ڈیٹا گودام اور انٹرپرائز ریسورس پلاننگ | ڈی ڈبلیو ایچ اور ای آر پی

آرکیو ڈیٹا سنٹرل: ہسٹری ای ڈی ارتقاء

90 کی دہائی میں کارپوریٹ ٹیکنالوجی کے دو غالب موضوعات i تھے۔ ڈیٹا گودام اور ERP. ایک طویل عرصے سے یہ دو طاقتور دھارے کارپوریٹ IT کے حصے رہے ہیں بغیر کسی تقاطع کے۔ یہ تقریباً ایسا ہی تھا جیسے وہ مادہ اور مادہ مخالف ہوں۔ لیکن دونوں مظاہر کی نمو لامحالہ ان کے ایک دوسرے کو ملانے کا باعث بنی ہے۔ آج کمپنیوں کو اس مسئلے کا سامنا ہے کہ ERP کے ساتھ کیا کرنا ہے اور ڈیٹا گودام. یہ مضمون بتائے گا کہ مسائل کیا ہیں اور کمپنیاں ان سے کیسے نمٹ رہی ہیں۔

شروع میں…

شروع میں وہاں تھا۔ ڈیٹا گودام. ڈیٹا گودام ٹرانزیکشن پروسیسنگ ایپلی کیشن سسٹم کا مقابلہ کرنے کے لیے بنایا گیا تھا۔ ابتدائی دنوں میں حفظ کا ڈیٹا اس کا مقصد صرف ٹرانزیکشن پروسیسنگ ایپلی کیشنز کا جوابی نقطہ ہونا تھا۔ لیکن آج کل اس کے بارے میں بہت زیادہ نفیس خیالات ہیں a ڈیٹا گودام. آج کی دنیا میں ڈیٹا گودام اسے ایک ڈھانچے کے اندر داخل کیا جاتا ہے جسے کارپوریٹ انفارمیشن فیکٹری کہا جا سکتا ہے۔

کارپوریٹ انفارمیشن فیکٹری۔ (CIF)

کارپوریٹ انفارمیشن فیکٹری میں معیاری تعمیراتی اجزاء ہیں: تبدیلی کی سطح اور کوڈ انضمام جو ڈیٹا جبکہ میں ڈیٹا وہ درخواست کے ماحول سے ماحول کی طرف بڑھتے ہیں۔ ڈیٹا گودام کمپنی کا a ڈیٹا گودام کمپنی کا جہاں میں ڈیٹا تفصیلی اور مربوط تاریخیں کی ڈیٹا گودام کمپنی کی بنیاد کے طور پر کام کرتا ہے جس پر ماحول کے دیگر تمام حصوں کو بنایا جا سکتا ہے ڈیٹا گودام; ایک آپریشنل ڈیٹا اسٹور (ODS)۔ ایک ODS ایک ہائبرڈ ڈھانچہ ہے جس میں کے کچھ پہلو ہوتے ہیں۔ ڈیٹا گودام اور OLTP ماحول کے دیگر پہلو؛ ڈیٹا مارٹس، جہاں مختلف محکموں کا اپنا ورژن ہو سکتا ہے۔ ڈیٹا گودام؛ a ڈیٹا گودام ایکسپلوریشن کی جس میں کمپنی کے "فلسفی" 72 گھنٹے تک اپنے سوالات جمع کر سکتے ہیں بغیر کسی نقصان کے۔ ڈیٹا گودام; اور ایک قریبی لائن میموری، جس میں ڈیٹا پرانا اور ڈیٹا بلک تفصیل سستے میں ذخیرہ کیا جا سکتا ہے.

جہاں ERP ان کے ساتھ ملتا ہے۔ کارپوریٹ انفارمیشن فیکٹری۔

ERP دو جگہوں پر کارپوریٹ انفارمیشن فیکٹری کے ساتھ ضم ہو جاتی ہے۔ سب سے پہلے ایک بنیادی ایپلیکیشن (بیس لائن) کے طور پر جو i فراہم کرتا ہے۔ ڈیٹا درخواست کا ڈیٹا گودام. اس معاملے میں میں ڈیٹالین دین کے عمل کے ضمنی پروڈکٹ کے طور پر پیدا ہوتے ہیں، ان میں مربوط اور لوڈ ہوتے ہیں ڈیٹا گودام کمپنی کے. ERP اور CIF اور ODS کے درمیان اتحاد کا دوسرا نقطہ۔ درحقیقت، بہت سے ماحول میں ERP کو ​​کلاسک ODS کے طور پر استعمال کیا جاتا ہے۔

اگر ERP کو ​​بنیادی ایپلیکیشن کے طور پر استعمال کیا جاتا ہے، اسی ERP کو ​​CIF میں ODS کے طور پر بھی استعمال کیا جا سکتا ہے۔ کسی بھی صورت میں، اگر ERP کو ​​دونوں کرداروں میں استعمال کرنا ہے، تو دونوں اداروں کے درمیان واضح فرق ہونا چاہیے۔ دوسرے لفظوں میں، جب ERP ایک بنیادی ایپلیکیشن اور ODS کا کردار ادا کرتا ہے، تو دونوں تعمیراتی اداروں میں فرق ہونا چاہیے۔ اگر ایک ہی ERP کا نفاذ بیک وقت دونوں کردار ادا کرنے کی کوشش کرتا ہے تو اس ڈھانچے کے ڈیزائن اور نفاذ میں لامحالہ مسائل پیدا ہوں گے۔

الگ الگ او ڈی ایس اور بنیادی درخواستیں۔

بہت ساری وجوہات ہیں جو تعمیراتی اجزاء کی تقسیم کا باعث بنتی ہیں۔ فن تعمیر کے مختلف اجزا کو الگ کرنے کے لیے شاید سب سے اہم مسئلہ یہ ہے کہ فن تعمیر کے ہر جزو کا اپنا نظریہ ہے۔ بیس لائن ایپلیکیشن ODS سے مختلف مقصد کی تکمیل کرتی ہے۔ اوورلیپ کرنے کی کوشش کریں۔

ODS کی دنیا پر ایک بنیادی درخواست کا منظر یا اس کے برعکس کام کرنے کا صحیح طریقہ نہیں ہے۔

اس کے نتیجے میں، CIF میں ERP کا پہلا مسئلہ اس بات کی تصدیق کرنا ہے کہ آیا بیس لائن ایپلی کیشنز اور ODS کے درمیان کوئی فرق ہے یا نہیں۔

کارپوریٹ میں ڈیٹا ماڈلز انفارمیشن فیکٹری۔

CIF فن تعمیر کے مختلف اجزاء کے درمیان ہم آہنگی حاصل کرنے کے لیے، کا ایک ماڈل ہونا چاہیے۔ ڈیٹا. کے ماڈلز ڈیٹا وہ فن تعمیر کے مختلف اجزاء جیسے کہ بیس لائن ایپلی کیشنز اور ODS کے درمیان ایک لنک کے طور پر کام کرتے ہیں۔ کے ماڈلز ڈیٹا وہ CIF کے مختلف تعمیراتی اجزاء سے صحیح معنی حاصل کرنے کے لیے "دانشورانہ روڈ میپ" بن جاتے ہیں۔

اس تصور کے ساتھ ہاتھ ملاتے ہوئے، خیال یہ ہے کہ ایک بڑا اور واحد ماڈل ہونا چاہیے۔ ڈیٹا. ظاہر ہے کہ اس کا ایک ماڈل ہونا ضروری ہے۔ ڈیٹا ہر ایک اجزاء کے لیے اور مختلف ماڈلز کو جوڑنے والا ایک سمجھدار راستہ بھی ہونا چاہیے۔ فن تعمیر کا ہر جزو - ODS، بیس لائن ایپلی کیشنز، ڈیٹا گودام کمپنی کے، اور اسی طرح.. - اس کے اپنے ماڈل کی ضرورت ہے ڈیٹا. اور اس طرح ان ماڈلز کی ایک قطعی تعریف ہونی چاہیے۔ ڈیٹا وہ ایک دوسرے کے ساتھ انٹرفیس کرتے ہیں.

میں منتقل ڈیٹا ای آر پی کی تاریخ گودام

اگر کی اصل۔ ڈیٹا ایک بنیادی درخواست ہے اور/یا ایک ODS، جب ERP داخل کرتا ہے۔ ڈیٹا میں ڈیٹا گودام، یہ اندراج "گرینولریٹی" کی نچلی سطح پر ہونا چاہیے۔ بس خلاصہ یا مجموعی i ڈیٹا جیسا کہ وہ ERP بیس لائن ایپلی کیشن سے باہر آتے ہیں یا ERP ODS کرنا صحیح کام نہیں ہے۔ The ڈیٹا میں تفصیلات درکار ہیں۔ ڈیٹا گودام DSS عمل کی بنیاد بنانے کے لیے۔ ایسے ڈیٹا ڈیٹا مارٹس اور ایکسپلوریشنز کے ذریعے کئی طریقوں سے نئی شکل دی جائے گی۔ ڈیٹا گودام.

کی نقل مکانی۔ ڈیٹا ERP بیس لائن ایپلیکیشن ماحول سے لے کر ڈیٹا گودام کمپنی کا کام معقول حد تک آرام دہ انداز میں کیا جاتا ہے۔ یہ اقدام ERP میں اپ ڈیٹ یا تخلیق کے تقریباً 24 گھنٹے بعد ہوتا ہے۔ کی ایک "سست" حرکت کرنے کی حقیقت ڈیٹا میں ڈیٹا گودام کمپنی اجازت دیتی ہے۔ ڈیٹا ERP سے "ڈپازٹ" میں آ رہا ہے۔ ایک بار میں ڈیٹا بیس لائن ایپلی کیشن میں محفوظ ہیں، پھر آپ محفوظ طریقے سے منتقل کر سکتے ہیں۔ ڈیٹا انٹرپرائز میں ERP کا۔ کی "سست" تحریک کی بدولت ایک اور مقصد حاصل کیا جا سکتا ہے۔ ڈیٹا یہ آپریشنل عمل اور ڈی ایس ایس کے درمیان واضح وضاحت ہے۔ کی ایک "تیز" تحریک کے ساتھ ڈیٹا DSS اور آپریشنل کے درمیان تقسیم کی لکیر مبہم ہے۔

Il Movimento dei ڈیٹا ERP کے ODS سے ڈیٹا گودام کمپنی کا وقتا فوقتا کیا جاتا ہے، عام طور پر ہفتہ وار یا ماہانہ۔ اس صورت میں کی تحریک ڈیٹا یہ پرانے کو "صاف" کرنے کی ضرورت پر مبنی ہے۔ ڈیٹا مورخین یقینا، ODS میں i ڈیٹا جو کہ اس سے کہیں زیادہ حالیہ ہیں۔ ڈیٹا میں پائے جانے والے مورخ ڈیٹا گودام.

کی نقل مکانی۔ ڈیٹا میں ڈیٹا گودام یہ تقریبا کبھی بھی "تھوک" (تھوک فروش کے انداز میں) نہیں کیا جاتا ہے۔ ERP ماحول سے ایک ٹیبل کو کاپی کریں۔ ڈیٹا گودام یہ معقول نہیں. ایک بہت زیادہ حقیقت پسندانہ نقطہ نظر کی منتخب اکائیوں کو منتقل کرنا ہے۔ ڈیٹا. صرف ڈیٹا جو کہ آخری اپڈیٹ کے بعد سے بدل گیا ہے۔ ڈیٹا گودام وہ ہیں جو میں منتقل کیا جانا چاہئے ڈیٹا گودام. یہ جاننے کا ایک طریقہ کہ کون سا ہے۔ ڈیٹا کے ٹائم اسٹیمپ کو دیکھنے کے لئے آخری اپ ڈیٹ کے بعد سے بدل گیا ہے۔ ڈیٹا ERP ماحول میں پایا جاتا ہے۔ ڈیزائنر ان تمام تبدیلیوں کا انتخاب کرتا ہے جو آخری اپ ڈیٹ کے بعد سے ہوئی ہیں۔ ایک اور نقطہ نظر تبدیلی کی گرفتاری کی تکنیکوں کو استعمال کرنا ہے۔ ڈیٹا. ان تکنیکوں کے ساتھ، نوشتہ جات اور جرنل ٹیپ کا تجزیہ کیا جاتا ہے تاکہ یہ معلوم کیا جا سکے کہ کون سی ہیں۔ ڈیٹا ERP ماحول سے اس میں منتقل ہونا ضروری ہے۔ ڈیٹا گودام. یہ تکنیکیں بہترین ہیں کیونکہ لاگز اور جرنل ٹیپس کو ERP فائلوں سے پڑھا جا سکتا ہے بغیر دیگر ERP وسائل پر اثر پڑے۔

دیگر پیچیدگیاں

CIF میں ERP کے مسائل میں سے ایک یہ ہے کہ درخواست کے دیگر ذرائع یا اس کے ساتھ کیا ہوتا ہے۔ ڈیٹا ODS کی جس میں شراکت ضروری ہے۔ ڈیٹا گودام لیکن وہ ERP ماحول کا حصہ نہیں ہیں۔ ERP کی بند نوعیت کو دیکھتے ہوئے، خاص طور پر SAP، کے بیرونی ذرائع سے چابیاں ضم کرنے کی کوشش کر رہا ہے۔ ڈیٹا i کے ساتھ ڈیٹا جو منتقل کرتے وقت ERP سے آتے ہیں۔ ڈیٹا میں ڈیٹا گودام، یہ ایک بڑا چیلنج ہے۔ اور بالکل کیا امکانات ہیں کہ i ڈیٹا ERP ماحول سے باہر ایپلی کیشنز یا ODS کو اس میں ضم کیا جائے گا۔ ڈیٹا گودام? مشکلات دراصل بہت زیادہ ہیں۔

تلاش کرنا۔ ڈیٹا ERP سے تاریخی۔

کے ساتھ ایک اور مسئلہ۔ ڈیٹا ERP کی ضرورت سے ماخوذ ہے۔ ڈیٹا کے اندر تاریخی ڈیٹا گودام. عام طور پر ڈیٹا گودام ضروریات ڈیٹا مورخین اور ERP ٹیکنالوجی عام طور پر ان کو ذخیرہ نہیں کرتی ہے۔ ڈیٹا تاریخی، کم از کم اس مقام تک نہیں جہاں یہ ضروری ہے۔ ڈیٹا گودام. جب کی ایک بڑی مقدار ڈیٹا تاریخ ERP ماحول میں شامل ہونا شروع ہوتی ہے، اس ماحول کو صاف کرنے کی ضرورت ہے۔ مثال کے طور پر، فرض کریں کہ a ڈیٹا گودام پانچ سال کے ساتھ لوڈ کیا جانا چاہئے ڈیٹا تاریخی جبکہ ERP ان میں سے زیادہ سے زیادہ چھ ماہ رکھتا ہے۔ ڈیٹا. جب تک کمپنی کی ایک سیریز جمع کرنے سے مطمئن ہے ڈیٹا تاریخ دان جیسے جیسے وقت گزرتا ہے، پھر ERP کو ​​بطور ذریعہ استعمال کرنے میں کوئی حرج نہیں ہے۔ ڈیٹا گودام. لیکن جب ڈیٹا گودام اسے وقت پر واپس جانا ہے اور خداؤں کو حاصل کرنا ہے۔ ڈیٹا وہ تاریخیں جو پہلے ERP کے ذریعے جمع اور محفوظ نہیں کی گئی ہیں، پھر ERP ماحول ناکارہ ہو جاتا ہے۔

ERP اور میٹا ڈیٹا

ERP اور کے بارے میں ایک اور غور ڈیٹا گودام ERP ماحول میں موجود میٹا ڈیٹا میں سے ایک ہے۔ بالکل اسی طرح جیسے میٹا ڈیٹا ERP ماحول سے کی طرف بہتا ہے۔ ڈیٹا گودام، میٹا ڈیٹا کو اسی طرح منتقل کیا جانا چاہئے۔ مزید برآں، میٹا ڈیٹا کو بنیادی ڈھانچے کے لیے درکار فارمیٹ اور ڈھانچے میں تبدیل کیا جانا چاہیے۔ ڈیٹا گودام. آپریشنل میٹا ڈیٹا اور DSS میٹا ڈیٹا میں بڑا فرق ہے۔ آپریشنل میٹا ڈیٹا بنیادی طور پر ڈویلپر اور کے لیے ہے۔

پروگرامر DSS میٹا ڈیٹا بنیادی طور پر آخری صارف کے لیے ہے۔ ERP ایپلی کیشنز یا ODSs میں موجودہ میٹا ڈیٹا کو تبدیل کرنے کی ضرورت ہے، اور یہ تبدیلی ہمیشہ آسان اور سیدھی نہیں ہوتی۔

ERP ڈیٹا کی سورسنگ

اگر ERP بطور فراہم کنندہ استعمال ہوتا ہے۔ ڈیٹا فی IL ڈیٹا گودام ایک ٹھوس انٹرفیس ہونا چاہیے جو حرکت کرتا ہے۔ ڈیٹا ERP ماحول سے ماحول تک ڈیٹا گودام. انٹرفیس ضروری ہے:

• ▪ استعمال میں آسان ہو۔
• ▪ تک رسائی کی اجازت دیں۔ ڈیٹا ERP کی
• ▪ کا مطلب لیں۔ ڈیٹا جو کہ میں منتقل ہونے والے ہیں۔ ڈیٹا گودام
• ▪ ان ERP حدود کو جانیں جو تک رسائی کے دوران پیدا ہو سکتی ہیں۔ ڈیٹا ERP کا:
• ▪ حوالہ جاتی سالمیت
• ▪ درجہ بندی کے تعلقات
• ▪ مضمر منطقی تعلقات
• ▪ درخواست کنونشن
• ▪ کے تمام ڈھانچے ڈیٹا ERP کے ذریعہ تعاون یافتہ ، اور اسی طرح ...
• ▪ تک رسائی حاصل کرنے میں موثر بنیں۔ ڈیٹا، فراہم کر کے:
• ▪ کی براہ راست نقل و حرکت ڈیٹا
• ▪ تبدیلی کا حصول ڈیٹا
• ▪ بروقت رسائی کی حمایت کریں۔ ڈیٹا
• ▪ کی شکل کو سمجھیں۔ ڈیٹا، اور اسی طرح… ایس اے پی کے ساتھ انٹرفیس۔ انٹرفیس دو قسم کا ہو سکتا ہے، گھریلو یا تجارتی۔ کچھ بڑے تجارتی انٹرفیس میں شامل ہیں:

• ▪ SAS
• ▪ پرائمز سلوشنز
• ▪ D2k، اور اسی طرح… متعدد ERP ٹیکنالوجیز ERP ماحول کا علاج کرنا گویا یہ ایک ہی ٹیکنالوجی ہے ایک بڑی غلطی ہے۔ بہت سی ERP ٹیکنالوجیز ہیں، ہر ایک کی اپنی طاقت ہے۔ مارکیٹ میں سب سے زیادہ معروف دکاندار ہیں:

• ▪ SAP
• ▪ اوریکل فنانشل
• ▪ لوگ نرم
• ▪ جے ڈی ایڈورڈز
• ▪ بان SAP SAP سب سے بڑا اور مکمل ERP سافٹ ویئر ہے۔ SAP ایپلی کیشنز میں بہت سے شعبوں میں کئی قسم کی ایپلی کیشنز شامل ہیں۔ SAP کی ساکھ ہے:

• ▪ بہت بڑا
• ▪ لاگو کرنا بہت مشکل اور مہنگا ہے۔
• ▪ لاگو کرنے کے لیے بہت سے لوگوں اور کنسلٹنٹس کی ضرورت ہے۔
• ▪ نفاذ کے لیے خصوصی افراد کی ضرورت ہے۔
• ▪ لاگو کرنے میں کافی وقت لگتا ہے مزید برآں، SAP اس کے حفظ کرنے کے لیے شہرت رکھتا ہے۔ ڈیٹا بہت احتیاط سے، SAP علاقے سے باہر کسی کے لیے ان تک رسائی مشکل بناتی ہے۔ SAP کی طاقت یہ ہے کہ یہ ایک بڑی مقدار کو پکڑنے اور ذخیرہ کرنے کے قابل ہے۔ ڈیٹا. حال ہی میں SAP نے اپنی درخواستوں کو توسیع دینے کے اپنے ارادے کا اعلان کیا۔ ڈیٹا گودام. SAP کو بطور وینڈر استعمال کرنے کے بہت سے فوائد اور نقصانات ہیں۔ ڈیٹا گودام. ایک فائدہ یہ ہے کہ SAP پہلے سے انسٹال ہے اور زیادہ تر کنسلٹنٹس کو پہلے سے SAP معلوم ہے۔
  بطور سپلائر ایس اے پی رکھنے کے نقصانات ڈیٹا گودام بہت سے ہیں: SAP کی دنیا میں کوئی تجربہ نہیں ہے۔ ڈیٹا گودام اگر ایس اے پی سپلائر ہے۔ ڈیٹا گودام، یہ ضروری ہے کہ "باہر لے جائیں" i ڈیٹا SAP al سے ڈیٹا گودام. داتو بند نظام کا SAP کا ٹریک ریکارڈ، اس میں SAP سے i حاصل کرنا آسان نہیں ہے (???)۔ بہت سے پرانے ماحول ہیں جو SAP کو طاقت دیتے ہیں، جیسے IMS، VSAM، ADABAS، ORACLE، DB2، وغیرہ۔ SAP "یہاں ایجاد نہیں" کے نقطہ نظر پر اصرار کرتا ہے۔ SAP استعمال کرنے یا بنانے کے لیے دوسرے دکانداروں کے ساتھ شراکت داری نہیں کرنا چاہتا ڈیٹا گودام. SAP اپنے تمام سافٹ ویئر خود تیار کرنے پر اصرار کرتا ہے۔

اگرچہ SAP ایک بڑی اور طاقتور کمپنی ہے، ELT، OLAP، سسٹم ایڈمنسٹریشن اور یہاں تک کہ بنیادی کوڈ کی ٹیکنالوجی کو دوبارہ لکھنے کی کوشش کر رہی ہے۔ ڈی بی ایم ایس یہ صرف پاگل ہے. کے سپلائرز کے ساتھ تعاون پر مبنی رویہ اختیار کرنے کے بجائے ڈیٹا گودام طویل عرصے سے، SAP نے "وہ سب سے بہتر جانتے ہیں" کے طریقہ کار کی پیروی کی ہے۔ یہ رویہ اس کامیابی کو روکتا ہے جو SAP کے علاقے میں ہو سکتی ہے۔ ڈیٹا گودام.
SAP کا بیرونی دکانداروں کو فوری طور پر اور احسن طریقے سے ان تک رسائی کی اجازت دینے سے انکار ڈیٹا. استعمال کرنے کا جوہر a ڈیٹا گودام تک آسان رسائی ہے ڈیٹا. SAP کی پوری تاریخ اس تک رسائی کو مشکل بنانے پر مبنی ہے۔ ڈیٹا.
SAP کی بڑی مقدار سے نمٹنے میں تجربے کی کمی۔ ڈیٹا; کے میدان میں ڈیٹا گودام کے حجم ہیں ڈیٹا SAP کے ذریعہ کبھی نہیں دیکھا اور ان بڑی مقداروں کا انتظام کرنے کے لئے ڈیٹا آپ کو مناسب ٹیکنالوجی کی ضرورت ہے. SAP بظاہر اس تکنیکی رکاوٹ سے واقف نہیں ہے جو کے میدان میں داخل ہونے کے لیے موجود ہے۔ ڈیٹا گودام.
SAP کا کارپوریٹ کلچر: SAP نے حاصل کرنے کا کاروبار بنا لیا ہے۔ ڈیٹا نظام سے. لیکن ایسا کرنے کے لیے آپ کو ایک مختلف ذہنیت کی ضرورت ہے۔ روایتی طور پر، سافٹ ویئر کمپنیاں جو ماحول میں ڈیٹا حاصل کرنے میں اچھی تھیں وہ دوسرے طریقے سے ڈیٹا حاصل کرنے میں اچھی نہیں تھیں۔ اگر SAP اس قسم کا سوئچ بنانے کا انتظام کرتا ہے، تو یہ ایسا کرنے والی پہلی کمپنی ہوگی۔

مختصراً، یہ قابل اعتراض ہے کہ آیا کمپنی SAP کو اپنے سپلائر کے طور پر منتخب کرے۔ ڈیٹا گودام. ایک طرف بہت سنگین خطرات ہیں اور دوسری طرف بہت کم انعامات ہیں۔ لیکن ایک اور وجہ ہے جو SAP کو بطور سپلائر منتخب کرنے کی حوصلہ شکنی کرتی ہے۔ ڈیٹا گودام. کیونکہ ہر کمپنی کو ایک جیسا ہونا چاہیے۔ ڈیٹا گودام دیگر تمام کمپنیوں کی؟ دی ڈیٹا گودام یہ مسابقتی فائدہ کا دل ہے. اگر ہر کمپنی اسی کو اپنائے۔ ڈیٹا گودام مسابقتی فائدہ حاصل کرنا مشکل ہو گا، اگرچہ ناممکن نہیں ہے۔ ایس اے پی کو لگتا ہے کہ اے ڈیٹا گودام اسے کوکی کے طور پر دیکھا جا سکتا ہے اور یہ ان کی ایپلی کیشنز کی "ڈیٹا حاصل کرنے" کی ذہنیت کی مزید علامت ہے۔

کوئی اور ERP وینڈر SAP کی طرح غالب نہیں ہے۔ بلاشبہ ایسی کمپنیاں ہوں گی جو اپنے لیے SAP کے راستے پر چلیں گی۔ ڈیٹا گودام لیکن شاید یہ ڈیٹا گودام SAP بڑا، مہنگا اور بنانے میں وقت لگتا ہے۔

ان ماحول میں ایسی سرگرمیاں شامل ہیں جیسے بینک ٹیلر پروسیسنگ، ایئر لائن ریزرویشن کے عمل، انشورنس کلیمز کے عمل وغیرہ۔ لین دین کا نظام جتنا زیادہ کارکردگی کا مظاہرہ کر رہا تھا، آپریشنل عمل اور ڈی ایس ایس (فیصلہ کرنے والے سپورٹ سسٹم) کے درمیان علیحدگی کی ضرورت اتنی ہی زیادہ واضح تھی۔ تاہم، HR اور عملے کے نظام کے ساتھ، آپ کو کبھی بھی بڑی مقدار میں لین دین کا سامنا نہیں کرنا پڑتا ہے۔ اور، یقیناً، جب کسی شخص کی خدمات حاصل کی جاتی ہیں یا وہ کمپنی چھوڑ دیتا ہے تو یہ ایک لین دین کا ریکارڈ ہوتا ہے۔ لیکن دوسرے سسٹمز کے مقابلے میں، HR اور پرسنل سسٹم میں بہت زیادہ لین دین نہیں ہوتا ہے۔ لہذا، HR اور عملے کے نظام میں یہ مکمل طور پر واضح نہیں ہے کہ ڈیٹا ویئر ہاؤس کی ضرورت ہے۔ بہت سے طریقوں سے یہ نظام DSS نظاموں کے امتزاج کی نمائندگی کرتے ہیں۔

لیکن ایک اور عنصر ہے جس پر غور کرنا ضروری ہے اگر آپ ڈیٹا گوداموں اور PeopleSoft کے ساتھ کام کر رہے ہیں۔ بہت سے ماحول میں، i ڈیٹا انسانی اور ذاتی وسائل کمپنی کے بنیادی کاروبار کے لیے ثانوی ہیں۔ زیادہ تر کمپنیاں مینوفیکچرنگ، فروخت، خدمات فراہم کرنے وغیرہ میں مشغول ہیں۔ انسانی وسائل اور عملے کے نظام عام طور پر کمپنی کے کاروبار کی مرکزی لائن (یا معاونت) کے لیے ثانوی ہوتے ہیں۔ اس لیے یہ متضاد اور تکلیف دہ ہے۔ ڈیٹا گودام انسانی وسائل اور عملے کی مدد کے لیے الگ۔

PeopleSoft اس سلسلے میں SAP سے بہت مختلف ہے۔ SAP کے ساتھ، یہ لازمی ہے کہ وہاں a ڈیٹا گودام. PeopleSoft کے ساتھ، یہ واضح نہیں ہے. پیپل سوفٹ کے ساتھ ڈیٹا گودام اختیاری ہے۔

بہترین چیز جو کہ کے لیے کہی جا سکتی ہے۔ ڈیٹا PeopleSoft یہ ہے کہ ڈیٹا گودام کو محفوظ کرنے کے لیے استعمال کیا جا سکتا ہے۔ ڈیٹا پرانے انسانی اور ذاتی وسائل سے متعلق۔ ایک دوسری وجہ کیوں کہ کوئی کمپنی استعمال کرنا چاہے گی۔ ڈیٹا گودام a

پیپل سوفٹ ماحول کو نقصان پہنچانا ہے اور تجزیہ کے ٹولز تک مفت رسائی کی اجازت دینا ہے۔ ڈیٹا PeopleSoft کی طرف سے. لیکن ان وجوہات کے علاوہ، ایسے معاملات بھی ہوسکتے ہیں جن کے لیے ڈیٹا گودام نہ رکھنا افضل ہے۔ ڈیٹا پیپل سافٹ۔

خلاصہ

ایک کی تعمیر کے بارے میں بہت سے خیالات ہیں ڈیٹا گودام ERP سافٹ ویئر کے اندر۔
ان میں سے کچھ یہ ہیں:

• ▪ ایک ہونا سمجھ میں آتا ہے۔ ڈیٹا گودام یہ صنعت میں کسی اور چیز کی طرح ہے؟
• ▪ ایک ERP کتنا لچکدار ہے۔ ڈیٹا گودام سافٹ ویئر؟
• ▪ ایک ERP ڈیٹا گودام سافٹ ویئر حجم کو سنبھال سکتا ہے۔ ڈیٹا جو ایک "میں واقع ہےڈیٹا گودام میدان "؟
• ▪ وہ ٹریس ریکارڈنگ کیا ہے جو ERP فروش وقت کے لحاظ سے آسان اور سستی کی صورت میں کرتا ہے، ڈیٹا? (ای آر پی وینڈرز سستی، وقت پر، ڈیٹا تک رسائی میں آسان ڈیلیوری پر کیا ریکارڈ رکھتے ہیں؟)
• ▪ DSS فن تعمیر اور کارپوریٹ انفارمیشن فیکٹری کے بارے میں ERP وینڈر کی سمجھ کیا ہے؟
• ▪ ERP فروش سمجھتے ہیں کہ کیسے حاصل کیا جائے۔ ڈیٹا ماحول کے اندر اندر، بلکہ ان کو برآمد کرنے کے لئے کس طرح سمجھتے ہیں؟
• ▪ ڈیٹا ویئر ہاؤسنگ ٹولز کے لیے ERP وینڈر کتنا کھلا ہے؟
  ان تمام تحفظات کا تعین کرنے کے لیے ضروری ہے کہ اسے کہاں رکھا جائے۔ ڈیٹا گودام جس کی میزبانی i ڈیٹا ERP اور دیگر۔ ڈیٹا. عام طور پر، جب تک کہ دوسری صورت میں کرنے کی کوئی مجبوری وجہ نہ ہو، عمارت کی سفارش کی جاتی ہے۔ ڈیٹا گودام ERP وینڈر کے ماحول سے باہر۔ کیپٹلولو 1 BI تنظیم کے اہم نکات کا جائزہ:
  معلومات کے ذخیرے بزنس انٹیلی جنس (BI) فن تعمیر کے الٹ کام کرتے ہیں:
  کارپوریٹ کلچر اور IT BI تنظیموں کی تعمیر میں کامیابی کو محدود کر سکتے ہیں۔

ٹیکنالوجی اب BI تنظیموں کے لیے محدود کرنے والا عنصر نہیں ہے۔ آرکیٹیکٹس اور پروجیکٹ پلانرز کے لیے سوال یہ نہیں ہے کہ آیا ٹیکنالوجی موجود ہے، بلکہ یہ ہے کہ کیا وہ دستیاب ٹیکنالوجی کو مؤثر طریقے سے نافذ کر سکتے ہیں۔

بہت سی کمپنیوں کے لیے a ڈیٹا گودام یہ ایک غیر فعال ڈپازٹ سے تھوڑا زیادہ ہے جو تقسیم کرتا ہے۔ ڈیٹا ان صارفین کو جن کی ضرورت ہے۔ دی ڈیٹا وہ سورس سسٹم سے نکالے جاتے ہیں اور کے ہدف کے ڈھانچے میں آباد ہوتے ہیں۔ ڈیٹا گودام. میں ڈیٹا وہ کسی بھی قسمت کے ساتھ صاف کیا جا سکتا ہے. تاہم کوئی اضافی قیمت شامل یا جمع نہیں کی جاتی ہے۔ ڈیٹا اس عمل کے دوران.

بنیادی طور پر، غیر فعال Dw، بہترین طور پر، صرف i فراہم کرتا ہے۔ ڈیٹا صارف انجمنوں کے لیے صاف اور آپریشنل۔ معلومات کی تخلیق اور تجزیاتی تفہیم مکمل طور پر صارفین پر منحصر ہے۔ فیصلہ کریں کہ آیا ڈی ڈبلیو (ڈیٹا گودام) کامیابی ساپیکش ہے۔ اگر ہم کامیابی کو مؤثر طریقے سے جمع کرنے، انضمام اور صاف کرنے کی صلاحیت پر فیصلہ کرتے ہیں۔ ڈیٹا ایک پیشین گوئی کی بنیاد پر کارپوریٹ، پھر ہاں، DW ایک کامیابی ہے۔ دوسری طرف، اگر ہم مجموعی طور پر تنظیم کی طرف سے معلومات کو جمع کرنے، اکٹھا کرنے اور ان کے استحصال کو دیکھیں تو ڈی ڈبلیو ایک ناکامی ہے۔ ڈی ڈبلیو بہت کم یا بغیر معلومات کی قدر فراہم کرتا ہے۔ نتیجے کے طور پر، صارفین کو ایسا کرنے پر مجبور کیا جاتا ہے، اس طرح انفارمیشن سائلوز پیدا ہوتے ہیں۔ یہ باب کمپنی کے BI (بزنس انٹیلی جنس) کے فن تعمیر کا خلاصہ کرنے کے لیے ایک جامع نظریہ پیش کرتا ہے۔ ہم BI کی وضاحت کے ساتھ شروع کرتے ہیں اور پھر معلومات کے ڈیزائن اور ترقی کے مباحثوں کی طرف بڑھتے ہیں، جیسا کہ محض معلومات فراہم کرنے کے برخلاف ہے۔ ڈیٹا صارفین کو. پھر بحثیں آپ کی BI کوششوں کی قدر کا حساب لگانے پر توجہ مرکوز کرتی ہیں۔ ہم یہ بیان کرتے ہوئے نتیجہ اخذ کرتے ہیں کہ IBM آپ کی تنظیم کی BI تعمیراتی ضروریات کو کیسے پورا کرتا ہے۔

کے فن تعمیر کی تفصیل۔ BI کی تنظیم

طاقتور لین دین پر مبنی معلوماتی نظام اب ہر بڑے ادارے میں عام ہو چکے ہیں، جو پوری دنیا میں کارپوریشنوں کے لیے کھیل کے میدان کو مؤثر طریقے سے برابر کرتے ہیں۔

تاہم، مسابقتی باقی رہنے کے لیے، اب تجزیاتی طور پر مبنی نظام کی ضرورت ہے جو کمپنی کے پاس پہلے سے موجود معلومات کو دوبارہ دریافت کرنے اور استعمال کرنے کی صلاحیت میں انقلاب لا سکتے ہیں۔ یہ تجزیاتی نظام کی دولت کو سمجھنے سے اخذ ہوتے ہیں۔ ڈیٹا دستیاب. BI پورے انٹرپرائز میں کارکردگی کو بہتر بنا سکتا ہے۔ کمپنیاں گاہک اور سپلائر کے تعلقات کو بہتر بنا سکتی ہیں، مصنوعات اور خدمات کے منافع کو بہتر بنا سکتی ہیں، نئی اور بہتر پیشکشیں پیدا کر سکتی ہیں، خطرے کو کنٹرول کر سکتی ہیں اور بہت سے دوسرے فوائد کے علاوہ اخراجات کو ڈرامائی طور پر کم کر سکتی ہیں۔ BI کے ساتھ آپ کی کمپنی آخر کار صارفین کی معلومات کو ایک مسابقتی اثاثہ کے طور پر استعمال کرنا شروع کر دیتی ہے ان ایپلی کیشنز کی بدولت جن کے مارکیٹ کے مقاصد ہوتے ہیں۔

صحیح کاروباری ٹولز کا مطلب اہم سوالات کے قطعی جوابات ہیں جیسے:

• ▪ ہمارا کون سا گاہکوں کیا وہ ہمیں زیادہ کمانے پر مجبور کرتے ہیں، یا کیا وہ ہمیں پیسے کھو دیتے ہیں؟
• ▪ جہاں ہماری بہترین رہائش ہے۔ گاہکوں تعلق میں دکان/ گودام کہ وہ اکثر؟
• ▪ ہماری کون سی مصنوعات اور خدمات سب سے زیادہ مؤثر طریقے سے اور کس کو فروخت کی جا سکتی ہیں؟
• ▪ کون سی مصنوعات زیادہ مؤثر طریقے سے اور کس کو فروخت کی جا سکتی ہیں؟
• ▪ کون سی سیلز مہم سب سے زیادہ کامیاب ہے اور کیوں؟
• ▪ کن پروڈکٹس کے لیے کون سے سیلز چینلز زیادہ موثر ہیں؟
• ▪ ہم اپنے بہترین لوگوں کے ساتھ تعلقات کو کیسے بہتر بنا سکتے ہیں۔ گاہکوں? زیادہ تر کمپنیوں کے پاس ہے۔ ڈیٹا ان سوالوں کا جواب دینے کے لیے مشکل طریقے۔
  آپریشنل سسٹمز بڑی مقدار میں مصنوعات، گاہک اور پیدا کرتے ہیں۔ ڈیٹا فروخت کے پوائنٹس، تحفظات، کسٹمر سروس اور تکنیکی مدد کے نظام سے مارکیٹ. چیلنج اس معلومات کو نکالنا اور اس کا فائدہ اٹھانا ہے۔ بہت سی کمپنیاں صرف اپنے چھوٹے حصوں سے فائدہ اٹھاتی ہیں۔ ڈیٹا اسٹریٹجک تجزیوں کے لیے
  I ڈیٹا باقی ، اکثر i کے ساتھ شامل ہو جاتے ہیں۔ ڈیٹا بیرونی ذرائع سے ماخوذ جیسے کہ حکومتی رپورٹس، اور دیگر خریدی گئی معلومات، ایک سونے کی کان ہے جس کی تلاش کی جائے، اور ڈیٹا انہیں صرف آپ کی تنظیم کے معلوماتی تناظر میں بہتر کرنے کی ضرورت ہے۔

اس علم کو کئی طریقوں سے لاگو کیا جا سکتا ہے، جس میں ایک مجموعی کارپوریٹ حکمت عملی وضع کرنے سے لے کر سپلائرز کے ساتھ ذاتی رابطے تک، کال سینٹرز، انوائسنگ، انٹرنیٹ اور دیگر نکات۔ آج کا کاروباری ماحول اس بات کا حکم دیتا ہے کہ DW اور متعلقہ BI سلوشنز روایتی کاروباری ڈھانچے کو چلانے سے آگے نکلتے ہیں۔ ڈیٹا جو میں ڈیٹا جوہری سطح اور "اسٹار/کیوب فارمز" پر معمول بنایا گیا۔

مسابقتی رہنے کے لیے جس چیز کی ضرورت ہے وہ ایک وسیع تجزیاتی منظر نامے کی حمایت کرنے کی کوشش میں روایتی اور جدید ٹیکنالوجیز کا امتزاج ہے۔
نتیجہ اخذ کرنے کے لیے، عمومی ماحول کو لازمی طور پر کمپنی کے علم میں بہتری لانی چاہیے، اس بات کو یقینی بناتے ہوئے کہ کیے گئے تجزیوں کے نتیجے میں کیے گئے اقدامات کارآمد ہوں تاکہ سب کو فائدہ ہو۔

مثال کے طور پر ، فرض کریں کہ آپ اپنا درجہ رکھتے ہیں۔ گاہکوں اعلی یا کم خطرے کے زمرے میں۔
اگر یہ معلومات ماڈل ایکسٹریکٹر یا دیگر ذرائع سے تیار کی گئی ہیں، تو اسے DW میں ڈالنا چاہیے اور کسی بھی رسائی کے آلے کے ذریعے، جیسے کہ جامد رپورٹس، اسپریڈ شیٹس، ٹیبلز، یا آن لائن تجزیاتی پروسیسنگ (OLAP) کے ذریعے اسے کسی کے لیے قابل رسائی بنایا جانا چاہیے۔ .

