေတြီနှင့် အရာဝတ္ထုများကို အသုံးပြုသောအခါတွင် အမြင့်ဆုံးစွမ်းဆောင်ရည်
သင်၏ ခွဲခြမ်းစိတ်ဖြာမှု အက်ပ်များတွင် နေရာလွတ်။ မင်းရဲ့ RDBMS မပါဘူးဆိုရင်
ငါကိုင်တွယ်နိုင်သည်။ dati (spatial-centric) internally ဆိုတော့ လုပ်ရပါလိမ့်မယ်။
တစ်ခုထူထောင်ပါ။ ဒေတာအခြေခံ (spatial-centric) ပြင်ပ။ ဒါက ရှုပ်ထွေးစေတယ်။
ပြဿနာစီမံခန့်ခွဲမှုနှင့် သင်၏ အလုံးစုံစွမ်းဆောင်ရည်ကို အလျှော့အတင်း၊
သင့်အတွက် ဖန်တီးထားသော နောက်ထပ်ပြဿနာများကို မဖော်ပြထားပါ။
DBA များသည် အနည်းငယ်မျှသာ နားလည်နိုင်သောကြောင့် ဖြစ်သည်။
အခြေစိုက်စခန်းများ dati spatial ပါဘဲ။ တစ်ဖက်မှာဆိုရင်တော့ အင်ဂျင်ပါဝါ ပါပါတယ်။
RDMBS သည် spatial အစိတ်အပိုင်းများနှင့် ဆက်စပ်မှုအားလုံးကို ကိုင်တွယ်သည်။
optimizer သည် အထူးလိုအပ်ချက်များကို သတိပြုမိသည် (ဥပမာ၊
spatial objects များ၏ indexing) ထို့နောက် သင်၏ DBA များသည် ၎င်းတို့ကို ကိုင်တွယ်နိုင်ပါသည်။
ပြဿနာများကို ချက်ချင်းစီမံခန့်ခွဲပြီး ၎င်းတို့ကို မြှင့်တင်နိုင်ပါသည်။
prestazioni
ထို့အပြင်၊ သင်ဇာတ်စင်ဧရိယာနှင့်အလွှာကိုချိန်ညှိရန်လိုအပ်သည်။
လိပ်စာရှင်းလင်းရေးပါဝင်ရန် အဏုမြူပတ်ဝန်းကျင် (က
spatial ခွဲခြမ်းစိတ်ဖြာခြင်းအတွက်အဓိကသော့ချက်) နှင့်အောက်ပါအချက်များ
အာကာသအရာဝတ္ထုများကိုသိမ်းဆည်းပါ။ ထုတ်ဝေမှုများ၏ဆက်ခံ
ယခု ကျွန်ုပ်တို့သည် သန့်ရှင်းရေး၏ သဘောတရားကို မိတ်ဆက်လိုက်ပြီဖြစ်သောကြောင့် ပုံဆွဲခြင်းကို ဆက်လက်လုပ်ဆောင်ပါသည်။
လိပ်စာ။ တစ်ချက်၊ ဤအပလီကေးရှင်းသည် အမျိုးအစားကို သတ်ပုံပေးလိမ့်မည်။
သင်၏ ETL ကြိုးပမ်းမှုအတွက် လိုအပ်သောဆော့ဖ်ဝဲ။
သင့်အား လိပ်စာတစ်ခုပေးရန် Trillium ကဲ့သို့သော ထုတ်ကုန်များ လိုအပ်ပါသည်။
သန့်ရှင်းသော သို့မဟုတ် ၎င်းကိုပေးဆောင်ရန် သင်ရွေးချယ်သော ETL ဝန်ဆောင်မှုပေးသူ
လုပ်ဆောင်နိုင်စွမ်း?
ယခုအချိန်တွင် ဒီဇိုင်းအဆင့်အတန်းကို တန်ဖိုးထားတတ်ရန် အရေးကြီးပါသည်။
သင်စတင်လုပ်ဆောင်ခြင်းမပြုမီ ပြီးမြောက်ရပါမည်။
ပတ်ဝန်းကျင် (ဂိုဒေါင်)။ အထက်ဖော်ပြပါ ဥပမာများသည် ဖြစ်သင့်သည်။
လိုက်နာရမည့် ဒီဇိုင်းဆုံးဖြတ်ချက်များစွာကို သရုပ်ပြပါ။
လုပ်ငန်းလိုအပ်ချက်တစ်ခုခုကို ဖော်ထုတ်ခြင်း။ ပြီးပြီဆိုလျှင်
မှန်ကန်စွာ၊ ဤဒီဇိုင်းဆုံးဖြတ်ချက်များ ရှေ့တိုးလာပါသည်။
သင့်ပတ်ဝန်းကျင်၏ ရုပ်ပိုင်းဆိုင်ရာတည်ဆောက်ပုံများအကြား အပြန်အလှန်မှီခိုမှု၊
နည်းပညာရွေးချယ်မှုနှင့် ပြန့်ပွားမှု စီးဆင်းမှုတို့ကို အသုံးပြုခဲ့သည်။
အချက်အလက်အကြောင်းအရာ။ ဒီလို သမားရိုးကျ ဗိသုကာပညာ မပါဘဲနဲ့
BI ၏၊ သင့်အဖွဲ့အစည်းသည် ရောနှောမှုတစ်ခုဖြစ်သည်။
ရှိပြီးသားနည်းပညာများ၏ ဖရိုဖရဲဖြစ်မှုမှာ အကောင်းဆုံးနည်းဖြင့် စည်းလုံးခြင်းပင်ဖြစ်သည်။
ထင်ရှားသော တည်ငြိမ်မှုကို ပေးစွမ်းရန် မတိကျပါ။
အချက်အလက်အကြောင်းအရာကို ထိန်းသိမ်းပါ။
သတင်းအချက်အလက်တန်ဖိုးကို သင့်အဖွဲ့အစည်းသို့ ယူဆောင်လာခြင်းသည် ဖြစ်သည်။
အလွန်ခက်ခဲသောစစ်ဆင်ရေး။ လုံလောက်သော နားလည်မှုမရှိဘဲ
အတွေ့အကြုံ၊ သို့မဟုတ် လုံလောက်သော အစီအစဉ်ဆွဲခြင်းနှင့် ပုံဆွဲခြင်းပင်
ပိုကောင်းတဲ့အသင်းတွေ ကျရှုံးလိမ့်မယ်။ တစ်ဖက်သား ဆိုလျှင် ကြီးမားသည်။
ပင်ကိုယ်နှင့်အသေးစိတ်စီစဉ်ထားသော်လည်းစည်းကမ်းမဲ့
ကွပ်မျက်လိုက်၊ မင်းရဲ့ပိုက်ဆံနဲ့ အချိန်တွေကို ဖြုန်းတီးပစ်လိုက်တယ်။
အဘယ်ကြောင့်ဆိုသော် သင်၏ အားထုတ်မှုသည် ကျရှုံးရန် အကျုံးဝင်သောကြောင့် ဖြစ်သည်။ သတင်းစကား ပါသင့်တယ်။
ရှင်းရှင်းလင်းလင်းဖြစ်ရမည်- ဤအရာများထဲမှ တစ်ခု သို့မဟုတ် တစ်ခုထက်ပို၍ ပျောက်ဆုံးနေပါက၊
ကျွမ်းကျင်မှု၊ နားလည်မှု/အတွေ့အကြုံ သို့မဟုတ် အစီအစဉ်ဆွဲခြင်း သို့မဟုတ် ပုံဆွဲခြင်း သို့မဟုတ်
လိုက်နာကျင့်သုံးမှု စည်းကမ်းသည် လေဖြတ်ခြင်းသို့ ဦးတည်သွားမည်ဖြစ်သည်။
BI အဖွဲ့ အစည်း၏ အဆောက်အအုံကို ဖျက်ဆီးပစ်သည်။
သင့်အဖွဲ့ လုံလုံလောက်လောက် ပြင်ဆင်ထားပါသလား။ မင်းရဲ့အပေါ်မှာ တစ်စုံတစ်ယောက်ရှိတယ်။
ရရှိနိုင်သော ကျယ်ပြန့်သော ခွဲခြမ်းစိတ်ဖြာမှု အခင်းအကျင်းကို နားလည်သော BI အဖွဲ့
BI ပတ်ဝန်းကျင်တွင် လိုအပ်သော နည်းပညာများနှင့် နည်းပညာများ
အဲဒီရှုခင်းကို အကောင်အထည်ဖော်ဖို့လား။ မင်းရဲ့အဖွဲ့ထဲမှာ တစ်ယောက်ယောက်ရှိတယ်။
အဆင့်မြင့်ကြားရှိ အက်ပ်လီကေးရှင်းကွာခြားချက်ကို အသိအမှတ်ပြုနိုင်သည်။
တည်ငြိမ်သောအစီရင်ခံခြင်းနှင့် OLAP သို့မဟုတ် ROLAP နှင့် OLAP အကြား ခြားနားချက်များရှိပါသလား။ မှတစ်ခုဖြစ်သော
သင့်အဖွဲ့သားများ၏ နည်းလမ်းကို ရှင်းရှင်းလင်းလင်း အသိအမှတ်ပြုသည်။
ထုတ်ယူခြင်းနှင့် ဂိုဒေါင်ကို မည်သို့အကျိုးသက်ရောက်နိုင်သနည်း။
ဂိုဒေါင်သည် သတ္တုတူးဖော်ရေး စွမ်းဆောင်ရည်ကို ထိန်းထားနိုင်ပါသလား။ အဖွဲ့ဝင်တစ်ဦး
အသင်း၏တန်ဖိုးကို နားလည်သည်။ dati အာကာသ သို့မဟုတ် နည်းပညာ
အေးဂျင့်အခြေစိုက်? သင့်တွင် ထူးခြားသောအပလီကေးရှင်းကို တန်ဖိုးထားသူတစ်ဦးရှိပါသလား။
ပွဲစားနည်းပညာနှင့် ETL ကိရိယာများ
မက်ဆေ့ချ်? သင့်တွင်တစ်ခုမရှိလျှင်တစ်ခုယူပါ။ BI က အများကြီး ပိုပါတယ်။
အစီအစဥ်အရ OLAP ၏ ပုံမှန်အနုမြူအလွှာ၏ ကြီးမားသော၊
ကြယ်ပွင့်နှင့် ODS တစ်ခု။
လိုအပ်ချက်များကို အသိအမှတ်ပြုရန် နားလည်မှုနှင့် အတွေ့အကြုံရှိရမည်။
BI နှင့် ၎င်းတို့၏ ဖြေရှင်းချက်များသည် သင့်စွမ်းရည်အတွက် မရှိမဖြစ်လိုအပ်ပါသည်။
သုံးစွဲသူ၏ လိုအပ်ချက်နှင့် ဒီဇိုင်းကို မှန်ကန်စွာ ပုံဖော်ပါ။
သူတို့ရဲ့ ဖြေရှင်းချက်တွေကို အကောင်အထည်ဖော်ပါ။ သင့်အသိုင်းအဝန်းတွင် အသုံးပြုသူရှိပါက
လိုအပ်ချက်များကိုဖော်ပြရန်ခက်ခဲသည်၊ ၎င်းသည်အဖွဲ့၏တာဝန်ဖြစ်သည်။
ဂိုဒေါင်က နားလည်မှုပေးတယ်။ အကြင်အဖွဲ့
ကုနျလှောငျရုံ
BI ၏ သီးခြားလျှောက်လွှာကို အသိအမှတ်မပြုပါ - ဥပမာ၊ ဒေတာ
သတ္တုတူးဖော်ခြင်း- ဒါဆို BI ပတ်ဝန်းကျင်မှာ လုပ်တာက အကောင်းဆုံးတော့ မဟုတ်ပါဘူး။
passive deposits တွေကို ကန့်သတ်ထားလေ့ရှိပါတယ်။ သို့သော် ဒါတွေကို လျစ်လျူရှုပါ။
နည်းပညာများသည် ၎င်းတို့၏ အရေးပါမှုနှင့် အကျိုးသက်ရောက်မှုကို လျော့ပါးမသွားပေ။
သင့်၏ စီးပွားရေးဆိုင်ရာ ထောက်လှမ်းရေး အလားအလာများ ပေါ်ထွန်းရေးအပေါ်
အဖွဲ့အစည်း နှင့် သင် ဒီဇိုင်းရေးဆွဲထားသော သတင်းအချက်အလက်ဆိုင်ရာ အဆောက်အဦများ ၊
မြှင့်တင်ရန်။
Planning တွင် ပုံဆွဲခြင်း၏ သဘောတရားများ ပါဝင်ရမည်။
နှစ်ခုစလုံးတွင် အရည်အချင်းရှိသော ပုဂ္ဂိုလ်တစ်ဦး လိုအပ်သည်။ ထို့အပြင် စီစဉ်မှု
အဖွဲ့၏ werehouse အတွေးအခေါ်နှင့် စောင့်ကြည့်မှု လိုအပ်သည်။
စံနှုန်းများ။ ဥပမာ- သင့်ကုမ္ပဏီတစ်ခု ထူထောင်ခဲ့လျှင်
စံပလက်ဖောင်း သို့မဟုတ် သင်ပြုလုပ်သော သီးခြား RDBMS ကို ဖော်ထုတ်ထားသည်။
ပလက်ဖောင်းကိုဖြတ်ပြီး စံချိန်စံညွှန်းသတ်မှတ်ချင်တာ၊ အဲဒါက ငါတို့အပေါ်မှာ တာဝန်ရှိတယ်။
အဖွဲ့သားတိုင်းသည် ထိုစံနှုန်းများကို လိုက်နာကြသည်။ ယေဘုယျအားဖြင့် တစ်ခု
အဖွဲ့သည် ပုံမှန်ဖြစ်အောင်ပြုလုပ်ရန် လိုအပ်သည် (အသုံးပြုသူအား ဖော်ထုတ်သည်။
ကွန်မြူနတီများ) သို့သော် အဖွဲ့ကိုယ်တိုင်က ပါဝင်ရန် ဆန္ဒမရှိပါ။
စံချိန်စံညွှန်းများသည် ကုမ္ပဏီရှိ အခြားနယ်ပယ်များတွင် သို့မဟုတ် နယ်ပယ်များတွင်ပင် ဖြစ်ကောင်းဖြစ်နိုင်သည်။
အလားတူကုမ္ပဏီများ။ ဒါဟာ ကြောင်သူတော်တွေသာမကဘဲ ကုမ္ပဏီကို ပါမလာဘူးဆိုတာ သေချာပါတယ်။
ရှိပြီးသားအရင်းအမြစ်များနှင့် ရင်းနှီးမြှုပ်နှံမှုများကို အသုံးချနိုင်စွမ်းရှိသည်။ မဆိုလိုပါ။
ပလက်ဖောင်းတစ်ခု သို့မဟုတ် တစ်ခုအား အာမခံနိုင်သည့် အခြေအနေများ မရှိပါ။
စံမဟုတ်သောနည်းပညာ; သို့သော်လည်း ဂိုဒေါင်၏ ကြိုးပမ်းမှု
လုပ်ငန်း၏စံနှုန်းများကို မနာလိုဝန်တိုစိတ်ဖြင့် ကာကွယ်သင့်သည်။
လုပ်ငန်းလိုအပ်ချက်များသည် အခြားနည်းဖြင့် မသတ်မှတ်ပါ။
BI တည်ဆောက်ရန် လိုအပ်သော တတိယ အဓိက အစိတ်အပိုင်း
အဖွဲ့အစည်းသည် စည်းကမ်းဖြစ်သည်။
စုစုပေါင်း၊ လူတစ်ဦးချင်းနှင့် ပတ်ဝန်းကျင်အပေါ် ညီတူညီမျှ မူတည်ပါသည်။
ပရောဂျက်စီစဉ်သူများ၊ စပွန်ဆာများ၊ ဗိသုကာပညာရှင်များနှင့် သုံးစွဲသူများသည် ၎င်းကို တန်ဖိုးထားရမည်ဖြစ်သည်။
ကုမ္ပဏီ၏ အချက်အလက်ဖွဲ့စည်းပုံ တည်ဆောက်ရန် လိုအပ်သော စည်းကမ်း။
ဒီဇိုင်နာများသည် ၎င်းတို့၏ ဒီဇိုင်းပိုင်းဆိုင်ရာ ကြိုးပမ်းအားထုတ်မှုများကို လမ်းညွှန်ပေးရမည်ဖြစ်သည်။
လူ့အဖွဲ့အစည်းအတွင်း အခြားလိုအပ်သော ကြိုးပမ်းမှုများကို ပြီးမြောက်အောင် ဆောင်ရွက်ပါ။
ဥပမာအားဖြင့်၊ သင့်ကုမ္ပဏီသည် တည်ဆောက်သည်ဆိုပါစို့
ဂိုဒေါင်အစိတ်အပိုင်းပါရှိသော ERP အပလီကေးရှင်း။
ထို့ကြောင့် ERP ဒီဇိုင်နာများနှင့် ပူးပေါင်းဆောင်ရွက်ရန်မှာ တာဝန်ရှိပါသည်။
ဂိုဒေါင်ပတ်ဝန်းကျင်အဖွဲ့သို့မဟုတ်မယှဉ်ပြိုင်နိုင်အောင်
အလုပ်ကို စတင်နေပြီဖြစ်သည်။
စည်းကမ်းဆိုတာကလည်း သတိထားရမယ့် အကြောင်းအရာတစ်ခုပါ။
အဖွဲ့အစည်းတစ်ခုလုံးမှ တည်ထောင်ပြီး အပ်နှင်းလေ့ရှိပါသည်။
အမှုဆောင်အဆင့်။
မန်နေဂျာများသည် ရေးဆွဲထားသော ချဉ်းကပ်မှုကို လိုက်နာရန် ဆန္ဒရှိပါသလား။ တစ်
သတင်းအချက်အလတ် အကြောင်းအရာများကို ဖန်တီးရန် ကတိပြုသော ချဉ်းကပ်မှု
အဆုံးသည် လုပ်ငန်း၏ နယ်ပယ်အားလုံးအတွက် တန်ဖိုးကို ယူဆောင်လာလိမ့်မည်၊ သို့သော် ဖြစ်ကောင်းဖြစ်နိုင်သည်။
တစ်ဦးချင်း သို့မဟုတ် ဌာနဆိုင်ရာ အစီအစဉ်များကို အလျှော့ပေးပါသလား။ ဆိုရိုးစကားကို သတိရပါ။
"အရာရာကို တွေးတောခြင်းသည် တစ်ခုတည်းကို တွေးခြင်းထက် ပိုအရေးကြီးသည်"
ဤစကားသည် BI အဖွဲ့အစည်းများအတွက် မှန်ပါသည်။
ကံမကောင်းစွာဖြင့်၊ သိုလှောင်ရုံများစွာသည် ၎င်းတို့၏ ကြိုးစားအားထုတ်မှုများကို အာရုံစိုက်နေကြသည်။
သီးခြားဌာနတစ်ခုသို့ ရည်မှန်းပြီး တန်ဖိုးယူဆောင်လာရန် ကြိုးစားခြင်း။
သတ်မှတ်ထားသောအသုံးပြုသူများ၊ အဖွဲ့အစည်းနှင့်ပတ်သက်ပြီး အနည်းငယ်မျှသာ
အထွေထွေ။ မန်နေဂျာသည် အသင်းထံမှ အကူအညီတောင်းသည်ဆိုပါစို့
တဲအိမ်။ အဖွဲ့သည် ရက် 90 ကြာမြင့်သော အလုပ်တစ်ခုဖြင့် တုံ့ပြန်သည်။
သတ်မှတ်ထားသော အသိပေးချက် လိုအပ်ချက်များ ပေးပို့ခြင်းသာမက၊
မန်နေဂျာဆိုပေမယ့် အားလုံးသေချာပါတယ်။ dati အခြေခံအလွှာသို့ရောနှောထားသည်။
cube နည်းပညာကို မမိတ်ဆက်မီ အနုမြူဗုံး
အဆိုပြုချက်။
ဤ အင်ဂျင်နီယာ ထပ်လောင်း ခံဝန်ကတိကို အာမခံပါသည်။
werehouse မှအကျိုးရှိလိမ့်မည်။ dati မန်နေဂျာလိုအပ်သည်။
သို့သော်လည်း အမှုဆောင်က ပြင်ပအတိုင်ပင်ခံ ကုမ္ပဏီများနှင့် စကားပြောဆိုခဲ့သည်။
4 ထက်နည်းသောပေးပို့မှုနှင့်အတူ အလားတူလျှောက်လွှာကို အဆိုပြုထားသည်။
ရက်သတ္တပတ်။
အတွင်း werehouse အဖွဲ့သည် အရည်အချင်းပြည့်မီသည်ဟု ယူဆပါက၊
မန်နေဂျာက ရွေးချယ်ခွင့်ရှိတယ်။ စည်းမျဥ်းစည်းကမ်းကို ဘယ်သူက ပံ့ပိုးပေးနိုင်မလဲ။
ပိုင်ဆိုင်မှုကို ကြီးထွားစေရန် အပိုအင်ဂျင်နီယာ လိုအပ်သည်။
သတင်းအချက်အလက်ဆိုင်ရာလုပ်ငန်း သို့မဟုတ် သင့်ကိုယ်ပိုင်ဖန်တီးရန် သင်ရွေးချယ်နိုင်သည်။
အမြန်ဖြေရှင်းပါ။ နောက်ဆုံးတစ်ခုကတော့ တကယ်ပဲ ရွေးချယ်ခံရပုံပါပဲ။
မကြာခဏလွန်းပြီး အချက်အလက်ကွန်တိန်နာများကို ဖန်တီးရန်သာ လုပ်ဆောင်သည်။
အနည်းစု သို့မဟုတ် တစ်ဦးချင်းကိုသာ အကျိုးပြုသည်။
ရေတိုနှင့် ရေရှည်ပန်းတိုင်များ
ဗိသုကာပညာရှင်များနှင့် ပရောဂျက်ဒီဇိုင်နာများ သည် တရားဝင်အောင်ဆောင်ရွက်ရမည်။
ခြုံငုံဗိသုကာနှင့်အစီအစဥ်များအတွက်ရေရှည်အမြင်
BI အဖွဲ့အစည်းတွင် ကြီးပွားမည်။ ဤပေါင်းစပ်မှု
ရေတိုအကျိုးအမြတ်နှင့် ရေရှည်စီမံကိန်း
BI ၏နှစ်ဘက်ကြိုးပမ်းအားထုတ်မှုကိုကိုယ်စားပြုသည်။ ရေတို အကျိုးအမြတ်
deadline သည် BI ၏ အသွင်အပြင်နှင့် ထပ်ကာထပ်ကာ ဆက်စပ်နေသည်။
မင်းရဲ့ဂိုဒေါင်။
ဤနေရာတွင် စီမံကိန်းရေးဆွဲသူများ၊ ဗိသုကာပညာရှင်များနှင့် စပွန်ဆာများက အဓိကထားလုပ်ဆောင်ကြသည်။
သီးခြားလုပ်ငန်းလိုအပ်ချက်များနှင့် ကိုက်ညီသည်။ ဒီအဆင့်မှာ ရောက်နေပါတယ်။
ရုပ်ပိုင်းဆိုင်ရာ အဆောက်အဦများကို တည်ဆောက်ကြပြီး နည်းပညာများကို ဝယ်ယူကြသည်။
နည်းပညာများကို အကောင်အထည်ဖော်ကြသည်။ ကိုင်တွယ်ဖြေရှင်းရန် လုံးဝမဖွဲ့စည်းထားပေ။
သီးသန့်အသုံးပြုသူအသိုင်းအဝိုင်းက သတ်မှတ်ထားသည့် တိကျသောလိုအပ်ချက်များ။
သတ်မှတ်ထားသော လိုအပ်ချက်များကို ဖြေရှင်းရန်အတွက် အရာအားလုံးကို လုပ်ဆောင်ပြီးဖြစ်သည်။
သီးခြားအသိုင်းအဝိုင်းမှ။
သို့သော် ရေရှည်စီမံကိန်းသည် အခြားကဏ္ဍတစ်ခုဖြစ်သည်။
BI ၏ ဒီနေရာက အစီအစဥ်နဲ့ ပရောဂျက်တွေက သေချာပေါက်ဖြစ်လာတယ်။
ရုပ်ပိုင်းဆိုင်ရာဖွဲ့စည်းပုံ၊ ရွေးချယ်ထားသောနည်းပညာများနှင့်တည်ဆောက်ခဲ့သည်။
လုပ်ငန်းကို အာရုံစူးစိုက်မှုဖြင့် ပြုလုပ်ထားသော နည်းစနစ်များကို သိရှိနားလည်သည်။ ပြီးနောက်
စည်းလုံးညီညွတ်မှုကိုပေးသော ရေရှည်စီမံကိန်း
လုပ်ငန်းအကျိုးခံစားခွင့်များ အားလုံးရရှိစေရန်အတွက် လိုအပ်ပါသည်။
ရေတိုအကျိုးအမြတ်များ တွေ့ရှိရသည်။
သင်၏ BI အားထုတ်မှုကို အကြောင်းပြပါ။
Un ဒေတာဂိုဒေါင် သူ့အလိုလို သူ့အလိုလို တန်ဖိုးမရှိ။ တခြားမှာ
ပြောရရင်တော့ နည်းပညာတွေထဲမှာ မွေးရာပါတန်ဖိုး မရှိပါဘူး။
ဂိုဒေါင်နှင့် အကောင်အထည်ဖော်ရေးနည်းပညာများ။
မည်သည့် ဂိုဒေါင်၏ အားထုတ်မှု၏တန်ဖိုးကို လုပ်ဆောင်ချက်များတွင် တွေ့နိုင်သည်။
ဂိုဒေါင်ပတ်ဝန်းကျင်နှင့် အကြောင်းအရာများအတိုင်း လုပ်ဆောင်ခဲ့သည်။
အချိန်နှင့်အမျှ အသိပညာများ တိုးပွားလာသည်။ ဒါက နားလည်ဖို့ အရေးကြီးတဲ့ အချက်ပါ။
မည်သည့်အစပျိုးမှု၏တန်ဖိုးကို ခန့်မှန်းရန် သင်မကြိုးစားမီ
ဘယ်မှာလဲ။
မကြာခဏဆိုသလို၊ ဗိသုကာပညာရှင်များနှင့် ဒီဇိုင်နာများသည် တန်ဖိုးကိုအသုံးချရန် ကြိုးစားကြသည်။
ဂိုဒေါင်၏ ရုပ်ပိုင်းဆိုင်ရာနှင့် နည်းပညာပိုင်းဆိုင်ရာ အစိတ်အပိုင်းများ သည် အမှန်တကယ်တန်ဖိုးဖြစ်သည်
အပြုသဘောဆောင်သော သက်ရောက်မှုရှိသော စီးပွားရေး လုပ်ငန်းစဉ်များအပေါ် အခြေခံသည်။
ဂိုဒေါင်နှင့် ကောင်းစွာရရှိထားသော အချက်အလက်။
ဤနေရာတွင် BI တည်ထောင်ခြင်း၏စိန်ခေါ်မှုမှာ တည်ရှိနေသည်- ရင်းနှီးမြှုပ်နှံမှုကို သင်မည်ကဲ့သို့တရားမျှတအောင်ပြုလုပ်သနည်း။
အကယ်၍ အိမ်သည် ပင်ကိုယ်တန်ဖိုးမရှိပါက၊ ဒီဇိုင်နာများ
ပရောဂျက်သည် အကျိုးခံစားခွင့်များကို စုံစမ်းစစ်ဆေး၊ သတ်မှတ်ရန်နှင့် တရားဝင်အောင် လုပ်ရမည်။
ဂိုဒေါင်ကို အသုံးပြုမယ့်သူတွေက အောင်မြင်တယ်။
တိကျသောစီးပွားရေးလုပ်ငန်းစဉ်များ သို့မဟုတ် တန်ဖိုးကို မြှင့်တင်ပါ။
ကာကွယ်ထားသော အချက်အလက် သို့မဟုတ် နှစ်မျိုးလုံး။
လုပ်ငန်းကိစ္စများ ရှုပ်ထွေးစေရန်၊
ဂိုဒေါင်၏ အားထုတ်မှုဒဏ်ကြောင့် အကျိုးခံစားခွင့်များ ပေးစွမ်းနိုင်သည်။
"အတော်လေး" သို့မဟုတ် "အနည်းငယ်"။ များစွာသော အားသာချက်များကို ပေးစွမ်းသည်။
ရင်းနှီးမြှုပ်နှံမှုအပေါ် ပြန်အမ်းငွေ (ROI) ကိုတိုင်းတာရန် မြင်သာထင်သာမက်ထရစ်- ဥပမာ
ဥပမာအားဖြင့်၊ ကာလတစ်ခုအတွင်း ကုန်ပစ္စည်းစာရင်းကို ထပ်လောင်းလှည့်ခြင်း။
ပို့ဆောင်မှုတစ်ခုလျှင် တိကျသော သို့မဟုတ် သက်သာသော ပို့ဆောင်ခအတွက်။ အဲဒါ ပိုတယ်။
ပိုမိုကောင်းမွန်သောဝင်ရောက်ခွင့်ကဲ့သို့သော အကျိုးကျေးဇူးအနည်းငယ်ကို သတ်မှတ်ရန် ခက်ခဲသည်။
အချက်အလက်၊ မြင်သာထင်သာရှိသောတန်ဖိုး။
သိရန် သင့်ပရောဂျက်ကို ချိတ်ဆက်ပါ။
စီးပွားရေးတောင်းဆိုမှုများ
မကြာခဏဆိုသလို၊ ပရောဂျက်ဒီဇိုင်နာများသည် တန်ဖိုးကိုချိတ်ဆက်ရန် ကြိုးစားကြသည်။
amorphous ကုမ္ပဏီ ရည်ရွယ်ချက်များဖြင့် ဂိုဒေါင်၏ အဲဒါကို ကြေငြာတယ်။
“ဂိုဒေါင်တစ်ခုရဲ့တန်ဖိုးက ကျွန်တော်တို့ လုပ်နိုင်စွမ်းပေါ် မူတည်တယ်။
ဗျူဟာမြောက် တောင်းဆိုချက်များကို ဖြည့်ဆည်းပေးသည်” ဟု ကျွန်ုပ်တို့ ဖွင့်ဆိုသည်။
မိန့်ခွန်း ဒါပေမယ့် ဟုတ်မဟုတ် ဆုံးဖြတ်ဖို့ တစ်ခုတည်းနဲ့ မလုံလောက်ပါဘူး။
Inventory တွင် ရင်းနှီးမြုပ်နှံခြင်းသည် အဓိပ္ပာယ်ရှိသည်။ ထပ်ခါထပ်ခါ ချိတ်ဆက်တာက ပိုကောင်းပါတယ်။
တိကျပြီးလူသိများသော လုပ်ငန်းတောင်းဆိုမှုများပါရှိသော ဂိုဒေါင်များ။
ROI တိုင်းတာ
ဂိုဒေါင်ဆက်တင်တွင် ROI တွက်ချက်ခြင်းဖြစ်နိုင်သည်။
အထူးခက်ခဲသည်။ အားသာချက်ရှိလျှင် အထူးခက်ခဲသည်။
ထပ်ခါတလဲလဲပြုလုပ်ခြင်း၏ အဓိကအချက်မှာ မမြင်နိုင်သော အရာတစ်ခု သို့မဟုတ် ဖြစ်သည်။
တိုင်းတာရန်လွယ်ကူသည်။ လေ့လာမှုတစ်ခုအရ သုံးစွဲသူများက ရိပ်မိကြသည်။
BI ပဏာမခြေလှမ်းများ၏ အဓိကအားသာချက်နှစ်ခု
▪ ဆုံးဖြတ်ချက်များဖန်တီးနိုင်စွမ်းကို ဖန်တီးပါ။
▪ သတင်းအချက်အလက်ရယူခွင့်ကို ဖန်တီးပါ။
ဤအကျိုးကျေးဇူးများသည် ပျော့ပျောင်းခြင်း (သို့မဟုတ်) အပျော့စား အကျိုးကျေးဇူးများဖြစ်သည်။ ကြည့်ရတာ လွယ်ပါတယ်။
ခဲယဉ်းသောခဲ (သို့မဟုတ်) ပေါ်မူတည်၍ ROI ကို မည်သို့တွက်ချက်နိုင်မည်နည်း။
greater) သယ်ယူပို့ဆောင်ရေး စရိတ်စကတွေကို ဘယ်လိုလျှော့ချပေးတာမျိုး၊
ပိုမိုကောင်းမွန်သော ဆုံးဖြတ်ချက်များချနိုင်မှုစွမ်းရည်ကို ကျွန်ုပ်တို့ တိုင်းတာပါသလား။
ဒါက ပရောဂျက် ဒီဇိုင်နာတွေအတွက် သေချာပေါက် စိန်ခေါ်မှုတစ်ခုပါပဲ။
၎င်းတို့သည် ကုမ္ပဏီအား သီးသန့်တစ်ခုတွင် ရင်းနှီးမြှုပ်နှံရန် ဆွဲဆောင်ရန် ကြိုးစားနေကြသည်။
ဂိုဒေါင်ကြိုးစားမှု။ အရောင်းမြှင့်တင်ခြင်း သို့မဟုတ် ကုန်ကျစရိတ်များ လျှော့ချခြင်း။
၎င်းတို့သည် BI ပတ်ဝန်းကျင်ကို မောင်းနှင်သည့် အဓိကအကြောင်းအရာများ မဟုတ်တော့ပါ။
ယင်းအစား၊ သင်သည် ဝင်ရောက်ခွင့်အတွက် လုပ်ငန်းဆိုင်ရာ တောင်းဆိုမှုများကို ကြည့်ရှုနေပါသည်။
ဒါမှ ဌာနတစ်ခုရဲ့ အချက်အလက်တွေကို အကောင်းဆုံး သိရှိနိုင်မှာပါ။
ပိုမြန်တဲ့ ဆုံးဖြတ်ချက်တွေ ချပါ။ ယင်းတို့သည် ဗျူဟာမြောက် မောင်းနှင်အားများဖြစ်သည်။
လုပ်ငန်းအတွက် တန်းတူရည်တူ အရေးကြီးသော်လည်း၊
ပိုမိုရှင်းလင်းပြတ်သားပြီး မြင်သာထင်သာသောမက်ထရစ်တစ်ခုတွင် လက္ခဏာရပ်ပြရန် ပို၍ခက်ခဲသည်။
ဤကိစ္စတွင်၊ ROI တွက်ချက်ခြင်းသည် မသက်ဆိုင်ပါက လှည့်စားနိုင်သည်။
ပရောဂျက် ဒီဇိုင်နာများသည် တန်ဖိုးကို သရုပ်ပြနိုင်ရမည်။
ရင်းနှီးမြုပ်နှံရန်ရှိမရှိ ဆုံးဖြတ်ရန် အမှုဆောင်အရာရှိများအတွက် မြင်သာထင်သာရှိခြင်း။
အထူးတလည် ထပ်တလဲလဲ အကျုံးဝင်ပါသည်။ သို့သော် အသစ်တစ်ခုကို အဆိုပြုမည်မဟုတ်ပါ။
ROI တွက်ချက်ခြင်းနည်းလမ်း၊ သို့မဟုတ် အကြောင်းပြချက်များအတွက် ကျွန်ုပ်တို့ ပြုလုပ်မည်မဟုတ်ပါ။
ဆန့်ကျင်ဘက်။
အခြေခံအကြောင်းအရာများကို ဆွေးနွေးနိုင်သော ဆောင်းပါးများနှင့် စာအုပ်များစွာရှိပါသည်။
ROI တွက်ချက်ပါ။ တန်ဖိုးတစ်ခုအနေနဲ့ အထူးတန်ဖိုးအဆိုပြုချက်တွေရှိတယ်။
on Investing (VOI) ကို သင်တတ်နိုင်သလောက် Gartner ကဲ့သို့သော အဖွဲ့များမှ ကမ်းလှမ်းသည်။
သုတေသနလုပ်ဖို့။ ယင်းအစား ကျွန်ုပ်တို့သည် မည်သည့်အရာ၏ အဓိကရှုထောင့်ကို အာရုံစိုက်မည်နည်း။
ROI သို့မဟုတ် အခြားတန်ဖိုးအဆိုပြုချက်များကို သင်ထည့်သွင်းစဉ်းစားရန် လိုအပ်သည်။
ROI လျှောက်ထားခြင်း။
“ခက်” အကျိုးကျေးဇူးများအပြင် “ပျော့ပျောင်းသော” အကျိုးခံစားခွင့်များ ငြင်းခုံမှု
BI ကြိုးပမ်းမှုများနှင့် ဆက်စပ်စဉ်းစားရန် အခြားပြဿနာများ ရှိသေးသည်။
ROI လျှောက်ထားသောအခါ။ ဥပမာအားဖြင့်:
လာမည့် DW ကြိုးပမ်းမှုများတွင် စုဆောင်းငွေများစွာကို ထည့်သွင်းဖော်ပြပါ။
ဘယ်ကိစ္စမဆို
သင့်ကုမ္ပဏီသည် ဗိသုကာလက်ရာတစ်ခုမှ ဆင်းသက်လာသည်ဟု ဆိုကြပါစို့
ဖြန့်ဝေထားသော UNIX ပတ်ဝန်းကျင်သို့ ပင်မဘောင်။ ဒီတော့ တစ်ခုခုပေါ့။
ထိုကြိုးပမ်းအားထုတ်မှုမှ ရရှိနိုင်သော (သို့မဟုတ်) မရရှိနိုင်သော စုဆောင်းငွေ
လုံးဝ (?), to
ဂိုဒေါင်။
အရာအားလုံးအတွက် စာရင်းမသွင်းခြင်းသည် ငွေကုန်ကြေးကျများသည်။ ပြီးတော့ လုပ်စရာတွေ အများကြီးရှိတယ်။
အကောင့်သို့ယူ။ အောက်ပါစာရင်းကို သုံးသပ်ကြည့်ပါ-
▪ ဖြစ်နိုင်ခြေ အပါအဝင် လုပ်ငန်းစတင်ခြင်းကုန်ကျစရိတ်။
▪ ဆက်စပ်သိုလှောင်မှုနှင့်အတူ သီးခြား ဟာ့ဒ်ဝဲ ကုန်ကျစရိတ် e
ဆက်သွယ်ရေး
▪ စီမံခန့်ခွဲမှုအပါအဝင် ဆော့ဖ်ဝဲ၏ကုန်ကျစရိတ် dati နှင့် extensions များ
သုံးစွဲသူ/ဆာဗာ၊ ETL ဆော့ဖ်ဝဲ၊ DSS နည်းပညာများ၊ ကိရိယာများ
visualization၊ programming နှင့် flow applications များ
အလုပ်နှင့်စောင့်ကြည့်ဆော့ဖ်ဝဲ၊
▪ Structure ဒီဇိုင်းကုန်ကျစရိတ် datiနားလည်မှု နှင့်၊
optimization ၏
▪ ဆော့ဖ်ဝဲတည်ဆောက်ရေး ကုန်ကျစရိတ်သည် ကြိုးစားအားထုတ်မှုနှင့် တိုက်ရိုက်သက်ဆိုင်သည်။
BI
▪ ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ခြင်းအပါအဝင် အိမ်ပံ့ပိုးမှုကုန်ကျစရိတ်
ဆော့ဖ်ဝဲလ်ဗားရှင်းထိန်းချုပ်မှုနှင့် စွမ်းဆောင်ရည်တို့ပါဝင်သည်။
ကူညီဆောင်ရွက်မှုများ
“Big-Bang” ROI ကို အသုံးပြုပါ။
တစ်ခုတည်းနှင့် အလွန်ကြီးမားသော အားထုတ်မှုအဖြစ် ဂိုဒေါင်၏ဖန်တီးမှု
ကျရှုံးရန် ကန့်သတ်ထားသောကြောင့် အစပျိုးမှုတစ်ခုအတွက် ROI ကိုလည်း တွက်ချက်ပါ။
လုပ်ငန်းကြီးများ၏ ကမ်းလှမ်းမှုသည် အံ့သြစရာဖြစ်ပြီး ဒီဇိုင်နာများ
တစ်ခုလုံး၏တန်ဖိုးကို ခန့်မှန်းရန် အားနည်းသော ကြိုးပမ်းမှုများကို ဆက်လက်လုပ်ဆောင်ပါ။
ကြိုးစားအားထုတ်မှု။
ဘာကြောင့်လဲဆိုတော့ ဒီဇိုင်နာတွေက ငွေကြေးတန်ဖိုးကို ပေးစွမ်းဖို့ ကြိုးစားကြတယ်။
လုပ်ငန်းအစပြုမှုအပေါ် ကျယ်ကျယ်ပြန့်ပြန့် သိပြီး လက်ခံပါက၊
သတ်မှတ်ထားသော ကိုယ်စားလှယ်များကို ခန့်မှန်းရန် ခက်ခဲပါသလား။ ဘယ်လိုဖြစ်နိုင်မလဲ။ မဟုတ်ပါဘူး
ခြွင်းချက်အနည်းငယ်ဖြင့် ဖြစ်နိုင်သည်။ မလုပ်ပါနဲ့။
တွက်ချက်တဲ့အခါမှာ မလုပ်သင့်တာတွေကို ချမှတ်ပြီးပါပြီ။
ROI၊ ဤနေရာတွင် ကျွန်ုပ်တို့ကို အဓိပ္ပါယ်ဖွင့်ဆိုရာတွင် အထောက်အကူဖြစ်စေမည့် အချက်အချို့ရှိပါသည်။
သင်၏ BI ကြိုးပမ်းမှုများ၏ တန်ဖိုးကို ခန့်မှန်းရန်အတွက် ယုံကြည်စိတ်ချရသော လုပ်ငန်းစဉ်တစ်ခု။
ROI သဘောတူညီမှု ရယူခြင်း။ မသက်ဆိုင်ပါ။
သင်၏ BI ကြိုးပမ်းမှုတန်ဖိုးကို ခန့်မှန်းရန် နည်းစနစ်ရွေးချယ်မှု ရှိရမည်။
ပရောဂျက်ရေးဆွဲသူများ အပါအဝင် ပါတီအားလုံးက သဘောတူညီရန်၊
စပွန်ဆာများနှင့် ကုမ္ပဏီအမှုဆောင်များ။
ROI ကို ခွဲခြားနိုင်သော အစိတ်အပိုင်းများအဖြစ် လျှော့ချပါ။ လိုအပ်သောခြေလှမ်းတစ်ခုဆီသို့
ROI ၏ ကျိုးကြောင်းဆီလျော်စွာ တွက်ချက်ခြင်းသည် ထိုတွက်ချက်မှုအပေါ် အာရုံစိုက်ရန်ဖြစ်သည်။
သီးခြားစီမံကိန်း။ ဒါမှ သင့်တန်ဖိုးကို ခန့်မှန်းနိုင်စေမှာပါ။
ဖြည့်ဆည်းပေးသော လုပ်ငန်းလိုအပ်ချက်များအပေါ် အခြေခံသည်။
ကုန်ကျစရိတ်များကိုသတ်မှတ်ပါ။ ဖော်ပြခဲ့သည့်အတိုင်း ကုန်ကျစရိတ်များစွာရှိရမည်။
စဉ်းစားသည်။ ထို့အပြင် ကုန်ကျစရိတ်များသည် ဆက်စပ်ကုန်ကျစရိတ်များသာမက ကုန်ကျစရိတ်များပါ ပါဝင်ရမည်ဖြစ်သည်။
တစ်ကြိမ်တည်းအတွက်သာမက ဆက်စပ်ကုန်ကျစရိတ်များပါ
ကုမ္ပဏီစံနှုန်းများနှင့် ကိုက်ညီမှုရှိစေရန်။
အကျိုးကျေးဇူးများကိုသတ်မှတ်ပါ။ လိုအပ်ချက်များနှင့် ROI ကို ရှင်းလင်းစွာချိတ်ဆက်ခြင်း။
တိကျသောစီးပွားရေးလုပ်ငန်းများကိုကျွန်ုပ်တို့သည်ဖော်ထုတ်နိုင်သင့်သည်။
လိုအပ်ချက်များကို ဖြည့်ဆည်းပေးမည့် အားသာချက်များ။
မကြာမီ အကျိုးအမြတ်အတွက် ကုန်ကျစရိတ်နှင့် အကျိုးကျေးဇူးများကို လျှော့ချပါ။ ဒါဟာလမ်းပါပဲ။
သင်၏တန်ဖိုးများကို အသားတင်ပစ္စုပ္ပန်တန်ဖိုးပေါ်တွင် အခြေခံရန် အကောင်းဆုံးဖြစ်သည်။
(NPV) သည် အနာဂတ်တန်ဖိုးအတွက် ခန့်မှန်းရန် ကြိုးပမ်းခြင်းကို ဆန့်ကျင်သည်။
အနာဂတ်ဝင်ငွေများ။
သင်၏ ROI ကို အနည်းဆုံးဖြစ်အောင် ပိုင်းခြားရန် အချိန်ကိုထားပါ။ AND'
သင့်အတွက် အသုံးပြုထားသည်မှာ အချိန်ကြာမြင့်စွာ မှတ်တမ်းတင်ထားသည်။
ရွယ်။
ROI ဖော်မြူလာတစ်ခုထက်ပို၍ အသုံးပြုပါ။ နည်းလမ်းပေါင်းများစွာရှိပါတယ်။
ROI ခန့်မှန်းချက်တစ်ခု သို့မဟုတ် သင်အသုံးပြုရန် အစီအစဉ်ဆွဲသင့်သည်။
အပေါင်း၊ အသားတင် ပစ္စုပ္ပန်တန်ဖိုး၊ ပြန်ခြင်း၏ အတွင်းအလျင် အပါအဝင်
(IRR) နှင့် ပြန်လည်ထူထောင်ရေး။
ထပ်ခါတလဲလဲ လုပ်နိုင်တဲ့ လုပ်ငန်းစဉ်ကို သတ်မှတ်ပါ။ ဒါက တွက်ချက်ဖို့ အရေးကြီးပါတယ်။
ရေရှည်တန်ဖိုး။ မှတ်တမ်းတင်ထားသင့်သည်။
ပရောဂျက်နောက်ဆက်တွဲများအားလုံးအတွက် ထပ်ခါတလဲလဲလုပ်ဆောင်နိုင်သော လုပ်ငန်းစဉ်တစ်ခု
လိုက်နာပါ။
ဖော်ပြထားသော ပြဿနာများသည် ကျွမ်းကျင်သူများ သတ်မှတ်သည့် အဖြစ်အများဆုံး ပြဿနာများ ဖြစ်သည်။
werehouse ပတ်ဝန်းကျင်၏ စီမံခန့်ခွဲမှုအပိုင်းတွင် အခိုင်အမာ
“Big-Bang” ROI ပေးပို့ရခြင်းသည် အလွန်ရှုပ်ထွေးသည်။ အားလုံးကို စတင်လိုက်လျှင်
သင်၏ ROI တွက်ချက်မှုများကို ခွဲခြားသိမြင်နိုင်သော၊ မြင်သာထင်သာသောအပိုင်းများအဖြစ် လျှော့ချခြင်းဖြင့် သင့်တွင်ရှိသည်။
တိကျသော ROI တန်ဖိုးကို ခန့်မှန်းရန် အခွင့်အလမ်းကောင်း။
ROI အကျိုးခံစားခွင့်များဆိုင်ရာ မေးခွန်းများ
မင်းရဲ့ အကျိုးကျေးဇူးတွေက ဘယ်လိုပဲ ပျော့ပျောင်းတယ် ခက်တယ် မင်းက အဲဒါတွေကို သုံးနိုင်တယ်။
၎င်းတို့၏တန်ဖိုးကို ဆုံးဖြတ်ရန် အခြေခံမေးခွန်းအချို့။ ရန်
ဥပမာအားဖြင့် 1 မှ 10 အထိ ရိုးရှင်းသော အတိုင်းအတာစနစ်တစ်ခုကို အသုံးပြုသည်။
အောက်ပါတို့ကို အသုံးပြု၍ မည်သည့်အားထုတ်မှု၏ အကျိုးသက်ရောက်မှုကို သင်ခြေရာခံနိုင်ပါသည်။
ဒိုမန်းဒီ
▪ နားလည်မှုကို သင်မည်ကဲ့သို့ အဆင့်သတ်မှတ်မည်နည်း။ dati ဒါကို လိုက်နာပါ။
မင်းကုမ္ပဏီရဲ့ ပရောဂျက်လား။
▪ ရလဒ်အနေဖြင့် လုပ်ငန်းစဉ်တိုးတက်မှုများကို သင်မည်ကဲ့သို့ ခန့်မှန်းမည်နည်း။
ဒီပရောဂျက်?
