දත්ත ගබඩා කිරීම සහ ව්‍යවසාය සම්පත් සැලසුම් කිරීම | DWH සහ ERP

සංරක්ෂිත දත්ත මධ්‍යම: ඉතිහාසය ED පරිණාමය

90 ගණන්වල ආයතනික තාක්ෂණයේ ප්‍රමුඛ තේමාවන් දෙක වූයේ i දත්ත ගබඩාවයි සහ ERP. දිගු කලක් තිස්සේ මෙම ප්‍රබල ධාරා දෙක කිසිදා ඡේදනය නොවී ආයතනික තොරතුරු තාක්‍ෂණයේ කොටස් වී ඇත. ඒවා ද්‍රව්‍ය සහ ද්‍රව්‍ය විරෝධී බව වාගේ විය. නමුත් සංසිද්ධි දෙකේම වර්ධනය අනිවාර්යයෙන්ම ඒවායේ ඡේදනය වීමට හේතු වී ඇත. අද සමාගම් ERP සමඟ කුමක් කළ යුතුද යන ගැටලුවට මුහුණ දී සිටී දත්ත ගබඩාවයි. මෙම ලිපියෙන් ගැටළු මොනවාද සහ සමාගම් ඒවාට ආමන්ත්‍රණය කරන්නේ කෙසේද යන්න විස්තර කරයි.

ආරම්භයේදී…

මුලදී තිබුණේ දත්ත ගබඩාවයි. දත්ත ගබඩාව ගනුදෙනු සැකසුම් යෙදුම් පද්ධතියට ප්‍රතිරෝධය දැක්වීම සඳහා නිර්මාණය කරන ලදී. මුල් කාලයේ කටපාඩම් කිරීම dati එය ගණුදෙණු සැකසීමේ යෙදුම් සඳහා ප්‍රතිවිරුද්ධ ලක්ෂ්‍යයක් පමණක් විය යුතුය. නමුත් වර්තමානයේ A යනු කුමක්ද යන්න පිළිබඳ වඩාත් සංකීර්ණ අදහස් තිබේ දත්ත ගබඩාවයි. අද ලෝකයේ ද දත්ත ගබඩාවයි එය ආයතනික තොරතුරු කර්මාන්ත ශාලාව ලෙස හැඳින්විය හැකි ව්‍යුහයක් තුළට ඇතුළත් කර ඇත.

ආයතනික තොරතුරු කර්මාන්ත ශාලාව (CIF)

ආයතනික තොරතුරු කර්මාන්ත ශාලාවට සම්මත වාස්තුවිද්‍යාත්මක සංරචක ඇත: පරිවර්තන මට්ටමක් සහ කේත ඒකාබද්ධ කිරීම dati අතර මම dati ඒවා යෙදුම් පරිසරයේ සිට පරිසරය දෙසට ගමන් කරයි දත්ත ගබඩාවයි සමාගමේ; ඒ දත්ත ගබඩාවයි එම සමාගමේ dati සවිස්තරාත්මක සහ ඒකාබද්ධ ඉතිහාසඥයින්. එම දත්ත ගබඩාවයි පරිසරයේ අනෙකුත් සියලුම කොටස් ගොඩනැගිය හැකි පදනම ලෙස සමාගම ක්‍රියා කරයි දත්ත ගබඩාවයි; මෙහෙයුම් දත්ත ගබඩාවක් (ODS). ODS යනු දෙමුහුන් ව්‍යුහයක් වන අතර එහි සමහර අංග අඩංගු වේ දත්ත ගබඩාවයි සහ OLTP පරිසරයක අනෙකුත් අංශ; විවිධ දෙපාර්තමේන්තු වලට ඔවුන්ගේම අනුවාදයක් තිබිය හැකි දත්ත ගබඩා දත්ත ගබඩාවයි; ඒ දත්ත ගබඩාවයි සමාගමේ "දාර්ශනිකයන්ට" පැය 72 ක් සඳහා හානිකර බලපෑමක් නොමැතිව ඔවුන්ගේ විමසීම් ඉදිරිපත් කළ හැකි ගවේෂණය දත්ත ගබඩාවයි; සහ ආසන්න රේඛීය මතකයක්, එහි dati පැරණි සහ dati තොග විස්තර ලාභදායී ලෙස ගබඩා කළ හැක.

ERP සමඟ ඒකාබද්ධ වන්නේ කොහේද? ආයතනික තොරතුරු කර්මාන්ත ශාලාව

ERP ආයතනික තොරතුරු කර්මාන්තශාලාව සමඟ ස්ථාන දෙකකින් ඒකාබද්ධ වේ. මුලින්ම i සපයන මූලික යෙදුමක් (මූලික) ලෙස dati වෙත අයදුම්පතෙහි දත්ත ගබඩාවයි. මෙම නඩුවේදී අයි dati, ගණුදෙණු ක්‍රියාවලියක අතුරු ඵලයක් ලෙස ජනනය කරනු ලබන අතර, එය ඒකාබද්ධ කර පටවනු ලැබේ දත්ත ගබඩාවයි සමාගමේ. ERP සහ CIF සහ ODS අතර එක්වීමේ දෙවන කරුණ. ඇත්ත වශයෙන්ම, බොහෝ පරිසරවල ERP භාවිතා කරනු ලබන්නේ සම්භාව්‍ය ODS ලෙසය.

ERP මූලික යෙදුම ලෙස භාවිතා කරන්නේ නම්, එම ERP CIF හි ODS ලෙසද භාවිතා කළ හැක. ඕනෑම අවස්ථාවක, භූමිකාවන් දෙකෙහිම ERP භාවිතා කිරීමට නම්, ආයතන දෙක අතර පැහැදිලි වෙනසක් තිබිය යුතුය. වෙනත් වචන වලින් කිවහොත්, ERP මූලික යෙදුමක සහ ODS වල භූමිකාව ඉටු කරන විට, වාස්තු විද්‍යාත්මක ආයතන දෙක වෙන්කර හඳුනාගත යුතුය. තනි ERP ක්‍රියාත්මක කිරීමක් එකවර භූමිකාවන් දෙකම ඉටු කිරීමට උත්සාහ කරන්නේ නම්, එම ව්‍යුහය සැලසුම් කිරීමේදී සහ ක්‍රියාත්මක කිරීමේදී නොවැලැක්විය හැකි ලෙස ගැටලු ඇති වේ.

ODS සහ මූලික යෙදුම් වෙන වෙනම

වාස්තු විද්‍යාත්මක සංරචක බෙදීමට හේතු වන බොහෝ හේතු තිබේ. සමහර විට ගෘහ නිර්මාණ ශිල්පයේ විවිධ සංරචක වෙන් කිරීම සඳහා වඩාත්ම වැදගත් ගැටළුව වන්නේ ගෘහ නිර්මාණ ශිල්පයේ සෑම සංරචකයකටම තමන්ගේම දෘෂ්ටියක් තිබීමයි. මූලික යෙදුම ODS වලට වඩා වෙනස් අරමුණක් ඉටු කරයි. අතිච්ඡාදනය වීමට උත්සාහ කරන්න

ODS ලෝකය පිළිබඳ මූලික යෙදුම් දර්ශනයක් හෝ අනෙක් අතට වැඩ කිරීමට නිවැරදි මාර්ගයක් නොවේ.

එහි ප්‍රතිඵලයක් ලෙස, CIF හි ERP හි පළමු ගැටළුව වන්නේ මූලික යෙදුම් සහ ODS අතර වෙනසක් තිබේද යන්න තහවුරු කිරීමයි.

ආයතනික දත්ත ආකෘති තොරතුරු කර්මාන්ත ශාලාව

CIF ගෘහනිර්මාණ ශිල්පයේ විවිධ කොටස් අතර සංහිඳියාවක් ඇති කර ගැනීම සඳහා, ආකෘතියක් තිබිය යුතුය dati. හි ආකෘති dati ඒවා මූලික යෙදුම් සහ ODS වැනි ගෘහනිර්මාණ ශිල්පයේ විවිධ සංරචක අතර සම්බන්ධකයක් ලෙස සේවය කරයි. හි ආකෘති dati CIF හි විවිධ වාස්තුවිද්‍යාත්මක සංරචක වලින් නිවැරදි අර්ථය ලබා ගැනීමට ඒවා "බුද්ධිමත් මාර්ග සිතියම" බවට පත් වේ.

මෙම සංකල්පය සමඟ අත්වැල් බැඳගෙන, අදහස වන්නේ එක් විශාල සහ තනි ආකෘතියක් තිබිය යුතු බවයි dati. පැහැදිලිවම ආකෘතියක් තිබිය යුතුය dati එක් එක් සංරචක සඳහා සහ විවිධ මාදිලි සම්බන්ධ කරන සංවේදී මාර්ගයක් තිබිය යුතුය. ගෘහ නිර්මාණ ශිල්පයේ සෑම අංගයක්ම - ODS, මූලික යෙදුම්, දත්ත ගබඩාවයි සමාගමේ, සහ යනාදිය.. - එහිම ආකෘතියක් අවශ්ය වේ dati. එබැවින් මෙම ආකෘති කෙසේද යන්න පිළිබඳ නිශ්චිත අර්ථ දැක්වීමක් තිබිය යුතුය dati ඔවුන් එකිනෙකා සමඟ අතුරු මුහුණත්.

MOVE I දත්ත දත්තවල ERP හි ගබඩාව

සම්භවය නම් dati ERP ඇතුල් කරන විට මූලික යෙදුමක් සහ/හෝ ODS වේ dati nel දත්ත ගබඩාවයි, මෙම ඇතුළත් කිරීම "කැටිති" අවම මට්ටමේ සිදු විය යුතුය. සරලව සාරාංශ කරන්න හෝ එකතු කරන්න i dati ඔවුන් ERP මූලික යෙදුමෙන් එළියට එන නිසා හෝ ERP ODS නිවැරදි දෙයක් නොවේ. එම dati තුළ විස්තර අවශ්ය වේ දත්ත ගබඩාවයි DSS ක්‍රියාවලියේ පදනම සැකසීමට. එබඳු dati දත්ත ගබඩා සහ ගවේෂණ මගින් බොහෝ ආකාරවලින් නැවත හැඩගැසෙනු ඇත දත්ත ගබඩාවයි.

චලනය dati ERP මූලික යෙදුම් පරිසරයේ සිට දත්ත ගබඩාවයි සමාගම සාධාරණ ලෙස ලිහිල් ආකාරයකින් සිදු කරනු ලැබේ. මෙම පියවර ERP හි යාවත්කාලීන කිරීමෙන් හෝ නිර්මාණය කිරීමෙන් ආසන්න වශයෙන් පැය 24 කට පසුව සිදු වේ. හි "කම්මැලි" ව්යාපාරයක් තිබීමේ කාරනය dati nel දත්ත ගබඩාවයි සමාගම ඉඩ දෙයි dati ERP වෙතින් "තැන්පතු" වෙත පැමිණේ. වරක් අයි dati මූලික යෙදුමේ ගබඩා කර ඇත, එවිට ඔබට ආරක්ෂිතව ගෙන යා හැක dati ව්යවසායයේ ERP හි. හි "කම්මැලි" ව්යාපාරයට ස්තුතිවන්ත විය හැකි තවත් ඉලක්කයක් dati එය මෙහෙයුම් ක්‍රියාවලි සහ DSS අතර පැහැදිලි විස්තරයකි. හි "වේගවත්" චලනය සමඟ dati DSS සහ මෙහෙයුම් අතර බෙදුම් රේඛාව නොපැහැදිලිව පවතී.

ඉල් මොවිමෙන්ටෝ ඩී dati ERP හි ODS සිට දත්ත ගබඩාවයි සාමාන්‍යයෙන් සතිපතා හෝ මාසිකව සමාගම විසින් කලින් කල සිදු කරනු ලැබේ. මෙම නඩුවේ චලනය dati එය පැරණි ඒවා "පිරිසිදු" කිරීමේ අවශ්යතාව මත පදනම් වේ dati ඉතිහාසඥයන්. ඇත්ත වශයෙන්ම, ODS හි i අඩංගු වේ dati ට වඩා බොහෝ මෑත කාලීන ඒවා වේ dati ඉතිහාසඥයින් හමු විය දත්ත ගබඩාවයි.

චලනය dati nel දත්ත ගබඩාවයි එය කිසි විටෙක "තොග" (තොග වෙළෙන්දා ආකාරයෙන්) සිදු නොවේ. ERP පරිසරයෙන් වගුවක් පිටපත් කරන්න දත්ත ගබඩාවයි එය තේරුමක් නැත. වඩාත් යථාර්ථවාදී ප්‍රවේශයක් වන්නේ තෝරාගත් ඒකක චලනය කිරීමයි dati. පමණක් dati අවසාන යාවත්කාලීනයේ සිට වෙනස් වී ඇත දත්ත ගබඩාවයි තුළට ගෙන යා යුතු ඒවා ය දත්ත ගබඩාවයි. කුමන ඒවාදැයි දැන ගැනීමට එක් මාර්ගයක් dati අවසාන යාවත්කාලීනයේ කාල මුද්‍රා බැලීම වන බැවින් වෙනස් වී ඇත dati ERP පරිසරය තුළ සොයා ගන්නා ලදී. අවසාන යාවත්කාලීනයේ සිට සිදු වූ සියලුම වෙනස්කම් නිර්මාණකරු විසින් තෝරා ගනී. තවත් ප්‍රවේශයක් වන්නේ වෙනස් කිරීම් ග්‍රහණ ශිල්පීය ක්‍රම භාවිතා කිරීමයි dati. මෙම ශිල්පීය ක්‍රම සමඟින්, කුමන ඒවාද යන්න තීරණය කිරීම සඳහා ලොග් සහ ජර්නල් පටි විශ්ලේෂණය කරනු ලැබේ dati ERP පරිසරයේ සිට එම පරිසරයට ගෙන යා යුතුය දත්ත ගබඩාවයි. අනෙකුත් ERP සම්පත් වලට තවදුරටත් බලපෑම් නොකර ERP ගොනු වලින් ලඝු-සටහන් සහ ජර්නල් පටි කියවිය හැකි නිසා මෙම තාක්ෂණික ක්‍රම වඩාත් සුදුසු වේ.

වෙනත් සංකූලතා

CIF හි ඇති ERP ගැටළු වලින් එකක් වන්නේ වෙනත් යෙදුම් මූලාශ්‍රවලට හෝ ඒවාට කුමක් සිදුවේද යන්නයි dati ඔවුන් දායක විය යුතු ODS වලින් දත්ත ගබඩාවයි නමුත් ඒවා ERP පරිසරයේ කොටසක් නොවේ. ERP හි සංවෘත ස්වභාවය අනුව, විශේෂයෙන් SAP, බාහිර මූලාශ්‍රවලින් යතුරු ඒකාබද්ධ කිරීමට උත්සාහ කරයි. dati මම සමඟ dati චලනය කරන විට ERP වලින් එන බව dati nel දත්ත ගබඩාවයි, ඒක ලොකු අභියෝගයක්. සහ හරියටම i යන සම්භාවිතාවන් මොනවාද? dati ඊආර්පී පරිසරයෙන් පිටත යෙදුම් හෝ ODS ඒකාබද්ධ කෙරේ දත්ත ගබඩාවයි? ඇත්ත වශයෙන්ම සම්භාවිතාව ඉතා ඉහළ ය.

සොයන්න දත්ත ERP වෙතින් ඓතිහාසික

අයි සමඟ තවත් ගැටළුවක් dati ERP යනු තිබීමේ අවශ්‍යතාවයෙන් ව්‍යුත්පන්න වේ dati ඇතුළත ඉතිහාසඥයින් දත්ත ගබඩාවයි. සාමාන්යයෙන් ද දත්ත ගබඩාවයි අවශ්‍යතා dati ඉතිහාසඥයන්. ඒ වගේම ERP තාක්ෂණය සාමාන්‍යයෙන් මේවා ගබඩා කරන්නේ නැහැ dati ඓතිහාසික, අඩුම තරමින් එය අවශ්ය වන තැනට නොවේ දත්ත ගබඩාවයි. විශාල මුදලක් වන විට dati ERP පරිසරය තුළ ඉතිහාසය එකතු වීමට පටන් ගනී, එම පරිසරය පිරිසිදු කළ යුතුය. උදාහරණයක් ලෙස, සිතන්නේ a දත්ත ගබඩාවයි වසර පහකින් පැටවිය යුතුය dati ඉතිහාසගත වන අතර ERP මේවායේ උපරිම මාස හයක් තබා ගනී dati. මාලාවක් එකතු කිරීමෙන් සමාගම සෑහීමකට පත්වන තාක් කල් dati ඉතිහාසඥයින් කාලය ගත වන විට, ERP සඳහා මූලාශ්‍රයක් ලෙස භාවිතා කිරීමේ ගැටලුවක් නොමැත දත්ත ගබඩාවයි. නමුත් විට දත්ත ගබඩාවයි ඔහුට අතීතයට ගොස් දෙවිවරුන් ලබා ගත යුතුය dati ERP විසින් මීට පෙර එකතු කර ඉතිරි කර නොමැති ඉතිහාසය, එවිට ERP පරිසරය අකාර්යක්ෂම වේ.

ERP සහ METADATA

ERP ගැන සලකා බැලිය යුතු තවත් කරුණක් දත්ත ගබඩාවයි ERP පරිසරයේ පවතින පාරදත්ත මත එක වේ. පාරදත්ත ERP පරිසරයෙන් ගලා යන ආකාරයටම දත්ත ගබඩාවයි, පාරදත්ත ඒ ආකාරයෙන්ම ගෙන යා යුතුය. තවද, පාර-දත්ත යටිතල ව්‍යුහයට අවශ්‍ය ආකෘතිය සහ ව්‍යුහය බවට පරිවර්තනය කළ යුතුය. දත්ත ගබඩාවයි. මෙහෙයුම් පාරදත්ත සහ DSS පාරදත්ත අතර විශාල වෙනසක් ඇත. මෙහෙයුම් පාරදත්ත මූලික වශයෙන් සංවර්ධකයා සඳහා වේ

වැඩසටහන්කරු. DSS පාරදත්ත මූලික වශයෙන් අවසාන පරිශීලකයා සඳහා වේ. ERP යෙදුම් හෝ ODS වල පවතින පාරදත්ත පරිවර්තනය කළ යුතු අතර, මෙම පරිවර්තනය සැමවිටම පහසු සහ සරල නොවේ.

ERP දත්ත ලබා ගැනීම

ERP සැපයුම්කරුවෙකු ලෙස භාවිතා කරන්නේ නම් dati il ට දත්ත ගබඩාවයි චලනය වන ඝන අතුරු මුහුණතක් තිබිය යුතුය dati ERP පරිසරයේ සිට පරිසරය දක්වා දත්ත ගබඩාවයි. අතුරු මුහුණත විය යුත්තේ:

• ▪ භාවිතා කිරීමට පහසු වේ
• ▪ වෙත ප්‍රවේශ වීමට ඉඩ දෙන්න dati ERP හි
• ▪ යන්නෙහි තේරුම ගන්න dati වෙත ගෙන යාමට නියමිතයි දත්ත ගබඩාවයි
• ▪ වෙත පිවිසීමේදී ඇතිවිය හැකි ERP සීමාවන් දැන ගන්න dati ERP හි:
• ▪ යොමු අඛණ්ඩතාව
• ▪ ධූරාවලි සම්බන්ධතා
• ▪ ව්‍යංග තාර්කික සම්බන්ධතා
• ▪ අයදුම් කිරීමේ සම්මුතිය
• ▪ හි සියලුම ව්‍යුහයන් dati ERP විසින් සහය දක්වයි, සහ යනාදිය…
• ▪ ප්රවේශ වීමේදී කාර්යක්ෂම වන්න dati, සැපයීම මගින්:
• ▪ සෘජු චලනය dati
• ▪ වෙනස් කිරීම අත්පත් කර ගැනීම dati
• ▪ කාලෝචිත ප්‍රවේශයට සහාය වීම dati
• ▪ ආකෘතිය තේරුම් ගන්න dati, සහ යනාදි… SAP සමඟ අතුරු මුහුණත අතුරු මුහුණත ස්වදේශික හෝ වාණිජ වශයෙන් වර්ග දෙකකින් යුක්ත විය හැකිය. ප්‍රධාන වෙළඳ අතුරුමුහුණත් සමහරක් ඇතුළත් වේ:

• ▪ SAS
• ▪ Prims විසඳුම්
• ▪ D2k, සහ යනාදිය... බහු ERP තාක්ෂණයන් ERP පරිසරය තනි තාක්ෂණයක් ලෙස සැලකීම විශාල වරදකි. බොහෝ ERP තාක්ෂණයන් ඇත, ඒ සෑම එකක්ම තමන්ගේම ශක්තීන් ඇත. වෙළඳපොලේ වඩාත්ම ප්රසිද්ධ වෙළෙන්දන් වන්නේ:

• ▪ SAP
• ▪ Oracle Financials
• ▪ පීපල්සොෆ්ට්
• ▪ JD එඩ්වර්ඩ්ස්
• ▪ බාන් SAP SAP යනු විශාලතම සහ වඩාත්ම සම්පූර්ණ ERP මෘදුකාංගයයි. SAP යෙදුම්වලට බොහෝ ප්‍රදේශවල යෙදුම් වර්ග බොහොමයක් ඇතුළත් වේ. SAP හට කීර්තියක් ඇත:

• ▪ ඉතා විශාලයි
• ▪ ක්රියාත්මක කිරීමට ඉතා අපහසු සහ මිල අධික
• ▪ ක්‍රියාත්මක කිරීමට බොහෝ පුද්ගලයින් සහ උපදේශකයින් අවශ්‍ය වේ
• ▪ ක්රියාත්මක කිරීම සඳහා විශේෂිත පුද්ගලයින් අවශ්ය වේ
• ▪ ක්‍රියාත්මක කිරීමට බොහෝ කාලයක් ගත වේ, SAP මතක තබා ගැනීම සඳහා කීර්තියක් ඇත. dati ඉතා පරිස්සමින්, SAP ප්‍රදේශයෙන් පිටත කෙනෙකුට ඒවාට ප්‍රවේශ වීමට අපහසු වේ. SAP හි ශක්තිය වන්නේ එය විශාල ප්‍රමාණයක් ග්‍රහණය කර ගබඩා කිරීමට සමත් වීමයි dati. වෙත සිය අයදුම්පත් දීර්ඝ කිරීමට අදහස් කරන බව SAP මෑතකදී නිවේදනය කළේය දත්ත ගබඩාවයි. විකුණුම්කරුවෙකු ලෙස SAP භාවිතා කිරීමේ බොහෝ වාසි සහ අවාසි ඇත දත්ත ගබඩාවයි. වාසියක් වන්නේ SAP දැනටමත් ස්ථාපනය කර ඇති අතර බොහෝ උපදේශකයින් දැනටමත් SAP දැන සිටීමයි.
  SAP සැපයුම්කරුවෙකු ලෙස තිබීමේ අවාසි දත්ත ගබඩාවයි බොහෝ ඇත: SAP හට ලෝකයේ අත්දැකීම් නොමැත දත්ත ගබඩාවයි SAP සැපයුම්කරු නම් දත්ත ගබඩාවයි, එය "පිටතට ගැනීම" අවශ්ය වේ i dati SAP සිට දත්ත ගබඩාවයි. දිනය SAP හි සංවෘත පද්ධතිය පිළිබඳ වාර්තාවක්, SAP වෙතින් i ලබා ගැනීම පහසු නොවනු ඇත (???). IMS, VSAM, ADABAS, ORACLE, DB2, වැනි SAP බලගන්වන බොහෝ උරුම පරිසරයන් ඇත. SAP අවධාරනය කරන්නේ "මෙහි සොයා නොගත්" ප්‍රවේශයකි. SAP හට භාවිතා කිරීමට හෝ නිර්මාණය කිරීමට වෙනත් වෙළෙන්දන් සමඟ හවුල් වීමට අවශ්‍ය නැත දත්ත ගබඩාවයි. SAP එහි සියලුම මෘදුකාංග උත්පාදනය කිරීමට අවධාරනය කරයි.

SAP විශාල හා බලවත් සමාගමක් වුවද, ELT, OLAP, පද්ධති පරිපාලනය සහ මූලික කේතය පවා නැවත ලිවීමට උත්සාහ කරයි. dbms ඒක පිස්සුවක් විතරයි. සැපයුම්කරුවන් සමඟ සමුපකාර ආකල්පයක් ගැනීම වෙනුවට දත්ත ගබඩාවයි දිගුකාලීනව, SAP විසින් "ඔවුන් හොඳින්ම දන්නා" ප්‍රවේශය අනුගමනය කර ඇත. මෙම ආකල්පය SAP ප්‍රදේශයේ ලබා ගත හැකි සාර්ථකත්වය රඳවා තබා ගනී දත්ත ගබඩාවයි.
බාහිර වෙළෙන්දන්ට කඩිනමින් සහ අලංකාර ලෙස ප්‍රවේශ වීමට ඉඩ දීම SAP ප්‍රතික්ෂේප කිරීම dati. භාවිතා කිරීමේ සාරය a දත්ත ගබඩාවයි වෙත ප්‍රවේශ වීම පහසුය dati. SAP හි සම්පූර්ණ ඉතිහාසයම පදනම් වී ඇත්තේ ප්‍රවේශය දුෂ්කර කිරීම මත ය dati.
SAP හි විශාල පරිමාවන් සමඟ කටයුතු කිරීමේ අත්දැකීම් නොමැතිකම dati; ක්ෂේත්රයේ දත්ත ගබඩාවයි පරිමාවන් ඇත dati SAP විසින් කවදාවත් දැක නැති අතර මෙම විශාල ප්‍රමාණ කළමනාකරණය කිරීමට dati ඔබට සුදුසු තාක්ෂණයක් තිබිය යුතුය. ක්ෂේත්‍රයට ඇතුළු වීමට පවතින මෙම තාක්ෂණික බාධකය SAP පැහැදිලිවම නොදනී දත්ත ගබඩාවයි.
SAP හි ආයතනික සංස්කෘතිය: SAP ලබා ගැනීමේ ව්‍යාපාරයක් කර ඇත dati පද්ධතියෙන්. නමුත් මෙය කිරීමට ඔබට වෙනස් මානසිකත්වයක් තිබිය යුතුය. සාම්ප්‍රදායිකව, පරිසරයකට දත්ත ලබා ගැනීමට දක්ෂ මෘදුකාංග සමාගම් වෙනත් මාර්ගයකට දත්ත ලබා ගැනීමට හොඳ නැත. SAP මෙම ආකාරයේ ස්විචයක් සෑදීමට සමත් වුවහොත්, එය සිදු කරන පළමු සමාගම වනු ඇත.

කෙටියෙන් කිවහොත්, සමාගමක් තම සැපයුම්කරු ලෙස SAP තෝරා ගත යුතුද යන්න ප්‍රශ්නාර්ථයකි දත්ත ගබඩාවයි. එක් අතකින් ඉතා බරපතල අවදානම් ඇති අතර අනෙක් පැත්තෙන් ඉතා සුළු විපාක ඇත. නමුත් SAP සැපයුම්කරුවෙකු ලෙස තෝරා ගැනීම අධෛර්යමත් කරන තවත් හේතුවක් තිබේ දත්ත ගබඩාවයි. මන්ද සෑම සමාගමකටම සමාන විය යුතුය දත්ත ගබඩාවයි අනෙකුත් සියලුම සමාගම් වලින්? එම දත්ත ගබඩාවයි එය තරඟකාරී වාසියේ හදවතයි. හැම කම්පැනි එකකම ගත්තොත් දත්ත ගබඩාවයි තරඟකාරී වාසියක් ලබා ගැනීමට අපහසු වුවද, කළ නොහැකි දෙයක් නොවේ. SAP සිතන්නේ අ දත්ත ගබඩාවයි එය කුකියක් ලෙස දැකිය හැකි අතර මෙය ඔවුන්ගේ යෙදුම්වල "දත්ත ලබා ගන්න" මානසිකත්වයේ තවත් ලකුණකි.

වෙනත් කිසිම ERP වෙළෙන්දෙක් SAP තරම් ප්‍රමුඛ නොවේ. ඔවුන් සඳහා SAP හි මාර්ගය අනුගමනය කරන සමාගම් ඇති බවට සැකයක් නැත දත්ත ගබඩාවයි නමුත් අනුමාන වශයෙන් මේවා දත්ත ගබඩාවයි SAP නිර්මාණය කිරීමට විශාල, මිල අධික සහ කාලය ගත වේ.

මෙම පරිසරයට බැංකු ටෙලර් සැකසුම්, ගුවන් සේවා වෙන් කිරීමේ ක්‍රියාවලි, රක්ෂණ හිමිකම් ක්‍රියාවලි, යනාදී ක්‍රියාකාරකම් ඇතුළත් වේ. ගනුදෙනු ක්‍රමය වඩාත් ක්‍රියාත්මක වන තරමට, මෙහෙයුම් ක්‍රියාවලිය සහ DSS (තීරණ ආධාරක පද්ධතිය) අතර වෙන්වීමේ අවශ්‍යතාවය වඩාත් පැහැදිලි විය. කෙසේ වෙතත්, මානව සම්පත් සහ පුද්ගල පද්ධති සමඟ, ඔබ කිසි විටෙකත් විශාල ගනුදෙනුවලට මුහුණ නොදේ. තවද, ඇත්ත වශයෙන්ම, පුද්ගලයෙකු කුලියට ගත් විට හෝ සමාගමෙන් ඉවත් වූ විට මෙය ගනුදෙනුවක වාර්තාවකි. නමුත් අනෙකුත් පද්ධති වලට සාපේක්ෂව HR සහ පිරිස් පද්ධති වලට බොහෝ ගනුදෙනු නොමැත. එබැවින්, මානව සම්පත් සහ පුද්ගල පද්ධති තුළ DataWarehouse අවශ්‍යතාවයක් ඇති බව සම්පූර්ණයෙන්ම පැහැදිලි නැත. බොහෝ ආකාරවලින් මෙම පද්ධති DSS පද්ධති ඒකාබද්ධ කිරීම නියෝජනය කරයි.

නමුත් ඔබ දත්ත ගබඩා සහ PeopleSoft සමඟ කටයුතු කරන්නේ නම් සලකා බැලිය යුතු තවත් සාධකයක් තිබේ. බොහෝ පරිසරවල, අයි dati මානව සහ පුද්ගලික සම්පත් සමාගමේ ප්‍රාථමික ව්‍යාපාරයට ද්විතියික වේ. බොහෝ සමාගම් නිෂ්පාදන, විකුණුම්, සේවා සැපයීම යනාදී කටයුතුවල නිරත වේ. මානව සම්පත් සහ පුද්ගල පද්ධති සාමාන්‍යයෙන් සමාගමේ ප්‍රධාන ව්‍යාපාරයට ද්විතීයික (හෝ සහාය) වේ. එමනිසා, එය අසමසම සහ අපහසු වේ දත්ත ගබඩාවයි මානව සම්පත් සහ පිරිස් සහාය සඳහා වෙනම.

පීපල්සොෆ්ට් මේ සම්බන්ධයෙන් SAP වලට වඩා බෙහෙවින් වෙනස් ය. SAP සමඟ, a තිබීම අනිවාර්ය වේ දත්ත ගබඩාවයි. PeopleSoft සමඟ, එය එතරම් පැහැදිලි නැත. PeopleSoft සමඟ දත්ත ගබඩාවක් විකල්ප වේ.

සඳහා කිව හැකි හොඳම දේ dati PeopleSoft යනු එයයි දත්ත ගබඩාවයි i සංරක්ෂිත කිරීම සඳහා භාවිතා කළ හැක dati පැරණි මානව සහ පුද්ගලික සම්පත් සම්බන්ධව. සමාගමක් භාවිතා කිරීමට කැමති වීමට දෙවන හේතුව a දත්ත ගබඩාවයි a

PeopleSoft පරිසරයට ඇති හානිය නම් විශ්ලේෂණ මෙවලම් වෙත ප්‍රවේශය සහ නොමිලේ ප්‍රවේශය ලබා දීමයි dati PeopleSoft විසිනි. නමුත් මෙම හේතු වලින් ඔබ්බට, දත්ත ගබඩාවක් නොතිබීම වඩාත් සුදුසු අවස්ථා තිබිය හැකිය dati පීපල් සොෆ්ට්.

සාරාංශයකින්

A ඉදිකිරීම සම්බන්ධයෙන් බොහෝ අදහස් තිබේ දත්ත ගබඩාවයි ERP මෘදුකාංගයක් තුළ.
මේවායින් සමහරක් නම්:

• ▪ එකක් තිබීම අර්ථවත් කරයි දත්ත ගබඩාවයි එය කර්මාන්තයේ වෙනත් ඕනෑම දෙයක් වගේ?
• ▪ ERP කොතරම් නම්‍යශීලීද දත්ත ගබඩාවයි මෘදුකාංග?
• ▪ ERP එකක් දත්ත ගබඩාවයි මෘදුකාංගයට පරිමාවක් හැසිරවිය හැක dati a හි පිහිටා ඇතදත්ත ගබඩාවයි පිටියේ"?
• ▪ ERP වෙළෙන්දා පහසු සහ මිල අඩු, කාලය අනුව සිදු කරන හෝඩුවාවක් පටිගත කිරීම කුමක්ද? dati? (ඊආර්පී වෙළෙන්දන් මිල අඩු, නියමිත වේලාවට, දත්ත වෙත ප්‍රවේශ වීමට පහසු බෙදාහැරීමේ වාර්තාව කුමක්ද?)
• ▪ DSS ගෘහ නිර්මාණ ශිල්පය සහ ආයතනික තොරතුරු කර්මාන්තශාලාව පිළිබඳ ERP වෙළෙන්දාගේ අවබෝධය කුමක්ද?
• ▪ ERP වෙළෙන්දන් සාක්ෂාත් කර ගන්නේ කෙසේද යන්න තේරුම් ගනී dati පරිසරය තුළ, නමුත් ඒවා අපනයනය කරන්නේ කෙසේදැයි තේරුම් ගත හැකිද?
• ▪ ERP වෙළෙන්දා දත්ත ගබඩා කිරීමේ මෙවලම් සඳහා කෙතරම් විවෘතද?
  තැබිය යුතු ස්ථානය තීරණය කිරීමේදී මෙම සියලු කරුණු සලකා බැලිය යුතුය දත්ත ගබඩාවයි i සත්කාරකත්වය සපයනු ඇත dati ERP සහ වෙනත් අය dati. පොදුවේ, වෙනත් ආකාරයකින් කිරීමට බලගතු හේතුවක් නොමැති නම්, ගොඩනැඟීම නිර්දේශ කරනු ලැබේ දත්ත ගබඩාවයි ERP වෙළෙන්දාගේ පරිසරයෙන් පිටත. කැපිටෝලෝ 1 BI සංවිධානයේ මූලික කරුණු පිළිබඳ දළ විශ්ලේෂණය:
  තොරතුරු ගබඩාවන් ව්‍යාපාර බුද්ධි (BI) ගෘහ නිර්මාණ ශිල්පයට ප්‍රතිලෝමව ක්‍රියා කරයි:
  ආයතනික සංස්කෘතිය සහ තොරතුරු තාක්ෂණ BI සංවිධාන ගොඩනැගීමේ සාර්ථකත්වය සීමා කළ හැකිය.

BI ආයතන සඳහා තාක්‍ෂණය තවදුරටත් සීමාකාරී සාධකය නොවේ. ගෘහ නිර්මාණ ශිල්පීන්ගේ සහ ව්‍යාපෘති සැලසුම්කරුවන්ගේ ප්‍රශ්නය වන්නේ තාක්‍ෂණය පවතින්නේද යන්න නොව පවතින තාක්‍ෂණය ඵලදායී ලෙස ක්‍රියාත්මක කළ හැකිද යන්නයි.

බොහෝ සමාගම් සඳහා a දත්ත ගබඩාවයි එය බෙදා හරින උදාසීන තැන්පතුවකට වඩා මඳක් වැඩි ය dati එය අවශ්ය පරිශීලකයින්ට. එම dati ඒවා ප්‍රභව පද්ධති වලින් නිස්සාරණය කර ඇති අතර ඉලක්ක ව්‍යුහයන් වෙත ජනාකීර්ණ වේ දත්ත ගබඩාවයි. මම dati ඒවා ඕනෑම වාසනාවකින් පිරිසිදු කළ හැකිය. කෙසේ වෙතත් විසින් අතිරේක අගය එකතු කිරීම හෝ එකතු කිරීම සිදු නොවේ dati මෙම ක්රියාවලිය අතරතුර.

අත්‍යවශ්‍යයෙන්ම, උදාසීන Dw, හොඳම ලෙස, i පමණක් සපයයි dati පරිශීලක සංගම් සඳහා පිරිසිදු සහ ක්රියාත්මක වේ. තොරතුරු නිර්මාණය කිරීම සහ විශ්ලේෂණාත්මක අවබෝධය සම්පූර්ණයෙන්ම පරිශීලකයන් සතුය. DW ද යන්න විනිශ්චය කරන්න (දත්ත ගබඩාව) සාර්ථකත්වය ආත්මීය වේ. කාර්යක්ෂමව එකතු කිරීම, ඒකාබද්ධ කිරීම සහ පිරිසිදු කිරීමේ හැකියාව මත අපි සාර්ථකත්වය විනිශ්චය කරන්නේ නම් dati පුරෝකථනය කළ හැකි පදනමක් මත සංගත, එසේ නම්, DW සාර්ථකයි. අනෙක් අතට, අපි සමස්තයක් ලෙස සංවිධානය විසින් තොරතුරු රැස් කිරීම, ඒකාබද්ධ කිරීම සහ සූරාකෑම දෙස බැලුවහොත්, DW අසාර්ථකයි. ඩීඩබ්ලිව් තොරතුරු වටිනාකමක් ලබා නොදේ. එහි ප්‍රතිඵලයක් වශයෙන්, පරිශීලකයින්ට සිදු කිරීමට බල කෙරෙන අතර, එමඟින් තොරතුරු සිලෝස් නිර්මාණය වේ. මෙම පරිච්ඡේදය සමාගමේ BI (ව්‍යාපාර බුද්ධිය) ගෘහ නිර්මාණ ශිල්පය සාරාංශ කිරීමට පුළුල් දැක්මක් ඉදිරිපත් කරයි. අපි BI පිළිබඳ විස්තරයකින් ආරම්භ කර පසුව තොරතුරු සැපයීමට ප්‍රතිවිරුද්ධව තොරතුරු සැලසුම් කිරීම සහ සංවර්ධනය පිළිබඳ සාකච්ඡා වෙත ගමන් කරමු. dati පරිශීලකයන් වෙත. සාකච්ඡා පසුව ඔබේ BI උත්සාහයේ වටිනාකම ගණනය කිරීම කෙරෙහි අවධානය යොමු කරයි. IBM ඔබේ සංවිධානයේ BI ගෘහ නිර්මාණ අවශ්‍යතා ආමන්ත්‍රණය කරන්නේ කෙසේද යන්න නිර්වචනය කිරීමෙන් අපි අවසන් කරමු.

