Методика проектирования интегрированных программных систем многомерного анализа данных

• Автор: Ровкин, Игорь Олегович
• Шифр специальности: 05.13.11
• Научная степень: Кандидатская
• Год защиты: 2007
• Место защиты: Москва
• Количество страниц: 114 с. : ил.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ.

ГЛАВА 1. ХАРАКТЕРИСТИКА ОСОБЕННОСТЕЙ И ПРОБЛЕМ МНОГОМЕРНОГО АНАЛИЗА ДАННЫХ

1.1. Бизнесинтеллект и СППР.

1.2. ОЬТР и анализ данных на основе транзакционных систем.

1.3. Подготовка данных для анализа и хранилища данных

1.4. Аналитические средства

1.5. Этапы развития многомерного анализа данных

1.6. Функциональность ОЬАРсистем

1.7. Классификация ОЬАРсистем по способам хранения

детальных и консолидированных данных

1.8. Проблемы исследования технологии ОЬАРанализа,
Орг1НТпрОБаННСЙ На МШь1Й И срсДНиЙ ОИЗНеС.
ГЛАВА 2. МЕТОДОЛОГИЯ ИНТЕГРИРОВАННОГО ПОДХОДА К ПОСТРОЕНИЮ АНАЛИТИЧЕСКИХ ОЬАРСИСТЕМ
2.1. Классификация аналитических ОЬАРсистем по степени
интеграции компонентных технологий
2.2. Основные требования к интегрированным ОЬАРсистемам
и выбор инструментальной среды для построения интегрированных аналитических систем
2.3. Метод интеграции компонентных технологий ОЬАР
на основе универсальных фреймовых структур
2.4. Функциональные возможности языка программирования
для разработки интегрированных ОЬАРсистем
2.5. Интеграция на основе встроенных внутренних и внешних
Интерфейсов.
2.6. Этапы проектирования интегрированной ОЬАРсистемы.
2.6.1. Формирование источников данных.
2.6.2. Подготовка данных для многомерной обработки
2.6.3. Создание гиперкубовой структуры
2.6.4. Вывод результатов многомерного анализа данных
ГЛАВА 3. ИССЛЕДОВАНИЕ ФУНДАМЕНТАЛЬНЫХ ПРОБЛЕМ МНОГОМЕРНОГО ОЬАРАНАЛИЗА
3.1. Анализ свойств неопределенности вывода решений гиперкуба
3.1.1. Базовые свойства многомерной модели данных.
3.1.2. Исследование свойств неопределенности вывода
решений с помощью гиперкубовых структур
3.2. Анализ влияния взрывного роста объема данных на производительность и масштабируемость
гиперкубовых структур.
3.2.1. Стратегии повышения производительности и
масштабируемости хранилищ данных.
3.2.1.1. 1ЬМстратегия повышения производительности и
масштабируемости хранилищ данных.
3.2.1.2. Стратегия секционирования таблиц и
индексов хранилища
3.2.1.3. Стратегия параллельного исполнения запросов
3.2.2. Анализ свойств декомпозируемости гиперкубовых структур
3.2.2.1. Аддитивная декомпозиция гиперкуба многомерных данных.
3.2.2.2. Неаддитивная декомпозиция гиперкуба многомерных данных.
3.2.3 Сравнительный анализ стратегий повышения
производительности и масштабируемости ОЬАРсистем
3.3. Метод аддитивной декомпозиции гиперкубов в условиях
неаддитивного индексирования данных.
3.3.1. Анализ условий индексирования для аддитивной
декомпозиции гиперкубовой структуры.
ГЛАВА 4. КОМПЛЕКС АЛГОРИТМОВ И ПРОГРАММ ИНТЕГРИРОВАННОЙ ОЬАРСИСТЕМЫ ДЛЯ ПРЕДПРИЯТИЙ ТОРГОВЛИ В СФЕРЕ МАЛОГО И СРЕДНЕГО БИЗНЕСА
4.1. Типовые бизнеснроцессы в подсистеме сбыта
промышленноторгового комплекса
4.2. Программные модули ОЬАРсистемы для решения
задач прецизионного сегментирования клиентской базы
4.3. Поддержка принятия решений по обеспечению
равномерности отгрузок товара заказчикам
4.4. Показатели эффекта от применения разработанной информациопноаналитической системы.
4.5. Внедрение интегрированных ОЬАРрешений. .
ЗАКЛЮЧЕНИЕ
ЛИТЕРАТУРА


