Техническая библиотека CITForum.ru CITKIT.ru - все об Open Source Форумы Курилка
Все новости / Все статьи Деловая газета - шквал(!) IT-новостей :: CITCITY.RU
Первая полоса ИТ-Инфраструктура Телекоммуникации Безопасность BI Интеграционные платформы КИС IT-бизнес Ширпотреб Точка зрения

28.04.2017

Новости:


Все новости

Business Intelligence

Слуга господ высоких

Кто медлит, тот теряет.

Умение быстро и главное правильно принимать решения имеет в современном бизнесе принципиальное значение для достижения успеха. Однако количество информации, прямо или косвенно влияющей на предмет решения, иногда может быть просто-таки пугающе огромным. Как поступать в такой ситуации? Положиться на случай или все же взяться за полномасштабный анализ? Опытный руководитель неизменно выберет второй способ, тем более что сегодня существует ряд технологий, способных упростить процесс принятия и моделирования решений большого количества «входящей» информации. Именно об одном из таких методов пойдет речь в настоящем материале.

Как известно, статистика – самая лживая из наук. Однако количество систем, так или иначе опирающихся на ее подходы и методы, неуклонно растет. Взять хотя бы системы анализа эффективности и оперативной регистрации событий либо же системы автоматизированного выбора стратегий работы с клиентами. Последние иногда ограничиваются созданием баз данных по образу и подобию пресловутых календарей с указанием напротив обозначенных пользователем важных дат или событий числено-показательных оценок эффективности проведенных мероприятий. Насколько такие системы удобны, тема отдельной статьи. Впрочем, выражение «утонуть в море данных» стало крылатым вовсе неслучайно, и, пожалуй, в данном случае оно как нельзя более точно характеризует ситуацию, которая случается с нами каждый раз, когда мы беремся за создание годового или квартального отчета.

Собственно, чтобы упростить работу с многоцелевыми данными и не погрязнуть в их океане, а также умело превратить набор количественных показателей в качественные, и применяется метод OLAP – On-Line Analytical Processing (оперативная аналитическая обработка). Последний в отличие от прочих способов автоматизации бизнес-деятельности дает возможность получить пользователю «на выходе» не готовое четко структурированное решение, выдаваемое после включения ранее настроенного мастера обработки форм, а своеобразный материал для наглядной и, если можно так выразиться, творческой оценки существующей ситуации. Поэтому сфера применения OLAP-анализа обычно ограничивается менеджерским составом предприятий разных размеров, которому приходится часто заниматься тактическими и стратегическими задачами вроде анализа ключевых показателей деятельности и сценариев развития, маркетинговым и финансово-экономическим анализом групп товаров или услуг, а также долгосрочным прогнозированием работы предприятия или его подразделений. Для этого пользователь OLAP-систем получает в руки мощный и главное очень гибкий инструмент создания различных отчетов по выбираемым им же разрезам и направлениям. При этом методики OLAP куда совершеннее привычных электронных таблиц, ведь помимо простых функций создания таблиц, графиков и диаграмм, OLAP-системы дают возможность получить обобщенные данные по самостоятельно выбранным критериям, моментально углубится в детали выбранных направлений, отфильтровать, сортировать или отбросить ненужные цифры или показатели.

Например, если менеджеру продаж компании требуется получить сезонные сводки динамики продаж выбранной категории товаров, система предложит ему всевозможные данные о продажах за месяц, квартал, год, а также найдет и проанализирует их зависимость от означенных факторов, скажем, времени проведения маркетинговых акций. Кроме того, базируясь на одной лишь статистике продаж, OLAP-система может выявить эффективность работы разных подразделений компании, в том числе и в разрезе географической иерархии их взаимодействия. При этом параметры, характеризующие успешность подразделений, выбираются менеджером самостоятельно и в ряде случаев могут стать инструментом мотивации успешного персонала.