ගෘහ නිර්මාණ විස්තරය BI සංවිධානය

ප්‍රබල ගනුදෙනු-නැඹුරු තොරතුරු පද්ධති සෑම විශාල ව්‍යවසායකම දැන් සාමාන්‍ය දෙයක් වී ඇති අතර, ලොව පුරා සමාගම් සඳහා ක්‍රීඩා පිටිය ඵලදායී ලෙස සමතලා කරයි.

කෙසේ වෙතත්, ඉතිරි තරඟකාරීත්වය සඳහා, දැන් ඔවුන් සතුව ඇති තොරතුරු නැවත සොයා ගැනීමට සහ භාවිතා කිරීමට සමාගමට ඇති හැකියාව විප්ලවීය වෙනසක් කළ හැකි විශ්ලේෂණාත්මකව නැඹුරු පද්ධති අවශ්‍ය වේ. මෙම විශ්ලේෂණ පද්ධති ව්‍යුත්පන්න වන්නේ පොහොසත්කම අවබෝධ කර ගැනීමෙනි dati ඇත. BI හට ව්‍යවසාය පුරා කාර්ය සාධනය වැඩි දියුණු කළ හැක. සමාගම්වලට පාරිභෝගික-සැපයුම් සබඳතා වැඩිදියුණු කිරීමට, නිෂ්පාදන සහ සේවාවල ලාභදායිත්වය වැඩිදියුණු කිරීමට, නව සහ වඩා හොඳ දීමනා උත්පාදනය කිරීමට, අවදානම් පාලනය කිරීමට සහ තවත් බොහෝ වාසි අතර වියදම් නාටකාකාර ලෙස කපා හැරීමට හැකිය. BI සමඟින් ඔබේ සමාගම අවසානයේ පාරිභෝගික තොරතුරු තරඟකාරී වත්කමක් ලෙස භාවිතා කිරීමට පටන් ගන්නේ වෙළඳපල අරමුණු ඇති යෙදුම් වලට ස්තුති වන්නටය.

නිවැරදි ව්‍යාපාරික මෙවලම් තිබීම යනු මෙවැනි ප්‍රධාන ප්‍රශ්නවලට නිශ්චිත පිළිතුරු තිබීමයි:

• ▪ අපගේ කුමන පාරිභෝගිකයන් ඔවුන් අපට වැඩිපුර උපයා දෙනවාද, නැතහොත් ඔවුන් අපට මුදල් අහිමි කරයිද?
• ▪ අපගේ හොඳම ජීවත් වන ස්ථානය පාරිභෝගිකයන් සම්බන්ධයෙන් වෙළඳ සැලක්/ ඔවුන් නිතර යන ගබඩා?
• ▪ අපගේ නිෂ්පාදන සහ සේවාවන් අතරින් වඩාත් ඵලදායී ලෙස අලෙවි කළ හැක්කේ කාටද?
• ▪ වඩාත්ම ඵලදායී ලෙස අලෙවි කළ හැක්කේ කුමන නිෂ්පාදන සහ කාටද?
• ▪ වඩාත්ම සාර්ථක වන්නේ කුමන විකුණුම් ව්‍යාපාරය සහ ඇයි?
• ▪ කුමන නිෂ්පාදන සඳහා වඩාත්ම ඵලදායී වන්නේ කුමන විකුණුම් නාලිකාද?
• ▪ අපගේ හොඳම පුද්ගලයන් සමඟ සබඳතා වැඩිදියුණු කරගත හැකි ආකාරය පාරිභෝගිකයන්? බොහෝ සමාගම් සතුව ඇත dati මෙම ප්රශ්න වලට පිළිතුරු දීමට රළු ක්රම.
  මෙහෙයුම් පද්ධති විශාල නිෂ්පාදන, පාරිභෝගික සහ dati විකුණුම් ස්ථාන, වෙන් කිරීම්, පාරිභෝගික සේවා සහ තාක්ෂණික ආධාරක පද්ධති වලින් වෙළඳපල. අභියෝගය වන්නේ මෙම තොරතුරු උපුටා ගැනීම සහ ප්‍රයෝජන ගැනීමයි. බොහෝ සමාගම් ලාභ ලබන්නේ ඔවුන්ගේ කුඩා කොටස් වලින් පමණි dati උපායමාර්ගික විශ්ලේෂණයන් සඳහා.
  I dati ඉතිරි, බොහෝ විට i සමඟ ඒකාබද්ධ වේ dati රජයේ වාර්තා, සහ වෙනත් මිලදී ගත් තොරතුරු වැනි බාහිර මූලාශ්‍රවලින් ලබාගත්, ගවේෂණය කිරීමට බලා සිටින රන් ආකරයකි, සහ dati ඔබේ සංවිධානයේ තොරතුරු සන්දර්භය තුළ ඒවා පිරිපහදු කළ යුතුය.

මෙම දැනුම සමස්ත ආයතනික උපාය මාර්ගයක් සැලසුම් කිරීමේ සිට සැපයුම්කරුවන් සමඟ පුද්ගලික සන්නිවේදනය දක්වා, ඇමතුම් මධ්‍යස්ථාන හරහා, ඉන්වොයිසි කිරීම, ක්‍රම කිහිපයකින් යෙදිය හැක. අන්තර්ජාල සහ වෙනත් කරුණු. වර්තමාන ව්‍යාපාරික පරිසරය DW සහ අදාළ BI විසඳුම් සම්ප්‍රදායික ව්‍යාපාර ව්‍යුහයන් ක්‍රියාත්මක කිරීමෙන් ඔබ්බට පරිණාමය වන බව නියම කරයි. dati i වැනි dati පරමාණුක මට්ටමින් සහ "තරු / කියුබ් ගොවිපලවල්" සාමාන්යකරණය කර ඇත.

තරඟකාරීව සිටීමට අවශ්‍ය වන්නේ විශාල විශ්ලේෂණාත්මක භූ දර්ශනයකට සහාය වීම සඳහා සාම්ප්‍රදායික සහ උසස් තාක්ෂණයන් ඒකාබද්ධ කිරීමයි.
අවසාන වශයෙන්, සාමාන්‍ය පරිසරය සමස්තයක් ලෙස සමාගමේ දැනුම වැඩිදියුණු කළ යුතු අතර, සිදු කරන ලද විශ්ලේෂණවල ප්‍රතිඵලයක් ලෙස ගන්නා ලද ක්‍රියාමාර්ග සෑම කෙනෙකුටම ප්‍රයෝජනවත් වන පරිදි ප්‍රයෝජනවත් වන බව සහතික කරයි.

උදාහරණයක් ලෙස, ඔබ ඔබේම ශ්‍රේණිගත කිරීමක් යැයි සිතමු පාරිභෝගිකයන් ඉහළ හෝ අඩු අවදානම් කාණ්ඩවලට.
මෙම තොරතුරු ආදර්ශ නිස්සාරකයක් හෝ වෙනත් ක්‍රමයක් මගින් ජනනය කරන්නේ නම්, එය DW වෙත දමා ඕනෑම කෙනෙකුට ප්‍රවේශ විය හැකි බවට පත් කළ යුතුය, එනම් ස්ථිතික වාර්තා, පැතුරුම්පත්, වගු, හෝ මාර්ගගත විශ්ලේෂණ සැකසුම් (OLAP ) .

කෙසේ වෙතත්, දැනට, මෙම වර්ගයේ තොරතුරු බොහොමයක් සිලෝස් තුළ පවතී dati විශ්ලේෂණය උත්පාදනය කරන පුද්ගලයින්ගේ හෝ දෙපාර්තමේන්තු වල. සමස්තයක් ලෙස සංවිධානයට අවබෝධය සඳහා දෘශ්‍යමාන බවක් නැත. මෙම ආකාරයේ තොරතුරු අන්තර්ගතය ඔබේ ව්‍යවසාය DW වෙත මිශ්‍ර කිරීමෙන් පමණක් ඔබට තොරතුරු සිලෝස් ඉවත් කර ඔබේ DW පරිසරය ඉහළ නැංවිය හැකිය.
BI සංවිධානයක් සංවර්ධනය කිරීමට ප්‍රධාන බාධක දෙකක් තිබේ.
පළමුව, අපට ඇත්තේ සංවිධානයේ සහ එහි විනය පිළිබඳ ගැටලුවයි.
ආයතනික ප්‍රතිපත්ති වෙනස් කිරීම් සඳහා අපට උදව් කළ නොහැකි වුවද, සංවිධානයක BI හි සංරචක, එහි ගෘහ නිර්මාණ ශිල්පය සහ IBM තාක්ෂණය එහි සංවර්ධනයට පහසුකම් සපයන ආකාරය තේරුම් ගැනීමට අපට උපකාර කළ හැකිය.
ජය ගැනීමට ඇති දෙවන බාධකය වන්නේ කුඩා සංරචකයකට වඩා සමස්ත BI අවකාශය ආමන්ත්‍රණය කරන ක්‍රමයක් පිළිබඳ ඒකාබද්ධ තාක්‍ෂණය සහ දැනුම නොමැතිකමයි.

IBM ඒකාබද්ධතා තාක්ෂණයේ වෙනස්කම් සමඟ ග්රහණයට පැමිණේ. කල්පනාකාරී නිර්මාණයක් සැපයීම ඔබේ වගකීමකි. මෙම ගෘහ නිර්මාණ ශිල්පය අසීමිත ඒකාබද්ධතාවය සඳහා තෝරාගත් තාක්ෂණයෙන් හෝ අවම වශයෙන් විවෘත ප්‍රමිතීන්ට අනුගත වන තාක්‍ෂණයෙන් දියුණු කළ යුතුය. තවද, ඔබේ සමාගම් කළමනාකාරීත්වය විසින් BI භාර ගැනීම සැලැස්මට අනුව සිදු කරන බවට සහතික විය යුතු අතර ස්වයං සේවා න්‍යාය පත්‍ර හෝ අරමුණු වලින් පැන නගින තොරතුරු සිලෝස් සංවර්ධනය කිරීමට ඉඩ නොදිය යුතුය.
විවිධ පරිශීලකයින්ගේ විවිධ අවශ්‍යතා සහ අවශ්‍යතා වලට ප්‍රතිචාර දැක්වීමට BI පරිසරය සංවේදී නොවන බව මින් අදහස් නොවේ; ඒ වෙනුවට, එයින් අදහස් වන්නේ එම පුද්ගල අවශ්‍යතා සහ අවශ්‍යතා ක්‍රියාත්මක කිරීම සමස්ත BI සංවිධානයේ ප්‍රයෝජනය සඳහා සිදු කරන බවයි.
BI සංවිධානයේ ගෘහනිර්මාණ ශිල්පය පිළිබඳ විස්තරයක් රූප සටහන 9 හි 1.1 පිටුවේ සොයාගත හැකිය.
සාම්ප්‍රදායික දෘෂ්ටි කෝණයෙන්, ගෘහ නිර්මාණ ශිල්පයට පහත ගබඩා සංරචක ඇතුළත් වේ

පරමාණුක ස්ථරය (පරමාණුක ස්ථරය).

මෙය සමස්ත DW හි පදනම, හදවත වන අතර එබැවින් උපායමාර්ගික වාර්තාකරණයේ පදනම මෙයයි.
I dati මෙහි ගබඩා කර ඇති ඓතිහාසික අඛණ්ඩතාව රඳවා ගනු ඇති බව වාර්තා වේ dati සහ ව්‍යුත්පන්න ප්‍රමිතික, මෙන්ම ආදර්ශ නිස්සාරණය භාවිතයෙන් පිරිසිදු කිරීම, ඒකාබද්ධ කිරීම සහ ගබඩා කිරීම ඇතුළත් වේ.
මේවායේ පසුකාලීන භාවිතය dati සහ අදාළ තොරතුරු මෙම ව්‍යුහයෙන් ලබාගෙන ඇත. මෙය පතල් කැණීම සඳහා විශිෂ්ට මූලාශ්රයකි dati සහ ව්‍යුහගත SQL විමසුම් සහිත වාර්තා සඳහා

හි මෙහෙයුම් ගබඩාව dati හෝ වාර්තා පදනම dati(මෙහෙයුම් දත්ත ගබඩාව (ODS) හෝ වාර්තා කිරීම දත්ත සමුදාය.)

මෙය ව්යුහයකි dati තාක්ෂණික වාර්තාකරණය සඳහා විශේෂයෙන් නිර්මාණය කර ඇත.

I dati මෙම ව්‍යුහයන් ගබඩා කර ඉහලින් වාර්තා කර ඇති අතර අවසානයේ එය උපාය මාර්ගික සංඥා සඳහා භාවිතා කළ හැකි ස්ථානගත ප්‍රදේශය හරහා ගබඩාව තුලට ප්‍රචාරණය කළ හැක.

වේදිකා ප්රදේශය.

බොහෝ දෙනෙකුට පළමු නැවතුම dati ගබඩා පරිසරය සඳහා අදහස් කරන්නේ සංවිධාන කලාපයයි.
මෙන්න, මම dati ඒකාබද්ධ කර, පිරිසිදු කර, බවට පරිවර්තනය වේ dati ගබඩා ව්‍යුහය ජනනය කරන ලාභය

දින මාර්ස්.

ගෘහ නිර්මාණ ශිල්පයේ මෙම කොටස ව්යුහය නියෝජනය කරයි dati OLAP සඳහා විශේෂයෙන් භාවිතා වේ. දත්ත සලකුණු තිබීම, i dati අතිච්ඡාදනය වන තරු ක්‍රමවල ගබඩා කර ඇත dati සම්බන්ධතා පරිසරයක හෝ ගොනු වල බහුමාන dati DB2 OLAP Server වැනි විශේෂිත OLAP තාක්‍ෂණය මගින් භාවිතා කරන රහස්‍ය අදාළ නොවේ.

එකම බාධාව වන්නේ ගෘහ නිර්මාණ ශිල්පය භාවිතයට පහසුකම් සැලසීමයි dati බහුමාන.
ගෘහ නිර්මාණ ශිල්පයට තීරණාත්මක ද්වි තාක්ෂණයන් සහ ශිල්පීය ක්‍රම ඇතුළත් වේ:

අවකාශීය විශ්ලේෂණය

අභ්‍යවකාශය යනු විශ්ලේෂකයෙකුට තොරතුරු සුලභ වන අතර විභේදනය සම්පූර්ණ කිරීමට ඉතා වැදගත් වේ. අභ්‍යවකාශයට යම් ස්ථානයක ජීවත් වන පුද්ගලයින් පිළිබඳ තොරතුරු මෙන්ම එම ස්ථානය භෞතිකව ලෝකයේ සෙසු ප්‍රදේශවලට සාපේක්ෂව කොතැනද යන්න පිළිබඳ තොරතුරු නියෝජනය කළ හැකිය.

මෙම විශ්ලේෂණය සිදු කිරීම සඳහා, ඔබ ඔබේ තොරතුරු අක්ෂාංශ සහ දේශාංශ ඛණ්ඩාංකවලට සම්බන්ධ කිරීමෙන් ආරම්භ කළ යුතුය. මෙය "භූ කේතීකරණය" ලෙසින් හඳුන්වනු ලබන අතර ඔබේ ගබඩාවේ පරමාණුක මට්ටමින් නිස්සාරණය, පරිවර්තනය සහ පැටවීමේ (ETL) ක්‍රියාවලියේ කොටසක් විය යුතුය.

දත්ත කැණීම.

නිස්සාරණය dati අපගේ සමාගම් සංඛ්‍යාව වර්ධනය කිරීමට ඉඩ සලසයි පාරිභෝගිකයන්, විකුණුම් ප්‍රවණතා පුරෝකථනය කිරීමට සහ සමඟ සබඳතා කළමනාකරණය කිරීමට ඉඩ සලසයි පාරිභෝගිකයන් (සී.ආර්.එම්), tra altre iniziative della BI.

නිස්සාරණය dati එබැවින් එය ව්යුහයන් සමඟ ඒකාබද්ධ කළ යුතුය dati Dwhouse හි සහ අදාළ තාක්‍ෂණය සහ ශිල්පීය ක්‍රම ඵලදායි සහ කාර්යක්ෂම භාවිතය සහතික කිරීම සඳහා ගබඩා ක්‍රියාවලීන් මගින් සහාය වේ.

BI ගෘහ නිර්මාණ ශිල්පයේ දක්වා ඇති පරිදි, Dwhouse හි පරමාණුක මට්ටම මෙන්ම Datamarts ද විශිෂ්ට මූලාශ්‍රයකි. dati නිස්සාරණය සඳහා. පුළුල්ම ප්‍රේක්ෂකයින් වෙත ලබා ගත හැකි බව සහතික කිරීම සඳහා එම පහසුකම්ම නිස්සාරණ ප්‍රතිඵල ලබන්නන් විය යුතුය.

නියෝජිතයන්.

සමාගමේ මෙහෙයුම් පද්ධති සහ dw වැනි සෑම කරුණක් සඳහාම සේවාදායකයා පරීක්ෂා කිරීමට විවිධ “නියෝජිතයන්” ඇත. මෙම නියෝජිතයන් අලෙවි ප්‍රවර්ධන මත පදනම් වූ අනාගත නිෂ්පාදන ඉල්ලුම, ප්‍රතික්‍රියා කිරීමට රීති මත පදනම් වූ එන්ජින් වැනි එක් එක් ලක්ෂ්‍යයේ ප්‍රවණතා ගැන ඉගෙන ගැනීමට පුහුණු කරන ලද උසස් ස්නායුක ජාල විය හැකිය. ඩැටෝ තත්වයන් සමූහයක් හෝ "ඉහළ විධායකයින්" වෙත ව්යතිරේක වාර්තා කරන සරල නියෝජිතයන් පවා. මෙම ක්‍රියාවලීන් සාමාන්‍යයෙන් තත්‍ය කාලීනව සිදු වන අතර, එබැවින් ඒවායේ චලනය සමඟ සමීපව සම්බන්ධ විය යුතුය dati. මෙම සියලු ව්යුහයන් dati, තාක්‍ෂණ සහ ශිල්පීය ක්‍රම මඟින් ඔබ ඔබේ BI සංවිධානයක් උත්පාදනය කිරීමට රාත්‍රිය ගත නොකරන බවට සහතික වේ.

මෙම ක්‍රියාකාරකම කුඩා කරුණු සඳහා වර්ධක පියවර වලින් සංවර්ධනය කෙරේ.
සෑම පියවරක්ම ස්වාධීන ව්‍යාපෘති උත්සාහයක් වන අතර, ඔබේ DW හෝ BI මුලපිරීමේ පුනරාවර්තනයක් ලෙස හැඳින්වේ. පුනරාවර්තනයට නව තාක්ෂණයන් ක්‍රියාත්මක කිරීම, නව තාක්ෂණික ක්‍රම වලින් ආරම්භ කිරීම, නව ව්‍යුහයන් එකතු කිරීම ඇතුළත් විය හැක dati , පැටවීම i dati අතිරේක , හෝ ඔබේ පරිසරයේ විශ්ලේෂණය පුළුල් කිරීම සමඟ. මෙම ඡේදය 3 වන පරිච්ඡේදයේ වඩාත් ගැඹුරින් සාකච්ඡා කෙරේ.

සාම්ප්‍රදායික DW ව්‍යුහයන් සහ BI මෙවලම් වලට අමතරව, ඔබට සැලසුම් කිරීමට අවශ්‍ය ඔබේ BI සංවිධානයේ වෙනත් කාර්යයන් තිබේ, එනම්:

පාරිභෝගික ස්පර්ශක ස්ථාන (පාරිභෝගික ස්පර්ශය ලකුණු).

ඕනෑම නවීන සංවිධානයක් මෙන් ඔබට ධනාත්මක අත්දැකීමක් ලබා ගන්නේ කෙසේද යන්න පෙන්නුම් කරන පාරිභෝගික ස්පර්ශක ස්ථාන ගණනාවක් තිබේ පාරිභෝගිකයන්. සිල්ලර වෙළෙන්දන්, ස්විච්බෝඩ් ක්‍රියාකරුවන්, සෘජු තැපෑල, බහුමාධ්‍ය සහ මුද්‍රණ ප්‍රචාරණ වැනි සම්ප්‍රදායික නාලිකා මෙන්ම විද්‍යුත් තැපෑල සහ වෙබ් වැනි වත්මන් නාලිකා ඇත. dati යම් සම්බන්ධතාවක් ඇති නිෂ්පාදන අත්පත් කර ගත යුතුය, ප්‍රවාහනය කළ යුතුය, පිරිසිදු කළ යුතුය, සැකසීමට සහ පසුව පහසුකම්වල ජනාකීර්ණ කළ යුතුය dati BI හි.

පදනම් dati මෙහෙයුම් සහ පරිශීලක සංගම් (මෙහෙයුම්

දත්ත සමුදායන් සහ පරිශීලක ප්රජාවන්).
හි සම්බන්ධතා ස්ථාන අවසානයේ පාරිභෝගිකයන් අත්තිවාරම් හමු වේ dati සමාගමේ යෙදුම සහ පරිශීලක ප්‍රජාවන්. එම dati පවතින ඒවා dati සාම්ප්‍රදායික වන අතර එය එකට ගෙන ඒම සමඟ ඒකාබද්ධ කළ යුතුය dati අවශ්ය තොරතුරු තෘප්තිමත් කිරීම සඳහා සම්බන්ධතා ස්ථාන වලින් ගලා එන බව.

විශ්ලේෂකයින්. (විශ්ලේෂකයින්)

BI පරිසරයේ මූලික ප්‍රතිලාභියා විශ්ලේෂකයා වේ. වත්මන් නිස්සාරණයෙන් ප්රතිලාභ ලබන්නේ ඔහුය dati මෙහෙයුම්, විවිධ මූලාශ්ර සමඟ ඒකාබද්ධ dati , භූගෝලීය විශ්ලේෂණය (භූ කේතීකරණය) වැනි විශේෂාංග සමඟින් වැඩි දියුණු කර ඇති අතර නිස්සාරණය, OLAP, උසස් SQL වාර්තාකරණය සහ භූගෝලීය විශ්ලේෂණය සක්‍රීය කරන BI තාක්‍ෂණවලින් ඉදිරිපත් කෙරේ. වාර්තාකරණ පරිසරය සඳහා මූලික විශ්ලේෂක අතුරුමුහුණත වන්නේ BI ද්වාරයයි.

කෙසේ වෙතත්, BI ගෘහ නිර්මාණ ශිල්පයෙන් ප්‍රතිලාභ ලබන්නේ විශ්ලේෂකයා පමණක් නොවේ.
විධායකයින්, විශාල පරිශීලක සංගම්, සහ සාමාජිකයින්, සැපයුම්කරුවන් සහ අයි පාරිභෝගිකයන් ව්යවසාය BI හි ප්රතිලාභ සොයා ගත යුතුය.

පසුපස පෝෂක ලූපය.

BI ගෘහ නිර්මාණ ශිල්පය ඉගෙනීමේ පරිසරයකි. සංවර්ධනයේ ලාක්ෂණික මූලධර්මය වන්නේ ස්ථීර ව්යුහයන්ට ඉඩ දීමයි dati භාවිතා කරන ලද BI තාක්ෂණය සහ පරිශීලකයා විසින් ගන්නා ලද ක්‍රියාමාර්ග මගින් යාවත්කාලීන කළ යුතුය. උදාහරණයක් ලෙස පාරිභෝගික ලකුණු කිරීම.

නව සේවාවක් භාවිතා කිරීම සඳහා විකුණුම් දෙපාර්තමේන්තුව පාරිභෝගික ලකුණු ආදර්ශයට ගන්නේ නම්, එම සේවාවෙන් ප්‍රතිලාභ ලබන එකම කණ්ඩායම විකුණුම් දෙපාර්තමේන්තුව නොවිය යුතුය.

ඒ වෙනුවට, ආදර්ශ නිස්සාරණය ව්‍යවසාය තුළ දත්ත ප්‍රවාහයේ ස්වාභාවික කොටසක් ලෙස සිදු කළ යුතු අතර පාරිභෝගික ලකුණු සියලු පරිශීලකයින්ට පෙනෙන ගබඩා තොරතුරු සන්දර්භයේ ඒකාබද්ධ කොටසක් බවට පත් විය යුතුය. DB2 UDB, DB2 OLAP සේවාදායකය ඇතුළු Bi-bI-කේන්ද්‍රීය IBM කට්ටලය රූප සටහන 1.1 හි අර්ථ දක්වා ඇති ප්‍රධාන තාක්ෂණික උපාංග බොහොමයක් ඇතුළත් වේ.

අපට අඛණ්ඩතාවයේ මට්ටමක් ලබා දීමට සහ එක් එක් IBM නිෂ්පාදනය සමස්ත BI යෝජනා ක්‍රමයට ගැලපෙන ආකාරය නිරූපණය කිරීමට අපි මෙම පොතේ රූපයේ දැක්වෙන පරිදි ගෘහ නිර්මාණ ශිල්පය භාවිතා කරමු.

තොරතුරු අන්තර්ගතය සැපයීම (සැපයීම තොරතුරු අන්තර්ගතය)

ඔබේ BI පරිසරය සැලසුම් කිරීම, සංවර්ධනය කිරීම සහ ක්‍රියාත්මක කිරීම දුෂ්කර කාර්යයකි. සැලසුම වර්තමාන සහ අනාගත ව්‍යාපාරික අවශ්‍යතා දෙකම වැළඳගත යුතුය. සැලසුම් අවධියේදී සොයාගත් සියලුම නිගමන ඇතුළත් කිරීමට වාස්තුවිද්යාත්මක ඇඳීම සම්පූර්ණ විය යුතුය. ක්‍රියාත්මක කිරීම තනි අරමුණක් සඳහා කැපවී සිටිය යුතුය: සැලසුමේ විධිමත් ලෙස ඉදිරිපත් කර ඇති සහ ව්‍යාපාරික අවශ්‍යතා මත පදනම් වූ පරිදි BI ගෘහ නිර්මාණ ශිල්පය සංවර්ධනය කිරීම.

විනය සාපේක්ෂ සාර්ථකත්වය සහතික කරනු ඇති බවට තර්ක කිරීම විශේෂයෙන් දුෂ්කර ය.
ඔබ එකවර BI පරිසරයක් සංවර්ධනය නොකරන නිසා මෙය සරලයි, නමුත් ඔබ එය කාලයත් සමඟ කුඩා පියවර වලින් සිදු කරයි.

කෙසේ වෙතත්, ඔබගේ ගෘහනිර්මාණ ශිල්පයේ BI සංරචක හඳුනා ගැනීම හේතු දෙකක් නිසා වැදගත් වේ: ඔබ පසුකාලීන සියලු තාක්ෂණික ගෘහ නිර්මාණ තීරණ වලට මග පෙන්වනු ඇත.
ඔබට මාස කිහිපයක් යනතුරු තාක්‍ෂණය අවශ්‍ය වීම නැවත ලබා ගැනීමට නොහැකි වුවද, යම් තාක්‍ෂණික භාවිතයක් දැනුවත්ව සැලසුම් කිරීමට ඔබට හැකි වනු ඇත.

ඔබේ ව්‍යාපාර අවශ්‍යතා ප්‍රමාණවත් ලෙස අවබෝධ කර ගැනීම ඔබේ ගෘහ නිර්මාණ ශිල්පය සඳහා ඔබ ලබා ගන්නා නිෂ්පාදන වර්ගයට බලපානු ඇත.
ඔබේ ගෘහ නිර්මාණ ශිල්පය සැලසුම් කිරීම සහ සංවර්ධනය කිරීම ඔබේ ගබඩාව බව සහතික කරයි

අහඹු සිදුවීමක් නොව, පරිස්සමින් ගොඩනඟන ලද "හොඳින් සිතා බලා". ඔපෙරා මිශ්ර තාක්ෂණයේ මොසෙයික් ලෙස කලාව.

සැලසුම් තොරතුරු අන්තර්ගතය

සියලුම මූලික සැලසුම් දැන් සහ අනාගතයේදී සමස්ත පරිසරයට අවශ්‍ය වන ප්‍රධාන BI සංරචක කෙරෙහි අවධානය යොමු කර හඳුනා ගත යුතුය.
ව්‍යාපාර අවශ්‍යතා දැන ගැනීම වැදගත් වේ.

ඕනෑම විධිමත් සැලසුමක් ආරම්භ වීමට පෙර පවා, ව්‍යාපෘති සැලසුම්කරුට බොහෝ විට සංරචක එකක් හෝ දෙකක් වහාම හඳුනාගත හැකිය.
කෙසේ වෙතත්, ඔබේ ගෘහ නිර්මාණ ශිල්පයට අවශ්‍ය විය හැකි සංරචකවල ශේෂය පහසුවෙන් සොයාගත නොහැක. සැලසුම් අවධියේදී, ගෘහ නිර්මාණ ශිල්පයේ ප්‍රධාන කොටස ව්‍යාපාර අවශ්‍යතා හඳුනාගැනීමේ ගවේෂණයක් මත යෙදුම් සංවර්ධන (JAD) සැසිය සම්බන්ධ කරයි.

සමහර විට මෙම අවශ්‍යතා විමසුම් සහ වාර්තා කිරීමේ මෙවලම් වෙත පැවරිය හැක.
උදාහරණයක් ලෙස, පරිශීලකයන් පවසන්නේ වත්මන් වාර්තාවක් ස්වයංක්‍රීය කිරීමට අවශ්‍ය නම්, වත්මන් වාර්තා දෙකක් ඒකාබද්ධ කිරීමෙන් සහ ඒවායේ එකතුවෙන් ලබාගත් ගණනය කිරීම් එකතු කිරීමෙන් එය අතින් ජනනය කළ යුතු බවයි. dati.
මෙම අවශ්‍යතාවය සරල වුවද, එය ඔබගේ සංවිධානය සඳහා වාර්තාකරණ මෙවලම් මිලදී ගැනීමේදී ඔබ ඇතුළත් කළ යුතු විශේෂාංගයේ යම් ක්‍රියාකාරීත්වයක් නිර්වචනය කරයි.

සම්පූර්ණ පින්තූරයක් ලබා ගැනීම සඳහා නිර්මාණකරු අමතර අවශ්‍යතා ද අනුගමනය කළ යුතුය. පරිශීලකයින්ට මෙම වාර්තාවට දායක වීමට අවශ්‍යද?
වාර්තා උප කුලක ජනනය කර විවිධ පරිශීලකයින්ට විද්‍යුත් තැපෑලෙන් යවන්නේද? ඔවුන්ට මෙම වාර්තාව සමාගම් ද්වාරයෙහි දැකීමට අවශ්‍යද? මෙම සියලු අවශ්‍යතා පරිශීලකයන් විසින් ඉල්ලා සිටින පරිදි අතින් වාර්තාවක් ප්‍රතිස්ථාපනය කිරීමේ සරල අවශ්‍යතාවයේ කොටසකි. මෙම ආකාරයේ අවශ්‍යතා වල ප්‍රතිලාභය නම්, පරිශීලකයින් සහ නිර්මාණකරුවන් සෑම කෙනෙකුටම වාර්තා පිළිබඳ සංකල්පය පිළිබඳ අවබෝධයක් තිබීමයි.

කෙසේ වෙතත්, අප සැලසුම් කළ යුතු වෙනත් ව්‍යාපාර වර්ග තිබේ. ව්‍යාපාර අවශ්‍යතා උපාය මාර්ගික ව්‍යාපාරික ප්‍රශ්න ආකාරයෙන් ප්‍රකාශ කරන විට, ප්‍රවීණ නිර්මාණකරුට මැනීම/සත්‍ය සහ මාන අවශ්‍යතා හඳුනා ගැනීම පහසුය.

JAD භාවිතා කරන්නන් ව්‍යාපාර ගැටලුවක ස්වරූපයෙන් තම අවශ්‍යතා ප්‍රකාශ කරන්නේ කෙසේදැයි නොදන්නේ නම්, නිර්මාණකරු බොහෝ විට අවශ්‍යතා රැස්කිරීමේ සැසිය ආරම්භ කිරීමට උදාහරණ සපයයි.
ප්‍රවීණ නිර්මාණකරුට උපායමාර්ගික වෙළඳාම පමණක් නොව එය සකස් කරන්නේ කෙසේද යන්න තේරුම් ගැනීමට පරිශීලකයින්ට උපකාර කළ හැකිය.
අවශ්‍යතා එකතු කිරීමේ ප්‍රවේශය 3 වන පරිච්ඡේදයේ සාකච්ඡා කෙරේ; දැන් අපට අවශ්‍ය වන්නේ සියලු වර්ගවල BI අවශ්‍යතා සඳහා නිර්මාණය කිරීමේ අවශ්‍යතාවය පෙන්වා දීමටය.

උපායමාර්ගික ව්‍යාපාරික ගැටලුවක් ව්‍යාපාරික අවශ්‍යතාවයක් පමණක් නොව, සැලසුම් ඉඟියක් ද වේ. ඔබට බහුමාන ප්‍රශ්නයකට පිළිතුරු දීමට සිදුවුවහොත්, ඔබට මතක තබා ගත යුතුය, ඉදිරිපත් කරන්න i dati මාන, සහ ඔබට මතක තබා ගැනීමට අවශ්‍ය නම් dati බහුමාන, ඔබ භාවිතා කිරීමට යන්නේ කුමන ආකාරයේ තාක්ෂණයක් හෝ තාක්ෂණයක්දැයි ඔබ තීරණය කළ යුතුය.

ඔබ වෙන් කර ඇති කියුබ් තරු ක්‍රමය ක්‍රියාත්මක කරනවාද, නැතිනම් දෙකමද? ඔබට පෙනෙන පරිදි, සරල ව්යාපාර ගැටලුවක් පවා නිර්මාණයට සැලකිය යුතු ලෙස බලපෑ හැකිය. නමුත් මෙම ආකාරයේ ව්‍යාපාරික අවශ්‍යතා සාමාන්‍ය දෙයක් වන අතර අවම වශයෙන් ව්‍යාපෘති පළපුරුද්ද ඇති නිර්මාණකරුවන් සහ සැලසුම්කරුවන් විසින් තේරුම් ගෙන ඇත.

OLAP තාක්ෂණයන් සහ සහාය පිළිබඳව ප්‍රමාණවත් සාකච්ඡාවක් සිදු වී ඇති අතර පුළුල් පරාසයක විසඳුම් තිබේ. ව්‍යාපාරික මාන අවශ්‍යතා සමඟ සරල වාර්තාකරණයක් ගෙන ඒමේ අවශ්‍යතාවය සහ මෙම අවශ්‍යතා තාක්ෂණික වාස්තු විද්‍යාත්මක තීරණ කෙරෙහි බලපාන ආකාරය අපි මෙතෙක් සඳහන් කර ඇත.

නමුත් පරිශීලකයින්ට හෝ Dw කණ්ඩායමට පහසුවෙන් තේරුම් ගත නොහැකි අවශ්‍යතා මොනවාද? ඔබට කවදා හෝ අවකාශීය විශ්ලේෂණයක් අවශ්‍ය වේද?
හි පතල් ආකෘති dati ඒවා ඔබේ අනාගතයේ අත්‍යවශ්‍ය අංගයක් වේවිද? කව්ද දන්නේ?

මෙම ආකාරයේ තාක්ෂණයන් සාමාන්‍ය පරිශීලක ප්‍රජාවන් සහ Dw කණ්ඩායම් සාමාජිකයින් විසින් හොඳින් හඳුනන්නේ නැති බව සැලකිල්ලට ගැනීම වැදගත් වේ, මෙයට හේතුව ඒවා සාමාන්‍යයෙන් සමහර අභ්‍යන්තර හෝ තෙවන පාර්ශවීය තාක්ෂණික විශේෂඥයින් විසින් හසුරුවන නිසා විය හැක. මෙම වර්ගයේ තාක්ෂණයන් උත්පාදනය කරන ගැටළු වල ආන්තික අවස්ථාවකි. පරිශීලකයින්ට ව්‍යාපාරික අවශ්‍යතා විස්තර කිරීමට හෝ නිර්මාණකරුවන්ට මග පෙන්වීමක් ලබා දෙන ආකාරයෙන් ඒවා රාමු කිරීමට නොහැකි නම්, ඔවුන් නොදැනුවත්ව හෝ වඩාත් නරක ලෙස සරලව නොසලකා හැරිය හැක.

නිර්මාණකරුට සහ සංවර්ධකයාට මෙම උසස් නමුත් තීරනාත්මක තාක්‍ෂණයක යෙදුම හඳුනා ගැනීමට නොහැකි වූ විට එය වඩාත් ගැටලුකාරී වේ.
අපි බොහෝ විට අසා ඇති පරිදි, නිර්මාණකරුවන් පවසන පරිදි, “හොඳයි, අපි මේ වෙනත් දෙයක් ලබා ගන්නා තුරු අපි එය පසෙකට දමන්නේ නැත්තේ ඇයි? “ඔවුන් ඇත්තටම ප්‍රමුඛතා ගැන උනන්දු වෙනවාද, නැතිනම් ඔවුන් හුදෙක් ඔවුන්ට නොතේරෙන අවශ්‍යතා මඟහරිනවාද? එය බොහෝ විට අවසාන උපකල්පනය විය හැකිය. රූපය 1.3 හි දක්වා ඇති පරිදි ඔබේ විකුණුම් කණ්ඩායම ව්‍යාපාරික අවශ්‍යතාවයක් සන්නිවේදනය කර ඇතැයි කියමු, ඔබට පෙනෙන පරිදි, අවශ්‍යතාවය ව්‍යාපාරික ගැටලුවක ස්වරූපයෙන් සකස් කර ඇත. මෙම ගැටලුව සහ සාමාන්‍ය මාන ගැටලුව අතර වෙනස දුර වේ. මෙම අවස්ථාවෙහිදී, විකුණුම් කණ්ඩායමට මාසිකව, නිෂ්පාදන, ගබඩා සහ මුළු අලෙවිය දැන ගැනීමට අවශ්‍ය වේ. පාරිභෝගිකයන් ඔවුන් මිලදී ගන්නා ගබඩාවේ සිට සැතපුම් 5 ක් ඇතුළත ජීවත් වන අය.

කනගාටුවට කරුණක් නම්, නිර්මාණකරුවන්ට හෝ ගෘහ නිර්මාණ ශිල්පීන්ට අවකාශීය සංරචකය නොසලකා හැරිය හැක්කේ, “අපට පාරිභෝගිකයා, නිෂ්පාදනය සහ dati තැන්පතුවේ. තවත් පුනරාවර්තනයක් වන තුරු අපි දුර බැහැර තබා ගනිමු.