تاہم، فی الحال، اس قسم کی زیادہ تر معلومات سائلو میں موجود ہیں۔ ڈیٹا تجزیہ تیار کرنے والے افراد یا محکموں کا۔ تنظیم، مجموعی طور پر، سمجھنے کے لیے بہت کم یا کوئی مرئیت نہیں رکھتی۔ صرف اس قسم کے معلوماتی مواد کو اپنے انٹرپرائز DW میں ملا کر آپ معلوماتی سائلو کو ختم کر سکتے ہیں اور اپنے DW ماحول کو بلند کر سکتے ہیں۔
BI تنظیم کی ترقی میں دو بڑی رکاوٹیں ہیں۔
سب سے پہلے، ہمارے پاس خود تنظیم اور اس کے نظم و ضبط کا مسئلہ ہے۔
اگرچہ ہم تنظیمی پالیسی کی تبدیلیوں میں مدد نہیں کر سکتے، ہم کسی تنظیم کے BI کے اجزاء، اس کے فن تعمیر، اور IBM ٹیکنالوجی اس کی ترقی کو کس طرح سہولت فراہم کرتی ہے، کو سمجھنے میں مدد کر سکتے ہیں۔
دوسری رکاوٹ پر قابو پانے میں مربوط ٹکنالوجی اور ایک ایسے طریقہ کا علم کی کمی ہے جو صرف ایک چھوٹے جزو کے برخلاف پوری BI اسپیس کو ایڈریس کرتا ہے۔

IBM انٹیگریشن ٹیکنالوجی میں تبدیلیوں کے ساتھ گرفت میں آ رہا ہے۔ سوچ سمجھ کر ڈیزائن فراہم کرنا آپ کی ذمہ داری ہے۔ اس فن تعمیر کو غیر محدود انضمام کے لیے منتخب کردہ ٹیکنالوجی کے ساتھ تیار کیا جانا چاہیے، یا کم از کم اس ٹیکنالوجی کے ساتھ جو کھلے معیارات پر عمل پیرا ہو۔ مزید برآں، آپ کی کمپنی کی انتظامیہ کو یہ یقینی بنانا چاہیے کہ BI انڈرٹیکنگ پلان کے مطابق انجام دی جائے اور انفارمیشن سائلوز کی ترقی کی اجازت نہ دی جائے جو خود خدمت کرنے والے ایجنڈوں، یا مقاصد سے پیدا ہوتے ہیں۔
اس کا مطلب یہ نہیں ہے کہ BI ماحول مختلف صارفین کی مختلف ضروریات اور ضروریات پر ردعمل ظاہر کرنے کے لیے حساس نہیں ہے۔ اس کے بجائے، اس کا مطلب ہے کہ ان انفرادی ضروریات اور تقاضوں کا نفاذ پوری BI تنظیم کے فائدے کے لیے کیا جاتا ہے۔
BI تنظیم کے فن تعمیر کی تفصیل تصویر 9 میں صفحہ 1.1 پر دیکھی جا سکتی ہے۔
روایتی نقطہ نظر سے، فن تعمیر میں مندرجہ ذیل گودام کے اجزاء شامل ہیں۔

ایٹمی تہہ۔

یہ بنیاد ہے، پورے ڈی ڈبلیو کا دل اور اس لیے اسٹریٹجک رپورٹنگ کا۔
I ڈیٹا یہاں ذخیرہ شدہ تاریخی سالمیت کو برقرار رکھے گا ، کی رپورٹیں۔ ڈیٹا اور ماخوذ میٹرکس شامل کریں، نیز ماڈل نکالنے کا استعمال کرتے ہوئے صاف، مربوط، اور ذخیرہ کیا جائے۔
ان سب کے بعد کے استعمال۔ ڈیٹا اور متعلقہ معلومات اس ڈھانچے سے اخذ کی گئی ہیں۔ یہ کان کنی کے لیے ایک بہترین ذریعہ ہے۔ ڈیٹا اور ساختی SQL سوالات والی رپورٹس کے لیے۔

کی آپریشنل ڈپازٹ۔ ڈیٹا یا رپورٹ کی بنیاد ڈیٹا(آپریشنل ڈیٹا سٹور (ODS) یا رپورٹنگ ڈیٹا بیس.)

یہ ایک ڈھانچہ ہے۔ ڈیٹا خاص طور پر تکنیکی رپورٹنگ کے لیے ڈیزائن کیا گیا ہے۔

I ڈیٹا ان ڈھانچے کے اوپر ذخیرہ شدہ اور اطلاع دی گئی آخر کار سٹیجنگ ایریا کے ذریعے گودام میں پھیل سکتی ہے، جہاں اسے اسٹریٹجک سگنلنگ کے لیے استعمال کیا جا سکتا ہے۔

اسٹیجنگ ایریا۔

زیادہ تر کے لیے پہلا اسٹاپ۔ ڈیٹا گودام کے ماحول کے لئے ارادہ تنظیم زون ہے.
یہاں میں ڈیٹا وہ مربوط ، صاف اور تبدیل شدہ ہیں۔ ڈیٹا منافع جو گودام کے ڈھانچے کو آباد کرے گا۔

ڈیٹ مارٹس۔

فن تعمیر کا یہ حصہ ساخت کی نمائندگی کرتا ہے۔ ڈیٹا خاص طور پر OLAP کے لیے استعمال کیا جاتا ہے۔ ڈیٹامارٹس کی موجودگی، اگر i ڈیٹا اوورلیپنگ اسٹار اسکیموں میں محفوظ ہیں۔ ڈیٹا ایک رشتہ دار ماحول میں کثیر جہتی، یا فائلوں میں ڈیٹا مخصوص OLAP ٹکنالوجی، جیسے DB2 OLAP سرور، کی طرف سے استعمال کی جانے والی خفیہ معلومات متعلقہ نہیں ہے۔

صرف رکاوٹ یہ ہے کہ فن تعمیر کے استعمال میں سہولت فراہم کرتا ہے۔ ڈیٹا کثیر جہتی
فن تعمیر میں اہم دو ٹیکنالوجیز اور تکنیکیں بھی شامل ہیں جو اس طرح نمایاں ہیں:

مقامی تجزیہ۔

خلائی تجزیہ کار کے لیے معلوماتی ونڈ فال ہے اور مکمل ریزولوشن کے لیے اہم ہے۔ اسپیس ان لوگوں کے بارے میں معلومات کی نمائندگی کر سکتی ہے جو کسی خاص مقام پر رہتے ہیں، اور ساتھ ہی اس بارے میں معلومات کی نمائندگی کر سکتی ہے کہ وہ مقام جسمانی طور پر باقی دنیا کے مقابلے میں کہاں ہے۔

اس تجزیہ کو انجام دینے کے لیے، آپ کو اپنی معلومات کو عرض البلد اور طول البلد کے نقاط سے جوڑ کر شروع کرنا چاہیے۔ اسے "جیو کوڈنگ" کہا جاتا ہے اور یہ آپ کے گودام کی ایٹم سطح پر ایکسٹریکٹ، ٹرانسفارم، اور لوڈ (ETL) کے عمل کا حصہ ہونا چاہیے۔

اعداد و شمار کوجھنا.

کا نکالنا۔ ڈیٹا ہماری کمپنیوں کی تعداد میں اضافہ کرنے کی اجازت دیتا ہے۔ گاہکوں، فروخت کے رجحانات کی پیش گوئی کرنے اور اس کے ساتھ تعلقات کے انتظام کی اجازت دینے کے لئے گاہکوں (CRM), tra altre iniziative della BI.

کا نکالنا۔ ڈیٹا اس لیے اس کے ڈھانچے کے ساتھ مربوط ہونا چاہیے۔ ڈیٹا Dwhouse کی اور متعلقہ ٹیکنالوجی اور تکنیک کے مؤثر اور موثر استعمال کو یقینی بنانے کے لیے گودام کے عمل سے تعاون یافتہ۔

جیسا کہ BI فن تعمیر میں اشارہ کیا گیا ہے، Dwhouse کی جوہری سطح کے ساتھ ساتھ ڈیٹامارٹس، کا ایک بہترین ذریعہ ہے۔ ڈیٹا نکالنے کے لئے. وسیع تر سامعین کے لیے دستیابی کو یقینی بنانے کے لیے وہی سہولیات نکالنے کے نتائج کے وصول کنندگان بھی ہونا چاہیے۔

ایجنٹوں

ہر نکتے کے لیے کلائنٹ کی جانچ کرنے کے لیے مختلف "ایجنٹس" ہیں جیسے کہ کمپنی کے آپریٹنگ سسٹمز اور خود ڈی ڈبلیو۔ یہ ایجنٹ جدید نیورل نیٹ ورکس ہو سکتے ہیں جن کو ہر موڑ پر رجحانات کے بارے میں جاننے کے لیے تربیت دی جاتی ہے، جیسے کہ سیلز پروموشنز پر مبنی مستقبل کی مصنوعات کی طلب، قاعدے پر مبنی انجن ڈیٹو حالات کا سیٹ، یا یہاں تک کہ سادہ ایجنٹ جو "اعلیٰ حکام" کو مستثنیات کی اطلاع دیتے ہیں۔ یہ عمل عام طور پر حقیقی وقت میں ہوتے ہیں اور اس لیے، ان کی نقل و حرکت کے ساتھ مل کر ہونا چاہیے۔ ڈیٹا. کے ان تمام ڈھانچے ڈیٹا، ٹیکنالوجیز اور تکنیکیں اس بات کی ضمانت دیتی ہیں کہ آپ اپنے BI کی تنظیم بنانے میں رات نہیں گزاریں گے۔

اس سرگرمی کو چھوٹے نکات کے لیے بڑھتے ہوئے مراحل میں تیار کیا جائے گا۔
ہر قدم پراجیکٹ کی ایک آزاد کوشش ہے، اور اسے آپ کے DW یا BI اقدام میں تکرار کے طور پر کہا جاتا ہے۔ تکرار میں نئی ​​ٹیکنالوجیز کو نافذ کرنا، نئی تکنیکوں سے شروع کرنا، نئے ڈھانچے کو شامل کرنا شامل ہو سکتا ہے۔ ڈیٹا لوڈ ہو رہا ہے i ڈیٹا اضافی، یا آپ کے ماحول کے تجزیہ کی توسیع کے ساتھ۔ اس پیراگراف پر باب 3 میں مزید گہرائی سے بحث کی گئی ہے۔

روایتی DW ڈھانچے اور BI ٹولز کے علاوہ آپ کی BI تنظیم کے دیگر افعال بھی ہیں جن کے لیے آپ کو ڈیزائن کرنے کی ضرورت ہے، جیسے:

کسٹمر ٹچ پوائنٹس (کسٹمر ٹچ۔ پوائنٹس).

کسی بھی جدید تنظیم کی طرح یہاں بھی بہت سے کسٹمر ٹچ پوائنٹ موجود ہیں جو اس بات کی نشاندہی کرتے ہیں کہ آپ کے لیے مثبت تجربہ کیسے کیا جائے۔ گاہکوں. روایتی چینلز جیسے خوردہ فروش، سوئچ بورڈ آپریٹرز، براہ راست میل، ملٹی میڈیا اور پرنٹ ایڈورٹائزنگ کے ساتھ ساتھ مزید حالیہ چینلز جیسے ای میل اور ویب، ڈیٹا کسی حد تک رابطے کے ساتھ مصنوعات کو حاصل کیا جانا چاہئے، نقل و حمل، صاف، پروسیسنگ اور پھر سہولیات پر آباد کیا جانا چاہئے ڈیٹا BI کی.

کی بنیادی باتیں۔ ڈیٹا آپریشنل اور یوزر ایسوسی ایشن (آپریشنل

ڈیٹا بیس اور صارف کمیونٹیز)
کے رابطہ پوائنٹس کے اختتام پر گاہکوں آپ کو بنیادی باتیں مل جائیں گی۔ ڈیٹا کمپنی اور صارف برادریوں کا اطلاق۔ دی ڈیٹا موجودہ ہیں ڈیٹا روایتی جو کہ دوبارہ ملنا چاہیے اور اس کے ساتھ ضم ہونا چاہیے۔ ڈیٹا جو ضروری معلومات کو پورا کرنے کے لیے رابطہ پوائنٹس سے نکلتا ہے۔

تجزیہ کار۔ (تجزیہ کار)

BI ماحولیات کا بنیادی فائدہ اٹھانے والا تجزیہ کار ہے۔ یہ وہی ہے جو کے موجودہ نکالنے سے فائدہ اٹھاتا ہے۔ ڈیٹا آپریشنل، کے مختلف ذرائع کے ساتھ مربوط ڈیٹا جغرافیائی تجزیہ (جیو کوڈنگ) جیسی خصوصیات کے ساتھ بڑھایا گیا اور BI ٹیکنالوجیز میں پیش کیا گیا جو نکالنے، OLAP، اعلی درجے کی SQL رپورٹنگ اور جغرافیائی تجزیہ کو قابل بناتی ہے۔ رپورٹنگ ماحول کے لیے بنیادی تجزیہ کار انٹرفیس BI پورٹل ہے۔

تاہم، تجزیہ کار صرف وہی نہیں ہے جو BI فن تعمیر سے فائدہ اٹھاتا ہے۔
ایگزیکٹوز ، بڑی صارف ایسوسی ایشنز ، اور یہاں تک کہ شراکت دار ، سپلائرز اور i۔ گاہکوں انہیں انٹرپرائز BI میں فوائد ملنے چاہئیں۔

بیک فیڈ لوپ۔

BI فن تعمیر ایک سیکھنے کا ماحول ہے۔ ترقی کا ایک خاص اصول یہ ہے کہ مستقل ڈھانچے کی اجازت دی جائے۔ ڈیٹا استعمال شدہ BI ٹکنالوجی اور صارف کی طرف سے اٹھائے گئے اقدامات کے ذریعے اپ ڈیٹ کیا جائے۔ ایک مثال کسٹمر اسکورنگ ہے۔

اگر سیلز ڈیپارٹمنٹ کسی نئی سروس کو استعمال کرنے کے لیے کسٹمر کے اسکور کو ماڈل بناتا ہے، تو سیلز ڈیپارٹمنٹ کو سروس سے فائدہ اٹھانے والا واحد گروپ نہیں ہونا چاہیے۔

اس کے بجائے، ماڈل نکالنے کو انٹرپرائز کے اندر ڈیٹا کے بہاؤ کے قدرتی حصے کے طور پر انجام دیا جانا چاہیے اور صارفین کے اسکور کو گودام کی معلومات کے سیاق و سباق کا ایک مربوط حصہ بننا چاہیے، جو تمام صارفین کے لیے نظر آتا ہے۔ DB2 UDB، DB2 OLAP سرور سمیت Bi-bi-centric IBM سویٹ میں ٹیکنالوجی کے بیشتر اہم اجزاء شامل ہیں، جن کی وضاحت شکل 1.1 میں کی گئی ہے۔

ہم فن تعمیر کا استعمال کرتے ہیں جیسا کہ یہ کتاب کے اس اعداد و شمار میں ظاہر ہوتا ہے ہمیں تسلسل کی سطح فراہم کرنے اور یہ ظاہر کرنے کے لیے کہ کس طرح ہر IBM پروڈکٹ مجموعی BI اسکیم میں فٹ بیٹھتا ہے۔

معلوماتی مواد فراہم کرنا (فراہم کرنا۔ معلوماتی مواد)

اپنے BI ماحول کو ڈیزائن کرنا، تیار کرنا اور لاگو کرنا ایک مشکل کام ہے۔ ڈیزائن کو موجودہ اور مستقبل کی دونوں کاروباری ضروریات کو اپنانا چاہیے۔ ڈیزائن کے مرحلے کے دوران پائے جانے والے تمام نتائج کو شامل کرنے کے لیے آرکیٹیکچرل ڈرائنگ مکمل ہونی چاہیے۔ عمل درآمد کو ایک ہی مقصد کے لیے پابند رہنا چاہیے: BI فن تعمیر کو تیار کرنا جیسا کہ ڈیزائن میں باضابطہ طور پر پیش کیا گیا ہے اور کاروباری ضروریات کی بنیاد پر۔

یہ بحث کرنا خاص طور پر مشکل ہے کہ نظم و ضبط نسبتا کامیابی کو یقینی بنائے گا۔
یہ آسان ہے کیونکہ آپ ایک ہی وقت میں BI ماحول تیار نہیں کرتے ہیں، لیکن آپ اسے وقت کے ساتھ چھوٹے قدموں میں کرتے ہیں۔

تاہم، آپ کے فن تعمیر کے BI اجزاء کی شناخت دو وجوہات کی بناء پر اہم ہے: آپ بعد کے تمام تکنیکی فن تعمیر کے فیصلوں کی رہنمائی کریں گے۔
آپ شعوری طور پر ٹیکنالوجی کے کسی خاص استعمال کی منصوبہ بندی کرنے کے قابل ہو جائیں گے، حالانکہ آپ کو کئی مہینوں تک ٹیکنالوجی کی ضرورت کا اعادہ نہیں ہو سکتا۔

آپ کی کاروباری ضروریات کو کافی حد تک سمجھنا آپ کے فن تعمیر کے لیے حاصل کردہ مصنوعات کی قسم کو متاثر کرے گا۔
اپنے فن تعمیر کو ڈیزائن اور تیار کرنا یقینی بناتا ہے کہ آپ کا گودام ہے۔

کوئی بے ترتیب واقعہ نہیں، بلکہ احتیاط سے بنایا گیا "اچھی سوچ"۔ اوپیرا مخلوط ٹیکنالوجی کے موزیک کے طور پر آرٹ کا۔

معلوماتی مواد کو ڈیزائن کریں۔

تمام ابتدائی ڈیزائن کو ان کلیدی BI اجزاء پر توجہ مرکوز کرنی چاہیے اور ان کی شناخت کرنی چاہیے جن کی ضرورت اب اور مستقبل میں مجموعی ماحول کو ہو گی۔
کاروباری تقاضوں کو جاننا ضروری ہے۔

کسی بھی رسمی ڈیزائن کے شروع ہونے سے پہلے ہی، پراجیکٹ پلانر اکثر ایک یا دو اجزاء کی فوراً شناخت کر سکتا ہے۔
اجزاء کا توازن جو آپ کے فن تعمیر کے لیے درکار ہو سکتا ہے، تاہم، آسانی سے نہیں مل سکتا۔ ڈیزائن کے مرحلے کے دوران، فن تعمیر کا اہم حصہ ایپلی کیشن ڈویلپمنٹ (JAD) سیشن کو کاروباری ضروریات کی نشاندہی کرنے کی جستجو پر جوڑتا ہے۔

بعض اوقات ان تقاضوں کو استفسار اور رپورٹنگ ٹولز کے سپرد کیا جا سکتا ہے۔
مثال کے طور پر، صارفین کہتے ہیں کہ اگر وہ موجودہ رپورٹ کو خودکار بنانا چاہتے ہیں تو انہیں دستی طور پر دو موجودہ رپورٹس کو یکجا کرکے اور اس کے مجموعہ سے اخذ کردہ حسابات کو شامل کرکے تیار کرنا ہوگا۔ ڈیٹا.
اگرچہ یہ ضرورت آسان ہے، لیکن یہ اس خصوصیت کی ایک خاص فعالیت کی وضاحت کرتی ہے جسے آپ کو اپنی تنظیم کے لیے رپورٹنگ ٹولز خریدتے وقت شامل کرنا چاہیے۔

مکمل تصویر حاصل کرنے کے لیے ڈیزائنر کو اضافی ضروریات کو بھی پورا کرنا ہوگا۔ کیا صارفین اس رپورٹ کو سبسکرائب کرنا چاہتے ہیں؟
کیا رپورٹ کے ذیلی سیٹ تیار کیے گئے ہیں اور مختلف صارفین کو ای میل کیے گئے ہیں؟ کیا وہ کمپنی کے پورٹل میں اس رپورٹ کو دیکھنا چاہتے ہیں؟ یہ تمام تقاضے صارفین کی درخواست کے مطابق دستی رپورٹ کو تبدیل کرنے کی سادہ ضرورت کا حصہ ہیں۔ اس قسم کے تقاضوں کا فائدہ یہ ہے کہ ہر ایک، صارفین اور ڈیزائنرز کو رپورٹس کے تصور کی سمجھ ہے۔

تاہم، دیگر قسم کے کاروبار ہیں جن کے لیے ہمیں منصوبہ بندی کرنے کی ضرورت ہے۔ جب کاروباری ضروریات کو اسٹریٹجک کاروباری سوالات کی شکل میں بیان کیا جاتا ہے، تو ماہر ڈیزائنر کے لیے پیمائش/حقیقت اور جہتی تقاضوں کو سمجھنا آسان ہوتا ہے۔

اگر JAD صارفین یہ نہیں جانتے ہیں کہ کس طرح اپنی ضروریات کو کاروباری مسئلے کی صورت میں بیان کرنا ہے، تو ڈیزائنر اکثر ضروریات کو جمع کرنے کے سیشن کو چھلانگ لگانے کے لیے مثالیں فراہم کرے گا۔
ماہر ڈیزائنر صارفین کو نہ صرف اسٹریٹجک ٹریڈنگ بلکہ اسے بنانے کا طریقہ سمجھنے میں مدد کر سکتا ہے۔
ضروریات کو جمع کرنے کے طریقہ کار پر باب 3 میں بحث کی گئی ہے۔ ابھی کے لیے ہم صرف تمام قسم کی BI ضروریات کے لیے ڈیزائن کرنے کی ضرورت کی نشاندہی کرنا چاہتے ہیں۔

ایک اسٹریٹجک کاروباری مسئلہ نہ صرف ایک کاروباری ضرورت ہے، بلکہ ایک ڈیزائن کا اشارہ بھی ہے۔ اگر آپ کو کثیر جہتی سوال کا جواب دینا ہے، تو آپ کو حفظ کرنا ہوگا، پیش کرنا ہوگا۔ ڈیٹا طول و عرض ، اور اگر آپ کو حفظ کرنے کی ضرورت ہے۔ ڈیٹا کثیر جہتی، آپ کو یہ فیصلہ کرنا ہوگا کہ آپ کس قسم کی ٹیکنالوجی یا تکنیک استعمال کرنے جا رہے ہیں۔

کیا آپ ایک محفوظ کیوب اسٹار اسکیما، یا دونوں کو نافذ کرتے ہیں؟ جیسا کہ آپ دیکھ سکتے ہیں، یہاں تک کہ ایک سادہ کاروباری مسئلہ بھی ڈیزائن کو نمایاں طور پر متاثر کر سکتا ہے۔ لیکن اس قسم کے کاروباری تقاضے عام اور سمجھے جاتے ہیں، کم از کم ڈیزائنرز اور منصوبہ سازوں کی طرف سے پروجیکٹ کا تجربہ۔

OLAP ٹیکنالوجیز اور سپورٹ کے بارے میں کافی بحث ہوئی ہے، اور حل کی ایک وسیع رینج دستیاب ہے۔ اب تک ہم نے کاروباری جہتی ضروریات کے ساتھ سادہ رپورٹنگ کو اکٹھا کرنے کی ضرورت کا ذکر کیا ہے، اور یہ ضروریات تکنیکی تعمیراتی فیصلوں پر کیسے اثر انداز ہوتی ہیں۔

لیکن وہ کیا تقاضے ہیں جو صارفین یا ڈی ڈبلیو ٹیم کو آسانی سے سمجھ نہیں آتے؟ کیا آپ کو کبھی مقامی تجزیہ کی ضرورت ہوگی؟
کے کان کنی کے ماڈل ڈیٹا کیا وہ آپ کے مستقبل کا لازمی حصہ ہوں گے؟ کسے پتا؟

یہ نوٹ کرنا ضروری ہے کہ اس قسم کی ٹیکنالوجیز کو عام صارف کمیونٹیز اور Dw ٹیم کے اراکین اچھی طرح سے نہیں جانتے ہیں، جزوی طور پر، اس کی وجہ یہ ہو سکتی ہے کہ انہیں عام طور پر کچھ اندرونی یا فریق ثالث تکنیکی ماہرین ہینڈل کرتے ہیں۔ یہ ان مسائل کی ایک انتہائی صورت ہے جو اس قسم کی ٹیکنالوجیز پیدا کرتی ہیں۔ اگر صارف کاروباری تقاضوں کو بیان نہیں کر سکتے یا انہیں اس طرح سے ترتیب نہیں دے سکتے جو ڈیزائنرز کو رہنمائی فراہم کرتا ہو، تو وہ کسی کا دھیان نہیں جا سکتے یا بدتر، محض نظر انداز کر سکتے ہیں۔

یہ زیادہ پریشانی کا باعث بنتا ہے جب ڈیزائنر اور ڈویلپر ان جدید لیکن اہم ٹیکنالوجیز میں سے کسی ایک کے اطلاق کو نہیں پہچان سکتے۔
جیسا کہ ہم نے اکثر ڈیزائنرز کو یہ کہتے سنا ہے، "ٹھیک ہے، ہم اسے ایک طرف کیوں نہیں رکھتے جب تک کہ ہمیں یہ دوسری چیز نہ مل جائے؟ "کیا وہ واقعی ترجیحات میں دلچسپی رکھتے ہیں، یا وہ صرف ان تقاضوں سے گریز کر رہے ہیں جنہیں وہ نہیں سمجھتے؟ غالباً یہ آخری مفروضہ ہے۔ فرض کریں کہ آپ کی سیلز ٹیم نے ایک کاروباری ضرورت بتائی ہے، جیسا کہ شکل 1.3 میں بیان کیا گیا ہے، جیسا کہ آپ دیکھ سکتے ہیں، ضرورت کو کاروباری مسئلے کی شکل میں وضع کیا گیا ہے۔ اس مسئلہ اور عام جہتی مسئلہ کے درمیان فرق فاصلہ ہے۔ اس صورت میں، سیلز ٹیم ماہانہ بنیادوں پر مصنوعات، گوداموں اور سے ہونے والی کل فروخت جاننا چاہتی ہے۔ گاہکوں جو گودام کے 5 میل کے اندر رہتے ہیں جہاں وہ خریدتے ہیں۔

افسوس کی بات یہ ہے کہ ڈیزائنرز یا آرکیٹیکٹس یہ کہہ کر مقامی جزو کو نظر انداز کر سکتے ہیں، "ہمارے پاس گاہک، پروڈکٹ اور ڈیٹا جمع کی. آئیے ایک اور تکرار تک فاصلے کو دور رکھیں۔

"غلط جواب. اس قسم کا کاروباری مسئلہ BI کے بارے میں ہے۔ یہ ہمارے کاروبار کی گہری سمجھ اور ہمارے تجزیہ کاروں کے لیے ایک مضبوط تجزیاتی جگہ کی نمائندگی کرتا ہے۔ BI سادہ استفسار یا معیاری رپورٹنگ، یا یہاں تک کہ OLAP سے باہر ہے۔ اس کا مطلب یہ نہیں ہے کہ یہ ٹیکنالوجیز آپ کے BI کے لیے اہم نہیں ہیں، لیکن وہ اکیلے BI ماحول کی نمائندگی نہیں کرتی ہیں۔

معلوماتی سیاق و سباق کے لیے ڈیزائن۔ (معلوماتی مواد کے لیے ڈیزائننگ)

اب جب کہ ہم نے کاروباری تقاضوں کی نشاندہی کر لی ہے جو مختلف بنیادی اجزاء کو ممتاز کرتی ہیں، ان کا ایک مجموعی تعمیراتی ڈیزائن میں شامل ہونا ضروری ہے۔ BI کے کچھ اجزاء ہماری ابتدائی کوششوں کا حصہ ہیں، جب کہ کچھ کو کئی مہینوں تک نافذ نہیں کیا جائے گا۔

تاہم، تمام معلوم تقاضے ڈیزائن میں ظاہر ہوتے ہیں تاکہ جب ہمیں کسی خاص ٹیکنالوجی کو نافذ کرنے کی ضرورت ہو، تو ہم ایسا کرنے کے لیے تیار ہیں۔ منصوبے کے بارے میں کچھ روایتی سوچ کی عکاسی کرے گا.

کا یہ سیٹ۔ ڈیٹا کے بعد کے استعمال کی حمایت کے لیے استعمال کیا جاتا ہے۔ ڈیٹا ہم نے جن کاروباری مسائل کی نشاندہی کی ہے ان کی طرف سے جہتی رہنمائی۔ جیسا کہ اضافی دستاویزات تیار کی جاتی ہیں، جیسے کہ ڈیزائن کی ترقی ڈیٹا، ہم رسمی طور پر شروع کریں گے کہ i ڈیٹا وہ ماحول میں پھیلتے ہیں. ہم نے i کی نمائندگی کرنے کی ضرورت کا پتہ لگایا ہے۔ ڈیٹا ایک جہتی طریقے سے، ان کو (مخصوص مخصوص ضروریات کے مطابق) ڈیٹا مارٹس میں تقسیم کرنا۔

جواب دینے کے لیے اگلا سوال یہ ہے کہ: یہ ڈیٹا مارٹس کیسے بنائے جائیں گے؟
کیا آپ کیوبز، یا صرف کیوبز، یا صرف ستاروں کو سہارا دینے کے لیے ستارے بناتے ہیں؟ (یا دائیں کیوبز، یا دائیں ستارے)۔ منحصر ڈیٹا مارٹس کے لیے فن تعمیر تیار کریں جس میں سب کے لیے ایٹم پرت کی ضرورت ہوتی ہے۔ ڈیٹا حاصل کیا؟ آزاد ڈیٹا مارٹس کو حاصل کرنے کی اجازت دیں۔ ڈیٹا براہ راست آپریٹنگ سسٹم سے؟

آپ کون سی کیوب ٹیکنالوجی کو معیاری بنانے کی کوشش کریں گے؟

آپ کے پاس بڑے پیمانے پر دیوتا ہیں۔ ڈیٹا جہتی تجزیہ کے لیے درکار ہے یا کیا آپ کو اپنی قومی سیلز فورس سے ہفتہ وار بنیادوں پر کیوبز کی ضرورت ہے یا دونوں؟ کیا آپ مالیات کے لیے DB2 OLAP سرور یا اپنی سیلز آرگنائزیشن کے لیے Cognos PowerPlay کیوبز جیسی طاقتور چیز بناتے ہیں، یا دونوں؟ یہ آرکیٹیکچرل ڈیزائن کے بڑے فیصلے ہیں جو یہاں سے آپ کے BI ماحول کو متاثر کریں گے۔ ہاں، آپ نے OLAP کی ضرورت قائم کر لی ہے۔ اب آپ اس قسم کی تکنیک اور ٹیکنالوجی کو کیسے انجام دیں گے؟

کچھ جدید ترین ٹیکنالوجیز آپ کے ڈیزائن کو کیسے متاثر کرتی ہیں؟ آئیے فرض کریں کہ آپ نے اپنی تنظیم میں جگہ کی ضرورت کی نشاندہی کی ہے۔ اب آپ کو آرکیٹیکچرل ڈرائنگ ایڈیشنز کو یاد کرنا ہوگا یہاں تک کہ اگر آپ کئی مہینوں سے مقامی اجزاء بنانے کا ارادہ نہیں رکھتے ہیں۔ معمار کو آج ضرورت کی بنیاد پر ڈیزائن کرنا چاہیے۔ مقامی تجزیات کی ضرورت کی پیشن گوئی کریں جو تخلیق کرتا ہے، ذخیرہ کرتا ہے، انجام دیتا ہے اور اس تک رسائی فراہم کرتا ہے ڈیٹا مقامی اس کے نتیجے میں سافٹ ویئر ٹکنالوجی کی قسم اور پلیٹ فارم کی خصوصیات کے بارے میں ایک رکاوٹ کا کام کرنا چاہئے جس پر آپ فی الحال غور کرسکتے ہیں۔ مثال کے طور پر انتظامیہ کا نظام ڈیٹا بیس متعلقہ پرت (RDBMS) جو آپ اپنی جوہری تہہ کے لیے انجام دیتے ہیں اس میں مضبوط مقامی حد دستیاب ہونی چاہیے۔ یہ آپ کی تجزیاتی ایپلی کیشنز میں جیومیٹری اور مقامی اشیاء کا استعمال کرتے وقت زیادہ سے زیادہ کارکردگی کو یقینی بنائے گا۔ اگر آپ کا RDBMS سنبھال نہیں سکتا ڈیٹا (مقامی مرکوز) اندرونی طور پر، لہذا آپ کو ایک قائم کرنا پڑے گا۔ ڈیٹا بیس (مقامی مرکوز) بیرونی۔ یہ مسائل کے انتظام کو پیچیدہ بناتا ہے اور آپ کی مجموعی کارکردگی سے سمجھوتہ کرتا ہے، آپ کے DBAs کے لیے پیدا ہونے والے اضافی مسائل کا ذکر نہ کرنا، کیونکہ وہ شاید بنیادی باتوں کی کم سے کم سمجھ رکھتے ہیں۔ ڈیٹا مقامی بھی. دوسری طرف، اگر آپ کا RDMBS انجن تمام مقامی اجزاء کو ہینڈل کرتا ہے اور اس کا آپٹیمائزر مقامی اشیاء کی خصوصی ضروریات (مثال کے طور پر انڈیکسنگ) سے واقف ہے، تو آپ کے DBAs آسانی سے مسائل کے انتظام کو سنبھال سکتے ہیں اور آپ کارکردگی کو زیادہ سے زیادہ کر سکتے ہیں۔

مزید برآں، آپ کو ایڈریس کلین اپ (a

مقامی تجزیہ کا کلیدی عنصر)، نیز خلائی اشیاء کی بعد میں بچت۔ ڈرائنگ ایڈیشنز کا سلسلہ اب جاری ہے کہ ہم نے واضح سمت کا تصور متعارف کرایا ہے۔ ایک چیز کے لیے، یہ ایپلیکیشن آپ کی ETL کوششوں کے لیے درکار سافٹ ویئر کی قسم کا تعین کرے گی۔

کیا آپ کو صاف پتہ فراہم کرنے کے لیے Trillium جیسی مصنوعات کی ضرورت ہے، یا وہ فعالیت فراہم کرنے کے لیے آپ کی پسند کے ETL وینڈر کی ضرورت ہے؟
ابھی کے لیے یہ ضروری ہے کہ آپ ڈیزائن کی اس سطح کی تعریف کریں جسے آپ اپنے گودام کو لاگو کرنا شروع کرنے سے پہلے مکمل کیا جانا چاہیے۔ مندرجہ بالا مثالوں کو ڈیزائن فیصلوں کی کثرت کا مظاہرہ کرنا چاہئے جو کسی خاص کاروباری ضرورت کی شناخت پر عمل کریں۔ اگر درست طریقے سے کیے گئے ہیں، تو یہ ڈیزائن فیصلے آپ کے ماحول کی جسمانی ساخت، استعمال شدہ ٹیکنالوجی کے انتخاب، اور معلوماتی مواد کے پھیلاؤ کے بہاؤ کے درمیان باہمی انحصار کو فروغ دیتے ہیں۔ اس روایتی BI فن تعمیر کے بغیر، آپ کی تنظیم موجودہ ٹیکنالوجیز کے ایک افراتفری کے آمیزے سے مشروط ہو جائے گی، جو ظاہری استحکام فراہم کرنے کے لیے بہترین طور پر ایک دوسرے کے ساتھ سلی ہوئی ہے۔

معلوماتی مواد کو برقرار رکھیں۔

معلومات کی قدر کو اپنے ادارے تک پہنچانا بہت مشکل کام ہے۔ کافی سمجھ اور تجربے کے بغیر، یا مناسب منصوبہ بندی اور ڈیزائن کے بغیر، بہترین ٹیمیں بھی ناکام ہو جائیں گی۔ دوسری طرف، اگر آپ کے پاس بڑی بصیرت اور تفصیلی منصوبہ بندی ہے لیکن عمل درآمد کے لیے کوئی نظم و ضبط نہیں ہے، تو آپ نے صرف اپنا پیسہ اور وقت ضائع کیا ہے کیونکہ آپ کی کوشش ناکام ہونے والی ہے۔ پیغام واضح ہونا چاہیے: اگر آپ کے پاس ان میں سے ایک یا زیادہ مہارت، سمجھ/تجربہ یا منصوبہ بندی/ڈیزائن یا نفاذ کے نظم و ضبط کی کمی ہے، تو یہ BI تنظیم کی عمارت کو معذور یا تباہ کر دے گی۔