Технически системы оперативного анализа данных обычно функционируют в связке с хранилищами данных (выделенными файл-серверами или серверами БД), а клиентские OLAP-системы устанавливаются на любых пользовательских компьютерах информационной системы предприятия. Реже OLAP-модули взаимодействуют с другими системами автоматизации, ведь базы данных последних зачастую имеют весьма своеобразный вид и набор специальных показателей. Впрочем, для современного российского предприятия характерна нетипичная ситуация, когда имеется несколько систем автоматизации (для решения различных задач) и, как следствие, данные хранятся разрозненно, в результате отсутствует единый взгляд на управленческую информацию. Поэтому в процессе составления отчета участвуют два специалиста – программист, обеспечивающий запросы к базам данных, и экономист, пытающийся с помощью электронных таблиц свести эти данные в отчет, необходимый руководству. Как показывает практика, подобная модель взаимодействия пользователя отчета (руководителя) и самих данных неизменно приводит к эффекту «испорченного телефона», не говоря уже о существенных затратах времени. И с данной точки зрения использование OLAP-систем также представляется весьма рациональным, ведь использование нескольких АСУ неизменно приводит к «переизбытку» данных, которые могут быть упорядочены OLAP-системой.

В чем же отличие OLAP-системы от хранилища данных? С точки зрения пользователя, ответ на этот вопрос довольно прост: в степени предметной (именно предметной, а не технической) структурированности информации. Работая с OLAP-приложением, пользователь применяет привычные экономические категории и показатели – виды материалов и готовой продукции, регионы продаж, объем реализации, себестоимость, прибыль и т. п. А для того чтобы сформировать любой, даже довольно сложный запрос, пользователю не придется изучать SQL. При этом ответ на запрос будет получен в течение всего нескольких секунд. Кроме того, работая с OLAP-системой, экономист может пользоваться такими привычными для себя инструментами, как электронные таблицы или специальные средства построения отчетов. Таким образом, если хранилище данных – в основном объект внимания директора по информационным технологиям (а специалисты финансово-экономических служб о его существовании могут даже и не догадываться), то OLAP без преувеличения можно назвать программным средством из арсенала экономиста. Ведь именно экономист имеет дело с самыми разными аналитическими задачами: маркетинговым анализом, анализом продаж, анализом бюджетных показателей, анализом финансовой отчетности и т. д.

Интересно, что расшифровка аббревиатуры OLAP – «система оперативного анализа данных» –не полностью соответствует реальному назначению и методу работы этих систем. Полученное название является следствием того, что OLAP-модули оперируют многомерными моделями, которыми, кстати, мыслит и человек. Поэтому OLAP, равно как и человеческий мозг, требует исчерпывающей информации по самым разным направлениям и вряд ли раскроет весь свой потенциал при недостатке данных. В любом случае «океан данных» как раз та среда, где использование инструментов OLAP наиболее оправданно.

Чтобы понять, как работают OLAP-системы, достаточно обратиться к ее механизмам. Наиболее показательное понятие OLAP-технологии – гиперкуб (метакуб), представляющий собой умозрительную фигуру в многомерном пространстве, образованном плоскостями данных, которые важны для деятельности предприятия. При этом сама OLAP-система выступает именно в роли гиперкуба, способного накапливать в себе всю информацию, интересующую руководителя. В качестве ребер (осей) куба в таком случае выступают различные категории товаров или услу,г продвигаемых компанией. Например, цена производимого или конкурентного товара, компании-участники производственного цикла, подрядчики при организации услуг, объемы продаж, география самой компании. Важно отметить, что градация различных осей квадрантов куба может иметь разную структуру, а кроме того, сами оси могут быть взаимозависимыми. Так, ось времени может быть разбита по годам, кварталам, неделям, а ось доходов или вредных выбросов при производстве – прологарифмирована.

Информация, необходимая для анализа в данный момент, вырезается из гиперкуба пересечением плоскостей данных, используемых при анализе, словно его слой или часть. При этом разрезы могут проходить как через весь куб, так и ограничиваться определенными рамками и границами осей.