"වැරදි පිළිතුරක්. මෙම ආකාරයේ ව්‍යාපාරික ගැටළු සියල්ලම BI සම්බන්ධයෙනි. එය අපගේ ව්‍යාපාරය පිළිබඳ ගැඹුරු අවබෝධයක් සහ අපගේ විශ්ලේෂකයින් සඳහා ශක්තිමත් විශ්ලේෂණාත්මක අවකාශයක් නියෝජනය කරයි. BI සරල විමසීම් හෝ සම්මත වාර්තාකරණය හෝ OLAP වලින් ඔබ්බට ය. මෙම තාක්ෂණයන් ඔබේ BI සඳහා වැදගත් නොවන බව මින් අදහස් නොවේ, නමුත් ඒවා පමණක් BI පරිසරය නියෝජනය නොකරයි.

තොරතුරු සන්දර්භය සඳහා නිර්මාණය (තොරතුරු අන්තර්ගතය සඳහා නිර්මාණය)

දැන් අපි විවිධ මූලික සංරචක වෙන්කර හඳුනාගත් ව්‍යාපාරික අවශ්‍යතා හඳුනාගෙන ඇති බැවින්, ඒවා සමස්ත වාස්තු විද්‍යාත්මක සැලසුමකට ඇතුළත් කළ යුතුය. සමහර BI සංරචක අපගේ මූලික උත්සාහයේ කොටසක් වන අතර සමහර ඒවා මාස කිහිපයක් සඳහා ක්‍රියාත්මක නොවේ.

කෙසේ වෙතත්, දන්නා සියලුම අවශ්‍යතා නිර්මාණයෙන් පිළිබිඹු වන අතර එමඟින් අපට යම් තාක්‍ෂණයක් ක්‍රියාත්මක කිරීමට අවශ්‍ය වූ විට, අපි එසේ කිරීමට සූදානම් වෙමු. ව්යාපෘතිය පිළිබඳ යම් දෙයක් සාම්ප්රදායික චින්තනය පිළිබිඹු කරනු ඇත.

මෙම කට්ටලය dati පසුකාලීන භාවිතය සඳහා සහාය වීමට භාවිතා කරයි dati අප හඳුනාගෙන ඇති ව්‍යාපාරික ගැටළු මගින් මෙහෙයවනු ලබන මානය. හි සැලසුම් සංවර්ධනය වැනි අතිරේක ලේඛන උත්පාදනය වන පරිදි dati, අපි i ආකාරය විධිමත් කිරීමට පටන් ගනිමු dati ඔවුන් පරිසරය තුළ පැතිරී ඇත. i නියෝජනය කිරීමේ අවශ්‍යතාවය අප විසින් තහවුරු කර ඇත dati මාන ආකාරයෙන්, ඒවා (විශේෂිත නිශ්චිත අවශ්‍යතා අනුව) දත්ත මාර්ට වලට බෙදීම.

පිළිතුරු දිය යුතු ඊළඟ ප්‍රශ්නය වන්නේ: මෙම දත්ත ගබඩා ගොඩනඟන්නේ කෙසේද?
ඔබ තරු ගොඩනඟන්නේ කැටවලට ආධාර කිරීමටද, නැතහොත් කැට පමණක්ද, නැතහොත් තරු පමණක්ද? (හෝ දකුණු කැට, හෝ දකුණු තරු). සියල්ල සඳහා පරමාණුක ස්ථරයක් අවශ්‍ය වන යැපෙන දත්ත ගබඩා සඳහා ගෘහ නිර්මාණ ශිල්පය ජනනය කරන්න dati ඔබ අත්පත් කරගන්නවාද? ස්වාධීන දත්ත මාර්ට ලබා ගැනීමට ඉඩ දෙන්න i dati කෙලින්ම මෙහෙයුම් පද්ධති වලින්ද?

ඔබ ප්‍රමිතිගත කිරීමට උත්සාහ කරන්නේ කුමන කියුබ් තාක්ෂණයද?

ඔබට විශාල දෙවිවරු සිටිති dati මාන විශ්ලේෂණය සඳහා අවශ්‍යද නැතහොත් ඔබට ඔබේ ජාතික විකුණුම් බලකායෙන් සතිපතා හෝ ඒ දෙකෙන්ම කියුබ් අවශ්‍යද? ඔබ මූල්‍ය කටයුතු සඳහා DB2 OLAP සේවාදායකය හෝ ඔබේ විකුණුම් සංවිධානය සඳහා Cognos PowerPlay කියුබ් වැනි ප්‍රබල දෙයක් ගොඩනඟනවාද, නැතහොත් දෙකම? මෙතැන් සිට ඔබේ BI පරිසරයට බලපාන විශාල වාස්තු විද්‍යාත්මක සැලසුම් තීරණ මේවාය. ඔව්, ඔබ OLAP සඳහා අවශ්‍යතාවයක් ස්ථාපිත කර ඇත. දැන් ඔබ එවැනි තාක්ෂණයක් සහ තාක්ෂණයක් සිදු කරන්නේ කෙසේද?

සමහර දියුණු තාක්ෂණයන් ඔබේ නිර්මාණවලට බලපාන්නේ කෙසේද? අපි හිතමු ඔබ ඔබේ ආයතනයේ ඉඩ අවශ්‍යතාවයක් හඳුනාගෙන ඇති බව. ඔබ මාස කිහිපයක් සඳහා අවකාශීය සංරචක සෑදීමට සැලසුම් නොකළත් වාස්තුවිද්‍යාත්මක චිත්‍ර සංස්කරණ දැන් ඔබට මතක් කළ යුතුය. ගෘහ නිර්මාණ ශිල්පියා අවශ්ය දේ මත පදනම්ව අද සැලසුම් කළ යුතුය. ජනනය කරන, ගබඩා කරන, ක්‍රියාත්මක කරන සහ ප්‍රවේශය සපයන අවකාශීය විශ්ලේෂණවල අවශ්‍යතාවය පුරෝකථනය කරන්න dati අවකාශීය. මෙය ඔබට දැනට සලකා බැලිය හැකි මෘදුකාංග තාක්‍ෂණ වර්ගය සහ වේදිකා පිරිවිතර සම්බන්ධයෙන් බාධාවක් විය යුතුය. උදාහරණයක් ලෙස, පරිපාලන පද්ධතිය දත්ත සමුදාය ඔබේ පරමාණුක ස්තරය සඳහා ඔබ සිදු කරන සම්බන්ධතා ස්ථරය (RDBMS) සතුව ශක්තිමත් අවකාශීය ප්‍රමාණය තිබිය යුතුය. මෙය ඔබගේ විශ්ලේෂණ යෙදුම්වල ජ්‍යාමිතිය සහ අවකාශීය වස්තු භාවිතා කරන විට උපරිම කාර්ය සාධනය සහතික කරනු ඇත. ඔබගේ RDBMS හට හැසිරවිය නොහැකි නම් dati (අවකාශීය-කේන්ද්‍රීය) අභ්‍යන්තරව, එබැවින් ඔබට ස්ථාපනය කිරීමට සිදුවනු ඇත දත්ත සමුදාය (අවකාශීය-කේන්ද්රික) බාහිර. මෙය ගැටළු කළමනාකරණය සංකීර්ණ කරන අතර ඔබේ සමස්ත කාර්ය සාධනය අඩාල කරයි, ඔබේ DBAs සඳහා නිර්මාණය කර ඇති අමතර ගැටළු ගැන සඳහන් නොකරන්න, මන්ද ඔවුන්ට මූලික කරුණු පිළිබඳ අවම අවබෝධයක් තිබිය හැකිය. dati අවකාශීය මෙන්ම. අනෙක් අතට, ඔබේ RDMBS එන්ජිම සියලු අවකාශීය සංරචක හසුරුවන්නේ නම් සහ එහි ප්‍රශස්තකාරකය අවකාශීය වස්තූන්ගේ විශේෂ අවශ්‍යතා (උදාහරණයක් ලෙස සුචිගත කිරීම) ගැන දන්නේ නම්, ඔබේ DBAs හට ගැටළු කළමනාකරණය පහසුවෙන් හැසිරවිය හැකි අතර ඔබට කාර්ය සාධනය උපරිම කර ගත හැක.

අතිරේකව, ලිපින පිරිසිදු කිරීම ඇතුළත් කිරීම සඳහා ඔබ වේදිකා ප්‍රදේශය සහ පරමාණුක පරිසර ස්ථරය සකස් කළ යුතුය (a

අවකාශීය විශ්ලේෂණය සඳහා ප්රධාන අංගය), මෙන්ම පසුව අභ්යවකාශ වස්තූන් ඉතිරි කිරීම. අපි පැහැදිලි දිශානතිය පිළිබඳ සංකල්පය හඳුන්වා දී ඇති බැවින් චිත්‍ර සංස්කරණවල අනුප්‍රාප්තිය දිගටම පවතී. එක් දෙයක් සඳහා, මෙම යෙදුම ඔබගේ ETL උත්සාහය සඳහා අවශ්‍ය මෘදුකාංග වර්ගය නියම කරනු ඇත.

ඔබට එය පිරිසිදු ලිපිනයක් ලබා දීමට ට්‍රිලියම් වැනි නිෂ්පාදන අවශ්‍යද, නැතහොත් එම ක්‍රියාකාරීත්වය සැපයීමට ඔබ කැමති ETL වෙළෙන්දෙකු අවශ්‍යද?
දැනට ඔබ ඔබේ ගබඩාව ක්‍රියාත්මක කිරීමට පෙර සම්පූර්ණ කළ යුතු නිර්මාණ මට්ටම අගය කිරීම වැදගත් වේ. ඉහත උදාහරණ මගින් කිසියම් විශේෂිත ව්‍යාපාරික අවශ්‍යතාවයක් හඳුනා ගැනීම අනුගමනය කළ යුතු නිර්මාණ තීරණ රාශියක් පෙන්නුම් කළ යුතුය. නිවැරදිව ගනු ලැබුවහොත්, මෙම සැලසුම් තීරණ ඔබේ පරිසරයේ භෞතික ව්‍යුහයන්, භාවිතා කරන තාක්ෂණය තෝරා ගැනීම සහ තොරතුරු අන්තර්ගත ප්‍රචාරණය අතර අන්තර් රඳා පැවැත්ම ප්‍රවර්ධනය කරයි. මෙම සාම්ප්‍රදායික BI ගෘහනිර්මාණ ශිල්පය නොමැතිව, ඔබේ සංවිධානය පවතින තාක්‍ෂණවල අවුල් සහගත මිශ්‍රණයකට යටත් වනු ඇත, පැහැදිලිවම ස්ථායීතාවයක් සැපයීම සඳහා ලිහිල් ලෙස එකට මැසීම.

තොරතුරු අන්තර්ගතය පවත්වා ගන්න

ඔබේ ආයතනයට තොරතුරු වල වටිනාකම ගෙන ඒම ඉතා අපහසු කාර්යයකි. ප්‍රමාණවත් අවබෝධයක් සහ පළපුරුද්දක් හෝ නිසි සැලසුමක් සහ සැලසුමක් නොමැතිව, හොඳම කණ්ඩායම් පවා අසාර්ථක වනු ඇත. අනෙක් අතට, ඔබට විශිෂ්ට බුද්ධියක් සහ සවිස්තරාත්මක සැලසුම් තිබේ නම්, නමුත් ක්‍රියාත්මක කිරීම සඳහා විනයක් නොමැති නම්, ඔබ ඔබේ උත්සාහය අසාර්ථක වන බැවින් ඔබ ඔබේ මුදල් සහ කාලය නාස්ති කර ඇත. පණිවිඩය පැහැදිලි විය යුතුය: ඔබට මෙම කුසලතා, අවබෝධය / පළපුරුද්ද හෝ සැලසුම් කිරීම / සැලසුම් කිරීම හෝ ක්‍රියාත්මක කිරීමේ විනය වලින් එකක් හෝ කිහිපයක් නොමැති නම්, එය BI සංවිධානයේ ගොඩනැගීම අඩපණ කරයි හෝ විනාශ කරයි.

ඔබේ කණ්ඩායම ප්‍රමාණවත් ලෙස සූදානම්ද? BI පරිසරවල පවතින විශාල විශ්ලේෂණාත්මක භූ දර්ශනය සහ එම භූ දර්ශනය පවත්වා ගැනීමට අවශ්‍ය ශිල්පීය ක්‍රම සහ තාක්ෂණයන් අවබෝධ කරගත් කිසිවකු ඔබේ BI කණ්ඩායමේ සිටීද? උසස් අතර යෙදුම් වෙනස හඳුනාගත හැකි කෙනෙකු ඔබේ කණ්ඩායමේ සිටීද

ස්ථිතික වාර්තාකරණය සහ OLAP, හෝ ROLAP සහ OLAP අතර වෙනස්කම්? ඔබේ කණ්ඩායමේ එක් සාමාජිකයෙකු නිස්සාරණය කරන්නේ කෙසේද සහ එය ගබඩාවට බලපාන්නේ කෙසේද යන්න හෝ ගබඩාවට කාර්ය සාධනය නිස්සාරණය කිරීමට සහාය විය හැකි ආකාරය පැහැදිලිව හඳුනාගෙන තිබේද? කණ්ඩායමේ සාමාජිකයෙකුට එහි වටිනාකම වැටහේ dati අවකාශය හෝ නියෝජිත-පාදක තාක්ෂණය? පණිවිඩ තැරැව්කාර තාක්‍ෂණයට එදිරිව ETL මෙවලම්වල අද්විතීය යෙදුම අගය කරන කෙනෙකු ඔබ සතුව සිටීද? ඔබට එකක් නොමැති නම්, එකක් ගන්න. BI සාමාන්‍යකරණය කරන ලද පරමාණුක ස්ථරයක්, OLAP, තරු ක්‍රම සහ ODS වලට වඩා විශාලය.

BI අවශ්‍යතා සහ ඒවායේ විසඳුම් හඳුනා ගැනීමට අවබෝධය සහ පළපුරුද්ද තිබීම පරිශීලක අවශ්‍යතා නිසි ලෙස විධිමත් කිරීමට සහ ඒවායේ විසඳුම් සැලසුම් කිරීමට සහ ක්‍රියාත්මක කිරීමට ඔබට ඇති හැකියාවට අත්‍යවශ්‍ය වේ. ඔබේ පරිශීලක ප්‍රජාවට අවශ්‍යතා විස්තර කිරීමට අපහසු නම්, එම අවබෝධය ලබා දීම ගබඩා කණ්ඩායමේ කාර්යය වේ. නමුත් ගබඩා කණ්ඩායම නම්

BI හි නිශ්චිත යෙදුම හඳුනා නොගනී - උදාහරණයක් ලෙස, දත්ත කැණීම - එවිට BI පරිසරයන් බොහෝ විට නිෂ්ක්‍රීය නිධි වලට සීමා වීම හොඳම දෙය නොවේ. කෙසේ වෙතත්, මෙම තාක්ෂණයන් නොසලකා හැරීම ඔවුන්ගේ වැදගත්කම සහ ඔබේ සංවිධානයේ ව්‍යාපාරික බුද්ධි හැකියාවන් මතුවීම කෙරෙහි මෙන්ම ඔබ පෝෂණය කිරීමට සැලසුම් කරන තොරතුරු භූ දර්ශනය කෙරෙහි ඇති කරන බලපෑම අඩු නොවේ.

සැලසුම්කරණයට චිත්‍ර ඇඳීමේ සංකල්පය ඇතුළත් විය යුතු අතර ඒ දෙකටම දක්ෂ පුද්ගලයකු අවශ්‍ය වේ. අතිරේකව, සැලසුම් කිරීම සඳහා කණ්ඩායම් ගබඩා දර්ශනයක් සහ ප්‍රමිතීන්ට අනුකූල වීම අවශ්‍ය වේ. උදාහරණයක් ලෙස, ඔබේ සමාගම සම්මත වේදිකාවක් ස්ථාපිත කර ඇත්නම් හෝ ඔබට වේදිකාව හරහා ප්‍රමිතිකරණය කිරීමට අවශ්‍ය විශේෂිත RDBMS හඳුනාගෙන තිබේ නම්, එම ප්‍රමිතීන් පිළිපැදීමේ වගකීම කණ්ඩායමේ සිටින සෑම දෙනාටම පැවරේ. සාමාන්‍යයෙන් කණ්ඩායමක් ප්‍රමිතිකරණයේ අවශ්‍යතාවය (පරිශීලක ප්‍රජාවන්ට) හෙලිදරව් කරයි, නමුත් කණ්ඩායමම සමාගම තුළ වෙනත් ක්ෂේත්‍රවල හෝ සමහර විට සමාන සමාගම්වල පවා ස්ථාපිත ප්‍රමිතීන්ට අනුකූල වීමට කැමති නැත. මෙය කුහක වනවා පමණක් නොව, පවතින සම්පත් සහ ආයෝජන සූරාකෑමට සමාගමට නොහැකි බව එයින් තහවුරු වේ. ප්‍රමිතිගත නොවන වේදිකාවක් හෝ තාක්‍ෂණයක් සහතික කරන තත්ත්වයන් නොමැති බව එයින් අදහස් නොවේ; කෙසේ වෙතත්, ගබඩා උත්සාහයන්

ව්‍යාපාරික අවශ්‍යතා වෙනත් ආකාරයකින් නියම කරන තුරු ඔවුන් ඊර්ෂ්‍යාවෙන් ව්‍යවසායයේ ප්‍රමිතීන් ආරක්ෂා කළ යුතුය.

BI සංවිධානයක් ගොඩනැගීමට අවශ්‍ය තුන්වන ප්‍රධාන අංගය වන්නේ විනයයි.
එය සම්පූර්ණයෙන්ම රඳා පවතින්නේ පුද්ගලයන් සහ පරිසරය මත ය. ව්‍යාපෘති සැලසුම්කරුවන්, අනුග්‍රාහකයින්, ගෘහ නිර්මාණ ශිල්පීන් සහ පරිශීලකයින් සමාගමේ තොරතුරු භූ දර්ශනය ගොඩනැගීමට අවශ්‍ය විනය අගය කළ යුතුය. සමාජයේ අනෙකුත් අවශ්‍ය ප්‍රයත්නයන්ට අනුපූරක වන පරිදි නිර්මාණකරුවන් තම නිර්මාණ උත්සාහයන් මෙහෙයවිය යුතුය.

උදාහරණයක් ලෙස, ඔබේ සමාගම ගබඩා සංරචකයක් ඇති ERP යෙදුමක් ගොඩනඟන බව කියමු.
එබැවින් දැනටමත් ආරම්භ කර ඇති වැඩ තරඟකාරී හෝ අනුපිටපත් නොකිරීමට ගබඩා පරිසර කණ්ඩායම සමඟ සහයෝගයෙන් කටයුතු කිරීම ERP නිර්මාණකරුවන්ගේ වගකීම වේ.

විනය යනු සමස්ත සංවිධානය විසින්ම ආමන්ත්‍රණය කළ යුතු මාතෘකාවක් වන අතර එය සාමාන්‍යයෙන් ස්ථාපිත කර විධායක මට්ටමකට පවරා ඇත.
සැලසුම් කළ ප්‍රවේශයකට අනුගත වීමට කළමනාකරුවන් කැමතිද? ව්‍යවසායයේ සියලුම ක්ෂේත්‍රවලට අවසානයේ වටිනාකමක් ගෙන දෙන, නමුත් සමහර විට තනි පුද්ගල හෝ දෙපාර්තමේන්තු න්‍යාය පත්‍ර සම්මුතියක් ඇති කරන තොරතුරු අන්තර්ගතයක් නිර්මාණය කිරීමට පොරොන්දු වන ප්‍රවේශයක්? "සියල්ල ගැන සිතීම එක දෙයක් ගැන පමණක් සිතනවාට වඩා වැදගත් ය" යන කියමන මතක තබා ගන්න. මෙම කියමන BI සංවිධාන සඳහා සත්‍ය වේ.

අවාසනාවකට මෙන්, බොහෝ ගබඩාවන් විශාල වශයෙන් සංවිධානය ගැන සුළු සැලකිල්ලක් නොදක්වා, යම් දෙපාර්තමේන්තුවක් හෝ විශේෂිත පරිශීලකයින් ඉලක්ක කර වටිනාකමක් ගෙන ඒමට උත්සාහ කිරීම කෙරෙහි ඔවුන්ගේ උත්සාහයන් යොමු කරයි. විධායකයා වෝහවුස් කණ්ඩායමෙන් සහාය ඉල්ලා සිටින බව සිතමු. කණ්ඩායම දින 90 ක උත්සාහයකින් ප්‍රතිචාර දක්වයි, එයට කළමනාකරු විසින් නිර්වචනය කර ඇති දැනුම්දීම් අවශ්‍යතා ලබා දීම පමණක් නොව සියල්ල සහතික කිරීම ද ඇතුළත් ය. dati යෝජිත කියුබ් තාක්‍ෂණයට හඳුන්වා දීමට පෙර පදනම පරමාණුක මට්ටමින් මිශ්‍ර කර ඇත.
මෙම ඉංජිනේරු එකතු කිරීම වර්හවුස් ව්‍යවසායයට ප්‍රතිලාභ ලැබෙන බව සහතික කරයි dati කළමනාකරු විසින් අවශ්ය වේ.
කෙසේ වෙතත්, විධායකය සති 4 කට අඩු කාලයකදී බෙදාහැරීම සමඟ සමාන අයදුම්පතක් යෝජනා කළ බාහිර උපදේශන සමාගම් සමඟ කතා කළේය.

අභ්‍යන්තර ගබඩා කණ්ඩායම දක්ෂ යැයි උපකල්පනය කළහොත් විධායකයට තේරීමක් ඇත. තොරතුරු වත්කම් ව්‍යවසාය වගා කිරීමට අවශ්‍ය අතිරේක ඉංජිනේරු විනයට සහාය විය හැක්කේ කාටද හෝ ඉක්මනින් තමන්ගේම විසඳුමක් ගොඩනගා ගැනීමට තෝරා ගත හැකිය. අන්තිම එක බොහෝ විට බොහෝ විට තෝරාගෙන ඇති බව පෙනෙන අතර කිහිප දෙනෙකුට හෝ පුද්ගලයාට පමණක් ප්රයෝජනවත් වන තොරතුරු බහාලුම් නිර්මාණය කිරීමට පමණක් සේවය කරයි.

කෙටි කාලීන සහ දිගු කාලීන ඉලක්ක

ගෘහ නිර්මාණ ශිල්පීන් සහ ව්‍යාපෘති නිර්මාණකරුවන් BI සංවිධානයක වර්ධනය සඳහා සමස්ත ගෘහ නිර්මාණ ශිල්පය සහ සැලසුම් පිළිබඳ දිගුකාලීන දැක්මක් විධිමත් කළ යුතුය. මෙම කෙටි කාලීන වාසි සහ දිගු කාලීන සැලසුම් සංයෝජනය BI උත්සාහයේ පැති දෙක නියෝජනය කරයි. කෙටි කාලීන ලාභය යනු ඔබේ ගබඩාවේ පුනරාවර්තන සමඟ සම්බන්ධ වන BI හි පැතිකඩයි.

සැලසුම්කරුවන්, ගෘහ නිර්මාණ ශිල්පීන් සහ අනුග්‍රාහකයින් නිශ්චිත වාණිජ අවශ්‍යතා සපුරාලීම කෙරෙහි අවධානය යොමු කරන්නේ මෙහිදීය. භෞතික ව්යුහයන් ගොඩනඟා, තාක්ෂණය මිලදී ගැනීම සහ තාක්ෂණික ක්රම ක්රියාත්මක කිරීම මෙම මට්ටමේ දී ය. විශේෂිත පරිශීලක ප්‍රජාවන් විසින් නිර්වචනය කර ඇති පරිදි නිශ්චිත අවශ්‍යතා සපුරාලීම සඳහා ඒවා කිසිසේත් සාදා නොමැත. යම් ප්‍රජාවක් විසින් නිර්වචනය කරන ලද නිශ්චිත අවශ්‍යතා සපුරාලීම සඳහා සෑම දෙයක්ම සිදු කෙරේ.
කෙසේ වෙතත්, දිගුකාලීන සැලසුම් කිරීම BI හි අනෙක් පැතිකඩයි. සැලසුම් සහ සැලසුම් මඟින් ඕනෑම භෞතික ව්‍යුහයක් ගොඩනඟා ඇති බවත්, තෝරාගත් තාක්ෂණයන් සහ ව්‍යවසාය දෙසට ඇසක් ඇතිව ක්‍රියාත්මක කරන ලද තාක්ෂණික ක්‍රමවේද සහතික කරනු ලැබුවේ මෙහිදීය. සොයා ගන්නා ඕනෑම කෙටි කාලීන ලාභයකින් ව්‍යාපාරික ප්‍රතිලාභ පැනනගින බව සහතික කිරීමට අවශ්‍ය සහජීවනය සපයන දිගුකාලීන සැලසුම්කරණයයි.

ඔබේ BI උත්සාහය සාධාරණීකරණය කරන්න

Un දත්ත ගබඩාවයි එයටම ආවේණික වටිනාකමක් නැත. වෙනත් වචන වලින් කිවහොත්, ගබඩා තාක්ෂණයන් සහ ක්රියාත්මක කිරීමේ ශිල්පීය ක්රම අතර ආවේනික වටිනාකමක් නොමැත.

ගබඩා පරිසරයේ සහ කාලයත් සමඟ වගා කරන ලද තොරතුරු අන්තර්ගතයේ ප්‍රතිඵලයක් ලෙස සිදු කරන ලද ක්‍රියාවන්හි ඕනෑම ගබඩා ප්‍රයත්නයක වටිනාකම සොයාගත හැකිය. ඔබ කොතැනක හෝ මුලපිරීමක වටිනාකම තක්සේරු කිරීමට උත්සාහ කිරීමට පෙර මෙය තේරුම් ගත යුතු තීරණාත්මක කරුණකි.

බොහෝ විට, ගෘහ නිර්මාණ ශිල්පීන් සහ නිර්මාණකරුවන් ගබඩාවේ භෞතික හා තාක්ෂණික සංරචක සඳහා වටිනාකමක් යෙදීමට උත්සාහ කරයි, ඇත්ත වශයෙන්ම වටිනාකම ගබඩාව සහ හොඳින් අත්පත් කරගත් තොරතුරු මගින් ධනාත්මක ලෙස බලපාන ව්‍යාපාරික ක්‍රියාවලීන් මත පදනම් වේ.

BI පිහිටුවීමේ අභියෝගය මෙන්න: ඔබ ආයෝජනය සාධාරණීකරණය කරන්නේ කෙසේද? එම නිවසටම ආවේණික වටිනාකමක් නොමැති නම්, ව්‍යාපෘති නිර්මාණකරුවන් විසින් විශේෂිත ව්‍යාපාරික ක්‍රියාවලීන් හෝ ආරක්ෂිත තොරතුරුවල වටිනාකම හෝ දෙකම වැඩිදියුණු කිරීම සඳහා ගබඩාව භාවිතා කරන පුද්ගලයින් විසින් අත්කර ගන්නා ලද ප්‍රතිලාභ විමර්ශනය කිරීම, නිර්වචනය කිරීම සහ විධිමත් කිරීම කළ යුතුය.

කාරණා සංකීර්ණ කිරීම සඳහා, ගබඩා කිරීමේ උත්සාහයන් මගින් බලපෑමට ලක් වූ ඕනෑම ව්‍යාපාරික ක්‍රියාවලියක් "සැලකිය යුතු" හෝ "සුළු" ප්‍රතිලාභ ලබා දිය හැකිය. සැලකිය යුතු ප්‍රතිලාභ ආයෝජනයේ ප්‍රතිලාභ (ROI) මැනීමට ප්‍රත්‍යක්ෂ මෙට්‍රික් සපයයි - නිදසුනක් ලෙස, නිශ්චිත කාල සීමාවක් තුළ ඉන්වෙන්ටරි හැරවීම හෝ නැව්ගත කිරීමකට අඩු ප්‍රවාහන පිරිවැයක් සඳහා. ප්‍රත්‍යක්ෂ අගය අනුව, තොරතුරු වෙත වැඩි දියුණු කළ ප්‍රවේශය වැනි සියුම් ප්‍රතිලාභ නිර්වචනය කිරීම අපහසුය.

දැන ගැනීමට ඔබේ ව්‍යාපෘතිය සම්බන්ධ කරන්න ව්යාපාරික ඉල්ලීම්

බොහෝ විට, ව්‍යාපෘති සැලසුම්කරුවන් ගබඩා වටිනාකම අස්ඵටික ව්‍යවසාය අරමුණු සමඟ සම්බන්ධ කිරීමට උත්සාහ කරයි. "ගබඩාවක වටිනාකම පදනම් වන්නේ උපාය මාර්ගික ඉල්ලීම් තෘප්තිමත් කිරීමට ඇති හැකියාව මත" බව ප්‍රකාශ කිරීමෙන් අපි සාකච්ඡාව ප්‍රසන්න ආකාරයකින් විවෘත කරමු. නමුත් ඉන්වෙන්ටරිවල ආයෝජනය කිරීම අර්ථවත්ද යන්න තීරණය කිරීමට එය පමණක් ප්රමාණවත් නොවේ. විශේෂිත, දන්නා ව්‍යාපාරික ඉල්ලීම් සමඟ ගබඩා පුනරාවර්තන සම්බන්ධ කිරීම වඩාත් සුදුසුය.

ROI මැනීම

ගබඩා සැකසුමක ROI ගණනය කිරීම විශේෂයෙන් දුෂ්කර විය හැකිය. වාසිය නම් එය විශේෂයෙන් දුෂ්කර ය

විශේෂිත පුනරාවර්තනයක ප්‍රධාන දෙය ස්පර්ශ කළ නොහැකි හෝ මැනීමට පහසු නොවන දෙයකි. එක් අධ්‍යයනයකින් හෙළි වූයේ පරිශීලකයින් BI මුල පිරීම්වල ප්‍රධාන ප්‍රතිලාභ දෙකක් දකින බවයි:

• ▪ තීරණ ගැනීමේ හැකියාව ඇති කරන්න
• ▪ තොරතුරු සඳහා ප්රවේශය නිර්මාණය කරන්න
  මෙම ප්රතිලාභ මෘදු (හෝ මෘදු) ප්රතිලාභ වේ. ප්‍රවාහන වියදම් අඩු කිරීම වැනි දුෂ්කර (හෝ ප්‍රධාන) ප්‍රතිලාභයක් මත පදනම්ව අපට ROI ගණනය කරන්නේ කෙසේදැයි බැලීම පහසුය, නමුත් වඩා හොඳ තීරණ ගැනීමේ හැකියාව අප මැනිය හැක්කේ කෙසේද?
  විශේෂිත ගබඩා ප්‍රයත්නයක් සඳහා ආයෝජනය කිරීමට සමාගමට ඒත්තු ගැන්වීමට උත්සාහ කරන විට ව්‍යාපෘති සැලසුම්කරුවන්ට මෙය නියත වශයෙන්ම අභියෝගයකි. විකුණුම් වැඩි කිරීම හෝ පිරිවැය අඩු කිරීම තවදුරටත් BI පරිසරය මෙහෙයවන කේන්ද්‍රීය තේමාවන් නොවේ.
  ඒ වෙනුවට, ඔබ යම් දෙපාර්තමේන්තුවකට වේගවත් තීරණ ගැනීමට හැකි වන පරිදි තොරතුරු වෙත වඩා හොඳ ප්‍රවේශයක් සඳහා ව්‍යාපාරික ඉල්ලීම් දෙස බලයි. මේවා උපාය මාර්ගික රියදුරන් වන අතර ඒවා ව්‍යවසායයට එකසේ වැදගත් වන නමුත් වඩා අපැහැදිලි සහ ස්පර්ශ කළ හැකි මෙට්‍රික් එකකින් සංලක්ෂිත කිරීමට අපහසු වේ. මෙම අවස්ථාවෙහිදී, ROI ගණනය කිරීම අදාළ නොවේ නම් නොමඟ යවන සුළු විය හැක.
  ව්‍යාපෘති සැලසුම්කරුවන්ට යම් පුනරාවර්තනයක ආයෝජනය වටී ද යන්න තීරණය කිරීම සඳහා විධායකයින්ට ප්‍රත්‍යක්ෂ වටිනාකමක් පෙන්නුම් කිරීමට හැකි විය යුතුය. කෙසේ වෙතත්, අපි ROI ගණනය කිරීම සඳහා නව ක්‍රමයක් යෝජනා නොකරමු, ඊට පක්ෂව හෝ විරුද්ධව කිසිදු තර්කයක් ඉදිරිපත් නොකරමු.
  ROI ගණනය කිරීමේ මූලික කරුණු සාකච්ඡා කරන බොහෝ ලිපි සහ පොත් තිබේ. ඔබට පර්යේෂණ කළ හැකි ගාට්නර් වැනි කණ්ඩායම් විසින් පිරිනමනු ලබන ආයෝජනය මත වටිනාකම (VOI) වැනි විශේෂ වටිනාකම් යෝජනා තිබේ. ඒ වෙනුවට, අපි ඔබ සලකා බැලිය යුතු ඕනෑම ROI හෝ වෙනත් වටිනාකම් යෝජනාවල මූලික අංග කෙරෙහි අවධානය යොමු කරන්නෙමු. ROI යෙදීම BI ප්‍රයත්නයන් හා සම්බන්ධ “දැඩි” ප්‍රතිලාභ එදිරිව “මෘදු” ප්‍රතිලාභ පිළිබඳ තර්කයෙන් ඔබ්බට ROI අයදුම් කිරීමේදී සලකා බැලිය යුතු වෙනත් ගැටළු තිබේ. උදාහරණ වශයෙන්:

කෙසේ හෝ පැමිණෙන DW උත්සාහයන් සඳහා බොහෝ ඉතුරුම් ආරෝපණය කරන්න
ඔබේ සමාගම ප්‍රධාන රාමු ගෘහ නිර්මාණ ශිල්පයක සිට බෙදා හරින ලද UNIX පරිසරයකට මාරු වූ බව කියමු. එබැවින් එම උත්සාහයෙන් සාක්ෂාත් කර ගත හැකි (හෝ නොකළ හැකි) යම් ඉතිරියක් ගබඩාවට පමණක් (?) ආරෝපණය නොකළ යුතුය.

සෑම දෙයක්ම ගණන් නොගැනීම මිල අධිකයි. ඒ වගේම සැලකිල්ලට ගත යුතු බොහෝ කරුණු තිබේ. පහත ලැයිස්තුව සලකා බලන්න:

• ▪ ශක්‍යතාව ඇතුළුව ආරම්භක පිරිවැය.
• ▪ අදාළ ගබඩා කිරීම සහ සන්නිවේදනය සමඟ කැප වූ දෘඩාංගවල පිරිවැය
• ▪ කළමනාකරණය ඇතුළුව මෘදුකාංගයේ පිරිවැය dati සහ සේවාදායක/සේවාදායක දිගු, ETL මෘදුකාංග, DSS තාක්ෂණය, දෘශ්‍යකරණ මෙවලම්, උපලේඛනගත කිරීම සහ වැඩ ප්‍රවාහ යෙදුම්, සහ අධීක්ෂණ මෘදුකාංග, .
• ▪ ව්යුහය සැලසුම් කිරීමේ පිරිවැය dati, නිර්මාණය සහ ප්‍රශස්තකරණය සමඟ
• ▪ මෘදුකාංග සංවර්ධන පිරිවැය BI ප්‍රයත්නය සමඟ සෘජුවම සම්බන්ධ වේ
• ▪ මෘදුකාංග අනුවාද පාලනය සහ උපකාරක මෙහෙයුම් ඇතුළුව කාර්ය සාධන ප්‍රශස්තකරණය ඇතුළුව ස්ථානීය සහායක පිරිවැය "Big-Bang" ROI යොදන්න. ගබඩාව තනි, යෝධ උත්සාහයක් ලෙස ගොඩ නැගීම අසාර්ථක වනු ඇත, එබැවින් විශාල ව්‍යවසාය මුලපිරීමක් සඳහා ROI ගණනය කිරීම පවා පුදුමයට කරුණක් වන අතර, සැලසුම්කරුවන් සම්පූර්ණ උත්සාහයේ වටිනාකම තක්සේරු කිරීමට දුර්වල උත්සාහයන් දිගටම කරගෙන යයි. නිශ්චිත පුනරාවර්තන ඇස්තමේන්තු කිරීම දුෂ්කර බව පුළුල් ලෙස දන්නා සහ පිළිගෙන තිබේ නම්, සැලසුම්කරුවන් ව්‍යාපාර මුලපිරීම සඳහා මූල්‍ය වටිනාකමක් තැබීමට උත්සාහ කරන්නේ ඇයි? එය කළ හැක්කේ කෙසේද? ව්යතිරේක කිහිපයක් සමඟ එය කළ නොහැකි ය. ඒක කරන්න එපා. දැන් අපි ROI ගණනය කිරීමේදී නොකළ යුතු දේ තහවුරු කර ඇති බැවින්, ඔබේ BI උත්සාහයේ වටිනාකම තක්සේරු කිරීම සඳහා විශ්වාසදායක ක්‍රියාවලියක් ස්ථාපිත කිරීමට අපට උපකාර වන කරුණු කිහිපයක් මෙන්න.

ROI සම්මුතිය ලබා ගැනීම. ඔබේ BI ප්‍රයත්නවල වටිනාකම තක්සේරු කිරීම සඳහා ඔබ තෝරා ගන්නා තාක්‍ෂණය කුමක් වුවත්, එය ව්‍යාපෘති නිර්මාණකරුවන්, අනුග්‍රාහකයින් සහ ව්‍යාපාරික විධායකයින් ඇතුළුව සියලුම පාර්ශ්වයන් විසින් එකඟ විය යුතුය.

ROI හඳුනාගත හැකි කොටස් වලට අඩු කරන්න. ROI සාධාරණ ලෙස ගණනය කිරීම සඳහා අත්‍යවශ්‍ය පියවරක් වන්නේ නිශ්චිත ව්‍යාපෘතියක් මත එම ගණනය යොමු කිරීමයි. නිශ්චිත ව්‍යාපාර අවශ්‍යතා සපුරාලීම මත පදනම්ව වටිනාකමක් තක්සේරු කිරීමට මෙය ඔබට ඉඩ සලසයි

වියදම් නිර්වචනය කරන්න. සඳහන් කළ පරිදි, බොහෝ වියදම් සැලකිල්ලට ගත යුතුය. තවද, වියදම්වලට තනි පුනරාවර්තනය හා සම්බන්ධ ඒවා පමණක් නොව ව්‍යවසාය ප්‍රමිතීන්ට අනුකූල වීම සහතික කිරීම හා සම්බන්ධ පිරිවැයද ඇතුළත් විය යුතුය.

ප්රතිලාභ නිර්වචනය කරන්න. නිශ්චිත ව්‍යාපාරික අවශ්‍යතා සඳහා ROI පැහැදිලිව සම්බන්ධ කිරීමෙන්, අවශ්‍යතා සපුරාලීමට හේතු වන ප්‍රතිලාභ හඳුනා ගැනීමට අපට හැකි විය යුතුය.