Системы, предоставляющие такие возможности, называются Системами Поддержки Принятия Решений (СППР) или DSS - Decision Support Systems [3, 6, , , , , , , ]. Они с успехом применяются в самых разных отраслях: телекоммуникациях, финансовой сфере, торговле, промышленности, медицине и многих других. Рис. Системы поддержки принятия решений (Рис. Программные средства Бизнес Интеллекта для систем поддержки принятия решений строятся на основе информационных систем масштаба предприятия и их баз данных. Главными технологиями СППР являются Хранилища Данных [4, , , ] и Аналитические Средства. Аналитические средства различаются по уровню или степени извлечения знаний из «сырых» данных. Наиболее простым уровнем извлечения знаний обладает технология OLTP (On-Line Transaction Processing) [5, ] - транзакционная обработка данных. Более сложный уровень извлечения знаний присущ технологии OLAP (On-Line Analytical Processing) [, ] - многомерной оперативной обработке данных. Использование техники искусственного интеллекта позволяет выйти на наиболее сложный уровень извлечения знаний из данных с помощью технологии Data Mining [, ,, , ] - интеллектуального анализа данных. Хранилища данных занимают промежуточное положение между источниками данных, в качестве которых могут быть как базы данных, так и любые другие источники, и аналитическими средствами. Однако, преобладает первая интерпретация и хранилище рассматривается как средство подготовки данных для многомерного анализа, поскольку поддержка принятия решений базируется как на процессах подготовки данных для анализа, так и на последующем анализе информации с помощью аналитических средств. Хранилища данных и OLAP-технология - это сравнительно недавно, лишь в конце XX века возникшие направления информационной технологии, которые бурно развиваются в настоящее время. До появления этих направлений анализ больших объемов накапливаемых данных осуществлялся главным образом с помощью систем транзакционной обработки данных OLTP. КЁЩ НЦДЖЕ? ТГлШАкТ|1Ю1«1Ы? ПЕРЕГллМЕНТНЮ. Рис. Обработка данных. На рис. Сравнение этих способов проведено по отношению к иерархическим уровням структуры организации. Оперативные транзакционные системы важны на нижних исполнительных уровнях организации, а роль аналитических систем и хранилищ данных возрастает по мере движения вверх по структуре управления компанией. Рассмотрим подробней OLTP обработку данных, поскольку недостатки этого способа послужили основой для развития более эффективных повых направлений. Режим оперативной обработки транзакций OLTP (On-Line Transaction Processing) [, , ] применяется в информационных системах организационного управления для отражения актуального состояния предметной области в любой момент времени. Информационные системы класса OLTP предназначены для сбора, регистрации, ввода исходных данных, относящихся к той или иной предметной области, первичной обработки данных, их хранения, адекватной визуализации, поиска, выдачи справок и отчетных материалов. Подобные системы обеспечивают ввод, структурированное хранение и обработку информации в режиме реального времени. OLTP-системы позволяют сформулировать запросы типа: сколько, где и т. Предоставляя данные из постоялио синхронизируемых (обновляемых) БД, операционные системы не отслеживают динамику изменения процессов на больших временных промежутках, практически не производят аналитическую обработку данных (за исключением определенных расчетов) и, что самое важное, не формируют выводы по имеющимся данным, оставляя эту функцию лицу, принимающему решение. Обычно аналитические возможности OLTP-систем сильно ограничены, они используются для того, чтобы способствовать повседневной деятельности корпорации, опираясь на актуальные для текущего момента данные. Основная функция OLTP-систем заключается в одновременном выполнении большого количества коротких транзакций от большого числа пользователей. Сами транзакции выглядят относительно просто, например, «снять сумму денег со счета А, добавить эту сумму на счет В». OLTP-приложениями охватывается широкий спектр задач во многих отраслях -автоматизация бухгалтерского, складского учета, управление потоками документов и т.