Как известно, ход мыслей человека предугадать значительно сложней, чем алгоритм машины. Можно сказать, что анализ на базе методик OLAP поощряет творческий подход к делу, ведь ограничений по выявлению взаимосвязей между, казалось бы, далекими показателями не существует. На практике же системы оперативной аналитической обработки манипулируют динамическими электронными таблицами, элементы которой – строки и столбцы – являются инструментами управления: выбирая один из них, пользователь заставляет систему выполнить расчеты и показывать данные именно под тем углом зрения, который кажется ему наиболее привлекательным в данный момент.

В настоящее время существует два типа OLAP-систем: универсальные, способные решать проблемы создания отчетов в любой из сфер, и «отраслевые», ориентированные на использование лишь в определенных областях. В России реальный спрос на OLAP-системы сегодня ощущается лишь в сфере банковских и финансовых решений. На Западе же OLAP-системы получили широкое распространение еще и в инженерных и научных учреждениях, где с их помощью выявляются сложные связи различных параметров, в частности, при проведении практических исследований.

Сегодня на рынке России представлено достаточно много OLAP-систем, цены, за клиентскую лицензию которых колеблются в пределах $500 до $3000, в зависимости от уровня сложности и ориентации. Системы, ориентированные на использование на крупных предприятиях с поддержкой многопользовательского режима, могут стоить еще дороже. Впрочем, указанные цены касаются лишь стоимости самих программных продуктов. Как и любая другая система автоматизации, OLAP для адекватной работы требует услуг интегратора (чья стоимость может многократно превышать цену самой системы), связанных с правильным отбором и настройкой источников данных для проведения анализа. Таким образом, можно констатировать, что OLAP – удовольствие не из дешевых и по-настоящему эффективным станет лишь при использовании его инструментов не только ведущим менеджером компании, но и его ближайшими подшефными. Что же касается длительности развертывания OLAP-системы, нужно быть готовым к срокам внедрения от одного, двух месяцев до нескольких, в случае внедрения масштабных решений со «сложными» источниками данных.

История OLAP

Идея обработки многомерных данных возникла в 1962 году, когда К. Айверсон опубликовал свою работу «Язык программирования» (A Programming Language, APL). APL – это математически определенный язык с многомерными переменными и изящными, но довольно абстрактными операторами. В 70-е и 80-е годы он активно использовался во многих деловых приложениях, функционально схожих с современными OLAP-системами. В 1970 году впервые появился прикладной программный продукт для многомерного анализа данных – Express. Определенные модификации этого продукта широко используется в современных OLAP приложениях, однако изначальные концепции 70-х годов остались далеко позади. В 1992 году был выпущен Essbase – первый OLAP продукт, получивший масштабный рынок (с 1997 года Essbase имеет самую большую долю на рынке OLAP-серверов). В 1993 году выходит в свет статья Э. Ф. Кодда (E. F. Codd), в которой впервые дано формальное определение OLAP-технологии. Работа получила большой резонанс и привлекла внимание к возможностям многомерного анализа. В статье описаны двенадцать правил OLAP, к которым чуть позже (в 1995 году) были добавлены еще несколько. Все эти правила разделены на четыре группы и названы «характеристиками» (features). К таким правилам относятся: основные характеристики (многомерность модели данных, интуитивные механизмы манипулирования данными, доступность данных, пакетное извлечение данных, архитектура «клиент-сервер», прозрачность, многопользовательская работа), специальные характеристики (обработка ненормализованных данных, хранение результатов отдельно от исходных данных, выделение отсутствующих данных, обработка отсутствующих значений), характеристики построения отчетов, гибкое построение отчетов, стабильная производительность при построении отчетов, автоматическое регулирование физического уровня), управление размерностью (общая функциональность, неограниченное число измерений и уровней агрегирования, неограниченные операции между данными различных измерений).



IT Manager

Последние комментарии:

Самое интересное:


© 2004–2009 Проект CITCITY.ru