ආසන්න ලාභයේ පිරිවැය සහ ප්රතිලාභ අඩු කරන්න. අනාගත ඉපැයීම්වල අනාගත අගය පුරෝකථනය කිරීමට උත්සාහ කරනවාට වඩා ශුද්ධ වර්තමාන අගය (NPV) මත ඔබේ තක්සේරුව පදනම් කර ගැනීමට හොඳම ක්‍රමය එයයි.

ඔබේ ROI බෙදීමේ කාලය අවම වශයෙන් තබා ගන්න. එය ඔබගේ ROI හි භාවිතා කර ඇති දිගු කාලයක් පුරා හොඳින් ලේඛනගත කර ඇත.

ROI සූත්‍ර එකකට වඩා භාවිතා කරන්න. ROI පුරෝකථනය කිරීම සඳහා බොහෝ ක්‍රම ඇති අතර ශුද්ධ වර්තමාන අගය, අභ්‍යන්තර ප්‍රතිලාභ අනුපාතය (IRR) සහ ආපසු ගෙවීම ඇතුළුව ඒවායින් එකක් හෝ කිහිපයක් භාවිතා කරන්නේද යන්න ඔබ සැලසුම් කළ යුතුය.

පුනරාවර්තන ක්රියාවලිය නිර්වචනය කරන්න. ඕනෑම දිගුකාලීන අගයක් ගණනය කිරීම සඳහා මෙය ඉතා වැදගත් වේ. සියලුම ව්‍යාපෘති අනුපිළිවෙල අනුගමනය කිරීම සඳහා තනි පුනරාවර්තන ක්‍රියාවලියක් ලේඛනගත කළ යුතුය.

ලැයිස්තුගත කර ඇති ගැටළු වෝහවුස් පරිසරයේ විශේෂඥයින් විසින් නිර්වචනය කරන ලද වඩාත් පොදු ඒවා වේ. "Big-Bang" ROI ලබා දීම සඳහා කළමනාකාරිත්වයේ අවධාරනය ඉතා ව්‍යාකූල වේ. ඔබ ඔබේ සියලු ROI ගණනය කිරීම් හඳුනා ගත හැකි, ප්‍රත්‍යක්ෂ කැබලිවලට කඩා ඒවා ආරම්භ කරන්නේ නම්, ඔබට නිවැරදි ROI ශ්‍රේණිගත කිරීමක් ඇස්තමේන්තු කිරීමට හොඳ අවස්ථාවක් තිබේ.

ROI ප්‍රතිලාභ පිළිබඳ ප්‍රශ්න

ඔබේ ප්‍රතිලාභ කුමක් වුවත්, මෘදු හෝ දුෂ්කර වුවත්, ඒවායේ වටිනාකම තීරණය කිරීමට ඔබට මූලික ප්‍රශ්න කිහිපයක් භාවිතා කළ හැකිය. උදාහරණයක් ලෙස, සරල පරිමාණ පද්ධතියක් භාවිතා කරමින්, 1 සිට 10 දක්වා, ඔබට පහත ප්‍රශ්න භාවිතා කිරීමෙන් ඕනෑම උත්සාහයක බලපෑම මැනිය හැකිය:

• ඔබ අවබෝධය අගය කරන්නේ කෙසේද? dati ඔබේ සමාගමේ මෙම ව්‍යාපෘතිය අනුගමනය කරන්නේද?
• මෙම ව්‍යාපෘතියේ ප්‍රතිඵලයක් ලෙස ක්‍රියාවලි වැඩිදියුණු කිරීම් ඔබ තක්සේරු කරන්නේ කෙසේද?
• මෙම පුනරාවර්තනය මගින් දැන් ලබා ගත හැකි නව විදසුන් සහ නිගමනවල බලපෑම ඔබ මැනිය හැක්කේ කෙසේද?
• ඉගෙන ගත් දේවල ප්‍රතිඵලයක් ලෙස නව සහ ක්‍රියාකාරී පරිගණක පරිසරයන්ගේ බලපෑම කුමක්ද? මෙම ප්‍රශ්නවලට පිළිතුරු ස්වල්පයක් නම්, සමාගම කරන ලද ආයෝජනය වටින්නේ නැත. ඉහළ ලකුණු සහිත ප්‍රශ්න සැලකිය යුතු වටිනාකම් ලාභයන් වෙත යොමු වන අතර වැඩිදුර විමර්ශන සඳහා මාර්ගෝපදේශ ලෙස සේවය කළ යුතුය. උදාහරණයක් ලෙස, ක්‍රියාවලි වැඩිදියුණු කිරීම් සඳහා ඉහළ ලකුණු, ක්‍රියාවලි වැඩිදියුණු කර ඇති ආකාරය පරීක්ෂා කිරීමට නිර්මාණකරුවන් යොමු කළ යුතුය. ලබා ගන්නා ලද සමහරක් හෝ සියල්ලම ස්පර්ශ කළ හැකි බව ඔබට පෙනී යා හැකිය, එබැවින් මුදල් වටිනාකමක් පහසුවෙන් යෙදිය හැකිය. හි පළමු පුනරාවර්තනයෙන් උපරිම ප්‍රයෝජන ගැනීම ගබඩාව ඔබේ ව්‍යවසාය උත්සාහයේ ලොකුම ප්‍රතිඵලය බොහෝ විට පළමු පුනරාවර්තන කිහිපය තුළ වේ. මෙම මුල් උත්සාහයන් සාම්ප්‍රදායිකව මහජනතාව සඳහා වඩාත් ප්‍රයෝජනවත් තොරතුරු අන්තර්ගතය ස්ථාපිත කරන අතර පසුව BI යෙදුම් සඳහා තාක්ෂණික පදනම ස්ථාපිත කිරීමට උපකාරී වේ. සාමාන්යයෙන් සෑම පසු අනුපිළිවෙලක්ම dati ගබඩා ව්‍යාපෘති සමස්ත ව්‍යවසායයට අඩු සහ අඩු අමතර වටිනාකමක් ගෙන එයි. පුනරාවර්තනය නව මාතෘකා එකතු නොකරන්නේ නම් හෝ නව පරිශීලක ප්‍රජාවක අවශ්‍යතා සපුරාලන්නේ නැත්නම් මෙය විශේෂයෙන්ම සත්‍ය වේ.

මෙම ගබඩා විශේෂාංගය වැඩෙන තොග සඳහාද අදාළ වේ dati ඉතිහාසඥයන්. පසුකාලීන උත්සාහයන් සඳහා තවත් අවශ්ය වේ dati සහ තවත් කෙසේද dati කාලයත් සමඟ ගබඩාවට වත් කරනු ලැබේ, බොහෝ විට dati භාවිතා කරන විශ්ලේෂණයට එය අඩුවෙන් අදාළ වේ. මේ dati ඔවුන් බොහෝ විට හැඳින්වේ dati නිද්‍රාශීලී වන අතර ඒවා කිසි විටෙක භාවිතා නොකරන බැවින් ඒවා තබා ගැනීම සැමවිටම මිල අධික වේ.

ව්‍යාපෘති අනුග්‍රාහකයින් සඳහා මෙයින් අදහස් කරන්නේ කුමක්ද? අත්‍යවශ්‍යයෙන්ම, මුල් අනුග්‍රාහකයින් ආයෝජන පිරිවැයට වඩා වැඩි ප්‍රමාණයක් බෙදා ගනී. මෙය ප්‍රාථමික වන්නේ ඒවා ගබඩාවේ පුළුල් තාක්‍ෂණය සහ කාබනික ඇතුළු සම්පත් පරිසර ස්ථරය පිහිටුවීම සඳහා පෙළඹවීම වන බැවිනි.

නමුත් මෙම පළමු පියවර ඉහළම වටිනාකමක් ගෙන එන අතර එබැවින් ව්යාපෘති නිර්මාණකරුවන් බොහෝ විට ආයෝජනය සාධාරණීකරණය කළ යුතුය.
ඔබේ BI මුලපිරීමෙන් පසුව කරන ලද ව්‍යාපෘති අඩු (පළමු එකට සාපේක්ෂව) සහ සෘජු පිරිවැය තිබිය හැකි නමුත්, සමාගමට අඩු වටිනාකමක් ගෙන එයි.

සංවිධානයේ හිමිකරුවන් සමුච්චය ඉවතට විසි කිරීම ගැන සලකා බැලීම ආරම්භ කළ යුතුය dati සහ අඩු අදාළ තාක්ෂණයන්.

දත්ත කැණීම: උපුටා ගැනීම Dati

බොහෝ වාස්තු විද්‍යාත්මක සංරචක සඳහා දත්ත කැණීමේ තාක්ෂණයන් සහ ශිල්පීය ක්‍රමවල වෙනස්කම් අවශ්‍ය වේ-
උදාහරණයක් ලෙස, උනන්දුවක් දක්වන කරුණු පරීක්ෂා කිරීම සඳහා විවිධ "නියෝජිතයන්" පාරිභෝගිකයන්, සමාගමේ මෙහෙයුම් පද්ධති සහ dw සඳහාම. මෙම නියෝජිතයන් විකුණුම් ප්‍රවර්ධන මත පදනම් වූ අනාගත නිෂ්පාදන ඉල්ලුම වැනි POT ප්‍රවණතා මත පුහුණු කරන ලද උසස් ස්නායුක ජාල විය හැක; කට්ටලයකට ප්‍රතික්‍රියා කිරීමට නීති මත පදනම් වූ එන්ජින් ඩැටෝ තත්වයන්, උදාහරණයක් ලෙස, වෛද්ය රෝග විනිශ්චය සහ ප්රතිකාර නිර්දේශ; හෝ ඉහළ විධායකයින්ට ව්යතිරේක වාර්තා කිරීමේ කාර්යභාරය සහිත සරල නියෝජිතයන් පවා. සාමාන්යයෙන් මෙම නිස්සාරණ ක්රියාවලීන් dati si

තථ්‍ය කාලය තුළ සත්‍යාපනය කරන්න; එබැවින්, ඔවුන් චලනය සමග සම්පූර්ණයෙන්ම එක්සත් විය යුතුය dati ස්ටෙසි.

මාර්ගගත විශ්ලේෂණ සැකසුම් සැකසීම

මාර්ගගත විශ්ලේෂණ

පෙති කැපීමට, කැට කැපීමට, පෙරළීමට, පහළට සරඹ කිරීමට සහ විශ්ලේෂණය කිරීමට ඇති හැකියාව
what-if, විෂය පථය තුළ පවතී, IBM තාක්ෂණික කට්ටලයේ අවධානය. උදාහරණයක් ලෙස, මෘදුකාංග එන්ජිමට මාන විශ්ලේෂණය ගෙන එන DB2 සඳහා සබැඳි විශ්ලේෂණ සැකසුම් (OLAP) ශ්‍රිත පවතී. දත්ත සමුදාය එකම .

DB2 හි ස්වභාවික කොටසක් වීමේ සියලු ප්‍රතිලාභවලින් ප්‍රයෝජන ගන්නා අතරම, කාර්යයන් SQL වෙත මාන උපයෝගීතාව එක් කරයි. OLAP අනුකලනය සඳහා තවත් උදාහරණයක් වන්නේ නිස්සාරණ මෙවලම, DB2 OLAP සේවාදායක විශ්ලේෂකයයි. මෙම තාක්‍ෂණය මඟින් DB2 OLAP සේවාදායක කැට ඉක්මනින් සහ ස්වයංක්‍රීයව විශ්ලේෂණය කර අගය අගයන් සොයා ගැනීමට සහ වාර්තා කිරීමට ඉඩ සලසයි. dati ව්‍යාපාර විශ්ලේෂක වෙත ඝනකයක් පුරා අසාමාන්‍ය හෝ අනපේක්ෂිත. අවසාන වශයෙන්, DW මධ්‍යස්ථානයේ විශේෂාංග ගෘහ නිර්මාණ ශිල්පීන්ට වෙනත් දේ අතර, ETL ක්‍රියාවලීන්හි ස්වාභාවික කොටසක් ලෙස DB2 OLAP සේවාදායක ඝනකයක පැතිකඩ පාලනය කිරීමට මාධ්‍යයක් සපයයි.

අවකාශීය විශ්ලේෂණය අවකාශීය විශ්ලේෂණය

පරිදර්ශනයක් සඳහා අවශ්‍ය විශ්ලේෂණාත්මක නැංගුරම් (ඊයම්) වලින් අඩක් අවකාශය නියෝජනය කරයි
විශ්ලේෂණාත්මක පුළුල් (කාලය අනෙක් භාගය නියෝජනය කරයි). රූප සටහන 1.1 හි දැක්වෙන ගබඩාවේ පරමාණුක මට්ටමට කාලය සහ අවකාශය යන මූලික කරුණු දෙකම ඇතුළත් වේ. කාල මුද්දර නැංගුරම් කාලය අනුව විශ්ලේෂණය සහ ලිපින තොරතුරු නැංගුරම් විශ්ලේෂණය අවකාශය අනුව. කාල මුද්දර මගින් කාලය අනුව විශ්ලේෂණය සිදු කරන අතර ලිපින තොරතුරු අවකාශය අනුව විශ්ලේෂණය සිදු කරයි. රූප සටහනේ දැක්වෙන්නේ භූ කේතීකරණය - ලිපින සිතියමක ලක්ෂ්‍ය හෝ අභ්‍යවකාශයේ ලක්ෂ්‍ය බවට පරිවර්තනය කිරීමේ ක්‍රියාවලිය වන අතර එමඟින් දුර සහ ඇතුළත/පිටත වැනි සංකල්ප විශ්ලේෂණයේදී භාවිතා කළ හැකිය - පරමාණුක මට්ටමින් සිදු කරනු ලබන අතර අවකාශීය විශ්ලේෂණය විශ්ලේෂකයා. IBM විසින් පාරිසරික පද්ධති පර්යේෂණ ආයතනය (ESRI) සමඟ සංවර්ධනය කරන ලද අවකාශීය දිගු සපයයි. දත්ත සමුදාය DB2 එවිට අභ්‍යවකාශ වස්තූන් සාමාන්‍ය කොටසක් ලෙස ගබඩා කළ හැක දත්ත සමුදාය සම්බන්ධක. db2

අවකාශීය විස්තාරක, අවකාශීය විශ්ලේෂණයේ වාසිය ලබා ගැනීම සඳහා සියලුම SQL දිගු ද සපයයි. උදාහරණයක් ලෙස, එරෙහිව විමසීමට SQL දිගු
ලිපින අතර දුර හෝ ලක්ෂ්‍යයක් අර්ථ දක්වා ඇති බහුඅස්‍ර ප්‍රදේශයක් ඇතුළත හෝ පිටත තිබේද යන්න, අවකාශීය විස්තාරකය සමඟ විශ්ලේෂණාත්මක ප්‍රමිතියකි. වැඩි විස්තර සඳහා 16 වන පරිච්ඡේදය බලන්න.

දත්ත සමුදාය- නේවාසික මෙවලම් මෙවලම් දත්ත සමුදාය- පදිංචිකරු

DB2 විශ්ලේෂණ ක්‍රියාවට සහය වන බොහෝ BI-reident SQL විශේෂාංග ඇත. මේවාට ඇතුළත් වන්නේ:

• විශ්ලේෂණ සිදු කිරීම සඳහා පුනරාවර්තන කාර්යයන්, "හැකි සියලු පියාසැරි මාර්ග සොයා ගැනීම සැන් ෆ්රැන්සිස්කෝ a නිව් යෝර්ක්".
• සාමාන්‍යයෙන් OLAP තාක්‍ෂණයෙන් පමණක් සිදුවන කාර්යයන් සඳහා පහසුකම් සැලසීම සඳහා ශ්‍රේණිගත කිරීම, සමුච්චිත ශ්‍රිත, ඝනක සහ රෝල්අප් සඳහා වන විශ්ලේෂණාත්මක කාර්යයන් දැන් එන්ජිමේ ස්වභාවික කොටසකි. දත්ත සමුදාය
• ප්රතිඵල අඩංගු වගු නිර්මාණය කිරීමේ හැකියාව
  විකුණුම්කරුවන් දත්ත සමුදාය නායකයින් BI හැකියාවන් වැඩි ප්‍රමාණයක් මිශ්‍ර කරයි දත්ත සමුදාය ස්ටෙසෝ.
  හි ප්‍රධාන සැපයුම්කරුවන් දත්ත සමුදාය ඔවුන් BI හැකියාවන් වැඩිපුර මිශ්‍ර කරයි දත්ත සමුදාය ස්ටෙසෝ.
  මෙය BI විසඳුම් සඳහා වඩා හොඳ කාර්ය සාධනයක් සහ ක්‍රියාත්මක කිරීමේ විකල්ප සපයයි.
  DB2 V8 හි විශේෂාංග සහ කාර්යයන් පහත පරිච්ඡේදවල විස්තරාත්මකව සාකච්ඡා කෙරේ:
  තාක්ෂණික ගෘහ නිර්මාණ ශිල්පය සහ දත්ත කළමනාකරණ පදනම් (පරිච්ඡේද 5)

• DB2 BI මූලික කරුණු (6 වන පරිච්ඡේදය)
• DB2 ද්‍රව්‍යගත විමසුම් වගු (7 වන පරිච්ඡේදය)
• DB2 OLAP කාර්යයන් (පරිච්ඡේද 13)
• DB2 වැඩිදියුණු කළ BI විශේෂාංග සහ කාර්යයන් (15 පරිච්ඡේදය) සරල කළ දත්ත බෙදාහැරීමේ පද්ධතිය බෙදා හැරීමේ පද්ධතිය dati සරල කර ඇත

රූප සටහන 1.1 හි දැක්වෙන ගෘහ නිර්මාණ ශිල්පයට බොහෝ ව්‍යුහයන් ඇතුළත් වේ dati භෞතික. එකක් තමයි ගබඩාව dati මෙහෙයුම්. සාමාන්‍යයෙන්, ODS යනු විෂය නැඹුරු, ඒකාබද්ධ සහ වත්මන් වස්තුවකි. ඔබ සහාය සඳහා ODS එකක් ගොඩනඟයි, උදාහරණයක් ලෙස, විකුණුම් කාර්යාලය. ODS අලෙවිය අතිරේක වනු ඇත dati විවිධ පද්ධති ගණනාවකින් නමුත් රඳවා ගනු ඇත්තේ, උදාහරණයක් ලෙස, අද දින ගනුදෙනු පමණි. ODS ද දිනකට බොහෝ වාරයක් යාවත්කාලීන කළ හැක. ඒ සමගම, ක්රියාවලීන් තල්ලු කරයි dati වෙනත් යෙදුම් සමඟ ඒකාබද්ධ වේ. මෙම ව්යුහය ඒකාබද්ධ කිරීම සඳහා විශේෂයෙන් නිර්මාණය කර ඇත dati වත්මන් සහ ගතික සහ සේවා නියෝජිතයින්ට සැපයීම වැනි තත්‍ය කාලීන විශ්ලේෂණ සඳහා සහාය වීමට ඉඩ ඇති අපේක්ෂකයෙකු වනු ඇත පාරිභෝගිකයන් ගබඩාවෙන්ම විකුණුම් ප්‍රවණතා තොරතුරු උපුටා ගැනීමෙන් පාරිභෝගිකයාගේ වත්මන් විකුණුම් තොරතුරු. රූප සටහන 1.1 හි දැක්වෙන තවත් ව්‍යුහයක් dw සඳහා විධිමත් තත්වයකි. අවශ්‍ය ඒකාබද්ධතාවය, ගුණාත්මකභාවය ක්‍රියාත්මක කිරීම සඳහා මෙය පමණක් නොවේ dati, සහ පරිවර්තනය පිළිබඳ dati පැමිණෙන ගබඩාවේ, නමුත් එය විශ්වාසදායක සහ තාවකාලික ගබඩා ප්‍රදේශයකි dati තත්‍ය කාලීන විශ්ලේෂණ සඳහා භාවිතා කළ හැකි අනුපිටපත්. ඔබ ODS හෝ වේදිකා ප්‍රදේශයක් භාවිතා කිරීමට තීරණය කරන්නේ නම්, මෙම ව්‍යුහයන් ජනනය කිරීම සඳහා හොඳම මෙවලම් වලින් එකකි dati විවිධ මෙහෙයුම් මූලාශ්‍ර භාවිතා කිරීම DB2 හි විෂම ව්‍යාප්ත විමසුමයි. මෙම හැකියාව ලබා දෙන්නේ DB2 Relational Connect (විමසුම පමණි) ලෙස හඳුන්වන විකල්ප DB2 විශේෂාංගය සහ DB2 DataJoiner හරහා (විෂමජාතීය බෙදා හරින ලද RDBMS සඳහා විමසුම්, ඇතුළත් කිරීම, යාවත්කාලීන කිරීම සහ මකා දැමීමේ හැකියාව ලබා දෙන වෙනම නිෂ්පාදනයක්).

මෙම තාක්ෂණය ගෘහ නිර්මාණ ශිල්පීන්ට ඉඩ සලසයි dati ගැටගැසීමට dati විශ්ලේෂණ ක්රියාවලීන් සමඟ නිෂ්පාදනය. තාක්‍ෂණයට තත්‍ය කාලීන විශ්ලේෂණ සමඟ පැන නැගිය හැකි ඕනෑම ප්‍රතිවර්තන ඉල්ලීම්වලට ප්‍රායෝගිකව අනුවර්තනය වීමට පමණක් නොව, එය විවිධ දත්ත පදනම් වෙත සම්බන්ධ විය හැකිය. dati DB2, Oracle, Sybase, SQL Server, Informix සහ අනෙකුත් ඇතුළුව වඩාත් ජනප්‍රිය. DB2 DataJoiner ව්‍යුහයක් ජනනය කිරීමට භාවිතා කළ හැක dati ODS ලෙස විධිමත් හෝ ක්ෂණික යාවත්කාලීන කිරීම් ඉක්මන් ප්‍රතිසාධනය සඳහා හෝ විකිණීම සඳහා නිර්මාණය කර ඇති ගබඩාවේ නිරූපිත ස්ථිර වගුවකි. ඇත්ත වශයෙන්ම, මෙම එකම ව්යුහයන් dati භාවිතයෙන් ජනාකීර්ණ කළ හැක

අනුකරණය සඳහා නිර්මාණය කර ඇති තවත් වැදගත් තාක්ෂණයකි dati, IBM DataPropagator Relational. (DataPropagator යනු මධ්‍යම පද්ධති සඳහා වෙනම නිෂ්පාදනයකි. DB2 UNIX, Linux, Windows, සහ OS/2 දත්ත අනුරූකරණ සේවා ඇතුළත් වේ. dati සම්මත ලක්ෂණයක් ලෙස).
චලනය සඳහා තවත් ක්රමයක් dati ව්‍යවසාය වටා ක්‍රියා කිරීම යනු ව්‍යවසාය යෙදුම් ඒකාබද්ධ කරන්නෙකු වන අතර එය පණිවිඩ තැරැව්කරුවෙකු ලෙස හැඳින්වේ. මෙම අද්විතීය තාක්‍ෂණය ඉලක්ක කිරීම සහ චලනය සඳහා අසමසම පාලනයකට ඉඩ සලසයි. dati සමාගම වටා. IBM සතුව වැඩිපුරම භාවිතා වන පණිවිඩ තැරැව්කරු, MQSeries හෝ අවශ්‍යතා ඇතුළත් නිෂ්පාදනයේ වෙනසක් ඇත. ඊ-වාණිජ්යය, IBM WebSphere MQ.
Per più discussione su come sfruttare MQ per sostenere un magazzino e un ambiente BI, visitare වෙබ් අඩවිය del libro. Per ora, è sufficiente dire che questa tecnologia è un mezzo eccellente per catturare e trasformare (utilizzando MQSeries Integrator) dati මධ්‍යගත (ඉලක්කගත) ක්‍රියාකරුවන් BI විසඳුම් සඳහා බඳවා ගන්නා ලදී. MQ තාක්‍ෂණය UDB V8 වෙත ඒකාබද්ධ කර ඇසුරුම් කර ඇත, එනම් පණිවිඩ පෝලිම් දැන් DB2 වගු ලෙස කළමනාකරණය කළ හැකි බවයි. වෑල්ඩින් පෝලිම් පණිවිඩ සහ විශ්වයේ සංකල්පය දත්ත සමුදාය සම්බන්ධක ප්‍රබල බෙදාහැරීමේ පරිසරයක් දෙසට ගමන් කරයි dati.

Zero-Latency Zero latency

IBM සඳහා අවසාන උපායමාර්ගික ඉලක්කය වන්නේ ශුන්‍ය ප්‍රමාද විශ්ලේෂණයයි. විසින් අර්ථ දක්වා ඇත
ගාට්නර්, BI පද්ධතියකට ඉල්ලුම මත විශ්ලේෂකයින්ට අනුමාන කිරීමට, උකහා ගැනීමට සහ තොරතුරු සැපයීමට හැකි විය යුතුය. අභියෝගය, ඇත්ත වශයෙන්ම, මිශ්ර කරන්නේ කෙසේද යන්නයි dati i වැනි අවශ්‍ය ඓතිහාසික තොරතුරු සහිත වත්මන් සහ තත්‍ය කාලීන dati අදාළ රටාව/ප්‍රවණතාවය, හෝ පාරිභෝගික පැතිකඩ වැනි උකහා ගත් අවබෝධය.

එවැනි තොරතුරු ඇතුළත් වේ, උදාහරණයක් ලෙස, හඳුනා ගැනීම පාරිභෝගිකයන් ඉහළ හෝ අඩු අවදානමක් හෝ කුමන නිෂ්පාදන i පාරිභෝගිකයන් ඔවුන්ගේ සාප්පු කරත්තවල දැනටමත් චීස් තිබේ නම් ඔවුන් බොහෝ විට මිලදී ගනු ඇත.

ශුන්‍ය ප්‍රමාදය සාක්ෂාත් කර ගැනීම ඇත්ත වශයෙන්ම මූලික යාන්ත්‍රණ දෙකක් මත රඳා පවතී:

• සම්පූර්ණ එකමුතුව dati BI විසින් නිර්මාණය කරන ලද ස්ථාපිත තාක්ෂණික ක්රම සහ මෙවලම් සමඟ විශ්ලේෂණය කරනු ලැබේ
• බෙදා හැරීමේ පද්ධතියකි dati තත්‍ය කාලීන විශ්ලේෂණ සැබවින්ම පවතින බව සහතික කිරීමට කාර්යක්ෂම වේ ශුන්‍ය ප්‍රමාදය සඳහා මෙම පූර්ව අවශ්‍යතා IBM විසින් සකසා ඇති සහ ඉහත විස්තර කර ඇති ඉලක්ක දෙකෙන් වෙනස් නොවේ. සමීප සංසර්ගය dati එය IBM හි බාධාවකින් තොරව ඒකාබද්ධ කිරීමේ වැඩසටහනේ කොටසකි. සහ බෙදා හැරීමේ පද්ධතියක් සාදන්න dati කාර්යක්‍ෂමතාවය සම්පූර්ණයෙන්ම රඳා පවතින්නේ බෙදා හැරීමේ ක්‍රියාවලිය සරල කරන පවතින තාක්‍ෂණය මත ය dati. එහි ප්‍රතිඵලයක් වශයෙන්, IBM හි ඉලක්ක තුනෙන් දෙකක් තුන්වැන්න සාක්ෂාත් කර ගැනීම සඳහා ඉතා වැදගත් වේ. ගබඩා ප්‍රයත්නයන් සඳහා ශුන්‍ය ප්‍රමාදය යථාර්තයක් බව සහතික කිරීම සඳහා IBM දැනුවත්ව එහි තාක්‍ෂණය විකාශනය කරයි. සාරාංශය / සංශ්ලේෂණය BI සංවිධානය ඔබේ පරිසරය ගොඩනැගීම සඳහා මාර්ග සිතියමක් සපයයි
  නැවත නැවතත්. එය ඔබගේ ව්‍යාපාරයේ වර්තමාන සහ අනාගතය යන දෙඅංශයේම අවශ්‍යතා පිළිබිඹු කිරීමට සකස් කළ යුතුය. පුළුල් වාස්තුවිද්‍යාත්මක දැක්මකින් තොරව, ගබඩා පුනරාවර්තනය පුළුල්, තොරතුරු සහිත ව්‍යවසායයක් නිර්මාණය කිරීමට සුළු දෙයක් කරන මධ්‍යම ගබඩාවේ අහඹු ලෙස ක්‍රියාත්මක කිරීමකට වඩා වැඩිය. ව්‍යාපෘති කළමනාකරුවන් සඳහා ඇති පළමු බාධකය වන්නේ BI සංවිධානය සංවර්ධනය කිරීමට අවශ්‍ය ආයෝජන සාධාරණීකරණය කරන්නේ කෙසේද යන්නයි. ROI ගණනය කිරීම ගබඩා ක්‍රියාත්මක කිරීමේ ප්‍රධාන අංගයක් ලෙස පවතින අතර, එය නිවැරදිව පුරෝකථනය කිරීම වඩාත් අපහසු වෙමින් පවතී. මෙය ඔබ ඔබේ මුදල් වටිනාකම ලබා ගන්නේද යන්න තීරණය කිරීම සඳහා වෙනත් ක්‍රමවලට හේතු වී ඇත. උදාහරණයක් ලෙස ආයෝජනයේ වටිනාකම2 (VOI), විසඳුමක් ලෙස ප්‍රවර්ධනය කෙරේ. එය ගෘහ නිර්මාණ ශිල්පීන්ට භාර වේ dati සහ ව්‍යාපෘති සැලසුම්කරුවන් හිතාමතාම පරිශීලක සංගම් වෙත තොරතුරු ජනනය කර ලබා දෙනවා මිස හුදෙක් ඔවුන්ට සේවාවක් සපයන්නේ නැත dati. මේ දෙක අතර විශාල වෙනසක් ඇත. තොරතුරු යනු තීරණ ගැනීමේ සහ සඵලතාවයේ වෙනසක් ඇති කරන දෙයකි; සාපේක්ෂව, i dati ඔවුන් එම තොරතුරු ලබා ගැනීම සඳහා ගොඩනඟයි.

මූලාශ්රය විවේචනාත්මක වුවද dati ව්‍යාපාරික ඉල්ලීම් විසඳීම සඳහා, තොරතුරු අන්තර්ගතය නිර්මාණය කිරීමේදී BI පරිසරය විශාල කාර්යභාරයක් ඉටු කළ යුතුය. පරිශීලකයින්ට ක්‍රියා කළ හැකි තොරතුරු අන්තර්ගතය පිරිසිදු කිරීමට, ඒකාබද්ධ කිරීමට, පරිවර්තනය කිරීමට හෝ වෙනත් ආකාරයකින් නිර්මාණය කිරීමට අපි අමතර පියවර ගත යුතු අතර, සාධාරණ නම්, එම ක්‍රියා සහ තීරණ BI පරිසරය තුළ පිළිබිඹු වන බවට අපි සහතික විය යුතුය. අපි ගබඩාව සේවය කිරීමට පමණක් ඉවත් කළහොත් dati, පරිශීලක සංගම් විසින් ක්‍රියාමාර්ග ගැනීමට අවශ්‍ය තොරතුරු අන්තර්ගතය නිර්මාණය කරන බව සහතික කෙරේ. මෙය ඔවුන්ගේ ප්‍රජාවට වඩා හොඳ තීරණ ගැනීමට හැකි බව සහතික කරයි, නමුත් ව්‍යවසාය ඔවුන් භාවිතා කර ඇති දැනුමේ ඌනතාවයෙන් පීඩා විඳිති. දිනය ගෘහ නිර්මාණ ශිල්පීන් සහ ව්‍යාපෘති සැලසුම්කරුවන් BI පරිසරය තුළ නිශ්චිත ව්‍යාපෘති ආරම්භ කරන බැවින්, ඔවුන් සමස්තයක් ලෙස ව්‍යවසායයට වගකිව යුතුය. BI පුනරාවර්තනවල මෙම ද්වි-පාර්ශ්වික ලක්ෂණයේ සරල උදාහරණයක් මූලාශ්‍රයෙන් සොයාගත හැකිය dati. මුළු dati විශේෂිත ව්‍යාපාරික ඉල්ලීම් සඳහා ලැබුණු ඒවා පළමු පරමාණුක ස්ථරයේ පුරවා තිබිය යුතුය. මෙය ව්‍යවසාය තොරතුරු වත්කමේ සංවර්ධනය සහතික කරයි, මෙන්ම පුනරාවර්තනයේ අර්ථ දක්වා ඇති විශේෂිත පරිශීලක ඉල්ලීම් කළමනාකරණය කරයි.

WhatisaDataWarehouse?

දත්ත ගබඩාව එය 1990 සිට තොරතුරු පද්ධති ගෘහ නිර්මාණ ශිල්පයේ හදවත වන අතර ඝන ඒකාබද්ධ වේදිකාවක් ලබා දීමෙන් තොරතුරු ක්රියාවලීන් සඳහා සහාය වේ dati පසුකාලීන විශ්ලේෂණයන් සඳහා පදනමක් ලෙස ගත් ඓතිහාසික දත්ත. එම දත්ත ගබඩාවයි ඔවුන් නොගැලපෙන යෙදුම් පද්ධති ලෝකයක ඒකාබද්ධ වීමේ පහසුව ලබා දෙයි. දත්ත ගබඩාව එය ප්‍රවණතාවක් දක්වා වර්ධනය වී ඇත. දත්ත ගබඩාව සංවිධානය කිරීම සහ මතක තබා ගැනීම i dati දිගු ඓතිහාසික තාවකාලික ඉදිරිදර්ශනයක් මත පදනම් වූ තොරතුරු සහ විශ්ලේෂණ ක්රියාවලීන් සඳහා අවශ්ය වේ. මේ සියල්ල ඉදිකිරීම හා නඩත්තු කිරීමේදී සැලකිය යුතු සහ නිරන්තර කැපවීමක් ඇතුළත් වේ දත්ත ගබඩාවයි.

ඉතින් මොකක්ද a දත්ත ගබඩාවයි? ඒ දත්ත ගබඩාවයි හා:

• ▪ විෂය-නැඹුරු
• ▪ ඒකාබද්ධ පද්ධතිය
• ▪ විචල්ය කාලය
• ▪ වාෂ්පශීලී නොවන (මකා දැමිය නොහැක)

එකතුවකි dati ක්‍රියාවලි ක්‍රියාත්මක කිරීමේදී කළමනාකරණ තීරණ වලට සහාය වීමට භාවිතා කරයි.
I dati ඇතුල් කර ඇත දත්ත ගබඩාවයි බොහෝ අවස්ථාවලදී ඒවා මෙහෙයුම් පරිසරයන්ගෙන් ලබා ගනී. එම දත්ත ගබඩාවයි එය ගබඩා ඒකකයක් මගින් නිර්මාණය කර ඇති අතර, එහි අඩංගු පද්ධතියේ ඉතිරි කොටස් වලින් භෞතිකව වෙන් කර ඇත dati මෙහෙයුම් පරිසරයෙන් ලබාගත් තොරතුරු මත ක්‍රියාත්මක වන යෙදුම් මගින් පෙර පරිවර්තනය කර ඇත.

a හි වචනාර්ථ අර්ථ දැක්වීම දත්ත ගබඩාවයි ගබඩාවක ලක්ෂණ විස්තර කරන වැදගත් අභිප්‍රේරණ සහ යටින් පවතින අර්ථයන් ඇති බැවින් ගැඹුරු පැහැදිලි කිරීමක් ලැබිය යුතුය.

විෂය දිශානතිය දිශානතිය තේමාත්මක

පළමු ලක්ෂණය a දත්ත ගබඩාවයි එය සමාගමක ප්‍රධාන ක්‍රීඩකයින් වෙත නැඹුරු වීමයි. හරහා අත්හදා බැලීම්වල මාර්ගෝපදේශය dati එය වඩාත් සම්භාව්‍ය ක්‍රමයට වඩා වෙනස් වන අතර එය ක්‍රියාවලි සහ ශ්‍රිතයන් වෙත යෙදුම් දිශානතිය ඇතුළත් වන අතර එය බොහෝ අඩු මෑත කළමනාකරණ පද්ධති විසින් බෙදා ගන්නා ක්‍රමයකි.

මෙහෙයුම් ලෝකය සැලසුම් කර ඇත්තේ මූල්‍ය ආයතනයක් සඳහා ණය, ඉතුරුම්, බැංකු කාඩ්පත් සහ විශ්වාසය වැනි යෙදුම් සහ කාර්යයන් වටා ය. dw ලෝකය පාරිභෝගිකයා, විකුණුම්කරු, භාණ්ඩය සහ ක්‍රියාකාරකම් වැනි ප්‍රධාන විෂයයන් වටා සංවිධානය වී ඇත. මාතෘකා වටා පෙළගැස්වීම සැලසුම් කිරීම සහ ක්‍රියාත්මක කිරීම කෙරෙහි බලපායි dati dw හි හමු විය. වඩාත් වැදගත් වන්නේ, ප්රධාන මාතෘකාව ප්රධාන ව්යුහයේ වැදගත්ම කොටස බලපායි.

යෙදුමේ ලෝකය දත්ත සමුදායේ සැලසුම සහ ක්‍රියාවලි සැලසුම් යන දෙකටම බලපායි. dw ලෝකය ආකෘති නිර්මාණය කෙරෙහි පමණක් අවධානය යොමු කර ඇත dati සහ නිර්මාණය මත දත්ත සමුදාය. ක්‍රියාවලි නිර්මාණය (එහි සම්භාව්‍ය ස්වරූපයෙන්) dw පරිසරයේ කොටසක් නොවේ.

ක්‍රියාවලි/ක්‍රියාකාරී යෙදුම තේරීම සහ විෂය තෝරා ගැනීම අතර ඇති වෙනස්කම් ද අන්තර්ගතයේ වෙනස්කම් ලෙස අනාවරණය වේ. dati සවිස්තරාත්මක මට්ටමින්. එම dati del dw i ඇතුළත් නොවේ dati යෙදුම් අතරතුර DSS ක්‍රියාවලිය සඳහා භාවිතා නොකරනු ඇත

මෙහෙයුම් නැඹුරු dati i අඩංගු වේ dati DSS විශ්ලේෂකය සඳහා කිසිදු ප්‍රයෝජනයක් නොතිබිය හැකි ක්‍රියාකාරී/සැකසුම් අවශ්‍යතා වහාම සපුරාලීමට.
මෙහෙයුම්-නැඹුරු යෙදුම්වල තවත් වැදගත් ක්‍රමයක් dati වෙනස් dati dw හි වාර්තා වල ඇත dati. මම dati මෙහෙයුම් ක්‍රියාකාරී ව්‍යාපාරික රීතියක් මත පදනම්ව වගු දෙකක් හෝ වැඩි ගණනක් අතර අඛණ්ඩ සම්බන්ධතාවයක් පවත්වාගෙන යයි. එම dati dw කාලය වර්ණාවලියක් හරහා ගමන් කරන අතර dw හි දක්නට ලැබෙන සම්බන්ධතා බොහෝය. බොහෝ වෙළඳ නීති (සහ ඊට අනුරූපව, බොහෝ සබඳතා dati ) තොගයේ නියෝජනය වේ dati මේස දෙකක් හෝ වැඩි ගණනක් අතර.