کیا آپ کی ٹیم کافی تیار ہے؟ کیا آپ کی BI ٹیم میں کوئی ہے جو BI ماحول میں دستیاب وسیع تجزیاتی منظر نامے کو سمجھتا ہو، اور اس زمین کی تزئین کو برقرار رکھنے کے لیے درکار تکنیکوں اور ٹیکنالوجیز کو سمجھتا ہو؟ کیا آپ کی ٹیم میں کوئی ایسا ہے جو ایڈوانس کے درمیان درخواست کے فرق کو پہچان سکے۔

جامد رپورٹنگ اور OLAP، یا ROLAP اور OLAP کے درمیان فرق؟ کیا آپ کی ٹیم کے ممبروں میں سے ایک واضح طور پر پہچانتا ہے کہ کس طرح نکالنا ہے اور اس سے گودام پر کیا اثر پڑ سکتا ہے یا گودام کس طرح نکالنے کی کارکردگی کو سپورٹ کر سکتا ہے؟ ٹیم کا ایک رکن اس کی قدر کو سمجھتا ہے۔ ڈیٹا خلائی یا ایجنٹ پر مبنی ٹیکنالوجی؟ کیا آپ کے پاس کوئی ایسا ہے جو ETL ٹولز بمقابلہ میسج بروکر ٹیکنالوجی کی منفرد ایپلی کیشن کو سراہتا ہو؟ اگر آپ کے پاس نہیں ہے تو ایک حاصل کریں۔ BI ایک نارملائزڈ ایٹم لیئر، OLAP، اسٹار اسکیماس، اور ODS سے بہت بڑا ہے۔

BI کی ضروریات اور ان کے حل کو پہچاننے کے لیے سمجھ اور تجربہ ہونا آپ کی صارف کی ضروریات کو باضابطہ بنانے اور ان کے حل کو ڈیزائن اور نافذ کرنے کی آپ کی صلاحیت کے لیے ضروری ہے۔ اگر آپ کی صارف برادری کو تقاضوں کو بیان کرنے میں دشواری پیش آتی ہے، تو یہ گودام ٹیم کا کام ہے کہ وہ اس کو سمجھے۔ لیکن اگر گودام کی ٹیم

BI کے مخصوص اطلاق کو تسلیم نہیں کرتا ہے - مثال کے طور پر، ڈیٹا مائننگ - پھر یہ سب سے اچھی چیز نہیں ہے کہ BI ماحول اکثر غیر فعال ذخیرہ ہونے تک محدود ہوتے ہیں۔ تاہم، ان ٹکنالوجیوں کو نظر انداز کرنے سے ان کی اہمیت اور آپ کی تنظیم کی کاروباری ذہانت کی صلاحیتوں کے ساتھ ساتھ ان معلوماتی منظر نامے کے ابھرنے پر جو آپ کو فروغ دینے کا ارادہ ہے اس پر ان کا اثر کم نہیں ہوتا ہے۔

منصوبہ بندی میں ڈرائنگ کا تصور شامل ہونا چاہیے، اور دونوں کو ایک قابل فرد کی ضرورت ہوتی ہے۔ مزید برآں، ڈیزائننگ کے لیے ٹیم کے گودام کا فلسفہ اور معیارات کی پابندی کی ضرورت ہوتی ہے۔ مثال کے طور پر، اگر آپ کی کمپنی نے ایک معیاری پلیٹ فارم قائم کیا ہے یا کسی مخصوص RDBMS کی نشاندہی کی ہے جسے آپ پورے پلیٹ فارم پر معیاری بنانا چاہتے ہیں، تو ٹیم میں شامل ہر فرد پر ان معیارات پر عمل کرنے کی ذمہ داری ہے۔ عام طور پر ایک ٹیم معیاری کاری کی ضرورت کو ظاہر کرتی ہے (صارف برادریوں کے لیے)، لیکن ٹیم خود کمپنی کے دیگر شعبوں میں یا شاید اسی طرح کی کمپنیوں میں بھی قائم کردہ معیارات پر عمل کرنے کو تیار نہیں ہے۔ یہ نہ صرف منافقانہ ہے بلکہ یہ ثابت کرتا ہے کہ کمپنی موجودہ وسائل اور سرمایہ کاری سے فائدہ اٹھانے سے قاصر ہے۔ اس کا مطلب یہ نہیں ہے کہ ایسے حالات نہیں ہیں جو غیر معیاری پلیٹ فارم یا ٹیکنالوجی کی ضمانت دیتے ہوں۔ تاہم، گودام کی کوششوں

انہیں حسد کے ساتھ انٹرپرائز کے معیارات کی حفاظت کرنی چاہئے جب تک کہ کاروباری تقاضے دوسری صورت میں حکم نہ دیں۔

BI تنظیم بنانے کے لیے درکار تیسرا کلیدی جزو نظم و ضبط ہے۔
یہ مجموعی طور پر، یکساں طور پر افراد اور ماحول پر منحصر ہے۔ پروجیکٹ پلانرز، سپانسرز، آرکیٹیکٹس، اور صارفین کو کمپنی کے معلوماتی منظر نامے کی تعمیر کے لیے ضروری نظم و ضبط کی تعریف کرنی چاہیے۔ ڈیزائنرز کو اپنی ڈیزائن کی کوششوں کو اس طرح ہدایت کرنا چاہیے کہ معاشرے میں دیگر ضروری کوششوں کی تکمیل ہو سکے۔

مثال کے طور پر، ہم کہتے ہیں کہ آپ کی کمپنی ایک ERP ایپلیکیشن بناتی ہے جس میں گودام کا جزو ہوتا ہے۔
لہذا یہ ERP ڈیزائنرز کی ذمہ داری ہے کہ وہ گودام کے ماحول کی ٹیم کے ساتھ تعاون کریں تاکہ مقابلہ نہ ہو یا کام پہلے سے شروع ہو چکا ہو۔

نظم و ضبط بھی ایک ایسا موضوع ہے جس پر پوری تنظیم کی طرف سے توجہ دی جانی چاہیے اور اسے عام طور پر قائم کیا جاتا ہے اور اسے ایگزیکٹو سطح پر سونپا جاتا ہے۔
کیا مینیجرز ایک ڈیزائن کردہ نقطہ نظر پر عمل کرنے کے لیے تیار ہیں؟ ایک ایسا نقطہ نظر جو معلوماتی مواد بنانے کا وعدہ کرتا ہے جو بالآخر انٹرپرائز کے تمام شعبوں میں قدر لائے گا، لیکن شاید انفرادی یا محکمانہ ایجنڈوں سے سمجھوتہ کرے؟ اس کہاوت کو یاد رکھیں "ہر چیز کے بارے میں سوچنا صرف ایک چیز کے بارے میں سوچنے سے زیادہ اہم ہے"۔ یہ کہاوت BI تنظیموں کے لیے درست ہے۔

بدقسمتی سے، بہت سے گودام اپنی کوششوں کو کسی خاص محکمے یا مخصوص صارفین کو ہدف بنانے اور قدر لانے کی کوشش پر مرکوز کرتے ہیں، بڑے پیمانے پر تنظیم کے حوالے سے بہت کم۔ فرض کریں کہ ایگزیکٹو ویئر ہاؤس ٹیم سے مدد کی درخواست کرتا ہے۔ ٹیم 90 دن کی کوشش کے ساتھ جواب دیتی ہے جس میں نہ صرف مینیجر کی طرف سے بیان کردہ نوٹیفکیشن کی ضروریات کی فراہمی شامل ہے بلکہ اس بات کو یقینی بنانا کہ تمام ڈیٹا مجوزہ کیوب ٹیکنالوجی میں متعارف کرائے جانے سے پہلے بیس کو جوہری سطح پر ملایا جاتا ہے۔
یہ انجینئرنگ اضافہ یقینی بناتا ہے کہ ویئر ہاؤس انٹرپرائز اس سے فائدہ اٹھائے گا۔ ڈیٹا مینیجر کے لئے ضروری ہے.
تاہم، ایگزیکٹو نے بیرونی مشاورتی فرموں سے بات کی جنہوں نے 4 ہفتوں سے بھی کم وقت میں ڈیلیوری کے ساتھ اسی طرح کی درخواست کی تجویز پیش کی۔

یہ فرض کرتے ہوئے کہ اندرونی گودام کی ٹیم قابل ہے، ایگزیکٹو کے پاس انتخاب ہوتا ہے۔ کون انفارمیشن ایسٹ انٹرپرائز کو پروان چڑھانے کے لیے درکار اضافی انجینئرنگ ڈسپلن کی مدد کر سکتا ہے یا اپنے حل کو تیزی سے تیار کرنے کا انتخاب کر سکتا ہے۔ ایسا لگتا ہے کہ آخری کا انتخاب بہت کثرت سے کیا گیا ہے اور یہ صرف معلومات کے کنٹینرز بنانے کا کام کرتا ہے جس سے صرف چند افراد یا فرد کو فائدہ ہوتا ہے۔

مختصر اور طویل مدتی اہداف

آرکیٹیکٹس اور پروجیکٹ ڈیزائنرز کو BI تنظیم میں مجموعی فن تعمیر اور ترقی کے منصوبوں کے طویل مدتی وژن کو باقاعدہ بنانا چاہیے۔ قلیل مدتی فائدہ اور طویل مدتی منصوبہ بندی کا یہ امتزاج BI کی کوششوں کے دونوں پہلوؤں کی نمائندگی کرتا ہے۔ قلیل مدتی فائدہ BI کا وہ پہلو ہے جو آپ کے گودام کی تکرار سے وابستہ ہے۔

یہ وہ جگہ ہے جہاں منصوبہ ساز، معمار اور سپانسرز مخصوص تجارتی ضروریات کو پورا کرنے پر توجہ دیتے ہیں۔ یہ اس سطح پر ہے جہاں جسمانی ڈھانچے بنائے جاتے ہیں، ٹیکنالوجی خریدی جاتی ہے اور تکنیک کو لاگو کیا جاتا ہے. وہ کسی بھی طرح سے مخصوص ضروریات کو پورا کرنے کے لیے نہیں بنائے گئے ہیں جیسا کہ مخصوص صارف کمیونٹیز کے ذریعے بیان کیا گیا ہے۔ سب کچھ ایک مخصوص کمیونٹی کی طرف سے بیان کردہ مخصوص ضروریات کو پورا کرنے کے لیے کیا جاتا ہے۔
تاہم، طویل مدتی منصوبہ بندی BI کا دوسرا پہلو ہے۔ یہ وہ جگہ ہے جہاں منصوبوں اور ڈیزائنوں نے اس بات کو یقینی بنایا کہ کوئی بھی جسمانی ڈھانچہ بنایا گیا تھا، ٹیکنالوجیز کا انتخاب کیا گیا تھا اور لاگو کی جانے والی تکنیکوں کو انٹرپرائز پر نظر رکھ کر بنایا گیا تھا۔ یہ طویل مدتی منصوبہ بندی ہے جو اس بات کو یقینی بنانے کے لیے ضروری ہم آہنگی فراہم کرتی ہے کہ کسی بھی قلیل مدتی فوائد سے کاروباری فوائد حاصل ہوتے ہیں۔

اپنی BI کوشش کا جواز پیش کریں۔

Un ڈیٹا گودام بذات خود اس کی کوئی موروثی قدر نہیں ہے۔ دوسرے الفاظ میں، گودام کی ٹیکنالوجیز اور عمل درآمد کی تکنیکوں کے درمیان کوئی موروثی قدر نہیں ہے۔

کسی بھی گودام کی کوشش کی قدر گودام کے ماحول اور وقت کے ساتھ ساتھ کاشت کیے جانے والے معلوماتی مواد کے نتیجے میں کی جانے والی کارروائیوں میں پائی جاتی ہے۔ یہ سمجھنے کے لیے ایک اہم نکتہ ہے اس سے پہلے کہ آپ کسی بھی گھر کے اقدام کی قدر کا اندازہ لگانے کی کوشش کریں۔

اکثر، آرکیٹیکٹس اور ڈیزائنرز گودام کے جسمانی اور تکنیکی اجزاء پر قدر کو لاگو کرنے کی کوشش کرتے ہیں جب حقیقت میں قیمت ان کاروباری عملوں پر مبنی ہوتی ہے جو گودام اور اچھی طرح سے حاصل کردہ معلومات سے مثبت طور پر متاثر ہوتے ہیں۔

یہاں BI کے قیام کا چیلنج ہے: آپ سرمایہ کاری کا جواز کیسے پیش کرتے ہیں؟ اگر وہیں ہاؤس کی خود کوئی بنیادی قدر نہیں ہے، تو پروجیکٹ ڈیزائنرز کو ان افراد کے ذریعے حاصل ہونے والے فوائد کی چھان بین، وضاحت اور رسمی شکل دینا چاہیے جو مخصوص کاروباری عمل یا محفوظ معلومات کی قدر، یا دونوں کو بہتر بنانے کے لیے گودام کا استعمال کریں گے۔

معاملات کو پیچیدہ بنانے کے لیے، گودام کی کوششوں سے متاثر ہونے والا کوئی بھی کاروباری عمل "کافی" یا "معمولی" فوائد فراہم کر سکتا ہے۔ قابل ذکر فوائد سرمایہ کاری پر منافع (ROI) کی پیمائش کرنے کے لیے ایک ٹھوس میٹرک فراہم کرتے ہیں - مثال کے طور پر، کسی مخصوص مدت کے دوران انوینٹری کو اضافی وقت میں تبدیل کرنا یا فی کھیپ کی نقل و حمل کی کم لاگت کے لیے۔ ٹھوس قدر کے لحاظ سے ٹھیک ٹھیک فوائد، جیسے معلومات تک بہتر رسائی کی وضاحت کرنا مشکل ہے۔

کے بارے میں جاننے کے لیے اپنے پروجیکٹ کو لنک کریں۔ کاروباری درخواستیں۔

اکثر، پروجیکٹ کے منصوبہ ساز گودام کی قیمت کو بے ترتیب انٹرپرائز مقاصد سے جوڑنے کی کوشش کرتے ہیں۔ یہ اعلان کرتے ہوئے کہ "گودام کی قدر ہماری اسٹریٹجک درخواستوں کو پورا کرنے کی صلاحیت پر مبنی ہے" ہم بحث کو خوشگوار انداز میں کھولتے ہیں۔ لیکن یہ صرف اس بات کا تعین کرنے کے لیے کافی نہیں ہے کہ آیا انوینٹری میں سرمایہ کاری کا مطلب ہے۔ گودام کی تکرار کو مخصوص، معروف کاروباری تقاضوں سے جوڑنا بہتر ہے۔

ROI کی پیمائش کریں۔

گودام کی ترتیب میں ROI کا حساب لگانا خاصا مشکل ہو سکتا ہے۔ یہ خاص طور پر مشکل ہے اگر فائدہ

کسی خاص تکرار کا اصل وہ چیز ہے جو ٹھوس یا ناپنا آسان نہیں ہے۔ ایک تحقیق سے پتا چلا ہے کہ صارفین BI کے اقدامات کے دو اہم فوائد کو سمجھتے ہیں:

• ▪ فیصلے کرنے کی صلاحیت پیدا کریں۔
• ▪ معلومات تک رسائی پیدا کریں۔
  یہ فوائد نرم (یا ہلکے) فوائد ہیں۔ یہ دیکھنا آسان ہے کہ ہم کس طرح مشکل (یا بڑے) فائدے کی بنیاد پر ROI کا حساب لگا سکتے ہیں جیسے کہ نقل و حمل کے اخراجات میں کمی، لیکن ہم بہتر فیصلے کرنے کی صلاحیت کی پیمائش کیسے کرتے ہیں؟
  یہ یقینی طور پر پراجیکٹ پلانرز کے لیے ایک چیلنج ہے جب وہ کمپنی کو گودام کی کسی خاص کوشش میں سرمایہ کاری کے لیے راضی کرنے کی کوشش کر رہے ہوں۔ فروخت میں اضافہ یا قیمتوں میں کمی اب BI ماحول کو چلانے والے مرکزی موضوعات نہیں ہیں۔
  اس کے بجائے، آپ معلومات تک بہتر رسائی کے لیے کاروباری درخواستوں کو دیکھ رہے ہیں تاکہ کوئی خاص محکمہ تیزی سے فیصلے کر سکے۔ یہ اسٹریٹجک ڈرائیورز ہیں جو انٹرپرائز کے لیے اتنے ہی اہم ہوتے ہیں لیکن ایک ٹھوس میٹرک میں نمایاں کرنا زیادہ مبہم اور مشکل ہوتا ہے۔ اس صورت میں، ROI کا حساب لگانا گمراہ کن ہو سکتا ہے، اگر غیر متعلقہ نہ ہو۔
  پروجیکٹ کے منصوبہ سازوں کو یہ فیصلہ کرنے کے لیے ایگزیکٹوز کے لیے ٹھوس قدر کا مظاہرہ کرنے کے قابل ہونا چاہیے کہ آیا کسی خاص تکرار میں سرمایہ کاری اس کے قابل ہے۔ تاہم، ہم ROI کا حساب لگانے کے لیے کوئی نیا طریقہ تجویز نہیں کریں گے، اور نہ ہی ہم اس کے حق میں یا اس کے خلاف کوئی دلیل پیش کریں گے۔
  بہت سے مضامین اور کتابیں دستیاب ہیں جو ROI کا حساب لگانے کے بنیادی اصولوں پر بحث کرتی ہیں۔ گارٹنر جیسے گروپوں کی طرف سے پیش کردہ سرمایہ کاری پر قدر (VOI) جیسی خاص قدر کی تجاویز ہیں، جن پر آپ تحقیق کر سکتے ہیں۔ اس کے بجائے، ہم کسی بھی ROI کے بنیادی پہلوؤں یا دیگر قیمتی تجاویز پر توجہ مرکوز کریں گے جن پر آپ کو غور کرنے کی ضرورت ہے۔ ROI لاگو کرنا BI کی کوششوں سے وابستہ "سخت" فوائد بمقابلہ "نرم" فوائد کے بارے میں بحث کے علاوہ ROI کا اطلاق کرتے وقت غور کرنے کے لیے دیگر مسائل ہیں۔ مثال کے طور پر:

ڈی ڈبلیو کی کوششوں سے بہت زیادہ بچتیں جو بہرحال آئیں گی۔
فرض کریں کہ آپ کی کمپنی مین فریم فن تعمیر سے تقسیم شدہ UNIX ماحول میں منتقل ہو گئی ہے۔ لہٰذا کوئی بھی بچت جو اس کوشش سے حاصل ہو سکتی ہے (یا نہیں ہو سکتی ہے) کو خصوصی طور پر گودام سے منسوب نہیں کیا جانا چاہیے۔

ہر چیز کا محاسبہ نہ کرنا مہنگا ہے۔ اور بہت سی چیزیں ہیں جن کا خیال رکھنا ہے۔ درج ذیل فہرست پر غور کریں:

• ▪ آغاز کی لاگت، بشمول فزیبلٹی۔
• ▪ متعلقہ سٹوریج اور مواصلات کے ساتھ وقف ہارڈ ویئر کی لاگت
• ▪ سافٹ ویئر کی لاگت، بشمول مینجمنٹ ڈیٹا اور کلائنٹ/سرور ایکسٹینشنز، ای ٹی ایل سافٹ ویئر، ڈی ایس ایس ٹیکنالوجیز، ویژولائزیشن ٹولز، شیڈولنگ اور ورک فلو ایپلی کیشنز، اور مانیٹرنگ سافٹ ویئر،
• ▪ ساخت کے ڈیزائن کی لاگت ڈیٹاکی تخلیق، اور اصلاح کے ساتھ
• ▪ سافٹ ویئر ڈیولپمنٹ لاگت براہ راست BI کی کوششوں سے وابستہ ہے۔
• ▪ آن سائٹ سپورٹ کی لاگت، بشمول کارکردگی کی اصلاح، بشمول سافٹ ویئر ورژن کنٹرول اور مدد کے کام "Big-Bang" ROI کا اطلاق کریں۔ گودام کو ایک واحد، بہت بڑی کوشش کے طور پر بنانا ناکام ہو جائے گا، اس لیے ایک بڑے انٹرپرائز اقدام کے لیے ROI کا بھی حساب لگائیں یہ پیشکش حیران کن ہے، اور منصوبہ ساز پوری کوشش کی قدر کا اندازہ لگانے کی ناکام کوششیں کرتے رہتے ہیں۔ منصوبہ ساز کاروباری اقدام پر مالیاتی قدر کیوں ڈالنے کی کوشش کرتے ہیں اگر یہ وسیع پیمانے پر جانا اور قبول کیا جاتا ہے کہ مخصوص تکرار کا اندازہ لگانا مشکل ہے؟ یہ کیسے ممکن ہے؟ یہ چند مستثنیات کے ساتھ ممکن نہیں ہے۔ ایسا مت کرو۔ اب جب کہ ہم نے طے کر لیا ہے کہ ROI کا حساب لگاتے وقت کیا نہیں کرنا چاہیے، یہاں چند نکات ہیں جو آپ کی BI کوششوں کی قدر کا اندازہ لگانے کے لیے ایک قابل اعتماد عمل قائم کرنے میں ہماری مدد کریں گے۔

ROI اتفاق رائے حاصل کرنا۔ آپ کی BI کوششوں کی قدر کا اندازہ لگانے کے لیے آپ کی تکنیک کے انتخاب سے قطع نظر، اس پر تمام فریقین بشمول پراجیکٹ ڈیزائنرز، اسپانسرز، اور کاروباری ایگزیکٹوز کا اتفاق ہونا چاہیے۔

ROI کو قابل شناخت حصوں میں کم کریں۔ معقول طور پر ROI کا حساب لگانے کی طرف ایک ضروری قدم یہ ہے کہ اس حساب کو کسی خاص پروجیکٹ پر مرکوز کیا جائے۔ اس کے بعد آپ کو مخصوص کاروباری ضروریات کی تکمیل کی بنیاد پر قدر کا اندازہ لگانے کی اجازت دیتا ہے۔

اخراجات کی وضاحت کریں۔ جیسا کہ ذکر کیا گیا ہے، متعدد اخراجات پر غور کرنا ضروری ہے۔ مزید برآں، لاگت میں نہ صرف وہ لوگ شامل ہوتے ہیں جو واحد تکرار سے منسلک ہوتے ہیں بلکہ وہ اخراجات بھی شامل ہوتے ہیں جو انٹرپرائز کے معیارات کی تعمیل کو یقینی بناتے ہیں۔

فوائد کی وضاحت کریں۔ واضح طور پر ROI کو مخصوص کاروباری ضروریات سے جوڑ کر، ہمیں ان فوائد کی نشاندہی کرنے کے قابل ہونا چاہیے جو ضروریات کو پورا کرنے کا باعث بنیں گے۔

آنے والے منافع میں اخراجات اور فوائد کو کم کریں۔ مستقبل کی کمائی میں مستقبل کی قیمت کی پیشن گوئی کرنے کی کوشش کرنے کے برخلاف یہ خالص موجودہ قدر (NPV) پر اپنی قیمتوں کی بنیاد رکھنے کا بہترین طریقہ ہے۔

اپنے ROI کو تقسیم کرنے کا وقت کم سے کم رکھیں۔ یہ آپ کے ROI میں استعمال ہونے والے طویل عرصے کے دوران اچھی طرح سے دستاویزی ہے۔

ایک سے زیادہ ROI فارمولہ استعمال کریں۔ ROI کی پیشن گوئی کرنے کے متعدد طریقے ہیں اور آپ کو منصوبہ بنانا چاہیے کہ آیا ان میں سے ایک یا زیادہ کو استعمال کرنا ہے، بشمول خالص موجودہ قدر، واپسی کی اندرونی شرح (IRR)، اور ادائیگی۔

دوبارہ قابل عمل عمل کی وضاحت کریں۔ یہ کسی بھی طویل مدتی قدر کا حساب لگانے کے لیے اہم ہے۔ تمام پراجیکٹ کے بعد کی پیروی کرنے کے لیے ایک ہی قابل تکرار عمل کو دستاویزی شکل دی جانی چاہیے۔

درج کردہ مسائل سب سے زیادہ عام ہیں جن کی وضاحت واش ہاؤس ماحول کے ماہرین نے کی ہے۔ "بگ بینگ" ROI فراہم کرنے پر انتظامیہ کا اصرار بہت پریشان کن ہے۔ اگر آپ اپنے تمام ROI حسابات کو قابل شناخت، ٹھوس ٹکڑوں میں تقسیم کرکے شروع کرتے ہیں، تو آپ کے پاس درست ROI درجہ بندی کا اندازہ لگانے کا ایک اچھا موقع ہے۔

ROI کے فوائد کے بارے میں سوالات

آپ کے فوائد جو بھی ہوں، نرم یا سخت، آپ ان کی قدر کا تعین کرنے کے لیے کچھ بنیادی سوالات کا استعمال کر سکتے ہیں۔ مثال کے طور پر، 1 سے 10 تک ایک سادہ اسکیلنگ سسٹم کا استعمال کرتے ہوئے، آپ درج ذیل سوالات کا استعمال کرکے کسی بھی کوشش کے اثرات کی پیمائش کرسکتے ہیں:

• آپ اس کی تفہیم کی درجہ بندی کیسے کریں گے۔ ڈیٹا آپ کی کمپنی کے اس منصوبے کی پیروی کر رہے ہیں؟
• آپ اس پروجیکٹ کے نتیجے میں عمل میں بہتری کا اندازہ کیسے لگائیں گے؟
• آپ اس تکرار کے ذریعہ دستیاب نئی بصیرتوں اور قیاسات کے اثرات کی پیمائش کیسے کریں گے۔
• جو کچھ سیکھا گیا اس کے نتیجے میں نئے اور پرفارمنس کمپیوٹنگ ماحول کا کیا اثر ہوا؟ اگر ان سوالات کے جوابات کم ہیں تو یہ ممکن ہے کہ کمپنی کی گئی سرمایہ کاری کے قابل نہ ہو۔ زیادہ اسکور کرنے والے سوالات اہم قدر کے فوائد کی طرف اشارہ کرتے ہیں اور مزید تفتیش کے لیے رہنما کے طور پر کام کرنا چاہیے۔ مثال کے طور پر، عمل میں بہتری کے لیے اعلی اسکور سے ڈیزائنرز کو اس بات کا جائزہ لینا چاہیے کہ عمل کو کس طرح بہتر بنایا گیا ہے۔ آپ کو معلوم ہو سکتا ہے کہ حاصل ہونے والے کچھ یا تمام فوائد ٹھوس ہیں اور اس لیے مالیاتی قدر آسانی سے لاگو کی جا سکتی ہے۔ کی پہلی تکرار سے زیادہ سے زیادہ فائدہ اٹھانا گودام آپ کی انٹرپرائز کی کوشش کا سب سے بڑا نتیجہ اکثر پہلے چند تکرار میں ہوتا ہے۔ یہ ابتدائی کوششیں روایتی طور پر عوام کے لیے انتہائی مفید معلوماتی مواد کو قائم کرتی ہیں اور بعد میں آنے والی BI ایپلیکیشنز کے لیے ٹیکنالوجی کی بنیاد قائم کرنے میں مدد کرتی ہیں۔ عام طور پر ہر اس کے بعد کے بعد ڈیٹا گودام کے منصوبے مجموعی طور پر انٹرپرائز کو کم سے کم اضافی قیمت لاتے ہیں۔ یہ خاص طور پر درست ہے اگر تکرار نئے عنوانات کا اضافہ نہیں کرتی ہے یا نئی صارف برادری کی ضروریات کو پورا نہیں کرتی ہے۔

اسٹوریج کی یہ خصوصیت بڑھتے ہوئے ڈھیروں پر بھی لاگو ہوتی ہے۔ ڈیٹا مورخین جیسا کہ اس کے بعد کی کوششیں مزید درکار ہیں۔ ڈیٹا اور کتنا زیادہ ڈیٹا وقت کے ساتھ گودام میں ڈالا جاتا ہے، سب سے زیادہ ڈیٹا یہ استعمال شدہ تجزیہ سے کم متعلقہ ہو جاتا ہے۔ یہ ڈیٹا وہ اکثر کہا جاتا ہے ڈیٹا غیر فعال اور انہیں رکھنا ہمیشہ مہنگا ہوتا ہے کیونکہ وہ تقریبا کبھی استعمال نہیں ہوتے ہیں۔

پروجیکٹ اسپانسرز کے لیے اس کا کیا مطلب ہے؟ بنیادی طور پر، ابتدائی سپانسرز سرمایہ کاری کی لاگت سے زیادہ حصہ لیتے ہیں۔ یہ بنیادی ہے کیونکہ وہ گودام کی وسیع ٹیکنالوجی اور وسائل کے ماحول کی تہہ کو قائم کرنے کا محرک ہیں، بشمول نامیاتی۔

لیکن یہ پہلے اقدامات سب سے زیادہ قیمت لاتے ہیں اور اس وجہ سے پروجیکٹ ڈیزائنرز کو اکثر سرمایہ کاری کا جواز پیش کرنا پڑتا ہے۔
آپ کے BI اقدام کے بعد کیے گئے پروجیکٹس میں کم (پہلے کے مقابلے) اور براہ راست لاگت ہو سکتی ہے، لیکن کمپنی کو کم قیمت لاتے ہیں۔

اور تنظیم کے مالکان کو جمع کو دور کرنے پر غور شروع کرنے کی ضرورت ہے۔ ڈیٹا اور کم متعلقہ ٹیکنالوجیز۔

ڈیٹا مائننگ: کان کنی Dati

متعدد آرکیٹیکچرل اجزاء کو ڈیٹا مائننگ ٹیکنالوجیز اور تکنیکوں میں تغیرات کی ضرورت ہوتی ہے۔
مثال کے طور پر، دلچسپی کے پوائنٹس کی جانچ کے لیے مختلف "ایجنٹس" گاہکوںکمپنی کے آپریٹنگ سسٹمز اور خود dw کے لیے۔ یہ ایجنٹ POT رجحانات پر تربیت یافتہ جدید نیورل نیٹ ورکس ہو سکتے ہیں، جیسے کہ سیلز پروموشنز کی بنیاد پر مستقبل کی مصنوعات کی طلب؛ ایک سیٹ پر رد عمل ظاہر کرنے کے لیے قواعد پر مبنی انجن ڈیٹو حالات کی، مثال کے طور پر، طبی تشخیص اور علاج کی سفارشات؛ یا حتیٰ کہ سادہ ایجنٹس جو اعلیٰ حکام کو مستثنیات کی اطلاع دینے کا کردار ادا کرتے ہیں۔ عام طور پر یہ نکالنے کے عمل ڈیٹا si

حقیقی وقت میں تصدیق کریں؛ لہذا، ان کی تحریک کے ساتھ مکمل طور پر متحد ہونا ضروری ہے ڈیٹا سٹیسی

آن لائن تجزیاتی پروسیسنگ پروسیسنگ

آن لائن تجزیات

سلائس کرنے، ڈائس کرنے، رول کرنے، ڈرل ڈاؤن کرنے اور تجزیہ کرنے کی صلاحیت
کیا-اگر، دائرہ کار میں ہے، IBM ٹیکنالوجی سوٹ کا فوکس۔ مثال کے طور پر، DB2 کے لیے آن لائن تجزیاتی پروسیسنگ (OLAP) فنکشنز موجود ہیں جو سافٹ ویئر انجن میں جہتی تجزیہ لاتے ہیں۔ ڈیٹا بیس اسی .

DB2 کا قدرتی حصہ ہونے کے تمام فوائد سے فائدہ اٹھاتے ہوئے فنکشنز SQL میں جہتی افادیت کا اضافہ کرتے ہیں۔ OLAP انضمام کی ایک اور مثال نکالنے کا آلہ ہے، DB2 OLAP سرور تجزیہ کار۔ یہ ٹکنالوجی DB2 OLAP سرور کیوبز کو تیزی سے اور خود بخود تجزیہ کرنے کی اجازت دیتی ہے تاکہ قدر کی قدروں کو تلاش اور رپورٹ کیا جا سکے۔ ڈیٹا کاروباری تجزیہ کار کے لیے پورے مکعب میں غیر معمولی یا غیر متوقع۔ اور آخر میں، ڈی ڈبلیو سینٹر کی خصوصیات معماروں کو دیگر چیزوں کے ساتھ، ETL عمل کے قدرتی حصے کے طور پر DB2 OLAP سرور کیوب کے پروفائل کو کنٹرول کرنے کا ذریعہ فراہم کرتی ہیں۔

مقامی تجزیہ مقامی تجزیہ

خلا پینوراما کے لیے درکار تجزیاتی اینکرز (لیڈز) کے نصف کی نمائندگی کرتا ہے۔
تجزیاتی وسیع (وقت دوسرے نصف کی نمائندگی کرتا ہے)۔ گودام کی ایٹم لیول، شکل 1.1 میں دکھایا گیا ہے، وقت اور جگہ دونوں بنیادی باتیں شامل ہیں۔ ٹائم سٹیمپ اینکر وقت کے حساب سے تجزیہ کرتا ہے اور ایڈریس انفارمیشن اینکر کا تجزیہ جگہ کے لحاظ سے کرتا ہے۔ ٹائم اسٹیمپ وقت کے حساب سے تجزیہ کرتے ہیں، اور پتہ کی معلومات خلا کے حساب سے تجزیہ کرتی ہیں۔ خاکہ جیو کوڈنگ کو ظاہر کرتا ہے - پتوں کو نقشے میں پوائنٹس میں تبدیل کرنے کا عمل یا خلا میں پوائنٹس تاکہ فاصلہ اور اندر/باہر جیسے تصورات کو تجزیہ میں استعمال کیا جا سکے - جوہری سطح پر کیا جاتا ہے اور مقامی تجزیہ جو دستیاب کرایا جاتا ہے۔ تجزیہ کار IBM ماحولیاتی نظام ریسرچ انسٹی ٹیوٹ (ESRI) کے ساتھ تیار کردہ مقامی توسیعات فراہم کرتا ہے۔ ڈیٹا بیس DB2 تاکہ خلائی اشیاء کو عام حصے کے طور پر ذخیرہ کیا جا سکے۔ ڈیٹا بیس رشتہ دار ڈی بی 2

مقامی توسیعی، مقامی تجزیہ سے فائدہ اٹھانے کے لیے تمام SQL ایکسٹینشن بھی فراہم کرتے ہیں۔ مثال کے طور پر، ایس کیو ایل ایکسٹینشنز جن کے خلاف استفسار کرنا ہے۔
پتوں کے درمیان فاصلہ یا چاہے کوئی نقطہ متعین کثیر الاضلاع علاقے کے اندر ہو یا باہر، مقامی توسیعی کے ساتھ ایک تجزیاتی معیار ہے۔ مزید معلومات کے لیے باب 16 دیکھیں۔

ڈیٹا بیس-ریذیڈنٹ ٹولز ٹولز ڈیٹا بیس- رہائشی

DB2 میں بہت سی BI-resident SQL خصوصیات ہیں جو تجزیہ کے عمل میں معاون ہیں۔ یہ شامل ہیں:

• تجزیہ کرنے کے لیے تکرار کے افعال، جیسے "سے پرواز کے تمام ممکنہ راستے تلاش کرنا سان فرانسسکو a NY".
• درجہ بندی کے لیے تجزیاتی افعال، مجموعی افعال، کیوب اور رول اپ ان کاموں کی سہولت کے لیے جو عام طور پر صرف OLAP ٹیکنالوجی کے ساتھ ہوتے ہیں، اب انجن کا قدرتی حصہ ہیں۔ ڈیٹا بیس
• نتائج پر مشتمل میزیں بنانے کی صلاحیت
  کے بیچنے والے ڈیٹا بیس رہنما BI کی زیادہ صلاحیتوں کو اس میں ملا دیتے ہیں۔ ڈیٹا بیس سٹیسو
  کے اہم سپلائرز ڈیٹا بیس وہ BI کی مزید صلاحیتوں کو اس میں ملا رہے ہیں۔ ڈیٹا بیس سٹیسو
  یہ BI کے حل کے لیے بہتر کارکردگی اور عملدرآمد کے مزید اختیارات فراہم کرتا ہے۔
  DB2 V8 کی خصوصیات اور افعال پر مندرجہ ذیل ابواب میں تفصیل سے بحث کی گئی ہے۔
  تکنیکی فن تعمیر اور ڈیٹا مینجمنٹ کی بنیادیں (باب 5)

• DB2 BI بنیادی اصول (باب 6)
• DB2 مادی سوالات کی میزیں (باب 7)
• DB2 OLAP افعال (باب 13)
• DB2 بہتر BI خصوصیات اور افعال (باب 15) آسان ڈیٹا ڈیلیوری سسٹم کی ترسیل کے نظام ڈیٹا آسان

شکل 1.1 میں دکھائے گئے فن تعمیر میں متعدد ڈھانچے شامل ہیں۔ ڈیٹا جسمانی ایک کا گودام ہے۔ ڈیٹا آپریٹنگ عام طور پر، ODS ایک موضوع پر مبنی، مربوط اور موجودہ چیز ہے۔ آپ مدد کے لیے ایک ODS بنائیں گے، مثال کے طور پر، سیلز آفس۔ ODS کی فروخت کی تکمیل ہوگی۔ ڈیٹا متعدد مختلف نظاموں سے لیکن صرف برقرار رہے گا، مثال کے طور پر، آج کے لین دین۔ ODS کو بھی دن میں کئی بار اپ ڈیٹ کیا جا سکتا ہے۔ ایک ہی وقت میں، عمل دھکا ڈیٹا دیگر ایپلی کیشنز میں ضم. یہ ڈھانچہ خاص طور پر انضمام کے لیے ڈیزائن کیا گیا ہے۔ ڈیٹا موجودہ اور متحرک اور حقیقی وقت کے تجزیات کی حمایت کرنے کے لیے ممکنہ امیدوار ہوں گے، جیسے کہ سروس ایجنٹس کو فراہم کرنا گاہکوں گودام سے سیلز ٹرینڈ کی معلومات نکال کر کسٹمر کی موجودہ سیلز کی معلومات۔ شکل 1.1 میں دکھایا گیا ایک اور ڈھانچہ dw کے لیے ایک رسمی حالت ہے۔ نہ صرف یہ ضروری انضمام کے عمل کے لئے جگہ ہے, کے معیار ڈیٹا، اور کی تبدیلی کی ڈیٹا آنے والے گودام کی، لیکن یہ ایک قابل اعتماد اور عارضی اسٹوریج ایریا بھی ہے۔ ڈیٹا نقلیں جو حقیقی وقت کے تجزیوں میں استعمال کی جا سکتی ہیں۔ اگر آپ ODS یا سٹیجنگ ایریا استعمال کرنے کا فیصلہ کرتے ہیں، تو ان ڈھانچے کو آباد کرنے کے لیے ایک بہترین ٹول ڈیٹا مختلف آپریشنل ذرائع کا استعمال کرنا DB2 کی متفاوت تقسیم شدہ استفسار ہے۔ یہ صلاحیت اختیاری DB2 خصوصیت کے ذریعے ڈیلیور کی جاتی ہے جسے DB2 Relational Connect (صرف استفسار) کہا جاتا ہے اور DB2 DataJoiner (ایک علیحدہ پروڈکٹ جو متفاوت تقسیم شدہ RDBMSs کو استفسار، داخل، اپ ڈیٹ، اور ڈیلیٹ کرنے کی صلاحیت فراہم کرتا ہے) کے ذریعے فراہم کیا جاتا ہے۔

یہ ٹیکنالوجی معماروں کو اجازت دیتی ہے۔ ڈیٹا باندھنے کے لئے ڈیٹا تجزیاتی عمل کے ساتھ پیداوار. ٹیکنالوجی نہ صرف عملی طور پر نقل کے کسی بھی تقاضے کے مطابق ڈھال سکتی ہے جو حقیقی وقت کے تجزیات کے ساتھ پیدا ہو سکتی ہے، بلکہ یہ ڈیٹا بیس کی وسیع اقسام سے بھی جڑ سکتی ہے۔ ڈیٹا سب سے زیادہ مقبول، بشمول DB2، اوریکل، سائبیس، ایس کیو ایل سرور، انفارمکس اور دیگر۔ DB2 DataJoiner کو ڈھانچے کو آباد کرنے کے لیے استعمال کیا جا سکتا ہے۔ ڈیٹا رسمی طور پر ایک ODS یا یہاں تک کہ ایک مستقل میز کی نمائندگی کرتا ہے جو گودام میں فوری اپ ڈیٹس کی فوری بحالی یا فروخت کے لیے ڈیزائن کیا گیا ہے۔ بالکل، انہی ڈھانچے ڈیٹا کا استعمال کرتے ہوئے آباد کیا جا سکتا ہے۔

کی نقل کے لیے ڈیزائن کی گئی ایک اور بڑی ٹیکنالوجی ڈیٹا، IBM ڈیٹا پروپیگیٹر رشتہ دار۔ (DataPropagator مرکزی نظاموں کے لیے ایک الگ پروڈکٹ ہے۔ DB2 UNIX، Linux، Windows، اور OS/2 میں ڈیٹا کی نقل کی خدمات شامل ہیں ڈیٹا ایک معیاری خصوصیت کے طور پر)۔
منتقل کرنے کا ایک اور طریقہ ڈیٹا انٹرپرائز کے ارد گرد کام کرنا ایک انٹرپرائز ایپلی کیشن انٹیگریٹر ہے بصورت دیگر اسے میسج بروکر کے نام سے جانا جاتا ہے۔ یہ انوکھی ٹیکنالوجی ہدف بنانے اور حرکت کرنے کے لیے بے مثال کنٹرول کی اجازت دیتی ہے۔ ڈیٹا کمپنی کے ارد گرد. IBM کے پاس سب سے زیادہ استعمال ہونے والا میسج بروکر، MQSeries، یا پروڈکٹ کی مختلف قسم ہے جس میں ای کامرس, IBM WebSphere MQ.
Per più discussione su come sfruttare MQ per sostenere un magazzino e un ambiente BI, visitare ویب سائٹ del libro. Per ora, è sufficiente dire che questa tecnologia è un mezzo eccellente per catturare e trasformare (utilizzando MQSeries Integrator) ڈیٹا سینٹرڈ (ٹارگیٹڈ) آپریٹرز کو BI سلوشنز کے لیے بھرتی کیا گیا۔ MQ ٹیکنالوجی کو UDB V8 میں مربوط اور پیک کیا گیا ہے، یعنی پیغام کی قطاروں کو اب اس طرح منظم کیا جا سکتا ہے جیسے وہ DB2 ٹیبل ہوں۔ ویلڈنگ کی قطار والے پیغامات اور کائنات کا تصور ڈیٹا بیس کے ایک طاقتور ترسیل کے ماحول کی طرف رشتہ دار سر ڈیٹا.