▪ ယခု ထိုးထွင်းသိမြင်မှုနှင့် ကောက်ချက်အသစ်များ၏ အကျိုးသက်ရောက်မှုကို သင်မည်ကဲ့သို့ တိုင်းတာမည်နည်း။
ဤအထပ်ထပ်အားဖြင့် ရရှိနိုင်ပါသည်။
▪ ကွန်ပြူတာပတ်ဝန်းကျင်အသစ်များ၏ သက်ရောက်မှုများ အီး
သင်ယူခဲ့ရတဲ့ ရလဒ်တစ်ခုအနေနဲ့ လုပ်ဆောင်နေတာလား။
ဒီမေးခွန်းတွေရဲ့ အဖြေက နည်းနေတယ်ဆိုရင် အဲဒါ ဖြစ်နိုင်တယ်။
ကုမ္ပဏီသည် ရင်းနှီးမြှုပ်နှံမှုနှင့် မထိုက်တန်ပါ။ မေးခွန်းတွေက မြင့်တယ်။
ရမှတ်သည် သိသာထင်ရှားသောတန်ဖိုးအမြတ်များနှင့် သင့်အား အမှတ်အသားပြုသည်။
နောက်ထပ်စုံစမ်းစစ်ဆေးမှုအတွက် လမ်းညွှန်များအဖြစ် ဆောင်ရွက်ပါ။
ဥပမာအားဖြင့်၊ လုပ်ငန်းစဉ်တိုးတက်မှုအတွက် မြင့်မားသောရမှတ်
ဒီဇိုင်နာတွေကို လုပ်ငန်းစဉ်တွေက ဘယ်လိုမျိုးလဲဆိုတာ ဆန်းစစ်ဖို့ ဦးတည်သင့်တယ်။
တိုးတက်ခဲ့သည်။ သင်ရရှိသော အကျိုးကျေးဇူးအချို့ သို့မဟုတ် အားလုံးကို သင်တွေ့ရှိနိုင်သည်။
၎င်းတို့သည် မြင်သာထင်သာရှိသောကြောင့် ငွေကြေးတန်ဖိုးကို အလွယ်တကူ ရယူနိုင်သည်။
လျှောက်ထားသည်။
ပထမအကြိမ် ထပ်လောင်းခြင်းမှ အကောင်းဆုံးရယူပါ။
ကုနျလှောငျရုံ
သင့်လုပ်ငန်းရဲ့ ကြိုးစားအားထုတ်မှုရဲ့ အကြီးမားဆုံးရလဒ်ကတော့ မကြာခဏဆိုသလိုပါပဲ။
ပထမအကြိမ်အနည်းငယ်ထပ်လုပ်ပါ။ ဒါတွေဟာ ရှေးယခင်ကတည်းက အားထုတ်တာ။
အများသူငှာ အသုံးဝင်ဆုံး အချက်အလက် အကြောင်းအရာကို ထူထောင်ပါ။
နောက်ဆက်တွဲတွေအတွက် နည်းပညာဖောင်ဒေးရှင်းအကူအညီကို ထူထောင်တယ်။
BI လျှောက်လွှာများ။
အများအားဖြင့် နောက်ဆက်တွဲ နောက်ဆက်တွဲ အမျိုးမျိုး dati စီမံကိန်း
ဂိုဒေါင်များသည် ကုမ္ပဏီအတွက် အပိုဆောင်းတန်ဖိုး လျော့နည်း၍ လျော့နည်းစေသည်။
အထွေထွေ။ ထပ်တလဲလဲ မလုပ်ရင် အထူးသဖြင့် မှန်ပါတယ်။
အကြောင်းအရာအသစ်များကို ပေါင်းထည့်သည် သို့မဟုတ် အသစ်တစ်ခု၏ လိုအပ်ချက်များနှင့် မကိုက်ညီပါ။
သုံးစွဲသူအသိုင်းအဝိုင်း။
သိမ်းဆည်းခြင်း၏ ဤအင်္ဂါရပ်သည် ဘက်ထရီများနှင့်လည်း သက်ဆိုင်ပါသည်။
ကြီးထွားလာသည်။ dati သမိုင်းပညာရှင်များ။ နောက်ဆက်တွဲအနေနဲ့ အားထုတ်မှုတွေ ပိုလိုအပ်ပါတယ်။
dati နှင့်မည်မျှပို dati အများစုမှာ အချိန်ကြာလာသည်နှင့်အမျှ ဂိုဒေါင်ထဲသို့ လောင်းကြသည်။
dati အသုံးပြုထားသော ခွဲခြမ်းစိတ်ဖြာမှုနှင့် သက်ဆိုင်မှု နည်းပါးလာသည်။ ဒါတွေ dati အိပ်
ခေါ်လေ့ရှိပါတယ်။ dati မြုံနေတာကြောင့် သူတို့ကို ထားဖို့ အမြဲစျေးကြီးတယ်။
သူတို့က လုံးဝနီးပါး အသုံးမချတတ်ပါ။
ပရောဂျက်စပွန်ဆာများအတွက် ၎င်းသည် ဘာကိုဆိုလိုသနည်း။ တကယ်တန်းတော့ ဈ
အစောပိုင်းစပွန်ဆာများသည် ရင်းနှီးမြှုပ်နှံမှုကုန်ကျစရိတ် မည်မျှရှိသည်ကို ပိုမိုမျှဝေပါသည်။
၎င်းတို့သည် အလွှာကို တည်ထောင်ရန် တွန်းအားများဖြစ်သောကြောင့်၊
ကျယ်ပြန့်သောနည်းပညာပတ်ဝန်းကျင်နှင့် သိုလှောင်ရုံအရင်းအမြစ်များ၊
အော်ဂဲနစ်အပါအဝင်။
သို့သော် ဤပထမအဆင့်များသည် တန်ဖိုးအမြင့်ဆုံးကို ဆောင်ကြဉ်းပေးသောကြောင့် ဒီဇိုင်နာများဖြစ်သည်။
ပရောဂျက်များသည် ရင်းနှီးမြုပ်နှံမှုကို အကြောင်းပြလေ့ရှိသည်။
သင်၏ BI အစပျိုးပြီးနောက် လုပ်ဆောင်ခဲ့သော ပရောဂျက်များသည် ကုန်ကျစရိတ်များ ရှိနိုင်ပါသည်။
ယုတ်ညံ့သည် (ပထမနှင့် နှိုင်းယှဉ်လျှင်) တိုက်ရိုက်ဖြစ်သော်လည်း တန်ဖိုးနည်းသည်။
ကုမ္ပဏီသို့
အဖွဲ့အစည်း ပိုင်ရှင်များ စတင်စဉ်းစားရန် လိုအပ်ပါသည်။
စုဆောင်းခြင်းကို စွန့်ပစ်ပါ။ dati နှင့် သက်ဆိုင်မှုနည်းသော နည်းပညာများ။
ဒေတာတူးဖော်ခြင်း- ထုတ်ယူခြင်း။ Dati
များပြားလှသော ဗိသုကာ အစိတ်အပိုင်းများသည် ကွဲပြားမှုများ လိုအပ်သည်။
ဒေတာတူးဖော်ခြင်းနည်းပညာများနှင့် နည်းပညာများ—
ဥပမာအားဖြင့်၊ ကွဲပြားခြားနားသော "အေးဂျင့်များ" ၏စိတ်ဝင်စားဖွယ်အချက်များကိုဆန်းစစ်
ဖောက်သည်များကုမ္ပဏီ၏လည်ပတ်မှုစနစ်များနှင့် dw ကိုယ်တိုင်အတွက်။ ဒါတွေ
အေးဂျင့်များသည် အဆင့်မြင့် အာရုံကြောကွန်ရက်များကို လေ့ကျင့်သင်ကြားနိုင်ပါသည်။
pot trends တွေဖြစ်တဲ့ အနာဂတ်ထုတ်ကုန်ဝယ်လိုအားအပေါ်အခြေခံပါတယ်။
အရောင်းမြှင့်တင်ရေးများ၊ စည်းမျဉ်းအခြေခံ အင်ဂျင်များအတွက်
set ကိုတုံ့ပြန်ပါ။ Dato အခြေအနေများ ဥပမာ၊ ရောဂါရှာဖွေခြင်း။
ဆေးဘက်ဆိုင်ရာနှင့် ကုသမှု အကြံပြုချက်များ၊ သို့မဟုတ် ရိုးရှင်းသော အေးဂျင့်များပင်
အကြီးတန်းမန်နေဂျာများထံ ချွင်းချက်အစီရင်ခံခြင်း၏ အခန်းကဏ္ဍနှင့်အတူ (ထိပ်တန်း
အမှုဆောင်များ)။ ယေဘုယျအားဖြင့် ဤထုတ်ယူမှုလုပ်ငန်းစဉ်များ dati si
အချိန်နှင့်တပြေးညီစစ်ဆေးပါ။ ထို့ကြောင့် စည်းလုံးညီညွတ်ကြရမည်ဖြစ်သည်။
၏ရွေ့လျားမှုနှင့်အတူလုံးဝ dati မိမိကိုယ်ကို။
အွန်လိုင်း ခွဲခြမ်းစိတ်ဖြာမှု စီမံဆောင်ရွက်ခြင်း
အွန်လိုင်း ပိုင်းခြားစိတ်ဖြာချက်
လှီးဖြတ်၊ အန်စာတုံး ၊ လှိမ့် ၊ တူးနိုင်သည်
ခွဲခြမ်းစိတ်ဖြာမှုကိုဆောင်ရွက်ပါ။
What-if သည် အစုံလိုက်၏ ရည်ရွယ်ချက် နယ်ပယ်အတွင်းတွင် ရှိနေသည်။
IBM နည်းပညာ။ ဥပမာအားဖြင့်၊ ခွဲခြမ်းစိတ်ဖြာမှုလုပ်ဆောင်ခြင်းလုပ်ဆောင်ချက်များ
အွန်လိုင်း (OLAP) သည် အတိုင်းအတာ ခွဲခြမ်းစိတ်ဖြာမှုသို့ ယူဆောင်လာပေးသည့် DB2 အတွက် တည်ရှိနေသည်။
အင်ဂျင် ဒေတာဘေ့စ အတူတူပါပဲ။
Functions များသည် SQL တွင် Dimensional Utility ကိုထည့်သွင်းပေးပါသည်။
၎င်းတို့သည် DB2 ၏ သဘာဝအစိတ်အပိုင်းတစ်ခုဖြစ်ခြင်း၏ အကျိုးကျေးဇူးအားလုံးကို အသုံးချသည်။ နောက်တစ်မျိုး
OLAP ပေါင်းစည်းခြင်း၏ ဥပမာမှာ ထုတ်ယူခြင်းကိရိယာ DB2 ဖြစ်သည်။
OLAP Server Analyzer ဤနည်းပညာသည် cubes ကိုခွင့်ပြုသည်။
DB2 OLAP ဆာဗာသည် လျင်မြန်ပြီး အလိုအလျောက်ဖြစ်ရန်
ခွဲခြမ်းစိတ်ဖြာခွဲခြားခြင်းနှင့်အစီရင်ခံအပေါ်တန်ဖိုးများ dati ပုံမှန်မဟုတ်သော သို့မဟုတ် မျှော်လင့်မထားသော
cube တစ်လျှောက်လုံးမှာ စီးပွားရေးလေ့လာသူ။ နောက်ဆုံးအနေနဲ့ကတော့ လုပ်ဆောင်ချက်တွေပါ။
DW Center သည် ဗိသုကာပညာရှင်များအား စစ်ဆေးရန် နည်းလမ်းများ ပေးဆောင်သည်။
အခြားအရာများ၊ အစိတ်အပိုင်းတစ်ခုအနေဖြင့် DB2 OLAP server cube ၏ ပရိုဖိုင်
ETL လုပ်ငန်းစဉ်များ၏သဘာဝသဘာဝ။
Spatial Analysis Spatial Analysis
Space သည် ခွဲခြမ်းစိတ်ဖြာမှုကျောက်ဆူးများ ( leads ) ၏ တစ်ဝက်ကို ကိုယ်စားပြုသည်။
မြင်ကွင်းကျယ်အတွက် လိုအပ်ပါသည်။
ခွဲခြမ်းစိတ်ဖြာမှု ကျယ်ပြန့်သည် (အချိန်သည် အခြားတစ်ဝက်ကို ကိုယ်စားပြုသည်)။ အနုမြူအဆင့်
ပုံ 1.1 တွင် ဖော်ပြထားသည့် ဂိုဒေါင်၏ (atomic-level)၊
အချိန်နှင့် နေရာနှစ်ခုလုံးအတွက် အခြေခံအုတ်မြစ်များ ပါဝင်သည်။ အသံသွင်းခြင်းများ
အချိန်နှင့်လိပ်စာအချက်အလက်အတွက် အချိန်ကို ခွဲခြမ်းစိတ်ဖြာပါ။
anchor သည် အာကာသမှ ခွဲခြမ်းစိတ်ဖြာသည်။ အချိန်တံဆိပ်တုံးများ
၎င်းတို့သည် အချိန်နှင့်တပြေးညီ ခွဲခြမ်းစိတ်ဖြာမှုကို လုပ်ဆောင်ကြပြီး လမ်းညွှန်အချက်အလက်များက ဦးဆောင်သည်။
အာကာသဖြင့် ခွဲခြမ်းစိတ်ဖြာခြင်း။ ပုံတွင် geocoding-process ကိုပြသသည်။
လိပ်စာများကို မြေပုံပေါ်ရှိ အမှတ်များ သို့မဟုတ် အာကာသရှိ အမှတ်များအဖြစ် ပြောင်းလဲခြင်း။
အကွာအဝေးနှင့် အတွင်း/အပြင် ကဲ့သို့သော သဘောတရားများ ဖြစ်နိုင်သည်။
ခွဲခြမ်းစိတ်ဖြာမှုတွင်အသုံးပြုသည်- အက်တမ်အဆင့်နှင့် spatial ခွဲခြမ်းစိတ်ဖြာမှုတွင်အသုံးပြုသည်။
လေ့လာသူအား ရရှိနိုင်စေပါသည်။ IBM သည် တိုးချဲ့မှုများကို ပံ့ပိုးပေးသည်။
Environmental System Research Institute (ESRI) နှင့် အာကာသ၊
al ဒေတာဘေ့စ DB2 သည် space objects များဖြစ်နိုင်သည်။
၏ပုံမှန်အစိတ်အပိုင်းတစ်ခုအဖြစ်သိမ်းဆည်းထားသည်။ ဒေတာဘေ့စ ဆက်စပ်မှု။ db2
Spatial Extenders၊ SQL extensions အားလုံးကိုလည်း ပေးပါသည်။
spatial analysis ကို အသုံးချပါ။ ဥပမာအားဖြင့် SQL extensions များမှ
မေးခွန်းအကြောင်း
လိပ်စာများကြား အကွာအဝေး သို့မဟုတ် အမှတ်တစ်ခုသည် ဧရိယာအတွင်း သို့မဟုတ် အပြင်ဘက်ရှိမရှိ
သတ်မှတ်ထားသော polygonal၊ သည် Spatial နှင့် ခွဲခြမ်းစိတ်ဖြာမှုစံတစ်ခုဖြစ်သည်။
တိုးချဲ့မှုများ။ နောက်ထပ်အချက်အလက်များအတွက် အခန်း 16 ကိုကြည့်ပါ။
ဒေတာဘေ့စ-Resident Tools Tools များ ဒေတာဘေ့စ-
နေထိုင်သူ
DB2 တွင် အထောက်အကူဖြစ်စေသော BI-resident SQL အင်္ဂါရပ်များစွာရှိသည်။
ခွဲခြမ်းစိတ်ဖြာလုပ်ဆောင်ချက်၌။ ၎င်းတို့တွင်-
▪ “ရှာရန်” ကဲ့သို့သော ခွဲခြမ်းစိတ်ဖြာမှုကို လုပ်ဆောင်ရန် ပြန်ပြန်လည်ခြင်း လုပ်ဆောင်ချက်များ
ဖြစ်နိုင်ခြေရှိတဲ့ လေယာဉ်လမ်းကြောင်းအားလုံးကို ဆန်ဖရန်စစ္စကို a New York
"။
▪ အဆင့်သတ်မှတ်မှု၊ စုစည်းမှုလုပ်ဆောင်ချက်များ၊ cube အတွက် ခွဲခြမ်းစိတ်ဖြာမှုလုပ်ဆောင်ချက်များ
နှင့် ပုံမှန်ဖြစ်ပေါ်နေသော အလုပ်များကို လွယ်ကူချောမွေ့စေရန် စုစည်းမှုများ
OLAP နည်းပညာဖြင့်သာ ၎င်းတို့သည် ယခုအခါ သဘာဝ၏ အစိတ်အပိုင်းတစ်ခုဖြစ်သည်။
အင်ဂျင် ဒေတာဘေ့စ
▪ ရလဒ်များပါရှိသော ဇယားများကို ဖန်တီးနိုင်စွမ်း
ရောင်းချသူများ ဒေတာဘေ့စ ခေါင်းဆောင်များသည် BI စွမ်းရည်များထက် ရောထွေးနေသည်။
နဲလ် ဒေတာဘေ့စ ကိုယ်ပိုင်o။
အဓိက ပေးသွင်းသူများ ဒေတာအခြေခံ သူတို့ထက် ပိုရောစပ်နေတယ်။
BI လုပ်ဆောင်ချက်အတွက် ဒေတာဘေ့စ ကိုယ်ပိုင်o။
၎င်းသည် သင့်အတွက် ပိုမိုကောင်းမွန်သော စွမ်းဆောင်ရည်နှင့် အခြားရွေးချယ်စရာများကို ပံ့ပိုးပေးပါသည်။
BI ဖြေရှင်းချက်များ။
DB2 V8 ၏ အင်္ဂါရပ်များနှင့် လုပ်ဆောင်ချက်များကို ဆွေးနွေးထားပါသည်။
အောက်ပါအခန်းများတွင် အသေးစိတ်ဖော်ပြထားသည်။
နည်းပညာဗိသုကာနှင့် ဒေတာစီမံခန့်ခွဲမှု ဖောင်ဒေးရှင်းများ
အခန်း (၈)၊
▪ DB2 BI အခြေခံများ (အခန်း 6)
▪ DB2 Materialized Query ဇယားများ
ဇယားများ) (အခန်း ၇)
▪ DB2 OLAP လုပ်ဆောင်ချက်များ (အခန်း 13)
▪ DB2 မြှင့်တင်ထားသော BI အင်္ဂါရပ်များနှင့် လုပ်ဆောင်ချက်များ (မြှင့်တင်ထားသော BI
အင်္ဂါရပ်များနှင့် လုပ်ဆောင်ချက်များ) (အခန်း ၁၅)
ရိုးရှင်းသောဒေတာပေးပို့မှုစနစ်
ပို့ဆောင်မှုစနစ် dati ပုံဥပမာ
ပုံ 1.1 တွင်ဖော်ပြထားသောဗိသုကာလက်ရာအများအပြားပါဝင်သည်။
အဆောက်အဦများ dati ရုပ်ပိုင်းဆိုင်ရာ။ တစ်ခုမှာ ဂိုဒေါင်ဖြစ်သည်။ dati လုပ်ငန်းလည်ပတ်။
ယေဘုယျအားဖြင့် ODS သည် object oriented၊
ပေါင်းစပ်နှင့်လက်ရှိ။ ပံ့ပိုးကူညီရန် ODS တစ်ခုကို တည်ဆောက်ပါလား။ ဥပမာ
ဥပမာ အရောင်းရုံး။ ODS အရောင်းရရင် ဖြည့်မယ်။ dati
မတူညီသော စနစ်များစွာမှ လာသော်လည်း ထိန်းသိမ်းထားနိုင်သည် ဥပမာ၊
ဥပမာ၊ ယနေ့ အရောင်းအဝယ်များ။ ODS ကို update လုပ်နိုင်ပါတယ်။
တစ်နေ့လျှင် အကြိမ်များစွာပင်။ တစ်ချိန်တည်းမှာပင် လုပ်ငန်းစဉ်များ
တွန်းကြသည်။ dati အခြားအပလီကေးရှင်းများတွင် ပေါင်းစပ်ထားသည်။ ဒီဖွဲ့စည်းပုံက
ပေါင်းစပ်ရန် အထူးဒီဇိုင်းထုတ်ထားသည်။ dati လက်ရှိနှင့် ဒိုင်နမစ် အီး
အချိန်နှင့်တစ်ပြေးညီ ခွဲခြမ်းစိတ်ဖြာမှုများကို ပံ့ပိုးပေးမည့် ကိုယ်စားလှယ်လောင်းတစ်ဦး ဖြစ်လာနိုင်သည်၊
ဝန်ဆောင်မှု အေးဂျင့်တွေကို ဘယ်လို ပံ့ပိုးမလဲ။ ဖောက်သည်များ အရောင်းအချက်အလက်
အရောင်းလမ်းကြောင်းအချက်အလက်ကို ထုတ်ယူခြင်းဖြင့် ဖောက်သည်တစ်ဦး၏ လက်ရှိလမ်းကြောင်းများ
ဂိုဒေါင်ကိုယ်တိုင်မှ။ ပုံ 1.1 တွင်ပြထားသည့်နောက်ထပ်ဖွဲ့စည်းပုံမှာ
dw အတွက်တရားဝင်အခြေအနေတစ်ခု။ ဒီနေရာလေးတင်မကဘူး။
လိုအပ်သောပေါင်းစပ်မှု၏ကွပ်မျက်ခြင်း၏အရည်အသွေး datiနှင့်
အသွင်ပြောင်းခြင်း၏ dati Stock မကြာမီလာမည်၊ သို့သော်၎င်းလည်းဖြစ်သည်။
ယုံကြည်စိတ်ချရသော နှင့် ယာယီသိုလှောင်မှုဧရိယာ dati အဲဒါကို ပြန်ပြောပါ။
အချိန်နှင့်တစ်ပြေးညီ ခွဲခြမ်းစိတ်ဖြာမှုတွင် အသုံးပြုနိုင်သည်။ သင်ဆုံးဖြတ်လျှင်
ODS သို့မဟုတ် အဆင့်သတ်မှတ်ဧရိယာကို အသုံးပြုပါ။
ဤဖွဲ့စည်းပုံကိုဖြည့်ရန် အကောင်းဆုံးကိရိယာများ dati အသုံးပြုခြင်း
မတူညီသောလုပ်ငန်းလည်ပတ်မှုရင်းမြစ်များသည် DB2 ၏ ကွဲပြားသောဖြန့်ဝေမေးမြန်းချက်ဖြစ်သည်။
ဤစွမ်းရည်ကို DB2 ၏ ရွေးချယ်နိုင်သောအင်္ဂါရပ်ဖြင့် ပံ့ပိုးပေးပါသည်။
DB2 Relational Connect (query only) နှင့် DB2 မှတဆင့်
DataJoiner (အပလီကေးရှင်းကို ပို့ဆောင်ပေးသော သီးခြားထုတ်ကုန်၊
ထည့်သွင်းခြင်း၊ မွမ်းမံခြင်းနှင့် ဖျက်ခြင်း ဖြစ်နိုင်ခြေ a
ကွဲပြားသောဖြန့်ဝေ RDBMSs)။
ဒီနည်းပညာက ဗိသုကာပညာရှင်တွေကို ခွင့်ပြုပါတယ်။ dati ချည်ရန် dati di
ခွဲခြမ်းစိတ်ဖြာမှု လုပ်ငန်းစဉ်များဖြင့် ထုတ်လုပ်မှု။ နည်းပညာတွေ ပေးနိုင်ရုံတင်မကဘူး။
ကူးယူမှုတောင်းဆိုမှုတိုင်းနီးပါးနှင့် လိုက်လျောညီထွေဖြစ်အောင်
၎င်းတို့သည် အချိန်နှင့်တပြေးညီ ခွဲခြမ်းစိတ်ဖြာမှုများဖြင့် ပြသနိုင်သော်လည်း ၎င်းကို ပြုလုပ်နိုင်သည်။
၎င်းတို့သည် အခြေစိုက်စခန်းများစွာကို ချိတ်ဆက်နိုင်သည်။ dati più
DB2၊ Oracle၊ Sybase၊ SQL Server၊
Informix နှင့် အခြားအရာများ။ DB2 DataJoiner ကို ဖြည့်သွင်းရန် အသုံးပြုနိုင်သည်။
ဖွဲ့စည်းပုံတစ်ခု dati ODS သို့မဟုတ် စားပွဲတစ်ခုကဲ့သို့ တရားဝင်သည်။
ပြန်လည်ထူထောင်ရန်အတွက် ရည်ရွယ်ထားသော ဂိုဒေါင်ထဲတွင် အမြဲတမ်းကိုယ်စားပြုသည်။
အမြန်အပ်ဒိတ်များအတွက် သို့မဟုတ် ရောင်းရန်။ ထုံးစံအတိုင်း၊
ဒီလိုဘဲ တည်ဆောက်ထားပါတယ်။ dati အသုံးပြု၍ ဖြည့်သွင်းနိုင်ပါသည်။
ပုံတူပွားခြင်းအတွက် ဒီဇိုင်းထုတ်ထားသော နောက်ထပ်အရေးကြီးသော နည်းပညာတစ်ခုဖြစ်သည်။ dati, IBM က
DataPropagator ဆက်စပ်မှု။ (DataPropagator သည် သီးခြားထုတ်ကုန်တစ်ခုဖြစ်သည်။
ဗဟိုစနစ်များအတွက်။ DB2 UNIX၊ Linux၊ Windows နှင့် OS/2 တို့ ပါဝင်သည်။
ပုံတူခြင်းဝန်ဆောင်မှုများ dati စံအင်္ဂါရပ်အဖြစ်)။
ရွေ့လျားခြင်းအတွက် နောက်ထပ်နည်းလမ်းတစ်ခု dati လည်ပတ်နေသည်။
to enterprise သည် အခြားနည်းဖြင့် လုပ်ငန်းဆိုင်ရာ application integrator တစ်ခုဖြစ်သည်။
message broker.This ဟုခေါ်သည်။
ထူးခြားသောနည်းပညာသည် အလယ်ဗဟိုအတွက် ပြိုင်ဘက်ကင်းသော ထိန်းချုပ်မှုကို ခွင့်ပြုသည်။
(ပစ်မှတ်) နဲ့ ရွှေ့ပါ။ dati ကုမ္ပဏီပတ်လည်။ IBM မှာ ဖျန်ဖြေပေးသူရှိတယ်။
အသုံးအများဆုံး မက်ဆေ့ချ်၊ MQSeries သို့မဟုတ် ကွဲပြားမှု
ထုတ်ကုန်၏လိုအပ်ချက်များပါဝင်သည်။ e-commerce, IBM က
WebSphere MQ
MQ ကို မည်ကဲ့သို့ အသုံးချရမည်ကို ပိုမိုဆွေးနွေးရန်
ဂိုဒေါင်နှင့် BI ပတ်ဝန်းကျင်ကို သွားရောက်ကြည့်ရှုပါ။ ဝဘ်ဆိုဒ် စာအုပ်၏ အခုခေတ်က
ဤနည်းပညာသည် အလွန်ကောင်းမွန်သော နည်းလမ်းတစ်ခုဟု ဆိုရလောက်အောင်ပင်
ဖမ်းယူ၍ ပြောင်းလဲခြင်း (MQSeries Integrator ကို အသုံးပြု၍) dati
BI ဖြေရှင်းချက်များအတွက် ဗဟိုပြု (ပစ်မှတ်ထား) အော်ပရေတာများ ခေါ်ယူထားသည်။ ဟိုမှာ
MQ နည်းပညာကို UDB V8 တွင် ပေါင်းစပ်ထည့်သွင်းထားပါသည်။
မက်ဆေ့ချ်တန်းစီခြင်းကို ယခုစီမံခန့်ခွဲနိုင်ပြီဟု ဆိုလိုသည်။
၎င်းတို့သည် DB2 ဇယားများကဲ့သို့ဖြစ်သည်။ ဂဟေ သဘောတရား
တန်းစီထားသောစာများနှင့် စကြာဝဠာ၏ ဒေတာဘေ့စ ဆက်စပ်မှုကို ဦးတည်သည်။
အားကောင်းမောင်းသန် ပေးပို့သည့် ပတ်ဝန်းကျင်ဆီသို့ dati.
Zero-Latency Zero latency
IBM အတွက် အဆုံးစွန်သော မဟာဗျူဟာရည်မှန်းချက်မှာ သုည latency (zerolatency) ခွဲခြမ်းစိတ်ဖြာချက်ဖြစ်သည်။
သတ်မှတ်ထားတဲ့ အတိုင်းပါပဲ။
Gartner၊ BI စနစ်သည် ကောက်ချက်ချနိုင်ရမည်။
တောင်းဆိုချက်အရ လေ့လာသုံးသပ်သူများအတွက် အချက်အလက်များ ပေးဆောင်ပါ။ စိန်ခေါ်မှု၊
ဟုတ်ပါတယ်, ရောနှောရန်ရှိသည် dati လက်ရှိနှင့်အချိန်နှင့်တပြေးညီ
i ကဲ့သို့သော လိုအပ်သော သမိုင်းအချက်အလက်များ၊ dati ဆက်စပ်မော်ဒယ်(များ)။
စိတ်သဘောထား၊ သို့မဟုတ် ကောက်နုတ်နားလည်မှု၊
ဖောက်သည်။
ထိုကဲ့သို့သောအချက်အလက်များပါဝင်သည်, ဥပမာ, ဖော်ထုတ်ခြင်း။ ဖောက်သည်များ ad
မြင့်မားသော သို့မဟုတ် နိမ့်သောအန္တရာယ် သို့မဟုတ် မည်သည့်ထုတ်ကုန်များ i ဖောက်သည်များ အများကြီးဝယ်ကြလိမ့်မယ်။
တွန်းလှည်းထဲတွင် ဒိန်ခဲရှိနေပြီဆိုလျှင် ဖြစ်နိုင်သည်။
ဝယ်ယူမှုများ။
Zero latency ရယူခြင်းသည် အမှန်တကယ်တွင် နှစ်ခုပေါ်တွင် မူတည်ပါသည်။
အခြေခံ ယန္တရားများ
▪ ပြီးပြည့်စုံသော ပြည်ထောင်စု dati နှင့်ခွဲခြမ်းစိတ်ဖြာကြသည်
BI မှ ဖန်တီးထားသော နည်းပညာများနှင့် ကိရိယာများ
▪ ပေးပို့မှုစနစ် dati ထိရောက်မှုရှိစေရန်
အချိန်နှင့်တစ်ပြေးညီ ခွဲခြမ်းစိတ်ဖြာမှုကို အမှန်တကယ်ရရှိနိုင်သည်။
zero latency အတွက် ဤကြိုတင်လိုအပ်ချက်များသည် နှစ်ခုနှင့်မတူပါ။
IBM မှ ချမှတ်ထားသော ရည်မှန်းချက်များ နှင့် အထက်တွင် ဖော်ပြထားပါသည်။
အနီးကပ်မိတ်လိုက်၏။ dati အစီအစဉ်၏တစ်စိတ်တစ်ပိုင်းဖြစ်သည်။
IBM မှ စီစဉ်ပေးသော ချောမွေ့စွာ ပေါင်းစပ်မှု။ စနစ်တစ်ခုဖန်တီးပါ။
၏ပေးပို့မှု dati efficient သည် လုံးဝမူတည်ပါသည်။
ပေးပို့မှု လုပ်ငန်းစဉ်ကို ရိုးရှင်းလွယ်ကူစေသော နည်းပညာများ
dati. ရလဒ်အနေဖြင့် IBM ၏ ပန်းတိုင်သုံးခုအနက် နှစ်ခုသည် အရေးကြီးပါသည်။
တတိယမြောက်ဖြစ်အောင်၊ IBM သည် ၎င်း၏ကိုယ်ပိုင်အသိစိတ်ဖြင့် တီထွင်နေပါသည်။
လုံးဝ latency သည် သုံးစွဲသူများအတွက် လက်တွေ့ကျကြောင်း သေချာစေရန် နည်းပညာ
ဂိုဒေါင်ကြိုးပမ်းမှု။
အနှစ်ချုပ် / Synthesis
BI အဖွဲ့အစည်းသည် လမ်းပြမြေပုံကို ထောက်ပံ့ပေးသည်။
သင့်ပတ်ဝန်းကျင်ကိုဖန်တီးပါ။
အထပ်ထပ်။ လိုအပ်ချက်များကို ထင်ဟပ်စေရန် ပြုပြင်ပြောင်းလဲရမည်ဖြစ်သည်။
သင့်လုပ်ငန်း၊ လက်ရှိရော အနာဂတ်ရော။ ဗိသုကာအမြင်မရှိဘဲ
ကျယ်ပြန့်သည်၊ ဂိုဒေါင်သည် ထပ်ခါတလဲလဲ လုပ်သည်ထက် အနည်းငယ်ပိုသည်။
ကျပန်းဗဟိုကုန်လှောင်ရုံအကောင်အထည်ဖော်မှုအနည်းငယ်သာလုပ်ပါ။
ကျယ်ပြန့်ပြီး သတင်းအချက်အလက်ပေးသော လုပ်ငန်းတစ်ခုကို ဖန်တီးပါ။
ပရောဂျက်မန်နေဂျာများအတွက် ပထမဆုံးအတားအဆီးမှာ ၎င်းကိုတရားမျှတအောင်ပြုလုပ်နည်းဖြစ်သည်။
BI အဖွဲ့အစည်း ဖွံ့ဖြိုးတိုးတက်ရေးအတွက် လိုအပ်သော ရင်းနှီးမြှုပ်နှံမှုများ။
ROI တွက်ချက်မှုများအတွက် အဓိက အထောက်အကူအဖြစ် ဆက်လက်တည်ရှိနေသော်လည်း၊
warehouse အောင်မြင်မှုများသည် ပို၍ခက်ခဲလာသည်။
အတိအကျခန့်မှန်းပါ။ ယင်းသည် အခြားနည်းလမ်းများကို ဖြစ်ပေါ်စေခဲ့သည်။
သင့်ငွေကို တန်ဖိုးရှိမရှိ ဆုံးဖြတ်ပါ။ ဟိ
ဥပမာ- ရင်းနှီးမြှုပ်နှံမှု ၂ (VOI) ရဲ့တန်ဖိုးကို ယူမယ်ဗျာ။
ဖြေရှင်းချက်အဖြစ်။
၎င်းသည် ဗိသုကာပညာရှင်များအပေါ်တွင် တာဝန်ရှိသည်။ dati စီမံကိန်းရေးဆွဲသူများ၊
အသင်းအဖွဲ့များထံသို့ တမင်တကာ ဖန်တီးပြီး သတင်းအချက်အလက် ပေးသည်။
သုံးစွဲသူများကို ၎င်းတို့အား ဝန်ဆောင်မှုပေးရုံမျှမကပါ။ dati. တစ်ခုရှိပါတယ်။
နှစ်ခုကြား ကြီးမားသော ကွာခြားချက်။ သတင်းအချက်အလတ် ဟူသည် တစ်စုံတစ်ခုသော အရာဖြစ်သည်။
ဆုံးဖြတ်ချက်ချသည့် လုပ်ငန်းစဉ်များနှင့် ထိရောက်မှု ကွာခြားချက်၊ အတော်လေး, i
dati ၎င်းတို့သည် ထိုအချက်အလက်များကို ရယူရန်အတွက် ပိတ်ဆို့ခြင်းများကို တည်ဆောက်နေကြသည်။
အရင်းအမြစ်ကို ဝေဖန်ရင်တောင် dati တောင်းဆိုချက်များကိုဖြေရှင်းရန်
စီးပွားဖြစ်၊ BI ပတ်ဝန်းကျင်သည် ပိုမိုကြီးမားသော အခန်းကဏ္ဍကို ထမ်းဆောင်သင့်သည်။
သတင်းအချက်အလက်အကြောင်းအရာဖန်တီးမှု၌။ ယူရမှာပေါ့။
သန့်ရှင်းရန်၊ ပေါင်းစည်းရန်၊ အသွင်ပြောင်းရန် နောက်ထပ်အစီအမံများ
မဟုတ်ရင် သတင်းအချက်အလက် အကြောင်းအရာတစ်ခုကို ဖန်တီးပါ။
အသုံးပြုသူများ အရေးယူဆောင်ရွက်နိုင်သည်၊ ထို့ကြောင့် ၎င်းတို့ကို သေချာအောင်လုပ်ရန် လိုအပ်ပါသည်။
ကျိုးကြောင်းဆီလျော်မှုရှိသော လုပ်ဆောင်ချက်များနှင့် ဆုံးဖြတ်ချက်များကို ထောက်ခံပါသည်။
BI ပတ်ဝန်းကျင်တွင်။ အကယ်၍ ကျွန်ုပ်တို့သည် ဂိုဒေါင်တွင်သာ တာဝန်ထမ်းဆောင်ရန် ဖယ်ထုတ်လိုက်လျှင် dati,
အသုံးပြုသူအသင်းအဖွဲ့များသည် အကြောင်းအရာကို ဖန်တီးပေးမည်ဟု အာမခံပါသည်။
အရေးယူဆောင်ရွက်ရန် လိုအပ်သောအချက်အလက်များ။ ဒါမှ သူတို့ရဲ့
အသိုင်းအဝိုင်းက ပိုကောင်းတဲ့ ဆုံးဖြတ်ချက်တွေကို ချမှတ်နိုင်ပေမယ့် လုပ်ငန်းက ကောင်းပါတယ်။
သူတို့အသုံးပြုတဲ့ အသိပညာ ချို့တဲ့မှုဒဏ်ကို ခံစားနေရတယ်။
datum ဗိသုကာပညာရှင်များနှင့် ပရောဂျက်ရေးဆွဲသူများသည် ပရောဂျက်များကို စတင်လုပ်ဆောင်သည်။
BI ပတ်၀န်းကျင်နှင့် သက်ဆိုင်သော၊ ၎င်းတို့သည် လုပ်ငန်းအတွက် တာဝန်ခံမှု ရှိနေသည်။
အကြီး။ ဤအင်္ဂါရပ်နှစ်ခု၏ရိုးရှင်းသောဥပမာ
BI ထပ်လောင်းမှုများ၏မျက်နှာများကို အရင်းအမြစ်တွင် တွေ့ရှိရသည်။ dati. အရာအားလုံး
dati သတ်သတ်မှတ်မှတ် စီးပွားဖြစ် တောင်းဆိုမှုများကို လက်ခံရရှိရပါမည်။
ပထမ အဏုမြူအလွှာတွင် လူနေ၊ ဒါမှ ဖွံ့ဖြိုးတိုးတက်လာမှာ ဖြစ်ပါတယ်။
ကော်ပိုရိတ်အချက်အလက်များ၏ ပိုင်ဆိုင်မှုအဖြစ် စီမံခန့်ခွဲရန်၊ ညွှန်ကြားသည်။
ထပ်ခါထပ်ခါသတ်မှတ်ထားသော အသုံးပြုသူ သီးသန့်တောင်းဆိုမှုများ။
W hatisa D ata W အိမ်ကွင်း ?
ဒေတာသိုလှောင်ရုံ သတင်းအချက်အလက်စနစ်ဗိသုကာ၏ဗဟိုချက်ဖြစ်သည်။
1990 ခုနှစ်ကတည်းက ခိုင်မာသော ကမ်းလှမ်းမှုဖြင့် သတင်းအချက်အလက် လုပ်ငန်းစဉ်များကို ပံ့ပိုးပေးပါသည်။
ပေါင်းစပ်ပလပ်ဖောင်း dati သမိုင်းပညာရှင်များသည် နောက်ဆက်တွဲများအတွက် အခြေခံအဖြစ် ယူကြသည်။
ခွဲခြမ်းစိတ်ဖြာခြင်း။ THE ဒေတာဂိုဒေါင် တစ်ဦးသို့ပေါင်းစည်းရန်လွယ်ကူမှုကိုဆက်ကပ်
တစ်ခုနှင့်တစ်ခုသဟဇာတမဖြစ်သော application systems ၏ကမ္ဘာ။ ရက်စွဲ
ဂိုဒေါင်သည် ခေတ်ရေစီးကြောင်းတစ်ခုအဖြစ် ပြောင်းလဲလာသည်။ ဒေတာသိုလှောင်ရုံ
စုစည်းပြီး အလွတ်ကျက်ပါ။ dati သတင်းအချက်အလက် လုပ်ငန်းစဉ်များအတွက် လိုအပ်သော e
ရှည်လျားသော သမိုင်းဆိုင်ရာ ယာယီအမြင်ကို အခြေခံ၍ ခွဲခြမ်းစိတ်ဖြာခြင်း။ အားလုံး
၎င်းတွင် ဆောက်လုပ်ရေးနှင့် ပတ်သက်သော ဆင်ခြင်တုံတရားနှင့် အဆက်မပြတ် ကတိကဝတ်များ ပါဝင်သည်။
၏ပြုပြင်ထိန်းသိမ်းမှု၌ ဒေတာဂိုဒေါင်.