(අතර අතර සම්බන්ධතා ඇති ආකාරය පිළිබඳ සවිස්තරාත්මක පැහැදිලි කිරීමක් සඳහා dati DW හි හසුරුවනු ලැබේ, අපි එම ගැටළුව පිළිබඳ තාක්ෂණික මාතෘකාව වෙත යොමු කරමු.)
ක්‍රියාකාරී/ක්‍රියාවලි යෙදුම් තේරීමක් සහ විෂය තේරීමක් අතර ඇති මූලික වෙනස හැර වෙනත් කිසිදු දෘෂ්ටිකෝණයකින්, මෙහෙයුම් පද්ධති අතර විශාල වෙනසක් නොමැත dati සහ DW.

ඒකාබද්ධතා ඒකාබද්ධ කිරීම

dw පරිසරයේ වැදගත්ම අංගය වන්නේ i dati dw තුළ ඇති ඒවා පහසුවෙන් ඒකාබද්ධ වේ. සැමවිටම. ව්යතිරේකයකින් තොරව. dw පරිසරයේ සාරය නම් i dati ගබඩාවේ සීමාවන් තුළ අඩංගු ඒවා ඒකාබද්ධ වේ.

අනුකලනය විවිධ ආකාරවලින් අනාවරණය වේ - ස්ථාවර හඳුනාගත් සම්මුතීන් තුළ, ස්ථාවර විචල්‍ය මිනුම් වලදී, ස්ථාවර කේතගත ව්‍යුහයන් තුළ, භෞතික ගුණාංගවල dati ස්ථාවර, සහ එසේ ය.

වසර ගණනාවක් පුරා, විවිධ යෙදුම්වල නිර්මාණකරුවන් යෙදුමක් සංවර්ධනය කළ යුතු ආකාරය පිළිබඳව බොහෝ තීරණ ගෙන ඇත. නිර්මාණකරුවන්ගේ යෙදුම්වල විලාසය සහ පුද්ගලාරෝපිත නිර්මාණ තීරණ ක්‍රම සියයකින් හෙළි කරයි: කේතීකරණයේ වෙනස්කම්, ප්‍රධාන ව්‍යුහය, භෞතික ලක්ෂණ, සම්මුතීන් හඳුනා ගැනීම සහ යනාදිය. නොගැලපෙන යෙදුම් නිර්මාණය කිරීමට බොහෝ යෙදුම් නිර්මාණකරුවන්ගේ සාමූහික හැකියාව ජනප්‍රියයි. රූප සටහන 3 යෙදුම් සැලසුම් කර ඇති ආකාරයෙහි වඩාත් වැදගත් වෙනස්කම් කිහිපයක් දක්වයි.

කේතනය: සංකේතනය:

යෙදුම් නිර්මාණකරුවන් ක්ෂේත්‍රයේ කේතනය - ලිංගිකත්වය - විවිධ ආකාරවලින් තෝරාගෙන ඇත. නිර්මාණකරුවෙකු ලිංගිකත්වය නියෝජනය කරන්නේ "m" සහ "f" ලෙසිනි. තවත් නිර්මාණකරුවෙකු ස්ත්‍රී පුරුෂ භාවය "1" සහ "0" ලෙස නියෝජනය කරයි. තවත් නිර්මාණකරුවෙකු ලිංගිකත්වය නියෝජනය කරන්නේ "x" සහ "y" ලෙසිනි. තවත් නිර්මාණකරුවෙකු ලිංගිකත්වය නියෝජනය කරන්නේ "පිරිමි" සහ "ගැහැණු" ලෙසිනි. ලිංගිකත්වය DW තුළට එන්නේ කෙසේද යන්න එතරම් වැදගත් නොවේ. "M" සහ "F" සමහර විට මුළු නාට්යය තරම්ම හොඳයි.

වැදගත් වන්නේ ලිංගික ක්‍ෂේත්‍රය කුමන මූලාරම්භයකින් ලබා ගත්තත්, එම ක්ෂේත්‍රය DW හි ස්ථාවර ඒකාබද්ධ තත්වයකට පැමිණීමයි. එහි ප්‍රතිඵලයක් ලෙස "M" සහ "F" ආකෘතියෙන් නිරූපණය කර ඇති යෙදුමකින් ක්ෂේත්‍රය DW වෙත පටවන විට, dati DW ආකෘතියට පරිවර්තනය කළ යුතුය.

ගුණාංග මැනීම: මැනීම ගුණාංග:

යෙදුම් නිර්මාණකරුවන් වසර ගණනාවක් පුරා විවිධ ආකාරවලින් නල මාර්ගය මැනීමට තෝරාගෙන ඇත. නිර්මාණකරුවෙකු ගබඩා කරයි dati නල මාර්ගයේ සෙන්ටිමීටරයේ. තවත් යෙදුම් නිර්මාණකරුවෙකු ගබඩා කරයි dati අඟල් අනුව නල මාර්ගයේ. තවත් යෙදුම් නිර්මාණකරුවෙකු ගබඩා කරයි dati තත්පරයට ඝන අඩි මිලියනයක නල මාර්ගයේ. තවද තවත් නිර්මාණකරුවෙකු යාර අනුව නල මාර්ග තොරතුරු ගබඩා කරයි. මූලාශ්රය කුමක් වුවත්, නල මාර්ග තොරතුරු DW වෙත පැමිණෙන විට එය එකම ආකාරයකින් මැනිය යුතුය.

රූප සටහන 3 හි ඇඟවුම් වලට අනුව, ඒකාබද්ධ ගැටළු ව්‍යාපෘතියේ සෑම අංශයකටම පාහේ බලපායි - භෞතික ලක්ෂණ dati, මූලාශ්‍ර එකකට වඩා තිබීමේ උභතෝකෝටිකය dati, අනනුකූල හඳුනාගත් සාම්පල පිළිබඳ ගැටළුව, ආකෘති dati නොගැලපෙන, සහ එසේ ය.

නිර්මාණ මාතෘකාව කුමක් වුවත්, ප්රතිඵලය සමාන වේ - i dati යටින් පවතින මෙහෙයුම් පද්ධති වෙනස් ලෙස ගබඩා කරන විට පවා DW හි ඒකීය සහ ගෝලීය වශයෙන් පිළිගත හැකි ආකාරයෙන් ගබඩා කළ යුතුය. dati.

DSS විශ්ලේෂක DW දෙස බලන විට, විශ්ලේෂකයාගේ ඉලක්කය විය යුත්තේ සූරාකෑම සඳහා ය dati ගබඩාවේ ඇති,

හි විශ්වසනීයත්වය හෝ ස්ථාවරත්වය ගැන කල්පනා කරනවාට වඩා dati.

කාල විචලනය

මුළු dati DW හි ඒවා යම් කාලයකට නිවැරදි වේ. මෙම මූලික ලක්ෂණය dati DW හි බොහෝ වෙනස් වේ dati මෙහෙයුම් පරිසරය තුළ දක්නට ලැබේ. එම dati මෙහෙයුම් පරිසරය ප්‍රවේශ වන මොහොතේ මෙන් නිරවද්‍ය වේ. වෙනත් වචන වලින් කිවහොත්, ධාවකයක් වෙත පිවිසෙන විට මෙහෙයුම් පරිසරය තුළ dati, එය ප්‍රවේශ වන අවස්ථාවේ දී මෙන් නිරවද්‍ය අගයන් පිළිබිඹු කරනු ඇතැයි අපේක්ෂා කෙරේ. මොකද අයි dati ඩීඩබ්ලිව්හි යම් අවස්ථාවක දී මෙන් නිරවද්‍ය වේ (එනම්, "දැන්" නොවේ), එය කියනු ලැබේ i dati DW හි දක්නට ලැබෙන්නේ "කාල විචලනය" වේ.
කාල විචලනය dati DW විසින් විවිධ ආකාරවලින් හඳුන්වනු ලැබේ.
සරලම ක්‍රමය නම් අයි dati DW නියෝජනය කරයි dati දිගු ක්ෂිතිජය පුරා - අවුරුදු පහක් හෝ දහයක්. මෙහෙයුම් පරිසරය සඳහා නියෝජන කරන කාල ක්ෂිතිජය අද පවතින අගයන් හැට අනූව දක්වා ඉතා කෙටි වේ.
හොඳින් ක්‍රියා කළ යුතු සහ ගනුදෙනු සැකසීම සඳහා තිබිය යුතු යෙදුම් අවම ප්‍රමාණය රැගෙන යා යුතුය dati ඔවුන් යම් තරමක නම්‍යශීලීභාවයකට ඉඩ දෙන්නේ නම්. එබැවින් මෙහෙයුම් යෙදුම්වලට ශ්‍රව්‍ය යෙදුම් සැලසුම් මාතෘකාවක් වැනි කෙටි කාල ක්ෂිතිජයක් ඇත.
DW හි 'කාල විචලනය' දිස්වන දෙවන ආකාරය වන්නේ ප්‍රධාන ව්‍යුහය තුළය. DW හි සෑම ප්‍රධාන ව්‍යුහයකම, දින, සතිය, මාසය යනාදී කාල මූලද්‍රව්‍ය ව්‍යංගයෙන් හෝ පැහැදිලි ලෙස අඩංගු වේ. කාල මූලද්‍රව්‍යය සෑම විටම පාහේ DW හි ඇති සම්බන්ධිත යතුරේ පතුලේ ඇත. මෙම අවස්ථාවන්හිදී, මාසය හෝ කාර්තුව අවසානයේ දී සම්පූර්ණ ගොනුවක් අනුපිටපත් කරන අවස්ථාව වැනි කාල මූලද්‍රව්‍යය ව්‍යංගයෙන් පවතිනු ඇත.
කාල විචලනය පෙන්වන තුන්වන ආකාරය වන්නේ i dati DW හි, නිවැරදිව ලියාපදිංචි වූ පසු, යාවත්කාලීන කළ නොහැක. එම dati DW හි, සියලු ප්‍රායෝගික අරමුණු සඳහා, දිගු ඡායාරූප මාලාවකි. සැබැවින් ම ස්නැප්ෂොට් වැරදි ලෙස ගෙන තිබේ නම්, එම ස්නැප්ෂොට් වෙනස් කළ හැක. නමුත් ස්නැප්ෂොට් නිවැරදිව ලබාගෙන ඇතැයි උපකල්පනය කළත්, ඒවා ගත් වහාම ඒවා වෙනස් නොවේ. සමහරක් තුළ

සමහර අවස්ථා වලදී DW හි ස්නැප්ෂොට් වෙනස් කිරීම සදාචාර විරෝධී හෝ අවලංගු විය හැක. එම dati ක්‍රියාත්මක වන අතර, ප්‍රවේශය ලැබෙන මොහොතේ මෙන් නිරවද්‍යව, අවශ්‍යතාවය මත ඒවා යාවත්කාලීන කළ හැක.

වාෂ්පශීලී නොවේ

DW හි සිව්වන වැදගත් ලක්ෂණය වන්නේ එය වාෂ්පශීලී නොවන බවයි.
යාවත්කාලීන කිරීම්, ඇතුළත් කිරීම්, මකාදැමීම් සහ වෙනස් කිරීම් වාර්තාගත පදනමක් මත මෙහෙයුම් පරිසරයට නිතිපතා සිදු කෙරේ. නමුත් මූලික හැසිරවීම dati DW හි අවශ්‍ය වන දේ වඩාත් සරල ය. DW හි සිදු වන්නේ මෙහෙයුම් වර්ග දෙකක් පමණි - ආරම්භක පැටවීම dati සහ ප්රවේශය dati. පිළිබඳ යාවත්කාලීනයක් නොමැත dati (යාවත්කාලීන කිරීමේ සාමාන්ය අර්ථයෙන්) DW හි සාමාන්ය සැකසුම් මෙහෙයුමක් ලෙස. මෙහෙයුම් සැකසුම් සහ DW සැකසුම් අතර මෙම මූලික වෙනසෙහි ඉතා බලවත් ප්රතිවිපාක කිහිපයක් තිබේ. සැලසුම් මට්ටමේදී, යාවත්කාලීන කිරීමේ සිට, විෂමතා යාවත්කාලීන කිරීම ගැන ප්‍රවේශම් වීමේ අවශ්‍යතාවය DW හි සාධකයක් නොවේ. dati සිදු නොකෙරේ. මෙයින් අදහස් කරන්නේ භෞතික සැලසුම් මට්ටමේදී, ප්‍රවේශය ප්‍රශස්ත කිරීම සඳහා නිදහස ලබා ගත හැකි බවයි dati, විශේෂයෙන්ම භෞතික සාමාන්‍යකරණය සහ denormalization යන මාතෘකා සමඟ කටයුතු කිරීමේදී. DW මෙහෙයුම්වල සරලත්වයේ තවත් ප්‍රතිවිපාකයක් වන්නේ DW පරිසරය ක්‍රියාත්මක කිරීමට භාවිතා කරන යටින් පවතින තාක්ෂණයයි. පේළිගත වාර්තා-වාර්තා-වාර්තා යාවත්කාලීන කිරීම් සඳහා සහය දැක්වීමට (බොහෝ විට මෙහෙයුම් සැකසීමේදී සිදු වන පරිදි) තාක්ෂණයට පෙනෙන සරල බව යටින් ඉතා සංකීර්ණ පදනමක් තිබීම අවශ්‍ය වේ.
උපස්ථ සහ ප්‍රතිසාධනය, ගනුදෙනු සහ අඛණ්ඩතාව සඳහා සහාය වන තාක්ෂණය dati සහ ඩෙඩ්ලොක් තත්ත්වය හඳුනා ගැනීම සහ ප්‍රතිකාර කිරීම ඉතා සංකීර්ණ වන අතර DW සැකසීම සඳහා අවශ්‍ය නොවේ. DW හි ලක්ෂණ, සැලසුම් දිශානතිය, ඒකාබද්ධ කිරීම dati DW තුළ, කාල විචලනය සහ කළමනාකරණයේ සරල බව dati, ඒ සියල්ල සම්භාව්‍ය මෙහෙයුම් පරිසරයට වඩා බෙහෙවින් වෙනස් පරිසරයකට මඟ පෙන්වයි. සියල්ලේම පාහේ මූලාශ්රය dati DW හි මෙහෙයුම් පරිසරය වේ. හි දැවැන්ත අතිරික්තයක් ඇතැයි සිතීමට පෙළඹේ dati පරිසර දෙක අතර.
ඇත්ත වශයෙන්ම, බොහෝ දෙනෙකුට ඇති පළමු හැඟීම වන්නේ විශාල අතිරික්තයක් ඇති බවයි dati මෙහෙයුම් පරිසරය සහ පරිසරය අතර

DW. එවැනි අර්ථකථනයක් මතුපිටින් පෙනෙන අතර DW හි සිදුවන්නේ කුමක්ද යන්න පිළිබඳ අවබෝධයක් නොමැතිකම පෙන්නුම් කරයි.
ඇත්ත වශයෙන්ම අවම අතිරික්තයක් ඇත dati මෙහෙයුම් පරිසරය සහ i dati DW හි. පහත සඳහන් කරුණු සලකා බලන්න: I dati ඒවා පෙරා ඇත ඩැටෝ මෙහෙයුම් පරිසරයේ සිට DW පරිසරයට මාරු වීම. බොහෝ dati ඔවුන් කිසි විටෙකත් මෙහෙයුම් පරිසරයෙන් පිටත ගමන් නොකරයි. එය හැර අයි dati DSS සැකසුම් සඳහා අවශ්‍ය වන ඒවා පරිසරය තුළ ඒවායේ දිශාව සොයා ගනී

▪ කාල ක්ෂිතිජය dati එය එක් පරිසරයකින් තවත් පරිසරයකට බෙහෙවින් වෙනස් ය. එම dati මෙහෙයුම් පරිසරය තුළ ඒවා ඉතා නැවුම් ය. එම dati DW හි ඔවුන් වඩා පැරණි ය. කාල ක්ෂිතිජයේ දෘෂ්ටිකෝණයෙන් පමණක්, මෙහෙයුම් පරිසරය සහ DW අතර අතිච්ඡාදනය ඉතා අඩුය.

▪ DW අඩංගු වේ dati පරිසරයේ කිසිදා දක්නට නොලැබෙන සාරාංශය

▪ අයි dati ඒවා රූප සටහන 3 වෙත සංක්‍රමණය වන විට මූලික පරිවර්තනයකට භාජනය වීම බොහෝ දේ පෙන්නුම් කරයි dati ඒවා තෝරාගෙන DW වෙත ගෙන ගියහොත් සැලකිය යුතු ලෙස වෙනස් කර ඇත. වෙනත් ආකාරයකින් කියන්න, බොහෝ dati එය DW වෙත ගෙන යන විට එය භෞතිකව හා රැඩිකල් ලෙස වෙනස් වේ. ඒකාබද්ධ කිරීමේ දෘෂ්ටි කෝණයෙන් ඔවුන් සමාන නොවේ dati මෙහෙයුම් පරිසරයේ වාසය කරන බව. මෙම සාධක ආලෝකයේ දී, අතිරික්තය dati පරිසර දෙක අතර දුර්ලභ සිදුවීමක් වන අතර, පරිසර දෙක අතර 1% ට වඩා අඩු අතිරික්තයක් ඇති කරයි. ගබඩාවේ ව්යුහය DW වලට වෙනම ව්‍යුහයක් ඇත. DWs මායිම් කරන විවිධ මට්ටමේ සාරාංශ සහ විස්තර ඇත.
DW හි විවිධ සංරචක වන්නේ:

• පාරදත්ත
• Dati වත්මන් විස්තර
• Dati පැරණි විස්තර වලින්
• Dati තරමක් සාරාංශගත කර ඇත
• Dati ඉතා සාරාංශගත කර ඇත

බොහෝ දුරට ප්‍රධාන සැලකිල්ල වන්නේ i dati වත්මන් විස්තර. එය ප්‍රධාන අවධානයට ලක්වන්නේ මන්ද:

• I dati වත්මන් තොරතුරු සෑම විටම විශාල උනන්දුවක් දක්වන සහ වඩාත්ම මෑත සිදුවීම් පිළිබිඹු කරයි
• i dati වත්මන් විස්තරය විශාල වන්නේ එය අවම මට්ටමේ කැටිති මට්ටමේ ගබඩා කර ඇති බැවිනි
• i dati වත්මන් තොරතුරු සෑම විටම පාහේ තැටි මතකයේ ගබඩා කර ඇත, එය ඉක්මනින් ප්රවේශ විය හැකි නමුත් මිල අධික හා භාවිතා කිරීමට සංකීර්ණ වේ dati විස්තර පැරණි වේ dati යම් මතකයක ගබඩා කර ඇති ස්කන්ධය. එය වරින් වර ප්‍රවේශ වන අතර එය සමඟ ගැළපෙන විස්තර මට්ටමකින් ගබඩා කර ඇත dati වත්මන් විස්තර. විශාල පරිමාවක් හේතුවෙන් විකල්ප ගබඩා මාධ්‍යයක ගබඩා කිරීම අනිවාර්ය නොවේ dati හි වරින් වර ප්‍රවේශය සමඟ ඒකාබද්ධව dati, සඳහා ගබඩා මාධ්‍යය dati පැරණි විස්තර දත්ත සාමාන්‍යයෙන් තැටියේ ගබඩා නොවේ. එම dati ඒවා සැහැල්ලුවෙන් සාරාංශ කරයි dati සොයාගත් අඩු මට්ටමේ විස්තරයේ සිට වර්තමාන විස්තර මට්ටම දක්වා ආසවනය කර ඇත. DW හි මෙම මට්ටම සෑම විටම පාහේ තැටි ගබඩාවේ ගබඩා කර ඇත. ගෘහ නිර්මාණ ශිල්පියා මුහුණ දෙන සැලසුම් ගැටළු dati DW හි මෙම මට්ටම ඉදිකිරීමේදී:

• ඉහත දක්වා ඇති සාරාංශය කාල ඒකකය කුමක්ද?
• කුමන අන්තර්ගතය, ගුණාංගවල අන්තර්ගතය තරමක් සාරාංශ කරයි dati ඊළඟ මට්ටම dati DW හි ඇති බව dati ඉතා සාරාංශගත කර ඇත. එම dati ඉතා සාරාංශගත කර ඇත්තේ සංයුක්ත සහ පහසුවෙන් ප්‍රවේශ විය හැකි ය. එම dati ඉතා සාරාංශගත කර ඇති සමහර විට DW පරිසරයේ සහ වෙනත් අවස්ථාවලදී i dati ඩීඩබ්ලිව්හි ඇති තාක්ෂණයේ ආසන්න බිත්ති වලින් පිටත ඉතා සාරාංශගත කර ඇත. (ඕනෑම අවස්ථාවක, i dati මම කොතැනක සිටියත් ඉතා සාරාංශගත කර ඇත්තේ DW හි කොටසකි dati භෞතිකව තබා ඇත). DW හි අවසාන අංගය පාරදත්ත වේ. බොහෝ පැතිවලින් පාරදත්ත අනෙක් ඒවාට වඩා වෙනස් මානයක පිහිටා ඇත dati DW හි, පාරදත්ත කිසිවක් අඩංගු නොවන නිසා ඩැටෝ මෙහෙයුම් පරිසරයෙන් සෘජුවම ලබාගෙන ඇත. පාරදත්ත DW හි විශේෂ සහ ඉතා වැදගත් භූමිකාවක් ඇත. පාරදත්ත භාවිතා වන්නේ:

• DSS විශ්ලේෂකයාට DW හි අන්තර්ගතය සොයා ගැනීමට උපකාර වන නාමාවලියක්,
• සිතියම්ගත කිරීම සඳහා මාර්ගෝපදේශයකි dati කොහොමද අයි dati මෙහෙයුම් පරිසරයේ සිට DW පරිසරය දක්වා පරිවර්තනය කර ඇත,
• අතර සාරාංශ කිරීම සඳහා භාවිතා කරන ඇල්ගොරිතම සඳහා මාර්ගෝපදේශයකි dati වත්මන් විස්තර ei dati තරමක් සාරාංශගත, i dati ඉතා සාරාංශගත කර ඇති පරිදි, මෙටාඩේටා ඩීඩබ්ලිව් පරිසරය තුළ ක්‍රියාකාරී පරිසරයේ වෙන කවරදාටත් වඩා විශාල කාර්යභාරයක් ඉටු කරයි පැරණි විස්තර ගබඩා මාධ්‍යය එවැනි ගබඩා කිරීම සඳහා චුම්බක පටි භාවිතා කළ හැකිය dati. ඇත්ත වශයෙන්ම පැරණි ගබඩා කිරීම සඳහා සලකා බැලිය යුතු ගබඩා මාධ්‍ය විශාල ප්‍රමාණයක් ඇත dati විස්තර වලින්. පරිමාව මත රඳා පවතී dati, ප්‍රවේශයේ වාර ගණන, මෙවලම්වල පිරිවැය සහ ප්‍රවේශ වර්ගය, වෙනත් මෙවලම් සඳහා DW හි පැරණි මට්ටමේ විස්තර අවශ්‍ය වනු ඇතැයි සම්පූර්ණයෙන්ම ඉඩ ඇත. දත්ත ප්රවාහය සාමාන්ය සහ පුරෝකථනය කළ හැකි ප්රවාහයක් පවතී dati DW තුළ.
  I dati ඔවුන් මෙහෙයුම් පරිසරයෙන් DW වෙත ඇතුල් වේ. (සටහන: මෙම රීතියට ඉතා රසවත් ව්යතිරේක කිහිපයක් තිබේ. කෙසේ වෙතත්, සියල්ලම පාහේ dati මෙහෙයුම් පරිසරයෙන් DW ඇතුල් කරන්න). දිනය මම dati මෙහෙයුම් පරිසරයෙන් DW ඇතුල් කරන්න, එය පෙර විස්තර කර ඇති පරිදි පරිවර්තනය වේ. DW වෙත ඇතුල් වීමේ කොන්දේසිය මත, i dati පෙන්වා ඇති පරිදි, වත්මන් විස්තර මට්ටම ඇතුළත් කරන්න. එය එහි වාසය කරන අතර සිදුවීම් තුනෙන් එකක් සිදු වන තෙක් භාවිතා වේ:

• පවිත්ර කරනු ලැබේ,
• සාරාංශගත කර ඇත, සහ/හෝ ▪è DW චලන තුළ යල්පැන ගිය ක්රියාවලිය i dati වත්මන් විස්තර a dati විස්තර පැරණි, වයස අනුව dati. ක්රියාවලිය

සාරාංශ කිරීම පිළිබඳ විස්තරය භාවිතා කරයි dati ගණනය කිරීමට dati තරමක් සාරාංශගත සහ ඉතා සාරාංශගත මට්ටම් dati. පෙන්වා ඇති ප්‍රවාහයට සමහර ව්‍යතිරේක ඇත (පසුව සාකච්ඡා කරනු ඇත). කෙසේ වෙතත්, සාමාන්යයෙන්, අතිමහත් බහුතරය සඳහා dati DW, ගලායාමක් තුළ හමු විය dati එය නියෝජනය වන පරිදි වේ.

දත්ත ගබඩාව භාවිතා කිරීම

විවිධ මට්ටම්වල පුදුමයක් නොවේ dati DW තුළ ඔවුන්ට විවිධ මට්ටමේ භාවිතයන් නොලැබේ. රීතියක් ලෙස, සාරාංශයේ ඉහළ මට්ටම, වැඩි i dati ඒවා භාවිතා කරනු ලැබේ.
බොහෝ භාවිතයන් සිදු වේ dati පැරණි නමුත් ඉතා සාරාංශගත කර ඇත dati විස්තර කිසි විටෙකත් පාහේ භාවිතා නොවේ. සංවිධානය සම්පත් උපයෝගිතා ආදර්ශයට ගෙන යාමට හොඳ හේතුවක් තිබේ. වඩාත් සාරාංශගත i dati, එය ළඟා වීමට ඉක්මන් හා වඩා කාර්යක්ෂම වේ dati. අ වෙළඳ සැලක් එය DW හි විස්තර මට්ටමින් බොහෝ ක්‍රියාවලීන් සිදු කරන බව සොයා ගනී, එවිට ඊට අනුරූප විශාල යන්ත්‍ර සම්පත් ප්‍රමාණයක් පරිභෝජනය කරයි. හැකි ඉක්මනින් ඉහළ මට්ටමේ සාරාංශයක් සැකසීම සෑම කෙනෙකුගේම යහපතට හේතු වේ.

බොහෝ වෙළඳසැල් සඳහා, පූර්ව DW පරිසරයක DSS විශ්ලේෂක භාවිතා කර ඇත dati විස්තර මට්ටමින්. බොහෝ පැතිවලින් පැමිණීම dati සවිස්තරාත්මක සාරාංශය වෙනත් සාරාංශ මට්ටම් ඇති විට පවා, ආරක්ෂක බ්ලැන්කට්ටුවකට සමාන වේ. ගෘහ නිර්මාණ ශිල්පියාගේ ක්‍රියාකාරකම් වලින් එකක් dati ඩීඑස්එස් පරිශීලකයා නිරන්තර භාවිතයෙන් ඉවත් කිරීමයි dati විස්තරයේ පහළම මට්ටමේ. ගෘහ නිර්මාණ ශිල්පියාට අභිප්‍රේරණ දෙකක් තිබේ dati:

• ආරෝපණ පද්ධතියක් ස්ථාපනය කිරීමෙන්, අවසාන පරිශීලකයා පරිභෝජනය කරන සම්පත් සඳහා ගෙවනු ලැබේ
• i සමඟ හැසිරීමේදී ඉතා හොඳ ප්‍රතිචාර කාලයක් ලබා ගත හැකි බව එයින් පෙන්නුම් කෙරේ dati සාරාංශගත කිරීමේ ඉහළ මට්ටමක පවතින අතර, දුර්වල ප්‍රතිචාර කාලය පැමිණෙන්නේ හි හැසිරීමෙනි dati අඩු මට්ටමක වෙනත් සාකච්ඡා තවත් DW ඉදිකිරීම් සහ කළමනාකරණ සලකා බැලීම් තිබේ.
  පළමු සැලකිල්ල දර්ශක වේ. එම dati සාරාංශයේ ඉහළ මට්ටම්වලදී ඒවා නිදහසේ සුචිගත කළ හැකි අතර i dati

අඩු විස්තර මට්ටම්වලදී ඒවා ඉතා විශාල වන අතර ඒවා අරපිරිමැස්මෙන් සුචිගත කළ හැකිය. එම සංකේතයෙන්, අයි dati ඉහළ මට්ටමේ විස්තර සාපේක්ෂව පහසුවෙන් ප්රතිව්යුහගත කළ හැකි අතර පරිමාව dati පහළ මට්ටම්වලදී එය කොතරම් විශාලද යත් i dati ඒවා පහසුවෙන් ප්‍රතිසංස්කරණය කළ නොහැක. එහි ප්රතිඵලයක් වශයෙන්, ආකෘතිය dati සහ සැලසුම මගින් සිදු කරන ලද විධිමත් වැඩ ඩීඩබ්ලිව් සඳහා අඩිතාලම දැමුවේ වර්තමාන විස්තර මට්ටමේ දී තනිකරම පාහේ යෙදී ඇත. වෙනත් වචන වලින් කිවහොත්, ආකෘති නිර්මාණ කටයුතු dati ඒවා සෑම අවස්ථාවකම පාහේ සාරාංශ මට්ටම්වලට අදාළ නොවේ. තවත් ව්‍යුහාත්මක සලකා බැලීමක් වන්නේ උප බෙදීමයි dati DW විසිනි.

කොටස් කිරීම මට්ටම් දෙකකින් සිදු කළ හැකිය - මට්ටමින් dbms සහ යෙදුම් මට්ටමින්. මට්ටමින් අංශයේ dbmsඔහු dbms කොට්ඨාශ පිළිබඳව දැනුවත් කර ඒ අනුව ඒවා පාලනය කරයි. අයදුම්පත් මට්ටමින් බෙදීමේදී, ක්‍රමලේඛකයාට පමණක් අංශ ගැන දැනුම් දෙන අතර ඒවායේ පරිපාලනය පිළිබඳ වගකීම ඔහුට පැවරේ.

මට්ටමට පහළින් dbms, වැඩ ගොඩක් ඉබේම සිදු වෙනවා. බෙදීම් ස්වයංක්‍රීයව පරිපාලනය කිරීම හා සම්බන්ධ බොහෝ අනම්‍යශීලී බවක් ඇත. යෙදුම් මට්ටමේ බෙදීම් සම්බන්ධයෙන් dati ඒ දත්ත ගබඩාවයි, වැඩ ගොඩක් ක්රමලේඛකයා මත බර, නමුත් අවසන් ප්රතිඵලය පරිපාලනය නම්යශීලී වේ dati nel දත්ත ගබඩාවයි

වෙනත් විෂමතා

සංරචක වන අතරතුර දත්ත ගබඩාවයි ඒවා සියල්ලම පාහේ විස්තර කර ඇති පරිදි ක්‍රියා කරයි dati, සාකච්ඡා කළ යුතු ප්රයෝජනවත් ව්යතිරේක කිහිපයක් තිබේ. ව්යතිරේකයක් වන්නේ එයයි dati පොදු සාරාංශ දත්ත. මේවා dati වලින් ගණනය කර ඇති සාරාංශ දත්ත ගබඩාවයි නමුත් ඒවා සමාජය විසින් භාවිතා කරනු ලැබේ. එම dati පොදු සාරාංශ ගබඩා කර කළමනාකරණය කරනු ලැබේ දත්ත ගබඩාවයි, කලින් සඳහන් කළ පරිදි ඒවා ගණනය කර ඇතත්. ගණකාධිකාරීවරුන් එවැනි කාර්තුමය නිෂ්පාදනය කිරීමට කටයුතු කරයි dati ආදායම, ත්‍රෛමාසික වියදම්, කාර්තුමය ලාභය යනාදිය. ගණකාධිකාරීවරුන් විසින් සිදු කරනු ලබන කාර්යය බාහිරයි දත්ත ගබඩාවයි. කෙසේ වෙතත්, අයි dati සමාගම තුළ "අභ්යන්තරව" භාවිතා කරනු ලැබේ - සිට අලෙවි, විකුණුම්, ආදිය. සාකච්ඡා නොකරන තවත් විෂමතාවයක් නම්, එයයි dati එස්තර්නි.

තවත් කැපී පෙනෙන වර්ගයකි dati a හි සොයා ගත හැකි බව දත්ත ගබඩාවයි එය ස්ථිර විස්තර දත්ත වේ. මේවා ස්ථිරවම ගබඩා කිරීමේ අවශ්‍යතාවයට හේතු වේ dati සදාචාරාත්මක හෝ නීතිමය හේතු සඳහා සවිස්තරාත්මක මට්ටමින්. සමාගමක් තම සේවකයන් භයානක ද්‍රව්‍යවලට නිරාවරණය කරන්නේ නම් අවශ්‍ය වේ dati සවිස්තරාත්මක සහ ස්ථිර. සමාගමක් ගුවන් යානා කොටස් වැනි මහජන ආරක්ෂාව සම්බන්ධ නිෂ්පාදනයක් නිෂ්පාදනය කරන්නේ නම්, අවශ්‍ය වේ dati ස්ථිර තොරතුරු, මෙන්ම සමාගමක් භයානක ගිවිසුම්වලට එළඹෙන්නේ නම්.

ඉදිරි වසර කිහිපය තුළ, නඩුවක්, ආපසු කැඳවීම, මතභේදාත්මක ඉදිකිරීම් දෝෂය යනාදිය නිසා සමාගමට විස්තර නොසලකා හැරීමට හැකියාවක් නැත. සමාගමේ නිරාවරණය විශාල විය හැකිය. එහි ප්රතිඵලයක් වශයෙන් අද්විතීය ආකාරයේ පවතී dati ස්ථිර විස්තර දත්ත ලෙස හැඳින්වේ.

සාරාංශය

Un දත්ත ගබඩාවයි වස්තු නැඹුරු, ඒකාබද්ධ, කාල විචල්‍ය, එකතුවකි dati පරිපාලනයේ තීරණ ගැනීමේ අවශ්‍යතා සඳහා සහාය වීම සඳහා වාෂ්පශීලී නොවේ. a හි එක් එක් කැපී පෙනෙන කාර්යයන් දත්ත ගබඩාවයි එහි ඇඟවුම් ඇත. ප්ලස් මට්ටම් හතරක් ඇත dati ඒ දත්ත ගබඩාවයි:

• පැරණි විස්තර
• වත්මන් විස්තරය
• Dati තරමක් සාරාංශගත කර ඇත
• Dati ඉතා සාරාංශගත පාරදත්ත ද වැදගත් කොටසකි දත්ත ගබඩාවයි. වියුක්ත ගබඩා කිරීමේ සංකල්පය dati එය මෑතක සිට බොහෝ දෙනාගේ අවධානයට ලක් වූ අතර 90 දශකයේ ප්‍රවණතාවක් බවට පත්ව ඇත. මෙයට හේතුව දත්ත ගබඩාවයි තීරණ ආධාරක පද්ධති (DSS) සහ විධායක තොරතුරු පද්ධති (EIS) වැනි කළමනාකරණ ආධාරක පද්ධතිවල සීමාවන් ජය ගැනීමට. යන සංකල්පය වුවද දත්ත ගබඩාවයි බලාපොරොත්තු සහගත බව පෙනේ, i ක්රියාත්මක කරන්න දත්ත ගබඩාවයි මහා පරිමාණ ගබඩා කිරීමේ ක්රියාවලීන් හේතුවෙන් ගැටළුකාරී විය හැක. ගබඩා ව්යාපෘතිවල සංකීර්ණත්වය තිබියදීත් dati, ගබඩා කරන බොහෝ සැපයුම්කරුවන් සහ උපදේශකයින් dati ගබඩා කර ඇති බව ඔවුහු පවසති dati ධාරාව කිසිදු ගැටළුවක් ඇති නොකරයි. කෙසේ වෙතත්, මෙම පර්යේෂණ ව්‍යාපෘතිය ආරම්භයේදී ස්වාධීන, දැඩි හා ක්‍රමානුකූල පර්යේෂණ කිසිවක් සිදු කර නොතිබුණි. එබැවින් කර්මාන්තය ගොඩනඟන විට ඇත්ත වශයෙන්ම සිදුවන්නේ කුමක්දැයි කීමට අපහසුය දත්ත ගබඩාවයි. මෙම අධ්‍යයනයේ ගබඩා පරිචය ගවේෂණය කරන ලදී dati ඕස්ට්රේලියානු භාවිතය පිළිබඳ පොහොසත් අවබෝධයක් වර්ධනය කිරීම අරමුණු කරගත් සමකාලීනයන්. සාහිත්‍ය සමාලෝචනය ආනුභවික අධ්‍යයනය සඳහා සන්දර්භය සහ පදනම සපයන ලදී. මෙම පර්යේෂණයෙන් සොයාගැනීම් ගණනාවක් තිබේ. පළමුව, මෙම අධ්‍යයනයෙන් හෙළි වූයේ සංවර්ධනයේ දී මතු වූ ක්‍රියාකාරකම් ය දත්ත ගබඩාවයි. බොහෝ ප්රදේශ වල, අයි dati සාහිත්යයේ වාර්තා කර ඇති භාවිතය තහවුරු කරන ලදී. දෙවනුව, සංවර්ධනයට බලපාන ගැටළු සහ ගැටළු දත්ත ගබඩාවයි මෙම අධ්යයනය මගින් හඳුනා ගන්නා ලදී. අවසාන වශයෙන්, භාවිතය හා සම්බන්ධ ඕස්ට්‍රේලියානු සංවිධාන විසින් ලබාගත් ප්‍රතිලාභ දත්ත ගබඩාවයි අනාවරණය වී ඇත.

1 වන පරිච්ඡේදය

පර්යේෂණ සන්දර්භය

දත්ත ගබඩා කිරීමේ සංකල්පය පුළුල් ලෙස නිරාවරණය වූ අතර 90 ගණන්වල නැගී එන ප්‍රවණතාවක් බවට පත්විය (McFadden 1996, TDWI 1996, Shah and Milstein 1997, Shanks et al. 1997, Eckerson 1998, Adelman and Oates 2000). වෙළඳ ප්‍රකාශනවල දත්ත ගබඩා කිරීම පිළිබඳ වැඩිවන ලිපි සංඛ්‍යාවෙන් මෙය දැකගත හැකිය (Little and Gibson 1999). බොහෝ ලිපි (බලන්න, උදාහරණයක් ලෙස, Fisher 1995, Hackathorn 1995, Morris 1995a, Bramblett and King 1996, Graham et al. 1996, Sakaguchi and Frolick 1996, Alvarez 1997, Brousell, O Clarke 1997, Clarke 1997 1997, Edwards 1997, TDWI 1998) i ක්‍රියාත්මක කරන සංවිධාන විසින් සැලකිය යුතු ප්‍රතිලාභ වාර්තා කර ඇත. දත්ත ගබඩාවයි. සාර්ථක ක්‍රියාත්මක කිරීම්, ආයෝජන මත ඉහළ ප්‍රතිලාභ (ROI) සංඛ්‍යාලේඛන සහ, සංවර්ධනය සඳහා මාර්ගෝපදේශ හෝ ක්‍රමවේදයන් ලබා දීමෙන් ඔවුන් ඔවුන්ගේ න්‍යායට සහාය දුන්හ. දත්ත ගබඩාවයි

(Shanks et al. 1997, Seddon and Benjamin 1998, Little and Gibson 1999). ආන්තික අවස්ථාවක, Graham et al. (1996) වසර තුනක ආයෝජනය 401%ක සාමාන්‍ය ප්‍රතිලාභයක් වාර්තා කළේය.