زیرو لیٹنسی زیرو لیٹنسی

IBM کے لیے حتمی اسٹریٹجک ہدف صفر تاخیر کا تجزیہ ہے۔ جیسا کہ بیان کیا گیا ہے۔
گارٹنر کے مطابق، ایک BI سسٹم کو تجزیہ کاروں کو طلب کے مطابق اندازہ لگانے، ضم کرنے اور معلومات فراہم کرنے کے قابل ہونا چاہیے۔ چیلنج، یقینا، یہ ہے کہ مکس کیسے کریں۔ ڈیٹا ضروری تاریخی معلومات کے ساتھ موجودہ اور حقیقی وقت، جیسے i ڈیٹا متعلقہ پیٹرن/رجحان، یا اخذ کردہ تفہیم، جیسے کسٹمر پروفائلنگ۔

اس طرح کی معلومات میں شامل ہے، مثال کے طور پر، کی شناخت گاہکوں زیادہ یا کم خطرہ یا کون سی مصنوعات i گاہکوں اگر ان کے پاس پہلے سے ہی ان کی شاپنگ کارٹس میں پنیر موجود ہے تو وہ غالباً خریداری کریں گے۔

صفر تاخیر کا حصول دراصل دو بنیادی میکانزم پر منحصر ہے:

• کا مکمل اتحاد ڈیٹا جن کا تجزیہ BI کی طرف سے تیار کردہ تکنیکوں اور آلات سے کیا جاتا ہے۔
• کی ترسیل کا نظام ڈیٹا اس بات کو یقینی بنانے کے لیے موثر ہے کہ حقیقی وقت کے تجزیات واقعی دستیاب ہیں۔ صفر تاخیر کے لیے یہ شرائط IBM کے مقرر کردہ اور اوپر بیان کیے گئے دو اہداف سے مختلف نہیں ہیں۔ کی قریبی ملن ڈیٹا یہ IBM کے سیملیس انٹیگریشن پروگرام کا حصہ ہے۔ اور کی ترسیل کا نظام بنائیں ڈیٹا موثر مکمل طور پر دستیاب ٹیکنالوجی پر منحصر ہے جو کی ترسیل کے عمل کو آسان بناتا ہے۔ ڈیٹا. نتیجے کے طور پر، IBM کے تین میں سے دو اہداف تیسرے کو پورا کرنے کے لیے اہم ہیں۔ IBM شعوری طور پر اپنی ٹیکنالوجی کو تیار کر رہا ہے تاکہ اس بات کو یقینی بنایا جا سکے کہ گودام کی کوششوں کے لیے صفر میں تاخیر ایک حقیقت ہے۔ خلاصہ / ترکیب BI تنظیم آپ کے ماحول کی تعمیر کے لیے روڈ میپ فراہم کرتی ہے۔
  تکراری طور پر اسے آپ کے کاروبار کی موجودہ اور مستقبل کی ضروریات کی عکاسی کرنے کے لیے ایڈجسٹ کیا جانا چاہیے۔ وسیع آرکیٹیکچرل وژن کے بغیر، گودام کی تکرار مرکزی گودام کے بے ترتیب عمل سے کچھ زیادہ ہے جو ایک وسیع، معلوماتی انٹرپرائز بنانے کے لیے بہت کم کام کرتی ہے۔ پروجیکٹ مینیجرز کے لیے پہلی رکاوٹ یہ ہے کہ BI تنظیم کو ترقی دینے کے لیے درکار سرمایہ کاری کا جواز کیسے بنایا جائے۔ اگرچہ ROI کیلکولیشن گودام پر عمل درآمد کی ایک اہم بنیاد بنی ہوئی ہے، لیکن درست پیشین گوئی کرنا مشکل ہوتا جا رہا ہے۔ اس کی وجہ سے یہ تعین کرنے کے دوسرے طریقے پیدا ہوئے ہیں کہ آیا آپ کو اپنے پیسے کی قیمت مل رہی ہے۔ سرمایہ کاری 2 (VOI) پر قدر کو، مثال کے طور پر، ایک حل کے طور پر فروغ دیا جاتا ہے۔ کے معماروں پر واجب ہے۔ ڈیٹا اور پراجیکٹ پلانرز جان بوجھ کر صارف انجمنوں کو معلومات فراہم کرتے ہیں اور انہیں صرف خدمت فراہم نہیں کرتے ہیں۔ ڈیٹا. دونوں میں بہت بڑا فرق ہے۔ معلومات ایک ایسی چیز ہے جو فیصلہ سازی اور تاثیر میں فرق ڈالتی ہے۔ نسبتا، i ڈیٹا وہ اس معلومات کو حاصل کرنے کے لیے بلاکس بنا رہے ہیں۔

اگرچہ ماخذ کی تنقید ڈیٹا کاروباری درخواستوں کو حل کرنے کے لیے، BI ماحول کو معلوماتی مواد بنانے میں ایک بڑا کردار ادا کرنا چاہیے۔ ہمیں معلوماتی مواد کو صاف کرنے، انضمام کرنے، تبدیل کرنے، یا دوسری صورت میں تخلیق کرنے کے لیے اضافی اقدامات کرنے چاہئیں جس پر صارفین عمل کر سکتے ہیں، اور پھر ہمیں یہ یقینی بنانا چاہیے کہ وہ اقدامات اور فیصلے، جہاں مناسب ہوں، BI ماحول میں ظاہر ہوں۔ ہم صرف پر خدمت کرنے کے لئے گودام relegate تو ڈیٹا، یہ یقینی بنایا جاتا ہے کہ صارف انجمنیں کارروائی کرنے کے لیے درکار معلوماتی مواد تخلیق کریں گی۔ یہ اس بات کو یقینی بناتا ہے کہ ان کی کمیونٹی بہتر فیصلے کرنے کے قابل ہو جائے گی، لیکن انٹرپرائز اس علم کی کمی کا شکار ہے جو اس نے استعمال کیا ہے۔ داتو جیسا کہ آرکیٹیکٹس اور پروجیکٹ پلانرز BI ماحول میں مخصوص پروجیکٹس شروع کرتے ہیں، وہ مجموعی طور پر انٹرپرائز کے لیے جوابدہ رہتے ہیں۔ BI تکرار کی اس دو طرفہ خصوصیت کی ایک سادہ مثال ماخذ میں پائی جاتی ہے۔ ڈیٹا. تمام ڈیٹا مخصوص کاروباری درخواستوں کے لیے موصول ہونے والی پہلی ایٹم پرت میں آباد ہونی چاہیے۔ یہ انٹرپرائز انفارمیشن اثاثہ کی ترقی کو یقینی بناتا ہے، اور ساتھ ہی اس کا انتظام، مخصوص صارف کی درخواستوں کو ایڈریس میں بیان کیا گیا ہے۔

ڈیٹا ویئر ہاؤس کیا ہے؟

ڈیٹا گودام یہ 1990 سے انفارمیشن سسٹم کے فن تعمیر کا مرکز رہا ہے اور ایک ٹھوس مربوط پلیٹ فارم پیش کر کے معلوماتی عمل کی حمایت کرتا ہے۔ ڈیٹا تاریخی اعداد و شمار کو بعد کے تجزیوں کی بنیاد کے طور پر لیا گیا ہے۔ The ڈیٹا گودام وہ غیر مطابقت پذیر ایپلیکیشن سسٹمز کی دنیا میں انضمام کی آسانی پیش کرتے ہیں۔ ڈیٹا گودام یہ ایک رجحان میں تیار ہوا ہے. ڈیٹا گودام منظم اور اسٹورز i ڈیٹا ایک طویل تاریخی وقتی تناظر پر مبنی معلومات اور تجزیاتی عمل کے لیے ضروری ہے۔ یہ سب کچھ کی تعمیر اور دیکھ بھال میں کافی اور مستقل عزم کا تقاضا کرتا ہے۔ ڈیٹا گودام.

تو کیا ہے a ڈیٹا گودام؟ A ڈیٹا گودام اور:

• ▪ موضوع پر مبنی
• ▪ مربوط نظام
• ▪ مختلف وقت
• ▪ غیر مستحکم (مٹایا نہیں جا سکتا)

کا ایک مجموعہ ڈیٹا عمل کے نفاذ میں انتظامی فیصلوں کی حمایت کے لیے استعمال کیا جاتا ہے۔
I ڈیٹا میں ڈالا ڈیٹا گودام زیادہ تر معاملات میں وہ آپریشنل ماحول سے اخذ کرتے ہیں۔ دی ڈیٹا گودام یہ ایک سٹوریج یونٹ کے ذریعہ تخلیق کیا گیا ہے، جسمانی طور پر باقی سسٹم سے الگ کیا گیا ہے، جو اس میں موجود ہے۔ ڈیٹا پہلے ایپلی کیشنز کے ذریعہ تبدیل کیا گیا تھا جو آپریٹنگ ماحول سے حاصل کردہ معلومات پر کام کرتی ہیں۔

a کی لغوی تعریف ڈیٹا گودام ایک گہرائی سے وضاحت کا مستحق ہے کیونکہ اہم محرکات اور بنیادی معنی ہیں جو گودام کی خصوصیات کو بیان کرتے ہیں۔

موضوع اورینٹیشن اورینٹیشن تھیمیٹک

ایک کی پہلی خصوصیت ڈیٹا گودام یہ ہے کہ یہ کمپنی کے بڑے کھلاڑیوں کی طرف مبنی ہے۔ کے ذریعے ٹرائلز کا رہنما ڈیٹا یہ زیادہ کلاسک طریقہ کے برعکس ہے جس میں عمل اور افعال کی طرف ایپلی کیشنز کی واقفیت شامل ہوتی ہے، یہ طریقہ زیادہ تر کم حالیہ انتظامی نظاموں کے ذریعہ اشتراک کیا جاتا ہے۔

آپریشنل دنیا ایپلی کیشنز اور فنکشنز جیسے قرضوں، بچتوں، بینک کارڈز اور مالیاتی ادارے کے لیے اعتماد کے ارد گرد ڈیزائن کی گئی ہے۔ dw کی دنیا مرکزی مضامین جیسے گاہک، بیچنے والے، پروڈکٹ اور سرگرمی کے ارد گرد ترتیب دی گئی ہے۔ موضوعات کے ارد گرد صف بندی کے ڈیزائن اور نفاذ کو متاثر کرتی ہے۔ ڈیٹا ڈی ڈبلیو میں پایا جاتا ہے۔ زیادہ اہم بات یہ ہے کہ مرکزی موضوع کلیدی ڈھانچے کے سب سے اہم حصے کو متاثر کرتا ہے۔

ایپلی کیشن کی دنیا ڈیٹا بیس کے ڈیزائن اور پروسیس ڈیزائن دونوں سے متاثر ہے۔ ڈی ڈبلیو کی دنیا خصوصی طور پر ماڈلنگ پر مرکوز ہے۔ ڈیٹا اور کے ڈیزائن پر ڈیٹا بیس. پروسیس ڈیزائن (اس کی کلاسک شکل میں) ڈی ڈبلیو ماحول کا حصہ نہیں ہے۔

عمل/فنکشن ایپلی کیشن کے انتخاب اور موضوع کے انتخاب کے درمیان فرق بھی مواد میں فرق کے طور پر ظاہر ہوتا ہے۔ ڈیٹا تفصیلی سطح پر۔ The ڈیٹا del dw میں i شامل نہیں ہے۔ ڈیٹا جو درخواستوں کے دوران DSS عمل کے لیے استعمال نہیں کیا جائے گا۔

پر مبنی آپریشنل ڈیٹا i پر مشتمل ڈیٹا فنکشنل/ پروسیسنگ کی ضروریات کو فوری طور پر پورا کرنے کے لیے جن کا DSS تجزیہ کار کے لیے کوئی فائدہ ہو سکتا ہے یا نہیں۔
ایک اور اہم طریقہ جس میں آپریشنل پر مبنی ایپلی کیشنز ڈیٹا سے مختلف ڈیٹا ڈی ڈبلیو کی رپورٹس میں ہے۔ ڈیٹا. میں ڈیٹا آپریشنز دو یا دو سے زیادہ جدولوں کے درمیان ایک کاروباری اصول کی بنیاد پر ایک مسلسل تعلق کو برقرار رکھتے ہیں جو فعال ہے۔ The ڈیٹا dw وقت کے ایک سپیکٹرم کو عبور کرتا ہے اور dw میں پائے جانے والے تعلقات بہت زیادہ ہیں۔ بہت سے تجارتی قوانین (اور اسی طرح، کے بہت سے تعلقات ڈیٹا ) کے گودام میں نمائندگی کی جاتی ہے۔ ڈیٹا دو یا زیادہ میزوں کے درمیان۔

(اس کی تفصیلی وضاحت کے لیے کہ کس طرح کے درمیان تعلقات ہیں۔ ڈیٹا ڈی ڈبلیو میں ہینڈل کیا جاتا ہے، ہم اس مسئلے پر ٹیک ٹاپک کا حوالہ دیتے ہیں۔)
فنکشنل/پروسیس ایپلی کیشن کے انتخاب اور موضوع کے انتخاب کے درمیان بنیادی فرق کے علاوہ کسی دوسرے نقطہ نظر سے، کیا آپریٹنگ سسٹمز اور آپریٹنگ سسٹمز کے درمیان کوئی زیادہ فرق ہے؟ ڈیٹا اور ڈی ڈبلیو۔

انٹیگریشن انٹیگریشن

ڈی ڈبلیو کے ماحول کا سب سے اہم پہلو یہ ہے کہ i ڈیٹا dw کے اندر پائے جانے والے آسانی سے مربوط ہیں۔ ہمیشہ بغیر استثناء کے۔ ڈی ڈبلیو ماحول کا جوہر یہ ہے کہ i ڈیٹا گودام کی حدود میں شامل ہیں مربوط ہیں.

انضمام خود کو بہت سے مختلف طریقوں سے ظاہر کرتا ہے - مستقل شناخت شدہ کنونشنز میں، مستقل متغیر پیمائش میں، مستقل کوڈڈ ڈھانچے میں، جسمانی صفات میں ڈیٹا مسلسل، اور اسی طرح.

کئی سالوں کے دوران، مختلف ایپلی کیشنز کے ڈیزائنرز نے اس بارے میں بہت سے فیصلے کیے ہیں کہ ایپلی کیشن کو کیسے تیار کیا جانا چاہیے۔ ڈیزائنرز کی ایپلی کیشنز کے انداز اور انفرادی ڈیزائن کے فیصلے خود کو سو طریقوں سے ظاہر کرتے ہیں: کوڈنگ میں فرق، کلیدی ساخت، جسمانی خصوصیات، کنونشنز کی شناخت وغیرہ۔ متعدد ایپلیکیشن ڈیزائنرز کی متضاد ایپلی کیشنز بنانے کی اجتماعی صلاحیت افسانوی ہے۔ شکل 3 ایپلی کیشنز کو ڈیزائن کرنے کے طریقوں میں کچھ اہم ترین اختلافات کو بیان کرتا ہے۔

انکوڈنگ: Encode:

ایپلیکیشن ڈیزائنرز نے فیلڈ کی انکوڈنگ - جنس - کو مختلف طریقوں سے منتخب کیا ہے۔ ایک ڈیزائنر جنس کو "m" اور "f" کے طور پر پیش کرتا ہے۔ ایک اور ڈیزائنر جنس کو "1" اور "0" کے طور پر پیش کرتا ہے۔ ایک اور ڈیزائنر جنس کو "x" اور "y" کے طور پر پیش کرتا ہے۔ ایک اور ڈیزائنر جنس کو "مرد" اور "عورت" کے طور پر پیش کرتا ہے۔ اس سے کوئی فرق نہیں پڑتا کہ ڈی ڈبلیو میں جنس کیسے آتی ہے۔ "M" اور "F" شاید پورے ڈرامے کی طرح اچھے ہیں۔

اہم بات یہ ہے کہ سیکس فیلڈ سے جو بھی ماخذ نکلتا ہے، وہ فیلڈ ڈی ڈبلیو میں ایک مستقل مربوط حالت میں آتا ہے۔ اس کے نتیجے میں جب فیلڈ کو کسی ایپلیکیشن سے DW میں لوڈ کیا جاتا ہے جہاں اسے "M" اور "F" کی شکل میں دکھایا گیا ہے، ڈیٹا DW فارمیٹ میں تبدیل ہونا ضروری ہے۔

صفات کی پیمائش: کی پیمائش اوصاف:

ایپلیکیشن ڈیزائنرز نے کئی سالوں میں مختلف طریقوں سے پائپ لائن کی پیمائش کرنے کا انتخاب کیا ہے۔ ایک ڈیزائنر اسٹور کرتا ہے۔ ڈیٹا پائپ لائن کا سینٹی میٹر میں ایک اور ایپلیکیشن ڈیزائنر اسٹور کرتا ہے۔ ڈیٹا انچ کے لحاظ سے پائپ لائن کی. ایک اور ایپلیکیشن ڈیزائنر اسٹور کرتا ہے۔ ڈیٹا ملین کیوبک فٹ فی سیکنڈ میں پائپ لائن۔ اور ایک اور ڈیزائنر گز کے لحاظ سے پائپ لائن کی معلومات ذخیرہ کرتا ہے۔ ذریعہ کچھ بھی ہو، جب پائپ لائن کی معلومات DW میں آتی ہے تو اسے اسی طرح ناپا جانا چاہیے۔

اعداد و شمار 3 کے اشارے کے مطابق، انضمام کے مسائل منصوبے کے تقریباً ہر پہلو کو متاثر کرتے ہیں – کی جسمانی خصوصیات ڈیٹاکے ایک سے زیادہ ذریعہ ہونے کا مخمصہ ڈیٹامتضاد شناخت شدہ نمونوں کا مسئلہ، فارمیٹس ڈیٹا متضاد، اور اسی طرح.

ڈیزائن کا موضوع کچھ بھی ہو، نتیجہ ایک ہی ہوتا ہے – i ڈیٹا DW میں ایک واحد اور عالمی سطح پر قابل قبول انداز میں ذخیرہ کیا جانا چاہیے یہاں تک کہ جب بنیادی آپریٹنگ سسٹم انہیں مختلف طریقے سے اسٹور کرتے ہیں۔ ڈیٹا.

جب ڈی ایس ایس تجزیہ کار ڈی ڈبلیو کو دیکھتا ہے تو تجزیہ کار کا مقصد اس کا فائدہ اٹھانا ہونا چاہیے۔ ڈیٹا جو گودام میں ہیں،

کی ساکھ یا مستقل مزاجی کے بارے میں سوچنے کے بجائے ڈیٹا.

وقت کی تبدیلی

تمام ڈیٹا ڈی ڈبلیو میں وہ وقت میں کسی حد تک درست ہوتے ہیں۔ کی یہ بنیادی خصوصیت ڈیٹا ڈی ڈبلیو میں یہ اس سے بہت مختلف ہے۔ ڈیٹا آپریٹنگ ماحول میں پایا جاتا ہے۔ The ڈیٹا آپریٹنگ ماحول اتنا ہی عین مطابق ہے جتنا کہ رسائی کے وقت۔ دوسرے الفاظ میں، آپریٹنگ ماحول میں جب ڈرائیو تک رسائی حاصل کی جاتی ہے۔ ڈیٹا، یہ توقع کی جاتی ہے کہ یہ رسائی کے وقت کی طرح عین قدروں کی عکاسی کرے گی۔ کیونکہ میں ڈیٹا ڈی ڈبلیو میں عین مطابق ہیں جیسا کہ کسی وقت (یعنی "ابھی" نہیں)، کہا جاتا ہے کہ میں ڈیٹا DW میں پائے جانے والے "ٹائم ویرینس" ہیں۔
کا وقت کا تغیر ڈیٹا ڈی ڈبلیو کو متعدد طریقوں سے حوالہ دیا جاتا ہے۔
سب سے آسان طریقہ یہ ہے کہ i ڈیٹا ڈی ڈبلیو کی نمائندگی کرتا ہے۔ ڈیٹا ایک طویل وقت کے افق پر - پانچ سے دس سال۔ آپریٹنگ ماحول کے لیے پیش کردہ وقت کا افق آج کی موجودہ اقدار سے ساٹھ نوے تک بہت چھوٹا ہے
ایسی ایپلی کیشنز جن کو اچھی طرح سے کام کرنا چاہیے اور لین دین کی کارروائی کے لیے دستیاب ہونا چاہیے ان میں کم از کم رقم ہونی چاہیے۔ ڈیٹا اگر وہ کسی حد تک لچک کی اجازت دیتے ہیں۔ لہٰذا آپریشنل ایپلی کیشنز میں مختصر وقت کا افق ہوتا ہے، جیسے کہ آڈیو ایپلیکیشن ڈیزائن کا موضوع۔
DW میں 'ٹائم ویرینس' ظاہر ہونے کا دوسرا طریقہ کلیدی ڈھانچے میں ہے۔ ڈی ڈبلیو میں ہر کلیدی ڈھانچے میں، واضح طور پر یا واضح طور پر، وقت کا عنصر ہوتا ہے، جیسے دن، ہفتہ، مہینہ وغیرہ۔ وقت کا عنصر تقریبا ہمیشہ ڈی ڈبلیو میں پائی جانے والی مربوط کلید کے نیچے ہوتا ہے۔ ان مواقع پر، وقت کا عنصر واضح طور پر موجود ہوگا، جیسے کہ وہ معاملہ جہاں مہینے یا سہ ماہی کے آخر میں ایک پوری فائل کی نقل کی جاتی ہے۔
تیسرا طریقہ جس وقت کی تغیرات کو ظاہر کیا جاتا ہے وہ یہ ہے کہ i ڈیٹا DW کا، ایک بار صحیح طریقے سے رجسٹر ہونے کے بعد، اپ ڈیٹ نہیں کیا جا سکتا۔ The ڈیٹا DW کے، تمام عملی مقاصد کے لیے، سنیپ شاٹس کی ایک لمبی سیریز ہے۔ یقیناً اگر سنیپ شاٹس غلط طریقے سے لیے گئے ہیں، تو اسنیپ شاٹس میں ترمیم کی جا سکتی ہے۔ لیکن یہ فرض کرتے ہوئے کہ سنیپ شاٹس صحیح طریقے سے لیے گئے ہیں، جیسے ہی وہ لیتے ہیں ان میں ترمیم نہیں کی جاتی ہے۔ کچھ میں

کچھ معاملات میں ڈی ڈبلیو میں اسنیپ شاٹس میں ترمیم کرنا غیر اخلاقی یا غلط بھی ہو سکتا ہے۔ The ڈیٹا آپریشنل، رسائی کے وقت کے عین مطابق ہونے کی وجہ سے، ضرورت کے مطابق انہیں اپ ڈیٹ کیا جا سکتا ہے۔

غیر مستحکم

ڈی ڈبلیو کی چوتھی اہم خصوصیت یہ ہے کہ یہ غیر مستحکم ہے۔
اپ ڈیٹس، اندراج، حذف اور تبدیلیاں باقاعدگی سے آپریشنل ماحول میں ریکارڈ بہ ریکارڈ کی بنیاد پر کی جاتی ہیں۔ لیکن کی بنیادی ہیرا پھیری ڈیٹا جن کی DW میں ضرورت ہے وہ بہت آسان ہے۔ DW میں صرف دو قسم کے آپریشن ہوتے ہیں – کی ابتدائی لوڈنگ ڈیٹا اور تک رسائی ڈیٹا. کی کوئی تازہ کاری نہیں ہے۔ ڈیٹا (اپ ڈیٹ کرنے کے عام معنی میں) ڈی ڈبلیو میں ایک عام پروسیسنگ آپریشن کے طور پر۔ آپریشنل پروسیسنگ اور ڈی ڈبلیو پروسیسنگ کے درمیان اس بنیادی فرق کے کچھ بہت ہی طاقتور نتائج ہیں۔ ڈیزائن کی سطح پر، غیر معمولی اپڈیٹنگ کے بارے میں محتاط رہنے کی ضرورت DW میں ایک عنصر نہیں ہے، کیونکہ ڈیٹا انجام نہیں دیا جاتا ہے. اس کا مطلب یہ ہے کہ جسمانی ڈیزائن کی سطح پر، تک رسائی کو بہتر بنانے کے لیے آزادی لی جا سکتی ہے۔ ڈیٹا، خاص طور پر جسمانی نارملائزیشن اور ڈی نارملائزیشن کے موضوعات سے نمٹنے میں۔ DW آپریشنز کی سادگی کا ایک اور نتیجہ DW ماحول کو چلانے کے لیے استعمال ہونے والی بنیادی ٹیکنالوجی ہے۔ ان لائن ریکارڈ بہ ریکارڈ اپ ڈیٹس کو سپورٹ کرنے کے لیے (جیسا کہ اکثر آپریشنل پروسیسنگ کے معاملے میں ہوتا ہے) کے لیے ٹیکنالوجی کی ضرورت ہوتی ہے کہ وہ ظاہری سادگی کے نیچے ایک بہت ہی پیچیدہ بنیاد رکھتی ہو۔
وہ ٹیکنالوجی جو بیک اپ اور ریکوری، لین دین اور سالمیت کو سپورٹ کرتی ہے۔ ڈیٹا اور تعطل کی حالت کا پتہ لگانا اور اس کا علاج کافی پیچیدہ ہے اور DW پروسیسنگ کے لیے ضروری نہیں ہے۔ ڈی ڈبلیو کی خصوصیات، ڈیزائن کی واقفیت، انضمام ڈیٹا DW کے اندر، وقت کا فرق اور انتظام کی سادگی ڈیٹا، یہ سب ایک ایسے ماحول کی طرف لے جاتا ہے جو کلاسک آپریٹنگ ماحول سے بہت مختلف ہے۔ تقریباً تمام کا ماخذ ڈیٹا DW کے آپریٹنگ ماحول ہیں۔ یہ سوچنا پرکشش ہے کہ اس میں بہت زیادہ فالتو پن ہے۔ ڈیٹا دو ماحول کے درمیان۔
درحقیقت، پہلا تاثر جو بہت سے لوگوں کے ذہن میں آتا ہے وہ بہت زیادہ بے کار پن کا ہے۔ ڈیٹا آپریٹنگ ماحول اور کے درمیان

ڈی ڈبلیو۔ اس طرح کی تشریح سطحی ہے اور ڈی ڈبلیو میں کیا ہوتا ہے اس کی سمجھ کی کمی کو ظاہر کرتا ہے۔
اصل میں کی فالتو پن کی ایک کم از کم ہے ڈیٹا آپریٹنگ ماحول اور i کے درمیان ڈیٹا ڈی ڈبلیو کے. مندرجہ ذیل پر غور کریں: I ڈیٹا فلٹر کر رہے ہیں ڈیٹو آپریٹنگ ماحول سے DW ماحول میں تبدیل ہونا۔ بہت ڈیٹا وہ کبھی بھی آپریٹنگ ماحول سے باہر نہیں گزرتے ہیں۔ سوائے اس کے کہ i ڈیٹا جو DSS پروسیسنگ کے لیے ضروری ہیں ماحول میں اپنی سمت تلاش کریں۔

▪ کا وقت افق ڈیٹا یہ ایک ماحول سے دوسرے ماحول میں بہت مختلف ہے۔ The ڈیٹا آپریٹنگ ماحول میں وہ بہت تازہ ہیں۔ The ڈیٹا ڈی ڈبلیو میں وہ بہت بڑے ہیں۔ صرف وقتی افق کے نقطہ نظر سے، آپریشنل ماحول اور DW کے درمیان بہت کم اوورلیپ ہے۔

▪ ڈی ڈبلیو پر مشتمل ہے۔ ڈیٹا خلاصہ جو ماحول میں کبھی نہیں پایا جاتا ہے۔

▪ میں ڈیٹا ایک بنیادی تبدیلی سے گزرتے ہیں کیونکہ وہ شکل 3 میں منتقل ہوتے ہیں اس کی وضاحت کرتا ہے۔ ڈیٹا ان میں نمایاں طور پر ترمیم کی گئی ہے بشرطیکہ انہیں منتخب کر کے DW میں منتقل کر دیا جائے۔ دوسرا راستہ رکھو، زیادہ تر ڈیٹا یہ جسمانی طور پر اور بنیادی طور پر تبدیل ہوتا ہے کیونکہ اسے DW میں منتقل کیا جاتا ہے۔ انضمام کے نقطہ نظر سے وہ ایک جیسے نہیں ہیں۔ ڈیٹا جو آپریٹنگ ماحول میں رہتے ہیں۔ ان عوامل کی روشنی میں، کی فالتو پن ڈیٹا دو ماحول کے درمیان ایک غیر معمولی واقعہ ہے، جس کی وجہ سے دونوں ماحول کے درمیان 1% سے بھی کم فالتو پن ہوتا ہے۔ گودام کا ڈھانچہ DWs کا ایک الگ ڈھانچہ ہے۔ خلاصہ اور تفصیل کی مختلف سطحیں ہیں جو DWs کی حد بندی کرتی ہیں۔
DW کے مختلف اجزاء ہیں:

• میٹا ڈیٹا
• Dati موجودہ تفصیلات
• Dati پرانی تفصیل سے
• Dati تھوڑا سا خلاصہ
• Dati انتہائی خلاصہ

اب تک اہم تشویش i کے لیے ہے۔ ڈیٹا موجودہ تفصیلات. یہ بنیادی تشویش ہے کیونکہ:

• I ڈیٹا موجودہ تفصیلات سب سے حالیہ واقعات کی عکاسی کرتی ہیں، جو ہمیشہ بڑی دلچسپی کے ہوتے ہیں اور
• i ڈیٹا موجودہ تفصیل بہت زیادہ ہے کیونکہ یہ گرانولیریٹی کی سب سے کم سطح پر محفوظ ہے اور
• i ڈیٹا موجودہ تفصیلات تقریبا ہمیشہ ڈسک میموری پر محفوظ کی جاتی ہیں، جس تک رسائی فوری ہے، لیکن استعمال میں مہنگا اور پیچیدہ ہے۔ ڈیٹا پرانی تفصیلات ہیں ڈیٹا جو کچھ میموری پر محفوظ ہیں۔ بڑے پیمانے پر. اس تک وقفے وقفے سے رسائی حاصل کی جاتی ہے اور اس کے ساتھ ہم آہنگ تفصیل کی سطح پر ذخیرہ کیا جاتا ہے۔ ڈیٹا موجودہ تفصیلات. کی بڑی مقدار کی وجہ سے متبادل سٹوریج میڈیم پر ذخیرہ کرنا لازمی نہیں ہے۔ ڈیٹا کی چھٹپٹ رسائی کے ساتھ مل کر ڈیٹاکے لیے میموری میڈیم ڈیٹا پرانے تفصیل کا ڈیٹا عام طور پر ڈسک پر محفوظ نہیں ہوتا ہے۔ The ڈیٹا ہلکے سے خلاصہ ہیں ڈیٹا جو تفصیل کی نچلی سطح سے لے کر تفصیل کی موجودہ سطح تک پائے جاتے ہیں۔ ڈی ڈبلیو کی یہ سطح تقریباً ہمیشہ ڈسک اسٹوریج پر محفوظ رہتی ہے۔ ڈیزائن کے مسائل جو معمار کو درپیش ہیں۔ ڈیٹا DW کی اس سطح کی تعمیر میں یہ ہیں:

• اوپر دیا گیا خلاصہ وقت کی کون سی اکائی ہے۔
• کون سا مواد، اوصاف تھوڑا سا مواد کا خلاصہ کریں گے۔ ڈیٹا کی اگلی سطح ڈیٹا DW میں پایا جاتا ہے کہ ڈیٹا انتہائی خلاصہ. The ڈیٹا انتہائی خلاصہ کمپیکٹ اور آسانی سے قابل رسائی ہیں۔ The ڈیٹا بہت زیادہ خلاصہ کبھی کبھی DW ماحول میں پایا جاتا ہے اور دیگر معاملات میں i ڈیٹا انتہائی خلاصہ اس ٹیکنالوجی کی فوری دیواروں کے باہر پایا جاتا ہے جس میں DW موجود ہے۔ (کسی بھی صورت میں، i ڈیٹا انتہائی خلاصہ DW کا حصہ ہیں قطع نظر اس کے کہ i ڈیٹا جسمانی طور پر رکھے گئے ہیں)۔ ڈی ڈبلیو کا آخری جزو میٹا ڈیٹا ہے۔ بہت سے معاملات میں میٹا ڈیٹا دوسروں سے مختلف جہت میں بیٹھتا ہے۔ ڈیٹا DW کا، کیونکہ میٹا ڈیٹا میں کوئی بھی شامل نہیں ہے۔ ڈیٹو آپریٹنگ ماحول سے براہ راست لیا گیا ہے۔ ڈی ڈبلیو میں میٹا ڈیٹا کا ایک خاص اور بہت اہم کردار ہے۔ میٹا ڈیٹا استعمال کیا جاتا ہے:

• DSS تجزیہ کار کو DW کے مواد کا پتہ لگانے میں مدد کرنے کے لیے ایک ڈائریکٹری،
• نقشہ سازی کے لیے ایک گائیڈ ڈیٹا میں کس طرح ڈیٹا آپریشنل ماحول سے DW ماحول میں تبدیل ہو چکے ہیں،
• کے درمیان خلاصہ کے لیے استعمال ہونے والے الگورتھم کے لیے ایک گائیڈ ڈیٹا موجودہ تفصیلات ei ڈیٹا تھوڑا سا خلاصہ، i ڈیٹا انتہائی خلاصہ، میٹا ڈیٹا DW ماحول میں اس سے کہیں زیادہ بڑا کردار ادا کرتا ہے جتنا کہ آپریشنل ماحول میں تھا۔ پرانا ڈیٹیل اسٹوریج میڈیم اس قسم کے ذخیرہ کرنے کے لیے مقناطیسی ٹیپ کا استعمال کیا جا سکتا ہے۔ ڈیٹا. درحقیقت اسٹوریج میڈیا کی ایک وسیع قسم ہے جس پر پرانے اسٹوریج کے لیے غور کیا جانا چاہیے۔ ڈیٹا تفصیل سے کے حجم پر منحصر ہے۔ ڈیٹارسائی کی فریکوئنسی، ٹولز کی قیمت اور رسائی کی قسم، اس بات کا مکمل امکان ہے کہ دوسرے ٹولز کو ڈی ڈبلیو میں پرانی سطح کی تفصیل کی ضرورت ہوگی۔ ڈیٹا کا بہاؤ دیوتاؤں کا ایک عام اور متوقع بہاؤ ہے۔ ڈیٹا ڈی ڈبلیو کے اندر
  I ڈیٹا وہ آپریٹنگ ماحول سے DW میں داخل ہوتے ہیں۔ (نوٹ: اس قاعدے میں کچھ بہت ہی دلچسپ مستثنیات ہیں۔ تاہم، تقریباً سبھی ڈیٹا آپریٹنگ ماحول سے DW داخل کریں)۔ داتو کہ میں ڈیٹا آپریٹنگ ماحول سے DW داخل کریں، یہ اس طرح تبدیل ہو جاتا ہے جیسا کہ پہلے بیان کیا گیا تھا۔ ڈی ڈبلیو میں داخل ہونے کی شرط پر، i ڈیٹا تفصیل کی موجودہ سطح درج کریں، جیسا کہ دکھایا گیا ہے۔ یہ وہاں رہتا ہے اور اس وقت تک استعمال ہوتا ہے جب تک کہ تین واقعات میں سے ایک واقع نہ ہو:

• پاک ہے،
• کا خلاصہ کیا جاتا ہے، اور/یا ▪è ڈی ڈبلیو کے اندر متروک عمل i ڈیٹا موجودہ تفصیلات a ڈیٹا پرانی تفصیل کی، عمر کے مطابق ڈیٹا. عمل

خلاصہ کی تفصیل کا استعمال کرتا ہے ڈیٹا میں حساب کرنا ڈیٹا کا تھوڑا سا خلاصہ اور انتہائی خلاصہ کی سطح ڈیٹا. دکھائے گئے بہاؤ میں کچھ مستثنیات ہیں (بعد میں بات کی جائے گی)۔ تاہم، عام طور پر، کی وسیع اکثریت کے لئے ڈیٹا DW کے اندر پایا جاتا ہے، کا بہاؤ ڈیٹا تصویر کے طور پر ہے.