ဒါဆို တစ်ခုကဘာလဲ ဒေတာဂိုဒေါင်? က ဒေတာဂိုဒေါင် နှင့်-
▪ ဘာသာရပ်ကို ဦးတည်သည်။
▪ ပေါင်းစပ်စနစ်
▪ အချိန်အမျိုးမျိုး
▪ မတည်ငြိမ်သော (ဖျက်၍မရပါ)
စုစည်းမှုတစ်ခု dati စီမံခန့်ခွဲမှုဆိုင်ရာ ဆုံးဖြတ်ချက်များကို ပံ့ပိုးရန် အသုံးပြုသည်။
လုပ်ငန်းစဉ်များအကောင်အထည်ဖော်ခြင်း။
I dati ထည့်သွင်းခဲ့သည်။ ဒေတာဂိုဒေါင် အများစု၌ ပေါ်ပေါက်သည်။
လုပ်ငန်းလည်ပတ်မှုပတ်ဝန်းကျင်မှဖြစ်ရပ်များ။ ဟိ ဒေတာဂိုဒေါင် တဦးတည်းအားဖြင့်ပြုလုပ်သည်။
သိုလှောင်မှုယူနစ်ကို ကျန်အစိတ်အပိုင်းများနှင့် ပိုင်းခြားထားသည်။
ပါဝင်သောစနစ် dati ယခင်က ပြောင်းလဲခဲ့သည်။
ပတ်ဝန်းကျင်မှ ဆင်းသက်လာသော သတင်းအချက်အလက်များကို လုပ်ဆောင်သည့် application များ
လုပ်ငန်းလည်ပတ်။
a ၏ ပကတိအဓိပ္ပါယ် ဒေတာဂိုဒေါင် နက်နက်ရှိုင်းရှိုင်းလေ့လာရန်ထိုက်တန်သည်။
အရေးကြီးသော စေ့ဆော်မှုနှင့် အဓိပ္ပါယ်များ ရှိသောကြောင့် ရှင်းလင်းချက်
ဂိုဒေါင်၏ လက္ခဏာများကို ဖော်ပြသော နောက်ခံ။
ဘာသာရပ်ဆိုင်ရာ ဦးတည်ချက် ဦးတည်ချက်
THEMATIC
ပထမအင်္ဂါရပ်တစ်ခုဖြစ်သည်။ ဒေတာဂိုဒေါင် အဲဒါကို ဦးတည်တယ်။
ကုမ္ပဏီတစ်ခုတွင် အဓိက ကစားသမားများ။ စုံစမ်းခြင်း၏ လမ်းညွှန်ချက်
dati ၎င်းသည် ပိုမိုဂန္ထဝင်နည်းလမ်းနှင့် ဆန့်ကျင်ဘက်ဖြစ်သည်။
လုပ်ငန်းစဉ်များနှင့် လုပ်ငန်းဆောင်တာများဆီသို့ အသုံးချပရိုဂရမ်များ ဦးတည်ချက်၊
အများအားဖြင့် မျှဝေသည့်နည်းလမ်း
စီမံခန့်ခွဲမှုစနစ်အဟောင်းများ။
လုပ်ငန်းလည်ပတ်မှုကမ္ဘာကို အသုံးချပလီကေးရှင်းများနှင့် လုပ်ဆောင်ချက်များကို ပုံဖော်ထားသည်။
အဖွဲ့အစည်းတစ်ခုအတွက် ချေးငွေများ၊ ငွေစုခြင်း၊ ဘဏ်ကတ်များနှင့် ယုံကြည်မှုများကဲ့သို့သော
ငွေကြေး။ dw ၏ကမ္ဘာသည် ဘာသာရပ်များကို စုစည်းထားသည်။
ဖောက်သည်၊ ရောင်းသူ၊ ထုတ်ကုန်နှင့် လုပ်ငန်းစသည့် အဓိကအချက်များ။
ခေါင်းစဉ်များပတ်လည် ချိန်ညှိခြင်းသည် ဒီဇိုင်းနှင့် အကျိုးသက်ရောက်သည်။
၏သဘောပေါက်မှုအပေါ် dati dw မှာတွေ့တယ်။ ပိုအရေးကြီးတာက၊
အဓိကအကြောင်းအရာသည် အရေးကြီးဆုံးအပိုင်းကို သက်ရောက်မှုရှိသည်။
အဓိကဖွဲ့စည်းပုံ။
အပလီကေးရှင်း၏ကမ္ဘာသည် data ၏ဒီဇိုင်းနှစ်ခုလုံးမှလွှမ်းမိုးထားသည်။
လုပ်ငန်းစဉ်ဒီဇိုင်းအပေါ်အခြေခံသည်။ လောက၏
dw သည် မော်ဒယ်လ်လုပ်ခြင်းအတွက် သီးသန့်ဖြစ်သည်။ dati အဲဒီဟာပါ
ပုံဆွဲခြင်း။ ဒေတာဘေ့စ. လုပ်ငန်းစဉ်၏ဒီဇိုင်း (၎င်း၏ပုံစံ
classical) သည် dw ပတ်ဝန်းကျင်၏ အစိတ်အပိုင်းမဟုတ်ပါ။
လုပ်ငန်းစဉ်/လုပ်ဆောင်ချက်နှင့် အသုံးချပလီကေးရှင်း၏ ရွေးချယ်မှုအကြား ကွာခြားချက်များ
ဘာသာရပ်အလိုက် ရွေးချယ်မှုကိုလည်း အကြောင်းအရာတွင် ကွဲပြားမှုများအဖြစ် ဖော်ပြသည်။
dei dati အသေးစိတ်အဆင့်တွင်။ THE dati del dw မပါဝင်ပါ။ dati ထို
အပလီကေးရှင်းများအတွင်း DSS လုပ်ငန်းစဉ်အတွက် အသုံးပြုမည်မဟုတ်ပါ။
လုပ်ငန်းလည်ပတ်မှုကို ဦးတည်သည်။ dati ပါရှိသည်။ dati ကျေနပ်ရန်
ချက်ချင်းလုပ်ဆောင်နိုင်သော/လုပ်ဆောင်မှုလိုအပ်ချက်များ o
DSS ခွဲခြမ်းစိတ်ဖြာသူအတွက် အသုံးပြုမှုနည်းသည်။
နောက်ထပ်အရေးကြီးသောနည်းလမ်းတစ်ခုမှာ လုပ်ငန်းလည်ပတ်မှုကို ဦးတည်ပြီး အသုံးချခြင်းဖြစ်သည်။
ai dati မတူပါ။ dati of dw ၏ အစီရင်ခံစာတွင် ဖော်ပြထားသည်။ dati။ ငါ dati
လုပ်ငန်းလည်ပတ်မှုတွင် ဇယားနှစ်ခု သို့မဟုတ် ထို့ထက်ပိုသော ဆက်နွယ်မှုကို ထိန်းသိမ်းပါ။
အသက်ဝင်နေသော လုပ်ငန်းစည်းမျဉ်းကို အခြေခံထားသည်။ THE dati dw အားဖြင့်
၎င်းတို့သည် အချိန်အတိုင်းအတာတစ်ခုနှင့်တစ်ခု dw တွင်တွေ့ရသော ဆက်ဆံရေးများဖြစ်သည်။
အများကြီး။ များစွာသောကုန်သွယ်မှုစည်းမျဉ်းများ (နှင့်ဆက်စပ်စွာ၊ များစွာ
၏အစီရင်ခံစာများ dati ) စတော့ရှယ်ယာတွင်ကိုယ်စားပြုထားသည်။ dati o နှစ်ခုကြား
စားပွဲအများအပြား။
(၎င်းတို့အကြား ဆက်ဆံရေးကို အသေးစိတ်ရှင်းပြရန် dati အိပ်
DW တွင် ကိုင်တွယ်ထားသော နည်းပညာဆိုင်ရာ အကြောင်းအရာကို ကျွန်ုပ်တို့ ရည်ညွှန်းပါသည်။
မေးခွန်း။)
ခြားနားမှုမှလွဲ၍ အခြားရှုထောင့်မှ မပါပါ။
functional/process application နှင့် ရွေးချယ်မှုအကြား အခြေခံကျသည်။
ဘာသာရပ်ရွေးချယ်မှု၊ စနစ်များကြားတွင် ပို၍ကွာခြားမှုရှိသည်။
လည်ပတ်မှု ei dati နှင့် DW ။
ပေါင်းစည်းခြင်း ပေါင်းစည်းခြင်း
dw ပတ်၀န်းကျင်၏ အရေးကြီးဆုံးအချက်မှာ i ဖြစ်သည်။ dati တွေ့တယ်။
dw အတွင်း ၎င်းတို့သည် အလွယ်တကူ ပေါင်းစပ်နိုင်သည်။ အမြဲတမ်း မရှိရင်
ချွင်းချက်။ dw ပတ်ဝန်းကျင်ရဲ့ အနှစ်သာရက i ပါ။ dati
ဂိုဒေါင်၏ကန့်သတ်ချက်များအတွင်းပါရှိသော ပေါင်းစည်းထားသည်။
စည်းမျဥ်းများတွင် ပေါင်းစည်းခြင်းသည် ပုံစံအမျိုးမျိုးဖြင့် သူ့ကိုယ်သူ ဖော်ပြသည်။
တသမတ်တည်းဖြစ်သော ကိန်းရှင်များကို တိုင်းတာရာတွင် ကိုက်ညီသည်ကို ခွဲခြားသတ်မှတ်ထားသည်။
ရုပ်ပိုင်းဆိုင်ရာဂုဏ်ရည်များတွင် ပါဝင်သော codified structures များ dati
တသမတ်တည်း ဖြစ်သွားပြီ။
နှစ်တွေကြာလာတာနဲ့အမျှ Application အမျိုးမျိုးကို ဒီဇိုင်နာတွေက ဒီလိုလုပ်ခဲ့တယ်။
အက်ပလီကေးရှင်းတစ်ခု မည်သို့ဆောင်ရွက်သင့်သည်ကို ဆုံးဖြတ်ချက်များစွာကို ပိုင်ဆိုင်ထားသည်။
ဖွံ့ဖြိုးတိုးတက်ပါစေ။ တစ်ဦးချင်းစီစတိုင်နှင့်ဒီဇိုင်းဆုံးဖြတ်ချက်များ
ဒီဇိုင်နာများ၏ အသုံးချပရိုဂရမ်များကို ပုံစံတစ်ရာဖြင့် ထုတ်ဖော်ပြသသည်။
coding ကွာခြားချက်များ၊ အဓိကဖွဲ့စည်းပုံ၊ ရုပ်ပိုင်းဆိုင်ရာလက္ခဏာများ၊
သဘောတူညီချက်များကို ဖော်ထုတ်ခြင်း အစရှိသည်တို့၊ စုပေါင်းစွမ်းရည်တွေလည်း အများကြီးပါ။
အပလီကေးရှင်း ဒီဇိုင်နာများသည် မကိုက်ညီသော အပလီကေးရှင်းများကို ဖန်တီးသည်။
ဒဏ္ဍာရီဆန်တယ်။ ပုံ 3 တွင် ကွဲပြားမှုအချို့ကို ဖော်ပြထားပါသည်။
အပလီကေးရှင်းများကို ဒီဇိုင်းရေးဆွဲရာတွင် အရေးကြီးပါသည်။
ကုဒ်သွင်းခြင်း- ကုဒ်နံပါတ်-
အပလီကေးရှင်းဒီဇိုင်နာများသည် နယ်ပယ်ကုဒ်ကို ရွေးချယ်ခဲ့သည်-
sex- နည်းအမျိုးမျိုးနဲ့။ ဒီဇိုင်နာတစ်ဦးသည် လိင်ကို ကိုယ်စားပြုသည်။
"m" နှင့် "f" တစ်ခု။ အခြားဒီဇိုင်နာတစ်ဦးက လိင်ကို "1" အဖြစ် ကိုယ်စားပြုသည်
နှင့် “0” တစ်ခု။ အခြားဒီဇိုင်နာတစ်ဦးသည် လိင်ကို “x” နှင့် ကိုယ်စားပြုသည်။
“y”။ အခြားဒီဇိုင်နာတစ်ဦးသည် လိင်ကို “အမျိုးသား” အဖြစ် ကိုယ်စားပြုသည်။
"မိန်းမ"။ လိင်က DW ထဲကို ဘယ်လိုရောက်လာတယ်ဆိုတာ သိပ်အရေးမကြီးပါဘူး။ "M"
နှင့် "F" သည် အားလုံးနီးပါးကောင်းသည်။
ကိုယ်စားပြုမှု။
အရေးကြီးတာက လိင်မှုနယ်ပယ်ကနေ ဆင်းသက်လာတာ၊
ထိုနယ်ပယ်သည် တသမတ်တည်း ပေါင်းစပ်ထားသော အခြေအနေတစ်ခုဖြင့် DW သို့ ရောက်ရှိသည်။ ထံမှ
အကွက်ကို DW ထဲသို့ တင်လိုက်သောအခါ အကျိုးဆက်ဖြစ်သည်။
ဖော်မတ်ဖြင့် ကိုယ်စားပြုထားသည့် အက်ပ်တစ်ခု
“M” နှင့် “F”၊ i dati DW ဖော်မတ်သို့ ပြောင်းရပါမည်။
ဂုဏ်တော်များကို အတိုင်းအတာ- အတိုင်းအတာ
ဂုဏ်ရည်များ-
အပလီကေးရှင်း ဒီဇိုင်နာများသည် ပိုက်လိုင်းကို တိုင်းတာရန် ရွေးချယ်ခဲ့ကြသည်။
သင်တန်းတွင် နည်းလမ်းမျိုးစုံ
တချို့နှစ်တွေ။ ဒီဇိုင်နာတစ်ဦးက သိမ်းဆည်းထားသည်။ dati ပိုက်လိုင်း၏
စင်တီမီတာ အခြားသော အက်ပလီကေးရှင်း ဒီဇိုင်နာက ၎င်းကို သိမ်းဆည်းထားသည်။ dati
ပိုက်လိုင်း၏ စည်းကမ်းချက်များအရ လက်မ။ နောက်ထပ် ဒီဇိုင်နာတစ်ယောက်
အပလီကေးရှင်းစတိုးဆိုင်များ i dati ပိုက်လိုင်း၏ ကုဗပေ သန်း၊
တစ်စက္ကန့်။ အခြားဒီဇိုင်နာတစ်ဦး၏ အချက်အလက်များကို သိမ်းဆည်းထားသည်။
ပိုက်လိုင်းနဲ့ ကိုက်တယ်။ ဘယ်အရင်းအမြစ်ကပဲဖြစ်ဖြစ်၊
ပိုက်လိုင်းအချက်အလက်သည် DW သို့ရောက်ရှိနေရပါမည်။
ထိုနည်းအတိုင်း တိုင်းတာသည်။
ပုံ 3 တွင် ညွှန်ပြချက်များအရ ပေါင်းစည်းရေးကိစ္စများ
၎င်းတို့သည် ပရောဂျက်၏ ကဏ္ဍတိုင်းနီးပါးတွင် သက်ရောက်မှုများ—အင်္ဂါရပ်များ
ရုပ်ပိုင်းဆိုင်ရာဘုရားများ datiအရင်းအမြစ်တစ်ခုထက်ပိုရှိခြင်း၏အကျပ်အတည်း dati, အ
ခွဲခြားသတ်မှတ်ထားသော နမူနာများ၊ ဖော်မတ်များ မကိုက်ညီသော ပြဿနာ dati
တသမတ်တည်း ဖြစ်သွားပြီ။
ဒီဇိုင်းအကြောင်းအရာ ဘယ်လိုပဲဖြစ်ဖြစ် ရလဒ်ကတော့ အတူတူပါပဲ-
i dati အနည်းကိန်း e တွင် DW တွင် သိမ်းဆည်းထားရမည်။
စက်လည်ပတ်မှုစနစ်များပင်လျှင် တစ်ကမ္ဘာလုံးလက်ခံနိုင်သော ပုံစံဖြစ်သည်။
အောက်ခြေမှာ သိမ်းဆည်းပုံချင်း မတူပါဘူး။ dati.
DSS မှ ခွဲခြမ်းစိတ်ဖြာသူသည် DW ကိုကြည့်သောအခါ၊ လေ့လာသူ၏ ရည်မှန်းချက်
အမြတ်ထုတ်ခြင်းသာ ဖြစ်သင့်သည်။ dati ဂိုဒေါင်ထဲမှာရှိတဲ့၊
ယုံကြည်စိတ်ချရမှု သို့မဟုတ် ညီညွတ်မှုကို အံ့သြနေမည့်အစား၊
dati.
အချိန် အမျိုးမျိုး
အားလုံး i dati DW တွင် ၎င်းတို့သည် အချိန်အတိုင်းအတာတစ်ခုအထိ တိကျသည်။
ဤအခြေခံဝိသေသ dati DW နှင့် အလွန်ကွာခြားသည်။ dati
လည်ပတ်မှုပတ်ဝန်းကျင်တွင် တွေ့ရှိရသည်။ THE dati လည်ပတ်မှုပတ်ဝန်းကျင်၏
ဝင်ရောက်သည့်အချိန်တွင်ကဲ့သို့ အတိအကျ။ တစ်နည်းပြောရရင်တော့,
drive တစ်ခုကိုဝင်ရောက်သောအခါတွင်လည်ပတ်မှုပတ်ဝန်းကျင်တွင် datiဟုတ်တယ်။
ဝင်ရောက်သည့်အချိန်တွင်ကဲ့သို့ တိကျသောတန်ဖိုးများကို ထင်ဟပ်လာသည်အထိ စောင့်ပါ။
ဘာလို့လဲဆိုတော့ ငါ dati DW သည် တစ်ချိန်ချိန်တွင် တိကျသည့်အတိုင်းဖြစ်သည်။
အချိန် (ဆိုလိုသည်မှာ “ယခု” မဟုတ်ပါ)၊ i ဟုဆိုသည်။ dati DW မှာတွေ့တယ်။
၎င်းတို့သည် “အချိန်ကွဲပြားမှု” များဖြစ်သည်။
အချိန်ကွာခြားမှု dati DW ကို နည်းလမ်းပေါင်းများစွာဖြင့် ရည်ညွှန်းသည်။
အရိုးရှင်းဆုံးနည်းလမ်းကတော့ ငါပါပဲ။ dati DW ကို ကိုယ်စားပြုပါတယ်။ dati ကက
ရှည်လျားသောမိုးကုပ်စက်ဝိုင်း - ငါးနှစ်မှဆယ်နှစ်။ မိုးကုပ်စက်ဝိုင်း
လည်ပတ်ပတ်၀န်းကျင်အတွက် ကိုယ်စားပြုထားသော အချိန်ဘောင်သည် များစွာတိုတောင်းပါသည်။
▪ ယနေ့ကာလတန်ဖိုးသည် ခြောက်ဆယ်မှ ကိုးဆယ်အထိဖြစ်သည်။
ကောင်းမွန်စွာအလုပ်လုပ်ရန် လိုအပ်သော Application များဖြစ်ရန် လိုအပ်ပါသည်။
ငွေပေးငွေယူ လုပ်ဆောင်ခြင်းအတွက် ရရှိနိုင်စေရန် ဆောင်ကြဉ်းပေးရမည်။
အနည်းဆုံး ပမာဏ dati ဘွဲ့တစ်ခုခုကို လက်ခံရင်
ပြောင်းလွယ်ပြင်လွယ်။ ဒါကြောင့် လုပ်ငန်းလည်ပတ်မှုဆိုင်ရာ အသုံးချပရိုဂရမ်တွေမှာ မိုးကုပ်စက်ဝိုင်းရှိတယ်။
ဒီဇိုင်းအကြောင်းအရာတစ်ခုအနေဖြင့် အချိန်တို
အသံအပလီကေးရှင်းများ။
DW တွင် 'အချိန်ကွဲလွဲမှု' ပေါ်လာသည့် ဒုတိယနည်းလမ်းမှာ အဆိုပါ တွင်ဖြစ်သည်။
အဓိကဖွဲ့စည်းပုံ။ DW တွင် အဓိကဖွဲ့စည်းပုံတစ်ခုစီပါရှိသည်၊
သွယ်ဝိုက်သောနည်း သို့မဟုတ် ပြတ်သားစွာ၊ ကဲ့သို့သော အချိန်၏အစိတ်အပိုင်းတစ်ခု
နေ့၊ အပတ်၊ လ စသဖြင့် အချိန်၏ဒြပ်စင်သည် အမြဲလိုလို ရှိနေသည်။
DW တွင်တွေ့ရသော concatenated key ၏အောက်ခြေတွင်။ အဲဒီထဲမှာ
အခါသမယ၊ အချိန်၏ဒြပ်စင်သည် အခွင့်အလမ်းကဲ့သို့ သွယ်ဝိုက်၍ တည်ရှိနေလိမ့်မည်။
လကုန် သို့မဟုတ် သုံးလပတ်တွင် ဖိုင်တစ်ခုလုံးကို ပွားနေပါသည်။
တတိယနည်းမှာ time varianance ကိုပြသခြင်းမှာ i ဖြစ်သည်။ dati del
DW ကို မှန်ကန်စွာ စာရင်းသွင်းပြီးသည်နှင့် မရနိုင်ပါ။
မွမ်းမံထားသည်။ THE dati DW သည် လက်တွေ့ကျသော ရည်ရွယ်ချက်များအားလုံးအတွက် ရှည်လျားသည်။
လျှပ်တစ်ပြက် အတွဲများ။ လျှပ်တစ်ပြက် တွေ ရှိရင် ရှိတာပေါ့။
မမှန်မကန် ရိုက်ယူခံရပြီးနောက် လျှပ်တစ်ပြက်ရိုက်ချက်များ ဖြစ်နိုင်ပါသည်။
မွမ်းမံထားသည်။ ဒါပေမယ့် လျှပ်တစ်ပြက် ရိုက်ထားတာလို့ ယူဆတယ်။
မှန်ကန်စွာ၊ ၎င်းတို့ကို ပြုလုပ်ပြီးသည်နှင့် ပြုပြင်မွမ်းမံပါ။ အချို့၌
အမှုများတွင် လျှပ်တစ်ပြက်ရိုက်ချက်များသည် ကျင့်ဝတ်မဲ့ခြင်း သို့မဟုတ် မမှန်မကန်ဖြစ်နိုင်သည်။
DW ကို ပြုပြင်ထားပါသည်။ THE dati လည်ပတ်ပုံ၊ အတိအကျဖြစ်ခြင်း။
login အခိုက်အတန့်၊ ၎င်းတို့သည် လာသည့်အခါတွင် အပ်ဒိတ်လုပ်နိုင်သည်။
လိုအပ်မှု။
မတည်ငြိမ်ပါ။
DW ၏ စတုတ္ထမြောက် အရေးကြီးသော လက္ခဏာမှာ မတည်ငြိမ်ခြင်း ဖြစ်သည်။
အပ်ဒိတ်များ၊ ထည့်သွင်းခြင်း၊ ဖျက်ခြင်းနှင့် ပြုပြင်ခြင်းများ ပြုလုပ်ပါသည်။
မှတ်တမ်းတစ်ခုချင်းအလိုက် မှတ်တမ်းတင်သည့် လုပ်ငန်းဆောင်ရွက်မှုပတ်ဝန်းကျင်များအတွက် ပုံမှန်။ ဒါပေမယ့်
အခြေခံခြယ်လှယ်ခြင်း။ dati DW မှာ လိုအပ်တာတွေက ပိုများတယ်။
ရိုးရှင်းသော။ စစ်ဆင်ရေးမှာ နှစ်မျိုးပဲရှိတယ်။
DW - ကနဦး တင်ခြင်း dati နှင့်ဝင်ရောက်ခွင့် dati. မရှိ
update မရှိပါ။ dati (ယေဘူယျအားဖြင့်
update) DW တွင် ပုံမှန်လုပ်ဆောင်နေသည့် လုပ်ဆောင်ချက်အဖြစ်။
ဤခြားနားမှု၏ အလွန်အားကောင်းသော အကျိုးဆက်အချို့ရှိပါသည်။
လုပ်ငန်းလည်ပတ်ဆောင်ရွက်မှုနှင့် DW လုပ်ဆောင်ခြင်းအကြား အခြေခံ။ အဆင့်မှာ
ဒီဇိုင်းအားဖြင့် အဆင့်မြှင့်တင်ခြင်းနှင့်ပတ်သက်၍ သတိထားရန် လိုအပ်သည်။
အပ်ဒိတ်လုပ်ကတည်းက DW တွင် ပုံမှန်မဟုတ်သောအချက်မရှိပါ။ dati မဟုတ်ပါဘူး
လုပ်သည်။ ဆိုလိုသည်မှာ ရုပ်ပိုင်းဆိုင်ရာ ဒီဇိုင်းအဆင့်၊
ဝင်ရောက်ခွင့်ကို အကောင်းဆုံးဖြစ်အောင် လုပ်ရန် လွတ်လပ်မှုများကို ယူဆောင်သွားနိုင်သည်။ dati,
အထူးသဖြင့် စံချိန်စံညွှန်းသတ်မှတ်ခြင်းဆိုင်ရာ အကြောင်းအရာများနှင့် ဆက်ဆံရာတွင်၊
ရုပ်ပိုင်းဆိုင်ရာ ပုံမမှန်ခြင်း ရိုးရှင်းခြင်း၏နောက်ဆက်တွဲအကျိုးဆက်
DW ၏ လုပ်ဆောင်ချက်များသည် အသုံးပြုသည့် အရင်းခံနည်းပညာတွင် ရှိပါသည်။
DW ပတ်ဝန်းကျင်ကို run ပါ။ အပ်ဒိတ်များကို ပံ့ပိုးပေးရမည်။
record inline ဖြင့် မှတ်တမ်းတင်သည် (မကြာခဏ ဖြစ်လေ့ရှိသည်
operational processing) နည်းပညာအချို့ရှိရန် လိုအပ်သည်။
ထင်ရှားသောရိုးရှင်းမှုအောက်တွင် အလွန်ရှုပ်ထွေးသော အခြေခံအုတ်မြစ်များ။
အရန်သိမ်းခြင်းနှင့် ပြန်လည်ရယူခြင်း၊ ငွေပေးငွေယူများကို ပံ့ပိုးပေးသော နည်းပညာ
သမာဓိ၊ dati သော့ပိတ်အခြေအနေ၏ ရှာဖွေတွေ့ရှိမှုနှင့် ကုစားမှုတို့ဖြစ်သည်။
ရှုပ်ထွေးပြီး DW လုပ်ဆောင်ခြင်းအတွက် မလိုအပ်ပါ။
DW ၏ ဝိသေသလက္ခဏာများ၊ ဒီဇိုင်း တိမ်းညွှတ်မှု၊
ပေါင်းစပ်မှု dati DW အတွင်း၊ အချိန်ကွဲပြားမှုနှင့် ရိုးရှင်းမှု
၏စီမံခန့်ခွဲမှု datiအရာရာတိုင်းဟာ အလွန်အင်မတန်ကြီးတဲ့ ပတ်ဝန်းကျင်တစ်ခုဆီကို ဦးတည်သွားကြပါတယ်။
ဂန္ထဝင်လည်ပတ်မှုပတ်ဝန်းကျင်နှင့်ကွဲပြားသည်။ အားလုံးနီးပါး၏အရင်းအမြစ်
dati DW သည် လည်ပတ်နေသော ပတ်ဝန်းကျင်ဖြစ်သည်။ တွေးဖို့ ဆွဲဆောင်တယ်။
ကြီးမားသော redundancy ရှိကြောင်း၊ dati ပတ်ဝန်းကျင်နှစ်ခုကြား။
တကယ်တော့ လူတော်တော်များများရဲ့ ပထမဆုံး အထင်အမြင်က အဲဒါပါပဲ။
ကြီးမားသော redundancy ၏ dati လည်ပတ်ပတ်ဝန်း ကျင်နှင့် ပတ်ဝန်းကျင်၏ အကြား၊
DW ထိုသို့သော အဓိပ္ပာယ်ဖွင့်ဆိုချက်သည် အပေါ်ယံဖြစ်ပြီး၊
DW မှာ ဘာတွေဖြစ်နေလဲ နားမလည်ဘူး။
အမှန်တကယ်တော့ ထပ်လောင်းမှု အနည်းဆုံးတော့ ရှိပါတယ်။ dati လည်ပတ်မှုပတ်ဝန်းကျင်အကြား
ed dati DW ၏ အောက်ပါတို့ကို သုံးသပ်ကြည့်ကြပါစို့။
▪ ငါ dati စစ်ထုတ်ခံရတယ်။ Dato လည်ပတ်နေသော ပတ်ဝန်းကျင်မှ ဖြတ်သန်းသည်။
DW ပတ်ဝန်းကျင်သို့။ အများကြီးပဲ။ dati အပြင်ကို ဘယ်တော့မှ မသွားဘူး။
လည်ပတ်ပတ်ဝန်းကျင်မှ။ အဲဒါကလွဲရင်ပေါ့။ dati လိုအပ်သောအရာများ
DSS လုပ်ဆောင်ချက်သည် ပတ်ဝန်းကျင်တွင် ၎င်းတို့၏ ဦးတည်ချက်ကို ရှာဖွေပါ။
▪ အချိန်မိုးကုပ်စက်ဝိုင်း dati ပတ်ဝန်းကျင်နှင့် အလွန်ကွာခြားသည်။
အခြားသို့ THE dati လည်ပတ်မှုပတ်ဝန်းကျင်တွင် ၎င်းတို့သည် အလွန်လတ်ဆတ်သည်။ THE dati
DW မှာ အသက်ကြီးတယ်။ ရှုထောင့်ကနေကြည့်ရုံပါပဲ။
အချိန်မိုးကုပ်စက်ဝိုင်း၏ ထပ်တူညီမှုမှာ အနည်းငယ်သာရှိသည်။
လည်ပတ်ပတ်ဝန်းကျင်နှင့် DW အကြား။
▪ DW တွင်ပါရှိသည်။ dati အကျဉ်းချုပ်ကတော့ ဘယ်တော့မှ မတွေ့ဘူး။
ပတ်ဝန်းကျင်၌
▪ ငါ dati အခြေခံကျသော အသွင်ကူးပြောင်းမှုတစ်ခုမှ ခံယူခဲ့သည်။
ပုံ 3 သို့ ကူးပြောင်းသွားသည့် အခိုက်အတန့်သည် အများဆုံးဖြစ်ကြောင်း ဖော်ပြသည်။
တစ်စိတ်တစ်ပိုင်း dati အခြေအနေတွင် သိသိသာသာ ပြောင်းလဲလာပါသည်။
ရွေးချယ်ပြီး DW သို့ ပြောင်းရွှေ့ရန်။ နောက်တစ်နည်းပြောရရင်၊
အများစု dati ရုပ်ပိုင်းဆိုင်ရာ ပြုပြင်မွမ်းမံပြီးဖြစ်သည်။
DW ကို ဘယ်လိုပြောင်းသွားလဲ။ ရှုထောင့်ကနေ
ပေါင်းစည်းခြင်း သည် တူညီသည်မဟုတ်။ dati နေထိုင်သူ
လည်ပတ်ပတ်ဝန်းကျင်တွင်။
ဤအချက်များ အရ သာလွန်မှု ၊ dati ပတ်ဝန်းကျင်နှစ်ခုကြားမှာ ဖြစ်သည်
ရှားရှားပါးပါး ဖြစ်ရပ်တစ်ခုဖြစ်ပြီး ၎င်းတို့နှစ်ခုကြားတွင် 1% အောက်ထပ်နေခြင်းကို ဖြစ်စေသည်။
ပတ်ဝန်းကျင်များ။
ဂိုဒေါင်၏ဖွဲ့စည်းပုံ
DW တွင် ထူးခြားသောဖွဲ့စည်းပုံရှိသည်။ အကျဉ်းချုပ်နှင့် အဆင့်အမျိုးမျိုးရှိသည်။
DW များကို အကွက်ချခြင်းအသေးစိတ်။
DW ၏ အစိတ်အပိုင်းအမျိုးမျိုးမှာ-
▪ မက်တာဒေတာ
▪ Dati လက်ရှိအသေးစိတ်အချက်အလက်များ
▪ Dati အဟောင်းအသေးစိတ်
▪ Dati အနည်းငယ်အကျဉ်းချုပ်
▪ Dati အလွန်အကျဉ်းချုပ်
အခုချိန်ထိတော့ အဓိကစိုးရိမ်တာက ကျွန်တော်အတွက်ပါ။ dati အသေးစိတ်
ရေစီးကြောင်း။ အဘယ်ကြောင့်ဆိုသော် ၎င်းသည် အဓိက စိုးရိမ်စရာ ဖြစ်နေသောကြောင့်၊
▪ ငါ dati လက်ရှိအသေးစိတ်အချက်အလက်များသည် လတ်တလောဖြစ်ရပ်များကို ထင်ဟပ်စေခြင်း၊
အမြဲတမ်း စိတ်ဝင်စားစရာ ကောင်းတဲ့ အရာတွေပါ။
▪ ဈ dati အဘယ်ကြောင့်ဆိုသော် လက်ရှိအသေးစိတ်အချက်အလက်များမှာ တောက်ပနေပါသည်။
granularity ၏ အနိမ့်ဆုံးအဆင့်တွင် သိမ်းဆည်းထားသည်။
▪ ဈ dati လက်ရှိအသေးစိတ်အချက်အလက်များကို အမြဲတမ်းနီးပါး သိမ်းဆည်းထားသည်။
အသုံးပြုရန် မြန်ဆန်သော်လည်း ဈေးကြီးသော disk သိုလှောင်မှု
ရှုပ်ထွေးနေ
I dati အသေးစိတ်ကတော့ အသက်ကြီးတယ်။ dati တွင် သိမ်းဆည်းထားသည်။
အချို့သောအမှတ်တရများ အစုလိုက်အပြုံလိုက်. ကြိုးကြားကြိုးကြားနှင့် ဝင်ခွင့်ရှိကြောင်း သိရသည်။
သဟဇာတရှိသောအသေးစိတ်အဆင့်တွင်သိမ်းဆည်းထားသည်။ dati အသေးစိတ်
ရေစီးကြောင်း။ ကြားခံတစ်ခုပေါ်တွင် သိမ်းဆည်းရန်မဖြစ်မနေလိုအပ်သော်လည်း၊
သိုလှောင်မှုပမာဏ များပြားခြင်းကြောင့်၊ dati စည်းစည်းလုံးလုံးနှင့်
ကြိုကြားကြိုကြားဝင်ရောက်လာ၏။ datiသိုလှောင်မှုအလတ်စား dati di
အဟောင်းအသေးစိတ်များကို disk တွင်သိမ်းဆည်းလေ့မရှိပါ။
I dati ပေါ့ပေါ့ပါးပါး အကျဉ်းချုံးပြီး ရေးထားတာပါ။ dati အောက်ခြေကနေ ပေါင်းခံတယ်။
လက်ရှိအသေးစိတ်အဆင့်မှာ တွေ့ရတဲ့ အသေးစိတ်အဆင့်။ ဒီ
DW အဆင့်သည် disk သိုလှောင်မှုတွင် အမြဲတမ်းနီးပါး သိမ်းဆည်းထားသည်။ THE
ဗိသုကာပညာရှင်အတွက် ဖြစ်ပေါ်လာသော ဒီဇိုင်းပြဿနာများ dati
DW ၏ ဤအဆင့်တည်ဆောက်မှုတွင်၊
▪ အထက်တွင်ဖော်ပြထားသော အကျဉ်းချုပ်သည် အချိန်၏ယူနစ်ဖြစ်သည်။
▪ မည်သည့်အကြောင်းအရာများ၊
အကြောင်းအရာ dati
နောက်တစ်ဆင့် dati DW မှာတွေ့နိုင်ပါတယ်။ dati အလွန်အမင်း
အနှစ်ချုပ် THE dati အကျဉ်းချုပ်အားဖြင့် ကျစ်လျစ်ပြီး လွယ်ကူသည်။
ဝင်ရောက်နိုင်သည်။ THE dati လွန်စွာ အကျဉ်းချုပ်ကို တစ်ခါတစ်ရံ တွေ့ရှိရသည်။
DW ပတ်၀န်းကျင်နှင့် အခြားကိစ္စများတွင် i dati အလွန်အကျဉ်းချုံးပြီးဖြစ်ကြပါသည်။
DW ကို တည်ဆောက်ပေးသည့် နည်းပညာ၏ ချက်ခြင်း နံရံအပြင်ဘက်တွင် တွေ့ရှိခဲ့သည်။
(ဘယ်လိုပဲဖြစ်ဖြစ်၊ ငါ dati အကျဉ်းချုပ်အားဖြင့် DW ၏ တစ်စိတ်တစ်ပိုင်းဖြစ်သည်။
ငါဘယ်မှာပဲဖြစ်ဖြစ် dati ရုပ်ပိုင်းဆိုင်ရာ နေအိမ်များ)။
DW ၏နောက်ဆုံးအစိတ်အပိုင်းမှာ မက်တာဒေတာဖြစ်သည်။ အများအကျိုးအတွက်
မက်တာဒေတာသည် အခြားအရာများထက် ကွဲပြားသောအတိုင်းအတာဖြင့် တည်ရှိပါသည်။ dati
မက်တာဒေတာတွင် မည်သည့်အရာမှ မပါဝင်သောကြောင့် DW ၏ Dato တိုက်ရိုက်
လည်ပတ်ပတ်ဝန်းကျင်မှ ထုတ်ယူသည်။ မက်တာဒေတာတွင် အထူးအခန်းကဏ္ဍ e ရှိသည်။
DW မှာ အရမ်းအရေးကြီးတယ်။ Metadata ကို:
▪ DSS ခွဲခြမ်းစိတ်ဖြာသူအား ကူညီရှာဖွေရန် လမ်းညွှန်တစ်ခု
DW ၏ အကြောင်းအရာ၊
▪ မြေပုံဆွဲခြင်းလမ်းညွှန် dati ငါဘယ်လိုမှ dati သူတို့သည်
လုပ်ငန်းလည်ပတ်မှုပတ်ဝန်းကျင်မှ DW ပတ်ဝန်းကျင်သို့ အသွင်ပြောင်း၊
▪ အကြားအကျဉ်းချုပ်အတွက် အသုံးပြုသည့် algorithms လမ်းညွှန် dati di
လက်ရှိအသေးစိတ် dati အနည်းငယ် အကျဉ်းချုပ်၊ i dati အလွန်အမင်း
အနှစ်ချုပ်များ၊
မက်တာဒေတာသည် DW ပတ်ဝန်းကျင်တွင် ပိုမိုကြီးမားသောအခန်းကဏ္ဍမှ ပါဝင်ပါသည်။
လုပ်ငန်းလည်ပတ်မှုပတ်ဝန်းကျင်မှာ သူတို့အရင်ကထက်
အဟောင်းအသေးစိတ် သိုလှောင်မှု အလယ်အလတ်
ဒီလိုမျိုး သိမ်းဆည်းဖို့အတွက် သံလိုက်တိပ်ကို အသုံးပြုနိုင်ပါတယ်။
dati. တကယ်တော့ Storage Tools တွေ အများကြီးရှိပါတယ်။
အဟောင်းတွေကို ထိန်းသိမ်းဖို့ စဉ်းစားသင့်တယ်။ dati di
အသေးစိတ်
၏ထုထည်အပေါ် မူတည် datiသုံးစွဲမှုအကြိမ်ရေ၊ ကုန်ကျစရိတ်
tools နှင့် access အမျိုးအစား၊ ၎င်းသည်လုံးဝဖြစ်နိုင်သည်။
အခြားကိရိယာများသည် အသေးစိတ်အဆင့်ဟောင်းကို လိုအပ်မည်ဖြစ်သည်။
DW ထဲမှာ။
ဒေတာစီးဆင်းမှု
ပုံမှန်နှင့် ခန့်မှန်းနိုင်သော စီးဆင်းမှု ရှိပါသည်။ dati DW အတွင်း။
I dati ၎င်းတို့သည် လည်ပတ်မှုပတ်ဝန်းကျင်မှ DW သို့ ဝင်ရောက်သည်။ (မှတ်ချက်။
ဤစည်းမျဉ်းအတွက် အလွန်စိတ်ဝင်စားစရာကောင်းသော ခြွင်းချက်အချို့။ သို့သော် နီးပါး
အရာအားလုံး dati လည်ပတ်မှုပတ်ဝန်းကျင်မှ DW ကိုရိုက်ထည့်ပါ။) datum ထို dati
၎င်းတို့သည် လည်ပတ်မှုပတ်ဝန်းကျင်မှ DW အတွင်းသို့ ဝင်ရောက်ကာ ယခင်ကဲ့သို့ အသွင်ပြောင်းသွားခဲ့သည်။
ရှေ့မှာဖော်ပြထားပါတယ်။ DW သို့ဝင်ရောက်ခြင်းအခြေအနေတွင်၊ i dati သူတို့ဝင်ပါ။
ယခုပြထားသည့်အတိုင်း အသေးစိတ်အဆင့်။ ၎င်းသည်ထိုနေရာတွင်နေထိုင်ပြီးအသုံးပြုသည်။
အဖြစ်အပျက် သုံးခုမှ တစ်ခု ဖြစ်ပေါ်လာသည်အထိ
▪ သန့်စင်ခြင်း၊
▪ အကျဉ်းချုပ်နှင့်/သို့မဟုတ်
▪ ဖြစ်ပါ၏။
DW အတွင်းရှိ အသုံးမပြုတော့သော လုပ်ငန်းစဉ်သည် i ကို ရွှေ့သည်။ dati လက်ရှိအသေးစိတ်အချက်အလက်များ
a dati အသက်အရွယ်အလိုက် အသေးစိတ်ဖော်ပြထားပါတယ်။ dati. လုပ်ငန်းစဉ်
summarization သည် အသေးစိတ်ကို အသုံးပြုသည်။ dati တွက်ချက်ရန် dati
အနည်းငယ် အကျဉ်းချုပ်ပြီး အလွန်အကျဉ်းချုပ် အဆင့်များ dati။ ရှိပါတယ်
ပြထားသော flow မှခြွင်းချက်အချို့ (နောက်မှဆွေးနွေးပါမည်)။
သို့သော် အများအားဖြင့်၊ အများအားဖြင့်၊ dati တွေ့တယ်။
DW တစ်ခုအတွင်း၊ စီးဆင်းမှု dati ကိုယ်စားပြုအဖြစ်။
DATAWAREHOUSE ကိုအသုံးပြုခြင်း။
အမျိုးမျိုးသောအဆင့်များ အံ့သြစရာမဟုတ်ပါ။ dati DW အတွင်းမှာ မဟုတ်ဘူး။
ကွဲပြားခြားနားသောအဆင့်အသုံးပြုမှုကိုလက်ခံပါ။ စည်းကမ်းအရ၊ အဆင့်မြင့်မားသည်။
အနှစ်ချုပ်၊ အပေါင်း dati အသုံးပြုကြသည်။
အသုံးပြုမှု အများအပြား ပေါ်ပေါက်လာသည်။ dati ဟောင်းနေချိန်တွင် အလွန်အကျဉ်းချုပ်ပါသည်။
dati အသေးစိတ်ကိုတော့ လုံးဝနီးပါး မသုံးပါဘူး။ အထဲမှာ အကြောင်းပြချက်ကောင်းတစ်ခုရှိတယ်။
အဖွဲ့အစည်းအား အရင်းအမြစ်အသုံးချမှုဆိုင်ရာ ပါရာဒိုင်းသို့ ရွှေ့ပါ။ သူ့မှာ ပိုများတယ်။
အကျဉ်းချုပ် i datiရောက်ဖို့ ပိုမြန်လေ၊ ပိုထိရောက်လေပါပဲ။ dati။ မိမိကိုမိမိ
un ကုန်ဆိုင် ၎င်းသည် DW အသေးစိတ်အဆင့်တွင် လုပ်ဆောင်မှုများစွာ ပြုလုပ်သည်ကို တွေ့ရသည်၊
ထို့နောက် သက်ဆိုင်ရာ စက်အရင်းအမြစ် အများအပြား
စားသုံးသည်။ တရားစွဲဖို့က လူတိုင်းရဲ့ အကျိုးစီးပွားအတွက်ပဲလေ။
မြင့်မားသောအဆင့်တွင် အကျဉ်းချုပ်အဖြစ် တတ်နိုင်သမျှ အမြန်ဆုံး ဆောင်ရွက်ပါ။
စတိုးဆိုင်များစွာအတွက်၊ ကြိုတင်-DW ပတ်ဝန်းကျင်ရှိ DSS ဆန်းစစ်သူကို အသုံးပြုထားသည်။
dati အသေးစိတ်အဆင့်မှာ။ အရိုအသေများစွာဖြင့် ရောက်ရှိလာသည်။ dati အသေးစိတ်
၎င်းတို့ရရှိနိုင်သည့်တိုင် လုံခြုံရေးစောင်နှင့် ဆင်တူသည်။
အခြားအဆင့်အကျဉ်းချုပ်။ ဗိသုကာပညာရှင်တစ်ဦး၏ လှုပ်ရှားမှုများ dati è
DSS အသုံးပြုသူအား အဆက်မပြတ်အသုံးပြုခြင်းမှ ဖြတ်တောက်ပါ။ dati အမြင့်ဆုံးအဆင့်မှာ
အသေးစိတ်အချက် ရနိုင်သောအကြောင်းရင်းနှစ်ခုရှိသည်။
ဗိသုကာပညာရှင်၏ dati:
▪ အသုံးပြုသူမှ ပေးချေသည့် ငွေပြန်အမ်းသည့်စနစ်ကို ထည့်သွင်းခြင်း။
အရင်းအမြစ်များ e
▪ တုံ့ပြန်ချိန်သည် အလွန်ကောင်းမွန်ကြောင်း ညွှန်ပြသည်။
ရရှိသောအမူအရာ i နှင့်အတူ dati မြင့်မားသောအဆင့်တွင်ရှိသည်။
အချုပ်အားဖြင့်ဆိုသော် တုံ့ပြန်မှု ညံ့ဖျင်းသောအချိန်သည် အဆိုပါထံမှ လာပါသည်။
အပြုအမူ dati နိမ့်သောအဆင့်တွင်
အခြားသတင်းများကိုစဉ်းစား
အခြားသော ဆောက်လုပ်ရေးနှင့် စီမံခန့်ခွဲမှုဆိုင်ရာ ထည့်သွင်းစဉ်းစားမှုများလည်း ရှိသေးသည်။
DW
ပထမစဉ်းစားချက်မှာ အညွှန်းကိန်းများဖြစ်သည်။ THE dati အမြင့်ဆုံးအဆင့်မှာ
အနှစ်ချုပ်ကို လွတ်လပ်စွာ ညွှန်းနိုင်သလို i dati
အောက်ခြေအသေးစိတ်တွင် ၎င်းတို့သည် တတ်နိုင်သမျှ ကြီးမားသည်။
ခြွေတာမှုဖြင့် ညွှန်းထားသည်။ တူညီသောတိုကင်မှ i dati မြင့်မားသောအဆင့်တွင်
အသေးစိတ်ကို အတော်လေး လွယ်ကူစွာ ပြန်လည်ပြုပြင်နိုင်ပြီး၊
၏အသံအတိုးအကျယ်ကိုနေစဉ် dati အောက်ခြေအဆင့်မှာ အရမ်းကြီးတယ်။ dati မဟုတ်တဲ့
၎င်းတို့ကို အလွယ်တကူ ပြန်လည်ပြုပြင်နိုင်သည်။ သို့ဖြစ်ရာ မော်ဒယ်၊
dei dati နှင့် ဒီဇိုင်းပုံစံဖြင့် ပြုလုပ်သော တရားဝင်အလုပ်
DW အတွက် အခြေခံအုတ်မြစ်သည် အဆင့်အထိ သီးသန့်နီးပါး အသုံးပြုထားသည်။
လက်ရှိအသေးစိတ်။ တစ်နည်းဆိုရသော် မော်ဒယ်လ်၏ လှုပ်ရှားမှုများ
dati ကိစ္စတိုင်းလိုလိုတွင် ၎င်းတို့သည် အကျဉ်းချုပ်အဆင့်များနှင့် မသက်ဆိုင်ပါ။
အခြားဖွဲ့စည်းပုံဆိုင်ရာ ထည့်သွင်းစဉ်းစားမှုမှာ အပိုင်းခွဲများဖြစ်သည်။
dati DW မှ
Partition ကို အဆင့်နှစ်ဆင့်နဲ့ လုပ်ဆောင်နိုင်ပါတယ်။ dbms et al
လျှောက်လွှာအဆင့်။ ဌာနခွဲအဆင့်မှာ dbmsက dbms è
ဌာနခွဲများသို့ အကြောင်းကြားပြီး သက်ဆိုင်ရာမှ စောင့်ကြည့်စစ်ဆေးပေးသည်။ ဖြစ်လာခဲ့လျှင်
လျှောက်လွှာအဆင့်တွင် အပိုင်းခွဲသည် ပရိုဂရမ်မာသာဖြစ်သည်။
ခွဲဝေတာဝန်ယူမှုတို့ကို အသိပေးအပ်ပါသည်။
အုပ်ချုပ်ရေးက သူ့အတွက် ကျန်ခဲ့တယ်။
အောက်အဆင့် dbmsအလုပ်တော်တော်များများက အလိုအလျောက် ပြီးသွားတယ်။ ရှိသည်
အလိုအလျောက် စီမံခန့်ခွဲခြင်းနှင့် ဆက်စပ်မှု ပျော့ပြောင်းမှု အများအပြား
တို့ဖြစ်ပါသည်။ ကွဲပြားမှု၏ဖြစ်ရပ်အတွက်လျှောက်လွှာအဆင့်မှာ dati del
ဒေတာဂိုဒေါင်အလုပ်အများကြီးက ပရိုဂရမ်မာအတွက် အလေးချိန်ရှိပေမယ့်၊
နောက်ဆုံးရလဒ်မှာ အုပ်ချုပ်မှုတွင် လိုက်လျောညီထွေဖြစ်မှုဖြစ်သည်။ dati ရက်စွဲ၌
ကုနျလှောငျရုံ
အခြား ကွဲလွဲချက်များ
ပဉ္စငါးပါး ဟိ ဒေတာဂိုဒေါင် ဖော်ပြထားသည့်အတိုင်း လုပ်ဆောင်ကြသည်။
အားလုံးနီးပါးအတွက် datiအသုံးဝင်သောခြွင်းချက်အချို့ရှိရပါမည်။
ဆွေးနွေးသည်။ ခြွင်းချက်တစ်ခုကတော့ အဲဒါပါပဲ။ dati အများသူငှာ အကျဉ်းချုပ်များ
(အများပြည်သူအကျဉ်းချုပ် အချက်အလက်)။ ဤသည်များမှာ dati ရှိခဲ့သော အနှစ်ချုပ်များ
ထဲက တွက်တယ်။ ဒေတာဂိုဒေါင် ဒါပေမယ့် လူ့အဖွဲ့အစည်းက သုံးတယ်။ THE dati
အများသူငှာ အနှစ်ချုပ်များကို သိမ်းဆည်းပြီး စီမံခန့်ခွဲပါသည်။ ဒေတာဂိုဒေါင်,
အရင်ကပြောခဲ့သလိုပဲ တွက်ကြည့်တယ်။ THE
စာရင်းကိုင်များသည် ၎င်းတို့ကို သုံးလတစ်ကြိမ် ထုတ်လုပ်ရန် လုပ်ဆောင်သည်။ dati မင်္ဂလာပါ
ဝင်ငွေ၊ သုံးလတစ်ကြိမ် အသုံးစရိတ်၊ သုံးလတစ်ကြိမ် အမြတ်စသည်ဖြင့်။ အလုပ်
စာရင်းကိုင်များက ပြင်ပမှ လုပ်ဆောင်သည်။ ဒေတာဂိုဒေါင်. သို့သော် ဈ dati အိပ်
ကုမ္ပဏီအတွင်း၌ “ပြည်တွင်း၌” ကိုသုံးသည်။ စျေးကွက်ရှာဖွေရေးအရောင်း, etc.