කෙසේ වෙතත්, වර්තමාන සාහිත්‍යයේ බොහෝමයක් එවැනි ව්‍යාපෘති භාර ගැනීමේ සංකීර්ණතා නොසලකා හැර ඇත. හි ව්යාපෘති දත්ත ගබඩාවයි ඒවා සාමාන්‍යයෙන් සංකීර්ණ සහ මහා පරිමාණ වන අතර එබැවින් ඒවා ප්‍රවේශමෙන් පාලනය නොකළහොත් අසාර්ථක වීමේ ඉහළ සම්භාවිතාවක් දරයි (Shah and Milstein 1997, Eckerson 1997, Foley 1997b, Zimmer 1997, Bort 1998, Gibbs and Clymer 1998, Rao 1998). ඔවුන්ට මානව සහ මූල්‍ය සම්පත් යන දෙඅංශයෙන්ම විශාල ප්‍රමාණයක් අවශ්‍ය වන අතර ඒවා ගොඩ නැගීම සඳහා කාලය සහ ශ්‍රමය අවශ්‍ය වේ (Hill 1998, Crofts 1998). සාමාන්‍ය කාලය සහ මූල්‍ය මාර්ග අවශ්‍ය වන්නේ ආසන්න වශයෙන් වසර දෙකක් සහ ඩොලර් මිලියන දෙකේ සිට තුන දක්වා, පිළිවෙලින් (Braly 1995, Foley 1997b, Bort 1998, Humphries et al. 1999). දත්ත ගබඩා කිරීමේ විවිධ අංශ පාලනය කිරීමට සහ ඒකාබද්ධ කිරීමට මෙම කාලය සහ මුල්‍ය මාර්ග අවශ්‍ය වේ (Cafasso 1995, Hill 1998). දෘඩාංග සහ මෘදුකාංග සලකා බැලීම් සමඟින්, නිස්සාරණයෙන් වෙනස් වන අනෙකුත් කාර්යයන් dati පැටවීමේ ක්‍රියාවලීන් වෙත dati, යාවත්කාලීන සහ මෙටා කළමනාකරණය කිරීමට මතක ධාරිතාව dati පරිශීලක පුහුණුව සඳහා, සලකා බැලිය යුතුය.

මෙම පර්යේෂණ ව්‍යාපෘතිය ආරම්භ වන විට, දත්ත ගබඩා කිරීමේ ක්ෂේත්‍රය තුළ, විශේෂයෙන් ඕස්ට්‍රේලියාවේ අධ්‍යයන පර්යේෂණ ඉතා අල්පය. එකල සඟරාවලින් හෝ වෙනත් ශාස්ත්‍රීය ලේඛනවලින් දත්ත ගබඩා කිරීම පිළිබඳ ප්‍රකාශිත ලිපි හිඟයෙන් මෙය පැහැදිලි විය. පවතින බොහෝ ශාස්ත්‍රීය ලේඛන එක්සත් ජනපද අත්දැකීම් විස්තර කළේය. දත්ත ගබඩා කිරීමේ ප්‍රදේශයේ ශාස්ත්‍රීය පර්යේෂණ නොමැතිකම දැඩි පර්යේෂණ සහ ආනුභවික අධ්‍යයනයන් සඳහා කැඳවුම් කර ඇත (McFadden 1996, Shanks et al. 1997, Little and Gibson 1999). විශේෂයෙන්ම, ක්රියාත්මක කිරීමේ ක්රියාවලිය පිළිබඳ පර්යේෂණ අධ්යයන දත්ත ගබඩාවයි ක්‍රියාත්මක කිරීම සම්බන්ධයෙන් සාමාන්‍ය දැනුම ව්‍යාප්ත කිරීම සඳහා සිදු කළ යුතුය දත්ත ගබඩාවයි සහ අනාගත පර්යේෂණ අධ්‍යයනයක් සඳහා පදනම ලෙස සේවය කරනු ඇත (Shanks et al. 1997, Little and Gibson 1999).

එබැවින් මෙම අධ්‍යයනයේ පරමාර්ථය වන්නේ ආයතන විසින් ක්‍රියාත්මක කර i භාවිතා කරන විට ඇත්ත වශයෙන්ම සිදුවන්නේ කුමක්ද යන්න අධ්‍යයනය කිරීමයි දත්ත ගබඩාවයි ඕස්ට්රේලියාවේ. විශේෂයෙන්, මෙම අධ්‍යයනයට a හි සමස්ත සංවර්ධන ක්‍රියාවලියක් පිළිබඳ විශ්ලේෂණයක් ඇතුළත් වේ දත්ත ගබඩාවයි, ආරම්භයේ සිට සැලසුම් කිරීම සහ සැලසුම් කිරීම හරහා සැලසුම් කිරීම සහ ක්‍රියාත්මක කිරීම සහ ඕස්ට්‍රේලියානු සංවිධාන තුළ පසුව භාවිතා කිරීම. මීට අමතරව, පුහුණුව තවදුරටත් වැඩිදියුණු කළ හැකි සහ අකාර්යක්ෂමතා සහ අවදානම් අවම කර ගැනීමට හෝ වළක්වා ගත හැකි ක්ෂේත්‍ර හඳුනා ගැනීමෙන් වර්තමාන භාවිතයට ද අධ්‍යයනය දායක වනු ඇත. තවද, එය වෙනත් අධ්‍යයනයන් සඳහා පදනමක් ලෙස සේවය කරනු ඇත දත්ත ගබඩාවයි ඕස්ට්‍රේලියාවේ සහ දැනට සාහිත්‍යයේ පවතින හිඩැස පුරවනු ඇත.

පර්යේෂණ ප්රශ්න

මෙම පර්යේෂණයේ පරමාර්ථය වන්නේ ක්‍රියාත්මක කිරීමට සම්බන්ධ ක්‍රියාකාරකම් අධ්‍යයනය කිරීමයි දත්ත ගබඩාවයි සහ ඕස්ට්‍රේලියානු සංවිධාන විසින් ඒවා භාවිතා කිරීම. විශේෂයෙන්ම, ව්‍යාපෘති සැලසුම් කිරීම, සංවර්ධනය කිරීම, ක්‍රියාත්මක කිරීම, භාවිතය සහ ඊට සම්බන්ධ අවදානම් පිළිබඳ මූලිකාංග අධ්‍යයනය කෙරේ. එබැවින් මෙම පර්යේෂණයේ ප්රශ්නය වන්නේ:

“මොකක්ද දැනට තියෙන පුරුද්ද දත්ත ගබඩාවයි ඕස්ට්‍රේලියාවේ?"

මෙම ප්‍රශ්නයට ඵලදායි ලෙස පිළිතුරු දීමට, අනුබද්ධ පර්යේෂණ ප්‍රශ්න ගණනාවක් අවශ්‍ය වේ. විශේෂයෙන්ම, මෙම පර්යේෂණ ව්‍යාපෘතියට මඟ පෙන්වීම සඳහා 2 වන පරිච්ඡේදයේ ඉදිරිපත් කර ඇති සාහිත්‍යයෙන් උප ප්‍රශ්න තුනක් හඳුනා ගන්නා ලදී: දත්ත ගබඩාවයි ඕස්ට්‍රේලියානු සංවිධාන වලින්ද? ඔබ මුහුණ දී ඇති ගැටළු මොනවාද?

අත්විඳින ලද ප්රතිලාභ මොනවාද?
මෙම ප්‍රශ්නවලට පිළිතුරු සැපයීමේදී, සමීක්ෂණයක් යොදා ගනිමින් ගවේෂණාත්මක පර්යේෂණ සැලසුමක් භාවිතා කරන ලදී. ගවේෂණාත්මක අධ්‍යයනයක් ලෙස, ඉහත ප්‍රශ්නවලට පිළිතුරු සම්පූර්ණ නැත (Shanks et al. 1993, Denscombe 1998). මෙම අවස්ථාවේදී, මෙම ප්‍රශ්නවලට පිළිතුරු වැඩි දියුණු කිරීම සඳහා ත්‍රිකෝණකරණය අවශ්‍ය වේ. කෙසේ වෙතත්, විමර්ශනය මෙම ප්‍රශ්න පරීක්ෂා කිරීමේ අනාගත කටයුතු සඳහා ශක්තිමත් පදනමක් සපයනු ඇත. පර්යේෂණ ක්‍රම සාධාරණීකරණය සහ සැලසුම් පිළිබඳ සවිස්තරාත්මක සාකච්ඡාවක් 3 වන පරිච්ඡේදයේ ඉදිරිපත් කෙරේ.

පර්යේෂණ ව්යාපෘතියේ ව්යුහය

මෙම පර්යේෂණ ව්‍යාපෘතිය කොටස් දෙකකට බෙදා ඇත: දත්ත ගබඩා සංකල්පය සහ ආනුභවික පර්යේෂණ පිළිබඳ සන්දර්භ අධ්‍යයනය (රූපය 1.1 බලන්න), ඒ සෑම එකක්ම පහත සාකච්ඡා කෙරේ.

I කොටස: සන්දර්භ අධ්‍යයනය

පර්යේෂණයේ පළමු කොටස සමන්විත වූයේ තීරණ ආධාරක පද්ධති (DSS), විධායක තොරතුරු පද්ධති (EIS), සිද්ධි අධ්‍යයන ඇතුළු විවිධ වර්ගයේ දත්ත ගබඩා කිරීම් පිළිබඳ වර්තමාන සාහිත්‍යය සමාලෝචනය කිරීමෙනි. දත්ත ගබඩාවයි සහ සංකල්ප දත්ත ගබඩාවයි. තවද, සංසදවල ප්රතිඵල දත්ත ගබඩාවයි සහ මොනෑෂ් ඩීඑස්එස් පර්යේෂන කණ්ඩායම විසින් මෙහෙයවන ලද විශේෂඥ සහ ප්‍රායෝගික රැස්වීම් කණ්ඩායම්, මෙම අධ්‍යයනයේ මෙම අදියර සඳහා දායක වූ අතර එය ප්‍රායෝගිකව පිළිබඳ අවබෝධයක් ලබා ගැනීමට අදහස් කරන ලදී. දත්ත ගබඩාවයි සහ ඔවුන්ගේ දරුකමට හදාගැනීමේ අවදානම හඳුනා ගැනීමට. මෙම සන්දර්භීය අධ්‍යයන කාලය තුළ, පසුකාලීන ආනුභවික විමර්ශන සඳහා පසුබිම් දැනුම ලබා දීම සඳහා ගැටළු කලාපය පිළිබඳ අවබෝධය ස්ථාපිත කරන ලදී. කෙසේ වෙතත්, මෙය පර්යේෂණ අධ්‍යයනය සිදු කරන අතරතුර අඛණ්ඩ ක්‍රියාවලියක් විය.

II කොටස: ආනුභවික පර්යේෂණ

දත්ත ගබඩා කිරීම පිළිබඳ සාපේක්ෂ නව සංකල්පය, විශේෂයෙන් ඕස්ට්‍රේලියාවේ, පරිශීලක අත්දැකීම පිළිබඳ පුළුල් චිත්‍රයක් ලබා ගැනීම සඳහා සමීක්ෂණයක අවශ්‍යතාවය නිර්මාණය කර ඇත. විස්තීරණ සාහිත්‍ය සමාලෝචනයක් හරහා ගැටළු වසම ස්ථාපිත වූ පසු මෙම කොටස සිදු කරන ලදී. මෙම අධ්‍යයනයේ මූලික ප්‍රශ්නාවලිය සඳහා ආදානය ලෙස සන්දර්භීය අධ්‍යයන අදියරේදී පිහිටුවන ලද දත්ත ගබඩා සංකල්පය භාවිතා කරන ලදී. ඉන් අනතුරුව ප්‍රශ්නාවලිය පරීක්ෂාවට ලක් කරන ලදී. ඔබ විශේෂඥයන් දත්ත ගබඩාවයි පරීක්ෂණයට සහභාගී විය. මූලික ප්‍රශ්නාවලිය පරීක්ෂා කිරීමේ අරමුණ වූයේ ප්‍රශ්නවල සම්පූර්ණත්වය සහ නිරවද්‍යතාවය පරීක්ෂා කිරීමයි. පරීක්ෂණ ප්‍රතිඵල මත පදනම්ව, ප්‍රශ්නාවලිය වෙනස් කරන ලද අතර වෙනස් කරන ලද අනුවාදය සමීක්ෂණයට සහභාගී වූවන් වෙත යවන ලදී. ආපසු ලබා දුන් ප්‍රශ්නාවලිය පසුව i සඳහා විශ්ලේෂණය කරන ලදී dati වගු, රූප සටහන් සහ වෙනත් ආකෘති වලින්. එම

විශ්ලේෂණ ප්රතිඵල dati ඔවුන් ඕස්ට්‍රේලියාවේ දත්ත ගබඩා කිරීමේ පරිචයේ සැණරුවක් සාදයි.

දත්ත ගබඩා දළ විශ්ලේෂණය

පරිගණක තාක්ෂණයේ වැඩිදියුණු කිරීම් සමඟ දත්ත ගබඩා කිරීමේ සංකල්පය පරිණාමය වී ඇත.
තීරණ ආධාරක පද්ධතිය (DSS) සහ විධායක තොරතුරු පද්ධතිය (EIS) වැනි යෙදුම් ආධාරක කණ්ඩායම් මුහුණ දෙන ගැටළු මඟහරවා ගැනීම එහි අරමුණයි.

අතීතයේ දී මෙම යෙදුම් වලට ඇති ලොකුම බාධාව වූයේ මෙම අයදුම්පත් ලබා දීමට ඇති නොහැකියාවයි දත්ත සමුදාය විශ්ලේෂණය සඳහා අවශ්ය වේ.
මෙයට ප්‍රධාන වශයෙන් හේතු වන්නේ කළමනාකාරිත්වයේ කාර්යයේ ස්වභාවයයි. ආවරණය වන ප්‍රදේශය අනුව සමාගමක කළමනාකාරිත්වයේ අවශ්‍යතා නිරන්තරයෙන් වෙනස් වේ. එබැවින් අයි dati මෙම යෙදුම් සඳහා මූලික ඒවා ප්‍රතිකාර කළ යුතු කොටස අනුව ඉක්මනින් වෙනස් විය යුතුය.
මෙයින් අදහස් කරන්නේ අයි dati ඉල්ලා සිටින විශ්ලේෂණ සඳහා සුදුසු පෝරමයේ තිබිය යුතුය. ඇත්ත වශයෙන්ම, යෙදුම් ආධාරක කණ්ඩායම් එකතු කිරීම සහ ඒකාබද්ධ කිරීම අතීතයේ දී ඉතා දුෂ්කර විය dati සංකීර්ණ හා විවිධ මූලාශ්ර වලින්.

මෙම කොටසේ ඉතිරි කොටස දත්ත ගබඩා කිරීමේ සංකල්පය පිළිබඳ දළ විශ්ලේෂණයක් ඉදිරිපත් කරන අතර එය කෙසේද යන්න සාකච්ඡා කරයි දත්ත ගබඩාවයි යෙදුම් ආධාරක කණ්ඩායම්වල ගැටළු මඟහරවා ගත හැකිය.
පදය “දත්ත ගබඩාව1990 දී විලියම් ඉන්මොන් විසින් ප්‍රචලිත කරන ලදී. ඔහුගේ නිතර උපුටා දක්වන ලද නිර්වචනය දකී දත්ත ගබඩාව එකතුවක් ලෙස dati කළමනාකරණ තීරණ සඳහා සහය දැක්වීම සඳහා විෂය-නැඹුරු, ඒකාබද්ධ, වාෂ්පශීලී නොවන සහ කාලයත් සමඟ විචල්‍ය වේ.

මෙම නිර්වචනය භාවිතා කරමින් Inmon ඉස්මතු කරන්නේ i dati a හි පදිංචි දත්ත ගබඩාවයි ඔවුන්ට පහත ලක්ෂණ 4ක් තිබිය යුතුය:

• ▪ විෂය-නැඹුරු
• ▪ ඒකාබද්ධ
• ▪ වාෂ්පශීලී නොවන
• ▪ කාලයත් සමඟ විචල්‍ය වන්නේ විෂය-නැඹුරු Inmon යන්නෙන් අදහස් වන්නේ i dati nel දත්ත ගබඩාවයි මෙතෙක් පැවති විශාලතම ආයතනික ක්ෂේත්‍රවල

ආකෘතියේ අර්ථ දක්වා ඇත dati. උදාහරණයක් ලෙස සියල්ල dati i සම්බන්ධයෙන් පාරිභෝගිකයන් විෂය ක්ෂේත්රය තුළ අඩංගු වේ පාරිභෝගිකයන්. එලෙසම සියල්ල dati නිෂ්පාදනවලට අදාළව PRODUCTS විෂය ක්ෂේත්‍රයේ අඩංගු වේ.

Integrated Inmon යන්නෙන් අදහස් වන්නේ i dati විවිධ වේදිකා වලින් පැමිණෙන, පද්ධති සහ ස්ථාන ඒකාබද්ධ කර එක් ස්ථානයක ගබඩා කර ඇත. ප්‍රතිඵලයක් වශයෙන් dati සමාන ඒවා පහසුවෙන් එකතු කිරීමට සහ සංසන්දනය කිරීමට හැකි වන පරිදි ස්ථාවර ආකෘති බවට පරිවර්තනය කළ යුතුය.
උදාහරණයක් ලෙස, පිරිමි සහ ගැහැණු ලිංගභේදය එක් පද්ධතියක M සහ F අක්ෂර වලින් ද තවත් පද්ධතියක 1 සහ 0 මගින් ද නිරූපණය කෙරේ. ඒවා නිවැරදිව අනුකලනය කිරීම සඳහා, ආකෘති දෙක එක හා සමාන වන පරිදි ආකෘති එකක් හෝ දෙකම පරිවර්තනය කළ යුතුය. මෙම අවස්ථාවෙහිදී අපට M 1 සහ F 0 හෝ අනෙක් අතට වෙනස් කළ හැකිය. විෂය-නැඹුරු සහ ඒකාබද්ධ බව පෙන්නුම් කරයි දත්ත ගබඩාවයි හි ක්‍රියාකාරී සහ හරස් දැක්මක් සැපයීම සඳහා නිර්මාණය කර ඇත dati සමාගම විසින්.

Non-volatile යන්නෙන් ඔහු අදහස් කරන්නේ i dati nel දත්ත ගබඩාවයි ස්ථාවරව සහ යාවත්කාලීන කිරීම dati එය අවශ්ය නොවේ. ඒ වෙනුවට, සෑම වෙනස්කමක්ම dati මුල් පිටපත් එකතු කරනු ලැබේ දත්ත සමුදාය ඒ දත්ත ගබඩාවයි. මෙයින් අදහස් කරන්නේ ඓතිහාසික දේවයි dati තුළ අන්තර්ගත වේ දත්ත ගබඩාවයි.

කාලය සමඟ විචල්‍යයන් සඳහා Inmon පෙන්නුම් කරන්නේ i dati nel දත්ත ගබඩාවයි සෑම විටම ei කාල දර්ශක අඩංගු වේ dati ඔවුන් සාමාන්‍යයෙන් නිශ්චිත කාල ක්ෂිතිජයක් තරණය කරයි. උදාහරණයක් ලෙස a
දත්ත ගබඩාවයි වසර 5ක ඓතිහාසික වටිනාකම් අඩංගු විය හැක පාරිභෝගිකයන් 1993 සිට 1997 දක්වා. ඉතිහාසය සහ කාල මාලාවක් තිබීම dati ප්රවණතා විශ්ලේෂණය කිරීමට ඔබට ඉඩ සලසයි.

Un දත්ත ගබඩාවයි ඔහුට තමාගේම එකතු කර ගත හැකිය dati OLTP පද්ධති වලින්; මූලාශ්‍ර වලින් dati සංවිධානයට බාහිරව සහ/හෝ වෙනත් විශේෂ ග්‍රහණ පද්ධති ව්‍යාපෘති මගින් dati.
I dati සාරය පිරිසිදු කිරීමේ ක්‍රියාවලියක් හරහා යා හැක, මෙම අවස්ථාවේදී i dati තුළ ගබඩා කිරීමට පෙර පරිවර්තනය කර ඒකාබද්ධ කරනු ලැබේ දත්ත සමුදාය ඒ දත්ත ගබඩාවයි. එවිට, අයි dati

ඇතුළත පදිංචිකරුවන් දත්ත සමුදාය ඒ දත්ත ගබඩාවයි අවසාන පරිශීලක පිවිසුම් සහ ප්‍රතිසාධන මෙවලම් සඳහා ලබා දී ඇත. මෙම මෙවලම් භාවිතා කිරීමෙන් අවසාන පරිශීලකයාට සංවිධානයේ ඒකාබද්ධ දර්ශනයට ප්‍රවේශ විය හැක dati.

I dati ඇතුළත පදිංචිකරුවන් දත්ත සමුදාය ඒ දත්ත ගබඩාවයි ඒවා සවිස්තරාත්මකව සහ සාරාංශ ආකෘතිවලින් ගබඩා කර ඇත.
සාරාංශයේ මට්ටම ස්වභාවය මත රඳා පවතී dati. මම dati සවිස්තරාත්මකව සමන්විත විය හැකිය dati වත්මන් ඊ dati ඉතිහාසඥයන්
I dati රාජකීයත්වය ඇතුළත් නොවේ දත්ත ගබඩාවයි දක්වා i dati nel දත්ත ගබඩාවයි යාවත්කාලීන වේ.
ගබඩා කිරීමට අමතරව i dati තමන්, ඒ දත්ත ගබඩාවයි එය ද වෙනස් වර්ගය ගබඩා කළ හැක ඩැටෝ විස්තර කරමින් METADATA ලෙස හැඳින්වේ dati ඔහුගේ පදිංචිකරුවන් දත්ත සමුදාය.
පාරදත්ත වර්ග දෙකක් ඇත: සංවර්ධන පාරදත්ත සහ විශ්ලේෂණ පාරදත්ත.
සංවර්ධන පාර-දත්ත නිස්සාරණය, පිරිසිදු කිරීම, සිතියම්ගත කිරීම සහ පැටවීමේ ක්‍රියාවලීන් කළමනාකරණය කිරීමට සහ ස්වයංක්‍රීය කිරීමට භාවිතා කරයි. dati nel දත්ත ගබඩාවයි.
සංවර්ධන පාර-දත්තවල අඩංගු තොරතුරු මෙහෙයුම් පද්ධති පිළිබඳ විස්තර, උකහා ගත යුතු මූලද්‍රව්‍ය පිළිබඳ විස්තර, ආකෘතිය අඩංගු විය හැක. dati ඒ දත්ත ගබඩාවයි සහ පරිවර්තනය සඳහා ව්යාපාරික නීති dati.

විශ්ලේෂණ පාර-දත්ත ලෙස හැඳින්වෙන දෙවන වර්ගයේ පාර-දත්ත, අවසාන පරිශීලකයාට අන්තර්ගතය ගවේෂණය කිරීමට හැකියාව ලබා දෙයි. දත්ත ගබඩාවයි සොයා ගැනීමට dati ලබා ගත හැකි සහ ඒවායේ අර්ථය පැහැදිලි, තාක්ෂණික නොවන වචන වලින්.

එබැවින් විශ්ලේෂණ පාරදත්ත පාලමක් ලෙස ක්‍රියා කරයි දත්ත ගබඩාවයි සහ අවසාන පරිශීලක යෙදුම්. මෙම පාරදත්ත ව්‍යාපාර ආකෘතිය, විස්තර අඩංගු විය හැක dati ව්‍යාපාර ආකෘතියට අනුරූප වන අතර, පෙර-නිශ්චිත විමසුම් සහ වාර්තා, පරිශීලක ප්‍රවේශය සඳහා තොරතුරු සහ දර්ශකය.

විශ්ලේෂණ සහ සංවර්ධන පාර-දත්ත නිසි ලෙස ක්‍රියා කිරීම සඳහා තනි ඒකාබද්ධ අන්තර්ගත පාර-දත්තකට ඒකාබද්ධ කළ යුතුය.

අවාසනාවන්ත ලෙස දැනට පවතින බොහෝ මෙවලම් වලට තමන්ගේම පාරදත්ත ඇති අතර ඒ සඳහා දැනට පවතින ප්‍රමිතීන් නොමැත

මෙම පාර-දත්ත ඒකාබද්ධ කිරීමට දත්ත ගබඩා මෙවලම් වලට ඉඩ දෙන්න. මෙම තත්වයට පිළියමක් ලෙස, ප්‍රධාන දත්ත ගබඩා මෙවලම්වල බොහෝ වෙළෙන්දෝ Meta Data Coalition පිහිටුවා ගත් අතර එය පසුව Meta Data Coalition බවට පත් විය.

මෙම සභාගයේ අරමුණ වන්නේ විවිධ දත්ත ගබඩා මෙවලම් පාර-දත්ත පරිවර්තනය කිරීමට ඉඩ සලසන සම්මත පාරදත්ත කට්ටලයක් ගොඩනැගීමයි.
ඔවුන්ගේ උත්සාහයේ ප්‍රතිඵලයක් ලෙස මයික්‍රොසොෆ්ට් ලේඛනාගාරය සහ අදාළ MDIS ගොනු අතර තොරතුරු හුවමාරු කර ගැනීමට ඉඩ සලසන Meta Data Interchange Specification (MDIS) බිහි විය.

හි පැවැත්ම dati සාරාංශගත/සුචිගත සහ සවිස්තරාත්මක යන දෙකම මඟින් සරඹ DROWN (කැණීම) සිදු කිරීමට පරිශීලකයාට හැකියාව ලබා දේ. dati සවිස්තරාත්මක ඒවාට සුචිගත කර ඇති අතර අනෙක් අතට. හි පැවැත්ම dati සවිස්තරාත්මක ඉතිහාසයන් කාලයත් සමඟ ප්‍රවණතා විශ්ලේෂණයන් නිර්මාණය කිරීමට ඉඩ සලසයි. අතිරේකව විශ්ලේෂණ පාරදත්ත නාමාවලියක් ලෙස භාවිතා කළ හැක දත්ත සමුදාය ඒ දත්ත ගබඩාවයි අවසාන පරිශීලකයින්ට සොයා ගැනීමට උපකාර කිරීමට dati අවශ්ය.

OLTP පද්ධති හා සසඳන විට, විශ්ලේෂණයට සහාය වීමට ඇති හැකියාව සමඟ dati සහ වාර්තා කිරීම, ද දත්ත ගබඩාවයි එය විමසීම් කිරීම සහ ඒවාට ප්‍රතිචාර දැක්වීම සහ වාර්තා නිෂ්පාදනය කිරීම වැනි තොරතුරු ක්‍රියාවලීන් සඳහා වඩාත් සුදුසු පද්ධතියක් ලෙස සැලකේ. ඊළඟ කොටස මඟින් පද්ධති දෙකෙහි වෙනස්කම් විස්තරාත්මකව ඉස්මතු කරනු ඇත.

දත්ත ගබඩාව OLTP පද්ධති වලට එරෙහිව

ආයතන තුළ ඇති බොහෝ තොරතුරු පද්ධති එදිනෙදා මෙහෙයුම් සඳහා සහාය වීමට අදහස් කෙරේ. OLTP SYSTEMS ලෙස හඳුන්වන මෙම පද්ධති අඛණ්ඩව යාවත්කාලීන කරන ලද දෛනික ගනුදෙනු ග්‍රහණය කරයි.

I dati මෙම පද්ධති තුළ ඒවා බොහෝ විට වෙනස් කිරීම, එකතු කිරීම හෝ මකා දැමීම සිදු වේ. උදාහරණයක් ලෙස, ගනුදෙනුකරුවෙකු එක් ස්ථානයක සිට තවත් ස්ථානයකට යන විට ඔහුගේ ලිපිනය වෙනස් වේ. මෙම අවස්ථාවේදී, ලිපින ක්ෂේත්රය වෙනස් කිරීමෙන් නව ලිපිනය ලියාපදිංචි කරනු ලැබේ දත්ත සමුදාය. මෙම පද්ධතිවල ප්‍රධාන පරමාර්ථය වන්නේ ගනුදෙනු පිරිවැය අඩු කිරීම සහ ඒ සමඟම සැකසුම් කාලය අඩු කිරීමයි. OLTP පද්ධති සඳහා උදාහරණ ලෙස ඇණවුම් ඇතුළත් කිරීම, වැටුප් ලේඛනය, ඉන්වොයිසිය, නිෂ්පාදනය, පාරිභෝගික සේවය වැනි තීරණාත්මක ක්‍රියා ඇතුළත් වේ. පාරිභෝගිකයන්.

ගනුදෙනු සහ සිදුවීම් පදනම් වූ ක්‍රියාවලීන් සඳහා නිර්මාණය කරන ලද OLTP පද්ධති මෙන් නොව, i දත්ත ගබඩාවයි විශ්ලේෂණ මත පදනම් වූ ක්‍රියාවලි සඳහා සහාය සැපයීම සඳහා නිර්මාණය කරන ලදී dati සහ තීරණ ගැනීමේ ක්රියාවලීන්.

මෙය සාමාන්‍යයෙන් සාක්ෂාත් කරගනු ලබන්නේ i ඒකාබද්ධ කිරීමෙනි dati විවිධ OLTP සහ බාහිර පද්ධති වලින් තනි "කන්ටේනරයක්" dati,පෙර කොටසේ සාකච්ඡා කළ පරිදි.

මොනෑෂ් දත්ත ගබඩා කිරීමේ ක්‍රියාවලි ආකෘතිය

සඳහා ක්‍රියාවලි ආකෘතිය දත්ත ගබඩාවයි මොනෑෂ් ඩීඑස්එස් පර්යේෂණ කණ්ඩායමේ පර්යේෂකයන් විසින් මොනාෂ් සංවර්ධනය කරන ලද අතර එය පදනම් වී ඇත්තේ සාහිත්‍යය මතය දත්ත ගබඩාවයි, පද්ධති ක්ෂේත්‍ර සංවර්ධනය සඳහා සහාය වීම පිළිබඳ අත්දැකීම් මත, භාවිතය සඳහා යෙදුම් වෙළෙන්දන් සමඟ සාකච්ඡා දත්ත ගබඩාවයි, භාවිතය පිළිබඳ විශේෂඥයින් පිරිසක් මත දත්ත ගබඩාවයි.

අදියර වන්නේ: ආරම්භය, සැලසුම් කිරීම, සංවර්ධනය, මෙහෙයුම් සහ පැහැදිලි කිරීම්. a හි වර්ධනයේ පුනරාවර්තන හෝ පරිණාමීය ස්වභාවය රූප සටහන පැහැදිලි කරයි දත්ත ගබඩාවයි විවිධ අවධීන් අතර තැබූ ද්වි-මාර්ග ඊතල භාවිතා කරමින් ක්රියාවලිය. මෙම සන්දර්භය තුළ, "පුනරාවර්තන" සහ "පරිණාමීය" යන්නෙන් අදහස් වන්නේ, ක්රියාවලියේ සෑම පියවරකදීම, ක්රියාත්මක කිරීමේ ක්රියාකාරකම් සෑම විටම පෙර අදියර දෙසට ආපස්සට ප්රචාරය කළ හැකි බවයි. මෙයට හේතුව ව්‍යාපෘතියක ස්වභාවයයි දත්ත ගබඩාවයි අවසාන පරිශීලකයාගෙන් අමතර ඉල්ලීම් ඕනෑම අවස්ථාවක පැන නගී. උදාහරණයක් ලෙස, ක්රියාවලියක සංවර්ධන අවධියේදී දත්ත ගබඩාවයි, නව මානයක් හෝ විෂය ක්ෂේත්‍රයක් අවසාන පරිශීලකයා විසින් ඉල්ලා සිටින අතර, එය මුල් සැලැස්මේ කොටසක් නොවීය, මෙය පද්ධතියට එක් කළ යුතුය. මෙය ව්‍යාපෘතියේ වෙනසක් ඇති කරයි. එහි ප්රතිඵලය වන්නේ නිර්මාණ කණ්ඩායම විසින් සැලසුම් කිරීමේ අදියරේදී මෙතෙක් නිර්මාණය කරන ලද ලේඛනවල අවශ්යතා වෙනස් කළ යුතුය. බොහෝ අවස්ථාවන්හිදී, ව්‍යාපෘතියේ වත්මන් තත්ත්වය නව අවශ්‍යතාවය එකතු කර ලේඛනගත කළ යුතු සැලසුම් අවධිය වෙත ආපසු යා යුතුය. අවසාන පරිශීලකයාට සමාලෝචනය කරන ලද නිශ්චිත ලියකියවිලි සහ සංවර්ධන අදියරේදී සිදු කර ඇති වෙනස්කම් දැකීමට හැකි විය යුතුය. මෙම සංවර්ධන චක්‍රය අවසානයේ ව්‍යාපෘතියට සංවර්ධන සහ පරිශීලක කණ්ඩායම් දෙකෙන්ම විශිෂ්ට ප්‍රතිපෝෂණ ලැබිය යුතුය. අනාගත ව්‍යාපෘතියක් වැඩිදියුණු කිරීම සඳහා ප්‍රතිපෝෂණය නැවත භාවිත කෙරේ.

ධාරිතාව සැලසුම් කිරීම
ප්‍රමාණයේ ප්‍රතිඵලයක් ලෙස Dw ප්‍රමාණයෙන් ඉතා විශාල වන අතර ඉතා ඉක්මනින් වර්ධනය වේ (Best 1995, Rudin 1997a) dati ඔවුන් තම කාලසීමාවෙන් රඳවා ගන්නා ඉතිහාසය. වර්ධනයට ද හේතු විය හැක dati අගය වැඩි කිරීමට පරිශීලකයන් විසින් ඉල්ලා සිටින එකතු කිරීම් dati ඔවුන් දැනටමත් ඇති බව. ඒ අනුව, සඳහා ගබඩා අවශ්යතා dati සැලකිය යුතු ලෙස වැඩිදියුණු කළ හැක (Eckerson 1997). මේ අනුව, අවශ්‍යතා වර්ධනය වන විට ගොඩනගන පද්ධතියට වර්ධනය විය හැකි බව ධාරිතා සැලසුම් කිරීම මගින් සහතික කිරීම අත්‍යවශ්‍ය වේ (Best 1995, LaPlante 1996, Lang 1997, Eckerson 1997, Rudin 1997a, Foley 1997a).
දත්ත සමුදායේ පරිමාණය සඳහා සැලසුම් කිරීමේදී, ගබඩාවේ ප්‍රමාණයේ අපේක්ෂිත වර්ධනය, කළ හැකි විමසුම් වර්ග සහ සහාය දක්වන අවසාන පරිශීලකයින් සංඛ්‍යාව දැනගත යුතුය (Best 1995, Rudin 1997b, Foley 1997a). පරිමාණය කළ හැකි යෙදුම් ගොඩනැගීමට පරිමාණය කළ හැකි සේවාදායක තාක්ෂණයන් සහ පරිමාණය කළ හැකි යෙදුම් නිර්මාණ ශිල්පීය ක්‍රමවල එකතුවක් අවශ්‍ය වේ (Best 1995, Rudin 1997b. ඉහළ පරිමාණය කළ හැකි යෙදුමක් තැනීමේදී මේ දෙකම අවශ්‍ය වේ. පරිමාණය කළ හැකි සේවාදායක තාක්‍ෂණයන් මඟින් ගබඩාව, මතකය සහ CPU නරක් නොවී එකතු කිරීම පහසු සහ වාසිදායක කළ හැක. කාර්ය සාධනය (Lang 1997, Telephony 1997).

ප්‍රධාන පරිමාණය කළ හැකි සේවාදායක තාක්ෂණයන් දෙකක් ඇත: සමමිතික බහු සැකසුම් (SMP) සහ දැවැන්ත සමාන්තර සැකසුම් (MPP) (IDC 1997, Humphries et al. 1999). SMP සේවාදායකයක සාමාන්‍යයෙන් මතකයක්, පද්ධති බසයක් සහ අනෙකුත් සම්පත් බෙදා ගන්නා බහු ප්‍රොසෙසර ඇත (IDC 1997, Humphries et al. 1999). එය වැඩි කිරීමට අමතර ප්‍රොසෙසර එකතු කළ හැක බලය පරිගණකමය. වැඩි කිරීමට තවත් ක්රමයක් බලය SMP සේවාදායකයේ, SMP යන්ත්‍ර ගණනාවක් ඒකාබද්ධ කිරීමයි. මෙම තාක්ෂණය පොකුරු ලෙස හැඳින්වේ (Humphries et al. 1999). අනෙක් අතට, MPP සේවාදායකයකට එහිම මතකය, බස් පද්ධතිය සහ අනෙකුත් සම්පත් සහිත බහු ප්‍රොසෙසර ඇත (IDC 1997, Humphries et al. 1999). සෑම ප්රොසෙසරයක්ම නෝඩ් ලෙස හැඳින්වේ. වැඩි වීමක් බලය ගණනය කිරීම සාක්ෂාත් කරගත හැකිය

MPP සේවාදායකයන්ට අමතර නෝඩ් එකතු කිරීම (Humphries et al. 1999).

SMP සේවාදායකයන්ගේ දුර්වලතාවයක් නම්, බොහෝ ආදාන-ප්‍රතිදාන (I/O) මෙහෙයුම් පද්ධති බසය තදබදයට හේතු විය හැකි වීමයි (IDC 1997). සෑම ප්‍රොසෙසරයකටම තමන්ගේම බස් පද්ධතියක් ඇති බැවින් MPP සේවාදායකයන් තුළ මෙම ගැටළුව ඇති නොවේ. කෙසේ වෙතත්, එක් එක් නෝඩ් අතර අන්තර් සම්බන්ධතා සාමාන්යයෙන් SMP බස් පද්ධතියට වඩා බෙහෙවින් මන්දගාමී වේ. අතිරේකව, MPP සේවාදායකයන්ට යෙදුම් සංවර්ධකයින්ට අමතර සංකීර්ණතා මට්ටමක් එක් කළ හැකිය (IDC 1997). මේ අනුව, SMP සහ MPP සේවාදායකයන් අතර තේරීම යෙදුම්වල සංකීර්ණත්වය, මිල/කාර්ය සාධන අනුපාතය, අවශ්‍ය සැකසුම් ධාරිතාව, වළක්වා ඇති dw යෙදුම් සහ ප්‍රමාණයේ වැඩි වීම ඇතුළු බොහෝ සාධක මගින් බලපෑම් කළ හැකිය. දත්ත සමුදාය dw හි සහ අවසාන පරිශීලකයින් සංඛ්‍යාවෙන්.