ڈیٹا ویئر ہاؤس کا استعمال

کی مختلف سطحوں پر حیرت کی بات نہیں۔ ڈیٹا DW کے اندر انہیں استعمال کی مختلف سطحیں نہیں ملتی ہیں۔ ایک اصول کے طور پر، خلاصہ کی سطح جتنی زیادہ ہوگی، اتنا ہی زیادہ i ڈیٹا وہ استعمال ہوتے ہیں.
میں بہت سے استعمال ہوتے ہیں۔ ڈیٹا انتہائی خلاصہ، جبکہ پرانا ڈیٹا تفصیل کا تقریبا کبھی استعمال نہیں ہوتا ہے۔ تنظیم کو وسائل کے استعمال کی تمثیل کی طرف لے جانے کی ایک اچھی وجہ ہے۔ مزید خلاصہ i ڈیٹا, یہ حاصل کرنے کے لئے تیز اور زیادہ موثر ہے ڈیٹا. اگر ایک دکان پتہ چلتا ہے کہ یہ DW کی تفصیل کی سطح پر بہت سے عمل کرتا ہے، پھر اسی طرح مشین کے وسائل کی ایک بڑی مقدار استعمال ہوتی ہے۔ جتنی جلدی ممکن ہو اعلیٰ سطح کے خلاصے پر کارروائی کرنا ہر کسی کے مفاد میں ہے۔

بہت سے اسٹورز کے لیے، ماحول سے پہلے کے DW میں DSS تجزیہ کار نے استعمال کیا۔ ڈیٹا تفصیل کی سطح پر۔ بہت سے معاملات میں آمد a ڈیٹا تفصیلی خلاصہ حفاظتی کمبل سے مشابہت رکھتا ہے، یہاں تک کہ جب خلاصہ کی دیگر سطحیں دستیاب ہوں۔ معمار کی سرگرمیوں میں سے ایک ڈیٹا کے مسلسل استعمال سے DSS صارف کو دودھ چھڑانا ہے۔ ڈیٹا تفصیل کی کم ترین سطح پر۔ کے معمار کے لیے دو محرکات دستیاب ہیں۔ ڈیٹا:

• چارج بیک سسٹم کو انسٹال کرکے، جہاں صارف استعمال شدہ وسائل کی ادائیگی کرتا ہے اور
• جس سے ظاہر ہوتا ہے کہ بہت اچھا ردعمل کا وقت حاصل کیا جا سکتا ہے جب i کے ساتھ برتاؤ کیا جائے۔ ڈیٹا خلاصہ کی ایک اعلی سطح پر ہے، جبکہ خراب ردعمل کا وقت کے رویے سے آتا ہے ڈیٹا کی کم سطح پر دیگر کنسرشنز DW کی تعمیر اور انتظام کے کچھ دیگر تحفظات ہیں۔
  پہلا غور انڈیکس کا ہے۔ The ڈیٹا خلاصہ کی اعلی سطحوں پر انہیں آزادانہ طور پر ترتیب دیا جا سکتا ہے، جبکہ i ڈیٹا

تفصیل کی نچلی سطح پر وہ اتنے بڑے ہوتے ہیں کہ ان کی ترتیب کفایت شعاری سے کی جا سکتی ہے۔ اسی ٹوکن سے، i ڈیٹا تفصیل کی اعلی سطح پر نسبتا آسانی سے تنظیم نو کیا جا سکتا ہے، جبکہ حجم ڈیٹا نچلی سطح پر یہ اتنا بڑا ہے کہ i ڈیٹا وہ آسانی سے مرمت نہیں کر سکتے ہیں. اس کے نتیجے میں، کے ماڈل ڈیٹا اور ڈیزائن کے ذریعے کیے گئے رسمی کام نے ڈی ڈبلیو کی بنیاد رکھی جو تقریباً خصوصی طور پر تفصیل کی موجودہ سطح پر لاگو ہوتی ہے۔ دوسرے الفاظ میں، ماڈلنگ کی سرگرمیاں ڈیٹا وہ تقریباً ہر معاملے میں خلاصہ کی سطحوں پر لاگو نہیں ہوتے ہیں۔ ایک اور ساختی غور یہ ہے کہ ذیلی تقسیم کا ڈیٹا ڈی ڈبلیو کی طرف سے

کی سطح پر - تقسیم دو سطحوں پر کیا جا سکتا ہے ڈی بی ایم ایس اور درخواست کی سطح پر۔ سطح پر ڈویژن میں ڈی بی ایم ایس، ڈی بی ایم ایس ڈویژنوں کے بارے میں مطلع کیا جاتا ہے اور اس کے مطابق ان کو کنٹرول کرتا ہے۔ درخواست کی سطح پر تقسیم کے معاملے میں، صرف پروگرامر کو ڈویژنوں کے بارے میں مطلع کیا جاتا ہے اور ان کی انتظامیہ کی ذمہ داری اسی پر چھوڑ دی جاتی ہے۔

سطح سے نیچے ڈی بی ایم ایسبہت سے کام خود بخود ہو جاتے ہیں۔ خود بخود ڈویژنوں کے انتظام کے ساتھ بہت زیادہ لچک وابستہ ہے۔ کی درخواست کی سطح پر تقسیم کی صورت میں ڈیٹا کی ڈیٹا گودام، پروگرامر پر بہت سارے کام کا وزن ہوتا ہے، لیکن حتمی نتیجہ کی انتظامیہ میں لچک ہے۔ ڈیٹا میں ڈیٹا گودام

دیگر بے ضابطگییں۔

جبکہ کے اجزاء ڈیٹا گودام وہ کام کرتے ہیں جیسا کہ تقریباً سبھی کے لیے بیان کیا گیا ہے۔ ڈیٹاکچھ مفید مستثنیات ہیں جن پر بات کرنے کی ضرورت ہے۔ ایک استثناء یہ ہے کہ ڈیٹا عوامی خلاصہ ڈیٹا. یہ ہیں ڈیٹا خلاصے جن کا شمار کیا گیا ہے۔ ڈیٹا گودام لیکن وہ معاشرے کی طرف سے استعمال کیا جاتا ہے. The ڈیٹا عوامی خلاصے کو میں محفوظ اور منظم کیا جاتا ہے۔ ڈیٹا گودام، اگرچہ جیسا کہ پہلے ذکر کیا گیا ہے ان کا حساب لگایا جاتا ہے۔ اکاؤنٹنٹس اس طرح کی سہ ماہی پیداوار کے لیے کام کرتے ہیں۔ ڈیٹا جیسے آمدنی، سہ ماہی اخراجات، سہ ماہی منافع، وغیرہ۔ اکاؤنٹنٹ کے ذریعہ کیا جانے والا کام بیرونی ہے۔ ڈیٹا گودام. تاہم، i ڈیٹا استعمال کیا جاتا ہے "اندرونی طور پر" کمپنی کے اندر - سے مارکیٹنگفروخت، وغیرہ ایک اور بے ضابطگی، جس پر بات نہیں کی جائے گی، وہ ہے۔ ڈیٹا ایسٹرنی

ایک اور عظیم قسم ڈیٹا جو a میں پایا جا سکتا ہے۔ ڈیٹا گودام مستقل تفصیل کے اعداد و شمار کا ہے۔ یہ مستقل طور پر ذخیرہ کرنے کی ضرورت کا سبب بنتے ہیں۔ ڈیٹا اخلاقی یا قانونی وجوہات کی بنا پر تفصیلی سطح پر۔ اگر کوئی کمپنی اپنے کارکنوں کو خطرناک مادوں سے بے نقاب کر رہی ہے تو اس کی ضرورت ہے۔ ڈیٹا تفصیلی اور مستقل. اگر کوئی کمپنی ایسی مصنوعات تیار کرتی ہے جس میں عوامی تحفظ شامل ہو، جیسے ہوائی جہاز کے پرزے، تو اس کی ضرورت ہے۔ ڈیٹا مستقل تفصیلات کے ساتھ ساتھ اگر کوئی کمپنی خطرناک معاہدوں میں داخل ہوتی ہے۔

کمپنی تفصیلات کو نظر انداز کرنے کی متحمل نہیں ہو سکتی کیونکہ اگلے چند سالوں میں، کسی قانونی چارہ جوئی، واپس بلانے، متنازعہ تعمیراتی نقائص وغیرہ کی صورت میں۔ کمپنی کی نمائش بڑی ہو سکتی ہے. نتیجے کے طور پر ایک منفرد قسم ہے ڈیٹا مستقل ڈیٹیل ڈیٹا کے نام سے جانا جاتا ہے۔

خلاصہ

Un ڈیٹا گودام ایک آبجیکٹ پر مبنی، مربوط، وقت کی مختلف، کا مجموعہ ہے۔ ڈیٹا انتظامیہ کی فیصلہ سازی کی ضروریات کو پورا کرنے کے لیے غیر متزلزل۔ a کے نمایاں افعال میں سے ہر ایک ڈیٹا گودام اس کے مضمرات ہیں. اس کے علاوہ چار درجے ہیں۔ ڈیٹا کی ڈیٹا گودام:

• پرانی تفصیل
• موجودہ تفصیل
• Dati تھوڑا سا خلاصہ
• Dati انتہائی خلاصہ شدہ میٹا ڈیٹا بھی کا ایک اہم حصہ ہے۔ ڈیٹا گودام. خلاصہ کے ذخیرہ کرنے کا تصور ڈیٹا اس نے حال ہی میں بہت زیادہ توجہ حاصل کی ہے اور یہ 90 کی دہائی کا رجحان بن گیا ہے۔ ڈیٹا گودام انتظامی معاونت کے نظام کی حدود پر قابو پانے کے لیے جیسے کہ فیصلہ سپورٹ سسٹم (DSS) اور ایگزیکٹو انفارمیشن سسٹم (EIS)۔ یہاں تک کہ اگر کا تصور ڈیٹا گودام امید افزا لگ رہا ہے، i کو لاگو کریں۔ ڈیٹا گودام بڑے پیمانے پر گودام کے عمل کی وجہ سے پریشانی ہو سکتی ہے۔ گودام کے منصوبوں کی پیچیدگی کے باوجود ڈیٹا، بہت سے سپلائرز اور کنسلٹنٹس جو اسٹاک کرتے ہیں۔ ڈیٹا وہ دعوی کرتے ہیں کہ ذخیرہ ڈیٹا کرنٹ کسی قسم کی پریشانی کا باعث نہیں بنتا۔ تاہم، اس تحقیقی منصوبے کے آغاز میں، تقریباً کوئی آزاد، سخت اور منظم تحقیق نہیں کی گئی تھی۔ نتیجتاً یہ کہنا مشکل ہے کہ صنعت میں اصل میں کیا ہوتا ہے جب وہ بنائے جاتے ہیں۔ ڈیٹا گودام. اس مطالعہ نے گودام کی مشق کی کھوج کی۔ ڈیٹا ہم عصر جس کا مقصد آسٹریلوی پریکٹس کی بہتر تفہیم تیار کرنا ہے۔ ادب کے جائزے نے تجرباتی مطالعہ کے لیے سیاق و سباق اور بنیاد فراہم کی۔ اس تحقیق سے متعدد نتائج سامنے آئے ہیں۔ سب سے پہلے، اس مطالعہ نے ان سرگرمیوں کا انکشاف کیا جو کی ترقی کے دوران پیدا ہوئے ڈیٹا گودام. بہت سے علاقوں میں، i ڈیٹا جمع نے ادب میں رپورٹ کی گئی مشق کی تصدیق کی۔ دوسرا، مسائل اور مسائل جو کہ ترقی کو متاثر کر سکتے ہیں۔ ڈیٹا گودام اس مطالعہ کی طرف سے شناخت کیا گیا تھا. آخر میں، کے استعمال کے ساتھ منسلک آسٹریلوی تنظیموں کی طرف سے حاصل فوائد ڈیٹا گودام انکشاف کیا گیا ہے.

کیپیٹولو 1۔

سیاق و سباق تلاش کریں۔

ڈیٹا ویئر ہاؤسنگ کے تصور کو بڑے پیمانے پر نمائش ملی اور 90 کی دہائی میں ایک ابھرتا ہوا رجحان بن گیا (McFadden 1996, TDWI 1996, Shah and Milstein 1997, Shanks et al. 1997, Eckerson 1998, Adelman and Oates 2000)۔ یہ تجارتی پبلیکیشنز (لٹل اینڈ گبسن 1999) میں ڈیٹا ویئر ہاؤسنگ پر مضامین کی بڑھتی ہوئی تعداد سے دیکھا جا سکتا ہے۔ بہت سے مضامین (مثال کے طور پر، Fisher 1995، Hackathorn 1995، Morris 1995a، Bramblett and King 1996, Graham et al. 1996, Sakaguchi and Frolick 1996, Alvarez 1997, Brousell 1997, C1997, C1997, McCar ، ایڈورڈز 1997، TDWI 1998) نے آئی کو نافذ کرنے والی تنظیموں کو حاصل ہونے والے اہم فوائد کی اطلاع دی ہے۔ ڈیٹا گودام. انہوں نے اپنے نظریہ کو کامیاب نفاذ، سرمایہ کاری پر اعلی منافع (ROI) کے اعداد و شمار کے ثبوت کے ساتھ اور، اس کے ساتھ ساتھ، ترقی کے لئے رہنما خطوط یا طریقہ کار فراہم کر کے اپنے نظریہ کی حمایت کی۔ ڈیٹا گودام

(Shanks et al. 1997، Seddon and Benjamin 1998، Little and Gibson 1999). ایک انتہائی صورت میں، Graham et al. (1996) نے 401% کی تین سالہ سرمایہ کاری پر اوسط واپسی کی اطلاع دی۔

تاہم، زیادہ تر موجودہ ادب نے ایسے منصوبوں کو شروع کرنے میں شامل پیچیدگیوں کو نظر انداز کیا ہے۔ کے منصوبے ڈیٹا گودام وہ عام طور پر پیچیدہ اور بڑے پیمانے پر ہوتے ہیں اور اس وجہ سے اگر انہیں احتیاط سے کنٹرول نہیں کیا جاتا ہے تو ان میں ناکامی کا زیادہ امکان ہوتا ہے (شاہ اور ملسٹین 1997، ایکرسن 1997، فولے 1997b، زیمر 1997، بورٹ 1998، گبز اور کلیمر 1998، راؤ 1998)۔ انہیں انسانی اور مالی وسائل کی وسیع مقدار، اور ان کی تعمیر کے لیے وقت اور کوشش کی ضرورت ہوتی ہے (Hill 1998, Crofts 1998)۔ درکار عام وقت اور مالی ذرائع بالترتیب تقریباً دو سال اور دو سے تین ملین ڈالر ہیں (بریلی 1995، فولے 1997b، بورٹ 1998، ہمفریز وغیرہ۔ 1999)۔ ڈیٹا ویئر ہاؤسنگ کے بہت سے مختلف پہلوؤں کو کنٹرول اور مضبوط کرنے کے لیے اس وقت اور مالی ذرائع کی ضرورت ہے (Cafasso 1995, Hill 1998)۔ ہارڈ ویئر اور سافٹ ویئر کے تحفظات کے ساتھ ساتھ، دوسرے افعال، جو نکالنے سے مختلف ہوتے ہیں۔ ڈیٹا کی لوڈنگ کے عمل کو ڈیٹااپ ڈیٹس اور میٹا کا نظم کرنے کی میموری کی صلاحیت ڈیٹا صارف کی تربیت کے لیے، غور کیا جانا چاہیے۔

جس وقت یہ تحقیقی منصوبہ شروع ہوا، ڈیٹا گودام کے شعبے میں خاص طور پر آسٹریلیا میں بہت کم علمی تحقیق کی جا رہی تھی۔ یہ اس وقت کے جرائد یا دیگر علمی تحریروں سے ڈیٹا ویئر ہاؤسنگ پر شائع ہونے والے مضامین کی کمی سے ظاہر ہوتا ہے۔ بہت سی دستیاب علمی تحریروں نے امریکی تجربے کو بیان کیا۔ ڈیٹا گودام کے شعبے میں علمی تحقیق کی کمی کی وجہ سے سخت تحقیق اور تجرباتی مطالعات کی ضرورت پڑی ہے (McFadden 1996, Shanks et al. 1997, Little and Gibson 1999)۔ خاص طور پر، کے نفاذ کے عمل پر تحقیقی مطالعات ڈیٹا گودام کے نفاذ کے بارے میں عام معلومات کو بڑھانے کے لئے انجام دینے کی ضرورت ہے۔ ڈیٹا گودام اور مستقبل کے تحقیقی مطالعہ کی بنیاد کے طور پر کام کرے گا (Shanks et al. 1997, Little and Gibson 1999)۔

لہذا، اس مطالعے کا مقصد یہ مطالعہ کرنا ہے کہ جب تنظیمیں i کا استعمال کرتی ہیں اور استعمال کرتی ہیں تو اصل میں کیا ہوتا ہے۔ ڈیٹا گودام اسٹریلیا میں. خاص طور پر، اس مطالعہ میں ایک مکمل ترقی کے عمل کا تجزیہ شامل ہوگا۔ ڈیٹا گودام، آغاز اور منصوبہ بندی سے ڈیزائن اور نفاذ اور بعد ازاں آسٹریلوی تنظیموں کے اندر استعمال۔ اس کے علاوہ، مطالعہ ان شعبوں کی نشاندہی کر کے موجودہ مشق میں بھی حصہ ڈالے گا جہاں پریکٹس کو مزید بہتر بنایا جا سکتا ہے اور ناکارہیوں اور خطرات کو کم کیا جا سکتا ہے یا اس سے بچا جا سکتا ہے۔ مزید برآں، یہ دیگر مطالعات کی بنیاد کے طور پر کام کرے گا۔ ڈیٹا گودام آسٹریلیا میں اور اس خلا کو پُر کرے گا جو اس وقت ادب میں موجود ہے۔

تحقیقی سوالات

اس تحقیق کا مقصد کے نفاذ میں شامل سرگرمیوں کا مطالعہ کرنا ہے۔ ڈیٹا گودام اور آسٹریلیائی تنظیموں کے ذریعہ ان کا استعمال۔ خاص طور پر، منصوبے کی منصوبہ بندی، ترقی، آپریشن، استعمال اور اس میں شامل خطرات سے متعلق عناصر کا مطالعہ کیا جاتا ہے۔ تو اس تحقیق کا سوال یہ ہے کہ:

"کی موجودہ پریکٹس کیسا ہے؟ ڈیٹا گودام اسٹریلیا میں؟"

اس سوال کا مؤثر جواب دینے کے لیے، متعدد ذیلی تحقیقی سوالات درکار ہیں۔ خاص طور پر، اس تحقیقی منصوبے کی رہنمائی کے لیے ادب سے تین ذیلی سوالات کی نشاندہی کی گئی، جو باب 2 میں پیش کیے گئے ہیں: یہ کیسے ہیں؟ ڈیٹا گودام آسٹریلوی تنظیموں سے؟ آپ کو کن مسائل کا سامنا کرنا پڑا ہے؟

تجربہ کیا فوائد ہیں؟
ان سوالات کے جوابات میں، ایک تحقیقی تحقیقی ڈیزائن کا استعمال کیا گیا جس میں ایک سروے کا استعمال کیا گیا تھا۔ ایک تحقیقی مطالعہ کے طور پر، مندرجہ بالا سوالات کے جوابات مکمل نہیں ہیں (Shanks et al. 1993، Denscombe 1998)۔ اس صورت میں، ان سوالات کے جوابات کو بہتر بنانے کے لیے مثلث کی ضرورت ہے۔ تاہم، تحقیقات ان سوالات کی جانچ کرنے والے مستقبل کے کام کے لیے ایک ٹھوس بنیاد فراہم کرے گی۔ تحقیق کے طریقہ کار کے جواز اور ڈیزائن پر تفصیلی بحث باب 3 میں پیش کی گئی ہے۔

تحقیقی منصوبے کا ڈھانچہ

اس تحقیقی منصوبے کو دو حصوں میں تقسیم کیا گیا ہے: ڈیٹا گودام کے تصور کا سیاق و سباق کا مطالعہ اور تجرباتی تحقیق (تصویر 1.1 دیکھیں)، جن میں سے ہر ایک ذیل میں زیر بحث ہے۔

حصہ اول: سیاق و سباق کا مطالعہ

تحقیق کا پہلا حصہ ڈیٹا گودام کی مختلف اقسام پر موجودہ لٹریچر کا جائزہ لینے پر مشتمل تھا جس میں فیصلہ سپورٹ سسٹم (DSS)، ایگزیکٹو انفارمیشن سسٹم (EIS)، کیس اسٹڈیز ڈیٹا گودام اور کے تصورات ڈیٹا گودام. مزید برآں، فورمز کے نتائج ڈیٹا گودام اور ماہر اور پریکٹیشنر میٹنگ گروپس جس کی سربراہی موناش ڈی ایس ایس ریسرچ ٹیم کر رہی تھی، نے مطالعہ کے اس مرحلے میں حصہ ڈالا جس کا مقصد اس کی مشق کے بارے میں بصیرت حاصل کرنا تھا۔ ڈیٹا گودام اور ان کو اپنانے میں شامل خطرات کی نشاندہی کرنا۔ اس سیاق و سباق کے مطالعہ کی مدت کے دوران، بعد میں تجرباتی تحقیقات کے لیے پس منظر کا علم فراہم کرنے کے لیے مسئلے کے علاقے کی تفہیم قائم کی گئی۔ تاہم، تحقیقی مطالعہ کے انعقاد کے دوران یہ ایک جاری عمل تھا۔

حصہ دوم: تجرباتی تحقیق

ڈیٹا ویئر ہاؤسنگ کے نسبتاً نئے تصور نے، خاص طور پر آسٹریلیا میں، صارف کے تجربے کی ایک وسیع تصویر حاصل کرنے کے لیے ایک سروے کی ضرورت پیدا کر دی ہے۔ یہ حصہ اس وقت انجام دیا گیا جب مسئلہ کا ڈومین وسیع ادب کے جائزے کے ذریعے قائم ہو گیا۔ سیاق و سباق کے مطالعہ کے مرحلے کے دوران تشکیل کردہ ڈیٹا ویئر ہاؤسنگ تصور کو اس مطالعہ کے ابتدائی سوالنامے کے لیے بطور ان پٹ استعمال کیا گیا تھا۔ اس کے بعد سوالنامے کا جائزہ لیا گیا۔ آپ اس میں ماہر ہیں۔ ڈیٹا گودام ٹیسٹ میں حصہ لیا. ابتدائی سوالنامے کی جانچ کا مقصد سوالات کی مکمل اور درستگی کو جانچنا تھا۔ ٹیسٹ کے نتائج کی بنیاد پر، سوالنامے میں ترمیم کی گئی اور ترمیم شدہ ورژن سروے کے شرکاء کو بھیج دیا گیا۔ واپس کیے گئے سوالناموں کا پھر i کے لیے تجزیہ کیا گیا۔ ڈیٹا جدولوں، خاکوں اور دیگر فارمیٹس میں۔ The

کے تجزیہ کے نتائج ڈیٹا وہ آسٹریلیا میں ڈیٹا گودام کی مشق کا ایک سنیپ شاٹ بناتے ہیں۔

ڈیٹا ویئر ہاؤسنگ کا جائزہ

ڈیٹا ویئر ہاؤسنگ کا تصور کمپیوٹر ٹیکنالوجی میں بہتری کے ساتھ تیار ہوا ہے۔
اس کا مقصد ایپلیکیشن سپورٹ گروپس کو درپیش مسائل پر قابو پانا ہے جیسے ڈیسیژن سپورٹ سسٹم (DSS) اور ایگزیکٹو انفارمیشن سسٹم (EIS)۔

ماضی میں ان ایپلی کیشنز کی سب سے بڑی رکاوٹ ان ایپلی کیشنز کا فراہم کرنے میں ناکامی رہی ہے۔ ڈیٹا بیس تجزیہ کے لئے ضروری ہے.
یہ بنیادی طور پر انتظامیہ کے کام کی نوعیت کی وجہ سے ہے۔ کمپنی کی انتظامیہ کے مفادات اس علاقے کے لحاظ سے مسلسل مختلف ہوتے رہتے ہیں۔ لہذا i ڈیٹا ان ایپلی کیشنز کے لیے بنیادی بات یہ ہے کہ وہ علاج کیے جانے والے حصے کے لحاظ سے تیزی سے تبدیل ہونے کے قابل ہونا چاہیے۔
اس کا مطلب یہ ہے کہ i ڈیٹا مطلوبہ تجزیوں کے لیے مناسب شکل میں دستیاب ہونا چاہیے۔ درحقیقت، ایپلیکیشن سپورٹ گروپس کو ماضی میں جمع کرنا اور انضمام کرنا بہت مشکل تھا۔ ڈیٹا پیچیدہ اور متنوع ذرائع سے۔

اس حصے کا بقیہ حصہ ڈیٹا ویئر ہاؤسنگ کے تصور کا ایک جائزہ پیش کرتا ہے اور اس پر بحث کرتا ہے کہ کیسے ڈیٹا گودام ایپلیکیشن سپورٹ گروپس کے مسائل پر قابو پا سکتے ہیں۔
اصطلاح “ڈیٹا ویئرہاؤس1990 میں ولیم انمون نے اسے مقبول کیا تھا۔ ڈیٹا ویئرہاؤس کے مجموعہ کے طور پر ڈیٹا انتظامی فیصلوں کی حمایت میں موضوع پر مبنی، مربوط، غیر متغیر، اور وقت کے ساتھ متغیر۔

اس تعریف کا استعمال کرتے ہوئے انمون بتاتا ہے کہ i ڈیٹا a میں رہائش پذیر ڈیٹا گودام ان میں مندرجہ ذیل 4 خصوصیات کا ہونا ضروری ہے:

• ▪ موضوع پر مبنی
• ▪ مربوط
• ▪ غیر متزلزل
• ▪ وقت کے ساتھ متغیر موضوع پر مبنی انمون کا مطلب ہے کہ i ڈیٹا میں ڈیٹا گودام سب سے بڑے تنظیمی علاقوں میں جو رہے ہیں۔

ماڈل میں بیان کیا گیا ہے۔ ڈیٹا. مثال کے طور پر تمام ڈیٹا میں کے بارے میں گاہکوں موضوع کے علاقے میں موجود ہیں صارفین. اسی طرح سب ڈیٹا مصنوعات سے متعلق مصنوعات کے موضوع کے علاقے میں موجود ہیں۔

بذریعہ انٹیگریٹڈ انمون کا مطلب ہے کہ i ڈیٹا مختلف پلیٹ فارمز سے آنے والے سسٹمز اور مقامات کو ایک جگہ پر اکٹھا اور محفوظ کیا جاتا ہے۔ نتیجتاً ڈیٹا ملتے جلتے فارمیٹس کو مستقل شکل میں تبدیل کیا جانا چاہیے تاکہ ان کا آسانی سے اضافہ اور موازنہ کیا جا سکے۔
مثال کے طور پر، مرد اور عورت کی جنس کو ایک نظام میں حروف M اور F، اور دوسرے میں 1 اور 0 سے ظاہر کیا جاتا ہے۔ ان کو صحیح طریقے سے مربوط کرنے کے لیے، ایک یا دونوں فارمیٹس کو تبدیل کرنا ضروری ہے تاکہ دونوں فارمیٹس ایک جیسے ہوں۔ اس صورت میں ہم M کو 1 اور F کو 0 میں یا اس کے برعکس تبدیل کر سکتے ہیں۔ موضوع پر مبنی اور مربوط اشارہ کرتا ہے کہ ڈیٹا گودام کا ایک فعال اور عبوری وژن فراہم کرنے کے لیے ڈیزائن کیا گیا ہے۔ ڈیٹا کمپنی کی طرف سے.

غیر مستحکم سے اس کا مطلب ہے کہ i ڈیٹا میں ڈیٹا گودام کی مسلسل اور اپ ڈیٹ رہیں ڈیٹا یہ ضروری نہیں ہے. اس کے بجائے، میں ہر تبدیلی ڈیٹا اصل میں شامل کیا جاتا ہے ڈیٹا بیس کی ڈیٹا گودام. اس کا مطلب یہ ہے کہ تاریخی ڈی آئی ڈیٹا میں موجود ہے ڈیٹا گودام.

وقت کے ساتھ متغیرات کے لیے Inmon اشارہ کرتا ہے کہ i ڈیٹا میں ڈیٹا گودام ہمیشہ ٹیمپو اشارے ei پر مشتمل ہوتا ہے۔ ڈیٹا وہ عام طور پر ایک مخصوص وقت کے افق کو عبور کرتے ہیں۔ مثال کے طور پر a
ڈیٹا گودام کی 5 سال کی تاریخی اقدار پر مشتمل ہو سکتا ہے۔ گاہکوں 1993 سے 1997 تک۔ تاریخ کی دستیابی اور وقت کی سیریز ڈیٹا آپ کو رجحانات کا تجزیہ کرنے کی اجازت دیتا ہے۔

Un ڈیٹا گودام وہ اپنے آپ کو جمع کر سکتا ہے ڈیٹا OLTP سسٹمز سے؛ ذرائع سے ڈیٹا تنظیم کے باہر اور/یا دیگر خصوصی کیپچر سسٹم پروجیکٹس کے ذریعے ڈیٹا.
I ڈیٹا نچوڑ صفائی کے عمل سے گزر سکتے ہیں، اس صورت میں i ڈیٹا میں ذخیرہ کیے جانے سے پہلے تبدیل اور مربوط ہیں۔ ڈیٹا بیس کی ڈیٹا گودام. پھر میں ڈیٹا

کے اندر رہتے ہیں ڈیٹا بیس کی ڈیٹا گودام اختتامی صارف لاگ ان اور ریکوری ٹولز کے لیے دستیاب ہیں۔ ان ٹولز کا استعمال کرتے ہوئے آخری صارف تنظیم کے مربوط نظارے تک رسائی حاصل کر سکتا ہے۔ ڈیٹا.

I ڈیٹا کے اندر رہتے ہیں ڈیٹا بیس کی ڈیٹا گودام وہ تفصیل اور خلاصہ دونوں شکلوں میں محفوظ ہیں۔
خلاصہ کی سطح کا انحصار اس کی نوعیت پر ہوسکتا ہے۔ ڈیٹا. میں ڈیٹا تفصیلی پر مشتمل ہو سکتا ہے ڈیٹا موجودہ اور ڈیٹا طوفان
I ڈیٹا اصلی میں شامل نہیں ہیں۔ ڈیٹا گودام جب تک میں ڈیٹا میں ڈیٹا گودام دوبارہ اپ ڈیٹ کر رہے ہیں.
ذخیرہ کرنے کے علاوہ ڈیٹا خود، ایک ڈیٹا گودام یہ بھی ایک مختلف قسم کی ذخیرہ کر سکتے ہیں ڈیٹو METADATA کہلاتا ہے جس کی وضاحت کرتا ہے۔ ڈیٹا اس کے اندر رہتا ہے ڈیٹا بیس.
میٹا ڈیٹا کی دو قسمیں ہیں: ڈیولپمنٹ میٹا ڈیٹا اور اینالیٹکس میٹا ڈیٹا۔
ڈویلپمنٹ میٹا ڈیٹا کو نکالنے، صفائی، نقشہ سازی اور لوڈنگ کے عمل کو منظم اور خودکار کرنے کے لیے استعمال کیا جاتا ہے۔ ڈیٹا میں ڈیٹا گودام.
ڈویلپمنٹ میٹا ڈیٹا میں موجود معلومات میں آپریٹنگ سسٹم کی تفصیلات، نکالے جانے والے عناصر کی تفصیلات، ماڈل شامل ہو سکتے ہیں۔ ڈیٹا کی ڈیٹا گودام اور تبدیل کرنے کے لیے کاروباری قواعد ڈیٹا.

میٹا ڈیٹا کی دوسری قسم، جسے اینالیٹکس میٹا ڈیٹا کہا جاتا ہے، آخری صارف کو اس قابل بناتا ہے کہ وہ ڈیٹا گودام تلاش کرنے کے لئے ڈیٹا دستیاب اور ان کے معنی واضح، غیر تکنیکی اصطلاحات میں۔

لہذا تجزیاتی میٹا ڈیٹا کے درمیان ایک پل کا کام کرتا ہے۔ ڈیٹا گودام اور اینڈ یوزر ایپلی کیشنز۔ اس میٹا ڈیٹا میں کاروباری ماڈل، کی تفصیل شامل ہو سکتی ہے۔ ڈیٹا کاروباری ماڈل کے مطابق، پہلے سے طے شدہ سوالات اور رپورٹس، صارف کی رسائی کے لیے معلومات اور انڈیکس۔

مناسب طریقے سے کام کرنے کے لیے تجزیہ اور ڈیولپمنٹ میٹا ڈیٹا کو ایک واحد مربوط کنٹینمنٹ میٹا ڈیٹا میں جوڑا جانا چاہیے۔

بدقسمتی سے بہت سے موجودہ ٹولز کا اپنا میٹا ڈیٹا ہے اور فی الحال اس کے لیے کوئی موجودہ معیار موجود نہیں ہے۔

ڈیٹا ویئر ہاؤسنگ ٹولز کو اس میٹا ڈیٹا کو مربوط کرنے کی اجازت دیں۔ اس صورت حال کے تدارک کے لیے، ڈیٹا گودام کے مرکزی ٹولز کے بہت سے تاجروں نے میٹا ڈیٹا کونسل بنائی جو بعد میں میٹا ڈیٹا کولیشن بن گئی۔

اس اتحاد کا مقصد ایک معیاری میٹا ڈیٹا سیٹ بنانا ہے جو مختلف ڈیٹا گودام ٹولز کو میٹا ڈیٹا کو تبدیل کرنے کی اجازت دیتا ہے۔
ان کی کوششوں کے نتیجے میں میٹا ڈیٹا انٹرچینج اسپیسیفیکیشن (MDIS) کی پیدائش ہوئی جو مائیکروسافٹ آرکائیوز اور متعلقہ MDIS فائلوں کے درمیان معلومات کے تبادلے کی اجازت دے گی۔

کا وجود ڈیٹا خلاصہ/انڈیکسڈ اور تفصیلی دونوں ہی صارف کو ڈرل DROWN (ڈرلنگ) کرنے کا امکان فراہم کرتے ہیں ڈیٹا تفصیلی اور اس کے برعکس. کا وجود ڈیٹا تفصیلی تاریخیں وقت کے ساتھ رجحان کے تجزیوں کی تخلیق کی اجازت دیتی ہیں۔ مزید برآں تجزیاتی میٹا ڈیٹا کو ڈائرکٹری کے طور پر استعمال کیا جا سکتا ہے۔ ڈیٹا بیس کی ڈیٹا گودام اختتامی صارفین کو تلاش کرنے میں مدد کرنے کے لیے ڈیٹا ضروری

OLTP سسٹمز کے مقابلے میں، ان کے تجزیہ کی حمایت کرنے کی صلاحیت کے ساتھ ڈیٹا اور رپورٹنگ، ڈیٹا گودام اسے معلوماتی عمل کے لیے ایک زیادہ مناسب نظام کے طور پر دیکھا جاتا ہے جیسے سوالات بنانا اور ان کا جواب دینا اور رپورٹس تیار کرنا۔ اگلا حصہ دونوں نظاموں کے فرق کو تفصیل سے اجاگر کرے گا۔

ڈیٹا ویئرہاؤس OLTP سسٹمز کے خلاف

تنظیموں کے اندر بہت سے معلوماتی نظاموں کا مقصد روزمرہ کی کارروائیوں کی حمایت کرنا ہے۔ یہ سسٹمز جنہیں OLTP SYSTEMS کے نام سے جانا جاتا ہے، مسلسل اپ ڈیٹ شدہ روزانہ لین دین کو پکڑتے ہیں۔

I ڈیٹا ان سسٹمز کے اندر ان میں اکثر ترمیم، اضافہ یا حذف کیا جاتا ہے۔ مثال کے طور پر، ایک گاہک کا پتہ بدل جاتا ہے جب وہ ایک جگہ سے دوسری جگہ جاتا ہے۔ اس صورت میں ایڈریس فیلڈ میں ترمیم کرکے نیا پتہ رجسٹر کیا جائے گا۔ ڈیٹا بیس. ان سسٹمز کا بنیادی مقصد لین دین کے اخراجات کو کم کرنا اور ساتھ ہی ساتھ پروسیسنگ کے اوقات کو کم کرنا ہے۔ OLTP سسٹمز کی مثالوں میں اہم کارروائیاں شامل ہیں جیسے آرڈر انٹری، پے رول، انوائس، مینوفیکچرنگ، کسٹمر سروس گاہکوں.