ဆွေးနွေးမည်မဟုတ်သော အခြားသော ကွဲလွဲချက်များမှာ၊ dati esterni
နောက်ထပ်ထူးခြားသောအမျိုးအစား dati ပေးထားသည့် နေရာတွင် တွေ့နိုင်သည်။
warehouse သည် အမြဲတမ်းအသေးစိတ်အချက်အလက်ဖြစ်သည်။ ဒါတွေကို ဖြစ်စေတယ်။
အမြဲတမ်း သိမ်းဆည်းထားဖို့ လိုပါတယ်။ dati အဆင့်တစ်ခုတွင်
ကျင့်ဝတ် သို့မဟုတ် ဥပဒေဆိုင်ရာ အကြောင်းပြချက်များအတွက် အသေးစိတ်ဖော်ပြထားသည်။ ကုမ္ပဏီတစ်ခုက ပြပွဲလုပ်ရင်
အန္တရာယ်ရှိသော ပစ္စည်းများနှင့် ဆက်စပ်လုပ်သားများ လိုအပ်နေပါသည်။ dati
အသေးစိတ်ပြီး အမြဲတမ်း ကုမ္ပဏီတစ်ခုက ထုတ်ကုန်တစ်ခုထုတ်ရင်
အများသူငှာ ဘေးကင်းရေး၊ လေယာဉ်၏ အစိတ်အပိုင်းများ ပါ၀င်သည်။
လိုအပ်ချက် dati အသေးစိပ်အမြဲတမ်းအပြင် ကုမ္ပဏီတစ်ခုရှိရင်
အန္တရာယ်ရှိသော စာချုပ်များတွင် ပါ၀င်သည်။
လူ့အဖွဲ့အစည်းသည် အသေးစိတ်အချက်အလက်များကို လျစ်လျူရှုရန် မတတ်နိုင်သောကြောင့် ဖြစ်သည်။
လာမည့်နှစ်အနည်းငယ်အတွင်း တရားစွဲခံရသည့်အခါ ပြန်လည်သိမ်းဆည်းခြင်း ၊ a
အငြင်းပွားနေသော ဆောက်လုပ်ရေး ချွတ်ယွင်းချက် စသည်တို့၊ ကုမ္ပဏီ၏ထိတွေ့မှု
ကြီးကြီးမားမားဖြစ်နိုင်သည်။ ထို့ကြောင့် ထူးခြားသော အမျိုးအစားတစ်ခု ရှိပါသည်။ dati
အမြဲတမ်းအသေးစိတ်အချက်အလက်လို့ ခေါ်တယ်။
အကျဉ်းချုပ်
Un ဒေတာဂိုဒေါင် အရာဝတ္ထုကို ဦးတည်သော၊ ပေါင်းစပ်ထားသော မူကွဲတစ်ခုဖြစ်သည်။
အချိန်၊ စုစည်းမှု dati non-volatile ၏လိုအပ်ချက်များကိုထောက်ပံ့
အုပ်ချုပ်ရေးဆုံးဖြတ်ချက်။ တစ်ခုချင်းစီ၏ထူးခြားသောလုပ်ဆောင်ချက်များကို
un ဒေတာဂိုဒေါင် ၎င်း၏သက်ရောက်မှုရှိသည်။ နောက်ပြီး လေးခုရှိတယ်။
အဆင့်များ dati del ဒေတာဂိုဒေါင်:
▪ အဟောင်းအသေးစိတ်
▪ လက်ရှိအသေးစိတ်
▪ Dati အနည်းငယ်အကျဉ်းချုပ်
▪ Dati အလွန်အကျဉ်းချုပ်
Metadata သည်လည်း အရေးကြီးသော အစိတ်အပိုင်းတစ်ခုဖြစ်သည်။ ဒေတာဂိုဒေါင်.
စိတ္တဇ
သိမ်းဆည်းခြင်း၏သဘောတရား dati မကြာသေးမီက လက်ခံရရှိခဲ့သည်။
အာရုံစူးစိုက်မှုများစွာနဲ့ 90s ရဲ့ trend ဖြစ်လာပါတယ်။
တစ်ဦး၏စွမ်းရည်ကြောင့် ဒေတာဂိုဒေါင် သူတို့ကိုကျော်လွှားရန်
i ကဲ့သို့သော အုပ်ချုပ်ရေးဆိုင်ရာ ပံ့ပိုးမှုစနစ်များ၏ ကန့်သတ်ချက်များ၊
ဆုံးဖြတ်ချက်ပံ့ပိုးမှုစနစ်များ (DSS) နှင့် သတင်းအချက်အလက်စနစ်များ
အမှုဆောင် (EIS)။
သဘောတရားအရဆိုလျှင်ပင် ဒေတာဂိုဒေါင် အလားအလာ၊
အကောင်အထည်ဖော်ပါ။ ဒေတာဂိုဒေါင် ကြောင့် ပြဿနာရှိနိုင်ပါတယ်။
ကြီးမားသော သိုလှောင်မှု လုပ်ငန်းစဉ်များ။ ရှိငြား၊
သိုလှောင်ရုံပရောဂျက်များ၏ ရှုပ်ထွေးမှု dati, အများအပြားပေးသွင်း
ဂိုဒေါင်အတိုင်ပင်ခံများ dati သူတို့တောင်းဆိုတယ်။
သိုလှောင်မှု dati လက်ရှိမှာ ဘာပြဿနာမှ မရှိပါဘူး။
သို့သော် ဤသုတေသနပရောဂျက်၏အစတွင်၊ မရှိသလောက်ဖြစ်သည်။
အမှီအခိုကင်းသော၊ တိကျခိုင်မာပြီး စနစ်တကျ သုတေသနပြုဆောင်ရွက်ခဲ့ပါသည်။ ထံမှ
ထို့ကြောင့် အမှန်တကယ်ဖြစ်ပျက်ခဲ့သည်ကို ပြောရခက်သည်။
စက်ရုံတွေဆောက်တဲ့အခါ၊ ဒေတာဂိုဒေါင်.
ဤလေ့လာမှုသည် သိုလှောင်ခြင်းဆိုင်ရာ အလေ့အကျင့်ကို လေ့လာခဲ့သည်။ dati
ပိုမိုကြွယ်ဝသောနားလည်မှုတိုးပွားစေရန်ရည်ရွယ်သောခေတ်ပြိုင်များ
သြစတြေးလျ၏အလေ့အကျင့်။ စာပေသုံးသပ်ချက်မှ ပံ့ပိုးပေးသည်။
သရုပ်ဖော်လေ့လာမှုအတွက် ဆက်စပ်မှုနှင့် အခြေခံအုတ်မြစ်။
ဤသုတေသနမှ တွေ့ရှိချက်များစွာရှိသည်။ ပထမ
ဤလေ့လာမှုက ဖြစ်ပွားခဲ့သော လှုပ်ရှားမှုများကို ဖော်ပြခဲ့သည်။
ဖွံ့ဖြိုးတိုးတက်မှုကာလအတွင်း ဒေတာဂိုဒေါင်. နယ်ပယ်များစွာတွင်၊ dati စုရုံး
စာပေတွင် ဖော်ပြထားသည့် အလေ့အကျင့်ကို အတည်ပြုခဲ့သည်။ ညိုညို
ဆိုက်၊ ပြဿနာများနှင့် ပြဿနာများကို သက်ရောက်မှုရှိနိုင်သည်။
တိုးတက်မှု ဒေတာဂိုဒေါင် ဤလေ့လာမှုမှဖော်ထုတ်ခဲ့သည်။
နောက်ဆုံးအနေဖြင့် သြစတြေးလျအဖွဲ့အစည်းများနှင့် ချိတ်ဆက်ထားသော အကျိုးကျေးဇူးများ
၏အသုံးပြုမှု ဒေတာဂိုဒေါင် ထုတ်ဖော်ခဲ့ကြပြီ။
အခန်း ၁
အကြောင်းအရာကို ရှာဖွေပါ။
ဒေတာသိုလှောင်ခြင်းဆိုင်ရာ အယူအဆသည် ကျယ်ကျယ်ပြန့်ပြန့် အသိအမှတ်ပြုမှု ရရှိခဲ့သည်။
ထိတွေ့မှုများပြီး ပေါ်ပေါက်လာသော လမ်းကြောင်းတစ်ခုအဖြစ်သို့ ပြောင်းလဲခဲ့သည်။
90s (McFadden 1996၊ TDWI 1996၊ Shah and Milstein 1997၊
Shanks et al ။ 1997၊ Eckerson 1998၊ Adelman နှင့် Oates 2000)။ အဲဒါပါပဲ။
ဒေတာပေါ်ရှိ ဆောင်းပါးအရေအတွက် တိုးပွားလာသည်ကို တွေ့မြင်နိုင်သည်။
ကုန်သွယ်မှု စာစောင်များတွင် သိုလှောင်ခြင်း (Little and Gibson 1999)။
ဆောင်းပါးများစွာ (ဥပမာ Fisher 1995၊ Hackathorn 1995၊
Morris 1995a၊ Bramblett နှင့် King 1996၊ Graham et al. ၁၉၉၆၊
Sakaguchi နှင့် Frolick 1996၊ Alvarez 1997၊ Brousell 1997၊ Clarke
1997၊ McCarthy 1997၊ O' Donnell 1997၊ Edwards 1998၊ TDWI
1999) အဖွဲ့အစည်းများမှရရှိသော သိသာထင်ရှားသောအကျိုးကျေးဇူးများကို အစီရင်ခံတင်ပြခဲ့ပါသည်။
အဲဒါကို အကောင်အထည်ဖော်ပါ။ ဒေတာဂိုဒေါင်. သူတို့ရဲ့ သီအိုရီကို ထောက်ခံခဲ့ကြတယ်။
အောင်မြင်သော အကောင်အထည်ဖော်မှုများ၏ သရုပ်ပြအထောက်အထားများဖြင့် မြင့်မားသော ပြန်လာမှု
ရင်းနှီးမြှုပ်နှံမှုဆိုင်ရာ ကိန်းဂဏန်းများ (ROI) နှင့် လမ်းညွှန်မှုပေးပါသည်။
ဖွံ့ဖြိုးတိုးတက်မှုအတွက် အကိုးအကား သို့မဟုတ် နည်းစနစ်များ ဒေတာဂိုဒေါင်
(Shanks et al. 1997၊ Seddon and Benjamin 1998၊ Little and Gibson
၁၉၉၉)။ လွန်ကဲသောကိစ္စတွင်၊ ဂရေဟမ် et al။ (၁၉၉၆) ရှိပြီ။
သုံးနှစ်တာ ရင်းနှီးမြုပ်နှံမှုတွင် ပျမ်းမျှပြန်အမ်းငွေ 401% အစီရင်ခံသည်။
သို့သော် လက်ရှိစာပေအများစုသည် ယင်းကို လျစ်လျူရှုထားသည်။
ထိုကဲ့သို့သော ပရောဂျက်များကို ဆောင်ရွက်ရာတွင် ရှုပ်ထွေးမှုများ၊ ပရောဂျက်များ
ဒေတာဂိုဒေါင် ၎င်းတို့သည် ပုံမှန်အားဖြင့် ရှုပ်ထွေးပြီး ကြီးမားသော အမျိုးအစားဖြစ်သည်။
ထို့ကြောင့် ၎င်းတို့သည် မအောင်မြင်ပါက ပျက်ကွက်နိုင်ခြေ မြင့်မားသည်ဟု ဆိုလိုသည်။
ဂရုတစိုက်ထိန်းချုပ်ထားသည် (Shah and Milstein 1997၊ Eckerson 1997၊
Foley 1997b၊ Zimmer 1997၊ Bort 1998၊ Gibbs နှင့် Clymer 1998၊ Rao
၁၉၉၈)။ ၎င်းတို့သည် လူသားနှင့် အရင်းအမြစ်များ အများအပြား လိုအပ်သည်။
ငွေကြေးနှင့်၊ ၎င်းတို့ကို တည်ဆောက်ရန် အချိန်နှင့် ကြိုးစားအားထုတ်မှု (Hill 1998၊ Crofts 1998)။ ဟိ
ပုံမှန်အချိန်နှင့် လိုအပ်သော ငွေကြေးနည်းလမ်းများ အသီးသီးရှိသည်။
နှစ်နှစ်နှင့် ဒေါ်လာနှစ်သန်း သို့မဟုတ် သုံးသန်းခန့် (Braly 1995၊ Foley
1997b၊ Bort 1998၊ Humphries et al။ ၁၉၉၉)။ ဥပါဒါန်နဲ့ ဆိုလိုတာပါ။
ငွေကြေးဆိုင်ရာ အဖွဲ့အစည်းများသည် ကဏ္ဍများစွာကို ထိန်းချုပ်ရန်နှင့် စုစည်းရန် လိုအပ်သည်။
ဒေတာသိုလှောင်ခြင်းဆိုင်ရာ ကွာခြားချက်များ (Cafasso 1995၊ Hill 1998)။ ဘက်မှာ
ဟာ့ဒ်ဝဲနှင့် ဆော့ဖ်ဝဲလ်၏ ထည့်သွင်းစဉ်းစားမှု၊ ကွဲပြားသည့် အခြားလုပ်ဆောင်ချက်များ
ထုတ်ယူခြင်းမှ dati loading လုပ်ငန်းစဉ်များဆီသို့ datiကနေ
အပ်ဒိတ်များနှင့် မက်တာဒေတာကို စီမံခန့်ခွဲရန် မှတ်ဉာဏ်စွမ်းရည် dati
အသုံးပြုသူသင်တန်းအတွက် ထည့်သွင်းစဉ်းစားရပါမည်။
ဤသုတေသနပရောဂျက်စတင်ချိန်တွင် အလွန်နည်းပါးပါသည်။
data warehousing နယ်ပယ်တွင် ဆောင်ရွက်ခဲ့သော ပညာရပ်ဆိုင်ရာ သုတေသန၊
အထူးသဖြင့် သြစတြေးလျမှာ။ ပစ္စည်းတွေ ရှားပါးလာတာက ထင်ရှားတယ်။
သတင်းစာများ သို့မဟုတ် အခြားစာများဖြင့် ဒေတာသိုလှောင်ခြင်းတွင် ထုတ်ဝေသည်။
ခေတ်ပညာတတ်များ။ ပညာရပ်ဆိုင်ရာ အရေးအသားတွေလည်း အများကြီးပါ။
US အတွေ့အကြုံကို ဖော်ပြပေးထားပါတယ်။ မရှိခြင်း။
Sl data warehousing နယ်ပယ်တွင် ပညာရပ်ဆိုင်ရာ သုတေသနပြုမှုများ ဖြစ်ပေါ်ခဲ့သည်။
ပြင်းပြင်းထန်ထန် သုတေသနပြုခြင်းနှင့် လက်တွေ့ကျသောလေ့လာမှုများကို တောင်းဆိုပါ (McFadden 1996၊
Shanks et al ။ ၁၉၉၇၊ Little နှင့် Gibson 1997)။ အထူးသဖြင့်၊ လေ့လာမှုများ
အကောင်အထည်ဖော်မှု လုပ်ငန်းစဉ်အပေါ် သုတေသနပြုခြင်း။ ဒေတာဂိုဒေါင်
အသိပညာတွေ တိုးပွားအောင် ဆောင်ရွက်ဖို့ လိုပါတယ်။
အထွေထွေ အကောင်အထည်ဖော်မှုနှင့်ပတ်သက်၍ ဒေတာဂိုဒေါင် e
အနာဂတ် သုတေသနလေ့လာမှုအတွက် အခြေခံအဖြစ် ဆောင်ရွက်လိမ့်မည် ( Shanks ed
အခြားသူများ။ ၁၉၉၇၊ Little နှင့် Gibson 1997)။
ထို့ကြောင့် ဤလေ့လာမှု၏ ရည်ရွယ်ချက်မှာ အမှန်တကယ် အဘယ်အရာကို လေ့လာရန်ဖြစ်သည်။
အဖွဲ့အစည်းတွေက ဒေတာတွေကို ထိန်းသိမ်းပြီး အသုံးပြုတဲ့အခါ ဖြစ်တတ်ပါတယ်။
သြစတြေးလျရှိ ဂိုဒေါင်။ အထူးသဖြင့် ဤလေ့လာမှုတွင် ပါဝင်မည်ဖြစ်သည်။
ဖွံ့ဖြိုးတိုးတက်မှုလုပ်ငန်းစဉ်တစ်ခုလုံးကို ခွဲခြမ်းစိတ်ဖြာခြင်း။ ဒေတာဂိုဒေါင်,
စတင်ခြင်းနှင့် ဒီဇိုင်းရေးဆွဲခြင်းများမှ စတင်သည်။
အကောင်အထည်ဖော်ခြင်းနှင့် အဖွဲ့အစည်းအတွင်း နောက်ဆက်တွဲအသုံးပြုခြင်း။
သြစတြေးလျ။ ထို့အပြင် လေ့လာမှုသည်လည်း လက်ရှိအလေ့အကျင့်ကို အထောက်အကူပြုမည်ဖြစ်သည်။
အလေ့အကျင့်ကို ပိုမိုဖွံ့ဖြိုးတိုးတက်စေမည့် နယ်ပယ်များကို ခွဲခြားသတ်မှတ်ခြင်း။
တိုးတက်ကောင်းမွန်ပြီး ထိရောက်မှုမရှိခြင်းနှင့် အန္တရာယ်များကို နည်းပါးအောင် သို့မဟုတ် လျှော့ချနိုင်သည်။
ကိုရှောင်ကြဉ်။ ထို့အပြင် ၎င်းသည် အခြားလေ့လာမှုများအတွက် အခြေခံတစ်ခုအဖြစ် ဆောင်ရွက်မည်ဖြစ်သည်။ ဒေတာဂိုဒေါင် in
ဩစတေးလျနှင့် စာပေ၌ လက်ရှိတည်ရှိနေသော ကွက်လပ်ကို ဖြည့်ဆည်းပေးမည်ဖြစ်သည်။
သုတေသနမေးခွန်းများ
ဤသုတေသန၏ ရည်ရွယ်ချက်မှာ ပါဝင်လုပ်ဆောင်မှုများကို လေ့လာရန်ဖြစ်သည်။
၏အကောင်အထည်ဖော်မှု၌ ဒေတာဂိုဒေါင် သူတို့ရဲ့အသုံးပြုမှု
သြစတြေးလျအဖွဲ့အစည်းများ။ အထူးသဖြင့် ဒြပ်စင်များကို လေ့လာသည်။
စီမံကိန်း ရေးဆွဲခြင်းနှင့် စပ်လျဉ်း၍ ဖွံ့ဖြိုးတိုးတက်ရေး၊
လည်ပတ်မှု၊ အသုံးပြုမှုနှင့် အန္တရာယ်များ ပါဝင်ပါသည်။ ဒီတော့ မေးစရာရှိတယ်။
ဤသုတေသန၏အချက်မှာ-
“လက်ရှိ ကျင့်ဝတ်က ဘယ်လိုလဲ။ ဒေတာဂိုဒေါင် သြစတြေးလျမှာလား?"
ဤပြဿနာကို ထိထိရောက်ရောက်တုံ့ပြန်ရန်၊
လက်အောက်ခံ သုတေသနမေးခွန်းအချို့။ အထူးသဖြင့် သုံးခု
မေးခွန်းငယ်များကို စာပေမှ ဖော်ထုတ်ထားသည်။
ဤသုတေသနပရောဂျက်ကို လမ်းညွှန်ရန် အခန်း 2 တွင် တင်ပြထားသည်-
ဘယ်လို အကောင်အထည်ဖော်ကြသလဲ။ ဒေတာဂိုဒေါင် အဖွဲ့အစည်းအလိုက်
သြစတြေးလျ? ဘယ်လိုပြဿနာတွေ ကြုံခဲ့ရလဲ။
အကျိုးကျေးဇူးတွေက ဘာတွေလဲ။
ဒီမေးခွန်းတွေကို ဖြေဆိုရာမှာ ပန်းချီကားတစ်ချပ်ကို အသုံးပြုခဲ့ပါတယ်။
စစ်တမ်းကို အသုံးပြု၍ စူးစမ်းလေ့လာခြင်း ငါဘယ်လိုလေ့လာလဲ။
စူးစမ်းလေ့လာခြင်းတွင် အထက်ဖော်ပြပါမေးခွန်းများ၏ အဖြေများသည် မပြည့်စုံပါ။
(Shanks et al. 1993၊ Denscombe 1998)။ ဤကိစ္စတွင်၊
ဤအရာများအတွက် တုံ့ပြန်မှုများကို မြှင့်တင်ရန် triangulation လိုအပ်ပါသည်။
တောင်းဆိုချက်များ။ သို့သော်လည်း စုံစမ်းစစ်ဆေးမှုများအတွက် ခိုင်မာသောအခြေခံအုတ်မြစ်ကို ပေးဆောင်မည်ဖြစ်သည်။
အနာဂတ်တွင် ဤမေးခွန်းများကို ဆန်းစစ်ပါ။ အသေးစိတ်တစ်ခု
သုတေသနနည်းလမ်း မျှတမှုနှင့် ဒီဇိုင်းဆိုင်ရာ ဆွေးနွေးမှု
အခန်း 3 တွင်ဖော်ပြထားသည်။
သုတေသနပရောဂျက်၏ဖွဲ့စည်းပုံ
ဤသုတေသနပရောဂျက်ကို အပိုင်းနှစ်ပိုင်းခွဲထားသည်- ဆက်စပ်လေ့လာမှု
ဒေတာသိုလှောင်ခြင်းဆိုင်ရာ သဘောတရားနှင့် empirical research (ရှု
ပုံ ၁.၁)၊ တစ်ခုချင်းစီကို အောက်တွင် ဆွေးနွေးထားပါသည်။
အပိုင်း ၁- ဆက်စပ်လေ့လာမှု
သုတေသန၏ ပထမပိုင်းသည် သုတေသနကို ပြန်လည်ဆန်းစစ်ခြင်းတွင် ပါဝင်ပါသည်။
i အပါအဝင် data warehousing အမျိုးအစားအမျိုးမျိုးတွင် လက်ရှိစာပေ
ဆုံးဖြတ်ချက်ပံ့ပိုးမှုစနစ်များ (DSS)၊ သတင်းအချက်အလက်စနစ်များ
အမှုဆောင် (EIS) ၏ဖြစ်ရပ်လေ့လာမှု ဒေတာဂိုဒေါင် ရက်စွဲ၏ သဘောတရားများ
ဂိုဒေါင်။ ထို့အပြင် ဖိုရမ်များ၏ ရလဒ်များ ဒေတာဂိုဒေါင် ဘုရားများ
ကျွမ်းကျင်ပညာရှင်များနှင့် ကျွမ်းကျင်ပညာရှင်များအဖွဲ့များ ၏ အစည်းအဝေးကို ပြုလုပ်ကျင်းပခြင်း။
Monash DSS သုတေသနသည် လေ့လာမှု၏ ဤအဆင့်တွင် ပါဝင်ခဲ့သည်။
ဒေတာအလေ့အကျင့်ဆိုင်ရာ အချက်အလက်များရရှိရန် ရည်ရွယ်ထားသည်။
ဂိုဒေါင်နှင့် ၎င်းတို့၏ မွေးစားခြင်းတွင် ပါဝင်သော အန္တရာယ်များကို ဖော်ထုတ်ရန်။
ဤကာလအတောအတွင်း သမ္ပဇဉ်၊ဥာဏ်
ပြဿနာနယ်မြေကို အသိပညာပေးနိုင်ရန် ထူထောင်ထားသည်။
နောက်ဆက်တွဲ empirical စုံစမ်းစစ်ဆေးမှုများအတွက် အခြေခံ။ သို့သော်ဤ
လေ့လာမှုပြုလုပ်နေစဉ်အတွင်း ဆက်လက်လုပ်ဆောင်နေပါသည်။
သုတေသန။
အပိုင်း ၂- လက်တွေ့သုတေသန
ဒေတာသိုလှောင်ခြင်းဆိုင်ရာ အယူအဆသစ်၊ esp
ဩစတေးလျတွင် ပြုလုပ်ခဲ့သည့် စစ်တမ်းတစ်ခု ဆောင်ရွက်ရန် လိုအပ်ကြောင်း ဖန်တီးခဲ့သည်။
အသုံးပြုမှုအတွေ့အကြုံ၏ ကျယ်ပြန့်သောပုံတစ်ပုံကို ရယူပါ။ ဒီ
ပြသနာ domain ဖြစ်ခဲ့သည်နှင့် တစ်စိတ်တစ်ပိုင်းကို လုပ်ဆောင်ခဲ့သည်။
ကျယ်ပြန့်သော စာပေသုံးသပ်ချက်ဖြင့် တည်ထောင်ခဲ့သည်။ အယူအဆ
data-warehousing ၏ contextual study အဆင့်အတွင်း ဖွဲ့စည်းထားခြင်းဖြစ်ပါသည်။
ဤလေ့လာမှု၏ ကနဦးမေးခွန်းလွှာအတွက် ထည့်သွင်းမှုအဖြစ် အသုံးပြုခဲ့သည်။
ယင်းနောက် မေးခွန်းလွှာကို စစ်ဆေးခဲ့သည်။ သင်ဟာ ရက်စွဲကျွမ်းကျင်သူတွေပါ။
ဂိုဒေါင်သည် စမ်းသပ်မှုတွင် ပါဝင်ခဲ့သည်။ စာမေးပွဲ၏ရည်ရွယ်ချက်
ကနဦးမေးခွန်းလွှာသည် ပြည့်စုံမှုနှင့် တိကျမှုရှိမရှိ စစ်ဆေးရန်ဖြစ်သည်။
မေးခွန်းအချို့။ စာမေးပွဲရလဒ်များကို အခြေခံ၍ မေးခွန်းလွှာဖြစ်ပါသည်။
ပြုပြင်မွမ်းမံပြီး မွမ်းမံထားသော ဗားရှင်းကို ပေးပို့ပြီးဖြစ်သည်။
စစ်တမ်းပါဝင်သူများ။ အဲဒီတုန်းက မေးခွန်းလွှာတွေ ပြန်ပေးတယ်။
ငါအတွက်ခွဲခြမ်းစိတ်ဖြာ dati ဇယားများ၊ ပုံများ၊ နှင့် အခြားဖော်မတ်များတွင်။ THE
ခွဲခြမ်းစိတ်ဖြာမှုရလဒ်များ dati လက်ငင်းဓာတ်ပုံပုံစံ
ဩစတေးလျတွင် ဒေတာသိုလှောင်ခြင်း အလေ့အကျင့်။
ဒေတာသိုလှောင်ခြင်း အကျဉ်းချုပ်
ဒေတာသိုလှောင်ခြင်းဆိုင်ရာ အယူအဆသည် တိုးတက်မှုနှင့်အတူ ပြောင်းလဲလာသည်။
ကွန်ပျူတာနည်းပညာ။
အဖွဲ့များ ကြုံတွေ့နေရသော ပြဿနာများကို ကျော်လွှားနိုင်ရန် ရည်ရွယ်ပါသည်။
ဆုံးဖြတ်ချက်ပံ့ပိုးမှုစနစ် (DSS) ကဲ့သို့သော အပလီကေးရှင်းပံ့ပိုးမှု e
အမှုဆောင်သတင်းအချက်အလက်စနစ် (EIS)။
အရင်တုန်းကတော့ ဒီ Application တွေရဲ့ အဓိက အတားအဆီးဖြစ်ခဲ့ပါတယ်။
ဤအပလီကေးရှင်းများကို ပေးဆောင်ရန် မတတ်နိုင်ပါ။ ဒေတာအခြေခံ
ခွဲခြမ်းစိတ်ဖြာမှုအတွက်လိုအပ်သည်။
ဒါက အဓိကအားဖြင့် အလုပ်သဘောသဘာဝကြောင့်ပါ။
စီမံခန့်ခွဲမှု။ ကုမ္ပဏီတစ်ခု၏ စီမံခန့်ခွဲမှု၏ အကျိုးစီးပွားများသည် ကွဲပြားသည်။
ကုသသည့်နေရာပေါ်မူတည်၍ အမြဲတစေ၊ ထို့ကြောင့် ငါ dati
ဤအပလီကေးရှင်းများအတွက် အခြေခံအကျဆုံး လုပ်နိုင်ရမည်။
ကုသရမယ့် အပိုင်းပေါ်မူတည်ပြီး မြန်မြန်ပြောင်းပါ။
ဆိုလိုတာက ငါ dati ပုံစံဖြင့်ရရှိနိုင်ရမည်။
လိုအပ်သော ခွဲခြမ်းစိတ်ဖြာမှုများအတွက် လုံလောက်ပါသည်။ စင်စစ်အားဖြင့် ထောက်ပံ့ကူညီမှုအဖွဲ့များ
အက်ပလီကေးရှင်းများသည် ယခင်က ed ကိုစုဆောင်းရန်အလွန်ခက်ခဲသည်။
ပေါင်းစည်းရန် dati ရှုပ်ထွေးပြီး ကွဲပြားသော အရင်းအမြစ်များမှ
ကျန်အပိုင်းသည် သဘောတရား၏ ခြုံငုံသုံးသပ်ချက်ကို တင်ပြသည်။
data warehousing နဲ့ ဘယ်လိုဆက်ဆံမလဲ။ ဒေတာဂိုဒေါင် ကျော်လွှားနိုင်ပါတယ်။
လျှောက်လွှာထောက်ပံ့ရေးအဖွဲ့ကိစ္စ။
ဟူသောဝေါဟာရကို "ဒေတာသိုလှောင်ရုံWilliam Inmon သည် ၁၉၉၀ တွင် ထွက်ရှိခဲ့သည်။
သူ၏ မကြာခဏ ကိုးကား အဓိပ္ပါယ်ဖွင့်ဆိုချက် ကို မြင်သည်။ ဒေတာသိုလှောင်ရုံ ဘယ်လို
စုစည်းမှု dati ဘာသာရပ်ကို ဦးတည်သည်၊ ပေါင်းစပ်သည်၊ မတည်ငြိမ်သော၊ နှင့် ပြောင်းလဲနိုင်သည်။
အချိန်ကြာလာသည်နှင့်အမျှ စီမံခန့်ခွဲမှုဆိုင်ရာ ဆုံးဖြတ်ချက်များကို ပံ့ပိုးပေးသည်။
ဤအဓိပ္ပါယ်ကို Inmon ကိုအသုံးပြု၍ ဆိုလိုသည်မှာ i dati နေထိုင်သူ
in un ဒေတာဂိုဒေါင် အောက်ပါအချက် ၄ ချက်ကို ပိုင်ဆိုင်ရမည်။
စရိုက်လက္ခဏာ-
▪ ဘာသာရပ်ကို ဦးတည်သည်။
▪ ပေါင်းစပ်ထားသည်။
▪ မတည်ငြိမ်သော
▪ အချိန်နှင့်အမျှ ပြောင်းလဲနိုင်သည်။
ဘာသာရပ်ဆန်တဲ့ Inmon လို့ အဓိပ္ပါယ်ရတာ ဖွဈပါတယျ dati ရက်စွဲ၌
ဂိုဒေါင်ထဲမှာ အကြီးဆုံး အဖွဲ့အစည်း နယ်မြေတွေ ဖြစ်ခဲ့ဖူးတယ်။
မော်ဒယ်တွင်သတ်မှတ်ထားသည်။ dati. ဥပမာအားလုံး dati ငါနှင့်ပတ်သက် ဖောက်သည်များ
ဘာသာရပ်နယ်ပယ်တွင်ပါရှိသည်။ ဝယ်သူ. အားလုံးလည်း အလားတူပါပဲ။
dati ထုတ်ကုန်များနှင့် စပ်လျဉ်း၍ ဘာသာရပ်နယ်ပယ်တွင် ပါရှိသည်။
ထုတ်ကုန်များ။
Integrated Inmon အားဖြင့်ဆိုလိုသည်မှာ ဖွဈသည်။ dati မတူညီသောထံမှလာ၏။
ပလပ်ဖောင်းများ၊ စနစ်များနှင့် တည်နေရာများကို ပေါင်းစပ်ပြီး သိမ်းဆည်းထားသည်။
တစ်ခုတည်းနေရာ။ တဆက်တည်း dati အလားတူအသွင်ပြောင်းရမည်။
တသမတ်တည်း ဖော်မတ်များဖြင့် ၎င်းတို့ကို ပေါင်းထည့်၍ နှိုင်းယှဉ်နိုင်သည်။
အလွယ်တကူ
ဥပမာအားဖြင့် ကျား၊မ ကျား၊မ တို့ကို ကိုယ်စားပြုသည်။
စနစ်တစ်ခုတွင် M နှင့် F စာလုံးများနှင့် 1 နှင့် 0 နှင့် နောက်တစ်ခု။ ဘို့
၎င်းတို့ကို မှန်ကန်သောနည်းလမ်းဖြင့် ပေါင်းစပ်ပါ၊ ဖော်မတ်တစ်ခု သို့မဟုတ် နှစ်ခုစလုံးရှိရပါမည်။
ဖော်မတ်နှစ်ခု တူညီစေရန် အသွင်ပြောင်းပါ။ ဒီထဲမှာ
M မှ 1 နှင့် F ကို 0 သို့မဟုတ် အပြန်အလှန်ပြောင်းနိုင်သည်။ ဦးတည်သည်။
ဘာသာရပ်နှင့် ပေါင်းစပ်ဖော်ပြသည်။ ဒေတာဂိုဒေါင် ၎င်းကို ဒီဇိုင်းထုတ်ထားသည်။
လုပ်ဆောင်နိုင်သော နှင့် transversal အမြင်ကို ပေးစွမ်းသည်။ dati ဘေးနား
ကုမ္ပဏီ၏
Non-volatile လို့ အဓိပ္ပါယ်ရတဲ့ ဈ dati နဲလ် ဒေတာဂိုဒေါင် သူတို့ကျန်နေခဲ့တယ်။
တသမတ်တည်းနှင့်မွမ်းမံခြင်း။ dati မလိုအပ်ပါဘူး။ အစား၊
ပြောင်းလဲပါ။ dati မူရင်းများကို ထည့်သွင်းထားသည်။ ဒေတာဘေ့စ ရက်စွဲ၏
ဂိုဒေါင်။ ဆိုလိုသည်မှာ သမိုင်းဆိုင်ရာ နိယာမဖြစ်သည်။ dati တွင်ပါရှိသည်။
ဒေတာဂိုဒေါင်.
for time with variables သည် Inmon က ဖော်ပြသည် i dati နဲလ် ဒေတာဂိုဒေါင်
tempo ညွှန်ကိန်းများ ei အမြဲပါရှိသည်။ dati ပုံမှန်အားဖြင့်
သတ်မှတ်ထားသော အချိန်မိုးကုပ်စက်ဝိုင်းကို ဖြတ်ကျော်ပါ။ ဥပမာ a
ဒေတာဂိုဒေါင် ၅ နှစ်တာ သမိုင်းတန်ဖိုးများ ပါဝင်နိုင်သည်။ ဖောက်သည်များ Dal
1993 မှ 1997 ခုနှစ်အထိ။ သမိုင်းနှင့် အချိန်စီးရီးတစ်ခု ရရှိမှု
dei dati ခေတ်ရေစီးကြောင်းတွေကို ခွဲခြမ်းစိတ်ဖြာနိုင်ရမယ်။
Un ဒေတာဂိုဒေါင် မိမိကိုယ်တိုင် စုဆောင်းနိုင်သည်။ dati စနစ်များမှ
OLTP;မူရင်းမှ dati အဖွဲ့အစည်းပြင်ပနှင့်/သို့မဟုတ် အခြားသော ကျွမ်းကျင်ပညာရှင်များမှ
ဖမ်းယူမှုစနစ် ပရောဂျက်များ dati.
I dati ထုတ်ယူမှုများသည် သန့်စင်ခြင်းလုပ်ငန်းစဉ်တွင် ဖြတ်သန်းနိုင်သည်။
ဒီအမှုကို ငါ dati ၎င်းတို့သည် မဖြစ်ခင်ကတည်းက အသွင်ပြောင်းပြီး ပေါင်းစပ်ထားသည်။
တွင်သိမ်းဆည်းထားသည်။ ဒေတာဘေ့စ del ဒေတာဂိုဒေါင်. ထို့နောက် ဈ dati
အတွင်းနေထိုင်သူ ဒေတာဘေ့စ del ဒေတာဂိုဒေါင် ရရှိနိုင်ပါသည်။
သုံးစွဲသူအဆုံးသတ်ဝင်ရောက်ခွင့်နှင့် ပြန်လည်ရယူရေးကိရိယာများ။ အသုံးပြုခြင်း။
ဤကိရိယာများသည် အသုံးပြုသူသည် ပေါင်းစပ်ထားသော မြင်ကွင်းကို ဝင်ရောက်ကြည့်ရှုနိုင်သည်။
အဖွဲ့အစည်း၏ dati.
I dati အတွင်းနေထိုင်သူ ဒေတာဘေ့စ del ဒေတာဂိုဒေါင် အိပ်
အသေးစိတ်နှင့် အကျဉ်းချုပ်ဖော်မတ်များတွင် 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 လည်း လုပ်နိုင်ပါတယ်။
အမျိုးအစားအမျိုးမျိုးကို သိမ်းဆည်းပါ။ Dato METADATA ဟုခေါ်သည်။
ငါဖော်ပြပါ။ dati မိမိ၌နေထိုင်သည်။ ဒေတာဘေ့စ.
မက်တာဒေတာ နှစ်မျိုးရှိသည်- ဖွံ့ဖြိုးတိုးတက်မှု မက်တာဒေတာနှင့် ဖွံ့ဖြိုးတိုးတက်မှု မက်တာဒေတာ
ခွဲခြမ်းစိတ်ဖြာခြင်း။
ဖွံ့ဖြိုးတိုးတက်မှု မက်တာဒေတာကို စီမံခန့်ခွဲရန်နှင့် အလိုအလျောက်လုပ်ဆောင်ရန် အသုံးပြုသည်။
ထုတ်ယူခြင်း၊ သန့်ရှင်းရေး၊ မြေပုံဆွဲခြင်းနှင့် တင်ခြင်းလုပ်ငန်းစဉ်များ dati နဲလ်
ဒေတာဂိုဒေါင်.
ဖွံ့ဖြိုးတိုးတက်မှု မက်တာဒေတာတွင်ပါရှိသော အချက်အလက်များ ပါဝင်နိုင်သည်။
လည်ပတ်မှုစနစ်များ၏အသေးစိတ်၊ ထုတ်ယူရမည့်ဒြပ်စင်အသေးစိတ်များ၊
template ကို dati del ဒေတာဂိုဒေါင် နှင့် ကုမ္ပဏီစည်းမျဉ်းများ
converte dei dati.
ခွဲခြမ်းစိတ်ဖြာမှု မက်တာဒေတာဟု လူသိများသော ဒုတိယ မက်တာဒေတာ အမျိုးအစား
အသုံးပြုသူအား ဒေတာ၏ အကြောင်းအရာကို စူးစမ်းလေ့လာနိုင်စေပါသည်။
ဂိုဒေါင်ကိုရှာပါ။ dati ရနိုင်သည်နှင့် ၎င်းတို့သည် ဝေါဟာရများကို ဆိုလိုသည်။
ရှင်းရှင်းလင်းလင်းနှင့်နည်းပညာမဟုတ်သော။
ထို့ကြောင့် ခွဲခြမ်းစိတ်ဖြာမှု မက်တာဒေတာသည် ဒေတာများကြားတွင် ပေါင်းကူးတစ်ခုအဖြစ် အလုပ်လုပ်သည်။
warehouse နှင့် end-user applications များ။ ဤ metadata လုပ်နိုင်သည်
လုပ်ငန်းပုံစံ၊ ဖော်ပြချက်များပါရှိသည်။ dati သတင်းထောက်များ
လုပ်ငန်းပုံစံ၊ ကြိုတင်သတ်မှတ်ထားသော မေးခွန်းများနှင့် အစီရင်ခံစာများ၊
အသုံးပြုသူ၏ လော့ဂ်အင်များနှင့် အညွှန်းများအတွက် အချက်အလက်များ။
ခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် ဖွံ့ဖြိုးတိုးတက်မှု မက်တာဒေတာကို တစ်ခုတည်းအဖြစ် ပေါင်းစပ်ရပါမည်။
ကောင်းမွန်စွာလုပ်ဆောင်နိုင်ရန် ပေါင်းစပ်ထားသော မက်တာဒေတာ သိုလှောင်မှု။
ကံမကောင်းစွာပဲ ရှိပြီးသား Tools တော်တော်များများမှာ ကိုယ်ပိုင်ရှိကြပါတယ်။
မက်တာဒေတာနှင့် လောလောဆယ် တည်ရှိနေသော စံနှုန်းများ မရှိပါ။
ဒေတာသိုလှောင်ခြင်းကိရိယာများကို ၎င်းတို့အား ပေါင်းစပ်ခွင့်ပြုပါ။
မက်တာဒေတာ။ ဤအခြေအနေကို ကုစားရန် များစွာသော ကုန်သည်များ၏
ပင်မဒေတာသိုလှောင်ခြင်းကိရိယာများသည် Meta Data ကိုဖွဲ့စည်းထားသည်။
ကောင်စီသည် နောက်ပိုင်းတွင် Meta Data Coalition ဖြစ်လာခဲ့သည်။
ဤညွန့်ပေါင်းအဖွဲ့၏ ရည်ရွယ်ချက်မှာ မက်တာဒေတာအစုံကို တည်ဆောက်ရန်ဖြစ်သည်။
မတူညီသောဒေတာသိုလှောင်ခြင်းကိရိယာများကိုခွင့်ပြုသည့်စံနှုန်း
မက်တာဒေတာကို ပြောင်းပါ။
သူတို့ရဲ့ အားထုတ်မှုဟာ Meta ကို မွေးဖွားစေတယ်။
Data Interchange Specification (MDIS) ကို လဲလှယ်ခွင့်ပြုပါမည်။
Microsoft မော်ကွန်းတိုက်များနှင့် ဆက်စပ် MDIS ဖိုင်များအကြား အချက်အလက်များ။
တည်ရှိမှု dati အကျဉ်းချုပ်/အညွှန်းနှင့် အသေးစိတ် နှစ်မျိုးစလုံးကို ပေးသည်။
အသုံးပြုသူသည် DRILL DROWN ကိုလုပ်ဆောင်ရန်ဖြစ်နိုင်ခြေရှိသည်။
(တူးဖော်ခြင်း) လာပါ။ dati အသေးစိတ်အချက်များနှင့် အပြန်အလှန်အညွှန်းများ ရေးသွင်းထားသည်။
တည်ရှိမှု dati အသေးစိတ်သမိုင်းများကို ဖန်တီးနိုင်ခွင့်ရှိသည်။
အချိန်နှင့်အမျှ trend analysis ။ ထို့အပြင်ခွဲခြမ်းစိတ်ဖြာ metadata ကိုလုပ်နိုင်သည်
၏လမ်းညွှန်အဖြစ်အသုံးပြုသည်။ ဒေတာဘေ့စ del ဒေတာဂိုဒေါင် နှုန်း
နောက်ဆုံးအသုံးပြုသူများ i ကိုရှာဖွေရန်ကူညီပါ။ dati လိုအပ်သည်
OLTP စနစ်များနှင့် နှိုင်းယှဉ်ပါက ၎င်းတို့၏ ပံ့ပိုးပေးနိုင်စွမ်း ရှိသည်။
ခွဲခြမ်းစိတ်ဖြာ dati အစီရင်ခံခြင်း၊ ဒေတာဂိုဒေါင် စနစ်တစ်ခုအဖြစ် မြင်သည်။
ဖော်ဆောင်ခြင်းနှင့် ကဲ့သို့သော အချက်အလက်ဆိုင်ရာ လုပ်ငန်းစဉ်များအတွက် ပိုမိုသင့်လျော်သည်။
မေးမြန်းမှုများကို တုံ့ပြန်ပြီး အစီရင်ခံစာများ ထုတ်ပြန်ပါ။ နောက်အပိုင်း
စနစ်နှစ်ခု၏ ကွာခြားချက်များကို အသေးစိတ်ဖော်ပြပါမည်။
ဒေတာဂိုဒေါင် OLTP စနစ်များနှင့်ဆန့်ကျင်ဘက်
အဖွဲ့အစည်းအတွင်း သတင်းအချက်အလက်စနစ်များစွာ
၎င်းတို့သည် နေ့စဉ်လုပ်ငန်းဆောင်တာများကို ကူညီပံ့ပိုးရန် ရည်ရွယ်ပါသည်။ ဒါတွေ
OLTP SYSTEMS ဟုလူသိများသောစနစ်များ၊ ငွေလွှဲမှုများကိုဖမ်းယူပါ။
နေ့စဉ်မပြတ် အပ်ဒိတ်လုပ်ထားသည်။
I dati ဤစနစ်များအတွင်း ၎င်းတို့ကို မကြာခဏ ပြုပြင်မွမ်းမံခြင်း၊ ပေါင်းထည့်ခြင်း သို့မဟုတ် မကြာခဏ ပြုလုပ်လေ့ရှိသည်။
ဖျက်လိုက်ပြီ။ ဥပမာအားဖြင့်၊ ဖောက်သည်တစ်ဦး၏လိပ်စာသည် အပြောင်းအလဲမရှိသလောက်ပင်
တစ်နေရာမှ တစ်နေရာသို့ ရွေ့လျားတော်မူ၏။ ဒီနေရာမှာ လိပ်စာအသစ်ပါ။
လိပ်စာအကွက်ကို ပြင်ဆင်ခြင်းဖြင့် မှတ်ပုံတင်မည်ဖြစ်သည်။ ဒေတာဘေ့စ.