ධාරිතා සැලසුම් කිරීමේදී පරිමාණය කළ හැකි යෙදුම් නිර්මාණ ශිල්පීය ක්‍රම රාශියක් භාවිතා කළ හැක. යමෙක් දින, සති, මාස සහ අවුරුදු වැනි විවිධ දැනුම්දීම් කාල සීමාවන් භාවිතා කරයි. විවිධ දැනුම්දීම් කාල සීමාවන් තිබීම, දත්ත සමුදාය එය කළමනාකරණය කළ හැකි කාණ්ඩවලට බෙදිය හැකිය (Inmon et al. 1997). තවත් තාක්ෂණයක් වන්නේ සාරාංශගත කිරීම මගින් සාදන ලද සාරාංශ වගු භාවිතා කිරීමයි dati da dati විස්තරාත්මක. ඉතින්, අයි dati සාරාංශගත කිරීම් විස්තරාත්මකව වඩා සංයුක්ත වේ, ඒ සඳහා අඩු මතක ඉඩක් අවශ්‍ය වේ. ඉතින් ද dati විස්තර අඩු වියදම් ගබඩා ඒකකයක ගබඩා කළ හැක, එය ඊටත් වඩා ගබඩා ඉතිරි කරයි. සාරාංශ වගු භාවිතයෙන් මතක අවකාශය ඉතිරි කර ගත හැකි වුවද, ඒවා යාවත්කාලීනව තබා ගැනීමට සහ ව්‍යාපාරික අවශ්‍යතාවලට අනුකූලව තබා ගැනීමට ඔවුන්ට විශාල උත්සාහයක් අවශ්‍ය වේ. කෙසේ වෙතත්, මෙම තාක්‍ෂණය බහුලව භාවිතා වන අතර බොහෝ විට පෙර තාක්‍ෂණය සමඟ ඒකාබද්ධව භාවිතා වේ (Best 1995, Inmon 1996a, Chauduri සහ Dayal
1997).

නිර්වචනය කිරීම දත්ත ගබඩාව තාක්ෂණික ගෘහ නිර්මාණ ශිල්පය dw ගෘහ නිර්මාණ ශිල්පීය ක්‍රමවල අර්ථ දැක්වීම

දත්ත ගබඩාව මුල්කාලීනව අනුගමනය කරන්නන් මූලික වශයෙන් සංකල්පනය කළේ dw හි මධ්‍යගත ක්‍රියාත්මක කිරීමකි. dati, ඇතුළුව අයි dati බාහිර, තනි එකකට ඒකාබද්ධ කරන ලදී,
භෞතික ගබඩා (Inmon 1996a, Bresnahan 1996, Peacock 1998).

මෙම ප්‍රවේශයේ ප්‍රධාන වාසිය නම් අවසාන පරිශීලකයින්ට ව්‍යවසාය-පුළුල් දසුනට ප්‍රවේශ විය හැකි වීමයි dati සංවිධානාත්මක (Ovum 1998). තවත් වාසියක් වන්නේ එය ප්‍රමිතිකරණය ලබා දීමයි dati සංවිධානය හරහා, එනම් dw ගබඩාවේ (පාරදත්ත) භාවිතා වන එක් එක් පාරිභාෂිතය සඳහා ඇත්තේ එක් අනුවාදයක් හෝ අර්ථ දැක්වීමක් පමණි (Flanagan and Safdie 1997, Ovum 1998). අනෙක් අතට, මෙම ප්‍රවේශයේ අවාසිය නම්, එය ඉදිකිරීම සඳහා මිල අධික හා අපහසු වීමයි (Flanagan and Safdie 1997, Ovum 1998, Inmon et al. 1998). ගබඩා ගෘහනිර්මාණයෙන් පසු වැඩි කලක් ගත නොවේ dati මධ්යගත ජනප්රිය විය, පරිණාමය වූ කුඩා උප කුලක නිස්සාරණය කිරීමේ සංකල්පය dati නිශ්චිත යෙදුම්වල අවශ්‍යතා සඳහා සහාය වීම සඳහා (Varney 1996, IDC 1997, Berson and Smith 1997, peacock 1998). මෙම කුඩා පද්ධති විශාල එකෙහි ව්‍යුත්පන්නයන් වේ දත්ත ගබඩාවයි මධ්යගත. ඔවුන් නම් කර ඇත දත්ත ගබඩාවයි යැපෙන දෙපාර්තමේන්තු හෝ යැපෙන දත්ත ගබඩා. පරායත්ත දත්ත මාර්ට් ගෘහ නිර්මාණ ශිල්පය තුන්-ස්ථර ගෘහ නිර්මාණ ශිල්පය ලෙස හැඳින්වේ, එහිදී පළමු ස්ථරය සමන්විත වේ. දත්ත ගබඩාවයි මධ්යගත, දෙවන තැන්පතු වලින් සමන්විත වේ dati දෙපාර්තමේන්තු සහ තෙවන ප්රවේශය සමන්විත වේ dati සහ විශ්ලේෂණ මෙවලම් මගින් (Demarest 1994, Inmon et al. 1997).

දත්ත ගබඩා සාමාන්‍යයෙන් ගොඩනැගෙන්නේ ඉන් පසුවය දත්ත ගබඩාවයි නිශ්චිත ඒකකවල අවශ්‍යතා සපුරාලීම සඳහා මධ්‍යගත කර ඇත (සුදු 1995, වර්නි 1996).
දත්ත ගබඩා ගබඩා කරයි dati විශේෂිත ඒකකවලට අදාළව ඉතා අදාළ වේ (Inmon et al. 1997, Inmon et al. 1998, IA 1998).

මෙම ක්රමයේ වාසියක් නොමැති වනු ඇත ඩැටෝ ඒකාබද්ධ නොවන අතර i dati සියල්ල මෙන් දත්ත ගබඩා තුළ අතිරික්තය අඩු වනු ඇත dati ඔවුන් පැමිණෙන්නේ ගබඩාවකින් dati ඒකාබද්ධ. තවත් වාසියක් වන්නේ එක් එක් දත්ත ගබඩා සහ එහි මූලාශ්‍ර අතර සම්බන්ධතා කිහිපයක් තිබීමයි dati මක්නිසාද යත් එක් එක් දත්ත ගබඩාවකට ඇත්තේ එක් මූලාශ්‍රයක් පමණි dati. තවද මෙම ගෘහ නිර්මාණ ශිල්පය සමඟින්, අවසාන පරිශීලකයින්ට තවමත් දළ විශ්ලේෂණයට ප්‍රවේශ විය හැක dati

ආයතනික සංවිධාන. මෙම ක්‍රමය ඉහළ පහළ ක්‍රමය ලෙස හඳුන්වනු ලබන අතර, දත්ත ගබඩා කිරීමෙන් පසුව ගොඩනගනු ලැබේ දත්ත ගබඩාවයි (මයුර 1998, ගොෆ් 1998).
ප්‍රතිඵල ඉක්මනින් පෙන්වීමේ අවශ්‍යතාවය වැඩි කරමින්, සමහර ආයතන ස්වාධීන දත්ත ගබඩා ගොඩනැගීමට පටන් ගෙන ඇත (Flanagan and Safdie 1997, White 2000). මෙම අවස්ථාවෙහිදී, දත්ත මාර්ට ඔවුන්ගේම වේ dati මූලික කරුණු වලින් කෙලින්ම dati OLTP මධ්‍යගත සහ ඒකාබද්ධ ගබඩාවෙන් නොව, මධ්‍යම ගබඩාව අඩවියේ තිබීමේ අවශ්‍යතාවය ඉවත් කරයි.

සෑම දත්ත ගබඩාවකටම එහි මූලාශ්‍ර වෙත අවම වශයෙන් එක් සබැඳියක් අවශ්‍ය වේ dati. එක් එක් දත්ත ගබඩාව සඳහා බහු සම්බන්ධතා තිබීමේ අවාසිය නම්, පෙර ගෘහනිර්මාණ දෙක හා සසඳන විට, අතිරික්තය dati සැලකිය යුතු ලෙස වැඩි වේ.

සෑම දත්ත ගබඩාවක්ම සියල්ල ගබඩා කළ යුතුය dati OLTP පද්ධති කෙරෙහි කිසිදු බලපෑමක් නොකිරීමට දේශීයව අවශ්‍ය වේ. මෙය හේතු වන්නේ අයි dati ඒවා විවිධ දත්ත ගබඩාවල ගබඩා කර ඇත (Inmon et al. 1997). මෙම ගෘහනිර්මාණ ශිල්පයේ තවත් අවාසියක් නම් එය දත්ත මාර්ට් සහ ඒවායේ දත්ත මූලාශ්‍ර අතර සංකීර්ණ අන්තර් සම්බන්ධතා නිර්මාණය කිරීමට මග පාදයි. dati ක්‍රියාත්මක කිරීමට සහ පාලනය කිරීමට අපහසු ඒවා (Inmon et al. 1997).

තවත් අවාසියක් නම් අවසාන පරිශීලකයින්ට සමාගමේ තොරතුරු පිළිබඳ දළ විශ්ලේෂණයට ප්‍රවේශ විය නොහැකි නිසා i dati විවිධ දත්ත මාර්ට්ස් ඒකාබද්ධ නොවේ (Ovum 1998).
තවත් අවාසියක් නම් දත්ත වගු වල භාවිතා වන එක් එක් පාරිභාෂිතය සඳහා එක් නිර්වචනයකට වඩා වැඩි අනනුකූලතා ඇති විය හැක. dati සංවිධානයේ (Ovum 1998).
ඉහත සාකච්ඡා කර ඇති අවාසි තිබියදීත්, ස්වාධීන දත්ත ගබඩා තවමත් බොහෝ සංවිධානවල උනන්දුව ආකර්ෂණය කරයි (IDC 1997). ඔවුන්ව ආකර්ශනීය කරවන එක් සාධකයක් නම්, ඒවා ඉක්මනින් සංවර්ධනය වීම සහ අඩු කාලයක් හා සම්පත් අවශ්‍ය වීමයි (Bresnahan 1996, Berson and Smith 1997, Ovum 1998). එහි ප්‍රතිඵලයක් වශයෙන්, ඒවා ප්‍රධාන වශයෙන් ව්‍යාපෘතියේ ප්‍රතිලාභ සහ/හෝ අසම්පූර්ණතා ඉක්මනින් හඳුනා ගැනීමට භාවිත කළ හැකි පරීක්ෂණ ව්‍යාපෘති ලෙස සේවය කරයි (Parsaye 1995, Braly 1995, Newing 1996). මෙම අවස්ථාවෙහිදී, නියමු ව්‍යාපෘතියේ ක්‍රියාත්මක කළ යුතු කොටස කුඩා නමුත් සංවිධානයට වැදගත් විය යුතුය (Newing 1996, Mansell-Lewis 1996).

මූලාකෘතිය පරීක්ෂා කිරීමෙන්, අවසාන පරිශීලකයින්ට සහ පරිපාලනයට ව්‍යාපෘතිය දිගටම කරගෙන යනවාද නැවැත්විය යුතුද යන්න තීරණය කළ හැකිය (Flanagan and Safdie 1997).
තීරණය දිගටම කරගෙන යාමට නම්, අනෙකුත් කර්මාන්ත සඳහා දත්ත ගබඩා එකින් එක ගොඩනගා ගත යුතුය. ස්වාධීන දත්ත න්‍යාසයන් ගොඩනැගීමේදී ඔවුන්ගේ අවශ්‍යතා මත පදනම්ව අවසාන පරිශීලකයින් සඳහා විකල්ප දෙකක් තිබේ: ඒකාබද්ධ/ෆෙඩරේටඩ් සහ ඒකාබද්ධ නොකළ (Ovum 1998)

පළමු ක්‍රමයේදී, සෑම නව දත්ත ගබඩාවක්ම වර්තමාන දත්ත මාර්ට සහ ආකෘතිය මත පදනම්ව ගොඩනැගිය යුතුය dati සමාගම විසින් භාවිතා කරන ලදී (Varney 1996, Berson and Smith 1997, Peacock 1998). ආකෘතිය භාවිතා කිරීමේ අවශ්යතාව dati සමාගමේ අදහස් වන්නේ දත්ත මාර්ට්ස් හරහා භාවිතා කරන සෑම පාරිභාෂික වචන සඳහාම එක් නිර්වචනයක් පමණක් ඇති බව සහතික කළ යුතු බවයි, මෙය සමාගම් තොරතුරු පිළිබඳ දළ විශ්ලේෂණයක් ලබා දීම සඳහා විවිධ දත්ත වෙළඳපල ඒකාබද්ධ කළ හැකි බව සහතික කිරීම ද වේ (Bresnahan 1996). මෙම ක්‍රමය බොටම්-අප් ලෙස හඳුන්වන අතර මූල්‍යමය මාර්ග සහ කාලය පිළිබඳ බාධාවක් පවතින විට වඩාත් සුදුසු වේ (Flanagan and Safdie 1997, Ovum 1998, Peacock 1998, Goff 1998). දෙවන ක්‍රමයේදී, ඉදිකරන ලද දත්ත ගබඩාවලට නිශ්චිත ඒකකයක අවශ්‍යතා පමණක් සපුරාලිය හැකිය. Federated data mart හි ප්‍රභේදයකි දත්ත ගබඩාවයි distribuito in cui il දත්ත සමුදාය middleware hub server è utilizzato per unire molti data marts in un singolo deposito di dati distribuito (White 1995). In questo caso, i dati aziendali sono distribuiti in parecchi data marts. Le richieste dell’utente finale sono trasmesse al දත්ත සමුදාය සර්වර් හබ් මිඩ්ල්වෙයාර්, සියල්ල උපුටා ගන්නා dati richiesti dai data marts e ritorna i risultati alle applicazioni dell’utente finale. Questo metodo fornisce le informazioni aziendali agli utenti finali. Tuttavia, ancora non vengono eliminati i problemi dei data marts indipendenti. C’è un’altra architettura che può essere usata che è chiamata il දත්ත ගබඩාවයි virtuale (White 1995). Tuttavia, questa architettura, che è descritta nella figura 2.9, non è un’architettura d’immagazzinamento di dati reali poiché non sposta il caricamento dai sistemi OLTP al දත්ත ගබඩාවයි (Demarest 1994).

ඇත්ත වශයෙන්ම, ඉල්ලීම් dati dagli utenti finali sono passate sopra ai sistemi di OLTP che restituiscono i risultati dopo l’elaborazione delle richieste di utente. Anche se questa architettura permette agli utenti finali di generare i rapporti e formulare le richieste, non può fornire i

dati i ලෙස සමාගම් තොරතුරු ඓතිහාසික සහ දළ විශ්ලේෂණය dati dai differenti sistemi di OLTP non sono integrati. Quindi, questa architettura non può soddisfare l’analisi di dati complessa quale ad esempio previsioni.

Selezione dell’applicativi di accesso e di recupero dei dati

ගොඩනැගීමේ අරමුණ a දත්ත ගබඩාවයි è di trasmettere informazioni agli utenti finali (Inmon ed altri 1997, Poe 1996, McFadden 1996, Shanks ed altri 1997, Hammergren 1998); uno o più applicativi di accesso e recupero dati devono essere forniti. Ad oggi, esiste un’ampia varietà di questi applicativi tra cui l’utente può scegliere (Hammergren 1998, Humphries ed altri 1999). Gli applicativi selezionati determinano il successo dello sforzo d’immagazzinamento di dati in un’organizzazione perché gli applicativi sono la parte più visibile del දත්ත ගබඩාවයි all’utente finale (Inmon ed altri 1997, Poe 1996). Per aver successo un දත්ත ගබඩාවයි, deve potere sostenere le attività di analisi dei dati dell’utente finale (Poe 1996, Seddon e Benjamin 1998, Eckerson 1999). Quindi il “livello” di ciò che l’utente finale vuole deve essere identificato (Poe 1996, Mattison 1996, Inmon ed altri 1997, Humphries ed altri 1999).

In generale, gli utenti finali possono essere raggruppati in tre categorie: executive users, business analysts e power user (Poe 1996, Humphries ed altri 1999). Gli executive users necessitano di un facile accesso ad insiemi predefiniti di rapporti (Humphries ed altri 1999). Questi rapporti possono essere raggiunti facilmente con la navigazione dei menu (Poe 1996). In più, i rapporti dovrebbero presentare le informazioni usando la rappresentazione grafica come le tabelle ed i modelli per trasportare rapidamente le informazioni (Humphries ed altri 1999). I business analyst, che non possono avere le possibilità tecniche per sviluppare i rapporti da zero da soli, necessitano di potere modificare i rapporti attuali per soddisfare i loro bisogni specifici (Poe 1996, Humphries ed altri 1999). I power user, d’altra parte, sono il tipo di utilizzatori finali che hanno la capacità di generare e scrivere le richieste ed i rapporti da zero (Poe 1996, Humphries ed altri 1999). Sono quelli che

sviluppano i rapporti per gli altri tipi di utenti (Poe 1996, Humphries ed altri 1999).

Una volta determinati i requisiti dell’utente finale deve essere fatta una selezione degli applicativi di accesso e recupero dati tra tutti quelli disponibili (Poe 1996, Inmon ed altri 1997).
වෙත ප්රවේශය dati e gli strumenti di retrieval possono essere classificati in 4 tipi: OLAP tool, EIS/DSS tool, tool di query e reporting e tool di data mining.

I tool OLAP permettono agli utenti di creare query ad hoc così come quelle fatte sul දත්ත සමුදාය ඒ දත්ත ගබඩාවයි. Inoltre questi prodotti consentono agli utenti di fare drill-down dai dati generali a quelli dettagliati.

I tool EIS/DSS forniscono reporting esecutivi come analisi “what if” e accessi ai reports organizzati a menu. I report devono essere predefiniti e uniti ai menu per una navigazione più facile.
I tool di query e reporting permettono agli utenti di produrre report predefiniti e specifici.

I tool di data mining sono usati per identificare relazioni che potrebbero fare nuova luce sulle operazioni dimenticate nei dati දත්ත ගබඩාවේ.

Accanto all’ottimizzazione dei requisiti di ogni tipologia di utenti, i tool selezionati devono essere intuitivi, efficienti e di facile utilizzo. Inoltre devono essere compatibili con le altre parti dell’architettura e in grado di lavorare con i sistemi esistenti. È inoltre suggerito di scegliere data access e tool di retrieval con prezzi e performance ragionevoli. Altri criteri da considerare includono l’impegno del venditore del tool nel sostenere il loro prodotto e gli sviluppi che lo stesso avrà nelle future release. Per garantire l’impegno degli utenti nell’utilizzo del datawarehouse, il team di sviluppo coinvolge gli utenti nel processo della selezione del tool. In questo caso dovrebbe essere effettuata una valutazione pratica dell’utente.

Per migliorare il valore del datawarehouse il team di sviluppo può fornire anche un accesso web ai loro datawarehouse. Un datawarehouse web-enabled permette agli utenti di accedere ai dati දුරස්ථ ස්ථාන වලින් හෝ ගමන් කරන විට. තව දුරටත් තොරතුරු ලබා ගත හැක

essere fornite a costi più bassi mediante una diminuzione dei costi di training.

2.4.3 දත්ත ගබඩාව මෙහෙයුම් අදියර

Questa fase consiste di tre attività: definizione di strategie di data refresh, controllo delle attività del datawarehouse e gestione della sicurezza del datawarehouse.

දත්ත නැවුම් කිරීමේ උපාය මාර්ග අර්ථ දැක්වීම

මූලික පැටවීමෙන් පසුව, i dati nel දත්ත සමුදාය del datawarehouse devono essere refreshati periodicamente per riprodurre i cambiamenti effettuati sui dati originali. Bisogna quindi decidere quando fare il refresh, ogni quanto tempo deve essere schedulato il refresh e come eseguire il refresh dei dati. Viene suggerito di fare il refresh dei dati quando il sistema può essere messo off- line. La frequenza del refresh è determinata dal team di sviluppo basandosi sui requisiti degli utenti. Ci sono due approcci per fare il refresh del datawarehouse: il refresh completo e il caricamento continuo dei cambiamenti.

Il primo approccio, il refresh completo, richiede il ricaricamento di tutti i dati මුල සිට. මෙයින් අදහස් කරන්නේ සියල්ල dati richiesti devono essere estratti, puliti, trasformati ed integrati in ogni refresh. Questo approccio dovrebbe essere, per quanto possibile, evitato perché richiede molto tempo e risorse.

Un approccio alternativo è quello di caricare continuamente i cambiamenti. Questo aggiunge i dati che sono stati cambiati dall’ultimo ciclo di refresh del datawarehouse. L’identificazione di records nuovi o modificati riduce significativamente la quantità di dati che devono essere propagati al datawarehouse in ogni aggiornamento poiché solo questi dati වෙත එකතු කරනු ලැබේ දත්ත සමුදාය දත්ත ගබඩාවේ.

Ci sono almeno 5 approcci che possono essere usati per prelevare i dati nuovi o modificati. Per ottenere un’efficiente strategia di refresh dei dati può essere utile un misto di questi approcci che preleva tutti i cambiamenti nel sistema.

Il primo approccio, che usa i timestamp, suppone che viene assegnato a tutti i dati modificati e aggiornati un timestamp in modo da potere identificare facilmente tutti i dati modificati e nuovi. Questo approccio, però, non è stato molto usato nella maggior parte degli odierni sistemi operativi.
Il secondo approccio è quello di usare un delta file generato da un’applicazione che contiene soltanto i cambiamenti fatti ai dati. L’uso di questo file inoltre amplifica il ciclo di aggiornamento. Tuttavia, anche questo metodo, non è stato usato in molte applicazioni.
Il terzo approccio è quello di fare uno scan su un file di log, che fondamentalmente contiene informazioni simili al delta file. L’unica differenza è che un log file è creato per il processo di recovery e può essere difficile da capire.
Il quarto approccio è quello di modificare il codice dell’applicazione. Tuttavia la maggior parte del codice delle applicazioni è vecchio e fragile; perciò questa tecnica dovrebbe essere evitata.
අවසාන ප්රවේශය වන්නේ සංසන්දනය කිරීමයි dati sorgenti con il file principale dei dati.

දත්ත ගබඩා ක්‍රියාකාරකම් පාලනය කිරීම

Una volta che il datawarehouse è stato rilasciato agli utenti, è necessario monitorarlo nel tempo. In questo caso, l’amministratore del datawarehouse può impiegare uno o più tool di gestione e controllo per monitorare l’uso del datawarehouse. In particolare possono essere raccolte informazioni sulle persone e sul tempo in cui accedono al datawarehouse. Dai dati raccolti può essere creato un profilo del lavoro effettuato che può essere usato come input nell’implementazione del chargeback dell’utente. Il Chargeback permette agli utenti di essere informati sul costo di elaborazione del datawarehouse.

Inoltre, il controllo del datawarehouse può anche essere usato per identificare i tipi di query, la loro grandezza, il numero di query al giorno, i tempi di reazione alla query, i settori raggiunti e la quantità di dati processati. Un altro scopo di fare il controllo del datawarehouse è identificare i dati භාවිතයේ නැති. මේ dati කාලය වැඩි දියුණු කිරීම සඳහා ඒවා දත්ත ගබඩාවෙන් ඉවත් කළ හැකිය

විමසුම් ක්රියාත්මක කිරීමේ ප්රතිචාරය සහ වර්ධනය නිරීක්ෂණය කිරීම dati තුළ වාසය කරන බව දත්ත සමුදාය දත්ත ගබඩාවේ.

දත්ත ගබඩා ආරක්ෂණ කළමනාකරණය

දත්ත ගබඩාවක් අඩංගු වේ dati integrati, critici, sensibili che possono essere raggiunti facilmente. Per questo motivo dovrebbe essere protetto dagli utenti non autorizzati. Un modo per implementare la sicurezza è quello di usare la funzione del DBMS per assegnare i diversi privilegi ai diversi tipi di utenti. In questo modo, deve essere mantenuto per ogni tipo di utenti un profilo di accesso. Un altro modo per assicurare il datawarehouse è cifrarlo come è scritto nella දත්ත සමුදාය දත්ත ගබඩාවේ. වෙත ප්රවේශය dati සහ ලබා ගැනීමේ මෙවලම් විකේතනය කළ යුතුය dati prima di presentare i risultati agli utenti.

2.4.4 දත්ත ගබඩාව යෙදවීමේ අදියර

È l’ultima fase nel ciclo di implementazione del datawarehouse. Le attività da effettuare in questa fase includono l’addestramento degli utenti per utilizzare il datawarehouse e la realizzazione di reviews del datawarehouse.

පරිශීලක පුහුණුව

L’addestramento degli utenti dovrebbe essere fatto prima dell’accesso ai dati del datawarehouse e dell’uso dei tool di retrieval. Generalmente, le sessioni dovrebbero iniziare con l’introduzione al concetto dell’immagazzinamento di dati, al contenuto del datawarehouse, ai meta dati ed alle features di base dei tool. Poi, gli utenti più avanzati potrebbero inoltre studiare le tabelle fisiche e le features degli utenti dei data access e dei tool di retrieval.

Ci sono molti approcci per fare l’addestramento degli utenti. Uno di questi prevede una selezione di molti utenti o analisti scelti da un insieme di utenti, basandosi sulla loro leadership e abilità di comunicazione. Questi vengono addestrati a titolo personale su tutto quello che devono sapere per prendere confidenza con il sistema. Finito l’addestramento, questi ritornano al loro lavoro e iniziano a insegnare agli altri utenti come utilizzare il sistema. Sulla

base di quanto hanno imparato, gli altri utenti possono iniziare ad esplorare il datawarehouse.
Un altro approccio è quello di addestrare molti utenti nello stesso tempo, come se si stesse facendo un corso in aula. Questo metodo è adatto quando ci sono molti utenti che devono essere addestrati allo stesso tempo. Un altro metodo ancora è quello di addestrare individualmente ogni utente, ad uno ad uno. Questo metodo è adatto quando ci sono pochi utenti.

Lo scopo dell’addestramento degli utenti è quello di familiarizzare con l’accesso ai dati e i tool di retrieval così come i contenuti del datawarehouse. Tuttavia, alcuni utenti possono essere sopraffatti dalla quantità di informazioni fornita durante la sessione di addestramento. Quindi devono essere fatte un certo numero di sessioni di aggiornamento l’assistenza continua e per rispondere alle domande specifiche. In alcuni casi viene formato un gruppo di utenti per fornire questo tipo di supporto.

ප්‍රතිපෝෂණ රැස් කිරීම

Una volta che il datawarehouse è stato rolled out, gli utenti possono usare i dati che risiedono nel datawarehouse per vari scopi. Principalmente, gli analisti o gli utenti utilizzano i dati nel datawarehouse per:

1. 1  Identificare le tendenze dell’azienda
2. 2  Analizzare i profili d’acquisto dei පාරිභෝගිකයන්
3. 3  Suddividere i පාරිභෝගිකයන් සහ
4. 4  Fornire i servizi migliori ai පාරිභෝගිකයන් - සේවා අභිරුචිකරණය කරන්න
5. 5  Formulare strategie di අලෙවි
6. 6  Effettuare preventivi competitivi per cost analyses e help control
7. 7  Supportare decision-making strategiche
8. 8  Identificare occasioni per emergere
9. 9  Migliorare la qualità degli attuali business process
10. 10  Controllare il profitto

Seguendo la direzione di sviluppo del datawarehouse, si potrebbero condurre una serie di revisioni al sistema per ottenere dei feddback

sia da parte del team di sviluppo che da parte della comunità degli utenti finali.
I risultati ottenuti possono essere presi in considerazione per il prossimo ciclo di sviluppo.

දත්ත ගබඩාවට වර්ධක ප්‍රවේශයක් ඇති බැවින්, පෙර වර්ධනයන්හි සාර්ථකත්වයන් සහ වැරදි වලින් ඉගෙන ගැනීම ඉතා වැදගත් වේ.

2.5 සාරාංශය

In questo capitolo sono stati discussi gli approcci presenti in letteratura. Nella sezione 1 è stato discusso il concetto di datawarehouse e il suo ruolo nella scienza delle decisioni. Nella sezione 2 sono state descritte le principali differenze tra datawarehouse e sistemi OLTP. Nella sezione 3 si è discusso il modello di datawarehouse secondo Monash che è stato utilizzato nella sezione 4 per descrivere le attività coinvolte nel processo di sviluppo di un datawarehouse, queste tesi non sono state basate su una ricerca rigorosa. Quello che succede nella realtà può essere molto diverso da quello che riporta la letteratura, tuttavia questi risultati possono essere utilizzati per creare un bagaglio di base che sottolinei il concetto di datawarehouse per questa ricerca.

3 වන පරිච්ඡේදය

පර්යේෂණ සහ සැලසුම් ක්රම

Questo capitolo si occupa dei metodi di ricerca e progettazione per questo studio. La prima parte mostra una vista generica dei metodi di ricerca disponibili per il reperimento dell’informazione, inoltre vengono discussi i criteri per selezionare il miglior metodo per uno studio particolare. Nella sezione 2 vengono poi discussi due metodi selezionati con i criteri appena esposti; di questi ne verrà scelto ed adottato uno con le motivazioni esposte nella sezione 3 dove sono anche esposte le motivazioni per l’esclusione dell’altro criterio. La sezione 4 presenta il progetto della ricerca e la sezione 5 le conclusioni.

3.1 තොරතුරු පද්ධති පර්යේෂණ

La ricerca nei sistemi informativi non si limita semplicemente all’ambito tecnologico ma deve essere anche estesa per includere fini riguardanti il comportamento e l’organizzazione.
Questo lo dobbiamo alle tesi di varie discipline che vanno dalle scienze sociali a quelle naturali; questo porta alla necessità di un certo spettro di metodi di ricerca che coinvolgono metodi quantitativi e qualitativi da utilizzare per i sistemi informativi.
Tutti i metodi di ricerca disponibili sono importanti, infatti svariati ricercatori come Jenkins (1985), Nunamaker et al. (1991), e Galliers (1992) sostengono che non esista un metodo specifico universale per condurre ricerche nei vari campi dei sistemi informativi; infatti un metodo può essere adatto per una particolare ricerca ma non per altre. Questo ci porta la necessità di selezionare un metodo che sia adatto alla nostro particolare progetto di ricerca: per questa scelta Benbasat et al. (1987) affermano che si debbano considerare la natura e il fine della ricerca.

3.1.1 පර්යේෂණයේ ස්වභාවය

I vari metodi basati sulla natura della ricerca possono essere classificati in tre tradizioni ampiamente conosciuti nella scienza dell’informazione: positivista, interpretativa e ricerca critica.

3.1.1.1 ධනාත්මක පර්යේෂණ

La ricerca positivista è anche conosciuta come studio scientifico o empirico. Essa cerca di: “spiegare e prevedere cosa succederà nel mondo sociale guardando alle regolarità e alle relazioni causa- effetto tra gli elementi che lo costituiscono” (Shanks et al 1993).

La ricerca positivista è inoltre caratterizzata da ripetibilità , semplificazioni e confutazioni. Inoltre la ricerca positivista ammette l’esistenza di relazioni a priori tra i fenomeni studiati.
Secondo Galliers(1992) la tassonomia è un metodo di ricerca incluso nel paradigma positivista, che però non è limitato a questa, infatti sussistono esperimenti di laboratorio, esperimenti sul campo, casi di studio, dimostrazioni di teoremi, previsioni e simulazioni. Utilizzando questi metodi i ricercatori ammettono che i fenomeni studiati possano essere osservati oggettivamente e rigorosamente.

3.1.1.2 අර්ථකථන පර්යේෂණ

La ricerca interpretativa, che è spesso chiamata fenomenologia o anti-positivismo viene descritta da Neuman (1994) come “l’analisi sistematica del significato sociale dell’azione attraverso la diretta e dettagliata osservazione delle persone in situazioni naturali, al fine di arrivare alla comprensione e all’interpretazione di come le persone creano e mantengono il loro mondo sociale”. Gli studi interpretative rifiutano l’assunzione che i fenomeni osservati possano essere osservati oggettivamente. Infatti essi sono basati su interpretazioni soggettive. Inoltre i ricercatori interpretativi non impongono significati a priori ai fenomeni che studiano.

Questo metodo comprende studi soggettivo/argomentativi, azioni di ricerca, studi descrittivo/interpretativi, ricerche future e giochi di ruolo. In aggiunta a questi indagini e casi di studio possono essere inclusi in questo approccio in quanto essi concernono gli studi degli individui o delle organizzazioni all’interno di complesse situazioni del mondo reale.

3.1.1.3 විවේචනාත්මක පර්යේෂණ

La ricerca critica è l’approccio meno conosciuto nelle scienze sociali ma di recente ha ricevuto l’attenzione dei ricercatori nell’ambito dei sistemi informativi. L’assunzione filosofica che la realtà sociale è storicamente prodotta e riprodotta dalle persone, così come i sistemi sociali con le loro azioni ed interazioni. La loro abilità, comunque, è mediata da un certo numero di considerazione sociali, culturali e politiche.

Cosi come la ricerca interpretativa, quella critica sostiene che la ricerca positivista non c’entra con il contesto sociale ed ignora la sua influenza sulle azioni umane.
La ricerca critica, d’altra parte, critica la ricerca interpretativa per essere troppo soggettiva e perché non si propone di aiutare le persone a migliorare le proprie vite. La più grossa differenza tra la ricerca critica e gli altri due approcci è la sua dimensione valutativa. Mentre l’oggettività delle tradizioni positivista ed interpretativa, è per predire o spiegare lo status quo o la realtà sociale, la ricerca critica punta a valutare criticamente e trasformare la realtà sociale sotto studio.

I ricercatori critici solitamente si oppongono allo status quo al fine di rimuovere le differenze sociali e migliorare le condizioni sociali. La ricerca critica ha un impegno ad una vista processuale dei fenomeni di interesse e, pertanto, è normalmente longitudinale. Esempi di metodi di ricerca sono gli studi storici a lungo termine e gli studi etnografici. La ricerca critica, tuttavia, non è stata ampiamente usata nella ricerca dei sistemi d’informazione

3.1.2 පර්යේෂණයේ අරමුණ

Assieme alla natura della ricerca, il suo scopo può essere utilizzato per guidare il ricercatore nella selezione di un particolare metodo di ricerca. Lo scopo di un progetto di ricerca è strettamente correlato alla posizione della ricerca rispetto al ciclo di ricerca che consiste di tre fasi: costruzione della teoria, test della teoria e affinamento della teoria. Così, basandosi sul momento rispetto al ciclo di ricerca, un progetto di ricerca può avere un fine di spiegazione, descrittivo, di esplorazione oppure predittivo.

3.1.2.1 ගවේෂණාත්මක පර්යේෂණ

La ricerca esplorativa è finalizzata nell’investigare un argomento totalmente nuovo e formulare domande e ipotesi per la ricerca futura. Questo tipo di ricerca è utilizzato nella costruzione della teoria per ottenere dei riferimenti iniziali in una nuova area. Normalmente si utilizzano metodi di ricerca qualitativa, come i casi di studio o gli studi fenomenonologici.

කෙසේ වෙතත්, ගවේෂණාත්මක සමීක්ෂණ හෝ අත්හදා බැලීම් වැනි ප්‍රමාණාත්මක තාක්ෂණික ක්‍රම භාවිතා කිරීමට ද හැකිය.

3.1.3.3 විස්තරාත්මක පර්යේෂණ

La ricerca descrittiva è finalizzata ad analizzare e descrivere in gran dettaglio una particolare situazione o pratica organizzativa. Questa è appropriata per costruire teorie e può essere anche usata per confermare o contestare ipotesi. La ricerca descrittiva solitamente comprende l’uso di misure e campioni. I metodi di ricerca più adatti comprendono indagini e analisi di antecedenti.

3.1.2.3 පැහැදිලි කිරීමේ පර්යේෂණ

La ricerca esplicativa cerca di spiegare perché succedono le cose. Essa è costruita su fatti che sono già stati studiati e cerca di trovare i perché di tali fatti.
Quindi la ricerca esplicativa è normalmente costruita sulla ricerca esplorativa o descrittiva ed è accessoria al fine di testare ed affinare le teorie. La ricerca esplicativa normalmente impiega casi di studio o metodi di ricerca basati sulle indagini.

3.1.2.4 වැළැක්වීමේ පර්යේෂණ

La ricerca preventiva punta a predire gli eventi e i comportamenti sotto osservazione che si stanno studiando (Marshall and Rossman 1995). La previsione è il test scientifico standard della verità. Questo tipo di ricerca generalmente impiega indagini o analisi dei dati ඉතිහාසඥයන්. (යින් 1989)

La suddetta discussione dimostra che c’è un certo numero di possibili metodi di ricerca che possono essere usati in uno studio particolare. Tuttavia, ci deve essere un metodo specifico più adatto degli altri per un tipo particolare di progetto di ricerca. (Galliers 1987, Yin 1989, De Vaus 1991). Ogni ricercatore, quindi, ha bisogno di valutare con attenzione i punti di forza e le debolezze di vari metodi, per arrivare ad adottare il metodo di ricerca più adatto e compatibile col progetto di ricerca. (Jenkins 1985, Pervan e Klass 1992, Bonomia 1985, Yin 1989, Himilton and Ives 1992).

3.2 හැකි පර්යේෂණ ක්රම

L’obiettivo di questo progetto era studiare l’esperienza nelle organizzazioni australiane con i dati immagazzinati con uno sviluppo di දත්ත ගබඩාවයි. දිනය che, attualmente, c’è una mancanza di ricerca nell’area di data warehousing in Australia, questo progetto di ricerca è ancora nella fase teorica del ciclo di ricerca ed ha uno scopo esplorativo. Esplorando l’esperienza nelle organizzazioni australiane che adottano il data warehousing richiede l’interpretazione della società reale. Di conseguenza, il l’assunzione filosofica alla base del progetto di ricerca segue l’interpretazione tradizionale.

Dopo un rigoroso esame dei metodi disponibili, sono stati identificati due possibili metodi di ricerca: indagini (surveys) e casi di studio (case studies), che possono essere usati per una ricerca esplorativa (Shanks et al. 1993). Galliers (1992) sostiene che l’idoneità di questi due metodi per questo particolare studio nella sua tassonomia rivisitata dicendo che sono adatti per la costruzione teorica. Le seguenti due sottosezioni discutono ogni metodo in dettaglio.