OLTP سسٹمز کے برعکس، جو لین دین اور ایونٹ پر مبنی عمل کے لیے بنائے گئے تھے، i ڈیٹا گودام تجزیات پر مبنی عمل کے لیے مدد فراہم کرنے کے لیے بنائے گئے تھے۔ ڈیٹا اور فیصلہ سازی کے عمل۔

یہ عام طور پر i کو مربوط کرکے حاصل کیا جاتا ہے۔ ڈیٹا کے ایک ہی "کنٹینر" میں مختلف OLTP اور بیرونی سسٹمز سے ڈیٹاجیسا کہ پچھلے حصے میں زیر بحث آیا۔

موناش ڈیٹا ویئر ہاؤسنگ پروسیسنگ ماڈل

کے لیے عمل کا ماڈل ڈیٹا گودام موناش کو موناش ڈی ایس ایس ریسرچ گروپ کے محققین نے تیار کیا تھا، اور اس کے ادب پر ​​مبنی ہے۔ ڈیٹا گودامسسٹم کے شعبوں کی ترقی میں معاونت کے تجربے پر، استعمال کے لیے ایپلی کیشنز کے وینڈرز کے ساتھ بات چیت پر ڈیٹا گودامکے استعمال میں ماہرین کے ایک گروپ پر ڈیٹا گودام.

مراحل ہیں: شروعات، منصوبہ بندی، ترقی، آپریشنز اور وضاحت۔ خاکہ a کی ترقی کی تکراری یا ارتقائی نوعیت کی وضاحت کرتا ہے۔ ڈیٹا گودام مختلف مراحل کے درمیان رکھے گئے دو طرفہ تیروں کا استعمال کرتے ہوئے عمل۔ اس تناظر میں، "دوبارہ" اور "ارتقائی" کا مطلب ہے کہ، عمل کے ہر مرحلے پر، نفاذ کی سرگرمیاں ہمیشہ پچھلے مرحلے کی طرف پیچھے کی طرف پھیل سکتی ہیں۔ یہ ایک منصوبے کی نوعیت کی وجہ سے ہے ڈیٹا گودام جس میں آخری صارف کی طرف سے کسی بھی وقت اضافی درخواستیں آتی ہیں۔ مثال کے طور پر، ایک عمل کی ترقی کے مرحلے کے دوران ڈیٹا گودام, اختتامی صارف کی طرف سے ایک نئی جہت یا موضوع کے علاقے کی درخواست کی جاتی ہے، جو اصل پلان کا حصہ نہیں تھا، اسے سسٹم میں شامل کرنا ضروری ہے۔ یہ منصوبے میں تبدیلی کا سبب بنتا ہے۔ نتیجہ یہ ہے کہ ڈیزائن ٹیم کو ڈیزائن کے مرحلے کے دوران اب تک تیار کردہ دستاویزات کی ضروریات کو تبدیل کرنا ہوگا۔ بہت سے معاملات میں، پراجیکٹ کی موجودہ حالت کو ڈیزائن کے مرحلے میں واپس جانا چاہیے جہاں نئی ​​ضرورت کو شامل کرنا اور دستاویز کرنا ضروری ہے۔ آخری صارف کو مخصوص دستاویزات کا جائزہ لینے کے قابل ہونا چاہیے اور وہ تبدیلیاں جو ترقی کے مرحلے میں کی گئی ہیں۔ اس ڈیولپمنٹ سائیکل کے اختتام پر پراجیکٹ کو ڈویلپمنٹ اور صارف دونوں ٹیموں سے بہترین فیڈ بیک حاصل کرنا چاہیے۔ تب فیڈ بیک کو مستقبل کے پروجیکٹ کو بہتر بنانے کے لیے دوبارہ استعمال کیا جاتا ہے۔

اہلیت کی منصوبہ بندی
Dw سائز میں بہت بڑا ہوتا ہے اور بہت تیزی سے بڑھتا ہے (Best 1995, Rudin 1997a) کی مقدار کے نتیجے میں ڈیٹا وہ تاریخیں جنہیں وہ اپنی مدت سے برقرار رکھتے ہیں۔ ترقی کی وجہ سے بھی ہو سکتا ہے ڈیٹا کی قدر میں اضافہ کرنے کے لیے صارفین کی طرف سے درخواست کی گئی۔ ڈیٹا کہ ان کے پاس پہلے ہی موجود ہے۔ اس کے مطابق، کے لئے سٹوریج کی ضروریات ڈیٹا نمایاں طور پر بڑھایا جا سکتا ہے (Eckerson 1997)۔ اس طرح، صلاحیت کی منصوبہ بندی کرتے ہوئے، اس بات کو یقینی بنانا ضروری ہے کہ جو نظام بنایا جا رہا ہے، ضرورت کے بڑھنے کے ساتھ ساتھ ترقی کر سکے (Best 1995، LaPlante 1996، Lang 1997، Eckerson 1997، Rudin 1997a، Foley 1997a)۔
ڈیٹا بیس کی اسکیل ایبلٹی کی منصوبہ بندی میں، کسی کو گودام کے سائز میں متوقع نمو، سوالات کی اقسام اور معاون صارفین کی تعداد (Best 1995, Rudin 1997b, Foley 1997a) کا علم ہونا چاہیے۔ اسکیل ایبل ایپلی کیشنز بنانے کے لیے اسکیل ایبل سرور ٹیکنالوجیز اور اسکیل ایبل ایپلیکیشن ڈیزائن تکنیکوں کے امتزاج کی ضرورت ہوتی ہے (بہترین 1995، روڈن 1997b۔ دونوں ایک انتہائی قابل توسیع ایپلی کیشن بنانے کے لیے ضروری ہیں۔ اسکیل ایبل سرور ٹیکنالوجیز بغیر کسی کمی کے اسٹوریج، میموری اور CPU کو شامل کرنا آسان اور فائدہ مند بنا سکتی ہیں۔ کارکردگی (Lang 1997، ٹیلی فونی 1997)۔

دو اہم اسکیل ایبل سرور ٹیکنالوجیز ہیں: سمیٹرک ملٹیپل پروسیسنگ (SMP) اور بڑے پیمانے پر متوازی پروسیسنگ (MPP) (IDC 1997، Humphries et al. 1999)۔ ایک SMP سرور میں عام طور پر ایک سے زیادہ پروسیسرز ہوتے ہیں جو ایک میموری، سسٹم بس، اور دیگر وسائل کا اشتراک کرتے ہیں (IDC 1997، Humphries et al. 1999)۔ اس کو بڑھانے کے لیے اضافی پروسیسرز شامل کیے جا سکتے ہیں۔ پوٹینزا کمپیوٹیشنل بڑھانے کا ایک اور طریقہ پوٹینزا SMP سرور کا، متعدد SMP مشینوں کو یکجا کرنا ہے۔ اس تکنیک کو کلسٹرنگ (Humphries et al. 1999) کے نام سے جانا جاتا ہے۔ دوسری طرف، ایک MPP سرور، ہر ایک کی اپنی میموری، بس سسٹم، اور دیگر وسائل کے ساتھ متعدد پروسیسر ہوتے ہیں (IDC 1997، Humphries et al. 1999)۔ ہر پروسیسر کو نوڈ کہا جاتا ہے۔ میں اضافہ پوٹینزا کمپیوٹیشنل حاصل کیا جا سکتا ہے۔

MPP سرورز میں اضافی نوڈس شامل کرنا (Humphries et al. 1999)۔

ایس ایم پی سرورز کی ایک کمزوری یہ ہے کہ بہت زیادہ ان پٹ آؤٹ پٹ (I/O) آپریشن سسٹم بس (IDC 1997) کو روک سکتے ہیں۔ یہ مسئلہ MPP سرورز میں نہیں ہوتا کیونکہ ہر پروسیسر کا اپنا بس سسٹم ہوتا ہے۔ تاہم، ہر نوڈ کے درمیان باہمی رابطے عام طور پر SMP بس سسٹم کے مقابلے میں بہت سست ہوتے ہیں۔ مزید برآں، MPP سرورز ایپلیکیشن ڈویلپرز (IDC 1997) میں پیچیدگی کی ایک اضافی سطح کا اضافہ کر سکتے ہیں۔ اس طرح، SMP اور MPP سرورز کے درمیان انتخاب بہت سے عوامل سے متاثر ہو سکتا ہے، بشمول ایپلی کیشنز کی پیچیدگی، قیمت/کارکردگی کا تناسب، مطلوبہ پروسیسنگ کی گنجائش، روکی ہوئی dw ایپلی کیشنز اور اس کے سائز میں اضافہ۔ ڈیٹا بیس dw اور اختتامی صارفین کی تعداد میں۔

صلاحیت کی منصوبہ بندی میں متعدد توسیع پذیر ایپلیکیشن ڈیزائن تکنیکوں کو استعمال کیا جا سکتا ہے۔ کوئی نوٹیفکیشن کے مختلف ادوار کا استعمال کرتا ہے جیسے دن، ہفتے، مہینے اور سال۔ نوٹیفکیشن کے مختلف ادوار کے ساتھ، ڈیٹا بیس اسے منظم طریقے سے گروپ شدہ ٹکڑوں میں تقسیم کیا جاسکتا ہے (Inmon et al. 1997)۔ ایک اور تکنیک سمری ٹیبلز کا استعمال کرنا ہے جو خلاصہ کرکے بنائے جاتے ہیں۔ ڈیٹا da ڈیٹا تفصیلی. اس طرح، i ڈیٹا خلاصہ تفصیلی سے زیادہ کمپیکٹ ہے، جس میں میموری کی جگہ کم ہوتی ہے۔ تو ڈیٹا تفصیل کو کم مہنگے سٹوریج یونٹ میں ذخیرہ کیا جا سکتا ہے، جس سے اور بھی زیادہ سٹوریج کی بچت ہوتی ہے۔ اگرچہ سمری ٹیبلز کا استعمال میموری کی جگہ کو بچا سکتا ہے، لیکن انہیں تازہ ترین اور کاروباری ضروریات کے مطابق رکھنے کے لیے بہت زیادہ محنت کی ضرورت ہوتی ہے۔ تاہم، یہ تکنیک وسیع پیمانے پر استعمال ہوتی ہے اور اکثر پچھلی تکنیک کے ساتھ مل کر استعمال ہوتی ہے (بہترین 1995، انمون 1996a، چوہدری اور دیال
1997).

بیان کرنا ڈیٹا ویئرہاؤس ٹیکنیکل آرکیٹیکچر ڈی ڈبلیو آرکیٹیکچر کی تکنیک کی تعریف

ڈیٹا ویئر ہاؤسنگ کے ابتدائی اختیار کرنے والوں نے بنیادی طور پر ڈی ڈبلیو کے مرکزی نفاذ کا تصور کیا جس میں تمام ڈیٹا، بشمول میں ڈیٹا بیرونی، ایک واحد میں ضم کیا گیا تھا،
طبعی ذخیرہ (Inmon 1996a، Bresnahan 1996، Peacock 1998)۔

اس نقطہ نظر کا بنیادی فائدہ یہ ہے کہ اختتامی صارفین انٹرپرائز کے وسیع منظر تک رسائی حاصل کرنے کے قابل ہیں۔ ڈیٹا تنظیمی (Ovum 1998)۔ ایک اور فائدہ یہ ہے کہ یہ معیاری کاری فراہم کرتا ہے۔ ڈیٹا تنظیم کے ذریعے، جس کا مطلب ہے کہ ڈی ڈبلیو ریپوزٹری (میٹا ڈیٹا) میں استعمال ہونے والی ہر اصطلاح کے لیے صرف ایک ورژن یا تعریف ہے۔ دوسری طرف اس نقطہ نظر کا نقصان یہ ہے کہ یہ مہنگا اور تعمیر کرنا مشکل ہے (Flanagan and Safdie 1997, Ovum 1998, Inmon et al. 1997)۔ سٹوریج کے فن تعمیر کے بعد زیادہ دیر نہیں۔ ڈیٹا سنٹرلائزڈ مقبول ہو گیا، ارتقاء کے چھوٹے سب سیٹ نکالنے کا تصور ڈیٹا مخصوص ایپلی کیشنز کی ضروریات کو پورا کرنے کے لیے (Varney 1996, IDC 1997, Berson and Smith 1997, peacock 1998)۔ یہ چھوٹے نظام بڑے سے مشتق ہیں۔ ڈیٹا گودام مرکزی ان کے نام ہیں۔ ڈیٹا گودام منحصر محکمانہ یا منحصر ڈیٹا مارٹس۔ منحصر ڈیٹا مارٹ فن تعمیر کو تین درجے والے فن تعمیر کے نام سے جانا جاتا ہے جہاں پہلا درجے پر مشتمل ہوتا ہے۔ ڈیٹا گودام مرکزی، دوسرا کے ذخائر پر مشتمل ہے ڈیٹا محکمانہ اور تیسرا تک رسائی پر مشتمل ہے۔ ڈیٹا اور تجزیہ کے آلات کے ذریعے (Demarest 1994، Inmon et al. 1997)۔

ڈیٹا مارٹس عام طور پر اس کے بعد بنائے جاتے ہیں۔ ڈیٹا گودام سنٹرلائزڈ کو مخصوص اکائیوں کی ضروریات کو پورا کرنے کے لیے بنایا گیا تھا (وائٹ 1995، ورنی 1996)۔
ڈیٹا مارٹس اسٹور i ڈیٹا خاص اکائیوں سے متعلق بہت ہی متعلقہ (Inmon et al. 1997, Inmon et al. 1998, IA 1998)۔

اس طریقہ کار کا فائدہ یہ ہے کہ نہیں ہوگا۔ ڈیٹو مربوط نہیں ہے اور وہ i ڈیٹا تمام ڈیٹا مارٹس کے اندر کم بے کار ہو گا۔ ڈیٹا کی جمع سے آتے ہیں ڈیٹا ضم. ایک اور فائدہ یہ ہے کہ ہر ڈیٹا مارٹ اور اس کے ذرائع کے درمیان کچھ رابطے ہوں گے۔ ڈیٹا کیونکہ ہر ڈیٹا مارٹ کا صرف ایک ذریعہ ہوتا ہے۔ ڈیٹا. اس کے علاوہ اس فن تعمیر کے ساتھ، اختتامی صارفین اب بھی کے جائزہ تک رسائی حاصل کر سکتے ہیں۔ ڈیٹا

کارپوریٹ تنظیموں. یہ طریقہ ٹاپ ڈاون طریقہ کے طور پر جانا جاتا ہے، جہاں ڈیٹا مارٹس کے بعد بنایا جاتا ہے۔ ڈیٹا گودام (میور 1998، گوف 1998)۔
جلد نتائج دکھانے کی ضرورت کو بڑھاتے ہوئے، کچھ تنظیموں نے آزاد ڈیٹا مارٹس بنانا شروع کر دیا ہے (Flanagan and Safdie 1997, White 2000)۔ اس صورت میں، ڈیٹا مارٹس ان کے اپنے حاصل کرتے ہیں ڈیٹا کی بنیادی باتوں سے براہ راست ڈیٹا OLTP نہ کہ مرکزی اور مربوط گودام سے، اس طرح سائٹ پر مرکزی گودام رکھنے کی ضرورت ختم ہو جاتی ہے۔

ہر ڈیٹا مارٹ کو اپنے ذرائع سے کم از کم ایک لنک کی ضرورت ہوتی ہے۔ ڈیٹا. ہر ڈیٹا مارٹ کے لیے ایک سے زیادہ کنکشن رکھنے کا ایک نقصان یہ ہے کہ، پچھلے دو فن تعمیرات کے مقابلے، بہت زیادہ ڈیٹا نمایاں طور پر بڑھتا ہے.

ہر ڈیٹا مارٹ کو تمام ذخیرہ کرنا ضروری ہے۔ ڈیٹا مقامی طور پر ضروری ہے کہ OLTP سسٹمز پر کوئی اثر نہ پڑے۔ اس کا سبب بنتا ہے کہ i ڈیٹا وہ مختلف ڈیٹا مارٹس (Inmon et al. 1997) میں محفوظ ہیں۔ اس فن تعمیر کا ایک اور نقصان یہ ہے کہ یہ ڈیٹا مارٹس اور ان کے ڈیٹا ذرائع کے درمیان پیچیدہ باہمی ربط پیدا کرنے کا باعث بنتا ہے۔ ڈیٹا جن پر عمل درآمد اور کنٹرول کرنا مشکل ہے (Inmon et al. 1997)۔

ایک اور نقصان یہ ہے کہ آخری صارفین کمپنی کی معلومات کے جائزہ تک رسائی حاصل نہیں کر سکتے کیونکہ i ڈیٹا مختلف ڈیٹا مارٹس کو مربوط نہیں کیا گیا ہے (Ovum 1998)۔
پھر بھی ایک اور نقصان یہ ہے کہ ڈیٹا مارٹس میں استعمال ہونے والی ہر اصطلاح کے لیے ایک سے زیادہ تعریفیں ہو سکتی ہیں جو کہ تضادات پیدا کرتی ہیں۔ ڈیٹا تنظیم میں (Ovum 1998)۔
اوپر بیان کیے گئے نقصانات کے باوجود، آزاد ڈیٹا مارٹس اب بھی بہت سی تنظیموں کی دلچسپی کو اپنی طرف متوجہ کرتے ہیں (IDC 1997)۔ ایک عنصر جو انہیں پرکشش بناتا ہے وہ یہ ہے کہ وہ تیزی سے نشوونما پاتے ہیں اور انہیں کم وقت اور وسائل درکار ہوتے ہیں (بریسناہن 1996، برسن اور اسمتھ 1997، اووم 1998)۔ نتیجتاً، وہ بنیادی طور پر ٹیسٹ پروجیکٹس کے طور پر کام کرتے ہیں جن کا استعمال فوری طور پر پراجیکٹ میں فوائد اور/یا خامیوں کی نشاندہی کرنے کے لیے کیا جا سکتا ہے (پارسے 1995، بریلی 1995، نیونگ 1996)۔ اس صورت میں، پائلٹ پروجیکٹ میں لاگو کیا جانے والا حصہ چھوٹا لیکن تنظیم کے لیے اہم ہونا چاہیے (Newing 1996, Mansell-Lewis 1996)۔

پروٹو ٹائپ کا جائزہ لے کر، اختتامی صارفین اور انتظامیہ فیصلہ کر سکتے ہیں کہ آیا اس منصوبے کو جاری رکھنا ہے یا بند کرنا ہے (Flanagan and Safdie 1997)۔
اگر فیصلہ جاری رکھنا ہے تو، دوسری صنعتوں کے لیے ڈیٹا مارٹس ایک وقت میں ایک بنائے جائیں۔ اختتامی صارفین کے لیے ان کی ضروریات کی بنیاد پر آزاد ڈیٹا میٹرس بنانے کے لیے دو اختیارات ہیں: مربوط/فیڈریٹڈ اور غیر مربوط (اووم 1998)

پہلے طریقہ میں، ہر نیا ڈیٹا مارٹ موجودہ ڈیٹا مارٹس اور ماڈل کی بنیاد پر بنایا جانا چاہیے۔ ڈیٹا کمپنی کے ذریعہ استعمال کیا گیا (وارنی 1996، برسن اور اسمتھ 1997، پیاکاک 1998)۔ ماڈل کو استعمال کرنے کی ضرورت ہے۔ ڈیٹا کمپنی کا مطلب یہ ہے کہ اس بات کو یقینی بنایا جائے کہ ڈیٹا مارٹس میں استعمال ہونے والی ہر اصطلاح کے لیے صرف ایک تعریف ہے، یہ اس بات کو بھی یقینی بنانا ہے کہ کمپنی کی معلومات کا جائزہ دینے کے لیے مختلف ڈیٹا مارٹس کو ملایا جا سکے (بریسناہن 1996)۔ اس طریقہ کو باٹم اپ کہا جاتا ہے اور یہ بہترین ہے جب مالی ذرائع اور وقت کی پابندی ہو (فلاناگن اور صفدی 1997، اووم 1998، پیاکاک 1998، گوف 1998)۔ دوسرے طریقہ میں، تعمیر شدہ ڈیٹا مارٹس صرف ایک مخصوص یونٹ کی ضروریات کو پورا کر سکتے ہیں۔ فیڈریٹڈ ڈیٹا مارٹ کی ایک قسم ہے۔ ڈیٹا گودام تقسیم کیا گیا جس میں ڈیٹا بیس حب سرور مڈل ویئر کا استعمال بہت سے ڈیٹا مارٹس کو ایک ہی ذخیرہ میں ضم کرنے کے لیے کیا جاتا ہے۔ ڈیٹا تقسیم (وائٹ 1995)۔ اس صورت میں، i ڈیٹا کمپنیاں کئی ڈیٹا مارٹس میں تقسیم کی جاتی ہیں۔ اختتامی صارف کی درخواستیں بھیجی جاتی ہیں۔ ڈیٹا بیس حب سرور مڈل ویئر، جو سب کو نکالتا ہے۔ ڈیٹا ڈیٹا مارٹس کے ذریعہ درخواست کی جاتی ہے اور نتائج کو صارف کے اختتامی ایپلی کیشنز کو واپس کرتا ہے۔ یہ طریقہ اختتامی صارفین کو کاروباری معلومات فراہم کرتا ہے۔ تاہم، آزاد ڈیٹا مارٹس کے مسائل اب بھی ختم نہیں ہوئے ہیں۔ ایک اور فن تعمیر ہے جسے استعمال کیا جا سکتا ہے جسے کہا جاتا ہے۔ ڈیٹا گودام ورچوئل (وائٹ 1995)۔ تاہم، یہ فن تعمیر، جو کہ شکل 2.9 میں بیان کیا گیا ہے، ڈیٹا ذخیرہ کرنے کا فن تعمیر نہیں ہے۔ ڈیٹا اصلی کیونکہ یہ OLTP سسٹم سے لوڈنگ کو منتقل نہیں کرتا ہے۔ ڈیٹا گودام (ڈیمارسٹ 1994)۔

اصل میں، کے لئے درخواستیں ڈیٹا اختتامی صارفین کی طرف سے OLTP سسٹمز کو منتقل کیا جاتا ہے جو صارف کی درخواستوں پر کارروائی کے بعد نتائج واپس کرتے ہیں۔ اگرچہ یہ فن تعمیر اختتامی صارفین کو رپورٹیں بنانے اور درخواستیں کرنے کی اجازت دیتا ہے، لیکن یہ فراہم نہیں کر سکتا

ڈیٹا i کے بعد سے کمپنی کی معلومات کی تاریخ اور جائزہ ڈیٹا مختلف OLTP سسٹمز سے مربوط نہیں ہیں۔ لہذا، یہ فن تعمیر کے تجزیہ کو مطمئن نہیں کر سکتا ڈیٹا پیچیدہ جیسے پیشن گوئی.

رسائی اور بازیابی کی درخواستوں کا انتخاب ڈیٹا

تعمیر کا مقصد a ڈیٹا گودام آخری صارفین تک معلومات پہنچانا ہے (Inmon et al. 1997, Poe 1996, McFadden 1996, Shanks et al. 1997, Hammergren 1998); ایک یا زیادہ رسائی اور بازیابی کی ایپلی کیشنز ڈیٹا فراہم کرنا ضروری ہے. آج تک، ان ایپلی کیشنز کی وسیع اقسام موجود ہیں جن سے صارف انتخاب کر سکتا ہے (Hammergren 1998, Humphries et al. 1999)۔ آپ کی منتخب کردہ ایپلیکیشنز آپ کی گودام کی کوششوں کی کامیابی کا تعین کرتی ہیں۔ ڈیٹا کسی تنظیم میں کیونکہ ایپلی کیشنز اس کا سب سے زیادہ دکھائی دینے والا حصہ ہیں۔ ڈیٹا گودام آخری صارف تک (Inmon et al. 1997, Poe 1996)۔ کامیاب ہونا a ڈیٹا گودامکے تجزیہ کی سرگرمیوں کی حمایت کرنے کے قابل ہونا ضروری ہے ڈیٹا آخری صارف کا (Poe 1996، Seddon and Benjamin 1998، Eckerson 1999)۔ اس طرح آخری صارف جو چاہتا ہے اس کی "سطح" کی شناخت ہونی چاہیے (Poe 1996, Mattison 1996, Inmon et al. 1997, Humphries et al. 1999)۔

عام طور پر، اختتامی صارفین کو تین زمروں میں گروپ کیا جا سکتا ہے: ایگزیکٹو صارفین، کاروباری تجزیہ کار اور طاقت استعمال کرنے والے (Poe 1996، Humphries et al. 1999)۔ ایگزیکٹو صارفین کو رپورٹس کے پہلے سے طے شدہ سیٹ تک آسان رسائی کی ضرورت ہوتی ہے (Humphries et al. 1999)۔ مینو نیویگیشن (Poe 1996) کے ساتھ ان تناسب تک آسانی سے رسائی حاصل کی جا سکتی ہے۔ اس کے علاوہ، رپورٹس کو تصویری نمائندگی کا استعمال کرتے ہوئے معلومات پیش کرنی چاہیے جیسے کہ جدولوں اور ٹیمپلیٹس کو معلومات کو تیزی سے پہنچانے کے لیے (Humphries et al. 1999)۔ کاروباری تجزیہ کار، جن کے پاس اپنے طور پر شروع سے رپورٹس تیار کرنے کی تکنیکی صلاحیتیں نہیں ہیں، انہیں اپنی مخصوص ضروریات کو پورا کرنے کے لیے موجودہ رپورٹس میں ترمیم کرنے کے قابل ہونے کی ضرورت ہے (Poe 1996, Humphries et al. 1999)۔ دوسری طرف پاور یوزرز، آخری صارفین کی قسم ہیں جو شروع سے درخواستیں اور رپورٹیں تیار کرنے اور لکھنے کی صلاحیت رکھتے ہیں (Poe 1996, Humphries et al. 1999)۔ وہ وہی ہیں جو

وہ دوسری قسم کے صارفین کے لیے رپورٹ تیار کرتے ہیں (Poe 1996, Humphries et al. 1999)۔

ایک بار آخری صارف کی ضروریات کا تعین ہو جانے کے بعد، رسائی اور بازیابی کی درخواستوں کا انتخاب کرنا ضروری ہے۔ ڈیٹا ان تمام دستیاب افراد میں (Poe 1996، Inmon et al. 1997)۔
تک رسائی ڈیٹا اور بازیافت ٹولز کو 4 اقسام میں درجہ بندی کیا جا سکتا ہے: OLAP ٹولز، EIS/DSS ٹولز، استفسار اور رپورٹنگ ٹولز اور ڈیٹا مائننگ ٹولز۔

OLAP ٹولز صارفین کو ایڈہاک سوالات کے ساتھ ساتھ پر بنائے گئے سوالات بنانے کی اجازت دیتے ہیں۔ ڈیٹا بیس کی ڈیٹا گودام. مزید برآں، یہ مصنوعات صارفین کو ڈرل ڈاؤن کرنے کی اجازت دیتی ہیں۔ ڈیٹا عمومی سے تفصیلی تک۔

EIS/DSS ٹولز ایگزیکٹیو رپورٹنگ فراہم کرتے ہیں جیسے "کیا اگر" تجزیہ اور مینو سے چلنے والی رپورٹس تک رسائی۔ رپورٹس کو پہلے سے طے شدہ اور آسان نیویگیشن کے لیے مینو کے ساتھ ضم کیا جانا چاہیے۔
استفسار اور رپورٹنگ ٹولز صارفین کو پہلے سے طے شدہ اور مخصوص رپورٹیں تیار کرنے کی اجازت دیتے ہیں۔

ڈیٹا مائننگ ٹولز کا استعمال ان رشتوں کی شناخت کے لیے کیا جاتا ہے جو کہ فراموش شدہ آپریشنز پر نئی روشنی ڈال سکتے ہیں۔ ڈیٹا ڈیٹا گودام کے.

ہر قسم کے صارف کی ضروریات کو بہتر بنانے کے ساتھ، منتخب کردہ ٹولز بدیہی، موثر اور استعمال میں آسان ہونے چاہئیں۔ انہیں فن تعمیر کے دوسرے حصوں کے ساتھ مطابقت رکھنے اور موجودہ نظاموں کے ساتھ کام کرنے کے قابل ہونے کی بھی ضرورت ہے۔ مناسب قیمتوں اور کارکردگی کے ساتھ ڈیٹا تک رسائی اور بازیافت کے ٹولز کا انتخاب کرنے کی بھی سفارش کی جاتی ہے۔ غور کرنے کے لیے دیگر معیارات میں ٹول وینڈر کی اپنی پروڈکٹ کو سپورٹ کرنے کی وابستگی اور آئندہ ریلیز میں یہ کیسے ترقی کرے گی۔ ڈیٹا گودام کے استعمال میں صارف کی شمولیت کو یقینی بنانے کے لیے، ترقیاتی ٹیم صارفین کو آلے کے انتخاب کے عمل میں شامل کرتی ہے۔ اس صورت میں ایک عملی صارف کی تشخیص کی جانی چاہئے۔

ڈیٹا گودام کی قدر کو بہتر بنانے کے لیے ڈیولپمنٹ ٹیم اپنے ڈیٹا گودام تک ویب رسائی بھی فراہم کر سکتی ہے۔ ایک ویب سے چلنے والا ڈیٹا گودام صارفین کو رسائی حاصل کرنے کی اجازت دیتا ہے۔ ڈیٹا دور دراز مقامات سے یا سفر کے دوران۔ معلومات بھی مل سکتی ہیں۔

تربیت کے اخراجات میں کمی کے ذریعے کم لاگت پر مہیا کیا جائے۔

2.4.3 ڈیٹا ویئرہاؤس آپریشن کا مرحلہ

یہ مرحلہ تین سرگرمیوں پر مشتمل ہے: ڈیٹا ریفریش کی حکمت عملیوں کی تعریف، ڈیٹا گودام کی سرگرمیوں کا کنٹرول اور ڈیٹا گودام سیکیورٹی کا انتظام۔

ڈیٹا ریفریش کی حکمت عملیوں کی تعریف

ابتدائی لوڈنگ کے بعد، i ڈیٹا میں ڈیٹا بیس ڈیٹا گودام کو ان میں کی گئی تبدیلیوں کو دوبارہ پیش کرنے کے لیے وقتاً فوقتاً تازہ کیا جانا چاہیے۔ ڈیٹا اصل اس لیے آپ کو یہ فیصلہ کرنا چاہیے کہ کب ریفریش کرنا ہے، کتنی بار ریفریش کرنا چاہیے اور ڈیٹا کو کیسے ریفریش کرنا ہے۔ ڈیٹا. یہ تازہ کرنے کی تجویز ہے ڈیٹا جب سسٹم کو آف لائن لیا جا سکتا ہے۔ ریفریش فریکوئنسی کا تعین ڈویلپمنٹ ٹیم صارف کی ضروریات کی بنیاد پر کرتی ہے۔ ڈیٹا گودام کو ریفریش کرنے کے دو طریقے ہیں: مکمل ریفریش اور تبدیلیوں کی مسلسل لوڈنگ۔

پہلا نقطہ نظر، مکمل ریفریش، سب کو دوبارہ لوڈ کرنے کی ضرورت ہے۔ ڈیٹا شروع سے. اس کا مطلب یہ ہے کہ تمام ڈیٹا ضرورت کو ہر ایک تازہ کاری میں نکالا، صاف، تبدیل اور ضم کیا جانا چاہیے۔ اس نقطہ نظر سے جہاں تک ممکن ہو گریز کیا جانا چاہیے کیونکہ اس کے لیے بہت زیادہ وقت اور وسائل درکار ہیں۔

ایک متبادل طریقہ یہ ہے کہ تبدیلیاں مسلسل اپ لوڈ کی جائیں۔ یہ شامل کرتا ہے i ڈیٹا جو کہ آخری ڈیٹا گودام ریفریش سائیکل کے بعد سے تبدیل کر دیا گیا ہے۔ نئے یا تبدیل شدہ ریکارڈوں کی نشاندہی کرنے سے اس کی مقدار میں نمایاں کمی واقع ہوتی ہے۔ ڈیٹا جس کو ہر اپ ڈیٹ میں ڈیٹا گودام میں پھیلایا جانا چاہیے کیونکہ صرف ان سے ڈیٹا میں شامل کیا جائے گا۔ ڈیٹا بیس ڈیٹا گودام کے.

کم از کم 5 طریقے ہیں جو i واپس لینے کے لیے استعمال کیے جا سکتے ہیں۔ ڈیٹا نیا یا ترمیم شدہ۔ ایک موثر ڈیٹا ریفریش حکمت عملی حاصل کرنے کے لیے ڈیٹا ان طریقوں کا ایک مرکب جو نظام میں ہونے والی تمام تبدیلیوں کو حاصل کرتا ہے مفید ہو سکتا ہے۔

پہلا نقطہ نظر، جو ٹائم اسٹیمپ کا استعمال کرتا ہے، فرض کرتا ہے کہ سب کو تفویض کیا گیا ہے۔ ڈیٹا ٹائم اسٹیمپ میں ترمیم اور اپ ڈیٹ کیا تاکہ آپ آسانی سے سب کی شناخت کر سکیں ڈیٹا ترمیم شدہ اور نیا۔ تاہم، یہ طریقہ آج کے زیادہ تر آپریٹنگ سسٹمز میں وسیع پیمانے پر استعمال نہیں کیا گیا ہے۔
دوسرا نقطہ نظر ایک ایسی ایپلی کیشن کے ذریعہ تیار کردہ ڈیلٹا فائل کا استعمال کرنا ہے جس میں صرف تبدیلیاں شامل ہیں۔ ڈیٹا. اس فائل کا استعمال اپ ڈیٹ سائیکل کو بھی بڑھا دیتا ہے۔ تاہم، یہ طریقہ بھی بہت سے ایپلی کیشنز میں استعمال نہیں کیا گیا ہے.
تیسرا طریقہ لاگ فائل کو اسکین کرنا ہے، جس میں بنیادی طور پر ڈیلٹا فائل کی طرح کی معلومات ہوتی ہیں۔ فرق صرف اتنا ہے کہ ایک لاگ فائل ریکوری کے عمل کے لیے بنائی جاتی ہے اور اسے سمجھنا مشکل ہو سکتا ہے۔
چوتھا طریقہ درخواست کوڈ میں ترمیم کرنا ہے۔ تاہم، زیادہ تر ایپلیکیشن کوڈ پرانا اور نازک ہے۔ اس لیے اس تکنیک سے بچنا چاہیے۔
آخری نقطہ نظر i کا موازنہ کرنا ہے۔ ڈیٹا مین ڈی آئی فائل کے ساتھ ذرائع ڈیٹا.

ڈیٹا گودام کی سرگرمیوں کی نگرانی

ایک بار جب ڈیٹا گودام صارفین کے لیے جاری کر دیا جائے تو وقت کے ساتھ ساتھ اس کی نگرانی کی جانی چاہیے۔ اس صورت میں، ڈیٹا گودام کا منتظم ڈیٹا گودام کے استعمال کی نگرانی کے لیے ایک یا زیادہ مینجمنٹ اور کنٹرول ٹولز کا استعمال کر سکتا ہے۔ خاص طور پر، لوگوں اور اس وقت کے بارے میں معلومات جمع کی جا سکتی ہیں جس میں وہ ڈیٹا گودام تک رسائی حاصل کرتے ہیں۔ چلو بھئی ڈیٹا جمع کیے گئے کام کا ایک پروفائل بنایا جا سکتا ہے جسے صارف کے چارج بیک کے نفاذ میں بطور ان پٹ استعمال کیا جا سکتا ہے۔ چارج بیک صارفین کو ڈیٹا گودام پروسیسنگ لاگت کے بارے میں مطلع کرنے کی اجازت دیتا ہے۔

مزید برآں، ڈیٹا گودام آڈٹ کو سوالات کی اقسام، ان کے سائز، روزانہ سوالات کی تعداد، استفسار کے رد عمل کے اوقات، شعبوں تک پہنچنے اور ان کی مقدار کی شناخت کے لیے بھی استعمال کیا جا سکتا ہے۔ ڈیٹا عملدرآمد ڈیٹا گودام آڈیٹنگ کرنے کا ایک اور مقصد شناخت کرنا ہے۔ ڈیٹا جو کہ استعمال میں نہیں ہیں۔ یہ ڈیٹا وقت کو بہتر بنانے کے لیے انہیں ڈیٹا گودام سے ہٹایا جا سکتا ہے۔

استفسار پر عملدرآمد کے جواب اور کی ترقی کو کنٹرول کرنے کے ڈیٹا جو اندر رہتے ہیں۔ ڈیٹا بیس ڈیٹا گودام کے.