ဤစနစ်များ၏ အဓိကရည်ရွယ်ချက်မှာ ကုန်ကျစရိတ်များကို လျှော့ချရန်ဖြစ်သည်။
အရောင်းအ၀ယ်များနှင့် တစ်ချိန်တည်းတွင် လုပ်ဆောင်ချိန်များကို လျှော့ချပါ။
OLTP စနစ်များ၏ ဥပမာများတွင် စာရေးခြင်းကဲ့သို့သော အရေးကြီးသော လုပ်ဆောင်ချက်များ ပါဝင်သည်။
အော်ဒါစာရင်းကိုင်၊ လုပ်ခလစာ၊ ငွေတောင်းခံလွှာများ၊ ကုန်ထုတ်လုပ်မှု၊ AI ဝန်ဆောင်မှုများ ဖောက်သည်များ.
လုပ်ငန်းစဉ်အလိုက် ဖန်တီးထားသည့် OLTP စနစ်များနှင့် မတူပါ။
အရောင်းအ၀ယ်များနှင့် ဖြစ်ရပ်များအပေါ် အခြေခံ၍ i ဒေတာဂိုဒေါင် သူတို့ဖန်တီးခဲ့ကြသည်။
ခွဲခြမ်းစိတ်ဖြာမှုဆိုင်ရာ လုပ်ငန်းစဉ်များကို ပံ့ပိုးကူညီရန် dati ဦး ဖြစ်ပါတယ်
ဆုံးဖြတ်ချက်လုပ်ငန်းစဉ်များ။
၎င်းကို i ပေါင်းစပ်ခြင်းဖြင့် အောင်မြင်သည်။ dati စနစ်အမျိုးမျိုးမှ
OLTP နှင့် "ကွန်တိန်နာ" တစ်ခုတည်းတွင်ပြင်ပ။ datiဆွေးနွေးခဲ့သလို၊
ယခင်အပိုင်း၌။
Monash Data Warehousing Process Model
လုပ်ငန်းစဉ်ပုံစံ ဒေတာဂိုဒေါင် Monash ကိုတီထွင်ခဲ့သည်။
Monash DSS Research Group မှ သုတေသီများအပေါ် အခြေခံထားသည်။
စာပေများ ဒေတာဂိုဒေါင်ပံ့ပိုးကူညီမှု အတွေ့အကြုံအပေါ်၊
စနစ်နယ်ပယ်များ ဖွံ့ဖြိုးတိုးတက်ရေး၊ ရောင်းချသူများနှင့် ဆွေးနွေးခြင်းများ
အသုံးပြုရန် application များ ဒေတာဂိုဒေါင်ပညာရှင်တစ်စုအပေါ်
၏အသုံးပြုမှု၌ ဒေတာဂိုဒေါင်.
အဆင့်များမှာ- စတင်ခြင်း ၊ စီမံကိန်း ၊ ဖွံ့ဖြိုးတိုးတက်ရေး ၊ နှင့် လည်ပတ်မှုများ
ရှင်းလင်းချက်။ ပုံကြမ်းသည် ထပ်ခါထပ်ခါ သဘောသဘာဝ သို့မဟုတ် ရှင်းပြသည်။
ဆင့်ကဲဖွံ့ဖြိုးတိုးတက်မှု ဒေတာဂိုဒေါင် အသုံးပြုခြင်းလုပ်ငန်းစဉ်
မတူညီသော အဆင့်များကြားတွင် နှစ်လမ်းသွားမြှားများ ထားရှိပါ။ ဒီထဲမှာ
“ထပ်တလဲလဲ” နှင့် “ဆင့်ကဲဖြစ်စဉ်” ဆက်စပ်အကြောင်းအရာတစ်ခုစီတွင် ဆိုလိုသည်။
လုပ်ငန်းစဉ်၏ အဆင့်၊ အကောင်အထည်ဖော်ရေး လုပ်ငန်းများကို လုပ်ဆောင်နိုင်သည်။
ယခင်အဆင့်သို့ အမြဲတမ်း နောက်ပြန်လှည့်ပါ။ ဒါက
ပရောဂျက်၏ သဘောသဘာဝကြောင့် ဒေတာဂိုဒေါင် ဘယ်မှာလဲ။
အပိုတောင်းဆိုမှုများ အချိန်မရွေး ပေါ်ပေါက်လာသည်။
အသုံးပြုသူ၏ ဥပမာအားဖြင့်၊ ဖွံ့ဖြိုးတိုးတက်မှုအဆင့်အတွင်း
လုပ်ငန်းစဉ် ဒေတာဂိုဒေါင်အသုံးပြုသူမှ တောင်းဆိုထားသည်။
၎င်းနှင့်မသက်ဆိုင်သော အတိုင်းအတာအသစ် သို့မဟုတ် ဘာသာရပ်နယ်ပယ်
မူလအစီအစဉ်၊ ၎င်းကို စနစ်ထဲသို့ ထည့်ရပါမည်။ ဒီ
ပရောဂျက်ကို အပြောင်းအလဲ ဖြစ်စေတယ်။ ရလဒ်ကတော့ အသင်းရဲ့ ရလဒ်ပါပဲ။
ဒီဇိုင်းသည် ယခုအချိန်အထိ ဖန်တီးထားသော စာရွက်စာတမ်းများ၏ လိုအပ်ချက်များကို ပြောင်းလဲရမည်ဖြစ်သည်။
ဒီဇိုင်းအဆင့်အတွင်း။ ဖြစ်ရပ်များစွာတွင်၊ လက်ရှိအခြေအနေ
ပရောဂျက်သည် ဒီဇိုင်းအဆင့်သို့ ပြန်သွားရမည်ဖြစ်သည်။
တောင်းဆိုချက်အသစ်ကို ထည့်သွင်းပြီး မှတ်တမ်းတင်ထားရမည်။ အသုံးပြုသူ
နောက်ဆုံး သတ်မှတ်ထားတဲ့ documentation reviewed ei ကို ကြည့်နိုင်ရပါမယ်။
ဖွံ့ဖြိုးတိုးတက်မှုအဆင့်တွင် ပြုလုပ်ခဲ့သော အပြောင်းအလဲများ။ အဆံုးမှာ
ဤဖွံ့ဖြိုးတိုးတက်မှုစက်ဝန်းသည် ပရောဂျက်ထံမှ ကောင်းမွန်သော တုံ့ပြန်ချက်ရရပါမည်။
အဖွဲ့နှစ်ခုလုံး၊ ဖွံ့ဖြိုးတိုးတက်ရေးအဖွဲ့နှင့် အသုံးပြုသူအဖွဲ့။ THE
ထို့နောက် အနာဂတ်ပရောဂျက်တစ်ခု ပိုမိုကောင်းမွန်လာစေရန် တုံ့ပြန်ချက်အား ပြန်လည်အသုံးပြုပါသည်။
စွမ်းဆောင်ရည်အစီအစဥ်
Dw သည် အလွန်ကြီးမားပြီး ကြီးထွားတတ်သည်။
အလွန်လျင်မြန်စွာ (အကောင်းဆုံး 1995၊ Rudin 1997a) ၏နောက်တွင်
ပမာဏ dati သူတို့ရဲ့ သက်တမ်းကနေ ထိန်းသိမ်းထားတဲ့ သမိုင်းတွေ။ ဟိုမှာ
ကြီးထွားမှုကြောင့်လည်း ဖြစ်နိုင်တယ်။ dati တောင်းဆိုထားသော အပိုပစ္စည်းများ
အသုံးပြုသူများ၏တန်ဖိုးကိုတိုးမြှင့် dati သူတို့ရှိပြီးသား။ ထံမှ
ထို့ကြောင့် သိုလှောင်မှု လိုအပ်ချက်များ dati လုပ်နိုင်
သိသာထင်ရှားစွာ မြှင့်တင်နိုင်သည် (Eckerson 1997)။ ဒါကြောင့်မို့ပါ။
အစီအစဥ်ပြုလုပ်ခြင်းဖြင့် သေချာစေရန် မရှိမဖြစ်လိုအပ်ပါသည်။
တည်ဆောက်ရမည့်စနစ်သည် စွမ်းဆောင်ရည်ဖြင့် တိုးလာနိုင်သည်။
လိုအပ်ချက်များကြီးထွားမှု (အကောင်းဆုံး ၁၉၉၅၊ LaPlante 1995၊ Lang 1996၊
Eckerson 1997၊ Rudin 1997a၊ Foley 1997a)။
dw scalability အတွက် အစီအစဥ်တွင်၊ သိထားရမည်။
သိုလှောင်မှုအရွယ်အစား၊ မေးခွန်းအမျိုးအစားများတွင် တိုးတက်မှုမျှော်လင့်ထားသည်။
ဆောင်ရွက်ဖွယ်ရှိပြီး၊ ပံ့ပိုးပေးထားသည့် အသုံးပြုသူ အရေအတွက် (အကောင်းဆုံး
1995၊ Rudin 1997b၊ Foley 1997a)။ အရွယ်တင်နိုင်သော အပလီကေးရှင်းများ တည်ဆောက်ပါ။
အရွယ်တင်နိုင်သော ဆာဗာနည်းပညာများနှင့် နည်းပညာများ ပေါင်းစပ်မှု လိုအပ်သည်။
အရွယ်တင်နိုင်သော application များကို ဒီဇိုင်းထုတ်ခြင်း (Best 1995၊ Rudin 1997b။
အက်ပလီကေးရှင်းတစ်ခုဖန်တီးရာတွင် နှစ်ခုစလုံးလိုအပ်ပါသည်။
အလွန်အမင်း ချဲ့နိုင်သည်။ Scalable server technologies လုပ်နိုင်သည်
သိုလှောင်မှု၊ မှတ်ဉာဏ်နှင့် ပေါင်းထည့်ရန် လွယ်ကူပြီး အကျိုးရှိစေသည်။
စွမ်းဆောင်ရည်ကို ထိခိုက်စေခြင်းမရှိဘဲ CPU (Lang 1997၊ Telephony 1997)။
အဓိက အရွယ်တင်နိုင်သော ဆာဗာနည်းပညာနှစ်ခု ရှိသည်- ကွန်ပျူတာ
Symmetric multiple (SMP) နှင့် ကြီးမားသော လုပ်ဆောင်မှု
အပြိုင် (MPP) ) (IDC 1997၊ Humphries et al. 1999)။ ဆာဗာတစ်ခု
SMP သည် ပုံမှန်အားဖြင့် မန်မိုရီတစ်ခုတည်းကို မျှဝေသည့် ပရိုဆက်ဆာများစွာရှိပြီး၊
ဘတ်စ်ကားစနစ်နှင့် အခြားအရင်းအမြစ်များ (IDC 1997၊ Humphries et al. 1999)။
မြှင့်တင်ရန်အတွက် အပိုပရိုဆက်ဆာများကို ထည့်သွင်းနိုင်သည်။
သူ့ စွမ်းအား တွက်ချက်မှု။ တိုးဖို့နောက်ထပ်နည်းလမ်း
စွမ်းအား SMP server ၏ တွက်ချက်မှုစွမ်းအားသည် မြောက်မြားစွာကို ပေါင်းစပ်ရန်ဖြစ်သည်။
SMP စက်များ။ ဤနည်းပညာကို အစုလိုက်ဖွဲ့ခြင်း (Humphries) ဟုခေါ်သည်။
et al ။ ၁၉၉၉)။ အခြားတစ်ဖက်တွင် MPP ဆာဗာတစ်ခုစီတွင် ပရိုဆက်ဆာများစွာရှိသည်။
၎င်း၏ကိုယ်ပိုင်မှတ်ဉာဏ်၊ ဘတ်စ်ကားစနစ်နှင့် အခြားအရင်းအမြစ်များဖြင့် (IDC 1997၊
Humphries et al ။ ၁၉၉၉)။ ပရိုဆက်ဆာတစ်ခုစီကို node ဟုခေါ်သည်။ တစ်
တိုးလာ စွမ်းအား တွက်ချက်မှုတို့ကို ရယူနိုင်မည်ဖြစ်သည်။
MPP ဆာဗာများသို့ နောက်ထပ် node များကို ပေါင်းထည့်ခြင်း (Humphries et al.
1999) ။
SMP ဆာဗာများ၏ အားနည်းချက်မှာ အဝင်-အထွက် လုပ်ဆောင်ချက် များပြားလွန်းသည်။
(I/O) ဘတ်စ်ကားစနစ် (IDC 1997) ကို ပိတ်ဆို့နိုင်သည်။ ဒီ
MPP ဆာဗာများတွင် ပြဿနာမဖြစ်ပွားပါ။
ပရိုဆက်ဆာသည် ၎င်း၏ကိုယ်ပိုင်ဘတ်စ်ကားစနစ်ရှိသည်။ ဒါပေမယ့် တစ်ခုနဲ့တစ်ခု ဆက်စပ်နေပါတယ်။
node တစ်ခုစီကြားတွင် ၎င်းတို့သည် အများအားဖြင့် ဘတ်စ်ကားစနစ်ထက် များစွာနှေးကွေးသည်။
SMP ၏ ထို့အပြင် MPP ဆာဗာများသည် အလွှာတစ်ခုကို ထည့်နိုင်သည်။
အပလီကေးရှင်း developer များအတွက် ထပ်လောင်းရှုပ်ထွေးမှု (IDC
၁၉၉၇)။ ထို့ကြောင့် SMP နှင့် MPP ဆာဗာများအကြား ရွေးချယ်မှုအပေါ် လွှမ်းမိုးနိုင်သည်။
မေးခွန်းများ၏ ရှုပ်ထွေးမှု၊ ဆက်စပ်မှု အပါအဝင် အချက်များစွာဖြင့်
စျေးနှုန်း/စွမ်းဆောင်ရည်၊ လိုအပ်သောကုသမှုစွမ်းရည်၊
dw အက်ပလီကေးရှင်းများနှင့် အရွယ်အစား တိုးလာခြင်းတို့ကို တားဆီးထားသည်။ ဒေတာဘေ့စ
dw နှင့် end users အရေအတွက်။
များပြားသော အရွယ်တွင် အသုံးချနိုင်သော ဒီဇိုင်းနည်းပညာများ
စွမ်းရည်စီမံချက်ရေးဆွဲရာတွင် အသုံးပြုနိုင်သည်။ တစ်မျိုး
ရက်များ၊ ရက်သတ္တပတ်များ၊ လများနှင့် နှစ်များကဲ့သို့ အမျိုးမျိုးသော အသိပေးချက်ကာလများကို အသုံးပြုသည်။
အမျိုးမျိုးသောအသိပေးကာလရှိခြင်း၊ ဒေတာဘေ့စ ဟူ၍ ခွဲခြားနိုင်သည်။
အပိုင်းအစများကို အလွယ်တကူ စုဖွဲ့ထားသည် (Inmon et al. 1997)။ နောက်တစ်ခု
နည်းပညာသည် တည်ဆောက်ထားသော အကျဉ်းချုပ်ဇယားများကို အသုံးပြုရန်ဖြစ်သည်။
အကျဉ်းချုပ် dati da dati အသေးစိတ်။ ထို့ကြောင့်၊ dati အနှစ်ချုပ်တွေက ပိုများတယ်။
အသေးစိတ်ထက် ကျစ်လျစ်ပြီး မှတ်ဉာဏ်နေရာ နည်းပါးသည်။
ဒါကြောင့် dati အသေးစိတ်ကို drive တွင်သိမ်းဆည်းနိုင်သည်။
စျေးသက်သာသော သိုလှောင်မှု ၊ သိုလှောင်မှု ပိုမို သက်သာသည်။
အနှစ်ချုပ်ဇယားများကို အသုံးပြုထားသော်လည်း နေရာသိမ်းနိုင်သည်။
မှတ်ဉာဏ်၊ ၎င်းတို့သည် ၎င်းတို့ကို ခေတ်နှင့်အမီ ထိန်းသိမ်းရန် အားထုတ်မှုများစွာ လိုအပ်ပါသည်။
စီးပွားရေးလိုအပ်ချက်နှင့်အညီ။ သို့သော် ဤနည်းပညာသည်
တွင်ကျယ်စွာအသုံးပြုပြီး နည်းပညာနှင့် တွဲဖက်အသုံးပြုလေ့ရှိသည်။
ယခင် (အကောင်းဆုံး 1995၊ Inmon 1996a၊ Chauduri နှင့် Dayal
1997) ။
သတ်မှတ်ခြင်း ဒေတာသိုလှောင်ရုံ စက်မှုလက်မှု
ဗိသုကာပညာရပ်၏ အဓိပ္ပါယ်ဖွင့်ဆိုချက်
dw ဗိသုကာများ
ဒေတာသိုလှောင်ခြင်း၏ အစောပိုင်းလက်ခံသူများသည် အဓိကအားဖြင့် ပဋိသန္ဓေယူကြသည်။
dw ၏ ဗဟိုချုပ်ကိုင်မှုဖြင့် အကောင်အထည်ဖော်သည့်နေရာတွင် အားလုံးပါဝင်ပါသည်။ dati, ပါဝင်သည်။
i dati ပြင်ပ တစ်ခုတည်းသို့ ပေါင်းစည်းခြင်း၊
ရုပ်ပိုင်းဆိုင်ရာသိုလှောင်မှု (Inmon 1996a၊ Bresnahan 1996၊ Peacock 1998)။
ဤချဉ်းကပ်မှု၏ အဓိကအားသာချက်မှာ သုံးစွဲသူများဖြစ်သည်။
စွန့်ဦးတီထွင်မှုစကေးနဲ့ အမြင်ကို ရယူနိုင်ခဲ့တယ်။
(လုပ်ငန်းကျယ်ကျယ်အမြင်) dei dati အဖွဲ့အစည်း (Ovum 1998)။ နောက်တစ်မျိုး
အားသာချက်ကတော့ standardization ကို ပေးစွမ်းနိုင်လို့ပါ။ dati attraverso
အဖွဲ့အစည်း၊ ဆိုလိုသည်မှာ ဗားရှင်းတစ်မျိုးတည်းသာ ရှိသည်။
dw deposit တွင်အသုံးပြုသည့် ဝေါဟာရတစ်ခုစီအတွက် အဓိပ္ပါယ်ဖွင့်ဆိုချက်
(reposity) မက်တာဒေတာ (Flanagan and Safdie 1997၊ Ovum 1998)။ ဟိ
အခြားတစ်ဖက်တွင်မူ ဤနည်းလမ်း၏ အားနည်းချက်မှာ စျေးကြီးပြီး ခက်ခဲသည်။
တည်ဆောက်ရန် (Flanagan နှင့် Safdie 1997၊ Ovum 1998၊ Inmon et al.
၁၉၉၈)။ သိုလှောင်မှုဗိသုကာကိုသိပ်မကြာခင်မှာ dati
ဗဟိုချုပ်ကိုင်မှု ပေါ်ပြူလာဖြစ်လာပြီး ထုတ်ယူခြင်းဆိုင်ရာ အယူအဆလည်း ပြောင်းလဲလာသည်။
အသေးငယ်ဆုံး အပိုင်းများထဲမှ dati ၏လိုအပ်ချက်များကိုထောက်ပံ့ရန်
သီးခြားအသုံးချပရိုဂရမ်များ (Varney 1996၊ IDC 1997၊ Berson နှင့် Smith
၁၉၉၇၊ဒေါင်း ၁၉၉၈)။ ဤသေးငယ်သော စနစ်များသည် ပိုမို၍ ဆင်းသက်လာသည်။
Grande ဒေတာဂိုဒေါင် ဗဟိုချုပ်ကိုင်မှု။ ရက်စွဲလို့ခေါ်တယ်။
မှီခိုသော ဌာနဆိုင်ရာ ဂိုဒေါင်များ သို့မဟုတ် မှီခိုသော ဒေတာမတ်များ။
Dependent data mart architecture ကို ခေါ်သည်။
ပထမအဆင့်တွင် အချက်အလက်ပါဝင်သည့် သုံးဆင့်ဗိသုကာပညာ
Centralized warehouse တွင် ဒုတိယဂိုဒေါင်များ ပါဝင်သည်။ dati
ဌာနဆိုင်ရာနှင့် တတိယအကြိမ်မြောက် ဝင်ရောက်ခွင့်တို့ ပါဝင်သည်။ dati နှင့် ကိရိယာများမှ
ခွဲခြမ်းစိတ်ဖြာမှု (Demarest 1994၊ Inmon et al. 1997)။
Data marts များကို ပုံမှန်အားဖြင့် အပြီးတည်ဆောက်ပါသည်။ ဒေတာဂိုဒေါင်
လိုအပ်ချက်များနှင့် ကိုက်ညီစေရန် ဗဟိုချုပ်ကိုင်မှုကို တည်ဆောက်ခဲ့သည်။
သီးခြားယူနစ်များ (White 1995၊ Varney 1996)။
Data marts စတိုးတဈခု dati အထူးများနှင့်သက်ဆိုင်သည်။
စည်းလုံးညီညွတ်မှု (Inmon et al. 1997, Inmon et al. 1998, IA 1998)။
ဒီနည်းလမ်းရဲ့ အားသာချက်ကတော့ မရှိမဖြစ်ပါ။ Dato မဟုတ်တဲ့
ပေါင်းစပ်ထားတာလို့ ဆိုရမှာပါ။ dati ၎င်းတို့သည် ဒေတာအတွင်း မလိုအပ်တော့ပါ။
marts အားလုံးကတည်းက dati အပ်နှံငွေမှ လာပါသည်။ dati ဘက်ပေါင်းစုံ။
နောက်ထပ်အားသာချက်တစ်ခုကတော့ တစ်ခုနဲ့တစ်ခုကြား ချိတ်ဆက်မှုအနည်းငယ်ရှိပါလိမ့်မယ်။
data marts နှင့် ဆက်စပ်သတင်းရင်းမြစ်များ dati အဘယ်ကြောင့်ဆိုသော် data mart တစ်ခုစီတွင်သာရှိသည်။
အရင်းအမြစ်တစ်ခု dati. ထို့အပြင် ဤဗိသုကာလက်ရာများဖြင့် အသုံးပြုသူများ၊
ဖိုင်နယ်လ်၏ ခြုံငုံသုံးသပ်ချက်ကို ရယူနိုင်ပါသေးသည်။ dati
ကော်ပိုရိတ်အဖွဲ့အစည်းများ။ ဤနည်းလမ်းကို နိဒါန်းဟု ခေါ်သည်။
data marts များကို data ပြီးနောက် top-down နည်းလမ်း
ဂိုဒေါင် (ဒေါင်း 1998၊ Goff 1998)။
ရလဒ်တွေကို စောစီးစွာပြသဖို့ လိုအပ်တာတွေ ပိုများလာတယ်။
အဖွဲ့အစည်းများသည် အမှီအခိုကင်းသော data martsများကို စတင်တည်ဆောက်နေပြီဖြစ်သည်။
(Flanagan နှင့် Safdie 1997၊ White 2000)။ ဤကိစ္စတွင်၊ data marts
သူတို့ ယူတယ်။ dati အခြေခံမှစ၍ တိုက်ရိုက် dati OLTP နဲ့ မှ မဟုတ်ပါဘူး။
ဗဟိုချုပ်ကိုင်မှု နှင့် ပေါင်းစည်းထားသော သိုလှောင်မှု လိုအပ်ချက်ကို ဖယ်ရှားပေးသည်။
site ပေါ်တွင်ဗဟိုသိုလှောင်မှုရှိသည်။
data mart တစ်ခုစီသည် ၎င်း၏ရင်းမြစ်များသို့ အနည်းဆုံး လင့်ခ်တစ်ခု လိုအပ်သည်။
di dati. ရက်စွဲတစ်ခုစီအတွက် လင့်ခ်များစွာရှိခြင်း၏ အားနည်းချက်တစ်ခု
mart သည်ယခင်ဗိသုကာနှစ်ခုနှင့်နှိုင်းယှဉ်ပါက၊
များပြားလွန်းခြင်း။ dati သိသိသာသာတိုးလာပါတယ်။
data mart တိုင်းက အားလုံးကို သိမ်းထားရမယ်။ dati ပြည်တွင်း၌ တောင်းဆိုထားသည်။
OLTP စနစ်များအပေါ် သက်ရောက်မှုမရှိပါ။ အဲဒါကြောင့်မို့လို့ dati
၎င်းတို့ကို မတူညီသော data marts များတွင် သိမ်းဆည်းထားပါသည် (Inmon et al. 1997)။
ဤဗိသုကာ၏နောက်ထပ်အားနည်းချက်မှာ၎င်းကိုဖြစ်ပေါ်စေသည်။
data marts နှင့် ၎င်းတို့၏ကြားတွင် ရှုပ်ထွေးသော အပြန်အလှန်ချိတ်ဆက်မှုများ ဖန်တီးခြင်း။
အရင်းအမြစ်များ dati ဆောင်ရွက်ရန်နှင့် ထိန်းချုပ်ရန်ခက်ခဲသော (Inmon ed
အခြားသူများ။ ၁၉၉၇)။
နောက်ထပ်အားနည်းချက်ကတော့ သုံးစွဲသူတွေက ပါဝါမတက်နိုင်ကြပါဘူး။
ကုမ္ပဏီအချက်အလက်များ၏ ခြုံငုံသုံးသပ်ချက်ကို i အနေဖြင့် ရယူပါ။ dati
မတူညီသော data marts များကို ပေါင်းစည်းခြင်းမပြုပါ (Ovum 1998)။
အခြားအားနည်းချက်မှာ တစ်ခုထက်ပို၍ ရှိကောင်းရှိနိုင်သည်။
၎င်းထုတ်ပေးသော data marts တွင်အသုံးပြုသည့် ဝေါဟာရတစ်ခုစီအတွက် အဓိပ္ပါယ်ဖွင့်ဆိုချက်
ရှေ့နောက်မညီမှုများ dati အဖွဲ့အစည်းတွင် (Ovum 1998)။
အထက်တွင်ဆွေးနွေးခဲ့သောအားနည်းချက်များရှိနေသော်လည်း, လွတ်လပ်သောဒေတာ marts
၎င်းတို့သည် အဖွဲ့အစည်းများစွာ၏ စိတ်ဝင်စားမှုကို ဆွဲဆောင်ဆဲဖြစ်သည် (IDC 1997)။
သူတို့ကို ဆွဲဆောင်မှုဖြစ်စေတဲ့ အကြောင်းရင်းတစ်ခုက သူတို့ဟာ ဖွံ့ဖြိုးဖို့ မြန်တယ်။
အချိန်နှင့် အရင်းအမြစ်များ နည်းပါးသည် (Bresnahan 1996၊ Berson e
Smith 1997၊ Ovum 1998)။ သို့ဖြစ်ရာ ၎င်းတို့သည် အဓိကအားဖြင့် ထမ်းဆောင်ကြသည်။
ဖော်ထုတ်ရန် အသုံးပြုနိုင်သည့် စမ်းသပ်ပရောဂျက်များအဖြစ်
ပရောဂျက်ရှိ အကျိုးကျေးဇူးများနှင့်/သို့မဟုတ် မစုံလင်မှုများကို လျင်မြန်စွာ (Parsaye
၁၉၉၅၊ Braly 1995၊ Newing 1995)။ ဒီနေရာမှာတော့ အပိုင်းကနေပြီးတော့
ရှေ့ပြေးပရောဂျက်တွင် အကောင်အထည်ဖော်ရန် သေးငယ်သော်လည်း အရေးကြီးသည်။
အဖွဲ့အစည်းအတွက် (Newing 1996၊ Mansell-Lewis 1996)။
ရှေ့ပြေးပုံစံကို စစ်ဆေးခြင်းဖြင့်၊ အသုံးပြုသူများနှင့် စီမံခန့်ခွဲရေးတို့ လုပ်ဆောင်နိုင်သည်။
ပရောဂျက်ကို ဆက်ရန် သို့မဟုတ် ရပ်ရန် ဆုံးဖြတ်ပါ (Flanagan နှင့် Safdie
1997) ။
ဆက်လက်၍ ဆုံးဖြတ်ချက်ချပါက၊ အခြားကဏ္ဍများအတွက် data marts
တစ်ချိန်တည်းတွင် တည်ဆောက်ရမည်။ ရွေးချယ်စရာနှစ်ခုရှိသည်။
ဒေတာတည်ဆောက်မှုတွင် သုံးစွဲသူများ၏ လိုအပ်ချက်များအပေါ် အခြေခံသည်။
အမှီအခိုကင်းသော matrs- ပေါင်းစပ်/ဖက်ဒရယ်နှင့် ပေါင်းစပ်ထားခြင်း (Ovum
1998)
ပထမနည်းလမ်းတွင် data mart အသစ်တစ်ခုစီကို တည်ဆောက်သင့်သည်။
လက်ရှိ data marts နှင့် model ကိုအခြေခံသည်။ dati အသုံးပြုခံ့
ကုမ္ပဏီမှ (Varney 1996၊ Berson and Smith 1997၊ Peacock 1998)။
မော်ဒယ်ကို အသုံးပြုရန် လိုအပ်သည်။ dati ကုမ္ပဏီမှ လိုအပ်သည်များကို ပြုလုပ်ပေးသည်။
ဝေါဟာရတစ်ခုစီအတွက် အဓိပ္ပါယ်ဖွင့်ဆိုချက်တစ်ခုသာရှိကြောင်း သေချာပါစေ။
data marts မှတဆင့်အသုံးပြုသည်၊ ၎င်းသည် data ကိုသေချာစေရန်ဖြစ်သည်။
ခြုံငုံသုံးသပ်ချက်ပေးရန် မတူညီသော marts များကို ပေါင်းစည်းနိုင်သည်။
ကော်ပိုရိတ်အချက်အလက် (Bresnahan 1996)။ ဤနည်းလမ်းသည်
အောက်ခြေ-up ဟုခေါ်ပြီး ကန့်သတ်ချက်တစ်ခုရှိလာသောအခါ အကောင်းဆုံးဖြစ်သည်။
ငွေကြေးနည်းလမ်းနှင့် အချိန် (Flanagan and Safdie 1997၊ Ovum 1998၊
peacock 1998၊ Goff 1998)။ ဒုတိယနည်းလမ်းမှာ data marts ဖြစ်သည်။
တည်ဆောက်ထားသော ယူနစ်တစ်ခု၏ လိုအပ်ချက်များကိုသာ ဖြည့်ဆည်းပေးနိုင်သည်။
Federated data mart ၏ မူကွဲမှာ အမျိုးအစားဖြစ်သည်။ ဒေတာဂိုဒေါင် ဖြန့်ဝေသည်။
သော၌ ဒေတာဘေ့စ hub server middleware အများအပြားပါဝင်ရန် အသုံးပြုသည်။
data marts ၏တစ်ခုတည်းသော repository dati ဖြန့်ဝေ (အဖြူရောင် 1995)။ ၌
ဤကိစ္စတွင်၊ ငါ dati ကုမ္ပဏီအများအပြားသည် data marts များတွင်ဖြန့်ဝေကြသည်။
အသုံးပြုသူ တောင်းဆိုချက်များကို ထပ်ဆင့်ပေးပို့ပါသည်။ ဒေတာဘေ့စ
အားလုံးကို ထုတ်ယူသည့် hub server အလယ်တန်းဝဲ dati ဒေတာဖြင့် တောင်းဆိုထားသည်။
marts မှ ရလဒ်များကို အသုံးပြုသူ အပလီကေးရှင်းများသို့ ပြန်ပေးသည်။ ဒီ
နည်းလမ်းသည် သုံးစွဲသူများအား စီးပွားရေးဆိုင်ရာ အချက်အလက်များကို ပံ့ပိုးပေးပါသည်။ သို့သော်၊
data marts တွေရဲ့ ပြဿနာတွေကို အခုထိ မရှင်းသေးပါဘူး။
လွတ်လပ်သော။ သုံးလို့ရတဲ့ နောက်ထပ် ဗိသုကာလက်ရာတစ်ခု ရှိပါသေးတယ်။
ခေါ်ဆိုပါ။ ဒေတာဂိုဒေါင် virtual (အဖြူရောင် 1995)။ သို့သော်ဤ
ပုံ 2.9 တွင်ဖော်ပြထားသော ဗိသုကာလက်ရာသည် ဗိသုကာလက်ရာမဟုတ်ပါ။
သိုလှောင်မှု dati ဝန်မရွေ့သောကြောင့် မှန်ကန်သည်။
OLTP စနစ်များမှ ဒေတာဂိုဒေါင် (Demarest 1994)။
အမှန်တကယ်တော့ တောင်းဆိုမှုတွေ ပြုလုပ်ခဲ့ပါတယ်။ dati သုံးစွဲသူများထံ ကူးသန်းသွားခဲ့သည်။
လုပ်ဆောင်ပြီးနောက် ရလဒ်များကို ပြန်ပေးသည့် OLTP စနစ်များ
အသုံးပြုသူတောင်းဆိုမှုများ။ ဤဗိသုကာသည်အသုံးပြုသူများကိုခွင့်ပြုပေမယ့်
အစီရင်ခံစာများဖန်တီးရန်နှင့် တောင်းဆိုမှုများပြုလုပ်ရန် နောက်ဆုံးအဆင့်များ i ကို မပေးနိုင်ပါ။
dati မှတ်တမ်းနှင့် ကုမ္ပဏီအချက်အလက် ခြုံငုံသုံးသပ်ချက် i dati
မတူညီသော OLTP စနစ်များမှ ပေါင်းစပ်ထားခြင်းမရှိပါ။ ဒီတော့ ဒီတစ်ခု
ဗိသုကာပညာ၏ခွဲခြမ်းစိတ်ဖြာမှုကိုမကျေနပ်နိုင်ပါ။ dati ကဲ့သို့သောရှုပ်ထွေး
နမူနာခန့်မှန်းချက်များ။
ဝင်ခွင့်ရွေးချယ်ခြင်းနှင့် အသုံးပြုခွင့်လျှောက်လွှာ
ပြန်လည်ထူထောင်ရေး dati
တည်ဆောက်ရခြင်း၏ ရည်ရွယ်ချက် ဒေတာဂိုဒေါင် ထုတ်လွှင့်ရန်ဖြစ်ပါသည်။
သုံးစွဲသူများထံသို့ အချက်အလက်များ (Inmon et al 1997၊ Poe 1996၊
McFadden 1996, Shanks et al 1997, Hammergren 1998); တစ်ခုသို့မဟုတ်
အများအပြားဝင်ရောက်ခွင့်နှင့် ပြန်လည်ရယူရေးအက်ပ်များ dati ပေးရပါမည်။ ရန်
ယနေ့တွင်၊ အသုံးပြုသူမှရွေးချယ်ရန်ဤအပလီကေးရှင်းများစွာရှိသည်။
(Hammergren 1998၊ Humphries et al. 1999) ကို ရွေးချယ်ပါ။ ဟိ
ရွေးချယ်ထားသော အပလီကေးရှင်းများသည် ကြိုးစားအားထုတ်မှု၏ အောင်မြင်မှုကို ဆုံးဖြတ်သည်။
သိုလှောင်မှု dati ဘာကြောင့်လဲဆိုတော့ အဖွဲ့အစည်းတစ်ခုမှာ
Application များသည် မြင်သာမြင်သာဆုံးအပိုင်းဖြစ်သည်။ ဒေတာဂိုဒေါင် အသုံးပြုသူထံသို့
နောက်ဆုံး (Inmon et al. 1997, Poe 1996)။ ရက်စွဲတစ်ခုအောင်မြင်ရန်
warehouse ၏ analysis လုပ်ငန်းများကို ပံ့ပိုးပေးနိုင်ရမည်။ dati
အသုံးပြုသူ၏ (Poe 1996၊ Seddon နှင့် Benjamin 1998၊ Eckerson၊
၁၉၉၉)။ ထို့ကြောင့် အသုံးပြုသူ လိုချင်သည့်အရာ၏ "အဆင့်" ဖြစ်ရမည်။
ဖော်ထုတ်ခဲ့သည် (Poe 1996၊ Mattison 1996၊ Inmon et al 1997၊
Humphries et al. 1999)။
ယေဘုယျအားဖြင့် ပြောရလျှင် သုံးစွဲသူများကို သုံးမျိုးဖြင့် အုပ်စုဖွဲ့နိုင်သည်။
အမျိုးအစားများ- အမှုဆောင်အသုံးပြုသူများ၊ စီးပွားရေးလေ့လာသုံးသပ်သူများနှင့် အာဏာအသုံးပြုသူများ (ပိုး
၁၉၉၆၊ Humphries et al. 1996)။ အမှုဆောင်သမားတွေ လိုအပ်တယ်။
ကြိုတင်သတ်မှတ်ထားသော အစီရင်ခံစာများကို အလွယ်တကူ ဝင်ရောက်ကြည့်ရှုနိုင်သည် (Humphries ed
အခြား 1999)။ ဤအစီရင်ခံစာများနှင့်အတူ အလွယ်တကူ အောင်မြင်နိုင်ပါသည်။
မီနူးအညွှန်း (Poe 1996)။ ထို့အပြင် အစီရင်ခံစာများ ပါသင့်ပါသည်။
ဂရပ်ဖစ်ကိုယ်စားပြုမှုကို အသုံးပြု၍ အချက်အလက်ကို တင်ပြပါ။
လျင်မြန်စွာ ပို့ဆောင်ရန် ဇယားများနှင့် ပုံစံများ ကဲ့သို့သော
အချက်အလက် (Humphries et al. 1999)။ စီးပွားရေး အကဲခတ်သူတွေ မဟုတ်ဘူး။
၎င်းတို့ထံမှ ဆက်ဆံရေးကို ဖွံ့ဖြိုးတိုးတက်ရန် နည်းပညာဆိုင်ရာ အလားအလာများ ရှိကောင်းရှိနိုင်သည်။
သူတို့ဘာသာသူတို့သုည, သူတို့လက်ရှိဆက်ဆံရေးမှမွမ်းမံနိုင်ဖို့လိုအပ်ပါတယ်။
၎င်းတို့၏ သီးခြားလိုအပ်ချက်များကို ဖြည့်ဆည်းပေးသည် (Poe 1996၊ Humphries et al
၁၉၉၉)။ တစ်ဖက်တွင်မူ ပါဝါအသုံးပြုသူများသည် အဆုံးအသုံးပြုသူများဖြစ်သည်။
တောင်းဆိုချက်များနှင့် အစီရင်ခံစာများကို ထုတ်လုပ်ခြင်းနှင့် ရေးသားခြင်းတို့ကို လုပ်ဆောင်နိုင်စွမ်းရှိသည်။
သုည (Poe 1996၊ Humphries et al. 1999)။ သူတို
အခြားအသုံးပြုသူအမျိုးအစားများအတွက် အစီရင်ခံစာများပြုစုခြင်း (Poe 1996၊ Humphries
နှင့် အခြား 1999)။
အသုံးပြုသူ လိုအပ်ချက်ကို ဆုံးဖြတ်ပြီးသည်နှင့် လုပ်ဆောင်ရပါမည်။
အသုံးပြုခွင့်နှင့် ပြန်လည်ရယူရေး အက်ပ်များ ရွေးချယ်မှု dati အားလုံးထဲမှာ
ရရှိနိုင်သောပစ္စည်းများ (Poe 1996၊ Inmon et al. 1997)။
လက်လှမ်းမီရန် dati နှင့် retrieval tools များဖြစ်နိုင်သည်။
OLAP tool၊ EIS/DSS tool၊ query tool နှင့် အမျိုးအစား ၄ မျိုး ခွဲခြားထားသည်။
သတင်းပို့ခြင်းနှင့် ဒေတာတူးဖော်ရေးကိရိယာများ။
OLAP ကိရိယာများသည် သုံးစွဲသူများအား သီးသန့်မေးမြန်းချက်များကို ဖန်တီးနိုင်စေသည့်အပြင်
လုပ်ထားတာတွေရှိတယ်။ ဒေတာဘေ့စ del ဒေတာဂိုဒေါင်. ထို့အပြင် ဤထုတ်ကုန်များ
အသုံးပြုသူများကို တူးယူခွင့်ပြုပါ။ dati ယေဘူယျ
အသေးစိတ်။
EIS/DSS ကိရိယာများသည် အမှုဆောင်အစီရင်ခံချက်ကို “ဘာဖြစ်ရင်” ခွဲခြမ်းစိတ်ဖြာမှုအဖြစ် ပံ့ပိုးပေးသည်။
နှင့် မီနူး-စီစဉ်ထားသော အစီရင်ခံစာများသို့ ဝင်ရောက်ကြည့်ရှုပါ။ အစီရင်ခံစာများဖြစ်ရမည်။
ပိုမိုလွယ်ကူစွာ လမ်းညွှန်နိုင်ရန် ကြိုတင်သတ်မှတ်ထားပြီး မီနူးများနှင့် ပေါင်းစပ်ထားသည်။
Query နှင့် အစီရင်ခံခြင်း ကိရိယာများသည် အသုံးပြုသူများအား အစီရင်ခံစာများ ထုတ်လုပ်နိုင်စေပါသည်။
ကြိုတင်သတ်မှတ်ထားပြီး တိတိကျကျ။
ဒေတာတူးဖော်ရေး ကိရိယာများကို ဆက်စပ်မှုကို ဖော်ထုတ်ရန် အသုံးပြုသည်။
မေ့လျော့နေသော လုပ်ငန်းဆောင်တာများအတွက် အလင်းသစ်ကို လင်းစေနိုင်သည်။ dati del
ဒေတာဂိုဒေါင်။
အသုံးပြုသူ အမျိုးအစားတစ်ခုစီ၏ လိုအပ်ချက်များကို ပိုမိုကောင်းမွန်အောင် လုပ်ဆောင်ခြင်းနှင့်အတူ i
ရွေးချယ်ထားသော ကိရိယာများသည် အလိုလိုသိမြင်နိုင်သော၊ ထိရောက်ပြီး အသုံးပြုရလွယ်ကူရပါမည်။
၎င်းတို့သည် ဗိသုကာ e ၏ အခြားအစိတ်အပိုင်းများနှင့်လည်း သဟဇာတဖြစ်ရပါမည်။
ရှိပြီးသားစနစ်တွေနဲ့ အလုပ်လုပ်နိုင်စွမ်းရှိတယ်။ လုပ်ဖို့လည်း အကြံပြုထားပါတယ်။
စျေးနှုန်းများနှင့် စွမ်းဆောင်ရည်ပါရှိသော ဒေတာအသုံးပြုခွင့်နှင့် ထုတ်ယူသည့်ကိရိယာများကို ရွေးချယ်ပါ။
ကျိုးကြောင်းဆီလျော်သော။ ကတိကဝတ်ပြုခြင်းတို့ကို ထည့်သွင်းစဉ်းစားရမည့် အခြားစံနှုန်းများ
ရောင်းချသူသည် ၎င်းတို့၏ ထုတ်ကုန်နှင့် တိုးတက်မှုများကို ပံ့ပိုးပေးသည့် ကိရိယာဖြစ်သည်။
နောင်ထွက်ရှိမယ့် အတူတူပါပဲ။ သုံးစွဲသူများ၏ ထိတွေ့ဆက်ဆံမှုကို သေချာစေရန်
data warehouse ကိုအသုံးပြုရာတွင် developer team မှပါဝင်ပါသည်။
ကိရိယာရွေးချယ်မှုလုပ်ငန်းစဉ်တွင် အသုံးပြုသူများ။ ဒါဆိုရင်
လက်တွေ့အသုံးပြုသူအကဲဖြတ်ခြင်းကို ဆောင်ရွက်သင့်သည်။
ဒေတာဂိုဒေါင်၏တန်ဖိုးကို မြှင့်တင်ရန် ဖွံ့ဖြိုးတိုးတက်ရေးအဖွဲ့က လုပ်ဆောင်နိုင်သည်။
၎င်းတို့၏ ဒေတာသိုလှောင်ရုံများသို့ ဝဘ်ဝင်ရောက်ခွင့်ကိုလည်း ပေးသည်။ တစ်
Web-enabled data warehouse သည် အသုံးပြုသူများကို ဝင်ရောက်ကြည့်ရှုခွင့်ပေးသည်။ dati
ဝေးလံခေါင်သီသောနေရာများမှ သို့မဟုတ် ခရီးသွားနေစဉ်။ အချက်အလက်တွေလည်း ရနိုင်ပါတယ်။
ကုန်ကျစရိတ်သက်သာစွာဖြင့် ကုန်ကျစရိတ်သက်သာစွာဖြင့် ဆောင်ရွက်ပေးပါသည်။
di သင်တန်း။
2.4.3 ဒေတာသိုလှောင်ရုံ စစ်ဆင်ရေးအဆင့်
ဤအဆင့်တွင် လုပ်ဆောင်ချက်သုံးခုပါဝင်သည်- ရက်စွဲဗျူဟာများကို သတ်မှတ်ခြင်း။
ပြန်လည်ဆန်းသစ်ခြင်း, ဒေတာဂိုဒေါင်၏လှုပ်ရှားမှုများကိုထိန်းချုပ်ခြင်းနှင့်စီမံခန့်ခွဲမှု၏
ဒေတာဂိုဒေါင်လုံခြုံရေး။
ဒေတာပြန်လည်ဆန်းသစ်ခြင်းဗျူဟာများ အဓိပ္ပါယ်ဖွင့်ဆိုချက်
ကနဦး loading ပြီးနောက် i dati နဲလ် ဒေတာဘေ့စ ဒေတာဂိုဒေါင်၏
ကစားရန် အခါအားလျော်စွာ ပြန်လည်ဆန်းသစ်ရပါမည်။
ပြောင်းလဲခြင်းများ ပြုလုပ်ခဲ့သည်။ dati မူရင်းများ။ အဲဒါကြောင့် ဆုံးဖြတ်ရမယ်။
ဘယ်အချိန်မှာ ပြန်လည်ဆန်းသစ်ရမလဲ၊
refresh နှင့် refresh လုပ်နည်း dati. ပြုလုပ်ရန် အကြံပြုထားသည်။
refresh dei dati စနစ်ကို အော့ဖ်လိုင်းယူနိုင်သည့်အခါ။ ဟိုမှာ
ဆန်းသစ်မှုနှုန်းကို ဖွံ့ဖြိုးတိုးတက်မှုအဖွဲ့အခြေခံက ဆုံးဖြတ်သည်။
အသုံးပြုသူလိုအပ်ချက်အပေါ်။ ပြန်လည်ဆန်းသစ်ရန် နည်းလမ်းနှစ်ခုရှိသည်။
ဒေတာဂိုဒေါင်- ပြီးပြည့်စုံသော ပြန်လည်ဆန်းသစ်ခြင်းနှင့် စဉ်ဆက်မပြတ် တင်ပေးခြင်း
cambiamenti
ပထမနည်းလမ်း၊ အပြည့်အဝ ပြန်လည်ဆန်းသစ်ရန်၊ ပြန်လည်စတင်ရန် လိုအပ်သည်။
အရာအားလုံး dati အစကနေ။ ဆိုလိုတာက အကုန်လုံးပေါ့။ dati လိုအပ်သည်
ပြန်လည်ဆန်းသစ်မှုတစ်ခုစီတွင် ထုတ်ယူရန်၊ သန့်စင်ရန်၊ အသွင်ပြောင်းကာ ပေါင်းစပ်ထားသည်။ ဒီ
ချဉ်းကပ်မှုကို တတ်နိုင်သမျှ ရှောင်ရှားသင့်သည်။
အချိန်နှင့် အရင်းအမြစ်များစွာ လိုအပ်သည်။
အခြားနည်းလမ်းတစ်ခုသည် ဆက်တိုက် i load ရန်ဖြစ်သည်။
အပြောင်းအလဲများ။ ဒါလေးထပ်ပြောပါရစေ dati ပြောင်းလဲသွားပြီ
နောက်ဆုံး data warehouse ကတည်းက refresh cycle ။ ဖော်ထုတ်ခြင်း။
အသစ် သို့မဟုတ် ပြုပြင်ထားသော မှတ်တမ်းများ၏ ပမာဏကို သိသိသာသာ လျော့နည်းစေသည်။
dati တစ်ခုစီရှိ data warehouse သို့ ဖြန့်ကြက်ရပါမည်။
အဲဒါတွေပဲမို့ update လုပ်ပါ။ dati သို့ ထည့်ပေးပါမည်။ ဒေတာဘေ့စ
ဒေတာဂိုဒေါင်၏
ဆုတ်ခွာရန် အနည်းဆုံး နည်းလမ်း ၅ ခု ရှိပါသည်။
i dati အသစ် သို့မဟုတ် ပြင်ဆင်ထားသည်။ ထိရောက်သော ဗျူဟာတစ်ခုရရှိရန်
refresh dei dati ဤနည်းလမ်းများ ရောနှောပြီး အသုံးဝင်နိုင်ပါသည်။
စနစ်အတွင်းရှိ ပြောင်းလဲမှုအားလုံးကို ကောက်ယူသည်။
အချိန်တံဆိပ်တုံးများကို အသုံးပြုသည့် ပထမချဉ်းကပ်နည်းမှာ လာသည်ဟု ယူဆသည်။
အားလုံးကို တာဝန်ပေးတယ်။ dati အချိန်တံဆိပ်ကို တည်းဖြတ်ပြီး အပ်ဒိတ်လုပ်တယ်။
အားလုံးကို အလွယ်တကူ သိရှိနိုင်စေရန် dati ပြင်ဆင်ပြီး အသစ်။
သို့သော် ဤနည်းလမ်းကို အများစုတွင် တွင်တွင်ကျယ်ကျယ် အသုံးမပြုခဲ့ပါ။
ယနေ့ခေတ်လည်ပတ်မှုစနစ်များ၏ တစ်စိတ်တစ်ပိုင်း။
ဒုတိယနည်းလမ်းမှာ ထုတ်ပေးသည့် မြစ်ဝကျွန်းပေါ် ဖိုင်ကို အသုံးပြုရန်ဖြစ်သည်။
ပြုလုပ်ထားသော အပြောင်းအလဲများသာ ပါဝင်သည့် အပလီကေးရှင်းတစ်ခု dati.