3.2.1 සමීක්ෂණ පර්යේෂණ ක්‍රමය

Il metodo di ricerca d’indagine proviene dall’antico metodo del censimento. Un censimento consta nel collezionare informazioni da un’intera popolazione. Questo metodo è costoso e poco pratico, in particolare se la popolazione è elevata. Quindi, rispetto al censimento, una indagine normalmente è concentrata sul collezionare informazioni per un piccolo numero, o campione, dei rappresentanti della popolazione (Fowler 1988, Neuman 1994). Un campione riflette la popolazione da cui è disegnato, con differenti livelli di accuratezza, secondo la struttura del campione, la dimensione e il metodo di selezione utilizzato (Fowler 1988, Babbie 1982, Neuman 1994).

Il metodo d’indagine è definito come “snapshots of practices, situations or views at a particular point in time, undertaken using questionnaires or interviews, from which inferences may be
made” (Galliers 1992:153) [fotografia istentanea delle pratiche, situazioni o viste in particolare punto temporale, intrapreso usando questionari o interviste, da cui possono essere fatte inferenze]. Le indagini si occupano della raccolta di informazioni su alcuni aspetti dello studio, da un certo numero di partecipanti, facendo delle domande (Fowler 1988). Anche questi questionari e interviste, che includono le interviste faccia a faccia al telefono e quelle strutturate, sono le tecniche di collezione di dati più comuni impiegate nelle indagini (Blalock 1970, Nachmias and Nachmias 1976, Fowler 1988), possono essere utilizzate osservazioni ed analisi (Gable 1994). Di tutti questi metodi di collezione dei dati, l’uso del questionario è la tecnica più popolare, poiché assicura che i dati

collezionati siano strutturati e formattati, e quindi facilita la classificazione delle informazioni (Hwang 1987, de Vaus 1991).

විශ්ලේෂණය කරන විට i dati, una strategia d’indagine impiega spesso le tecniche quantitative, come l’analisi statistica, ma possono essere impiegate anche tecniche qualitative (Galliers 1992, Pervan

සහ ක්ලාස් 1992, ගේබල් 1994). සාමාන්යයෙන්, අයි dati raccolti sono usati per analizzare le distribuzioni e i modelli delle associazioni (Fowler 1988).

Anche se le indagini sono generalmente appropriate per ricerche che si occupano della domanda ‘che cosa?’ (what) o da essa derivanti, quali ‘quanto’(how much) e ‘quant’è’ (how many), esse possono essere poste tramite la domanda ‘perché’ (Sonquist and Dunkelberg 1977, Yin 1989). Secondo Sonquist e Dunkelberg (1977), l’indagine di ricerca punta ad ipotesi difficili, programme di valutazione, descrivendo la popolazione e sviluppando modelli del comportamento umano. Inoltre, le indagini possono essere usate per studiare un’opinione certa della popolazione, condizioni, opinioni, caratteristiche, aspettative e anche comportamenti passati o presenti(Neuman 1994).

Le indagini permettono al ricercatore di scoprire i rapporti tra la popolazione ed i risultato sono normalmente più generici rispetto ad altri metodi (Sonquist and Dunkelberg 1977, Gable 1994). Le indagini permettono ai ricercatori di riguardare una zona geografica più larga e di raggiungere tantissimi dichiaranti (Blalock 1970, Sonquist and Dunkelberg 1977, Hwang and Lin 1987, Gable 1994, Neuman 1994). Infine, le indagini possono fornire le informazioni che non sono disponibili altrove o nella forma richiesta per le analisi (Fowler 1988).

Ci sono, tuttavia, alcune limitazioni nell’eseguire un’indagine. Uno svantaggio è che il ricercatore non può ottenere molte informazioni a riguardo dell’oggetto studiato. Questo è dovuto al fatto che le indagini sono eseguite soltanto in un momento particolare e, quindi, c’è un numero limitato di variabili e di persone che il ricercatore può

studiare (Yin 1989, de Vaus 1991, Gable 1994, Denscombe 1998). Un altro svantaggio è quello che esegue un’indagine può essere molto costoso in termini di tempo e risorse, particolarmente se coinvolge le interviste faccia a faccia (Fowler 1988).

3.2.2. විමර්ශන පර්යේෂණ ක්‍රමය

Il metodo di ricerca di inchiesta coinvolge lo studio approfondito su una particolare situazione all’interno del relativo contesto reale in un periodo di tempo definito, senza alcun intervento da parte del ricercatore (Shanks & C. 1993, Eisenhardt 1989, Jenkins 1985). Principalmente questo metodo è usato per descrivere i rapporti fra le variabili che si stanno studiando in una situazione particolare (Galliers 1992). Le inchieste possono coinvolgere singoli casi o multipli, a seconda del fenomeno analizzato (Franz e Robey 1987, Eisenhardt 1989, Yin 1989).

Il metodo di ricerca di inchiesta è definito come “un’inchiesta empirica che studia un fenomeno contemporaneo all’interno del relativo contesto reale, usando le fonti multiple raccolte da una o più entità quali la gente, i gruppi, o le organizzazioni” (Yin 1989). Non c’è netta separazione fra il fenomeno ed il relativo contesto e non c’è controllo o manipolazione sperimentale delle variabili (Yin 1989, Benbasat ed altri 1987).

එකතු කිරීම සඳහා විවිධ ශිල්පීය ක්රම තිබේ dati che possono essere impiegate nel metodo di inchiesta, che includono le osservazioni dirette, revisioni di record di archivi, questionari, revisione della documentazione ed interviste strutturate. Avendo una gamma varia di tecniche della raccolta di dati, le inchieste permettono ai ricercatori di occuparsi sia dei dati qualitativi che quantitativi allo stesso tempo (Bonoma 1985, Eisenhardt 1989, Yin 1989, Gable 1994). Com’è il caso con il metodo di indagine, un ricercatore di inchiesta funge da osservatore o ricercatore e non come partecipante attivo all’organizzazione allo studio.

Benbasat ed altri (1987) asseriscono che il metodo di inchiesta è particolarmente adatto per la costruzione della teoria di ricerca, che comincia con una domanda di ricerca e continua con la formazione

එකතු කිරීමේ ක්‍රියාවලියේදී සිද්ධාන්තයක් dati. Essendo adatto anche per la fase

della costruzione di teoria, Franz e Robey (1987) suggeriscono che il metodo di inchiesta può anche essere utilizzato per la complessa fase di teoria. In questo caso, basandosi sulle prove raccolte, una data teoria o ipotesi viene verificata o confutata. In più, l’inchiesta è anche adatta per ricerca che si occupa delle domande ‘come’ o ‘perché’ (Yin 1989).

Rispetto ad altri metodi, le inchieste permettono al ricercatore di catturare le informazioni essenziali più nel particolare (Galliers 1992, Shanks ed altri 1993). Inoltre, le inchieste permettono al ricercatore di capire la natura e la complessità dei processi studiati (Benbasat ed altri 1987).

Ci sono quattro svantaggi principali connessi con il metodo di inchiesta. Il primo è la mancanza di deduzioni controllate. La soggettività del ricercatore può alterare i risultati e le conclusioni dello studio (Yin 1989). Il secondo svantaggio è la mancanza di osservazione controllata. A differenza dei metodi sperimentali, il ricercatore di inchiesta non può controllare i fenomeni studiati poiché sono esaminati nel loro contesto naturale (Gable 1994). Il terzo svantaggio è la mancanza di replicabilità. Ciò è dovuto al fatto che il ricercatore ha poca probabilità di osservare gli stessi eventi, e non può verificare i risultati di un particolare studio (Lee 1989). Infine, come conseguenza della non replicabilità, è difficile generalizzare i risultati ottenuti da una o più inchieste (Galliers 1992, Shanks ed altri 1993). Tutti questi problemi, tuttavia, non sono insormontabili e possono, infatti, essere minimizzati dal ricercatore applicando azioni appropriate (Lee 1989).

3.3 පර්යේෂණ ක්‍රමවේදය සාධාරණීකරණය කරන්න හදාගත්තා

Dai due metodi di ricerca possibili per questo studio, il metodo di indagine è considerato come il più adatto. Quello di inchiesta è stato scartato in seguito ad un attenta considerazione dei relativi

meriti e debolezze. La convenienza o l’inappropriatezza di ogni metodo per questo studio è discussa in seguito.

3.3.1. පර්යේෂණ ක්රමයේ නුසුදුසුකම විමර්ශනයේ

Il metodo di inchiesta richiede lo studio approfondito circa una situazione particolare all’interno di una o più organizzazioni per un periodo di tempo (Eisenhardt 1989). In questo caso, il periodo può eccedere la struttura di tempo data per questo studio. Un altro motivo per non adottare il metodo di inchiesta è che i risultati possono soffrire da mancanza di rigore (Yin 1989). La soggettività del ricercatore può influenzare i risultati e le conclusioni. Un altro motivo è che questo metodo è più adatto a ricerche su domande del tipo ‘come’ o ‘perché’ (Yin 1989), mentre la domanda di ricerca per questo studio è del tipo ‘che cosa’. Infine, ma non meno importante, è difficile generalizzare i risultati da appena una o poche inchieste (Galliers 1992, Shanks ed altri 1993). Sulla base di questa spiegazione razionale, il metodo di ricerca di inchiesta non è stato scelto poiché inadatto per questo studio.

3.3.2 සෙවුම් ක්රමයේ පහසුව පරීක්ෂණයක්

Quando questa ricerca è stata condotta, la pratica di data- warehousing non era stata ampiamente adottata dalle organizzazioni australiane. Quindi, non c’erano molte informazioni per quanto riguarda la loro implementazione all’interno delle organizzazioni australiane. Le informazioni disponibili provenivano dalle organizzazioni che avevano implementato o utilizzato un දත්ත ගබඩාවයි. In questo caso, il metodo di ricerca di indagine è il più adatto poiché permette di ottenere le informazioni che non sono disponibili altrove o nella forma richiesta per analisi (Fowler 1988). In più, il metodo di ricerca di indagine permette al ricercatore di ottenere una buona visione delle pratiche, delle situazioni, o delle viste in un determinato momento (Galliers 1992, Denscombe 1998). Una veduta d’insieme era stata richiesta per aumentare la conoscenza circa l’esperienza australiana di data warehousing.

තවද, Sonquist සහ Dunkelberg (1977) පවසන්නේ සමීක්ෂණ පර්යේෂණවල ප්‍රතිඵල අනෙකුත් ක්‍රමවලට වඩා සාමාන්‍ය බවයි.

3.4 සමීක්ෂණ පර්යේෂණ නිර්මාණය

L’indagine circa la pratica di data warehousing è stata eseguita nel 1999. La popolazione obiettivo era formata da organizzazioni australiane interessate agli studi di data warehousing, poiché erano probabilmente già informati circa i dati che immagazzinano e, pertanto, potrebbe fornire le informazioni utili per questo studio. La popolazione obiettivo è stata identificata con un’indagine iniziale di tutti i membri australiani del ‘The Data Warehousing Institute’ (Tdwi- aap). Questa sezione discute il disegno della fase di ricerca empirica di questo studio.

3.4.1. අස්වනු නෙලීමේ තාක්ෂණය dati

Dalle tre tecniche usate comunemente nella ricerca di indagine (cioè questionario via posta, intervista del telefono ed intervista personale) (Nachmias 1976, Fowler 1988, de Vaus 1991), per questo studio è stato adottato il questionario via posta. Il primo motivo per l’adozione di quest’ultimo è che può raggiungere una popolazione sparsa geograficamente (Blalock 1970, Nachmias e Nachmias 1976, Hwang e Lin 1987, de Vaus 1991, Gable 1994). Secondariamente, il questionario via posta è adatto a partecipanti altamente istruiti (Fowler 1988). Il questionario via posta per questo studio è stato indirizzato ai project sponsors del data warehousing, direttori e/o responsabili di progetto. In terzo luogo, i questionari via posta sono adatti quando si ha a disposizione una lista sicura di indirizzi (Salant e Dilman 1994). TDWI, in questo caso, una associazione fidata di data warehousing ha fornito la lista di indirizzi dei relativi membri australiani. Un altro vantaggio del questionario via posta rispetto al questionario via telefono o alle interviste personali è che permette ai dichiaranti di rispondere con maggior esattezza, particolarmente quando i dichiaranti devono consultare le annotazioni o discutere le domande con altra gente (Fowler 1988).

Uno svantaggio potenziale può essere il tempo richiesto per condurre i questionari via posta. Normalmente, un questionario via posta è condotto in questa sequenza: spedire le lettere, aspettare le risposte e mandare la conferma(Fowler 1988, Bainbridge 1989). Quindi, il tempo totale può essere più lungo del tempo richiesto per le interviste personali o per le interviste al telefono. Tuttavia, il tempo totale può essere conosciuto in anticipo (Fowler 1988, Denscombe 1998). Il tempo speso per condurre le interviste personali non può essere conosciuto in anticipo poiché varia da un’intervista all’altra (Fowler 1988). Le interviste telefoniche possono essere più rapide dei questionari via posta e delle interviste personali ma possono avere un alto tasso di mancanza di risposta dovuto all’indisponibilità di alcune persone (Fowler 1988). In più, le interviste telefoniche sono limitate generalmente a liste di domande relativamente corte (Bainbridge 1989).

Un’altra debolezza di un questionario via posta è l’alto tasso di mancanza di risposta (Fowler 1988, Bainbridge 1989, Neuman 1994). Tuttavia, sono state prese delle contromisure, associando questo studio con un’istituzione fidata nel campo del data warehousing (cioè TDWI) (Bainbridge 1989, Neuman 1994), la quale trasmette due lettere di sollecito ai chi non ha risposto (Fowler 1988, Neuman 1994) ed include inoltre una lettera aggiuntiva che spiega lo scopo dello studio (Neuman 1994).

3.4.2. විශ්ලේෂණ ඒකකය

Lo scopo di questo studio è ottenere le informazioni circa l’implementazione del data warehousing e l’utilizzo dello stesso all’interno delle organizzazioni australiane. La popolazione obiettivo è costituita da tutte le organizzazioni australiane che hanno implementato, o stanno implementando, i දත්ත ගබඩාවයි. In seguito vengono intestate le singole organizzazioni. Il questionario via posta è stato spedito alle organizzazioni interessate all’adozione di දත්ත ගබඩාවයි. Questo metodo garantisce che le informazioni raccolte provengano dalle risorse più adatte di ogni organizzazione partecipante.

3.4.3. සමීක්ෂණ නියැදිය

La “mailing list” dei partecipanti all’indagine è stata ottenuta da TDWI. A partire da questa lista, 3000 organizzazioni australiane sono state selezionate come base per il campionamento. Una lettera di aggiuntiva spiegava il progetto e lo scopo dell’indagine, insieme ad una scheda per le risposte e una busta prepagata per rinviare il questionario compilato sono state inviate al campione. Delle 3000 organizzazioni, 198 hanno accettato di partecipare allo studio. Era previsto un così piccolo numero di risposte ඩැටෝ il grande numero di organizzazioni australiane che allora avevano abbracciato o stavano abbracciando la strategia di data warehousing all’interno delle loro organizzazioni. Quindi, la popolazione obiettivo per questo studio consiste di sole 198 organizzazioni.

3.4.4. ප්රශ්නාවලියෙහි අන්තර්ගතය

La struttura del questionario è stata basata sul modello di data warehousing Monash (discusso precedentemente nella parte 2.3). Il contenuto del questionario è stato basato sull’analisi della letteratura presentata nel capitolo 2. Una copia del questionario spedito ai partecipanti all’indagine può essere trovata nell’appendice B. Il questionario è composto da sei sezioni, che seguono le fasi del modello trattato. I seguenti sei paragrafi brevemente ricapitolano il contenuto di ogni sezione.

A කොටස: සංවිධානය පිළිබඳ මූලික තොරතුරු
Questa sezione contiene le domande relative al profilo delle organizzazioni partecipanti. In più, alcune delle domande sono relative alla condizione del progetto di data warehousing del partecipante. Le informazioni confidenziali quale il nome dell’organizzazione non sono state rivelate nell’analisi di indagine.

B කොටස: ආරම්භය
Le domande in questa sezione sono relative all’attività di inizio di data warehousing. Le domande sono state fatte per quanto riguarda gli iniziatori di progetto, garanti, abilità e conoscenza richieste, gli obiettivi dello sviluppo di data warehousing e le aspettative degli utilizzatori finali.

C කොටස: නිර්මාණය
Questa sezione contiene le domande relative alle attività di pianificazione del දත්ත ගබඩාවයි. In particolare, le domande sono state circa la portata di esecuzione, la durata del progetto, il costo del progetto e l’analisi di costi/benefici.

D කොටස: සංවර්ධනය
Nella sezione di sviluppo ci sono le domande relative alle attività di sviluppo del දත්ත ගබඩාවයි: raccolta di requisiti dell’utilizzatore finale, le fonti di dati, හි තාර්කික ආකෘතිය dati, prototipi, la pianificazione di capienza, architetture tecniche e selezione dei tools di sviluppo del data warehousing.

E කොටස: මෙහෙයුම
Domande di funzionamento relative al funzionamento ed all’estensibilità del දත්ත ගබඩාවයි, come si evolve nella successiva fase di sviluppo. La දත්ත ගුණාත්මකභාවය, le strategie di refresh dei dati, කැටිති dati, scalabilità del දත්ත ගබඩාවයි ed i problemi di sicurezza del දත්ත ගබඩාවයි erano fra le tipologie di domande fatte.

F කොටස: සංවර්ධනය
Questa sezione contiene le domande relative all’utilizzo del දත්ත ගබඩාවයි da parte degli utenti finali. Il ricercatore era interessato allo scopo e all’utilità del දත්ත ගබඩාවයි, la revisione e le strategie di addestramento adottati e la strategia di controllo del දත්ත ගබඩාවයි adottata.

3.4.5 ප්රතිචාර අනුපාතය

Anche se le indagini via posta sono criticate per avere un tasso di risposta basso, sono state adottate delle misure per aumentare il tasso di rendimento (come discusso precedentemente nella parte 3.4.1). Il termine ‘tasso di risposta’ si riferisce alla percentuale di persone in un campione particolare di indagine che risponde al questionario (Denscombe 1998). E’ stata utilizzata la seguente formula per calcolare il tasso di risposta per questo studio:

ප්‍රතිචාර දැක්වූ පුද්ගලයින් සංඛ්‍යාව
Tasso di risposta = ——————————————————————————– X 100 Numero totale di questionari spediti

3.4.6. නියමු පරීක්ෂණය

Prima che il questionario sia spedito al campione, le domande sono state esaminate effettuando le prove pilota, come suggerito da Luck e Rubin (1987), Jackson (1988) e de Vaus (1991). Lo scopo delle prove pilota è di rivelare tutte le espressioni scomode, ambigue e domande di difficile interpretazione, per chiarire qualunque definizioni e termini usati e per identificare il tempo approssimativo richiesto per compilare il questionario (Warwick e Lininger 1975, Jackson 1988, Salant e Dilman 1994). Le prove pilota sono state effettuate selezionando soggetti con caratteristiche simili a quelle dei soggetti finali, come suggerito Davis e Cosenza (1993). In questo studio, sei professionisti di data warehousing sono stati selezionati come i soggetti pilota. Dopo ogni prova pilota, sono state fatte le correzioni necessarie. Dalle prove pilota effettuate, i partecipanti hanno contribuito a rimodellare e reimpostar la versione definitiva del questionario.

3.4.7. විශ්ලේෂණ ක්‍රම මගින් Dati

I dati di indagine raccolti dai questionari a domanda chiusa sono stati analizzati usando un pacchetto di programmi statistico denominato SPSS. Molte delle risposte sono state analizzate usando le statistiche descrittive. Un certo numero di questionari sono ritornati incompleti. Questi sono stati trattati con maggiore attenzione per accertarsi che i dati mancanti non fossero una conseguenza degli errori di data entry, ma perché le domande non erano adatte per il dichiarante, o il dichiarante ha deciso non rispondere ad una o più domande specifiche. Queste risposte mancanti sono state ignorate durante l’analisi dei dati e sono state codificate come ‘- 9’ per accertare la loro esclusione dal processo di analisi.

Nel preparare il questionario, le domande chiuse sono state precodificate assegnando un numero ad ogni opzione. Il numero allora è stato usato per preparare i dati durante l’analisi (Denscombe 1998, Sapsford e Jupp 1996). Per esempio, c’erano sei opzioni elencate nella domanda 1 della sezione B: consiglio d’amministrazione, esecutivo ad alto livello, dipartimento IT , unità di affari, i consulenti ed altro. Nello schedario di dati di SPSS, è stata generata una variabile per indicare ‘l’iniziatore di progetto’, con sei etichette di valore: ‘1’ per il ‘consiglio d’amministrazione’, ‘2’ per ‘l’esecutivo ad alto livello’ e così via. L’uso della scala di Likertin in alcune delle domande chiuse inoltre ha permesso un’identificazione che non richiede sforzo visto l’utilizzo dei valori numerici corrispondenti inseriti in SPSS. Per le domande con le risposte non esaustive, che non erano reciprocamente esclusive, ogni opzione è stata trattata come una singola variabile con due etichette di valore: ‘1 ‘ per ‘segnata’ e ‘2 ‘ per ‘non segnata’.

Le domande aperte sono state trattate diversamente dalle domande chiuse. Le risposte a queste domande non sono state inserite in SPSS. Al contrario, sono state analizzate a mano. L’uso di questo tipo di domande permette di acquisire informazioni circa le idee liberamente espresse e le esperienze personali nei dichiaranti (Bainbridge 1989, Denscombe 1998). Dove possibile, è stata fatta una categorizzazione delle risposte.

විශ්ලේෂණය සඳහා dati, sono usati metodi di semplice analisi statistica, come la frequenza delle risposte, la media, la scarto quadratico medio e la mediana (Argyrous 1996, Denscombe 1998).
Il Gamma test era performante per ottenere misure quantitative delle associazioni tra dati ordinali (Norusis 1983, Argyrous 1996). Questi test erano appropriati perché le scale ordinali usate non avevano molte categorie e potevano essere mostrate in una tabella (Norusis 1983).

3.5 සොමාරියෝ

In questo capitolo, sono stati discussi la metodologia di ricerca e il design adottati per questo studio.

La selezione del più appropriato metodo di ricerca per un particolare studio prende in
considerazione un certo numero di regole, inclusa la natura e il tipo della ricerca, così come i meriti e le debolezze di ogni possibile metodo(Jenkins 1985, Benbasat et al. 1097,Galliers e Land 1987, yin 1989, Hamilton e ives 1992, Galliers 1992, neuman 1994). Vista la mancanza di conoscenza e teoria esistenti a proposito dell’adozione di data warehousing in Australia, questo studio di ricerca richiede un metodo di ricerca interpretativo con una abilità esplorativa per esplorare le esperienze delle organizzazioni australiane. Il metodo di ricerca prescelto è stato selezionato per raccogliere informazioni riguardanti l’adozione del concetto di data ware-housing da parte delle organizzazioni australiane. Un questionario postale è stato scelto come tecnica di raccolta dati. Le giustificazioni per il metodo di ricerca e la tecnica di raccolta dati selezionati saranno fornite in questo capitolo. Inoltre è stata presentata una discussione sull’unità di analisi,il campione utilizzato, le percentuali di risposte, il contenuto del questionario, il pre test del questionario e il metdo di analisi dei dati.

සැලසුම් කිරීම a දත්ත ගබඩාව:

ආයතනික සම්බන්ධතා සහ මාන ආකෘති නිර්මාණය ඒකාබද්ධ කිරීම

වදන්
ගබඩා කිරීම i dati è un problema attuale importante per molte organizzazioni. Un problema chiave nello sviluppo dell’immagazzinamento dei dati එය ඔහුගේ නිර්මාණයයි.
Il disegno deve sostenere il rilevamento di concetti nel දත්ත ගබඩාවයි a legacy system e le altre fonti di dati ed anche una facile comprensione ed efficienza nell’implementazione di දත්ත ගබඩාවයි.
බොහෝ ගබඩා සාහිත්‍යය dati raccomanda l’uso di entity relationship modelling or dimensional modelling per rappresentare il disegno di දත්ත ගබඩාවයි.
In questo giornale noi mostriamo come entrambe le rappresentazioni possono essere combinate in un approccio per il disegno di දත්ත ගබඩාවයි. භාවිතා කරන ප්රවේශය ක්රමානුකූලයි

esaminato in un caso di studio ed è identificato in un numero di importanti implicazioni con professionisti.

දත්ත ගබඩා කිරීම

Un දත්ත ගබඩාවයි di solito è definito come un “subject-oriented, integrated, time-variant, and nonvolatile collection of data in support of management’s decisions” (Inmon and Hackathorn, 1994). Subject-oriented and integrated indica che il දත්ත ගබඩාවයි è progettato per attraversare i confini funzionali dei legaci system per offrire una prospettiva integrata dei dati.
කාල ප්‍රභේදය ඓතිහාසික හෝ කාල ශ්‍රේණියේ ස්වභාවයට බලපායි dati යූ දත්ත ගබඩාවයි, la quale abilita trend per essere analizzati. Non-volatile indica che il දත්ත ගබඩාවයි non è continuamente aggiornato come un දත්ත සමුදාය di OLTP. Piuttosto è aggiornato periodicamente, con dati අභ්යන්තර හා බාහිර මූලාශ්රවලින් පැමිණේ. එම දත්ත ගබඩාවයි specificatamente è disegnato per la ricerca piuttosto che per l’integrità degli aggiornamenti e le prestazioni delle operazioni.
ගබඩා කිරීමේ අදහස i dati non è nuova, è stato uno degli scopi di gestione dei dati හැට ගණන්වල සිට (ද මාටින්, 1982).
I දත්ත ගබඩාවයි ඔවුන් යටිතල පහසුකම් සපයයි dati per management support systems. Management support systems includono decision support systems (DSS) and executive information systems (EIS). Un DSS è un sistema di informazioni computer-based che è progettato per migliorare il processo e di conseguenza la presa di decisione umana. Un EIS è tipicamente un sistema di consegna di dati che abilita dirigenti d’azienda ad accedere facilmente alla vista dei dati.
සාමාන්‍ය ගෘහ නිර්මාණ ශිල්පය a දත්ත ගබඩාවයි භූමිකාව ඉස්මතු කරයි දත්ත ගබඩාවයි nel supporto alla gestione. Oltre ad offrire l’infrastruttura dati EIS සහ DSS සඳහා, al දත්ත ගබඩාවයි è possibile accedervi direttamente attraverso le query. I dati inclusi in un දත්ත ගබඩාවයි si basano su un’analisi dei requisiti di informazioni di gestione e sono ottenuti da tre fonti: internal legacy systems, special purpose data capture systems and external data sources. I dati negli internal legacy systems sono frequentemente ridondanti, inconsistenti, di bassa qualità, e immagazzinati in diversi formati quindi devono essere riconciliati e puliti prima di poterli caricare nel

දත්ත ගබඩාවයි (Inmon, 1992; McFadden, 1996). එම dati provenienti da sistemi di immagazzinamento dati ad hoc සහ මූලාශ්‍ර වලින් dati බාහිර බොහෝ විට වැඩි කිරීමට භාවිතා කරයි (යාවත්කාලීන කිරීම, ප්රතිස්ථාපනය) i dati උරුම පද්ධති වලින්.

A වර්ධනය වීමට ප්‍රබල හේතු රාශියක් ඇත දත්ත ගබඩාවයි, che includono una migliore presa di decisione attraverso l’uso effettivo di più informazioni (Ives 1995), il supporto per un focus sugli affari completi (Graham 1996), e la riduzione in costi di provvedimento di dati per EIS e DSS (Graham 1996, McFadden 1996).

Un recente studio empirico ha scoperto, in media, un ritorno degli investimenti per i දත්ත ගබඩාවයි del 401% dopo tre anni (Graham, 1996). Comunque, gli altri studi empirici di දත්ත ගබඩාවයි hanno trovato significanti problemi incluso la difficoltà nel misurare ed assegnare benefici, mancanza di un scopo chiaro, sottovalutando lo scopo e la complessità del processo di immagazzinare i dati, in particolare quanto riguarda le fonti e la pulizia dei dati. Immagazzinare i dati può essere considerato come una soluzione al problema di gestione dei dati fra le organizzazioni. La manipolazione dei dati come risorsa sociale è rimasto uno dei problemi chiave nella gestione di sistemi di informazioni in tutto il mondo per molti anni (Brancheau et al. 1996, Galliers et al. 1994, Niederman et al. 1990, Pervan 1993).

කළමනාකරණය සඳහා ජනප්රිය ප්රවේශයක් dati negli anni ottanta era lo sviluppo di un modello dati සමාජ. ආකෘතිය dati sociale fu pensato per offrire una base stabile per lo sviluppo di nuovi sistemi applicativi e දත්ත සමුදාය e la ricostruzione e l’integrazione di legacy systems (Brancheau et al.

1989, Goodhue et al. 1988:1992, Kim and Everest 1994). Comunque, ci sono molti problemi con questo approccio, in particolare, la complessità e il costo di ogni task, ed il lungo tempo richiesto per avere risultati tangibili (Beynon-Davies 1994, Earl 1993, Goodhue et al. 1992, Periasamy 1994, Shanks 1997).

Il දත්ත ගබඩාවයි è un databse separato che co-esiste coi legacy databases piuttosto che sostituirli. Esso perciò consente di indirizzare la gestione dei dati ed evitare la costosa ricostruzione dei legacy systems.

දත්ත නිර්මාණය සඳහා පවතින ප්‍රවේශයන්

ගබඩාව

ගොඩනැගීමේ හා පරිපූර්ණ කිරීමේ ක්රියාවලිය a දත්ත ගබඩාවයි va compreso più come un processo evolutivo piuttosto che un lifecycle di sviluppo di sistemi tradizionali (ඩෙසියෝ, 1995, Shanks, O’Donnell and Arnott 1997a ). Ci sono molti processi coinvolti in un progetto di දත්ත ගබඩාවයි come inizializzazione, pianificazione; informazioni acquisite dai requisiti chieste ai dirigenti d’azienda; fonti, trasformazioni, pulizia dei dati e di sincronizzazione da legacy systems e le altre fonti di dati; sistemi di consegna in sviluppo; monitoraggio dei දත්ත ගබඩාවයි; e insensatezza del processo evolutivo e di costruzione di un දත්ත ගබඩාවයි (Stinchi, O’Donnell ed Arnott 1997b). In questo giornale, noi focalizziamo su come disegnare i dati immagazzinati nel contesto di questi altri processi. Ci sono un numero di approcci proposti per l’architettura dei දත්ත ගබඩාවයි nella letteratura (Inmon 1994, Ives 1995, Kimball 1994 McFadden 1996). Ognuna di queste metodologie ha una breve rassegna con un’analisi dei loro punti di forza e non.

සඳහා Inmon's (1994) ප්රවේශය දත්ත ගබඩාව නිර්මාණ

Inmon (1994) propose quattro passi iterativi per disegnare un දත්ත ගබඩාවයි (veda Figura 2). Il primo passo è progettare un modello dati මම කොහොමද තේරුම් ගැනීමට සමාජ dati possono essere integrati attraverso aree funzionali all’interno di un’organizzazione suddividendo i dati ප්රදේශ වල ගබඩා කරන්න. ආකෘතිය dati è fatto per immagazzinare dati ඇතුළුව තීරණ ගැනීම සම්බන්ධව dati ඉතිහාසඥයින්, සහ ඇතුළත් dati dedotti ed aggregati. Il secondo passo è identificare aree soggette per la realizzazione. Questi sono basati su priorità determinate da una particolare organizzazione. Il terzo passo comporta il disegno di un දත්ත සමුදාය per l’area soggetta, pone particolare attenzione a includere appropriati livelli di granularità. Inmon raccomanda di usare il modello entità e relazioni. Il quarto passo è identificare sistemi di fonti dati richiesti e sviluppare processi di trasformazione per acquisire, pulire e formattare i dati.

ඉන්මොන්ගේ ප්‍රවේශයේ ශක්තීන් වන්නේ ආකෘතියයි dati sociale offre la base per l’integrazione di dati all’interno dell’organizzazione e pianificazione di supporti per lo sviluppo iterativo di දත්ත ගබඩාවයි. Le sue pecche sono la difficoltà e il costo nel disegnare il modello dati sociale, la difficoltà nel capire modelli di entità e relazioni usati in ambo i modelli, quello dati සමාජීය සහ ඒ dati විෂය ප්‍රදේශය අනුව ගබඩා කර ඇත, සහ යෝග්‍යතාවය dati del disegno di දත්ත ගබඩාවයි සාක්ෂාත් කර ගැනීම සඳහා දත්ත සමුදාය සාපේක්ෂ නමුත් සඳහා නොවේ දත්ත සමුදාය බහු-මාන.

අයිව්ස් (1995) වෙත ප්‍රවේශය දත්ත ගබඩාව නිර්මාණ

Ives (1995) propone un approccio di quattro passi per disegnare un sistema informativo che lui ritiene applicabile al disegno di un දත්ත ගබඩාවයි (veda Figura 3). L’approccio è molto basato sull’ Information Engineering per lo sviluppo di sistemi di informazioni (Martin 1990). Il primo passo è determinare gli obiettivi, i fattori critici e di successo e gli indicatori chiave delle prestazioni. I processi chiave di business e le informazioni necessarie sono modellate per condurci ad un modello dati sociale. Il secondo passo comporta lo sviluppo di un architettura che definisce dati ප්‍රදේශ අනුව ගබඩා කර ඇත, දත්ත සමුදාය di දත්ත ගබඩාවයි, i componenti di tecnologia che sono richiesti, l’insieme di supporto organizzativo richiesto per implementare ed operare con දත්ත ගබඩාවයි. Il terzo passo include la selezione di pacchetti software e attrezzi richiesti. Il quarto passo è il disegno particolareggiato e la costruzione del දත්ත ගබඩාවයි. ගබඩා කරන බව අයිව්ස් සටහන් කරයි dati è un vincolato processo iterativo.

La forza dell’approccio di Ives sono l’uso di specifiche tecniche per determinare i requisiti d’informazione, l’uso di uno strutturato processo per sostenere l’integrazione dei දත්ත ගබඩාවයි, l’opportuna selezione hardware e software, e l’uso di molteplici tecniche di rappresentazione per il දත්ත ගබඩාවයි. Le sue pecche sono inerenti alla complessità. Altre includono la difficoltà nello sviluppare molti livelli di දත්ත සමුදාය ඇතුළත දත්ත ගබඩාවයි in tempi e costi ragionevoli.

කිම්බල්ගේ (1994) ප්‍රවේශය දත්ත ගබඩාව නිර්මාණ

Kimball (1994) propose cinque passi iterativi per disegnare un දත්ත ගබඩාවයි (vedi Figuri 4). Il suo approccio è particolarmente dedicato sul disegno di un solo දත්ත ගබඩාවයි e sull’uso di modelli dimensionali in preferenza a modelli di entità e relazioni. Kimball analizza quei modelli dimensionali perché è più facile capire per i dirigenti d’azienda gli affari, è più efficiente quando si trattano consultazioni complesse, e il disegno di දත්ත සමුදාය fisico è più efficiente (Kimball 1994). Kimball riconosce che lo sviluppo di un දත්ත ගබඩාවයි එය පුනරාවර්තනය වන අතර එය දත්ත ගබඩාවයි separati possono essere integrati attraverso la ripartizione in tavole di dimensioni comuni.

Il primo passo è identificare la particolare area soggetto per essere perfezionato. Il secondo e terzo passo concernono modellatura dimensionale. Nel secondo passo le misure identificano cose di interesse nell’area soggetto e raggruppate in una tabella dei fatti. Per esempio, in un’area di soggetto di vendite le misure di interesse potrebbero includere l’ammontare di articoli venduto ed il dollaro come valuta di vendite. Il terzo passo comporta l’identificazione di dimensioni che sono i modi nei quali possono essere raggruppati i fatti. In un’area di soggetto di vendite, dimensioni attinenti potrebbero includere articolo, ubicazione e tempo periodo. La tabella dei fatti ha una chiave multi- part per collegarla ad ognuna delle tabelle di dimensione e tipicamente contiene un numero molto grande di fatti. In contrasto, tavole di dimensione contengono descrittive informazioni sulle dimensioni e gli altri attributi che possono essere usati per raggruppare i fatti. La tabella dei fatti e dimensioni associata proposta forma quello che è chiamato uno schema a stella a causa della sua forma. Il quarto passo comporta la costruzione di un දත්ත සමුදාය multidimensionale per perfezionare lo schema della stella. Il passo finale è identificare sistemi di fonti dati richiesti e sviluppare processi di trasformazione per acquisire, pulire e formattare i dati.

Le forze dell’approccio di Kimball includono l’uso di modelli dimensionali per rappresentare i dati immagazzinati che lo rendono facile da capire e conduce ad un disegno fisico efficiente. Un modello dimensionale che usa prontamente anche entrambi i sistemi di දත්ත සමුදාය relational පරිපූර්ණ හෝ පද්ධති විය හැක දත්ත සමුදාය multidimensionali. Le sue pecche includono la mancanza di alcune tecniche per facilitare la pianificazione o l’integrazione di molti schemi della stella all’interno di un දත්ත ගබඩාවයි e la difficoltà di progettare dall’estrema struttura denormalizzata in un modello dimensionale a dati උරුම පද්ධතිය තුළ.

McFadden's (1996) දත්ත වෙත ප්‍රවේශය ගබඩා නිර්මාණය

McFadden (1996) propone un approccio di cinque passi per disegnare un දත්ත ගබඩාවයි (රූපය 5 බලන්න).
Il suo approccio è basato su una sintesi delle idee dalla letteratura ed è focalizzato sul disegno di un solo දත්ත ගබඩාවයි. Il primo passo comporta un’analisi dei requisiti. Anche se le specifiche tecniche non sono prescritte, le note di McFadden identificano le entità dati specifiche ed i loro attributi, e si riferisce ai lettori Watson e Frolick (1993) per l’acquisizione dei requisiti.
දෙවන පියවරේදී, ආයතන සම්බන්ධතා ආකෘතියක් නිර්මාණය කර ඇත දත්ත ගබඩාවයි e poi convalidato dai dirigenti d’azienda. Il terzo passo comprende la determinazione del mapping da legacy system e fonti esterne di දත්ත ගබඩාවයි. Il quarto passo comporta processi in sviluppo, la distribuzione e sincronizzazione di dati nel දත්ත ගබඩාවයි. Nel passo finale, la consegna del sistema è sviluppata con particolare enfasi su un’interfaccia utente. McFadden fa notare che il processo di disegno è generalmente iterativo.

Le forze dell’approccio di McFadden puntano sulla partecipazione da parte dei dirigenti d’azienda nel determinare i requisiti ed anche l’importanza delle risorse dati, la loro pulizia e raccolta. Le sue pecche riguardano la mancanza di un processo per suddividere un grande progetto di දත්ත ගබඩාවයි බොහෝ ඒකාබද්ධ අදියර තුළ, සහ

සැලසුම් කිරීමේදී භාවිතා කරන ලද ආයතන සහ සම්බන්ධතා ආකෘති තේරුම් ගැනීමේ අපහසුතාව දත්ත ගබඩාවයි.

අපව තෝරා ගන්නේ අපට සමීප අය පමණක් නොවේ.