ڈیٹا گودام سیکیورٹی کا انتظام

ڈیٹا گودام پر مشتمل ہے۔ ڈیٹا مربوط، نازک، حساس جس تک آسانی سے پہنچا جا سکتا ہے۔ اس وجہ سے اسے غیر مجاز صارفین سے محفوظ کیا جانا چاہئے۔ سیکیورٹی کو نافذ کرنے کا ایک طریقہ ڈیل فنکشن کا استعمال کرنا ہے۔ ڈی بی ایم ایس مختلف قسم کے صارفین کو مختلف مراعات تفویض کرنے کے لیے۔ اس طرح، ہر قسم کے صارف کے لیے ایک رسائی پروفائل کو برقرار رکھا جانا چاہیے۔ ڈیٹا گودام کو محفوظ کرنے کا ایک اور طریقہ یہ ہے کہ اسے انکرپٹ کیا جائے جیسا کہ میں لکھا ہے۔ ڈیٹا بیس ڈیٹا گودام کے. تک رسائی ڈیٹا اور بازیافت ٹولز کو ڈکرپٹ کرنا ہوتا ہے۔ ڈیٹا صارفین کو نتائج پیش کرنے سے پہلے۔

2.4.4 ڈیٹا ویئرہاؤس تعیناتی کا مرحلہ

ڈیٹا گودام کے نفاذ کے چکر میں یہ آخری مرحلہ ہے۔ اس مرحلے میں جو سرگرمیاں کی جائیں گی ان میں صارفین کو ڈیٹا گودام استعمال کرنے کی تربیت دینا اور ڈیٹا گودام کا جائزہ لینا شامل ہے۔

صارف کی تربیت

تک رسائی حاصل کرنے سے پہلے صارف کی تربیت کی جانی چاہئے۔ ڈیٹا ڈیٹا گودام اور بازیافت ٹولز کا استعمال۔ عام طور پر، سیشن کا آغاز اسٹوریج کے تصور کے تعارف کے ساتھ ہونا چاہیے۔ ڈیٹاڈیٹا گودام کا مواد، میٹا ڈیٹا اور ٹولز کی بنیادی خصوصیات۔ اس کے بعد، زیادہ ترقی یافتہ صارفین ڈیٹا تک رسائی اور بازیافت کے ٹولز کی فزیکل ٹیبلز اور صارف کی خصوصیات کا بھی مطالعہ کر سکتے ہیں۔

صارف کی تربیت کرنے کے بہت سے طریقے ہیں۔ ان میں سے ایک میں بہت سے صارفین یا تجزیہ کاروں کا انتخاب شامل ہوتا ہے جنہیں صارفین کے ایک سیٹ سے منتخب کیا جاتا ہے، ان کی قیادت اور مواصلات کی مہارت کی بنیاد پر۔ وہ ذاتی طور پر ہر اس چیز کے بارے میں تربیت یافتہ ہیں جو انہیں سسٹم سے واقف ہونے کے لیے جاننے کی ضرورت ہے۔ تربیت مکمل ہونے کے بعد، وہ اپنی ملازمتوں پر واپس آ جاتے ہیں اور دوسرے صارفین کو سسٹم کو استعمال کرنے کا طریقہ سکھانا شروع کر دیتے ہیں۔ پر

جو کچھ انہوں نے سیکھا ہے اس کی بنیاد پر، دوسرے صارفین ڈیٹا گودام کو تلاش کرنا شروع کر سکتے ہیں۔
ایک اور طریقہ یہ ہے کہ ایک ہی وقت میں بہت سے صارفین کو تربیت دی جائے، جیسے کہ آپ کلاس روم کا کورس کر رہے ہوں۔ یہ طریقہ موزوں ہے جب بہت سے ایسے صارفین ہوں جنہیں ایک ہی وقت میں تربیت کی ضرورت ہو۔ ایک اور طریقہ یہ ہے کہ ہر صارف کو انفرادی طور پر تربیت دی جائے۔ یہ طریقہ موزوں ہے جب صارفین کی تعداد کم ہو۔

صارف کی تربیت کا مقصد آپ کو اس تک رسائی سے آشنا کرنا ہے۔ ڈیٹا اور بازیافت کے اوزار کے ساتھ ساتھ ڈیٹا گودام کے مواد۔ تاہم، کچھ صارفین تربیتی سیشن کے دوران فراہم کردہ معلومات کی مقدار سے مغلوب ہو سکتے ہیں۔ اس لیے، جاری امداد کے لیے اور مخصوص سوالات کے جوابات دینے کے لیے ریفریشر سیشنز کی ایک خاص تعداد میں ہونا چاہیے۔ بعض صورتوں میں اس قسم کی مدد فراہم کرنے کے لیے ایک صارف گروپ تشکیل دیا جاتا ہے۔

تاثرات جمع کرنا

ایک بار ڈیٹا گودام کو رول آؤٹ کرنے کے بعد، صارفین i استعمال کر سکتے ہیں۔ ڈیٹا جو مختلف مقاصد کے لیے ڈیٹا گودام میں رہتے ہیں۔ زیادہ تر، تجزیہ کار یا صارفین i ڈیٹا ڈیٹا گودام میں اس کے لیے:

1. 1 کمپنی کے رجحانات کی شناخت کریں۔
2. 2 کی خریداری پروفائلز کا تجزیہ کریں۔ گاہکوں
3. 3 تقسیم i گاہکوں ایڈ i
4. 4 کو بہترین خدمات فراہم کریں۔ گاہکوں - خدمات کو اپنی مرضی کے مطابق بنائیں
5. 5 حکمت عملی بنائیں مارکیٹنگ
6. 6 لاگت کے تجزیوں اور کنٹرول میں مدد کے لیے مسابقتی حوالہ جات فراہم کریں۔
7. 7 اسٹریٹجک فیصلہ سازی کی حمایت کریں۔
8. 8 نمایاں ہونے کے مواقع کی نشاندہی کریں۔
9. 9 موجودہ کاروباری عمل کے معیار کو بہتر بنائیں
10. 10 منافع کی جانچ کریں۔

ڈیٹا گودام کی ترقی کی سمت کے بعد، رائے حاصل کرنے کے لیے نظام کے جائزوں کا ایک سلسلہ منعقد کیا جا سکتا ہے۔

دونوں ترقیاتی ٹیم کی طرف سے اور آخری صارف برادری سے۔
حاصل کردہ نتائج کو اگلے ترقیاتی دور کے لیے مدنظر رکھا جا سکتا ہے۔

چونکہ ڈیٹا گودام میں ایک بڑھتا ہوا نقطہ نظر ہے، اس لیے پچھلی پیشرفت کی کامیابیوں اور غلطیوں سے سیکھنا بہت ضروری ہے۔

2.5 خلاصہ

اس باب میں ادب میں موجود طریقوں پر بحث کی گئی ہے۔ سیکشن 1 میں ڈیٹا گودام کے تصور اور فیصلہ سائنس میں اس کے کردار پر تبادلہ خیال کیا گیا۔ سیکشن 2 نے ڈیٹا گوداموں اور OLTP سسٹمز کے درمیان بنیادی فرق کو بیان کیا ہے۔ سیکشن 3 میں ہم نے موناش ڈیٹا ویئر ہاؤس ماڈل پر تبادلہ خیال کیا جو سیکشن 4 میں ڈیٹا گودام کی ترقی کے عمل میں شامل سرگرمیوں کو بیان کرنے کے لیے استعمال کیا گیا تھا، یہ مقالے سخت تحقیق پر مبنی نہیں تھے۔ حقیقت میں جو کچھ ہوتا ہے وہ ادب کی رپورٹوں سے بہت مختلف ہو سکتا ہے، تاہم ان نتائج کو ایک بنیادی پس منظر بنانے کے لیے استعمال کیا جا سکتا ہے جو اس تحقیق کے لیے ڈیٹا گودام کے تصور کو واضح کرتا ہے۔

کیپیٹولو 3۔

تحقیق اور ڈیزائن کے طریقے

یہ باب اس مطالعہ کے لیے تحقیق اور ڈیزائن کے طریقوں پر روشنی ڈالتا ہے۔ پہلا حصہ معلومات کی بازیافت کے لیے دستیاب تحقیقی طریقوں کا عمومی نقطہ نظر دکھاتا ہے، مزید یہ کہ کسی خاص مطالعہ کے لیے بہترین طریقہ کے انتخاب کے معیار پر بات کی گئی ہے۔ سیکشن 2 میں، ابھی سامنے آنے والے معیار کے ساتھ منتخب کردہ دو طریقوں پر پھر تبادلہ خیال کیا گیا ہے۔ ان میں سے ایک کو سیکشن 3 میں بیان کردہ وجوہات کے ساتھ منتخب کیا جائے گا اور اپنایا جائے گا جہاں دوسرے معیار کو چھوڑنے کی وجوہات بھی بیان کی گئی ہیں۔ سیکشن 4 تحقیقی ڈیزائن اور سیکشن 5 نتائج پیش کرتا ہے۔

3.1 انفارمیشن سسٹم میں تحقیق

انفارمیشن سسٹمز میں تحقیق صرف تکنیکی ڈومین تک ہی محدود نہیں ہے بلکہ رویے اور تنظیمی مقاصد کو شامل کرنے کے لیے اسے بڑھایا جانا چاہیے۔
ہم سماجی سے لے کر قدرتی علوم تک کے مختلف شعبوں کے مقالوں کے مرہون منت ہیں۔ یہ انفارمیشن سسٹمز کے لیے استعمال کیے جانے والے تحقیقی طریقوں کے ایک مخصوص اسپیکٹرم کی ضرورت کا باعث بنتا ہے جس میں مقداری اور کوالیٹیٹو طریقے شامل ہوں۔
تمام دستیاب تحقیقی طریقے اہم ہیں، درحقیقت کئی محققین جیسے Jenkins (1985)، Nunamaker et al. (1991)، اور گیلیئرز (1992) کا استدلال ہے کہ انفارمیشن سسٹم کے مختلف شعبوں میں تحقیق کرنے کا کوئی خاص عالمگیر طریقہ نہیں ہے۔ درحقیقت ایک طریقہ کسی خاص تحقیق کے لیے موزوں ہو سکتا ہے لیکن دوسروں کے لیے نہیں۔ اس سے ہمیں ایک ایسا طریقہ منتخب کرنے کی ضرورت پیش آتی ہے جو ہمارے خاص تحقیقی منصوبے کے لیے موزوں ہو: اس انتخاب کے لیے Benbasat et al. (1987) بیان کرتے ہیں کہ تحقیق کی نوعیت اور مقصد پر غور کیا جانا چاہیے۔

3.1.1 تحقیق کی نوعیت

تحقیق کی نوعیت پر مبنی مختلف طریقوں کو تین روایات میں درجہ بندی کیا جا سکتا ہے جو انفارمیشن سائنس میں وسیع پیمانے پر مشہور ہیں: مثبت، تشریحی اور تنقیدی تحقیق۔

3.1.1.1 مثبت تحقیق

مثبت تحقیق کو سائنسی یا تجرباتی مطالعہ بھی کہا جاتا ہے۔ یہ اس بات کی کوشش کرتا ہے: "اس کی تشکیل کرنے والے عناصر کے مابین باقاعدگی اور وجہ اثر تعلقات کو دیکھ کر معاشرتی دنیا میں کیا ہوگا اس کی وضاحت اور پیش گوئی کرنا" (Shanks et al 1993)۔

مثبتیت پسندی کی تحقیق بھی دہرانے کی صلاحیت، آسانیاں اور تردید کی خصوصیت رکھتی ہے۔ مزید برآں، مثبتیت پسند تحقیق مطالعہ کیے گئے مظاہر کے درمیان ترجیحی تعلقات کے وجود کو تسلیم کرتی ہے۔
گیلیئرز (1992) کے مطابق درجہ بندی ایک تحقیقی طریقہ ہے جو مثبتیت پسندی کے پیراڈائم میں شامل ہے، تاہم یہ صرف اس تک محدود نہیں ہے، درحقیقت یہاں لیبارٹری کے تجربات، فیلڈ تجربات، کیس اسٹڈیز، تھیومز کے مظاہرے، پیشین گوئیاں اور نقالی ہیں۔ ان طریقوں کو استعمال کرتے ہوئے، محققین تسلیم کرتے ہیں کہ مطالعہ کیے گئے مظاہر کو معروضی اور سختی سے دیکھا جا سکتا ہے۔

3.1.1.2 تشریحی تحقیق

تشریحی تحقیق، جسے اکثر phenomenology یا anti-positivism کہا جاتا ہے، اسے Neuman (1994) نے "قدرتی حالات میں لوگوں کے براہ راست اور تفصیلی مشاہدے کے ذریعے عمل کے سماجی مفہوم کا منظم تجزیہ کے طور پر بیان کیا ہے، تاکہ کسی تفہیم تک پہنچ سکے اور اس بات کی تشریح کے لیے کہ لوگ اپنی سماجی دنیا کو کیسے تخلیق اور برقرار رکھتے ہیں۔ تشریحی مطالعات اس مفروضے کو مسترد کرتے ہیں کہ مشاہدہ شدہ مظاہر کو معروضی طور پر دیکھا جا سکتا ہے۔ درحقیقت وہ موضوعی تشریحات پر مبنی ہیں۔ مزید برآں، تشریحی محققین جن مظاہر کا وہ مطالعہ کرتے ہیں اس پر کوئی ترجیحی معنی مسلط نہیں کرتے۔

اس طریقہ کار میں موضوعی/ استدلالی مطالعہ، عمل کی تحقیق، وضاحتی/ تشریحی مطالعہ، مستقبل کی تحقیق اور کردار ادا کرنا شامل ہے۔ ان سروے اور کیس اسٹڈیز کے علاوہ اس نقطہ نظر میں شامل کیے جا سکتے ہیں کیونکہ یہ پیچیدہ حقیقی دنیا کے حالات میں افراد یا تنظیموں کے مطالعے سے متعلق ہیں۔

3.1.1.3 تنقیدی تحقیق

تنقیدی انکوائری سماجی علوم میں سب سے کم معلوم طریقہ ہے لیکن حال ہی میں انفارمیشن سسٹم کے محققین کی طرف سے توجہ حاصل ہوئی ہے۔ فلسفیانہ مفروضہ کہ سماجی حقیقت تاریخی طور پر لوگوں کے ساتھ ساتھ سماجی نظام ان کے اعمال اور تعاملات کے ذریعے تخلیق اور دوبارہ پیدا کرتی ہے۔ تاہم، ان کی قابلیت متعدد سماجی، ثقافتی اور سیاسی تحفظات کے ذریعے ثالثی کی جاتی ہے۔

تشریحی تحقیق کی طرح، تنقیدی تحقیق یہ برقرار رکھتی ہے کہ مثبت تحقیق کا سماجی تناظر سے کوئی تعلق نہیں ہے اور انسانی اعمال پر اس کے اثر کو نظر انداز کیا جاتا ہے۔
دوسری طرف تنقیدی تحقیق، تشریحی تحقیق پر تنقید کرتی ہے کہ وہ بہت زیادہ موضوعی ہے اور اس کا مقصد لوگوں کی زندگیوں کو بہتر بنانے میں مدد نہیں کرنا ہے۔ تنقیدی تحقیق اور دیگر دو طریقوں کے درمیان سب سے بڑا فرق اس کی تشخیصی جہت ہے۔ اگرچہ مثبتیت پسند اور تشریحی روایات کی معروضیت جمود یا سماجی حقیقت کی پیشین گوئی یا وضاحت کرنا ہے، تنقیدی تحقیق کا مقصد مطالعہ کے تحت سماجی حقیقت کا تنقیدی جائزہ لینا اور اسے تبدیل کرنا ہے۔

تنقیدی محققین عام طور پر سماجی اختلافات کو دور کرنے اور سماجی حالات کو بہتر بنانے کے لیے جمود کی مخالفت کرتے ہیں۔ تنقیدی تحقیق میں دلچسپی کے مظاہر کے عمل سے متعلق نقطہ نظر کی وابستگی ہوتی ہے اور اس لیے عام طور پر طول البلد ہوتی ہے۔ تحقیقی طریقوں کی مثالیں طویل مدتی تاریخی مطالعہ اور نسلی مطالعہ ہیں۔ تنقیدی تحقیق، تاہم، انفارمیشن سسٹم کی تحقیق میں بڑے پیمانے پر استعمال نہیں ہوئی ہے۔

3.1.2 تحقیق کا مقصد

تحقیق کی نوعیت کے ساتھ ساتھ، اس کا مقصد کسی خاص تحقیقی طریقہ کار کے انتخاب میں محقق کی رہنمائی کے لیے استعمال کیا جا سکتا ہے۔ تحقیقی منصوبے کا مقصد تحقیقی چکر کے سلسلے میں تحقیق کی پوزیشن سے گہرا تعلق رکھتا ہے جو تین مراحل پر مشتمل ہوتا ہے: تھیوری بلڈنگ، تھیوری ٹیسٹنگ اور تھیوری ریفائنمنٹ۔ اس طرح، تحقیقی چکر کے وقت کی بنیاد پر، ایک تحقیقی منصوبے کا ایک وضاحتی، وضاحتی، تحقیقی یا پیشین گوئی کا مقصد ہو سکتا ہے۔

3.1.2.1 تحقیقی تحقیق

تحقیقی تحقیق کا مقصد ایک بالکل نئے موضوع کی تحقیق کرنا اور مستقبل کی تحقیق کے لیے سوالات اور مفروضے وضع کرنا ہے۔ اس قسم کی تحقیق کو تھیوری بلڈنگ میں استعمال کیا جاتا ہے تاکہ کسی نئے علاقے میں ابتدائی حوالہ جات حاصل کیے جا سکیں۔ عام طور پر، معیاری تحقیق کے طریقے استعمال کیے جاتے ہیں، جیسے کیس اسٹڈیز یا فینومینولوجیکل اسٹڈیز۔

تاہم، تحقیقی سروے یا تجربات جیسی مقداری تکنیکوں کو استعمال کرنا بھی ممکن ہے۔

3.1.3.3 وضاحتی تلاش

وضاحتی تحقیق کا مقصد کسی خاص تنظیمی صورت حال یا مشق کا تجزیہ اور تفصیل سے بیان کرنا ہے۔ یہ نظریات کی تعمیر کے لیے موزوں ہے اور اسے مفروضوں کی تصدیق یا چیلنج کرنے کے لیے بھی استعمال کیا جا سکتا ہے۔ وضاحتی تحقیق میں عام طور پر اقدامات اور نمونوں کا استعمال شامل ہوتا ہے۔ تحقیق کے سب سے موزوں طریقوں میں سابقہ ​​واقعات کا سروے اور تجزیہ شامل ہے۔

3.1.2.3 وضاحتی تحقیق

وضاحتی تحقیق یہ بتانے کی کوشش کرتی ہے کہ چیزیں کیوں ہوتی ہیں۔ یہ ان حقائق پر مبنی ہے جن کا پہلے ہی مطالعہ کیا جا چکا ہے اور ان حقائق کی وجوہات تلاش کرنے کی کوشش کرتا ہے۔
اس طرح وضاحتی تحقیق عام طور پر تحقیقی یا وضاحتی تحقیق پر مبنی ہوتی ہے اور نظریات کی جانچ اور تطہیر کے لیے معاون ہوتی ہے۔ وضاحتی تحقیق عام طور پر کیس اسٹڈیز یا سروے پر مبنی تحقیقی طریقوں کو استعمال کرتی ہے۔

3.1.2.4 قبل از وقت تحقیق

روک تھام کی تحقیق کا مقصد مشاہدے کے تحت ان واقعات اور طرز عمل کی پیشین گوئی کرنا ہے جن کا مطالعہ کیا جا رہا ہے (Marshall and Rossman 1995)۔ پیشن گوئی سچائی کا معیاری سائنسی امتحان ہے۔ اس قسم کی تحقیق میں عام طور پر سروے یا تجزیہ شامل ہوتا ہے۔ ڈیٹا مورخین (ین 1989)

مندرجہ بالا بحث یہ ظاہر کرتی ہے کہ تحقیق کے بہت سے ممکنہ طریقے ہیں جو کسی خاص مطالعہ میں استعمال کیے جا سکتے ہیں۔ تاہم، ایک مخصوص طریقہ ہونا چاہیے جو کسی خاص قسم کے تحقیقی منصوبے کے لیے دوسروں سے زیادہ موزوں ہو۔ (گیلیئرز 1987، ین 1989، ڈی واؤس 1991)۔ لہذا، ہر محقق کو مختلف طریقوں کی خوبیوں اور کمزوریوں کا بغور جائزہ لینے کی ضرورت ہے، تاکہ تحقیقی منصوبے کے ساتھ موزوں ترین اور ہم آہنگ تحقیقی طریقہ اختیار کیا جا سکے۔ (جینکنز 1985، پروان اور کلاس 1992، بونومیا 1985، ین 1989، ہملٹن اور آئیوس 1992)۔

3.2 تلاش کے ممکنہ طریقے

اس پروجیکٹ کا مقصد آسٹریلوی تنظیموں میں i کے ساتھ تجربے کا مطالعہ کرنا تھا۔ ڈیٹا کی ترقی کے ساتھ ذخیرہ کیا گیا ہے۔ ڈیٹا گودام. داتو کہ، فی الحال، آسٹریلیا میں ڈیٹا گودام کے شعبے میں تحقیق کا فقدان ہے، یہ تحقیقی منصوبہ ابھی بھی تحقیقی چکر کے نظریاتی مرحلے میں ہے اور اس کا ایک تحقیقی مقصد ہے۔ آسٹریلیائی تنظیموں میں ڈیٹا گودام کو اپنانے کے تجربے کی کھوج کے لیے حقیقی معاشرے کی تشریح کی ضرورت ہے۔ نتیجتاً، تحقیقی منصوبے کے تحت فلسفیانہ مفروضہ روایتی تشریح کی پیروی کرتا ہے۔

دستیاب طریقوں کی سخت جانچ کے بعد، دو ممکنہ تحقیقی طریقوں کی نشاندہی کی گئی: سروے اور کیس اسٹڈیز، جنہیں تلاشی تحقیق کے لیے استعمال کیا جا سکتا ہے (Shanks et al. 1993)۔ گیلیئرز (1992) نے اپنی نظر ثانی شدہ درجہ بندی میں اس خاص مطالعہ کے لیے ان دو طریقوں کی مناسبیت کے لیے یہ کہہ کر استدلال کیا ہے کہ وہ نظریہ سازی کے لیے موزوں ہیں۔ مندرجہ ذیل دو ذیلی حصے ہر طریقہ پر تفصیل سے بحث کرتے ہیں۔

3.2.1 سروے تحقیق کا طریقہ

سروے تحقیق کا طریقہ مردم شماری کے قدیم طریقہ سے آتا ہے۔ مردم شماری ایک پوری آبادی سے معلومات جمع کرنے پر مشتمل ہوتی ہے۔ یہ طریقہ مہنگا اور ناقابل عمل ہے، خاص طور پر اگر آبادی زیادہ ہو۔ اس طرح، مردم شماری کے مقابلے میں، ایک سروے عام طور پر آبادی کے نمائندوں کی ایک چھوٹی تعداد، یا نمونے کے لیے معلومات اکٹھا کرنے پر مرکوز ہوتا ہے (فاؤلر 1988، نیومن 1994)۔ ایک نمونہ اس آبادی کی عکاسی کرتا ہے جہاں سے اسے کھینچا جاتا ہے، مختلف سطحوں کی درستگی کے ساتھ، نمونے کی ساخت، سائز اور انتخاب کے طریقہ کار پر منحصر ہے (فاؤلر 1988، بابی 1982، نیومن 1994)۔

سروے کے طریقہ کار کی تعریف "وقت کے ایک خاص نقطہ پر طرز عمل، حالات یا خیالات کے سنیپ شاٹس کے طور پر کی گئی ہے، جو سوالنامے یا انٹرویوز کا استعمال کرتے ہوئے کیے گئے ہیں، جن سے نتائج اخذ کیے جا سکتے ہیں۔
بنایا گیا" (گیلیئرز 1992:153) [سوالنامے یا انٹرویوز کا استعمال کرتے ہوئے کیے گئے طرز عمل، حالات یا وقت کے مخصوص نقطہ نظر کا سنیپ شاٹ، جس سے اندازہ لگایا جا سکتا ہے]۔ سروے سوال پوچھ کر، شرکاء کی ایک مخصوص تعداد سے مطالعہ کے کچھ پہلو کے بارے میں معلومات جمع کرنے سے متعلق ہیں (فاؤلر 1988)۔ یہ سوالنامے اور انٹرویوز، جن میں آمنے سامنے ٹیلی فون انٹرویوز اور ساختی انٹرویوز شامل ہیں، جمع کرنے کی تکنیکیں بھی ہیں ڈیٹا عام طور پر تحقیقات میں استعمال کیا جاتا ہے (Blalock 1970, Nachmias and Nachmias 1976, Fowler 1988), مشاہدات اور تجزیے استعمال کیے جا سکتے ہیں (Gable 1994)۔ جمع کرنے کے ان تمام طریقوں میں سے ڈیٹاسوالنامے کا استعمال سب سے مقبول تکنیک ہے، کیونکہ یہ یقینی بناتا ہے کہ i ڈیٹا

جمع کیے گئے سٹرکچرڈ اور فارمیٹ کیے گئے ہیں، اور اس لیے معلومات کی درجہ بندی میں سہولت فراہم کرتے ہیں (Hwang 1987, de Vaus 1991)۔

تجزیہ کرتے ہوئے i ڈیٹا، تحقیقاتی حکمت عملی اکثر مقداری تکنیکوں کو استعمال کرتی ہے، جیسے شماریاتی تجزیہ، لیکن کوالٹیٹیو تکنیکوں کو بھی استعمال کیا جا سکتا ہے (گیلیئرز 1992، پروان

اور کلاس 1992، گیبل 1994)۔ عام طور پر، i ڈیٹا جمع شدہ تقسیم اور انجمنوں کے نمونوں کا تجزیہ کرنے کے لیے استعمال کیا جاتا ہے (فاؤلر 1988)۔

اگرچہ سروے عام طور پر سوال 'کیا؟' سے نمٹنے کے لیے تحقیق کے لیے موزوں ہوتے ہیں۔ (کیا) یا اس سے اخذ کرنا، جیسے 'کتنا' اور 'کتنے'، ان سے سوال 'کیوں' کے ذریعے پوچھا جا سکتا ہے (Sonquist and Dunkelberg 1977, Yin 1989)۔ Sonquist and Dunkelberg (1977) کے مطابق، انکوائری ریسرچ کا مقصد مفروضوں کو چیلنج کرنا، پروگراموں کا جائزہ لینا، آبادی کو بیان کرنا، اور انسانی رویے کے ماڈل تیار کرنا ہے۔ مزید برآں، سروے کا استعمال ایک مخصوص آبادی کی رائے، حالات، آراء، خصوصیات، توقعات اور یہاں تک کہ ماضی یا حال کے طرز عمل کا مطالعہ کرنے کے لیے کیا جا سکتا ہے (نیومن 1994)۔

سروے محققین کو آبادی کے درمیان تعلقات کو دریافت کرنے کی اجازت دیتے ہیں اور نتائج عام طور پر دوسرے طریقوں سے زیادہ عام ہوتے ہیں (Sonquist and Dunkelberg 1977, Gable 1994)۔ سروے محققین کو ایک بڑے جغرافیائی علاقے کا احاطہ کرنے اور بہت سے جواب دہندگان تک پہنچنے کی اجازت دیتے ہیں (Blalock 1970, Sonquist and Dunkelberg 1977, Hwang and Lin 1987, Gable 1994, Neuman 1994)۔ آخر میں، سروے ایسی معلومات فراہم کر سکتے ہیں جو کہیں اور دستیاب نہیں ہے یا تجزیوں کے لیے درکار فارم میں ہے (فاؤلر 1988)۔

تاہم، سروے کرنے میں کچھ حدود ہیں۔ ایک نقصان یہ ہے کہ محقق اس چیز کے بارے میں زیادہ معلومات حاصل نہیں کرسکتا جس کا مطالعہ کیا گیا ہے۔ یہ اس حقیقت کی وجہ سے ہے کہ سروے صرف ایک خاص وقت پر کیے جاتے ہیں اور اس وجہ سے، متغیرات اور لوگوں کی ایک محدود تعداد ہے جو محقق کر سکتا ہے۔

مطالعہ (ین 1989، ڈی واؤس 1991، گیبل 1994، ڈینس کامبی 1998)۔ ایک اور نقصان یہ ہے کہ سروے کرنا وقت اور وسائل کے لحاظ سے بہت مہنگا ہو سکتا ہے، خاص طور پر اگر اس میں آمنے سامنے انٹرویوز شامل ہوں (فاؤلر 1988)۔

3.2.2 انکوائری ریسرچ کا طریقہ

انکوائری ریسرچ کے طریقہ کار میں محقق کی طرف سے کسی مداخلت کے بغیر، اس کے حقیقی دنیا کے سیاق و سباق کے اندر کسی مخصوص صورت حال کا ایک متعین مدت میں گہرائی سے مطالعہ شامل ہوتا ہے (Shanks & C. 1993, Eisenhardt 1989, Jenkins 1985)۔ بنیادی طور پر یہ طریقہ ان متغیرات کے درمیان تعلقات کو بیان کرنے کے لیے استعمال کیا جاتا ہے جن کا کسی خاص صورت حال میں مطالعہ کیا جا رہا ہے (گیلیئرز 1992)۔ تحقیقات میں ایک یا ایک سے زیادہ کیسز شامل ہو سکتے ہیں، تجزیہ کیے گئے رجحان پر منحصر ہے (فرانز اور روبے 1987، آئزن ہارٹ 1989، ین 1989)۔

انکوائری ریسرچ کے طریقہ کار کی تعریف "ایک تجرباتی انکوائری کے طور پر کی گئی ہے جو ایک عصری رجحان کا اس کے حقیقی تناظر میں مطالعہ کرتی ہے، ایک یا زیادہ اداروں جیسے لوگوں، گروہوں، یا تنظیموں سے جمع کردہ متعدد ذرائع کا استعمال کرتے ہوئے" (Yin 1989)۔ رجحان اور اس کے سیاق و سباق کے درمیان کوئی واضح علیحدگی نہیں ہے اور متغیرات پر کوئی تجرباتی کنٹرول یا ہیرا پھیری نہیں ہے (Yin 1989, Benbasat et al. 1987)۔

دیوتاؤں کو جمع کرنے کے لیے مختلف تکنیکیں ہیں۔ ڈیٹا انکوائری کے طریقہ کار میں استعمال کیا جا سکتا ہے، جس میں براہ راست مشاہدات، آرکائیو ریکارڈز کے جائزے، سوالنامے، دستاویزات کا جائزہ اور ساختی انٹرویو شامل ہیں۔ کٹائی کی تکنیک کی متنوع رینج کا ہونا ڈیٹا، تحقیقات محققین کو دونوں سے نمٹنے کی اجازت دیتی ہیں۔ ڈیٹا ایک ہی وقت میں قابلیت اور مقداری (Bonoma 1985، Eisenhardt 1989، Yin 1989، Gable 1994)۔ جیسا کہ سروے کے طریقہ کار کا معاملہ ہے، سروے کا محقق ایک مبصر یا محقق کے طور پر کام کرتا ہے نہ کہ زیر مطالعہ تنظیم میں ایک فعال شریک کے طور پر۔

بین باسات وغیرہ (1987) نے دعویٰ کیا کہ تحقیقی نظریہ کی تعمیر کے لیے استفسار کا طریقہ خاص طور پر موزوں ہے، جو تحقیقی سوال سے شروع ہوتا ہے اور تعلیم کے ساتھ جاری رہتا ہے۔

جمع کرنے کے عمل کے دوران ایک نظریہ کا ڈیٹا. اسٹیج کے لیے بھی موزوں ہونا

تھیوری بلڈنگ کے بارے میں، فرانز اور روبے (1987) تجویز کرتے ہیں کہ انکوائری کا طریقہ پیچیدہ تھیوری مرحلے کے لیے بھی استعمال کیا جا سکتا ہے۔ اس صورت میں، جمع کیے گئے شواہد کی بنیاد پر، دیے گئے نظریہ یا مفروضے کی تصدیق یا تردید کی جاتی ہے۔ اس کے علاوہ، سروے 'کیسے' یا 'کیوں' سوالات (Yin 1989) سے متعلق تحقیق کے لیے بھی موزوں ہے۔

دوسرے طریقوں کے مقابلے میں، سروے محقق کو ضروری معلومات کو مزید تفصیل سے حاصل کرنے کی اجازت دیتے ہیں (گیلیئرز 1992، شینکز ایٹ ال۔ 1993)۔ مزید برآں، سروے محقق کو مطالعہ کیے گئے عمل کی نوعیت اور پیچیدگی کو سمجھنے کی اجازت دیتے ہیں (بینباسات ایٹ ال۔ 1987)۔

سروے کے طریقہ کار سے منسلک چار اہم نقصانات ہیں۔ پہلا کنٹرول کٹوتیوں کی کمی ہے۔ محقق کی سبجیکٹیوٹی مطالعہ کے نتائج اور نتائج کو تبدیل کر سکتی ہے (Yin 1989)۔ دوسرا نقصان کنٹرولڈ مشاہدے کی کمی ہے۔ تجرباتی طریقوں کے برعکس، انکوائری محقق مطالعہ کیے گئے مظاہر کو کنٹرول نہیں کر سکتا کیونکہ ان کا فطری تناظر میں جائزہ لیا جاتا ہے (گیبل 1994)۔ تیسرا نقصان نقل کی کمی ہے۔ اس کی وجہ یہ ہے کہ محقق ایک ہی واقعات کا مشاہدہ کرنے کا امکان نہیں رکھتا ہے، اور کسی خاص مطالعہ (لی 1989) کے نتائج کی تصدیق نہیں کر سکتا۔ آخر میں، نقل نہ کرنے کے نتیجے میں، ایک یا زیادہ تحقیقات سے حاصل ہونے والے نتائج کو عام کرنا مشکل ہے (گیلیئرز 1992، شانکس ایٹ ال 1993)۔ تاہم، یہ تمام مسائل ناقابل تسخیر نہیں ہیں اور درحقیقت، محققین مناسب اقدامات (لی 1989) کا اطلاق کرکے ان کو کم کر سکتے ہیں۔

3.3 تحقیق کے طریقہ کار کا جواز پیش کریں۔ اپنایا

اس مطالعے کے لیے دو ممکنہ تحقیقی طریقوں میں سے، سروے کا طریقہ سب سے موزوں سمجھا جاتا ہے۔ متعلقہ افراد کے محتاط غور و فکر کے بعد تفتیش کو رد کر دیا گیا۔

خوبیاں اور کمزوریاں. اس مطالعہ کے لیے ہر طریقہ کی مناسب یا نامناسبیت پر ذیل میں بحث کی گئی ہے۔

3.3.1 تحقیق کا نامناسب طریقہ انکوائری کی

انکوائری کے طریقہ کار کے لیے ایک مدت کے دوران ایک یا زیادہ تنظیموں کے اندر کسی خاص صورت حال کے بارے میں گہرائی سے مطالعہ کی ضرورت ہوتی ہے (Eisenhardt 1989)۔ اس صورت میں، مدت اس مطالعہ کے لیے دیے گئے وقت سے زیادہ ہو سکتی ہے۔ سروے کا طریقہ اختیار نہ کرنے کی ایک اور وجہ یہ ہے کہ نتائج سختی کی کمی کا شکار ہو سکتے ہیں (Yin 1989)۔ محقق کی سبجیکٹیوٹی نتائج اور نتائج کو متاثر کر سکتی ہے۔ ایک اور وجہ یہ ہے کہ یہ طریقہ 'کیسے' یا 'کیوں' قسم کے سوالات (Yin 1989) پر تحقیق کے لیے زیادہ موزوں ہے، جب کہ اس تحقیق کے لیے تحقیقی سوال 'کس قسم' کا ہے۔ آخری لیکن کم از کم، صرف ایک یا چند تحقیقات سے نتائج کو عام کرنا مشکل ہے (گیلیئرز 1992، شانکس ایٹ ال۔ 1993)۔ اس استدلال کی بنیاد پر، سروے کے تحقیقی طریقہ کا انتخاب نہیں کیا گیا کیونکہ یہ اس مطالعے کے لیے موزوں نہیں تھا۔

3.3.2 کے تلاش کے طریقہ کار کی سہولت تحقیقات

جب یہ تحقیق کی گئی تو آسٹریلوی تنظیموں نے ڈیٹا گودام کی مشق کو بڑے پیمانے پر نہیں اپنایا تھا۔ لہذا، آسٹریلیائی تنظیموں کے اندر ان کے نفاذ کے بارے میں زیادہ معلومات نہیں تھیں۔ دستیاب معلومات ان تنظیموں سے آئی ہیں جنہوں نے لاگو کیا تھا یا استعمال کیا تھا۔ ڈیٹا گودام. اس معاملے میں، سروے کی تحقیق کا طریقہ سب سے موزوں ہے کیونکہ یہ ایسی معلومات حاصل کرنے کی اجازت دیتا ہے جو کہیں اور دستیاب نہیں ہے یا تجزیہ کے لیے درکار فارم میں (فاؤلر 1988)۔ اس کے علاوہ، سروے کی تحقیق کا طریقہ محقق کو ایک خاص وقت کے طریقوں، حالات، یا خیالات کے بارے میں اچھی بصیرت حاصل کرنے کی اجازت دیتا ہے (گیلیئرز 1992، ڈینس کامبی 1998)۔ آسٹریلوی ڈیٹا گودام کے تجربے کے بارے میں معلومات بڑھانے کے لیے ایک جائزہ درکار تھا۔

مزید برآں، Sonquist and Dunkelberg (1977) کا کہنا ہے کہ سروے تحقیق کے نتائج دیگر طریقوں سے زیادہ عام ہیں۔

3.4 سروے ریسرچ ڈیزائن

ڈیٹا گودام کے طریقوں پر سروے 1999 میں کیا گیا تھا۔ ہدف کی آبادی کو ڈیٹا ویئر ہاؤسنگ اسٹڈیز میں دلچسپی رکھنے والی آسٹریلوی تنظیموں نے تشکیل دیا تھا، کیونکہ انہیں شاید پہلے ہی اس بارے میں مطلع کیا گیا تھا۔ ڈیٹا کہ وہ ذخیرہ کرتے ہیں اور اس لیے اس مطالعہ کے لیے مفید معلومات فراہم کر سکتے ہیں۔ ڈیٹا ویئر ہاؤسنگ انسٹی ٹیوٹ (Tdwi-aap) کے تمام آسٹریلوی اراکین کے ابتدائی سروے کے ذریعے ہدف کی آبادی کی نشاندہی کی گئی۔ یہ حصہ اس مطالعہ کے تجرباتی تحقیقی مرحلے کے ڈیزائن پر بحث کرتا ہے۔

3.4.1 جمع کرنے کی تکنیک ڈیٹا

سروے کی تحقیق میں عام طور پر استعمال ہونے والی تین تکنیکوں میں سے (یعنی میل سوالنامہ، ٹیلی فون انٹرویو اور ذاتی انٹرویو) (Nachmias 1976, Fowler 1988, de Vaus 1991) اس مطالعہ کے لیے میل سوالنامہ اپنایا گیا تھا۔ مؤخر الذکر کو اپنانے کی پہلی وجہ یہ ہے کہ یہ جغرافیائی طور پر منتشر آبادی تک پہنچ سکتی ہے (Blalock 1970, Nachmias and Nachmias 1976, Hwang and Lin 1987, de Vaus 1991, Gable 1994)۔ دوم، میل کا سوالنامہ اعلیٰ تعلیم یافتہ شرکاء کے لیے موزوں ہے (فاؤلر 1988)۔ اس مطالعے کے لیے میل سوالنامہ ڈیٹا ویئر ہاؤسنگ پروجیکٹ کے اسپانسرز، ڈائریکٹرز اور/یا پروجیکٹ مینیجرز کو بھیجا گیا تھا۔ تیسرا، میل سوالنامے اس وقت موزوں ہوتے ہیں جب ایک محفوظ میلنگ لسٹ دستیاب ہو (سالنٹ اور دلمان 1994)۔ TDWI، اس معاملے میں، ایک بھروسہ مند ڈیٹا ویئر ہاؤسنگ ایسوسی ایشن نے اپنے آسٹریلوی اراکین کی میلنگ لسٹ فراہم کی ہے۔ ٹیلی فون کے سوالنامے یا ذاتی انٹرویوز پر میل کے سوالنامے کا ایک اور فائدہ یہ ہے کہ یہ جواب دہندگان کو زیادہ درست طریقے سے جواب دینے کی اجازت دیتا ہے، خاص طور پر جب جواب دہندگان کو نوٹس سے مشورہ کرنا چاہیے یا دوسرے لوگوں سے سوالات پر تبادلہ خیال کرنا چاہیے (Fowler 1988)۔