ဤဖိုင်ကိုအသုံးပြုခြင်းသည် အပ်ဒိတ်စက်ဝန်းကိုလည်း ချဲ့ထွင်စေသည်။
သို့သော် ဤနည်းကိုပင် အများအပြားတွင် အသုံးမပြုခဲ့ပါ။
လျှောက်လွှာများ။
တတိယနည်းလမ်းမှာ မှတ်တမ်းဖိုင်ကို စကင်န်ဖတ်ရန်ဖြစ်သည်။
အခြေခံအားဖြင့် မြစ်ဝကျွန်းပေါ် ဖိုင်နှင့် အလားတူ အချက်အလက် ပါရှိသည်။ တစ်ခုတည်း
ကွာခြားချက်မှာ ပြန်လည်ရယူခြင်းလုပ်ငန်းစဉ်အတွက် မှတ်တမ်းဖိုင်ကို ဖန်တီးထားခြင်း ဖြစ်သည်။
နားလည်ရန်ခက်ခဲနိုင်သည်။
စတုတ္ထနည်းလမ်းမှာ အပလီကေးရှင်းကုဒ်ကို ပြုပြင်ရန်ဖြစ်သည်။
သို့သော် အပလီကေးရှင်းကုဒ် အများစုသည် ဟောင်းပြီးဖြစ်သည်။
ပျက်စီးလွယ်သော ထို့ကြောင့် ဤနည်းပညာကို ရှောင်ရှားသင့်သည်။
နောက်ဆုံးနည်းလမ်းကတော့ i ကို နှိုင်းယှဉ်ဖို့ပါပဲ။ dati ဖိုင်နှင့်အတူအရင်းအမြစ်များ
အဓိကဘုရားများ dati.
ဒေတာသိုလှောင်ရုံ လှုပ်ရှားမှုများကို စောင့်ကြည့်ခြင်း။
ဒေတာဂိုဒေါင်ကို သုံးစွဲသူများထံ ထုတ်ပေးပြီးသည်နှင့်၊
အချိန်နှင့်အမျှ စောင့်ကြည့်ရန် လိုအပ်သည်။ ဒီနေရာမှာတော့ အက်ဒမင်
data warehouse သည် တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော စီမံခန့်ခွဲမှုကိရိယာများကို အသုံးချနိုင်သည်။
ဒေတာဂိုဒေါင်၏အသုံးပြုမှုကိုစောင့်ကြည့်ထိန်းချုပ်။ အထူးသဖြင့်
လူများနှင့် ရာသီဥတုဆိုင်ရာ အချက်အလက်များကို စုဆောင်းနိုင်သည်။
၎င်းတို့သည် data သိုလှောင်ရုံသို့ဝင်ရောက်သည်။ စလာသည် dati သီးနှံများကို ဖန်တီးနိုင်သည်။
ထည့်သွင်းမှုအဖြစ် အသုံးပြုနိုင်သည့် အလုပ်၏ ပရိုဖိုင်
အသုံးပြုသူထံမှ ငွေပြန်အမ်းခြင်းကို အကောင်အထည်ဖော်ရာတွင် ငွေပြန်သွင်းသည်။
အသုံးပြုသူများအား စီမံဆောင်ရွက်ပေးသည့် ကုန်ကျစရိတ်အကြောင်း အသိပေးခွင့်ပြုသည်။
ဒေတာဂိုဒေါင်။
ထို့အပြင် data warehouse control ကိုလည်းအသုံးပြုနိုင်ပါသည်။
မေးမြန်းမှုအမျိုးအစားများ၊ ၎င်းတို့၏အရွယ်အစား၊ အလိုက်မေးမြန်းမှုအရေအတွက်ကို ခွဲခြားသတ်မှတ်ပါ။
မေးမြန်းမှုအား နေ့၊ တုံ့ပြန်ချိန်၊ ကဏ္ဍများနှင့် အရေအတွက်
di dati ဆောင်ရွက်ပြီး။ စစ်ဆေးဖို့နောက်ထပ်ရည်ရွယ်ချက်
data warehouse မှ သိရှိနိုင်စေရန် dati အသုံးမပြုသော။ ဒါတွေ dati
အချိန်ပိုကောင်းစေရန် ၎င်းတို့ကို ဒေတာဂိုဒေါင်မှ ဖယ်ရှားနိုင်သည်။
query ၏ execution တုံ့ပြန်မှုနှင့် ကြီးထွားမှုကို ထိန်းချုပ်သည်။
dati အထဲမှာ နေထိုင်တယ်။ ဒေတာအခြေခံ ဒေတာဂိုဒေါင်၏
ဒေတာဂိုဒေါင်လုံခြုံရေးစီမံခန့်ခွဲမှု
ဒေတာဂိုဒေါင်တစ်ခုပါရှိသည်။ dati ဘက်ပေါင်းစုံ၊ အရေးပါသော၊ ထိလွယ်ရှလွယ်သော
အလွယ်တကူရောက်ရှိနိုင်သည်။ ဤအကြောင်းကြောင့်ဖြစ်သင့်သည်။
ခွင့်ပြုချက်မရှိဘဲအသုံးပြုသူများထံမှကာကွယ်ပေးသည်။ နည်းလမ်းတစ်ခု
implement security က del function ကိုသုံးပါတယ်။ DBMS
မတူညီသောအခွင့်အရေးများကို မတူညီသောအသုံးပြုသူအမျိုးအစားများသို့ ပေးအပ်ရန်။ ဒီထဲမှာ
အသုံးပြုသူအမျိုးအစားတစ်ခုစီအတွက် ပရိုဖိုင်ကို ထိန်းသိမ်းထားရပါမည်။
ဝင်ရောက်ခွင့်။ သင့်ဒေတာဂိုဒေါင်ကို လုံခြုံစေရန် အခြားနည်းလမ်းမှာ ၎င်းကို စာဝှက်ရန်ဖြစ်သည်။
၌ရေးထားသကဲ့သို့ ဒေတာအခြေခံ ဒေတာဂိုဒေါင်၏ လက်လှမ်းမီရန်
dati နှင့် ပြန်လည်ရယူရေး ကိရိယာများသည် ၎င်းကို ကုဒ်ဝှက်ရန် လိုအပ်သည်။ dati မတင်ပြမီ
အသုံးပြုသူများအတွက်ရလဒ်များ။
2.4.4 ဒေတာသိုလှောင်ရုံ ဖြန့်ကျက်မှု အဆင့်
၎င်းသည် ဒေတာသိုလှောင်ရုံ အကောင်အထည်ဖော်မှုစက်ဝန်းတွင် နောက်ဆုံးအဆင့်ဖြစ်သည်။ ဟိ
ဤအဆင့်တွင် ဆောင်ရွက်ရမည့် လုပ်ငန်းဆောင်တာများ ပါဝင်သည်။
အသုံးပြုသူများသည် data warehouse ကိုအသုံးပြုရန်နှင့်ပြန်လည်သုံးသပ်မှုများကိုဖန်တီးရန်
ဒေတာဂိုဒေါင်၏
အသုံးပြုသူသင်တန်း
အသုံးပြုသူသင်တန်းကို ဦးစွာလုပ်ဆောင်သင့်သည်။
ဝင်ရောက်ခွင့် dati data warehouse နှင့် tools များအသုံးပြုခြင်း။
ပြန်လည်ဖော်ထုတ်ခြင်း။ ယေဘူယျအားဖြင့် အစည်းအဝေးများ စတင်သင့်သည်။
သိုလှောင်မှု သဘောတရားကို နိဒါန်းပျိုးသည်။ datiမှာ
ဒေတာဂိုဒေါင်၏ အကြောင်းအရာ၊ ai meta dati နှင့်အခြေခံအင်္ဂါရပ်များ
ကိရိယာများ။ ထို့နောက် ပိုမိုအဆင့်မြင့်သော အသုံးပြုသူများလည်း လေ့လာနိုင်သည်။
ဒေတာရယူမှုနှင့် ကိရိယာများ၏ ရုပ်ပိုင်းဆိုင်ရာ ဇယားများနှင့် အသုံးပြုသူအင်္ဂါရပ်များ
ပြန်လည်ဖော်ထုတ်ခြင်း။
အသုံးပြုသူလေ့ကျင့်ရေးလုပ်ရန် နည်းလမ်းများစွာရှိသည်။ တယော
၎င်းတို့တွင် အသုံးပြုသူအများအပြား သို့မဟုတ် လေ့လာဆန်းစစ်သူများ၏ ရွေးချယ်မှုတွင် a က ရွေးချယ်ထားသည်။
အသုံးပြုသူများ၏ ခေါင်းဆောင်မှုနှင့် စွမ်းရည်အပေါ် အခြေခံ၍ အုပ်စု၊
ဆက်သွယ်ရေး။ ဒါတွေကို ကိုယ်ပိုင်စွမ်းရည်နဲ့ လေ့ကျင့်ထားတာ
အကျွမ်းတဝင်ဖြစ်ရန် သူတို့ သိလိုသမျှ
စနစ်။ သင်တန်းပြီးတာနဲ့ အလုပ်ပြန်ဆင်းတယ်။
၎င်းတို့သည် အခြားအသုံးပြုသူများကို စနစ်ကို မည်သို့အသုံးပြုရမည်ကို စတင်သင်ကြားပေးပါသည်။ ဂရန်
သူတို့သင်ယူခဲ့ရာကို အခြေခံ၍ အခြားအသုံးပြုသူများ စတင်နိုင်ပါသည်။
ဒေတာဂိုဒေါင်ကိုစူးစမ်းပါ။
အခြားနည်းလမ်းမှာ အသုံးပြုသူ အများအပြားကို အတူတူလေ့ကျင့်ရန်ဖြစ်သည်။
အချိန်က စာသင်ခန်းသင်တန်းတက်နေသလိုပဲ။ ဒီနည်းလမ်း
လေ့ကျင့်သင်ကြားရန် လိုအပ်သော အသုံးပြုသူများစွာရှိသည့်အခါ သင့်လျော်ပါသည်။
တစ်ချိန်တည်းမှာပဲ။ နောက်တစ်နည်းကတော့ လေ့ကျင့်ဖို့ပါ။
အသုံးပြုသူ တစ်ဦးစီ၊ တစ်ဦးချင်းစီ။ ဤနည်းလမ်းသည်
အသုံးပြုသူနည်းပါးသောအခါတွင် သင့်လျော်သည်။
အသုံးပြုသူသင်တန်း၏ ရည်ရွယ်ချက်မှာ သင့်ကို ရင်းနှီးစေရန်ဖြစ်သည်။
ဝင်ရောက်ခွင့်နှင့်အတူ dati နှင့် retrieval tools များအပြင် အဆိုပါအကြောင်းအရာများ
ဒေတာဂိုဒေါင်။ သို့သော်၊ အချို့သောအသုံးပြုသူများသည် လွှမ်းသွားနိုင်သည်။
စက်ရှင်အတွင်း ပေးထားသော အချက်အလက်ပမာဏအားဖြင့်
လေ့ကျင့်ရေး။ ဒါကြောင့် တချို့အရာတွေကို လုပ်ရမယ်။
တုံ့ပြန်ရန် လုပ်ဆောင်နေသော ပံ့ပိုးကူညီမှုနှင့် မွမ်းမံမှုဆိုင်ရာ ဆက်ရှင်များ
သီးခြားမေးခွန်းများ။ တစ်ချို့ကိစ္စတွေမှာ အဖွဲ့တစ်ခုဖွဲ့တယ်။
အသုံးပြုသူများ ဤအမျိုးအစားကို ပံ့ပိုးပေးပါသည်။
တုံ့ပြန်ချက်စုဆောင်းခြင်း။
ဒေတာဂိုဒေါင်ကို ဖြန့်ကျက်ပြီးသည်နှင့် သုံးစွဲသူများ အသုံးပြုနိုင်မည်ဖြစ်သည်။
i ကိုသုံးပါ။ dati ရည်ရွယ်ချက်အမျိုးမျိုးအတွက် data warehouse တွင်နေထိုင်သည်။
အများစုမှာ လေ့လာသုံးသပ်သူများ သို့မဟုတ် အသုံးပြုသူများ i ကို အသုံးပြုကြသည်။ dati နဲလ်
ဒေတာသိုလှောင်ရုံ-
1 ကုမ္ပဏီလမ်းကြောင်းများကို ခွဲခြားသတ်မှတ်ပါ။
2 ၏ဝယ်ယူမှုပရိုဖိုင်များကိုခွဲခြမ်းစိတ်ဖြာပါ။ ဖောက်သည်များ
၃ ဈဝေ ဖောက်သည်များ ed
4 အကောင်းဆုံးဝန်ဆောင်မှုများပေးဆောင်ပါ။ ဖောက်သည်များ - ဝန်ဆောင်မှုများကိုစိတ်ကြိုက်ပြင်ဆင်ပါ။
5 ဗျူဟာများ ရေးဆွဲပါ။ စျေးကွက်ရှာဖွေရေး
6 ကုန်ကျစရိတ်ခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် အကူအညီအတွက် အပြိုင်အဆိုင်ကိုးကားချက်များပေးပါ။
ထိန်းချုပ်မှု
7 ဗျူဟာမြောက် ဆုံးဖြတ်ချက်ချခြင်းကို ပံ့ပိုးပါ။
8 ထင်ရှားကျော်ကြားရန် အခွင့်အလမ်းများကို ခွဲခြားသတ်မှတ်ပါ။
9 လက်ရှိလုပ်ငန်းဆောင်ရွက်မှုများ၏ အရည်အသွေးကို မြှင့်တင်ပါ။
10 အမြတ်ကိုစစ်ဆေးပါ။
ဒေတာဂိုဒေါင်၏ ဖွံ့ဖြိုးတိုးတက်ရေး လမ်းညွှန်ချက်အတိုင်း လုပ်ဆောင်နိုင်ခဲ့သည်။
အကြံပြုချက်ရယူရန် စနစ်ပြန်လည်သုံးသပ်ခြင်းများ ဆက်တိုက်လုပ်ဆောင်ပါ။
ဖွံ့ဖြိုးရေးအဖွဲ့မှရော အသိုင်းအဝိုင်းကရော
အသုံးပြုသူများ။
ရရှိသောရလဒ်များကို ထည့်သွင်းစဉ်းစားနိုင်မည်ဖြစ်သည်။
လာမည့် ဖွံ့ဖြိုးတိုးတက်မှု လည်ပတ်မှု။
ဒေတာဂိုဒေါင်တွင် တိုးမြင့်ချဉ်းကပ်မှုတစ်ခုရှိသောကြောင့်၊
ယခင်အောင်မြင်မှုများနှင့် အမှားများမှ သင်ခန်းစာယူရန် အရေးကြီးပါသည်။
တိုးတက်မှုများ။
2.5 အနှစ်ချုပ်
ဤအခန်းတွင် ပါဝင်သော ချဉ်းကပ်နည်းများကို ဆွေးနွေးထားပါသည်။
စာပေ။ အပိုင်း ၁ တွင် သဘောတရားကို ဆွေးနွေးခဲ့ပါသည်။
ဒေတာသိုလှောင်ရုံနှင့် ဆုံးဖြတ်ချက်သိပ္ပံတွင် ၎င်း၏အခန်းကဏ္ဍ။ ၌
အပိုင်း ၂ အကြား အဓိက ကွာခြားချက်
ဒေတာဂိုဒေါင်နှင့် OLTP စနစ်များ။ အပိုင်း ၃ မှာ ကျွန်တော်တို့ ဆွေးနွေးထားပါတယ်။
အသုံးပြုခဲ့သည့် Monash ဒေတာဂိုဒေါင်ပုံစံ
အပိုင်း ၄ တွင် လုပ်ငန်းစဉ်တွင် ပါဝင်သည့် လုပ်ဆောင်ချက်များကို ဖော်ပြရန်
data warehouse ၏ ဖွံ့ဖြိုးတိုးတက်မှု၊ ဤအရာများကို အခြေမခံပါ။
ပြင်းထန်သောသုတေသန။ လက်တွေ့မှာ ဘာတွေဖြစ်လာနိုင်လဲ။
သို့သော် စာပေဖော်ပြချက်များနှင့် အလွန်ကွာခြားပါသည်။
ရလဒ်များကို အခြေခံအိတ်ပြုလုပ်ရန် အသုံးပြုနိုင်သည်။
ဤသုတေသနအတွက် ဒေတာသိုလှောင်ရုံ၏ သဘောတရားကို အလေးပေးဖော်ပြသည်။
အခန်း ၁
သုတေသနနှင့် ဒီဇိုင်းနည်းလမ်းများ
ဤအခန်းသည် သုတေသနနှင့် ဒီဇိုင်းနည်းလမ်းများဖြင့် ဆွေးနွေးထားသည်။
ဤလေ့လာမှု။ ပထမပိုင်းသည် နည်းလမ်းများ၏ ယေဘုယျအမြင်ကို ပြသထားသည်။
ထို့အပြင် သတင်းအချက်အလက်များကို ပြန်လည်ရယူရန်အတွက် သုတေသနပြုနိုင်သည်။
တစ်ခုအတွက် အကောင်းဆုံးနည်းလမ်းကို ရွေးချယ်ရန် စံနှုန်းများကို ဆွေးနွေးထားသည်။
အထူးလေ့လာမှု။ ထို့နောက် အပိုင်း ၂ တွင် နည်းလမ်းနှစ်ခုကို ဆွေးနွေးသည်။
သတ်မှတ်ထားသော စံနှုန်းများဖြင့် ရွေးချယ်ထားသည်။ အဲဒီအထဲကမှ ရွေးချယ်ပြီး ဖြစ်မယ်။
ပုဒ်မ ၃ တွင် ဖော်ပြထားသည့် အကြောင်းပြချက်များဖြင့် ၎င်းတို့ကို မွေးစားသည်။
အခြားသော စံသတ်မှတ်ချက်များကို ချန်လှပ်ထားရသည့် အကြောင်းရင်းများကိုလည်း ရှင်းပြထားသည်။ ဟိုမှာ
အပိုင်း ၄ တွင် သုတေသနဒီဇိုင်းကို တင်ဆက်ထားပြီး အပိုင်း ၅ တွင် တင်ဆက်ထားသည်။
ကောက်ချက်
3.1 သတင်းအချက်အလက်စနစ်များတွင်သုတေသန
သတင်းအချက်အလက်စနစ်များတွင် သုတေသနသည် ရိုးရှင်းစွာ အကန့်အသတ်မရှိပါ။
နည်းပညာနယ်ပယ်သို့သာမက တိုးချဲ့ပါဝင်နိုင်စေရမည်။
အပြုအမူနှင့် အဖွဲ့အစည်းဆိုင်ရာ ရည်မှန်းချက်များ။
ကျွန်ုပ်တို့သည် နယ်ပယ်အသီးသီးမှ ဘာသာရပ်ဆိုင်ရာ ဘာသာရပ်များအတွက် ဤအရာများကို ပေးဆောင်ပါသည်။
လူမှုသိပ္ပံပညာ၊ ဒါက လိုအပ်ချက်ကို ဖြစ်ပေါ်စေတယ်။
အရေအတွက်နည်းများ ပါဝင်သော သုတေသနနည်းလမ်းအချို့
သတင်းအချက်အလက်စနစ်များအတွက် အသုံးပြုရမည့် အရည်အသွေးကောင်းများ။
ရရှိနိုင်သော သုတေသနနည်းလမ်းအားလုံးသည် အမှန်တကယ်တွင် များစွာအရေးကြီးပါသည်။
Jenkins (1985), Nunamaker et al ကဲ့သို့သောသုတေသီများ။ (၁၉၉၁) နှင့် Galliers
(၁၉၉၂) တွင် တိကျသော universal method မရှိဟု စောဒကတက်သည်။
သတင်းအချက်အလက်စနစ်များ၏ နယ်ပယ်အသီးသီးတွင် သုတေသနပြုလုပ်ရန်၊ တကယ်ပါပဲ
နည်းလမ်းတစ်ခုသည် သီးခြားသုတေသနတစ်ခုအတွက် သင့်လျော်သော်လည်း မဟုတ်ပါ။
အခြားသူများအတွက်။ ၎င်းသည် ကျွန်ုပ်တို့အား နည်းလမ်းတစ်ခုကို ရွေးချယ်ရန် လိုအပ်ပါသည်။
ကျွန်ုပ်တို့၏ သီးခြားသုတေသနပရောဂျက်အတွက် သင့်လျော်ပါသည်။
ရွေးချယ်မှု Benbasat et al ။ (၁၉၈၇) နိုင်ငံတော်ကို ထည့်သွင်းစဉ်းစားသင့်သည်။
သုတေသန၏သဘောသဘာဝနှင့်ရည်ရွယ်ချက်။
၃.၁.၁ သုတေသန၏ သဘောသဘာဝ
သုတေသန၏ သဘောသဘာဝကို အခြေခံ၍ အမျိုးမျိုးသော နည်းလမ်းများ ရှိနိုင်ပါသည်။
သိပ္ပံပညာတွင် လူသိများသော ဓလေ့ထုံးတမ်းသုံးမျိုး ခွဲခြားထားသည်။
သတင်းအချက်အလက်- အကောင်းမြင်ဝါဒ၊ အဓိပ္ပာယ်ဖွင့်ဆိုမှုနှင့် ဝေဖန်ပိုင်းခြားမှုဆိုင်ရာ သုတေသန။
3.1.1.1 Positivist သုတေသန
Positivist သုတေသနကို သိပ္ပံနည်းကျလေ့လာမှု သို့မဟုတ် သုတေသနပြုခြင်းဟုလည်း ခေါ်သည်။
လက်တွေ့မျက်မြင်ကိုအခြေခံသော။ ၎င်းသည် “အတွင်း၌ ဘာဖြစ်မည်ကို ရှင်းပြပြီး ကြိုတင်ခန့်မှန်းရန် ကြိုးစားသည်။
ပုံမှန်ဖြစ်တည်မှုနှင့် အကျိုးသက်ရောက်မှု ဆက်ဆံရေးကို ကြည့်ခြင်းအားဖြင့် လူမှုလောက
၎င်းကိုဖွဲ့စည်းထားသည့်ဒြပ်စင်များအကြား" (Shanks et al 1993)။
Positivist သုတေသနသည် ထပ်တလဲလဲ လုပ်ဆောင်နိုင်မှုဖြင့် သွင်ပြင်လက္ခဏာ၊
ရိုးရှင်းမှုများနှင့် ချေပချက်များ။ ထို့အပြင် အပြုသဘောဆောင်သော သုတေသနပြုချက်များကလည်း ဝန်ခံသည်။
ဖြစ်ရပ်ဆန်းများကြားတွင် ဦးစားပေး ဆက်ဆံရေးရှိကြောင်း လေ့လာခဲ့သည်။
Galliers (1992) အရ ခွဲခြားသတ်မှတ်မှုသည် သုတေသနနည်းလမ်းတစ်ခုဖြစ်သည်။
အပြုသဘောဆောင်သော ပါရာဒိုင်းတွင် ပါဝင်သော၊
တကယ်တော့ ဓာတ်ခွဲခန်းစမ်းသပ်မှုတွေ၊ ကွင်းဆင်းစမ်းသပ်မှုတွေ၊
ဖြစ်ရပ်လေ့လာမှုများ၊ သီအိုရီသက်သေများ၊ ခန့်မှန်းချက်များနှင့် သရုပ်သကန်များ။
ဤနည်းလမ်းများကို အသုံးပြု၍ သုတေသီများက ဖြစ်စဉ်ကို ဝန်ခံကြသည်။
လေ့လာမှုကို ဓမ္မဓိဋ္ဌာန်ကျကျနဲ့ တိတိကျကျ လေ့လာနိုင်ပါတယ်။
3.1.1.2 စကားပြန်သုတေသန
စကားပြန်သုတေသနကို phenomenology သို့မဟုတ် မကြာခဏခေါ်သည်။
အပြုသဘောဆောင်ခြင်းဆန့်ကျင်ရေးကို Neuman (1994) မှ "ခွဲခြမ်းစိတ်ဖြာခြင်း" အဖြစ်ဖော်ပြသည်။
စနစ်တကျလုပ်ဆောင်မှု့၏ အဓိပ္ပါယ်ကို တိုက်ရိုက်အားဖြင့်လည်းကောင်း၊
လူတွေရဲ့ သဘာဝအခြေအနေတွေကို အသေးစိတ်ကြည့်ရှုလေ့လာနိုင်စေရန်၊
နားလည်သဘောပေါက်ခြင်းသို့ ရောက်ရန် မည်ကဲ့သို့ အဓိပ္ပာယ်ဖွင့်ဆိုမည်နည်း။
လူတွေက သူတို့ရဲ့ လူမှုကမ္ဘာကို ဖန်တီးပြီး ထိန်းသိမ်းတယ်။” လေ့လာမှုများ
အဓိပ္ပာယ်ဖွင့်ဆိုနည်းများသည် သတိပြုမိသော ဖြစ်စဉ်များဟု ယူဆချက်ကို ငြင်းပယ်သည်။
ဓမ္မဓိဋ္ဌာန်ကျကျ ရှုမြင်နိုင်ပါတယ်။ တကယ်တော့ သူတို့ဟာ အခြေခံတွေပါ။
ပုဂ္ဂလဒိဋ္ဌိ အဓိပ္ပါယ်ဖွင့်ဆိုချက်များအပေါ်။ ထို့အပြင် ဘာသာပြန်သုတေသီများ မပါရှိပါ။
သူတို့လေ့လာတဲ့ ဖြစ်စဉ်တွေအပေါ် ဦးစားပေး အဓိပ္ပါယ်တွေ ချမှတ်တယ်။
ဤနည်းလမ်းတွင် အကြောင်းအရာ/အငြင်းပွားမှုဆိုင်ရာ လေ့လာမှုများ၊ လုပ်ဆောင်ချက်များ ပါဝင်သည်။
သုတေသန၊ သရုပ်ဖော်/ပြန်ဆိုလေ့လာမှုများ၊ အနာဂတ်သုတေသနနှင့် ဂိမ်းများ
အခန်းကဏ္ဍ။ ဒါတွေအပြင် စုံစမ်းစစ်ဆေးမှုတွေနဲ့ ဖြစ်ရပ်မှန်လေ့လာမှုတွေ လုပ်နိုင်ပါတယ်။
ဤချဉ်းကပ်မှုတွင် ၎င်းတို့သည် လေ့လာမှုများနှင့် သက်ဆိုင်သောကြောင့် ဖြစ်သည်။
ရှုပ်ထွေးသော အခြေအနေများအတွင်း လူတစ်ဦးချင်း သို့မဟုတ် အဖွဲ့အစည်းများ
လက်တွေ့ကမ္ဘာ၏
3.1.1.3 အရေးပါသောသုတေသန
Critical Inquiry သည် သိပ္ပံပညာတွင် လူသိနည်းသော ချဉ်းကပ်မှုဖြစ်သည်။
လူမှုရေးအရသော်လည်းကောင်း မကြာသေးမီက သုတေသီများထံမှ အာရုံစိုက်မှုကို ရရှိခဲ့သည်။
သတင်းအချက်အလက်စနစ်နယ်ပယ်တွင်။ ဒဿနယူဆချက်
လူမှုဘဝသရုပ်မှန်ကို သမိုင်းက လူတွေက ထုတ်လုပ်ပြီး ပြန်ထုတ်ပေးတယ်၊
လူမှုရေးစနစ်များ အနေဖြင့် ၎င်းတို့၏ လုပ်ဆောင်ချက်များနှင့် အပြန်အလှန် ဆက်သွယ်မှုများ၊ သူတို့ရဲ့
သို့သော် စွမ်းရည်ကို အတိုင်းအတာတစ်ခုအထိ ထည့်သွင်းစဉ်းစားသည်။
လူမှုရေး၊ ယဉ်ကျေးမှုနှင့် နိုင်ငံရေး။
ဘာသာပြန်သုတေသနကဲ့သို့ပင်၊ ဝေဖန်ပိုင်းခြားသောသုတေသနပြုချက်သည် ယင်းကို ထိန်းသိမ်းထားသည်။
အပြုသဘောဆောင်သော သုတေသနပြုချက်သည် လူမှုရေးဆိုင်ရာ အကြောင်းအရာနှင့် ဘာမှမဆိုင်ဘဲ လျစ်လျူရှုထားသည်။
လူသားတွေရဲ့ လုပ်ဆောင်ချက်တွေအပေါ် လွှမ်းမိုးမှုရှိတယ်။
ဝေဖန်ထောက်ပြသော သုတေသနသည် အခြားတစ်ဖက်တွင်၊ အဓိပ္ပာယ်ဖွင့်ဆိုထားသော သုတေသနကို ဝေဖန်သည်။
ပုဂ္ဂလဓိဋ္ဌာန်ကျလွန်းပြီး ကူညီရန်မရည်ရွယ်သောကြောင့်ဖြစ်သည်။
လူတွေက သူတို့ရဲ့ဘဝတွေကို တိုးတက်အောင်၊ အကြားအကြီးမားဆုံးကွာခြားချက်
အရေးကြီးသော သုတေသနနှင့် အခြားသော ချဉ်းကပ်နည်းနှစ်ခုမှာ ၎င်း၏ အကဲဖြတ်သည့် အတိုင်းအတာဖြစ်သည်။
အကောင်းမြင်ဝါဒနှင့် အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်သော ဓလေ့ထုံးတမ်းများ ၏ ဦးတည်ချက်မှာ တည်ရှိနေပါသည်။
လက်ရှိအခြေအနေ သို့မဟုတ် လူမှုရေးအဖြစ်မှန်၊ ဝေဖန်ပိုင်းခြားနိုင်သော သုတေသနပြုမှုကို ခန့်မှန်း သို့မဟုတ် ရှင်းပြပါ။
အရင်းခံလူမှုဘဝအဖြစ်မှန်ကို ပိုင်းခြားဝေဖန်အကဲဖြတ်ရန် ရည်ရွယ်သည်။
စတူဒီယို။
ဝေဖန်ထောက်ပြသူများသည် အများအားဖြင့် လက်ရှိအနေအထားကို ဆန့်ကျင်ကြသည်။
လူမှုရေးကွဲပြားမှုများကို ဖယ်ရှားပြီး လူမှုရေးအခြေအနေများ တိုးတက်စေပါသည်။ ဟိုမှာ
ဝေဖန်ပိုင်းခြားသော သုတေသနပြုချက်သည် လုပ်ငန်းစဉ်ဆိုင်ရာ အမြင်တစ်ခုဆီသို့ ကတိကဝတ်တစ်ခုရှိသည်။
စိတ်ပါဝင်စားသော ဖြစ်စဉ်များ ဖြစ်သောကြောင့် ပုံမှန်အားဖြင့် အရှည်ဖြစ်သည်။
သုတေသနနည်းလမ်းများ၏ နမူနာများသည် ရေရှည်သမိုင်းဆိုင်ရာ လေ့လာမှုများနှင့် ဖြစ်သည်။
လူမျိုးစုဆိုင်ရာလေ့လာမှုများ။ သို့သော် ဝေဖန်ထောက်ပြမှု မရှိသေးပါ။
သတင်းအချက်အလက်စနစ် သုတေသနတွင် တွင်ကျယ်စွာ အသုံးပြုသည်။
၃.၁.၂ သုတေသန၏ရည်ရွယ်ချက်
ရှာဖွေမှု၏သဘောသဘာဝနှင့်အတူ၎င်း၏ရည်ရွယ်ချက်ကိုအသုံးပြုနိုင်သည်။
နည်းလမ်းတစ်ခုကို ရွေးချယ်ရာတွင် သုတေသီအား လမ်းညွှန်ရန်
သုတေသန။ သုတေသနပရောဂျက်တစ်ခု၏ ရည်ရွယ်ချက်သည် အနီးကပ်ဆက်စပ်နေသည်။
ပါဝင်သော ရှာဖွေမှုစက်ဝန်းနှင့် ဆက်စပ်ရှာဖွေမှု အနေအထား
အဆင့်သုံးဆင့်- သီအိုရီတည်ဆောက်မှု၊ သီအိုရီစမ်းသပ်မှု၊ နှင့် သီအိုရီ သန့်စင်မှု
သီအိုရီ။ ထို့ကြောင့် ရှာဖွေမှုစက်ဝန်းနှင့်စပ်လျဉ်း၍ အရှိန်အဟုန်ကိုအခြေခံ၍ ၊
သုတေသနပရောဂျက်တွင် ရှင်းလင်းချက်၊ သရုပ်ဖော်မှု၊ ရည်ရွယ်ချက်ရှိနိုင်သည်။
စူးစမ်းလေ့လာခြင်း သို့မဟုတ် ကြိုတင်ခန့်မှန်းခြင်း။
3.1.2.1 စူးစမ်းလေ့လာရေးသုတေသန
စူးစမ်းလေ့လာမှုသည် အကြောင်းအရာတစ်ခုကို စုံစမ်းစစ်ဆေးရန် ရည်ရွယ်သည်။
လုံးဝအသစ်ဖြစ်ပြီး သုတေသနမေးခွန်းများနှင့် ယူဆချက်များကို ပုံဖော်ပါ။
အနာဂတ် ဤအမျိုးအစားကို သုတေသနတည်ဆောက်ရာတွင် အသုံးပြုသည်။
နယ်ပယ်အသစ်တွင် ကနဦးကိုးကားချက်များကို ရယူရန် သီအိုရီ။
ပုံမှန်အားဖြင့်၊ ဖြစ်ရပ်များကဲ့သို့သော အရည်အသွေးရှိသော သုတေသနနည်းလမ်းများကို အသုံးပြုကြသည်။
လေ့လာမှု သို့မဟုတ် ဖြစ်ရပ်ဗေဒဆိုင်ရာလေ့လာမှုများ။
သို့သော်၊ ထိုကဲ့သို့သော အရေအတွက်နည်းပညာများကို အသုံးချရန်လည်း ဖြစ်နိုင်သည်။
စူးစမ်းလေ့လာမှုများ သို့မဟုတ် စမ်းသပ်မှုများ။
၃.၁.၃.၃ သရုပ်ဖော်ရှာဖွေမှု
Descriptive Research သည် အစိတ်အပိုင်း အများအပြားကို ခွဲခြမ်းစိတ်ဖြာပြီး ဖော်ပြရန် ရည်ရွယ်ပါသည်။
အခြေအနေတစ်ခု သို့မဟုတ် အဖွဲ့အစည်းဆိုင်ရာ အလေ့အကျင့်ကို အသေးစိတ်ဖော်ပြပါ။ ဒီ
သီအိုရီတည်ဆောက်မှုအတွက် သင့်လျော်ပြီး အတွက်လည်း အသုံးပြုနိုင်သည်။
အယူအဆများကို အတည်ပြုခြင်း သို့မဟုတ် အငြင်းပွားခြင်း။ သရုပ်ဖော် သုတေသနပြုလေ့ ရှိသည်။
တိုင်းတာမှုများနှင့် နမူနာများအသုံးပြုမှု ပါဝင်သည်။ အသင့်တော်ဆုံး သုတေသနနည်းလမ်းများ
စုံစမ်းစစ်ဆေးမှုများနှင့် ရှေးဦးဖြစ်ရပ်များကို ခွဲခြမ်းစိတ်ဖြာခြင်းများ ပါဝင်သည်။
၃.၁.၂.၃ ရှင်းလင်းချက်သုတေသန
ရှင်းလင်းချက် သုတေသနသည် အဘယ်ကြောင့် အရာများ ဖြစ်ပျက်သည်ကို ရှင်းပြရန် ကြိုးစားသည်။
လေ့လာပြီးသား အချက်အလက်တွေပေါ် မူတည်ပြီး ရှာဖွေဖို့ ကြိုးစားပါတယ်။
ဤအချက်များအတွက် အကြောင်းရင်းများ။
ထို့ကြောင့် ရှင်းလင်းချက် သုတေသနသည် သာမာန်အားဖြင့် သုတေသနအပေါ် အခြေခံသည်။
စူးစမ်းလေ့လာခြင်း သို့မဟုတ် သရုပ်ဖော်ခြင်းနှင့် စမ်းသပ်ခြင်းနှင့် သန့်စင်ခြင်းအတွက် နောက်ဆက်တွဲဖြစ်သည်။
သီအိုရီများ ရှင်းလင်းချက်သုတေသနသည် ပုံမှန်အားဖြင့် ဖြစ်ရပ်လေ့လာမှုများကို အသုံးပြုသည်။
သို့မဟုတ် စစ်တမ်းအခြေပြု သုတေသနနည်းလမ်းများ။
3.1.2.4 ကြိုတင်သုတေသနပြုခြင်း။
ကြိုတင်ကာကွယ်မှု သုတေသနသည် အဖြစ်အပျက်များနှင့် အပြုအမူများကို ခန့်မှန်းရန် ရည်ရွယ်သည်။
လေ့လာနေသော စူးစမ်းမှုအောက်တွင် (Marshall and Rossman
၁၉၉၅)။ Prediction သည် အမှန်တရား၏ စံသိပ္ပံနည်းကျ စမ်းသပ်မှုဖြစ်သည်။
ဤသုတေသနအမျိုးအစားသည် ယေဘူယျအားဖြင့် စစ်တမ်းများ သို့မဟုတ် ခွဲခြမ်းစိတ်ဖြာမှုကို အသုံးပြုသည်။
dati သမိုင်းပညာရှင်များ။ (ယဉ် ၁၉၈၉)၊
အထက်ဖော်ပြပါ ဆွေးနွေးချက်များသည် များစွာရှိနေပါသည်။
လေ့လာမှုတစ်ခုတွင် အသုံးပြုနိုင်သည့် ဖြစ်နိုင်ခြေရှိသော သုတေသနနည်းလမ်းများ
အထူးသဖြင့် သို့သော် ပို၍သင့်လျော်သော တိကျသောနည်းလမ်းရှိရမည်။
သုတေသနပရောဂျက်တစ်ခုအတွက် အခြားသူများ။ (ပြခန်းများ
1987၊ Yin 1989၊ De Vaus 1991)။ ထို့ကြောင့် သုတေသီတိုင်းတွင် ရှိသည်။
အားသာချက် အားနည်းချက်တွေကို သေသေချာချာ အကဲဖြတ်ဖို့ လိုပါတယ်။
အသင့်တော်ဆုံး သုတေသနနည်းလမ်းကို လက်ခံကျင့်သုံးရန် အမျိုးမျိုးသော နည်းလမ်းများ၊
သုတေသနပရောဂျက်နှင့်သဟဇာတ။ (Jenkins 1985၊ Pervan နှင့် Klass
1992၊ Bonomia 1985၊ Yin 1989၊ Himilton နှင့် Ives 1992)။
၃.၂။ ဖြစ်နိုင်သောရှာဖွေရေးနည်းလမ်းများ
ဒီပရောဂျက်ရဲ့ ရည်ရွယ်ချက်ကတော့ အတွေ့အကြုံတွေကို လေ့လာဖို့ပါ။
ဩစတြေးလျ အဖွဲ့အစည်းများ ဖွဈသည်။ dati တစ်ခုနဲ့ သိမ်းထားတယ်။
တိုးတက်မှု ဒေတာဂိုဒေါင်. datum လောလောဆယ်တော့ တစ်ခုရှိတယ်။
သြစတြေးလျရှိ ဒေတာသိုလှောင်ရုံဧရိယာတွင် သုတေသနမရှိခြင်း၊
ဤသုတေသနပရောဂျက်သည် စက်ဝန်း၏သီအိုရီအဆင့်တွင်ရှိနေဆဲဖြစ်သည်။
သုတေသနနှင့် စူးစမ်းလေ့လာရေး ရည်ရွယ်ချက်ရှိသည်။ အတွေ့အကြုံများကို စူးစမ်းလေ့လာခြင်း။
ဩစတြေးလျအဖွဲ့အစည်းများသည် ဒေတာသိုလှောင်ခြင်းကို လက်ခံကျင့်သုံးသည်။
စစ်မှန်သောလူ့အဖွဲ့အစည်းကို အဓိပ္ပာယ်ဖွင့်ဆိုရန် လိုအပ်သည်။ အကျိုးဆက်အနေဖြင့်၊
သုတေသနပရောဂျက်ကို အခြေခံသည့် အတွေးအခေါ်ဆိုင်ရာ ယူဆချက်မှာ အောက်ပါအတိုင်းဖြစ်သည်။
ရိုးရာအနက်။
ရရှိနိုင်သောနည်းလမ်းများကို တိကျသေချာစွာ စစ်ဆေးပြီးနောက် ၎င်းတို့ကို ဖော်ထုတ်ခဲ့သည်။
ဖြစ်နိုင်ခြေရှိသော သုတေသနနည်းလမ်းနှစ်ခု- စစ်တမ်းများနှင့် ဖြစ်ရပ်လေ့လာမှုများ
သုတေသနအတွက် အသုံးပြုနိုင်သည့် (case studies)
စူးစမ်းလေ့လာရေး (Shanks et al. 1993)။ Galliers (1992) မှ စောဒကတက်သည်။
ဤအထူးပြုလေ့လာမှုအတွက် ဤနည်းလမ်းနှစ်ခု၏ သင့်လျော်မှု
ဆောက်လုပ်ရေးအတွက် သင့်လျော်သည်ဟု ပြုပြင်ထားသော စည်းကြပ်မှုပုံစံ
သီအိုရီ။ အောက်ဖော်ပြပါ ကဏ္ဍခွဲနှစ်ခုသည် နည်းလမ်းတစ်ခုစီ၌ ဆွေးနွေးသည်။
အသေးစိတ်
3.2.1 မြေတိုင်းသုတေသနနည်းလမ်း
စစ်တမ်းသုတေသနနည်းလမ်းသည် ရှေးခေတ်နည်းလမ်းမှ ဆင်းသက်လာသည်။
သန်းခေါင်စာရင်း။ သန်းခေါင်စာရင်းတွင် အချက်အလက်စုဆောင်းခြင်း ပါဝင်သည်။
လူဦးရေတစ်ခုလုံး။ ဒီနည်းလမ်းက ဈေးကြီးပြီး လက်တွေ့မကျပါဘူး။
အထူးသဖြင့် လူဦးရေများရင် ဒီတော့ ယှဉ်ကြည့်
သန်းခေါင်စာရင်း၊ စစ်တမ်းကို ပုံမှန်အားဖြင့် အာရုံစိုက်သည်။
သေးငယ်သော နံပါတ် သို့မဟုတ် နမူနာအတွက် အချက်အလက်စုဆောင်းပါ။
လူဦးရေ၏ကိုယ်စားလှယ်များ (Fowler 1988၊ Neuman 1994)။ တစ်
နမူနာသည် ၎င်းကို ရေးဆွဲထားသည့် လူဦးရေကို ကွဲပြားစေပါသည်။
နမူနာဖွဲ့စည်းပုံအရ၊ တိကျမှုအဆင့်၊
အရွယ်အစားနှင့် ရွေးချယ်မှုနည်းလမ်းကို အသုံးပြုခဲ့သည် (Fowler 1988၊ Babbie
1982၊ Neuman 1994)။
စုံစမ်းစစ်ဆေးရေးနည်းလမ်းကို “လျှပ်တစ်ပြက် ကျင့်ထုံးများအဖြစ် သတ်မှတ်သည်၊
အချိန်ကာလတစ်ခုအတွင်း အခြေအနေများ သို့မဟုတ် အမြင်များကို အသုံးပြု၍ ဆောင်ရွက်သည်။
မေးခွန်းပုံစံများ သို့မဟုတ် အင်တာဗျူးများ၊
ဖန်တီးခဲ့သည်” (Galliers 1992:153) [အလေ့အကျင့်များ၏ ချက်ချင်းဓာတ်ပုံ၊
အခြေအနေများ သို့မဟုတ် အမြင်များကို အချိန်အခါအလိုက်၊ အသုံးပြု၍ ဆောင်ရွက်သည်။
ကောက်ချက်ချနိုင်သည့် မေးခွန်းပုံစံများ သို့မဟုတ် အင်တာဗျူးများ။] ဟိ
စုံစမ်းစစ်ဆေးမှုများသည် အချို့သောကဏ္ဍများတွင် အချက်အလက်စုဆောင်းမှုနှင့် ပတ်သက်သည်။
ပါဝင်သူအရေအတွက် အတိအကျဖြင့် လေ့လာမှု၏
မေးခွန်းများ (Fowler 1988)။ ဤမေးခွန်းလွှာများနှင့် အင်တာဗျူးများပင် ဖြစ်သည်
မျက်နှာချင်းဆိုင် တယ်လီဖုန်းနှင့် ဖွဲ့စည်းတည်ဆောက်ထားသော အင်တာဗျူးများ ပါဝင်သည်၊
စုဆောင်းမှုနည်းပညာများဖြစ်ကြသည်။ dati အသုံးအများဆုံးထဲမှာ
စုံစမ်းစစ်ဆေးမှုများ (Blalock 1970၊ Nachmias နှင့် Nachmias 1976၊ Fowler
1988)၊ လေ့လာတွေ့ရှိချက်များနှင့် ခွဲခြမ်းစိတ်ဖြာမှုများကို (Gable
၁၉၉၄)။ စုဆောင်းနည်းများထဲမှ dati, ၏အသုံးပြုမှု
မေးခွန်းလွှာသည် ရေပန်းအစားဆုံး နည်းစနစ်ဖြစ်သည်၊ သေချာသောကြောင့် i dati
စုဆောင်းထားသည်များကို စနစ်တကျနှင့် ဖော်မတ်ထားသောကြောင့် ဆောင်ရွက်ပေးပါသည်။
သတင်းအချက်အလက် အမျိုးအစားခွဲခြားခြင်း (Hwang 1987၊ de Vaus 1991)။
ခွဲခြမ်းစိတ်ဖြာရာတွင် ဖြဈသည်။ datiစုံစမ်းစစ်ဆေးရေးဗျူဟာတစ်ခုသည် မကြာခဏအသုံးပြုသည်။
စာရင်းအင်းခွဲခြမ်းစိတ်ဖြာခြင်းကဲ့သို့သော quantitative techniques များသော်လည်းကောင်း ဖြစ်နိုင်သည်။
အရည်အသွေးပိုင်းဆိုင်ရာ နည်းစနစ်များကိုလည်း အသုံးပြုကြသည် (Galliers 1992, Pervan
နှင့် Klass 1992၊ Gable 1994)။ သာမာန်၊ dati စုဆောင်းထားသည်များ
အသင်းအဖွဲ့များ၏ ဖြန့်ဖြူးမှုနှင့် ပုံစံများကို ခွဲခြမ်းစိတ်ဖြာရန် အသုံးပြုသည်။
(Fowler 1988)။
စစ်တမ်းများသည် ယေဘုယျအားဖြင့် သုတေသနအတွက် သင့်လျော်သော်လည်း၊
အဲဒါက 'ဘာလဲ' ဆိုတဲ့ မေးခွန်းနဲ့ သက်ဆိုင်တယ်။ (ဘာလဲ) ဒါမှမဟုတ် အဲဒါကလား။
'မည်မျှ' နှင့် 'မည်မျှ' ကဲ့သို့သော ဆင်းသက်လာသည်။
'ဘာကြောင့်လဲ' မေးခွန်း (Sonquist နှင့်
Dunkelberg 1977၊ Yin 1989)။ Sonquist နှင့် Dunkelberg ၏ ပြောကြားချက်အရ သိရသည်။
(၁၉၇၇)ခုနှစ်၊ သုတေသန စုံစမ်းစစ်ဆေးမှုသည် ခက်ခဲသော ယူဆချက်များ၊ အစီအစဉ်၏ ရည်ရွယ်ချက်ဖြစ်သည်။
အကဲဖြတ်ခြင်း၊ လူဦးရေနှင့် ဖွံ့ဖြိုးတိုးတက်မှုပုံစံများကို ဖော်ပြခြင်း။
လူ့အပြုအမူ။ ထို့အပြင် စစ်တမ်းများကို အသုံးပြုနိုင်သည်။
လူဦးရေ၏ အချို့သောအမြင်၊ အခြေအနေများကို လေ့လာရန်၊
အမြင်များ၊ စရိုက်လက္ခဏာများ၊ မျှော်လင့်ချက်များနှင့် အတိတ်က အပြုအမူများပင်
သို့မဟုတ် လက်ရှိ (Neuman 1994)။
စုံစမ်းစစ်ဆေးမှုများသည် သုတေသီများအကြား ဆက်စပ်မှုများကို ရှာဖွေတွေ့ရှိနိုင်စေပါသည်။
လူဦးရေနှင့် ရလဒ်များသည် ပုံမှန်ထက်ပို၍ ယေဘုယျဖြစ်သည်။
အခြားနည်းလမ်းများ (Sonquist and Dunkelberg 1977၊ Gable 1994)။ ဟိ
စစ်တမ်းများသည် သုတေသီများအား ပထဝီဝင်ဧရိယာကို လွှမ်းခြုံနိုင်စေပါသည်။
ပိုမိုကျယ်ပြန့်ပြီး ဟောပြောသူများစွာထံ ရောက်ရှိရန် (Blalock 1970၊
Sonquist and Dunkelberg 1977၊ Hwang and Lin 1987၊ Gable 1994၊
Neuman 1994)။ နောက်ဆုံးအနေနဲ့ စစ်တမ်းတွေက အချက်အလက်တွေကို ပေးနိုင်ပါတယ်။
အခြားနေရာများတွင် မရရှိနိုင်သော သို့မဟုတ် ခွဲခြမ်းစိတ်ဖြာမှုအတွက် လိုအပ်သောပုံစံ
(Fowler 1988)။
သို့သော် စစ်တမ်းကောက်ယူရာတွင် ကန့်သတ်ချက်အချို့ရှိသည်။ တစ်မျိုး
အားနည်းချက်မှာ သုတေသီသည် အချက်အလက်များစွာကို ရယူနိုင်ခြင်း မရှိပေ။
လေ့လာထားတဲ့ အရာဝတ္ထုနဲ့ ပတ်သက်ပြီး ယင်းအချက်ကြောင့် ဖြစ်သည်။
စုံစမ်းစစ်ဆေးမှုများကို သီးခြားအချိန်တစ်ခုတွင်သာ လုပ်ဆောင်ပြီး ထို့ကြောင့်၊
သုတေသီလုပ်နိုင်သော ကိန်းရှင်များနှင့် လူအရေအတွက် အကန့်အသတ်ရှိပါသည်။
လေ့လာမှု (Yin 1989၊ de Vaus 1991၊ Gable 1994၊ Denscombe 1998)။
နောက်ထပ်အားနည်းချက်တစ်ခုကတော့ စစ်တမ်းတစ်ခုလုပ်ဆောင်ခြင်းမှာ ဘာတွေဖြစ်နိုင်မလဲ။
အထူးသဖြင့် အချိန်နှင့် အရင်းအမြစ်အရ အလွန်စျေးကြီးသည်။
မျက်နှာချင်းဆိုင် တွေ့ဆုံမေးမြန်းခြင်းများ ပါဝင်သည် (Fowler 1988)။
၃.၂.၂။ စုံစမ်းစစ်ဆေးရေး သုတေသနနည်းလမ်း
စူးစမ်းလေ့လာရေးနည်းလမ်းတွင် နက်နက်နဲနဲလေ့လာခြင်း ပါဝင်သည်။
၎င်း၏ သရုပ်မှန်အခြေအနေတစ်ခုအတွင်း သီးခြားအခြေအနေတစ်ခု
မည်သည့်အပိုင်းမှ ဝင်ရောက်စွက်ဖက်ခြင်းမပြုဘဲ သတ်မှတ်ကာလ၊
သုတေသီ (Shanks & C. 1993၊ Eisenhardt 1989၊ Jenkins 1985)။
အဓိကအားဖြင့် ဤနည်းလမ်းကို အချင်းချင်းကြား ဆက်ဆံရေးကို ဖော်ပြရန် အသုံးပြုသည်။
အခြေအနေတစ်ခုတွင် လေ့လာနေသော ကိန်းရှင်များ
(Galliers 1992)။ စုံစမ်းစစ်ဆေးမှုများတွင် တစ်ဦးချင်းကိစ္စများ သို့မဟုတ် ပါဝင်နိုင်သည်။
ခွဲခြမ်းစိတ်ဖြာသည့် ဖြစ်စဉ်ပေါ်မူတည်၍ များပြားသည် (Franz and Robey 1987၊
Eisenhardt 1989၊ Yin 1989)။
စုံစမ်းမေးမြန်းခြင်း သုတေသနနည်းလမ်းကို “စုံစမ်းမေးမြန်းခြင်း” ဟု သတ်မှတ်သည်။
ခေတ်ပြိုင်ဖြစ်စဉ်ကို လေ့လာသော empirical study
အရင်းအနှီးများစွာကို အသုံးပြု၍ ဆက်စပ်အစစ်အမှန်အကြောင်းအရာ၊
လူများ၊ အဖွဲ့များ သို့မဟုတ် အဖွဲ့အစည်းများ ကဲ့သို့သော အဖွဲ့အစည်းများစွာ" (Yin 1989)။
ဖြစ်စဉ်နှင့် ၎င်း၏ဆက်စပ်မှု e အကြား ရှင်းရှင်းလင်းလင်း ခွဲခြားထားခြင်းမရှိပါ။
ကိန်းရှင်များကို ထိန်းချုပ်ခြင်း သို့မဟုတ် စမ်းသပ်ခြယ်လှယ်ခြင်း မရှိပါ။ (Yin
1989, Benbasat et al. 1987)။
နတ်များကို စုဆောင်းရန် နည်းစနစ်အမျိုးမျိုးရှိသည်။ dati သူတို့လုပ်နိုင်တယ်
စုံစမ်းစစ်ဆေးရေးနည်းလမ်းတွင် အလုပ်ခန့်ထားရမည်။
တိုက်ရိုက်လေ့လာတွေ့ရှိချက်များ၊ မှတ်တမ်းများပြန်လည်သုံးသပ်ခြင်း၊ မေးခွန်းပုံစံများ၊
စာရွက်စာတမ်းများကို ပြန်လည်သုံးသပ်ခြင်းနှင့် ဖွဲ့စည်းတည်ဆောက်ထားသော အင်တာဗျူးများ။ ရှိခြင်း။
အမျိုးမျိုးသော ရိတ်သိမ်းနည်းစနစ်များ dati, စုံစမ်းစစ်ဆေးမှုများ
သုတေသီများကို နှစ်ဖက်စလုံးကို ကိုင်တွယ်ခွင့်ပြုပါ။ dati အရည်အသွေးပိုင်း
တစ်ချိန်တည်းမှာ ပမာဏများ (Bonoma 1985၊ Eisenhardt 1989၊ Yin
1989၊ Gable 1994)။ စစ်တမ်းနည်းလမ်းကဲ့သို့ပင်၊ a
စုံစမ်းရေး သုတေသီသည် လေ့လာသူ သို့မဟုတ် သုတေသီအဖြစ် လုပ်ဆောင်သည် မဟုတ်ဘဲ၊
လေ့လာမှုအောက်ရှိ အဖွဲ့အစည်းတွင် တက်ကြွစွာပါဝင်သူအဖြစ်။
Benbasat et al. (1987) သည် စုံစမ်းရေးနည်းလမ်းဖြစ်သည် ဟု အခိုင်အမာဆိုသည်။
သီအိုရီတည်ဆောက်ခြင်းဆိုင်ရာ သုတေသနအတွက် အထူးသင့်လျော်သည်။
သုတေသနမေးခွန်းတစ်ခုဖြင့် စတင်ပြီး လေ့ကျင့်မှုကို ဆက်လက်လုပ်ဆောင်ပါ။
စုဆောင်းခြင်းလုပ်ငန်းစဉ်အတွင်း သီအိုရီတစ်ခု dati။ ဖြစ်ခြင်း
ဇာတ်ခုံအတွက်လည်း သင့်တော်ပါတယ်။
Franz and Robey (1987) က သီအိုရီတည်ဆောက်မှု ၊
ရှုပ်ထွေးသော စုံစမ်းစစ်ဆေးရေးနည်းလမ်းကိုလည်း အသုံးပြုနိုင်သည်။
သီအိုရီအဆင့်။ ဤကိစ္စတွင် စုဆောင်းထားသော အထောက်အထားများပေါ် မူတည်၍ တစ်ခု၊
ပေးထားသော သီအိုရီ သို့မဟုတ် ယူဆချက်အား အတည်ပြု သို့မဟုတ် ငြင်းဆိုထားသည်။ ဒါ့အပြင် စုံစမ်းစစ်ဆေးမှုတွေလည်း ရှိနေပါတယ်။
'မည်ကဲ့သို့' သို့မဟုတ် 'မည်ကဲ့သို့' မေးခွန်းများကို သုတေသနပြုရန်အတွက်လည်း သင့်လျော်သည်။
'ဘာကြောင့်လဲ' (ယဉ် ၁၉၈၉)။
အခြားနည်းလမ်းများနှင့် နှိုင်းယှဉ်ပါက စစ်တမ်းများက သုတေသီအား ခွင့်ပြုသည်။
မရှိမဖြစ်လိုအပ်သော အချက်အလက်များကို ပိုမိုအသေးစိတ် ဖမ်းယူပါ (Galliers
၁၉၉၂၊ Shanks et al 1992)။ ထို့အပြင် စုံစမ်းစစ်ဆေးမှုများကို ခွင့်ပြုထားသည်။
လုပ်ငန်းစဉ်များ၏ သဘောသဘာဝနှင့် ရှုပ်ထွေးမှုကို နားလည်သဘောပေါက်ရန် သုတေသီ
(Benbasat et al. 1987)။
အဆိုပါနည်းလမ်းနှင့်ဆက်စပ်သောအဓိကအားနည်းချက်လေးခုရှိပါတယ်။
စုံစမ်းစစ်ဆေးရေး။ ပထမအချက်မှာ ထိန်းချုပ်ထားသော နုတ်ယူမှု မရှိခြင်းပင်ဖြစ်သည်။ ဟိုမှာ
သုတေသီ၏ ပုဂ္ဂလဓိဋ္ဌာန်သည် ရလဒ်များနှင့် ကောက်ချက်များအား ပြောင်းလဲနိုင်သည်။
လေ့လာမှု (Yin 1989)။ ဒုတိယအားနည်းချက်ကတော့ ချို့တဲ့မှုပါ။
ထိန်းချုပ်စောင့်ကြည့်မှု။ စမ်းသပ်နည်းများနှင့်မတူဘဲ၊
စူးစမ်းလေ့လာသူသည် လေ့လာထားသော ဖြစ်စဉ်များကို မထိန်းချုပ်နိုင်ပါ။
၎င်းတို့ကို ၎င်းတို့၏ သဘာဝအခြေအနေတွင် ဆန်းစစ်ထားသည် (Gable 1994)။ ဟိ
တတိယ အားနည်းချက်ကတော့ အတုယူနိုင်မှု မရှိခြင်းပါပဲ။ ဤသည်မှာ အမှန်ကြောင့်ဖြစ်သည်။
သုတေသီသည် အလားတူဖြစ်ရပ်များကို သတိပြုဖွယ်မရှိပေ။
သီးခြားလေ့လာမှုတစ်ခု၏ရလဒ်များကိုစစ်ဆေးနိုင်သည် (လီ 1989)။
နောက်ဆုံးအနေနဲ့ အတုယူလို့မရတဲ့ အကျိုးဆက်အနေနဲ့ ခက်ခဲပါတယ်။
တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော စုံစမ်းစစ်ဆေးမှုများမှရရှိသောရလဒ်များကို ယေဘုယျဖော်ပြပါ (Galliers
၁၉၉၂၊ Shanks et al 1992)။ သို့သော် ဤပြဿနာများအားလုံး မဟုတ်ပါ။
ဖြတ်ကျော်၍မရသော အရာများသည် အမှန်တကယ်အားဖြင့် နည်းပါးသွားနိုင်သည်။
သုတေသီသည် သင့်လျော်သောလုပ်ဆောင်ချက်များကို ကျင့်သုံးခြင်း (လီ 1989)။
၃.၃။ သုတေသန နည်းစနစ်ကို အကြောင်းပြပါ။
မွေးစားသည်။
ဖြစ်နိုင်ခြေရှိသော သုတေသနနည်းလမ်းနှစ်ခုမှ ဤလေ့လာမှုအတွက် နည်းလမ်းဖြစ်သည်။
စုံစမ်းစစ်ဆေးမှုအား အသင့်တော်ဆုံးဟု ယူဆပါသည်။ အဲဒါကတော့ စုံစမ်းမှုပါ။
သက်ဆိုင်ရာများကို သေချာစဉ်းစားပြီးမှ စွန့်ပစ်ခဲ့ပါသည်။
အားသာချက် အားနည်းချက်။ တစ်ခုချင်းစီ၏ အဆင်ပြေမှု သို့မဟုတ် မသင့်လျော်မှု
ဒီလေ့လာမှုအတွက် နည်းလမ်းကို အောက်မှာ ဆွေးနွေးထားပါတယ်။
၃.၃.၁။ မသင့်လျော်သောသုတေသနနည်းလမ်း
စုံစမ်းရေး
စုံစမ်းရေးနည်းလမ်းကို နက်ရှိုင်းစွာ လေ့လာရန် လိုအပ်ပါသည်။
အဖွဲ့အစည်းတစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော အဖွဲ့အစည်းတစ်ခုအတွက် သီးခြားအခြေအနေ
အချိန်ကာလ (Eisenhardt 1989)။ ဒီနေရာမှာတော့ ရာသီလာနိုင်ပါတယ်။
ဤလေ့လာမှုအတွက် ပေးထားသည့် အချိန်ဘောင်ကိုကျော်လွန်ပါ။ နောက်တစ်မျိုး
စစ်တမ်းနည်းလမ်းကို လက်မခံရခြင်းအကြောင်းရင်းမှာ ရလဒ်များဖြစ်သည်။
တင်းမာမှု မရှိခြင်း (Yin 1989)။ ပုဂ္ဂိုလ်စွဲ
သုတေသီ၏ ရလဒ်များနှင့် ကောက်ချက်များအား လွှမ်းမိုးနိုင်သည်။ နောက်တစ်မျိုး
အကြောင်းပြချက်ကတော့ ဒီနည်းလမ်းက မေးခွန်းတွေကို သုတေသနအတွက် ပိုသင့်တော်ပါတယ်။
'how' or 'why' type (Yin 1989) ၏ သုတေသနမေးခွန်း
ဤလေ့လာမှုအတွက် ၎င်းသည် 'ဘာ' အမျိုးအစားဖြစ်သည်။ နောက်ဆုံးဖြစ်သော်လည်းအရေးပါသော
အရေးကြီးသည်မှာ တစ်ခုတည်း သို့မဟုတ် တစ်ခုမှ ရှာဖွေတွေ့ရှိချက်များကို ယေဘုယျဖော်ပြရန် ခက်ခဲသည်။
အနည်းငယ်သော စုံစမ်းစစ်ဆေးမှုများ (Galliers 1992၊ Shanks et al 1993)။ ၏အခြေခံပေါ်မှာ
ဤကျိုးကြောင်းဆီလျော်သော ရှင်းလင်းချက်၊ စုံစမ်းမေးမြန်းခြင်းနည်းလမ်းသည် မဟုတ်ပါ။
ဤလေ့လာမှုအတွက် မသင့်လျော်သောကြောင့် ရွေးချယ်ခဲ့သည်။
၃.၃.၂။ ရှာဖွေရေးနည်းလမ်း၏အဆင်ပြေ
စုံစမ်းစစ်ဆေးရေး
ဤသုတေသနကိုပြုလုပ်သောအခါ၊ ဒေတာသိုလှောင်ခြင်းအလေ့အကျင့်
ကျယ်ကျယ်ပြန့်ပြန့် လက်ခံကျင့်သုံးခြင်း မရှိခဲ့ပါ။
သြစတြေးလျအဖွဲ့အစည်းများ။ ဒီတော့ အချက်အလက် သိပ်မရှိခဲ့ဘူး။
ယင်းတို့ အကောင်အထည်ဖော်မှုနှင့်ပတ်သက်၍
သြစတြေးလျအဖွဲ့အစည်းများ။ ရနိုင်တဲ့ အချက်အလက်တွေ ရောက်လာတယ်။
ဒေတာကို အကောင်အထည်ဖော်သော သို့မဟုတ် အသုံးပြုခဲ့သော အဖွဲ့အစည်းများမှ
ဂိုဒေါင်။ ဤကိစ္စတွင်၊ စစ်တမ်းသုတေသနနည်းလမ်းသည် အများဆုံးဖြစ်သည်။
သင့်လျော်မှုမရှိသော အချက်အလက်များကို ရယူနိုင်သောကြောင့်ဖြစ်သည်။
အခြားနေရာတွင် သို့မဟုတ် ခွဲခြမ်းစိတ်ဖြာမှုအတွက် လိုအပ်သောပုံစံဖြင့် ရနိုင်သည် (Fowler 1988)။
ထို့အပြင် စစ်တမ်း သုတေသနနည်းလမ်းသည် သုတေသီအား ခွင့်ပြုသည်။
အလေ့အကျင့်များ၊ အခြေအနေများ သို့မဟုတ် ကောင်းစွာထိုးထွင်းသိမြင်မှုရယူပါ။
သီးခြားအချိန်တစ်ခုတွင် မြင်တွေ့ရသည် (Galliers 1992၊ Denscombe 1998)။
မြှင့်တင်ရန် အလုံးစုံအမြင် လိုအပ်သည်။
Australian data warehouseing အတွေ့အကြုံအကြောင်း ဗဟုသုတ။
တဖန် Sonquist နှင့် Dunkelberg (1977) ၏ရလဒ်များကိုဖော်ပြသည်။
စစ်တမ်း သုတေသနသည် အခြားနည်းလမ်းများထက် ပို၍ ယေဘူယျဖြစ်သည်။
၃.၄။ စစ်တမ်း သုတေသန ဒီဇိုင်း
ဒေတာသိုလှောင်ခြင်းအလေ့အကျင့်ကို စုံစမ်းစစ်ဆေးမှုကို ၁၉၉၉ ခုနှစ်တွင် ပြုလုပ်ခဲ့သည်။
ပစ်မှတ်လူဦးရေသည် အဖွဲ့အစည်းများ ပါဝင်သည်။
ဩစတေးလျနိုင်ငံသားများသည် ဒေတာသိုလှောင်ခြင်းဆိုင်ရာ လေ့လာမှုများကို စိတ်ဝင်စားကြသည်။
ငါအကြောင်းသိပြီးသားဖြစ်ကောင်းဖြစ်နိုင်ပါတယ်။ dati သူတို့ သိမ်းထားတာနဲ့၊
ထို့ကြောင့် ဤလေ့လာမှုအတွက် အသုံးဝင်သော အချက်အလက်များကို ပေးစွမ်းနိုင်သည်။ ဟိုမှာ
ပစ်မှတ်လူဦးရေကို ကနဦးစစ်တမ်းတစ်ခုဖြင့် ဖော်ထုတ်ခဲ့သည်။
'The Data Warehousing Institute' (Tdwiaap) ၏ သြစတြေးလျအဖွဲ့ဝင်များအားလုံး။
ဤအပိုင်းတွင် သုတေသနအဆင့်၏ ဒီဇိုင်းကို ဆွေးနွေးထားသည်။
ဤလေ့လာမှု၏ လက်တွေ့ကျသော အထောက်အထားများ။
၃.၄.၁။ ဒေတာစုဆောင်းခြင်းနည်းပညာ dati
စစ်တမ်း သုတေသနတွင် အသုံးများသော နည်းလမ်းသုံးမျိုးမှ
(ဆိုလိုသည်မှာ စာတိုက်မေးခွန်းလွှာ၊ တယ်လီဖုန်းအင်တာဗျူးနှင့် အင်တာဗျူး
ကိုယ်ရေးကိုယ်တာ) (Nachmias 1976, Fowler 1988, de Vaus 1991)၊
ဤလေ့လာမှုသည် မေးလ်မေးခွန်းလွှာကို လက်ခံခဲ့သည်။ ပထမဆုံး
ယင်းကို လက်ခံကျင့်သုံးရခြင်း၏ အကြောင်းရင်းမှာ ၎င်းသည် အောင်မြင်နိုင်သည်ဟု ဆိုသည်။
ပထဝီဝင်အနေအထားအရ ကွဲပြားသောလူဦးရေ (Blalock 1970၊ Nachmias e
Nachmias 1976၊ Hwang and Lin 1987၊ de Vaus 1991၊ Gable 1994)။
ဒုတိယအနေဖြင့် စာတိုက်မေးခွန်းလွှာသည် သင်တန်းသားများအတွက် သင့်လျော်ပါသည်။
ပညာတတ် (Fowler 1988)။ ဒီအတွက် မေးလ်မေးခွန်းလွှာ
လေ့လာမှုအား data warehousing ပရောဂျက်စပွန်ဆာများထံလိပ်မူပြီး၊
ဒါရိုက်တာများနှင့်/သို့မဟုတ် ပရောဂျက်မန်နေဂျာများ။ တတိယအချက်ကတော့ မေးခွန်းပုံစံတွေကွာပါတယ်။
သင့်တွင် လုံခြုံသောစာရင်းတစ်ခုရှိသည့်အခါ မေးလ်သည် သင့်လျော်သည်။
လိပ်စာများ (Salant and Dilman 1994)။ TDWI၊ ဤကိစ္စတွင်၊ တစ်ခု
ယုံကြည်ရသော ဒေတာဂိုဒေါင်အသင်းမှ လိပ်စာစာရင်းကို ပေးထားသည်။
၎င်း၏ သြစတြေးလျအဖွဲ့ဝင်များ။ မေးခွန်းလွှာ၏နောက်ထပ်အားသာချက်
မေးလ်မှတဆင့် တယ်လီဖုန်းမေးခွန်းလွှာ သို့မဟုတ် အင်တာဗျူးများ
ကိုယ်ရေးကိုယ်တာအချက်မှာ မှတ်ပုံတင်သူများကို ပိုမိုတုံ့ပြန်နိုင်စေခြင်းပင်ဖြစ်သည်။
အထူးသဖြင့် မှတ်ပုံတင်သူများသည် တိုင်ပင်ဆွေးနွေးရန် လိုအပ်သည့်အခါ တိကျမှု
မှတ်စုများ သို့မဟုတ် အခြားသူများနှင့် မေးခွန်းများ ဆွေးနွေးပါ (Fowler
1988) ။
ဖြစ်နိုင်ချေရှိသော အားနည်းချက်သည် လိုအပ်သည့်အချိန်ဖြစ်နိုင်သည်။
မေးလ်ဖြင့် မေးခွန်းပုံစံများ ပြုလုပ်ပါ။ သာမာန်မေးခွန်းလွှာကွာ
မေးလ်ကို ဤအစီအစဥ်တွင် လုပ်ဆောင်သည်- စာများပေးပို့ပါ၊ စောင့်ပါ။
တုံ့ပြန်မှုများနှင့် အတည်ပြုချက်ပေးပို့ခြင်း (Fowler 1988၊ Bainbridge 1989)။
ထို့ကြောင့် စုစုပေါင်းအချိန်သည် လိုအပ်သည့်အချိန်ထက် ပိုရှည်နိုင်သည်။
ကိုယ်ရေးကိုယ်တာအင်တာဗျူးများ သို့မဟုတ် တယ်လီဖုန်းအင်တာဗျူးများ။ သို့သော်၊
စုစုပေါင်းအချိန်ကို ကြိုတင်သိရှိနိုင်သည် (Fowler 1988၊
Denscombe 1998)။ အင်တာဗျူးတွေ လုပ်နေတဲ့အချိန်တွေ
ကိုယ်ရေးကိုယ်တာအချက်အလက်တွေ ကွဲပြားတဲ့အတွက် ကြိုတင်မသိနိုင်ပါဘူး။
တစ်ခုနှင့်တစ်ခုအင်တာဗျူး (Fowler 1988)။ တယ်လီဖုန်းအင်တာဗျူးများ
စာတိုက်မေးခွန်းလွှာများထက် ပိုမိုမြန်ဆန်နိုင်သည်။
ကိုယ်ရေးကိုယ်တာ အင်တာဗျူးများ ရှိသော်လည်း ပျောက်ဆုံးမှုနှုန်း မြင့်မားနိုင်သည်။
လူအချို့၏ မရရှိနိုင်မှုကြောင့် တုံ့ပြန်မှု (Fowler 1988)။
ထို့အပြင်၊ တယ်လီဖုန်းအင်တာဗျူးများကို ယေဘူယျအားဖြင့် စာရင်းများတွင် ကန့်သတ်ထားသည်။
အတော်လေးတိုတောင်းသောမေးခွန်းများ (Bainbridge 1989)။
မေးလ်မေးခွန်းလွှာ၏ နောက်ထပ်အားနည်းချက်မှာ မြင့်မားသောနှုန်းထားဖြစ်သည်။
တုံ့ပြန်မှုမရှိခြင်း (Fowler 1988၊ Bainbridge 1989၊ Neuman
၁၉၉၄)။ သို့သော်လည်း တန်ပြန်အရေးယူမှုများ ပြုလုပ်ခဲ့သည်။
ဒေတာနယ်ပယ်တွင် ယုံကြည်စိတ်ချရသော အဖွဲ့အစည်းတစ်ခုဖြင့် ဤလေ့လာမှု
သိုလှောင်ရုံ (ဆိုလိုသည်မှာ TDWI) (Bainbridge 1989၊ Neuman 1994)၊
စာမပြန်ရသေးသူများထံ သတိပေးစာနှစ်စောင် ပေးပို့သည်။
(Fowler 1988, Neuman 1994) နှင့် စာတစ်စောင်လည်း ပါဝင်သည်။
လေ့လာမှု၏ရည်ရွယ်ချက်ကို ထပ်လောင်းရှင်းပြသည် (Neuman 1994)။
၃.၄.၂။ ခွဲခြမ်းစိတ်ဖြာယူနစ်
ဤလေ့လာမှု၏ ရည်ရွယ်ချက်မှာ သတင်းအချက်အလက်များကို ရယူရန်ဖြစ်သည်။
data warehousing ကိုအကောင်အထည်ဖော်ခြင်းနှင့်၎င်း၏အသုံးပြုမှု
သြစတြေးလျအဖွဲ့အစည်းများအတွင်း။ ပစ်မှတ်လူဦးရေ
ဩစတြေးလျ အဖွဲ့အစည်းအားလုံးနဲ့ ဖွဲ့စည်းထားပါတယ်။
အကောင်အထည်ဖော်သည် သို့မဟုတ် အကောင်အထည်ဖော်နေသည်၊ i ဒေတာဂိုဒေါင်, တွင်
ထို့နောက် တစ်ဦးချင်း အဖွဲ့အစည်းများကို မှတ်ပုံတင်ပြီးဖြစ်သည်။ မေးခွန်းလွှာ
မွေးစားခြင်းကို စိတ်ဝင်စားသော အဖွဲ့အစည်းများသို့ စာတိုက်မှ ပေးပို့ခဲ့ပါသည်။
di ဒေတာဂိုဒေါင်. ဒီနည်းလမ်းက အချက်အလက်တွေကို သေချာစေတယ်။
အဖွဲ့အစည်းတစ်ခုစီ၏ အသင့်လျော်ဆုံး အရင်းအမြစ်များမှ စုဆောင်းရယူသည်။
ပါဝင်သူ။
၃.၄.၃။ စစ်တမ်းနမူနာ
စစ်တမ်းပါဝင်သူများ၏ “မေးလ်ပို့စာရင်း” ကို ရယူခဲ့သည်။
TDWI ဒီစာရင်းကနေ သြစတြေးလျအဖွဲ့အစည်း 3000 ပါ။
နမူနာယူရန် အခြေခံအဖြစ် ရွေးချယ်ခဲ့သည်။ တစ်
ထပ်လောင်းစာတွင် ပရောဂျက်နှင့် စုံစမ်းစစ်ဆေးမှု၏ ရည်ရွယ်ချက်ကို ရှင်းပြသည်၊
အဖြေစာရွက်နှင့် ကြိုတင်ငွေပေးစာအိတ်တို့နှင့်အတူ
ပြီးခဲ့သောမေးခွန်းလွှာကို နမူနာသို့ ပေးပို့ပြီး ပြန်လည်ပေးပို့ပါ။
အဖွဲ့အစည်း 3000 တွင် 198 က ပါဝင်ရန် သဘောတူခဲ့သည်။
လေ့လာချက်။ ထိုသို့သော တုံ့ပြန်မှု အနည်းစုကို မျှော်လင့်ထားသည်။ Dato il
အဲဒီတုန်းက သြစတြေးလျအဖွဲ့အစည်းတွေ အများကြီးရှိတယ်။
embraced or were embraced the date ဗျူဟာ
၎င်းတို့၏အဖွဲ့အစည်းအတွင်း သိုလှောင်ရုံများ။ ဒီတော့၊
ဤလေ့လာမှုအတွက် ပစ်မှတ်လူဦးရေ ၁၉၈ ဦးသာ ပါဝင်သည်။
အဖွဲ့အစည်းများ။
၃.၄.၄။ မေးခွန်းလွှာပါ အကြောင်းအရာများ
မေးခွန်းပုံစံဖွဲ့စည်းပုံသည် ရက်စွဲပုံစံပေါ်တွင် အခြေခံထားသည်။
Monash သိုလှောင်ရုံ (ယခင်အပိုင်း 2.3 တွင် ဆွေးနွေးထားသည်)။ ဟိ
မေးခွန်းလွှာ၏ အကြောင်းအရာကို ခွဲခြမ်းစိတ်ဖြာမှုအပေါ် အခြေခံထားသည်။
အခန်း 2 တွင်ဖော်ပြထားသောစာပေ။ မေးခွန်းလွှာတစ်စောင်
စစ်တမ်းပါဝင်သူများထံ ပေးပို့ထားသည်ကို တွေ့ရှိနိုင်သည်။
နောက်ဆက်တွဲ B. မေးခွန်းလွှာတွင် ကဏ္ဍခြောက်ခု ပါဝင်ပါသည်။
ဆွေးနွေးမည့်ပုံစံ၏ အဆင့်များကို လိုက်နာပါ။ အောက်ပါစာပိုဒ်ခြောက်ပိုဒ်
အပိုင်းတစ်ခုစီ၏ အကြောင်းအရာများကို အကျဉ်းချုံးချပြကြသည်။
အပိုင်း A- အဖွဲ့အစည်းနှင့်ပတ်သက်သော အခြေခံအချက်အလက်များ
ဤကဏ္ဍတွင် ပရိုဖိုင်၏ ဆက်စပ်မေးခွန်းများ ပါရှိသည်။
ပါဝင်သည့်အဖွဲ့အစည်းများ။ ထို့အပြင်၊ အချို့သောမေးခွန်းများ
ဒေတာသိုလှောင်ခြင်းပရောဂျက်၏ အခြေအနေနှင့်စပ်လျဉ်း
ပါဝင်သူ။ သင့်အမည်ကဲ့သို့သော လျှို့ဝှက်အချက်အလက်များ
အဖွဲ့အစည်း၏ စစ်တမ်း ခွဲခြမ်းစိတ်ဖြာမှုတွင် မဖော်ပြခဲ့ပါ။
အပိုင်း B- စတင်ပါ။
ဤကဏ္ဍရှိ မေးခွန်းများသည် စတင်လုပ်ဆောင်မှုနှင့် သက်ဆိုင်ပါသည်။
ဒေတာသိုလှောင်မှု။ မေးခွန်းတွေက ဘယ်လောက်ကြာကြာ မေးတယ်။
ပရောဂျက်အစပြုသူများ၊ အာမခံပေးသူများ၊ ကျွမ်းကျင်မှုနှင့် အသိပညာတို့နှင့် သက်ဆိုင်သည်။
တောင်းဆိုချက်များ၊ ဒေတာသိုလှောင်မှု ဖွံ့ဖြိုးတိုးတက်ရေး ရည်ရွယ်ချက်များနှင့်
သုံးစွဲသူများ၏ မျှော်လင့်ချက်။
အခန်း C: ဒီဇိုင်း
ဤကဏ္ဍတွင် လှုပ်ရှားမှုများနှင့်ပတ်သက်သည့် မေးခွန်းများပါရှိသည်။
စီစဉ်ခြင်း။ ဒေတာဂိုဒေါင်. အထူးသဖြင့် မေးစရာများ ရှိပါသည်။
အကောင်အထည်ဖော်မှုအတိုင်းအတာ၊ ပရောဂျက်၏ကြာချိန်၊ ကုန်ကျစရိတ်အကြောင်း ဖော်ပြပါ။
စီမံကိန်းနှင့် ကုန်ကျစရိတ်/အကျိုးအမြတ်ခွဲခြမ်းစိတ်ဖြာခြင်း။
အပိုင်း D- ဖွံ့ဖြိုးတိုးတက်ရေး
ဖွံ့ဖြိုးတိုးတက်ရေးကဏ္ဍတွင် ဆောင်ရွက်ချက်များနှင့်ပတ်သက်၍ မေးခွန်းများရှိပါသည်။
တိုးတက်မှု ဒေတာဂိုဒေါင်: သုံးစွဲသူလိုအပ်ချက်များ စုစည်းမှု
နောက်ဆုံး၊ အရင်းအမြစ်များ datiယုတ္တိတန်သောပုံစံ၊ datiရှေ့ပြေးပုံစံများ၊
စွမ်းရည်စီမံခြင်း၊ နည်းပညာဗိသုကာပညာနှင့် ရွေးချယ်မှု
ဒေတာသိုလှောင်ခြင်းဆိုင်ရာ ဖွံ့ဖြိုးတိုးတက်ရေးကိရိယာများ။
အပိုင်း E- လုပ်ဆောင်ချက်
လည်ပတ်ဆောင်ရွက်မှု ed နှင့်ပတ်သက်သောမေးခွန်းများ
ချဲ့ထွင်ရန် ဒေတာဂိုဒေါင်၊ ဘယ်လိုတိုးတက်နေလဲ။
ဖွံ့ဖြိုးတိုးတက်မှု၏နောက်ထပ်အဆင့်။ ဟိုမှာ data အရည်အသွေး၊ နည်းဗျူဟာများ
refresh dei dati, ၏အသေးစိတ် dati, data scalability
ဂိုဒေါင်နှင့် လုံခြုံရေးပြဿနာများ ဒေတာဂိုဒေါင် သူတို့ကြားထဲမှာ
မေးတဲ့မေးခွန်းအမျိုးအစားများ။
အပိုင်း F- ဖွံ့ဖြိုးတိုးတက်ရေး
ဤကဏ္ဍတွင် ဒေတာအသုံးပြုမှုနှင့် ပတ်သက်သည့် မေးခွန်းများ ပါရှိသည်။
ကုန်လှောင်ရုံ။ သုတေသီက စိတ်ဝင်စားတယ်။
ရည်ရွယ်ချက်နှင့် အသုံးဝင်မှုဆီသို့ ဒေတာဂိုဒေါင်သုံးသပ်ချက်၊ ဗျူဟာများ
လေ့ကျင့်သင်ကြားမှုနှင့် ဒေတာထိန်းချုပ်မှုဗျူဟာတို့ကို ချမှတ်ခဲ့သည်။
ဂိုဒေါင်က လက်ခံတယ်။
၃.၄.၅။ တုံ့ပြန်မှုနှုန်း
မေးလ် စစ်တမ်းတွေက ဝေဖန်မှုတွေ ရှိပေမယ့် နှုန်းထားတွေ ရှိတယ်။
တုံ့ပြန်မှု နည်းပါးပြီး တိုးမြှင့်ရန် အစီအမံများ ပြုလုပ်ထားသည်။
ပြန်လာနှုန်း (ယခင်အပိုင်းတွင် ဆွေးနွေးခဲ့သည့်အတိုင်း
၃.၄.၁)။ 'တုံ့ပြန်မှုနှုန်း' ဟူသော ဝေါဟာရသည် ရာခိုင်နှုန်းကို ရည်ညွှန်းသည်။
စစ်တမ်းနမူနာတစ်ခုမှ လူများကို တုံ့ပြန်သည်။
မေးခွန်းလွှာ (Denscombe 1998)။ အောက်ပါတို့ကို အသုံးပြုခဲ့သည်။
ဤလေ့လာမှုအတွက် တုံ့ပြန်မှုနှုန်းကို တွက်ချက်ရန် ဖော်မြူလာ-
ဖြေကြားသူအရေအတွက်
တုံ့ပြန်မှုနှုန်း =
————————————————————————————– X 100
စုစုပေါင်း မေးခွန်းလွှာ ပေးပို့ခဲ့သည်။
၃.၄.၆။ စမ်းသပ်မောင်းနှင်သူ
မေးခွန်းပုံစံကို နမူနာမပို့မီ မေးခွန်းများဖြစ်သည်။
Luck မှ အကြံပြုထားသည့်အတိုင်း pilot tests များကို စစ်ဆေးမှု ပြုလုပ်ခဲ့သည်။
နှင့် Rubin (1987), Jackson (1988), နှင့် de Vaus (1991)။ ရည်ရွယ်ချက်
လေယာဉ်မှူးစမ်းသပ်မှုများသည် အဆင်မပြေမှုများ၊ မရှင်းလင်းသော နှင့် ဖော်ပြချက်များအားလုံးကို ဖော်ပြရန်ဖြစ်သည်။
အဓိပ္ပာယ်ဖွင့်ဆိုရန်ခက်ခဲသောမေးခွန်းများ
အဓိပ္ပါယ်ဖွင့်ဆိုချက်များနှင့် အနီးစပ်ဆုံးအချိန်ကို ခွဲခြားသတ်မှတ်ရန် အသုံးပြုသည်။
မေးခွန်းလွှာကို ဖြည့်ရန် လိုအပ်သည် (Warwick and Lininger 1975၊
Jackson 1988၊ Salant and Dilman 1994)။ ပိုင်းလော့ စမ်းသပ်မှုတွေ
တူညီသော လက္ခဏာရပ်များနှင့် ကိုက်ညီသော ဘာသာရပ်များကို ရွေးချယ်၍ ဆောင်ရွက်သည်။
Davis e အကြံပြုထားသည့်အတိုင်း နောက်ဆုံးဘာသာရပ်များ Cosenza (၂၀၀၄)။ ၌
ဤလေ့လာမှုတွင် ဒေတာသိုလှောင်ခြင်းဆိုင်ရာ ကျွမ်းကျင်ပညာရှင် ခြောက်ဦး ပါဝင်ခဲ့သည်။
လေယာဉ်မှူးဘာသာရပ်များအဖြစ် ရွေးချယ်ခဲ့သည်။ လေသူရဲ စမ်းသပ်မှုတိုင်း ပြီးသွားပါပြီ။
လိုအပ်သော ပြုပြင်မှုများ ပြုလုပ်ခဲ့သည်။ ရှေ့ပြေးစမ်းသပ်မှုများ ဆောင်ရွက်ခဲ့ရာ i
ပါဝင်သူများသည် ပုံသဏ္ဍာန်နှင့် ပြန်လည်သတ်မှတ်ရန် ကူညီပေးခဲ့သည်။
မေးခွန်းလွှာ၏နောက်ဆုံးဗားရှင်း။
၃.၄.၇။ ခွဲခြမ်းစိတ်ဖြာနည်းများ Dati
I dati အပိတ်မေးခွန်းလွှာများမှ ကောက်ယူထားသော စုံစမ်းစစ်ဆေးမှုများ
စာရင်းအင်းဆော့ဖ်ဝဲလ်ပက်ကေ့ခ်ျကို အသုံးပြု၍ ခွဲခြမ်းစိတ်ဖြာခဲ့သည်။
SPSS ဟုခေါ်သည်။ တုံ့ပြန်မှုများစွာကို ခွဲခြမ်းစိတ်ဖြာခဲ့သည်။
ဖော်ပြချက်စာရင်းဇယားကို အသုံးပြု. အချို့သော မေးခွန်းပုံစံများ
မပြည့်မစုံပြန်လာကြတယ်။ ဒါတွေကို ပိုကြီးအောင် ဆက်ဆံတယ်။
သေချာအောင် ဂရုပြုပါ။ dati ပျောက်နေတာ တစ်ခုမှ မဟုတ်ဘူး။
data entry error တွေရဲ့ အကျိုးဆက် ၊ ဒါပေမယ့် ဘာလို့ မေးခွန်းတွေ မထုတ်ဖြစ်တာလဲ။
ကြေညာသူအတွက် သင့်လျော်သည် သို့မဟုတ် ကြေညာသူသည် မဆုံးဖြတ်ပါ။
တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော သီးခြားမေးခွန်းများကို ဖြေပါ။ ဤအဖြေများ
ခွဲခြမ်းစိတ်ဖြာမှုအတွင်း လစ်လျူရှုခံခဲ့ရသည်။ dati သူတို့သည်
၎င်းတို့ကို လုပ်ငန်းစဉ်မှ ဖယ်ထုတ်ကြောင်း သေချာစေရန် '- 9' အဖြစ် ကုဒ်လုပ်ထားသည်။
ခွဲခြမ်းစိတ်ဖြာခြင်း။
မေးခွန်းလွှာပြင်ဆင်ရာတွင် မေးခွန်းများကို ပိတ်ခဲ့သည်။
ရွေးချယ်မှုတစ်ခုစီသို့ နံပါတ်တစ်ခုကို သတ်မှတ်ခြင်းဖြင့် ကြိုတင်ကုဒ်လုပ်ထားသည်။ နံပါတ်
ထို့နောက် i ကိုပြင်ဆင်ရန်အသုံးပြုခဲ့သည်။ dati ခွဲခြမ်းစိတ်ဖြာမှုအတွင်း
(Denscombe 1998၊ Sapsford နှင့် Jupp 1996)။ ဥပမာ ရှိခဲ့တယ်။
အပိုင်း B ၏ မေးခွန်း 1 တွင်ဖော်ပြထားသော ရွေးချယ်စရာခြောက်ခု- အကြံပြုချက်
ဘုတ်အဖွဲ့၊ အကြီးတန်းအမှုဆောင်၊ အိုင်တီဌာန၊ ယူနစ်
စီးပွားရေး၊ အတိုင်ပင်ခံများနှင့် အခြားအရာများ။ ဖိုင်ထဲမှာ dati SPSS ၏
'ပရောဂျက်အစပြုသူ' ကိုညွှန်ပြရန်အတွက် variable တစ်ခုကို ထုတ်ပေးခဲ့သည်၊
တန်ဖိုးတံဆိပ်ခြောက်ခုပါရှိသည်- '1' 'ဒါရိုက်တာဘုတ်အဖွဲ့'၊ '2'
'အဆင့်မြင့် အမှုဆောင်' အတွက် စသည်တို့ ဖြစ်သည်။ Likertin စကေးကို အသုံးပြုခြင်း။
အပိတ်မေးခွန်းအချို့တွင်လည်း ခွင့်ပြုထားသည်။
တန်ဖိုးများကိုအသုံးပြုရန် ကြိုးပမ်းအားထုတ်ရန်မလိုအပ်သော အထောက်အထားတစ်ခု
SPSS ထဲသို့ သက်ဆိုင်ရာ နံပါတ်များ ထည့်ထားသည်။ အဆိုပါမေးခွန်းများအတွက်
နှစ်ဦးနှစ်ဖက် သီးသန့်မဟုတ်သော မပြည့်မစုံသော အဖြေများ၊
ရွေးချယ်မှုတစ်ခုစီကို ကိန်းရှင်နှစ်ခုအဖြစ် သဘောထားသည်။
တန်ဖိုးတံဆိပ်များ- 'အမှတ်အသား' အတွက် '1' နှင့် 'အမှတ်အသားမပြုထားသော' အတွက် '2'။
အဖွင့်မေးခွန်းများကို မေးခွန်းများထက် ကွဲပြားစွာ ဆက်ဆံခဲ့သည်။
ပိတ်သိမ်း။ ဤမေးခွန်းများအတွက် အဖြေများကို ထည့်သွင်းမထားပါ။
SPSS ယင်းအစား ၎င်းတို့ကို လက်ဖြင့် ခွဲခြမ်းစိတ်ဖြာခဲ့သည်။ ဒီဟာကို အသုံးပြု
မေးခွန်းအမျိုးအစားများသည် သင့်အား အကြံဥာဏ်များဆိုင်ရာ အချက်အလက်များကို ရရှိစေပါသည်။
ဖြေဆိုသူများ၏ ကိုယ်ရေးကိုယ်တာ အတွေ့အကြုံများကို လွတ်လပ်စွာ ထုတ်ဖော်ခွင့်
(Bainbridge 1989၊ Denscombe 1998)။ ဖြစ်နိုင်ရင် ပြီးသွားပြီ
အဖြေများကို အမျိုးအစားခွဲခြင်း။
ခွဲခြမ်းစိတ်ဖြာမှုအတွက် datiရိုးရှင်းသော စာရင်းအင်းခွဲခြမ်းစိတ်ဖြာမှုနည်းလမ်းများကို အသုံးပြုပြီး၊
တုံ့ပြန်မှုအကြိမ်ရေ၊ ပျမ်းမျှ၊ စံသွေဖည်မှု ကဲ့သို့သော
ပျမ်းမျှနှင့် ပျမ်းမျှ (Argyrous 1996၊ Denscombe 1998)။
Gamma Test သည် ပမာဏတိုင်းတာမှုများအတွက် ထိရောက်မှုရှိသည်။
အသင်းအဖွဲ့များအကြား dati ညွှန်ကြားချက်များ (Norusis 1983၊ Argyrous 1996)။
အသုံးပြုထားသော ပုံမှန်စကေးများ မရှိသောကြောင့် ဤစစ်ဆေးမှုများသည် သင့်လျော်ပါသည်။
၎င်းတို့တွင် အမျိုးအစားများစွာရှိပြီး ဇယားတစ်ခုတွင် ပြသနိုင်သည်။
(Norusis 1983)။
3.5 အနှစ်ချုပ်
ဤအခန်းတွင် သုတေသန နည်းစနစ်နှင့်
ဤလေ့လာမှုအတွက် လက်ခံထားသော ဒီဇိုင်းများ။
အသင့်တော်ဆုံး သုတေသနနည်းလမ်းကို ရွေးချယ်ခြင်း။
အထူးလေ့လာသင်ယူသည်။
သဘာဝနှင့် အမျိုးအစား အပါအဝင် စည်းမျဉ်းများစွာကို ထည့်သွင်းစဉ်းစားပါ။
သုတေသနပြုခြင်းအပြင် ဖြစ်နိုင်ခြေတစ်ခုစီ၏ အားသာချက်များနှင့် အားနည်းချက်များ
နည်းလမ်း (Jenkins 1985၊ Benbasat et al. 1097၊ Galliers and Land 1987၊
yin 1989၊ Hamilton and ives 1992၊ Galliers 1992၊ neuman 1994)။ အမြင်
ရှိပြီးသား ဗဟုသုတနှင့် သီအိုရီ နည်းပါးခြင်း တို့ ဖြစ်သည်။
သြစတြေးလျတွင် ဒေတာသိုလှောင်ခြင်းဆိုင်ရာ မွေးစားခြင်းကို ဤလေ့လာမှုက ပြုလုပ်ခဲ့သည်။
သုတေသနပြုရာတွင် ကျွမ်းကျင်မှုရှိသော အဓိပ္ပါယ်ရှိသော သုတေသနနည်းလမ်း လိုအပ်သည်။
အဖွဲ့အစည်းများ၏ အတွေ့အကြုံများကို စူးစမ်းလေ့လာရန်
သြစတြေးလျ။ ရွေးချယ်သော သုတေသနနည်းလမ်းကို ရွေးချယ်ခဲ့သည်။
ရက်စွဲအယူအဆကို လက်ခံကျင့်သုံးခြင်းဆိုင်ရာ အချက်အလက်များကို စုဆောင်းပါ။
သြစတြေးလျအဖွဲ့အစည်းများမှ ware-housing ။ တစ်
စာတိုက်မေးခွန်းလွှာကို စုစည်းမှုနည်းပညာအဖြစ် ရွေးချယ်ခဲ့သည်။ dati။ le
သုတေသနနည်းလမ်းနှင့် စုဆောင်းမှုနည်းပညာအတွက် အကြောင်းပြချက်များ dati
ဤအခန်းတွင် ရွေးချယ်ပေးပါမည်။ ဖြစ်ခဲ့သည်
နမူနာယူနစ်ခွဲခြမ်းစိတ်ဖြာမှုယူနစ်အပေါ်ဆွေးနွေးတင်ပြခဲ့သည်။
အသုံးပြုထားသော တုံ့ပြန်မှု ရာခိုင်နှုန်းများ၊ မေးခွန်းပုံစံ၏ အကြောင်းအရာ၊
pre-test မေးခွန်းလွှာနှင့် ခွဲခြမ်းစိတ်ဖြာနည်းတို့ကိုလည်းကောင်း dati.