ایک ممکنہ نقصان بذریعہ ڈاک سوالنامے کرنے کے لیے درکار وقت ہو سکتا ہے۔ عام طور پر، ایک میل سروے اس ترتیب میں کیا جاتا ہے: میل خطوط، جوابات کا انتظار کریں، اور تصدیق بھیجیں (Fowler 1988، Bainbridge 1989)۔ اس طرح، کل وقت ذاتی انٹرویوز یا ٹیلی فون انٹرویوز کے لیے درکار وقت سے زیادہ ہو سکتا ہے۔ تاہم، کل وقت پہلے سے معلوم کیا جا سکتا ہے (Fowler 1988، Denscombe 1998)۔ ذاتی انٹرویوز کرنے میں جو وقت صرف کیا گیا اس کا پہلے سے علم نہیں کیا جا سکتا کیونکہ یہ ایک انٹرویو سے دوسرے میں مختلف ہوتا ہے (فاؤلر 1988)۔ ٹیلی فون انٹرویوز پوسٹل سوالناموں اور ذاتی انٹرویوز سے زیادہ تیز ہو سکتے ہیں لیکن کچھ لوگوں کی عدم دستیابی کی وجہ سے اس میں جواب نہ دینے کی شرح زیادہ ہو سکتی ہے (فاؤلر 1988)۔ مزید برآں، ٹیلی فون انٹرویوز عام طور پر سوالات کی نسبتاً مختصر فہرستوں تک محدود ہوتے ہیں (بین برج 1989)۔

میل کے سوالنامے کی ایک اور کمزوری اعلی غیر جوابی شرح ہے (فاؤلر 1988، بینبریج 1989، نیومن 1994)۔ تاہم، اس مطالعہ کو ایک قابل اعتماد ڈیٹا گودام کرنے والے ادارے (یعنی TDWI) کے ساتھ منسلک کرکے جوابی اقدامات کیے گئے ہیں (Bainbridge 1989، Neuman 1994)، جو جواب نہ دینے والوں کو دو یاد دہانی کے خط بھیجتا ہے (Fowler 1988، Neuman 1994) اور اس میں ایک اضافی خط بھی شامل ہے۔ مطالعہ کے مقصد کی وضاحت (نیومن 1994)۔

3.4.2 تجزیہ یونٹ

اس مطالعہ کا مقصد ڈیٹا گودام کے نفاذ اور آسٹریلیائی تنظیموں کے اندر اس کے استعمال کے بارے میں معلومات حاصل کرنا ہے۔ ہدف کی آبادی ان تمام آسٹریلوی تنظیموں پر مشتمل ہے جنہوں نے لاگو کیا ہے، یا نافذ کر رہے ہیں، i ڈیٹا گودام. اس کے بعد انفرادی تنظیموں کو نام پر رجسٹر کیا جاتا ہے۔ سوالنامہ بذریعہ ڈاک ان تنظیموں کو بھیجا گیا جو اپنانے میں دلچسپی رکھتے ہیں۔ ڈیٹا گودام. یہ طریقہ اس بات کو یقینی بناتا ہے کہ جمع کی گئی معلومات ہر شریک تنظیم کے موزوں ترین وسائل سے آتی ہے۔

3.4.3 سروے کا نمونہ

سروے کے شرکاء کی "میلنگ لسٹ" TDWI سے حاصل کی گئی تھی۔ اس فہرست سے 3000 آسٹریلوی تنظیموں کو نمونے لینے کی بنیاد کے طور پر منتخب کیا گیا۔ سروے کے پروجیکٹ اور مقصد کی وضاحت کرنے والا ایک اضافی خط، جوابی شیٹ اور مکمل سوالنامہ واپس کرنے کے لیے پری پیڈ لفافے کے ساتھ نمونے کو بھیجا گیا۔ 3000 تنظیموں میں سے 198 نے مطالعہ میں حصہ لینے پر اتفاق کیا۔ اتنی کم تعداد میں جوابات کی توقع تھی۔ ڈیٹو آسٹریلیائی تنظیموں کی بڑی تعداد جنہوں نے اس وقت اپنی تنظیموں کے اندر ڈیٹا گودام کی حکمت عملی کو قبول کیا تھا یا اسے قبول کر رہے تھے۔ اس طرح، اس مطالعے کے لیے ہدف کی آبادی صرف 198 تنظیموں پر مشتمل ہے۔

3.4.4 سوالنامے کے مشمولات

سوالنامے کی ساخت موناش ڈیٹا ویئر ہاؤسنگ ماڈل پر مبنی تھی (جس پر پہلے حصہ 2.3 میں بحث کی گئی تھی)۔ سوالنامے کا مواد باب 2 میں پیش کردہ ادبی تجزیے پر مبنی تھا۔ سروے کے شرکاء کو بھیجے گئے سوالنامے کی ایک کاپی ضمیمہ B میں دیکھی جا سکتی ہے۔ سوالنامہ چھ حصوں پر مشتمل ہے، جو احاطہ کیے گئے ماڈل کے مراحل کی پیروی کرتا ہے۔ مندرجہ ذیل چھ پیراگراف ہر سیکشن کے مندرجات کو مختصراً بیان کرتے ہیں۔

سیکشن A: تنظیم کے بارے میں بنیادی معلومات
یہ سیکشن حصہ لینے والی تنظیموں کے پروفائل سے متعلق سوالات پر مشتمل ہے۔ مزید برآں، کچھ سوالات شرکاء کے ڈیٹا ویئر ہاؤسنگ پروجیکٹ کی حیثیت سے متعلق ہیں۔ سروے کے تجزیے میں خفیہ معلومات جیسے کہ تنظیم کا نام ظاہر نہیں کیا گیا۔

سیکشن B: شروع کریں۔
اس سیکشن میں سوالات ڈیٹا ویئر ہاؤسنگ شروع کرنے کے کام سے متعلق ہیں۔ پراجیکٹ شروع کرنے والوں، ضامنوں، مطلوبہ مہارتوں اور علم، ڈیٹا گودام کی ترقی کے مقاصد اور صارف کے اختتامی توقعات سے متعلق سوالات پوچھے گئے۔

سیکشن سی: ڈیزائن
اس حصے میں منصوبہ بندی کی سرگرمیوں سے متعلق سوالات ہیں۔ ڈیٹا گودام. خاص طور پر، سوالات عملدرآمد کے دائرہ کار، منصوبے کی مدت، منصوبے کی لاگت اور لاگت/فائدے کے تجزیہ کے بارے میں تھے۔

سیکشن D: ترقی
ترقیاتی سیکشن میں ترقیاتی سرگرمیوں سے متعلق سوالات ہیں۔ ڈیٹا گودام: اختتامی صارف کی ضروریات کا مجموعہ، کے ذرائع ڈیٹا، کا منطقی ماڈل ڈیٹا، پروٹو ٹائپس، صلاحیت کی منصوبہ بندی، تکنیکی فن تعمیر اور ڈیٹا گودام کی ترقی کے آلات کا انتخاب۔

سیکشن E: آپریشن
کے آپریشن اور توسیع پذیری سے متعلق آپریشنل سوالات ڈیٹا گودام، یہ ترقی کے اگلے مرحلے میں کیسے تیار ہوتا ہے۔ وہاں ڈیٹا کا معیارکی تازہ کاری کی حکمت عملی ڈیٹا، کی دانے داریت ڈیٹاکی توسیع پذیری ڈیٹا گودام اور سیکورٹی کے مسائل ڈیٹا گودام پوچھے گئے سوالات کی اقسام میں سے تھے۔

سیکشن F: ترقی
یہ سیکشن استعمال کرنے سے متعلق سوالات پر مشتمل ہے۔ ڈیٹا گودام اختتامی صارفین کی طرف سے. محقق کو اس کے مقصد اور افادیت میں دلچسپی تھی۔ ڈیٹا گودامجائزہ اور تربیتی حکمت عملی اپنائی گئی اور کنٹرول کی حکمت عملی ڈیٹا گودام اپنایا

3.4.5 جواب کی شرح

اگرچہ میل سروے کو کم رسپانس ریٹ ہونے کی وجہ سے تنقید کا نشانہ بنایا جاتا ہے، لیکن واپسی کی شرح کو بڑھانے کے لیے اقدامات کیے گئے ہیں (جیسا کہ پہلے حصہ 3.4.1 میں زیر بحث آیا ہے)۔ اصطلاح 'رسپانس ریٹ' سے مراد کسی خاص سروے کے نمونے میں ان لوگوں کا فیصد ہے جو سوالنامے کا جواب دیتے ہیں (Denscombe 1998)۔ اس مطالعہ کے جواب کی شرح کا حساب لگانے کے لیے درج ذیل فارمولے کا استعمال کیا گیا:

جواب دینے والے لوگوں کی تعداد
جواب کی شرح = ——————————————————————————– بھیجے گئے سوالناموں کی کل تعداد X 100

3.4.6 ٹیسٹ پائلٹ

سوالنامہ کو نمونے پر بھیجے جانے سے پہلے، پائلٹ ٹیسٹ کر کے سوالات کی جانچ کی گئی، جیسا کہ لک اور روبن (1987)، جیکسن (1988) اور ڈی واؤس (1991) نے تجویز کیا تھا۔ پائلٹ ٹیسٹوں کا مقصد کسی بھی عجیب، مبہم تاثرات اور سوالات کو ظاہر کرنا ہے جن کی تشریح کرنا مشکل ہے، استعمال شدہ کسی بھی تعریف اور اصطلاح کو واضح کرنا اور سوالنامے کو مکمل کرنے کے لیے درکار تخمینی وقت کی نشاندہی کرنا ہے (واروک اور لینجر 1975، جیکسن 1988، سیلنٹ اور دلمان 1994)۔ پائلٹ ٹیسٹ آخری مضامین کی طرح کی خصوصیات کے ساتھ مضامین کا انتخاب کرکے کئے گئے، جیسا کہ ڈیوس ای نے تجویز کیا تھا۔ Cosenza (1993)۔ اس مطالعہ میں، چھ ڈیٹا گودام پیشہ ور افراد کو پائلٹ مضامین کے طور پر منتخب کیا گیا تھا. ہر پائلٹ ٹیسٹ کے بعد ضروری اصلاحات کی گئیں۔ کئے گئے پائلٹ ٹیسٹوں سے، شرکاء نے سوالنامے کے حتمی ورژن کو دوبارہ ترتیب دینے اور دوبارہ ترتیب دینے میں اپنا حصہ ڈالا۔

3.4.7 کے تجزیہ کے طریقے Dati

I ڈیٹا SPSS نامی شماریاتی پروگرام پیکج کا استعمال کرتے ہوئے بند ختم شدہ سوالناموں سے جمع کیے گئے سروے کا تجزیہ کیا گیا۔ وضاحتی اعدادوشمار کا استعمال کرتے ہوئے بہت سے جوابات کا تجزیہ کیا گیا۔ کئی سوالنامے نامکمل واپس کیے گئے۔ اس بات کو یقینی بنانے کے لیے ان کے ساتھ زیادہ احتیاط کے ساتھ سلوک کیا گیا۔ ڈیٹا لاپتہ ہونا ڈیٹا انٹری کی غلطیوں کا نتیجہ نہیں تھا، لیکن اس لیے کہ سوالات رجسٹر کرنے والے کے لیے موزوں نہیں تھے، یا رجسٹرار نے ایک یا زیادہ مخصوص سوالات کا جواب نہ دینے کا فیصلہ کیا۔ ان لاپتہ جوابات کو تجزیہ کے دوران نظر انداز کر دیا گیا۔ ڈیٹا اور تجزیہ کے عمل سے ان کے اخراج کو یقینی بنانے کے لیے '-9' کے طور پر کوڈ کیا گیا تھا۔

سوالنامہ تیار کرتے وقت، بند کیے گئے سوالات کو ہر آپشن کو نمبر دے کر پہلے سے کوڈ کیا جاتا تھا۔ اس کے بعد نمبر تیار کرنے کے لیے استعمال کیا گیا۔ ڈیٹا تجزیہ کے دوران (Denscombe 1998، Sapsford اور Jupp 1996)۔ مثال کے طور پر، سیکشن B کے سوال 1 میں چھ اختیارات درج تھے: بورڈ آف ڈائریکٹرز، سینئر ایگزیکٹو، آئی ٹی ڈیپارٹمنٹ، بزنس یونٹ، کنسلٹنٹس اور دیگر۔ کی فائل میں ڈیٹا ایس پی ایس ایس کے، چھ ویلیو لیبلز کے ساتھ 'پروجیکٹ انیشیٹر' کی نشاندہی کرنے کے لیے ایک متغیر تیار کیا گیا تھا: 'بورڈ آف ڈائریکٹرز' کے لیے '1'، 'سینئر ایگزیکٹو' کے لیے '2' اور اسی طرح۔ SPSS میں داخل کردہ متعلقہ عددی اقدار کے استعمال کے پیش نظر کچھ بند سوالات میں Likertin سکیل کے استعمال نے بھی آسانی سے شناخت کی اجازت دی۔ غیر مکمل جوابات والے سوالات کے لیے، جو باہمی طور پر مخصوص نہیں تھے، ہر آپشن کو دو ویلیو لیبلز کے ساتھ ایک واحد متغیر سمجھا جاتا تھا: 'نشان زدہ' کے لیے '1' اور 'نشان زدہ نہیں' کے لیے '2'۔

کھلے سوالات کو بند سوالات سے مختلف طریقے سے برتا گیا تھا۔ ان سوالات کے جوابات SPSS میں درج نہیں کیے گئے۔ اس کے بجائے، ان کا ہاتھ سے تجزیہ کیا گیا۔ اس قسم کے سوال کا استعمال ہمیں جواب دہندگان کے آزادانہ اظہار خیال اور ذاتی تجربات کے بارے میں معلومات حاصل کرنے کی اجازت دیتا ہے (Bainbridge 1989, Denscombe 1998)۔ جہاں ممکن ہو، جوابات کی ایک درجہ بندی کی گئی۔

کے تجزیہ کے لیے ڈیٹا, سادہ شماریاتی تجزیہ کے طریقے استعمال کیے جاتے ہیں، جیسے ردعمل کی فریکوئنسی، اوسط، معیاری انحراف اور میڈین (Argyrous 1996، Denscombe 1998)۔
کے درمیان ایسوسی ایشن کے مقداری اقدامات حاصل کرنے کے لیے گاما ٹیسٹ اچھی کارکردگی کا مظاہرہ کر رہا تھا۔ ڈیٹا ordinals (Norusis 1983، Argyrous 1996)۔ یہ ٹیسٹ مناسب تھے کیونکہ استعمال شدہ آرڈینل پیمانوں میں بہت سے زمرے نہیں تھے اور انہیں ایک ٹیبل میں دکھایا جا سکتا تھا (نوروسس 1983)۔

3.5 سوماریو

اس باب میں اس تحقیق کے لیے اپنائے گئے تحقیقی طریقہ کار اور ڈیزائن پر بحث کی گئی۔

کسی خاص مطالعہ کے لیے سب سے موزوں تحقیقی طریقہ کا انتخاب کرنا مدنظر رکھتا ہے۔
متعدد قواعد پر غور کرنا، بشمول تحقیق کی نوعیت اور قسم، نیز ہر ممکنہ طریقہ کی خوبیوں اور کمزوریوں (Jenkins 1985, Benbasat et al. 1097, Galliers and Land 1987, yin 1989, Hamilton and ives 1992, Galliers 1992، نیومن 1994)۔ آسٹریلیا میں ڈیٹا ویئر ہاؤسنگ کو اپنانے کے بارے میں موجودہ علم اور نظریہ کی کمی کے پیش نظر، اس تحقیقی مطالعہ کے لیے آسٹریلیائی تنظیموں کے تجربات کو دریافت کرنے کی قابلیت کے ساتھ ایک تشریحی تحقیقی طریقہ کی ضرورت ہے۔ آسٹریلیائی تنظیموں کے ذریعہ ڈیٹا گودام کے تصور کو اپنانے کے بارے میں معلومات اکٹھا کرنے کے لیے منتخب تحقیقی طریقہ کا انتخاب کیا گیا تھا۔ جمع کرنے کی تکنیک کے طور پر پوسٹل سوالنامے کا انتخاب کیا گیا تھا۔ ڈیٹا. تحقیق کے طریقہ کار اور جمع کرنے کی تکنیک کے جواز ڈیٹا منتخب اس باب میں فراہم کیا جائے گا۔ مزید برآں، تجزیہ کی اکائی، استعمال شدہ نمونہ، جوابات کے فیصد، سوالنامے کے مواد، سوالنامے کے پری ٹیسٹ اور تجزیہ کے طریقہ کار پر ایک بحث پیش کی گئی۔ ڈیٹا.

ڈیزائن کرنا a ڈیٹا ویئرہاؤس:

ہستی کے تعلقات اور جہتی ماڈلنگ کا امتزاج

خلاصہ
اسٹور i ڈیٹا بہت سی تنظیموں کے لیے ایک اہم موجودہ مسئلہ ہے۔ کمپیوٹر سٹوریج کی ترقی میں ایک اہم مسئلہ ڈیٹا یہ اس کا ڈیزائن ہے.
ڈیزائن میں تصورات کی کھوج کی حمایت کرنی چاہیے۔ ڈیٹا گودام میراثی نظام اور دیگر ذرائع سے ڈیٹا اور اس کے نفاذ میں بھی آسان سمجھ اور کارکردگی ڈیٹا گودام.
زیادہ تر گودام ادب ڈیٹا کے ڈیزائن کی نمائندگی کرنے کے لیے ہستی رشتہ ماڈلنگ یا جہتی ماڈلنگ کے استعمال کی سفارش کرتا ہے۔ ڈیٹا گودام.
اس مقالے میں ہم دکھاتے ہیں کہ ڈرائنگ کے لیے دونوں نمائندگیوں کو ایک نقطہ نظر میں کیسے ملایا جا سکتا ہے۔ ڈیٹا گودام. استعمال شدہ نقطہ نظر منظم طریقے سے ہے

کیس اسٹڈی میں جانچا جاتا ہے اور پریکٹیشنرز کے ساتھ متعدد اہم مضمرات میں اس کی نشاندہی کی جاتی ہے۔

ڈیٹا سٹوریج

Un ڈیٹا گودام اس کی تعریف عام طور پر "موضوع پر مبنی، مربوط، وقت کے لحاظ سے، اور انتظامیہ کے فیصلوں کی حمایت میں ڈیٹا کا غیر متزلزل مجموعہ" کے طور پر کی جاتی ہے (انمون اور ہیکاتھورن، 1994)۔ موضوع پر مبنی اور مربوط اشارہ کرتا ہے کہ ڈیٹا گودام کا ایک مربوط نقطہ نظر پیش کرنے کے لیے لیگیسی سسٹمز کی فنکشنل حدود کو عبور کرنے کے لیے ڈیزائن کیا گیا ہے۔ ڈیٹا.
ٹائم ویرینٹ کا تعلق ویڈیو کی تاریخی یا ٹائم سیریز کی نوعیت سے ہے۔ ڈیٹا میں اقوام متحدہ ڈیٹا گودام، جو رجحانات کا تجزیہ کرنے کے قابل بناتا ہے۔ غیر مستحکم اشارہ کرتا ہے کہ ڈیٹا گودام یہ ایک کی طرح مسلسل اپ ڈیٹ نہیں ہوتا ہے۔ ڈیٹا بیس OLTP کا۔ بلکہ اسے وقتاً فوقتاً اپ ڈیٹ کیا جاتا ہے۔ ڈیٹا اندرونی اور بیرونی ذرائع سے۔ دی ڈیٹا گودام یہ خاص طور پر سالمیت اور آپریشن کی کارکردگی کو اپ ڈیٹ کرنے کے بجائے تلاش کے لیے ڈیزائن کیا گیا ہے۔
ذخیرہ کرنے کا خیال i ڈیٹا نیا نہیں ہے، یہ انتظامی مقاصد میں سے ایک تھا۔ ڈیٹا ساٹھ کی دہائی سے (ایل مارٹن، 1982)۔
I ڈیٹا گودام وہ بنیادی ڈھانچہ پیش کرتے ہیں ڈیٹا مینجمنٹ سپورٹ سسٹم کے لیے۔ مینجمنٹ سپورٹ سسٹمز میں فیصلے کی حمایت کے نظام (DSS) اور ایگزیکٹو انفارمیشن سسٹم (EIS) شامل ہیں۔ DSS ایک کمپیوٹر پر مبنی انفارمیشن سسٹم ہے جو انسانی فیصلہ سازی کو بہتر بنانے کے لیے ڈیزائن کیا گیا ہے۔ EIS عام طور پر ایک ترسیل کا نظام ہے۔ ڈیٹا جو کاروباری رہنماؤں کو آسانی سے دیکھنے کے قابل بناتا ہے۔ ڈیٹا.
ایک کا عمومی فن تعمیر ڈیٹا گودام کے کردار کو اجاگر کرتا ہے۔ ڈیٹا گودام مینجمنٹ سپورٹ میں. انفراسٹرکچر کی پیشکش کے ساتھ ساتھ ڈیٹا EIS اور DSS کے لیے، al ڈیٹا گودام اس تک براہ راست سوالات کے ذریعے رسائی حاصل کی جا سکتی ہے۔ The ڈیٹا ایک میں شامل ڈیٹا گودام انتظامی معلومات کی ضروریات کے تجزیہ پر مبنی ہیں اور تین ذرائع سے حاصل کیے گئے ہیں: اندرونی میراثی نظام، خصوصی مقصد کے ڈیٹا کیپچر سسٹم اور بیرونی ڈیٹا ذرائع۔ The ڈیٹا داخلی میراثی نظاموں میں وہ اکثر بے کار، متضاد، کم معیار، اور مختلف فارمیٹس میں محفوظ ہوتے ہیں اس لیے ان میں لوڈ کیے جانے سے پہلے ان کو ملا کر صاف کیا جانا چاہیے۔

ڈیٹا گودام (انمون، 1992؛ میک فیڈن، 1996)۔ The ڈیٹا اسٹوریج سسٹم سے آرہا ہے۔ ڈیٹا ایڈہاک اور ذرائع سے ڈیٹا بیرونی کو اکثر بڑھانے کے لیے استعمال کیا جاتا ہے (اپ ڈیٹ کرنا، تبدیل کرنا) i ڈیٹا میراثی نظام سے۔

a کی ترقی کی بہت سی مجبور وجوہات ہیں۔ ڈیٹا گودامجس میں مزید معلومات کے مؤثر استعمال کے ذریعے بہتر فیصلہ سازی شامل ہے (Ives 1995)، پورے سودوں پر توجہ مرکوز کرنے کے لیے حمایت (Graham 1996)، اور اس میں کمی ڈیٹا EIS اور DSS کے لیے (Graham 1996, McFadden 1996)۔

ایک حالیہ تجرباتی مطالعہ پایا گیا، اوسطاً، سرمایہ کاری پر واپسی ڈیٹا گودام تین سال کے بعد 401 فیصد (گراہم، 1996)۔ تاہم، کے دیگر تجرباتی مطالعہ ڈیٹا گودام فوائد کی پیمائش اور تفویض کرنے میں دشواری، واضح مقصد کی کمی، مقصد کو کم سمجھنا اور فوائد کو ذخیرہ کرنے کے عمل کی پیچیدگی سمیت اہم مسائل پائے گئے۔ ڈیٹاخاص طور پر ذرائع اور صفائی کے حوالے سے ڈیٹا. ذخیرہ کرنا i ڈیٹا انتظامی مسئلے کے حل کے طور پر سمجھا جا سکتا ہے۔ ڈیٹا تنظیموں کے درمیان. کی ہیرا پھیری ڈیٹا سماجی وسائل کے طور پر یہ کئی سالوں سے دنیا بھر میں انفارمیشن سسٹم کے انتظام میں ایک اہم مسئلہ رہا ہے (Brancheau et al. 1996, Galliers et al. 1994, Niederman et al. 1990, Pervan 1993)۔

اثاثہ جات کے انتظام کا ایک مقبول طریقہ ڈیٹا اسی کی دہائی میں یہ ایک ماڈل کی ترقی تھی۔ ڈیٹا سماجی ماڈل ڈیٹا سوشل کو نئے ایپلیکیشن سسٹمز کی ترقی کے لیے ایک مستحکم بنیاد پیش کرنے کے لیے ڈیزائن کیا گیا تھا۔ ڈیٹا بیس اور میراثی نظام کی تعمیر نو اور انضمام (Brancheau et al.

1989، Goodhue et al. 1988:1992، کم اور ایورسٹ 1994)۔ تاہم، اس نقطہ نظر کے ساتھ بہت سے مسائل ہیں، خاص طور پر، ہر کام کی پیچیدگی اور لاگت، اور ٹھوس نتائج پیدا کرنے کے لیے درکار طویل وقت (Beynon-Davies 1994، Earl 1993، Goodhue et al. 1992، Periasamy 1994، Shanks 1997) )۔

Il ڈیٹا گودام یہ ایک علیحدہ ڈیٹا بیس ہے جو کہ میراثی ڈیٹا بیس کے ساتھ ان کو تبدیل کرنے کے بجائے ایک ساتھ موجود ہے۔ لہذا یہ آپ کو انتظام کرنے کی اجازت دیتا ہے۔ ڈیٹا اور میراثی نظام کی مہنگی تعمیر نو سے بچیں۔

ڈیٹا ڈیزائن کے لیے موجودہ نقطہ نظر

گودام

تعمیر اور مکمل کرنے کا عمل a ڈیٹا گودام اسے روایتی نظاموں کے ترقیاتی لائف سائیکل کے بجائے ایک ارتقائی عمل کے طور پر زیادہ سمجھنا چاہیے۔دیسیو۔، 1995، شینکس، او ڈونل اور ارنوٹ 1997a)۔ ایک پروجیکٹ میں بہت سے عمل شامل ہیں۔ ڈیٹا گودام جیسے کہ ابتداء، منصوبہ بندی؛ کمپنی مینیجرز سے مانگی گئی ضروریات سے حاصل کردہ معلومات؛ ذرائع، تبدیلیاں، صفائی ڈیٹا اور میراثی نظام اور دیگر ذرائع سے مطابقت پذیری ڈیٹا; ترقی میں ترسیل کے نظام؛ کی نگرانی ڈیٹا گودام; اور ارتقائی عمل اور تعمیر کی بے حسی a ڈیٹا گودام (Stinchi، O'Donnell اور Arnott 1997b)۔ اس جریدے میں، ہم اس بات پر توجہ مرکوز کرتے ہیں کہ کس طرح کھینچنا ہے۔ ڈیٹا ان دیگر عملوں کے تناظر میں محفوظ کیا جاتا ہے۔ فن تعمیر کے لیے متعدد مجوزہ طریقے ہیں۔ ڈیٹا گودام ادب میں (Inmon 1994، Ives 1995، Kimball 1994 McFadden 1996)۔ ان طریقوں میں سے ہر ایک کا اپنی طاقت اور کمزوریوں کے تجزیہ کے ساتھ ایک مختصر جائزہ ہے۔

Inmon's (1994) Approach for ڈیٹا ویئرہاؤس ڈیزائن

انمون (1994) نے ڈیزائن کے لیے چار تکراری اقدامات تجویز کیے a ڈیٹا گودام (شکل 2 دیکھیں)۔ پہلا قدم ٹیمپلیٹ کو ڈیزائن کرنا ہے۔ ڈیٹا یہ سمجھنے کے لیے سماجی ڈیٹا انہیں تقسیم کرکے ایک تنظیم کے اندر فعال علاقوں میں ضم کیا جاسکتا ہے۔ ڈیٹا علاقوں میں اسٹور. ماڈل ڈیٹا یہ ذخیرہ کرنے کے لیے بنایا گیا ہے۔ ڈیٹا فیصلہ سازی سے متعلق، بشمول ڈیٹا تاریخی، اور شامل ڈیٹا کٹوتی اور جمع. دوسرا مرحلہ عمل درآمد کے لیے موضوعی علاقوں کی نشاندہی کرنا ہے۔ یہ کسی خاص تنظیم کی طرف سے متعین ترجیحات پر مبنی ہیں۔ تیسرے مرحلے میں ایک ڈرائنگ شامل ہے۔ ڈیٹا بیس موضوع کے علاقے کے لیے، دانے دار کی مناسب سطحوں کو شامل کرنے پر خاص توجہ دیں۔ انمون اداروں اور تعلقات کے ماڈل کو استعمال کرنے کی تجویز کرتا ہے۔ چوتھا مرحلہ سورس سسٹمز کی شناخت کرنا ہے۔ ڈیٹا کیپچر کرنے، صاف کرنے اور فارمیٹ کرنے کے لیے تبدیلی کے عمل کی ضرورت اور ترقی کرنا ڈیٹا.

انمون کے نقطہ نظر کی طاقت یہ ہے کہ ماڈل ڈیٹا سماجی انضمام کی بنیاد فراہم کرتا ہے۔ ڈیٹا کی تکراری ترقی کے لیے تعاون کی تنظیم اور منصوبہ بندی کے اندر ڈیٹا گودام. اس کی خامیاں ماڈل کو ڈیزائن کرنے میں دشواری اور لاگت ہیں۔ ڈیٹا سماجی، دونوں ماڈلز میں استعمال ہونے والے اداروں اور رشتوں کے ماڈلز کو سمجھنے میں دشواری، وہ ڈیٹا سماجی اور اس کی ڈیٹا موضوع کے علاقے، اور کی موزونیت کی طرف سے ذخیرہ ڈیٹا کی ڈرائنگ کی ڈیٹا گودام بنانے کے لئے ڈیٹا بیس رشتہ دار لیکن کے لیے نہیں۔ ڈیٹا بیس کثیر جہتی

Ives' (1995) اپروچ ٹو ڈیٹا ویئرہاؤس ڈیزائن

Ives (1995) نے ایک انفارمیشن سسٹم کو ڈیزائن کرنے کے لیے ایک چار قدمی نقطہ نظر کی تجویز پیش کی ہے جس کے بارے میں ان کا خیال ہے کہ اس کے ڈیزائن پر لاگو ہوتا ہے۔ ڈیٹا گودام (شکل 3 دیکھیں)۔ نقطہ نظر انفارمیشن سسٹم کی ترقی کے لیے انفارمیشن انجینئرنگ پر مبنی ہے (مارٹن 1990)۔ پہلا قدم مقاصد، اہم اور کامیابی کے عوامل اور کارکردگی کے کلیدی اشارے کا تعین کرنا ہے۔ اہم کاروباری عمل اور ضروری معلومات ہمیں ایک ماڈل کی طرف لے جانے کے لیے تیار کی گئی ہیں۔ ڈیٹا سماجی دوسرے مرحلے میں ایک متعین فن تعمیر کو تیار کرنا شامل ہے۔ ڈیٹا علاقے کے لحاظ سے ذخیرہ ڈیٹا بیس di ڈیٹا گودام، ٹکنالوجی کے اجزاء جو درکار ہیں، تنظیمی تعاون کا سیٹ جس کو لاگو کرنے اور چلانے کے لیے درکار ہے۔ ڈیٹا گودام. تیسرے مرحلے میں مطلوبہ سافٹ ویئر پیکجز اور ٹولز کا انتخاب شامل ہے۔ چوتھا مرحلہ تفصیلی ڈیزائن اور تعمیر ہے۔ ڈیٹا گودام. Ives اس اسٹور کو نوٹ کرتا ہے۔ ڈیٹا یہ ایک محدود تکراری عمل ہے۔

Ives نقطہ نظر کی طاقت معلومات کی ضروریات کا تعین کرنے کے لیے مخصوص تکنیکوں کا استعمال، انضمام کی حمایت کے لیے ایک منظم عمل کا استعمال ہے۔ ڈیٹا گودام، مناسب ہارڈ ویئر اور سافٹ ویئر کا انتخاب، اور متعدد نمائندگی کی تکنیکوں کا استعمال ڈیٹا گودام. اس کی خامیاں پیچیدگی میں شامل ہیں۔ دوسروں میں کئی سطحوں کی ترقی میں دشواری شامل ہے۔ ڈیٹا بیس all'interno ڈیل ڈیٹا گودام مناسب وقت اور اخراجات میں۔

Kimball's (1994) اپروچ ٹو ڈیٹا ویئرہاؤس ڈیزائن

Kimball (1994) نے ڈیزائن کے لیے پانچ تکراری اقدامات تجویز کیے a ڈیٹا گودام (اعداد و شمار 4 دیکھیں)۔ اس کا نقطہ نظر خاص طور پر سولو کے ڈیزائن پر وقف ہے۔ ڈیٹا گودام اور جہتی ماڈلز کے استعمال پر ہستی اور رشتہ کے ماڈلز کو ترجیح دیتے ہیں۔ کمبال ان جہتی ماڈلز کا تجزیہ کرتا ہے کیونکہ کاروباری رہنماؤں کے لیے کاروبار کو سمجھنا آسان ہوتا ہے، پیچیدہ مشاورت سے نمٹنے کے دوران یہ زیادہ موثر ہوتا ہے، اور ڈیٹا بیس جسمانی زیادہ موثر ہے (کمبال 1994)۔ Kimball تسلیم کرتا ہے کہ ایک کی ترقی ڈیٹا گودام تکراری ہے، اور وہ ڈیٹا گودام الگ الگ جدولوں کو مشترکہ طول و عرض کی جدولوں میں تقسیم کر کے ضم کیا جا سکتا ہے۔

پہلا قدم یہ ہے کہ مخصوص موضوع کے علاقے کی نشاندہی کی جائے جس کو مکمل کیا جائے۔ دوسرا اور تیسرا مرحلہ جہتی ماڈلنگ سے متعلق ہے۔ دوسرے مرحلے میں اقدامات موضوع کے علاقے میں دلچسپی کی چیزوں کی نشاندہی کرتے ہیں اور حقائق کی میز میں گروپ کرتے ہیں۔ مثال کے طور پر، فروخت کے موضوع کے علاقے میں دلچسپی کے اقدامات میں فروخت کی جانے والی اشیاء کی مقدار اور ڈالر کو سیلز کرنسی کے طور پر شامل کیا جا سکتا ہے۔ تیسرے مرحلے میں ان جہتوں کی نشاندہی کرنا شامل ہے جو وہ طریقے ہیں جن میں حقائق کو گروپ کیا جا سکتا ہے۔ فروخت کے موضوع کے علاقے میں، متعلقہ طول و عرض میں آئٹم، مقام اور وقت کی مدت شامل ہو سکتی ہے۔ فیکٹ ٹیبل میں ہر ایک ڈائمینشن ٹیبل سے منسلک کرنے کے لیے ایک ملٹی پارٹ کلید ہوتی ہے اور عام طور پر بہت بڑی تعداد میں حقائق ہوتے ہیں۔ اس کے برعکس، طول و عرض کی جدولوں میں طول و عرض اور دیگر صفات کے بارے میں وضاحتی معلومات ہوتی ہیں جنہیں حقائق کو گروپ کرنے کے لیے استعمال کیا جا سکتا ہے۔ متعلقہ مجوزہ حقیقت اور طول و عرض کی جدول اس کی شکل کی وجہ سے ستارہ سکیما کہلاتی ہے۔ چوتھے مرحلے میں ایک کی تعمیر شامل ہے۔ ڈیٹا بیس ستارے کے پیٹرن کو مکمل کرنے کے لیے کثیر جہتی۔ آخری مرحلہ سورس سسٹمز کی شناخت کرنا ہے۔ ڈیٹا کیپچر کرنے، صاف کرنے اور فارمیٹ کرنے کے لیے تبدیلی کے عمل کی ضرورت اور ترقی کرنا ڈیٹا.

کمبال کے نقطہ نظر کی طاقتوں میں نمائندگی کرنے کے لیے جہتی ماڈلز کا استعمال شامل ہے۔ ڈیٹا ذخیرہ کیا جاتا ہے جو سمجھنے میں آسان بناتا ہے اور موثر جسمانی ڈیزائن کی طرف جاتا ہے۔ ایک جہتی ماڈل جو آسانی سے دونوں نظاموں کو بھی استعمال کرتا ہے۔ ڈیٹا بیس رشتہ داری مکمل ہو سکتی ہے یا نظام ڈیٹا بیس کثیر جہتی اس کی خامیوں میں کچھ تکنیکوں کا فقدان شامل ہے جس کی منصوبہ بندی یا انضمام کی سہولت کے لیے کئی ستاروں کے نمونوں کے اندر ڈیٹا گودام اور انتہائی غیر معمولی ساخت سے ایک جہتی ماڈل میں ڈیزائن کرنے میں دشواری ڈیٹا میراثی نظام میں

میک فیڈن کا (1996) ڈیٹا تک رسائی گودام ڈیزائن

میک فیڈن (1996) نے ڈیزائننگ کے لیے ایک پانچ قدمی نقطہ نظر تجویز کیا۔ ڈیٹا گودام (شکل 5 دیکھیں)۔
اس کا نقطہ نظر ادب سے خیالات کی ترکیب پر مبنی ہے اور ایک واحد کے ڈیزائن پر مرکوز ہے۔ ڈیٹا گودام. پہلے مرحلے میں ضروریات کا تجزیہ شامل ہے۔ اگرچہ تکنیکی وضاحتیں متعین نہیں ہیں، میک فیڈن کے نوٹس اداروں کی شناخت کرتے ہیں۔ ڈیٹا وضاحتیں اور ان کی صفات، اور تقاضوں کی گرفت کے لیے واٹسن اور فرولک (1993) کے قارئین سے مراد ہے۔
دوسرے مرحلے میں، ایک ہستی رشتہ ماڈل کے لیے تیار کیا گیا ہے۔ ڈیٹا گودام اور پھر کاروباری رہنماؤں کے ذریعہ تصدیق شدہ۔ تیسرے مرحلے میں میراثی نظام اور بیرونی ذرائع سے نقشہ سازی کا تعین کرنا شامل ہے۔ ڈیٹا گودام. چوتھے مرحلے میں ترقی، تعیناتی اور ہم آہنگی کے عمل شامل ہیں۔ ڈیٹا میں ڈیٹا گودام. آخری مرحلے میں، نظام کی ترسیل کو صارف کے انٹرفیس پر خاص زور دیتے ہوئے تیار کیا جاتا ہے۔ میک فیڈن نوٹ کرتا ہے کہ ڈرائنگ کا عمل عام طور پر تکراری ہوتا ہے۔

میک فیڈن کے نقطہ نظر کی طاقتیں ضروریات کے تعین میں کاروباری رہنماؤں کی شرکت اور وسائل کی اہمیت کی طرف اشارہ کرتی ہیں۔ ڈیٹا، ان کی صفائی اور جمع کرنا۔ اس کی خامیوں میں ایک بڑے منصوبے کو توڑنے کے عمل کا فقدان بھی شامل ہے۔ ڈیٹا گودام بہت سے مربوط مراحل میں، اور وہاں

کے ڈیزائن میں استعمال ہونے والی ہستی اور رشتہ کے ماڈل کو سمجھنے میں دشواری ڈیٹا گودام.

ہم صرف اپنے قریبی لوگوں کے ذریعہ منتخب نہیں ہوتے ہیں۔