ဒီဇိုင်းတစ်ခု ဒေတာသိုလှောင်ရုံ:
Entity Relationships နှင့် Dimensional Modeling ကို ပေါင်းစပ်ခြင်း။
ြဒပ်မဲ့သော
စတိုးတဈခု dati ဒါဟာ လူတော်တော်များများအတွက် အဓိကပြဿနာပါ။
အဖွဲ့အစည်းများ။ ဖွံ့ဖြိုးတိုးတက်ရေးတွင် အဓိကပြဿနာဖြစ်သည်။
သိုလှောင်မှု၏ dati ဒါသူ့ဒီဇိုင်းပါ။
ဒီဇိုင်းသည် ဒေတာအတွင်းရှိ သဘောတရားများကို ထောက်လှမ်းနိုင်စေရမည်။
သိုလှောင်ရုံမှ အမွေအနှစ်စနစ်နှင့် အခြားအရင်းအမြစ်များ dati နှင့်တစ်ခုလည်းဖြစ်သည်။
အချက်အလက် အကောင်အထည်ဖော်ရာတွင် လွယ်ကူစွာ နားလည်သဘောပေါက်ပြီး ထိရောက်မှုရှိသည်။
ဂိုဒေါင်။
သိုလှောင်ရုံ စာပေတွေ အများကြီးပဲ။ dati အကြံပြုသည်။
entity relationship modeling သို့မဟုတ် dimensional modeling ကို အသုံးပြုခြင်း
ဒီဇိုင်းကို ကိုယ်စားပြုသည်။ ဒေတာဂိုဒေါင်.
ဒီစာတမ်းမှာ နှစ်ခုစလုံးကို ဘယ်လိုပြမလဲ။
ကိုယ်စားပြုမှုများကို ချဉ်းကပ်မှုတစ်ခုတည်းအဖြစ် ပေါင်းစပ်နိုင်သည်။
ပုံဆွဲခြင်း။ ဒေတာဂိုဒေါင်. သုံးတဲ့ ချဉ်းကပ်နည်းက စနစ်တကျပါ။
case study တစ်ခုတွင် ဆန်းစစ်ပြီး အများအပြားကို ဖော်ထုတ်ထားသည်။
ပညာရှင်များနှင့် သက်ဆိုင်သော အရေးကြီးသော သက်ရောက်မှုများ။
ဒေတာသိုလှောင်ခြင်း
Un ဒေတာဂိုဒေါင် အများအားဖြင့် “ဘာသာရပ်ကို ဦးတည်သည်၊
ပံ့ပိုးမှုတွင် ပေါင်းစပ်ထားသော၊ အချိန်-မူကွဲ၊ နှင့် မတည်ငြိမ်သော အချက်အလက်စုဆောင်းမှု
စီမံခန့်ခွဲမှု၏ ဆုံးဖြတ်ချက်များ” (Inmon and Hackathorn, 1994)။
ဘာသာရပ်ကို ဦးတည်ပြီး ပေါင်းစပ်ကြောင်း ညွှန်ပြသည်။ ဒေတာဂိုဒေါင် è
အမွေအနှစ်စနစ်များ၏ လုပ်ငန်းခွင်နယ်နိမိတ်များကို ဖြတ်ကျော်ရန် ဒီဇိုင်းထုတ်ထားသည်။
ပေါင်းစပ်ရှုထောင့်ကို ကမ်းလှမ်းပါ။ dati.
အချိန်-မူကွဲသည် ဗီဒီယို၏ သမိုင်းဝင် သို့မဟုတ် အချိန်စီးရီးသဘောသဘာဝနှင့် သက်ဆိုင်သည်။ dati in
un ဒေတာဂိုဒေါင်လမ်းကြောင်းများကို ပိုင်းခြားစိတ်ဖြာနိုင်စေသည့်၊
Non-volatile ကိုဖော်ပြသည်။ ဒေတာဂိုဒေါင် ဆက်တိုက်မဟုတ်ဘူး။
အဖြစ်မွမ်းမံထားသည်။ ဒေတာဘေ့စ OLTP ၏ အစားမွမ်းမံထားသည်။
အခါအားလျော်စွာ, နှင့်အတူ dati ပြည်တွင်းပြည်ပ အရင်းအမြစ်များမှ ဟိ
ဒေတာဂိုဒေါင် သုတေသနအတွက် အထူးပြုလုပ်ထားသည်။
မွမ်းမံမှုများ၏ ခိုင်မာမှုနှင့် စွမ်းဆောင်ရည်အတွက်ထက်၊
စစ်ဆင်ရေး။
သိုမှီးထားတာ ဖွဈပါတယျ dati အသစ်အဆန်းမဟုတ်ပါ၊ ရည်ရွယ်ချက်တစ်ခုဖြစ်သည်။
၏စီမံခန့်ခွဲမှု dati ခြောက်ဆယ်ကျော်ကတည်းက (Il Martin, 1982)။
I ဒေတာဂိုဒေါင် သူတို့က အခြေခံအဆောက်အအုံကို ပေးတယ်။ dati စီမံခန့်ခွဲမှုအတွက်
ပံ့ပိုးမှုစနစ်များ။ စီမံခန့်ခွဲမှုဆိုင်ရာ ပံ့ပိုးမှုစနစ်များတွင် ဆုံးဖြတ်ချက်များ ပါဝင်သည်။
ပံ့ပိုးမှုစနစ်များ (DSS) နှင့် အမှုဆောင်သတင်းအချက်အလက်စနစ်များ (EIS)။
DSS ဆိုသည်မှာ ကွန်ပျူတာအခြေခံ သတင်းအချက်အလက်စနစ်တစ်ခုဖြစ်သည်။
လုပ်ငန်းစဉ်ကို မြှင့်တင်ရန်နှင့် အကျိုးဆက်အနေဖြင့် ချုပ်ကိုင်မှုအား မြှင့်တင်ရန် ဒီဇိုင်းထုတ်ထားသည်။
လူ့ဆုံးဖြတ်ချက်။ EIS သည် ပုံမှန်အားဖြင့် ပေးပို့မှုစနစ်တစ်ခုဖြစ်သည်။
dati စီးပွားရေး အမှုဆောင်အရာရှိများသည် အမြင်ကို အလွယ်တကူ ဝင်ရောက်ကြည့်ရှုနိုင်စေပါသည်။
dei dati.
ယေဘူယျအားဖြင့် ဗိသုကာပညာ ဒေတာဂိုဒေါင် အခန်းကဏ္ဍကို မီးမောင်းထိုးပြသည်။
ဒေတာဂိုဒေါင် စီမံခန့်ခွဲမှုအတွက် ပံ့ပိုးမှု။ ပူဇော်ခြင်းအပြင်
အခြေခံအဆောက်အဦ dati EIS နှင့် DSS အတွက်၊ ဒေတာဂိုဒေါင် ဖြစ်နိုင်တယ်
စုံစမ်းမေးမြန်းမှုများမှတဆင့် တိုက်ရိုက်ဝင်ရောက်ပါ။ THE dati ရက်စွဲတစ်ခုတွင်ပါဝင်သည်။
ဂိုဒေါင်သည် အချက်အလက်လိုအပ်ချက်များ၏ ခွဲခြမ်းစိတ်ဖြာမှုအပေါ် အခြေခံထားသည်။
စီမံခန့်ခွဲမှုနှင့် အရင်းအမြစ် သုံးခုမှ ရရှိသည်- ပြည်တွင်း အမွေအနှစ် စနစ်များ၊
အထူးရည်ရွယ်ချက်ဒေတာဖမ်းယူစနစ်များနှင့်ပြင်ပဒေတာအရင်းအမြစ်များ။ THE
dati ဌာနတွင်း အမွေအနှစ်စနစ်များတွင် ၎င်းတို့သည် မကြာခဏ မလိုအပ်တော့ခြင်း၊
ကိုက်ညီမှုမရှိသော၊ အရည်အသွေးနိမ့်သော၊ ကွဲပြားသောဖော်မတ်များဖြင့် သိမ်းဆည်းထားသည်။
ထို့ကြောင့် ၎င်းတို့ကို သင်အထဲသို့ မထည့်မီ ၎င်းတို့ကို ပြန်လည်သင့်မြတ်ပြီး သန့်စင်ရန် လိုအပ်ပါသည်။
ဒေတာဂိုဒေါင် (Inmon, 1992; McFadden, 1996)။ THE dati ထံမှ
သိုလှောင်မှုစနစ်များမှ dati ad hoc နှင့် အရင်းအမြစ်များမှ dati
External ကို augment (update, replace) လုပ်ဖို့ သုံးလေ့ရှိပါတယ်။
dati အမွေအနှစ်စနစ်များမှ
ဖွံ့ဖြိုးတိုးတက်ရန် ခိုင်လုံသောအကြောင်းပြချက်များစွာရှိပါသည်။ ဒေတာဂိုဒေါင်,
အသုံးပြုခြင်းအားဖြင့် ပိုမိုကောင်းမွန်သော ဆုံးဖြတ်ချက်ချခြင်းများ ပါဝင်သည်။
ပိုမိုထိရောက်သောအချက်အလက်များ (Ives 1995)၊
ပြီးပြည့်စုံသောစီးပွားရေးလုပ်ငန်း (Graham 1996) နှင့် ကုန်ကျစရိတ်များ လျှော့ချရေး
ပံ့ပိုးမှု dati EIS နှင့် DSS အတွက် (Graham 1996၊ McFadden
1996) ။
မကြာသေးမီက အင်ပါယာလေ့လာမှုတစ်ခုအရ ပျမ်းမျှအားဖြင့် ပြန်လာသည်ကို တွေ့ရှိခဲ့သည်။
i အတွက် ရင်းနှီးမြှုပ်နှံမှုများ ဒေတာဂိုဒေါင် သုံးနှစ်ကြာပြီးနောက် 401% (ဂရေဟမ်၊
၁၉၉၆)။ သို့သော် အခြားသော ပင်ကိုယ် လေ့လာမှုများ ၏ ဒေတာဂိုဒေါင် ရှိ
တိုင်းတာရာတွင် အခက်အခဲ အပါအဝင် သိသာထင်ရှားသော ပြဿနာများကို တွေ့ရှိခဲ့သည်။
အကျိုးခံစားခွင့်များ ပေးအပ်ခြင်း၊ ရှင်းလင်းသောရည်ရွယ်ချက်မရှိခြင်း၊ လျှော့တွက်ခြင်း။
သိမ်းဆည်းခြင်းလုပ်ငန်းစဉ်၏ ရည်ရွယ်ချက်နှင့် ရှုပ်ထွေးမှု i datiအတွက်
အထူးသဖြင့် အရင်းအမြစ်များနှင့် သန့်ရှင်းမှုတို့နှင့်ပတ်သက်၍ dati.
စတိုးတဈခု dati ဖြေရှင်းချက်အဖြစ် ယူဆနိုင်သည်။
စီမံခန့်ခွဲမှုပြဿနာအထိ dati အဖွဲ့အစည်းတွေကြား။ ဟိုမှာ
ခြယ်လှယ်ခြင်း။ dati လူမှုရေးအရင်းအမြစ်အဖြစ် ၎င်းသည် အစိတ်အပိုင်းတစ်ခုအဖြစ် ကျန်ရစ်ခဲ့သည်။
သတင်းအချက်အလက်စနစ်များကို စီမံခန့်ခွဲရာတွင် အဓိကပြဿနာများ
နှစ်ပေါင်းများစွာ ကမ္ဘာကြီး (Brancheau et al. 1996၊ Galliers et al. 1994၊
Niederman et al ။ ၁၉၉၀၊ Pervan 1990)။
ပိုင်ဆိုင်မှုစီမံခန့်ခွဲမှုအတွက် ရေပန်းစားသောချဉ်းကပ်မှုတစ်ခု dati ရှစ်ဆယ်ကျော်တုန်းကပေါ့။
မော်ဒယ်ကို တီထွင်ခြင်း။ dati လူမှုရေး။ မော်ဒယ် dati လူမှုရေးဖြစ်ခဲ့သည်။
စနစ်သစ်များ ဖွံ့ဖြိုးတိုးတက်မှုအတွက် တည်ငြိမ်သောအခြေခံကို ပေးဆောင်ရန် ဒီဇိုင်းထုတ်ထားသည်။
လျှောက်လွှာများ e ဒေတာဘေ့စ အမွေအနှစ်များကို ပြန်လည်တည်ဆောက်ခြင်းနှင့် ပေါင်းစပ်ခြင်း။
စနစ်များ (Brancheau et al.
1989၊ Goodhue et al။ 1988:1992၊ Kim and Everest 1994)။
သို့သော် ဤချဉ်းကပ်မှုတွင် ပြဿနာများစွာရှိသည်။
အထူးသဖြင့် အလုပ်တစ်ခုစီ၏ ရှုပ်ထွေးမှုနှင့် ကုန်ကျစရိတ်နှင့် အချိန်ကြာမြင့်မှုတို့ ဖြစ်သည်။
မြင်သာထင်သာသောရလဒ်များရရှိရန် လိုအပ်သည် (Beynon-Davies 1994၊ Earl
1993၊ Goodhue et al။ ၁၉၉၂၊ Periasamy 1992၊ Shanks 1994)။
Il ဒေတာဂိုဒေါင် ၎င်းသည် အမွေအနှစ်များနှင့်အတူ ပူးတွဲတည်ရှိသည့် သီးခြားဒေတာဘေ့စ်တစ်ခုဖြစ်သည်။
၎င်းတို့ကို အစားထိုးခြင်းထက် ဒေတာဘေ့စ်များ။ ထို့ကြောင့်သင်ခွင့်ပြုသည်။
စီမံခန့်ခွဲမှုကိုညွှန်ကြားပါ။ dati ငွေကုန်ကြေးကျများသော ပြန်လည်တည်ဆောက်ခြင်းကို ရှောင်ကြဉ်ပါ။
အမွေအနှစ်စနစ်များ။
ဒေတာဒီဇိုင်းအတွက် လက်ရှိချဉ်းကပ်မှုများ
သိုလှောင်ရုံ
တည်ဆောက်ခြင်းနှင့် ပြီးပြည့်စုံသော လုပ်ငန်းစဉ်များ ဒေတာဂိုဒေါင်
ဖြစ်စဉ်တစ်ခုထက် ဆင့်ကဲဖြစ်စဉ်တစ်ခုအဖြစ် ပိုနားလည်သင့်သည်။
မိရိုးဖလာစနစ်များ၏ ဖွံ့ဖြိုးတိုးတက်မှုဘဝသံသရာ (ဒက်စီယို၁၉၉၅၊ Shanks၊
O'Donnell နှင့် Arnott 1997a)။ ပါဝင်တဲ့ လုပ်ငန်းစဉ်တွေ အများကြီးရှိပါတယ်။
စီမံကိန်း ဒေတာဂိုဒေါင် အစပြုခြင်း၊ စီစဉ်ခြင်းကဲ့သို့သော၊
ကုမ္ပဏီမန်နေဂျာများတောင်းဆိုသော လိုအပ်ချက်များမှရရှိသော အချက်အလက်၊
အရင်းအမြစ်များ၊ အသွင်ပြောင်းမှု၊ သန့်ရှင်းရေး dati အမွေအနှစ်မှ ထပ်တူပြုခြင်း။
စနစ်များနှင့် အခြားအရင်းအမြစ်များ dati; ပို့ဆောင်ရေးစနစ်များ ဖွံ့ဖြိုးတိုးတက်ရေး၊
စောင့်ကြည့် ဒေတာဂိုဒေါင်; ဖြစ်စဉ်၏ အသိဥာဏ်ကင်းမဲ့မှု၊
ဆင့်ကဲဖြစ်စဉ်နှင့် တည်ဆောက်မှု ဒေတာဂိုဒေါင် (Stinchs၊ O'Donnell
နှင့် Arnott 1997b)။ ဒီဂျာနယ်မှာ ကျွန်တော်တို့ ဘယ်လိုအာရုံစိုက်လဲ။
ဆွဲပါ။ dati ဤအခြားလုပ်ငန်းစဉ်များ၏ ဆက်စပ်မှုတွင် သိမ်းဆည်းထားသည်။
Data Architecture အတွက် အဆိုပြုထားသော ချဉ်းကပ်နည်းများစွာရှိပါသည်။
စာပေဂိုဒေါင် (Inmon 1994၊ Ives 1995၊ Kimball 1994၊
McFadden 1996)။ ဒီနည်းလမ်းတစ်ခုစီမှာ အတိုချုံးရှိပါတယ်။
သူတို့ရဲ့ အားသာချက် အားနည်းချက်တွေကို ခွဲခြမ်းစိတ်ဖြာပြီး သုံးသပ်ပါ။
Inmon ၏ (၁၉၉၄) ချဉ်းကပ်မှု ဒေတာသိုလှောင်ရုံ
ပုံစံ
Inmon (1994) က အချက်အလက်တစ်ခုဆွဲရန် ထပ်ခါထပ်ခါ အဆင့်လေးဆင့် အဆိုပြုခဲ့သည်။
ဂိုဒေါင် (ပုံ 2 ကိုကြည့်ပါ)။ ပထမအဆင့်မှာ နမူနာပုံစံတစ်ခုကို ရေးဆွဲရန်ဖြစ်သည်။
dati လူမှုဆက်ဆံရေးကို ဘယ်လိုနားလည်လဲ။ dati ပေါင်းစပ်နိုင်ပါတယ်။
အဖွဲ့အစည်းတစ်ခုအတွင်း လုပ်ဆောင်နိုင်သော နယ်ပယ်များတစ်လျှောက်
i ကိုခွဲဝေ dati နေရာများတွင် သိမ်းဆည်းပါ။ မော်ဒယ် dati လုပ်ထားတာ
သိမ်းဆည်းရန် dati ဆုံးဖြတ်ချက်ချခြင်း အပါအဝင်၊ dati
သမိုင်းဆိုင်ရာ၊ နှင့် ပါဝင်သည်။ dati နုတ်ယူ၍ စုစည်းထားသည်။ ဒုတိယအဆင့်ကတော့
အကောင်အထည်ဖော်ရန်အတွက် ဘာသာရပ်နယ်ပယ်များကို ခွဲခြားသတ်မှတ်ပါ။ ဒါတွေကို အခြေခံတယ်။
အဖွဲ့အစည်းတစ်ခု၏ ဦးစားပေးမှုအပေါ် တတိယမြောက်
အဆင့်တစ်ဆင့်တွင် ပုံဆွဲခြင်း ပါဝင်သည်။ ဒေတာဘေ့စ ဘာသာရပ်နယ်ပယ်အတွက် ဖြစ်တယ်လို့လည်း သိရပါတယ်။
သင့်လျော်သော အသေးစိတ်အဆင့်များ အပါအဝင် အထူးဂရုပြုပါ။
Inmon သည် အရာဝတ္ထုများနှင့် ဆက်ဆံရေးပုံစံကို အသုံးပြုရန် အကြံပြုထားသည်။ စတုတ္ထ
အဆင့်သည် အရင်းအမြစ်စနစ်များကို ဖော်ထုတ်ရန်ဖြစ်သည်။ dati လိုအပ်ပြီး ဖွံ့ဖြိုးတိုးတက်စေပါသည်။
ဖမ်းယူ၊ ရှင်းလင်းပြီး ဖော်မတ်လုပ်ရန် အသွင်ပြောင်းခြင်း လုပ်ငန်းစဉ်များ i dati.
Inmon ၏ ချဉ်းကပ်မှု၏ အားသာချက်မှာ မော်ဒယ်ဖြစ်သည်။ dati လူမှုရေး
ပေါင်းစည်းခြင်းအတွက် အခြေခံကို ကမ်းလှမ်းသည်။ dati အဖွဲ့အစည်းအတွင်း
ထပ်ခါတလဲလဲ ဒေတာဖွံ့ဖြိုးတိုးတက်မှုအတွက် စီစဉ်ဆောင်ရွက်ပေးခြင်း။
ဂိုဒေါင်။ ၎င်း၏ချို့ယွင်းချက်မှာ ပုံဆွဲရန်ခက်ခဲမှုနှင့် ကုန်ကျစရိတ်များဖြစ်သည်။
မော်ဒယ် dati လူမှုရေး၊ အဖွဲ့အစည်းများ၏ ပုံစံများကို နားလည်ရန် ခက်ခဲခြင်းနှင့်
မော်ဒယ်နှစ်မျိုးလုံးမှာ သုံးတဲ့ ဆက်ဆံရေး၊ dati လူမှုရေးနှင့် dati
ဘာသာရပ်နယ်ပယ်အလိုက် သိမ်းဆည်းထားခြင်းနှင့် သင့်လျော်မှုရှိသည်။ dati del
ပုံဆွဲခြင်း။ ဒေတာဂိုဒေါင် ၏ဖော်ဆောင်မှုအတွက် ဒေတာဘေ့စ
ဆက်စပ်မှုရှိသော်လည်း၊ ဒေတာဘေ့စ ဘက်ပေါင်းစုံ။
Ives ၏ (၁၉၉၅) ချဉ်းကပ်မှု ဒေတာသိုလှောင်ရုံ
ပုံစံ
Ives (1995) သည် ဒီဇိုင်းရေးဆွဲရန် အဆင့်လေးဆင့် ချဉ်းကပ်မှုကို အဆိုပြုပါသည်။
အချက်အလက်တစ်ခု၏ ဒီဇိုင်းနှင့် သက်ဆိုင်သည်ဟု သူယူဆသော သတင်းအချက်အလက်စနစ်
ဂိုဒေါင် (ပုံ 3 ကိုကြည့်ပါ)။ ချဉ်းကပ်မှုအပေါ် အလွန်အခြေခံသည်။
သတင်းအချက်အလက်စနစ်များ ဖွံ့ဖြိုးတိုးတက်ရေးအတွက် သတင်းအချက်အလက် အင်ဂျင်နီယာပညာ
(မာတင် ၁၉၉၀)။ ပထမအဆင့်မှာ ရည်မှန်းချက်များ၊ အချက်များအား ဆုံးဖြတ်ရန်ဖြစ်သည်။
အရေးကြီးပြီး အောင်မြင်ပြီး အဓိက စွမ်းဆောင်ရည် ညွှန်းကိန်းများ။ THE
အဓိက စီးပွားရေးလုပ်ငန်း စဉ်များနှင့် လိုအပ်သော အချက်အလက် များဖြစ်ကြပါသည်။
ကျွန်ုပ်တို့ကို မော်ဒယ်တစ်ဦးဆီသို့ ဦးဆောင်ရန် စံနမူနာပြုထားသည်။ dati လူမှုရေး။ ဒုတိယအဆင့်
အဓိပ္ပာယ်ဖွင့်ဆိုထားသော ဗိသုကာပညာ ဖွံ့ဖြိုးတိုးတက်ရေး ပါဝင်သည်။ dati
နယ်မြေအလိုက် သိမ်းဆည်း၊ ဒေတာဘေ့စ di ဒေတာဂိုဒေါင်အစိတ်အပိုင်းများ
လိုအပ်သော နည်းပညာများ၊ အဖွဲ့အစည်းဆိုင်ရာ ပံ့ပိုးကူညီမှုများ၊
နှင့် အကောင်အထည်ဖော်ရန် လိုအပ်ပါသည်။ ဒေတာဂိုဒေါင်. တတိယမြောက်
အဆင့်တွင် လိုအပ်သော ဆော့ဖ်ဝဲလ်ပက်ကေ့ချ်များနှင့် ကိရိယာများကို ရွေးချယ်ခြင်း ပါဝင်သည်။
စတုတ္ထအဆင့်မှာ ဒီဇိုင်းအသေးစိတ်နှင့် တည်ဆောက်မှုဖြစ်သည်။
ဒေတာဂိုဒေါင်. Ives က အဲဒီဆိုင်ကို မှတ်သားထားပါတယ်။ dati သူသည် သံယောဇဉ်တွယ်သူဖြစ်၏။
ထပ်ခါထပ်ခါ ဖြစ်စဉ်။
Ives ၏ ချဉ်းကပ်မှု၏ အားကောင်းမှုသည် တိကျသော နည်းစနစ်များကို အသုံးပြုခြင်း ဖြစ်သည်။
သတင်းအချက်အလက်လိုအပ်ချက်များကိုဆုံးဖြတ်ရန်, ဖွဲ့စည်းတည်ဆောက်ထားသောအသုံးပြုမှု
ပေါင်းစည်းမှုကို ပံ့ပိုးပေးသည့် လုပ်ငန်းစဉ် ဒေတာဂိုဒေါင်,
သင့်လျော်သော ဟာ့ဒ်ဝဲနှင့် ဆော့ဖ်ဝဲလ်ရွေးချယ်မှုနှင့် မျိုးစုံအသုံးပြုမှု
ကိုယ်စားပြုနည်းပညာများ ဒေတာဂိုဒေါင်. များတယ်။
၎င်းတို့သည် ရှုပ်ထွေးမှုများတွင် မွေးရာပါရှိသည်။ တခြားအခက်အခဲတွေလည်း ပါဝင်ပါတယ်။
အဆင့်များစွာကို ဖွံ့ဖြိုးတိုးတက်စေပါသည်။ ဒေတာဘေ့စ အတွင်းမှာ ဒေတာဂိုဒေါင် in
သင့်လျော်သောအချိန်နှင့်ကုန်ကျစရိတ်။
Kimball ၏ (၁၉၉၄) ချဉ်းကပ်မှု ဒေတာသိုလှောင်ရုံ
ပုံစံ
Kimball (1994) သည် အချက်အလက်တစ်ခုဆွဲရန် ထပ်ခါထပ်ခါ အဆင့်ငါးဆင့်ကို အဆိုပြုခဲ့သည်။
ဂိုဒေါင် (ပုံ 4 ကိုကြည့်ပါ)။ အထူးသဖြင့် သူ့ချဉ်းကပ်မှု
တစ်ခုတည်းသောဒီဇိုင်းအတွက်ရည်စူး ဒေတာဂိုဒေါင် မော်ဒယ်များအသုံးပြုမှုအပေါ်
အစိတ်အပိုင်းများနှင့် ဆက်ဆံရေးပုံစံများကို ဦးစားပေးရွေးချယ်သည်။ ကင်ဘော
နားလည်ရ ပိုလွယ်တာကြောင့် အဲဒီ Dimension မော်ဒယ်တွေကို ခွဲခြမ်းစိတ်ဖြာပါ။
စီးပွားရေး အမှုဆောင် အရာရှိများ က အရောင်းအဝယ် ပြုလုပ် သောအခါတွင် ပိုမို ထိရောက် သည်။
ရှုပ်ထွေးသော တိုင်ပင်ဆွေးနွေးမှုများနှင့် ဒီဇိုင်းရေးဆွဲခြင်း ဒေတာဘေ့စ ရုပ်ပိုင်းဆိုင်ရာက ပိုများတယ်။
ထိရောက်မှု (Kimball 1994)။ Kimball သည် ဖွံ့ဖြိုးတိုးတက်မှုကို အသိအမှတ်ပြုသည်။
ဒေတာဂိုဒေါင် ထပ်ခါထပ်ခါ ဖြစ်နေတယ်။ ဒေတာဂိုဒေါင် ခွဲလို့ရပါတယ်။
Dimension ဇယားများအဖြစ် ပိုင်းခြားခြင်းဖြင့် ပေါင်းစပ်ပါ။
ဘုံ။
ပထမအဆင့်မှာ မိမိလုပ်ရမည့်ဘာသာရပ်ကို ခွဲခြားသတ်မှတ်ရန်ဖြစ်သည်။
ပြီးပြည့်စုံတယ်။ ဒုတိယနှင့် တတိယအဆင့်များသည် ပုံသဏ္ဍာန်နှင့်သက်ဆိုင်သည်။
အတိုင်းအတာ။ ဒုတိယအဆင့်တွင် တိုင်းတာမှုများသည် အရာများကို ခွဲခြားသတ်မှတ်သည်။
ဘာသာရပ်နယ်ပယ်ကို စိတ်ဝင်စားပြီး အချက်အလက်ဇယားတစ်ခုအဖြစ် အုပ်စုဖွဲ့ပါ။
ဥပမာအားဖြင့်၊ အရောင်းဘာသာရပ်နယ်ပယ်တွင် စိတ်ဝင်စားမှုအတိုင်းအတာ
ရောင်းချသည့် ပစ္စည်းပမာဏနှင့် ဒေါ်လာဈေးတို့ ပါဝင်နိုင်သည်။
အရောင်းငွေကြေးအဖြစ်။ တတိယအဆင့်တွင် ခွဲခြားသတ်မှတ်ခြင်း ပါဝင်သည်။
အုပ်စုဖွဲ့နိုင်သည့်နည်းလမ်းများ i
အချက်အလက် အရောင်းဘာသာရပ်နယ်ပယ်တွင် သက်ဆိုင်ရာအတိုင်းအတာများ
အကြောင်းအရာ၊ တည်နေရာနှင့် အချိန်ကာလတို့ ပါဝင်နိုင်သည်။ ဟိုမှာ
အချက်အလက်ဇယားတစ်ခုစီသို့ ချိတ်ဆက်ရန် အပိုင်းများစွာပါရှိသည်။
အတိုင်းအတာဇယားများ နှင့် ပုံမှန်အားဖြင့် အလွန်နံပါတ်များပါရှိသည်။
အချက်အလက်တွေနဲ့ ပြည့်နေတယ်။ ဆန့်ကျင်ဘက်အားဖြင့်၊ အတိုင်းအတာဇယားများပါရှိသည်။
အတိုင်းအတာများနှင့် အခြား attribute များအကြောင်း ဖော်ပြချက်အချက်အလက်များ
အချက်အလက်များကို အုပ်စုဖွဲ့ရန် အသုံးပြုနိုင်သည်။ တကယ်တော့ ဇယား e
အဆိုပြုချက်ပုံစံနှင့် ဆက်စပ်နေသည့်အတိုင်းအတာများကို one ဟုခေါ်သည်။
၎င်း၏ပုံသဏ္ဍာန်ကြောင့်ကြယ်ပုံစံ။ စတုတ္ထအဆင့် ပါဝင်တယ်။
တစ်ဦးတည်ဆောက်မှု ဒေတာဘေ့စ ဘက်ပေါင်းစုံမှ ပြီးပြည့်စုံအောင် ပြုလုပ်ပါ။
ကြယ်ပုံစံ။ နောက်ဆုံးအဆင့်မှာ အရင်းအမြစ်စနစ်များကို ဖော်ထုတ်ရန်ဖြစ်သည်။ dati
ဆည်းပူးရန်၊ သန့်ရှင်းရန် လိုအပ်ပြီး အသွင်ကူးပြောင်းရေး လုပ်ငန်းစဉ်များ ဖွံ့ဖြိုးတိုးတက်ရန်
နှင့် format i dati.
Kimball ၏ ချဉ်းကပ်မှု၏ အားသာချက်များမှာ မော်ဒယ်များ အသုံးပြုခြင်း ပါဝင်သည်။
Dimension သည် i ကိုကိုယ်စားပြုသည်။ dati အဲဒါဖြစ်အောင် သိမ်းထားတယ်။
နားလည်ရလွယ်ကူစေပြီး ထိရောက်သော ရုပ်ပိုင်းဆိုင်ရာဒီဇိုင်းကို ရရှိစေပါသည်။ တစ်
နှစ်ခုစလုံးကို အလွယ်တကူ အသုံးပြုနိုင်သော အတိုင်းအတာ မော်ဒယ်
စနစ်များ ဒေတာဘေ့စ Relational သို့မဟုတ် စနစ်များကို ပြီးပြည့်စုံစေနိုင်သည်။
ဒေတာဘေ့စ ဘက်ပေါင်းစုံ။ ၎င်း၏ ချို့ယွင်းချက်များမှာ ချို့တဲ့ခြင်း ပါဝင်သည်။
စီစဉ်မှု သို့မဟုတ် ပေါင်းစည်းမှုကို လွယ်ကူချောမွေ့စေရန် အချို့သောနည်းပညာများ
တစ်ခုတည်းတွင် ကြယ်ပုံစံများစွာ ဒေတာဂိုဒေါင် နှင့်
လွန်ကဲ denormalized ဖွဲ့စည်းတည်ဆောက်ပုံမှ ဒီဇိုင်းဆွဲရန် ခက်ခဲခြင်း။
အတိုင်းအတာ မော်ဒယ် a dati အမွေအနှစ်စနစ်များ။
McFadden ၏ (1996) ဒေတာဆီသို့ချဉ်းကပ်မှု
ဂိုဒေါင်ဒီဇိုင်း
McFadden (1996) က ငါးဆင့်ချဉ်းကပ်နည်းကို အဆိုပြုသည်။
ဆွဲပါ။ ဒေတာဂိုဒေါင် (ပုံ 5 ကိုကြည့်ပါ)။
သူ၏ ချဉ်းကပ်မှုသည် စာပေမှ အယူအဆများ ပေါင်းစပ်မှုအပေါ် အခြေခံသည်။
တစ်ခုတည်းသောဒီဇိုင်းကိုအာရုံစိုက်သည်။ ဒေတာဂိုဒေါင်။ ပထမဆုံး
အဆင့်တွင် လိုအပ်ချက်ခွဲခြမ်းစိတ်ဖြာမှုတစ်ခု ပါဝင်ပါသည်။ အတိအကျဆိုပေမယ့်
နည်းစနစ်များကို မသတ်မှတ်ထားဘဲ၊ McFadden ၏ မှတ်စုများက ၎င်းကို ခွဲခြားသတ်မှတ်သည်။
ဘဘ dati သတ်မှတ်ချက်များနှင့် ၎င်းတို့၏ အရည်အချင်းများနှင့် Watson စာဖတ်သူများကို ရည်ညွှန်းသည်။
နှင့် Frolick (1993) လိုအပ်ချက်များကို ဖမ်းယူနိုင်ခဲ့သည်။
ဒုတိယအဆင့်တွင်၊ entity ဆက်ဆံရေးပုံစံကို ရေးဆွဲသည်။
ဒေတာဂိုဒေါင် ထို့နောက် လုပ်ငန်းခေါင်းဆောင်များက အတည်ပြုသည်။ တတိယမြောက်
အဆင့်တွင် အမွေအနှစ်စနစ်မှ မြေပုံထုတ်ခြင်းကို ဆုံးဖြတ်ခြင်း ပါဝင်သည်။
နှင့် ပြင်ပအရင်းအမြစ်များ ဒေတာဂိုဒေါင်. စတုတ္ထအဆင့် ပါဝင်တယ်။
ဖွံ့ဖြိုးတိုးတက်မှု၊ အသုံးချမှုနှင့် ထပ်တူပြုမှုဆိုင်ရာ လုပ်ငန်းစဉ်များ dati နဲလ်
ဒေတာဂိုဒေါင်. နောက်ဆုံးအဆင့်တွင်၊ စနစ်အားပေးပို့သည်။
အသုံးပြုသူအင်တာဖေ့စ်ကို အထူးအလေးပေး၍ တီထွင်ခဲ့သည်။
McFadden သည် ပုံဆွဲခြင်းလုပ်ငန်းစဉ်သည် ယေဘူယျအားဖြင့်ဖြစ်ကြောင်း ထောက်ပြသည်။
ထပ်ခါထပ်ခါ။
McFadden ၏ ချဉ်းကပ်မှု၏ အားသာချက်များသည် ပါဝင်ခြင်းကို ထောက်ပြသည်။
လိုအပ်ချက်များကို ဆုံးဖြတ်ရာတွင်လည်း လုပ်ငန်းခေါင်းဆောင်များက ဆောင်ရွက်ပေးသည်။
အရင်းအမြစ်များ၏အရေးပါမှု datiသူတို့ရဲ့ သန့်ရှင်းရေးနဲ့ စုဆောင်းမှု။ သူမ
အားနည်းချက်များကို ပိုင်းခြားရန် လုပ်ငန်းစဉ်မရှိခြင်းအတွက် သက်ဆိုင်သည်။
မဟာပရောဂျက်အားဖြင့် ဒေတာဂိုဒေါင် ပေါင်းစပ်အဆင့်များစွာတွင်၊
ဒီဇိုင်းတွင်အသုံးပြုသည့် entity နှင့် ဆက်ဆံရေးပုံစံများကို နားလည်ရန်ခက်ခဲခြင်း။
ဒေတာဂိုဒေါင်.
ဝေမျှမယ်:
အွန်လိုင်း ဝဘ်အေဂျင်စီမှ ပိုမိုရှာဖွေပါ။
နောက်ဆုံးရ ဆောင်းပါးများကို အီးမေးလ်ဖြင့် ရယူရန် စာရင်းသွင်းပါ။
