Предприятие, которое предоставляет товары и услуги в нужном месте, а также обеспечивает поддержку потребителей будет, является успешным при условии принятия эффективных решений. Первым шагом в эффективном принятии решений будет определение конкретных целей. После установления цели следует предоставить точную информацию, являющейся основной для принятия решений, соответствующим людям, которые отвечают за принятия решения. Важным фактором является поступления базовой и возвратной информации.
С помощью бизнес-аналитики в предприятие происходит процесс получения и распределения такой информации? Бизнес-аналитика (Business Intelligence, BI) — это предоставление точной, полезной информации соответствующим лицам, ответственным за принятие решений, в требуемых временных рамках для поддержания эффективности принятий решений [2]. Занимаясь поиском аналитического решения в подобных ситуациях, у аналитиков обычно имеется достаточно неплохое представление о том, что где и как искать. В данном случае используют соответствующие методы анализа данных — анализ, определяемый структурой. Эта форма анализа разрешает только информацию, которую разработчик включил в отчет при его создании, т. е. детализированную информацию нельзя будет получить. Разработчики решений не могут определить, в каких именно данных могут нуждаться пользователи отчетов. Но они могут создать интерактивную среду, которая дает пользователям возможность двигаться среди данных в произвольном направлении. Бывают ситуации, в которых данные могут включать ответы на вопросы, которые не задавались пользователем. Данные могут содержать тренды, показатели корреляции и детализированные зависимости, которые невозможно заметить невооруженным взглядом при использовании описанных форм анализа. Такие связи могут быть выявлены посредством интеллектуального анализа данных. Подобная информация может быть исключительно ценна при планировании рекламных акций, прогнозирование вероятности покупки товара в магазинах.
Для обеспечения ведения интеллектуального анализа необходимо разработать аналитическую систему (OLAP- систему), либо иной инструментарий, для обработки агрегированных данных на основе определенных в компании источников информации.
Многие предприятия отслеживают процессы в ходе решения задач. Принятые заказы, произведенные товары, оказанные услуги — результатом всех этих видов взаимодействия становится одна или несколько записей в некотором хранилище данных.
Хранение данных осуществляется в системах оперативной обработки транзакций — OLTP-системах. Системы OLTP(online transaction processing) создаются для обеспечения высокого параллелизма, предоставляя возможности для многих пользователей одновременно обращаться к одному источнику данных и производить необходимую обработку данных [1]. В задачи OLTP-системы входит обработка данных, целостность данных, создание отчетов, а также модернизация предлагаемых служб для формирования и укрепления лояльности клиентов.
Наилучшим решением в данный момент для подобных систем, удовлетворяющим вышеперечисленные задачи являются реляционные базы данных. Analysis Services 2010 поддерживает все источники данных, которые используют интерфейс соединения, реализованный посредством провайдера OLE DB и.NET. Источники данных для AnalysisServices 2010 могут быть реляционные базы данных Microsoft SQL Server, DB2, Oracle и TeraData и т. д. Но для поддержки определенного источника данных требуется установить компоненты провайдера данных.
OLTP-системы являются поставщиками данных, предназначенные для ведения бизнес-аналитики, а также, которые являются мерами принятий решений. При использовании OLTP-систем в качестве основы для реализации BI-функционала данные переносят в отдельное хранилище, которое впоследствии станет источником данных для вычисления различных мер. Таким образом, для использования BI-задач данные хранят вне OLTP-систем. Описанная схема называется витриной данных. Витрина данных — набор данных за определенный период времени, хранящихся в электронном хранилище и не использующихся в повседневной деятельности организации [5]. Вместо этого данные применяются для решений BI-задач. Следует отличать понятие хранилища данных от витрины данных. Под хранилищем понимается глобальный репозиторий, предназначенный для хранения всех данных организации за определенный период времени.
Витрины данных дают существенные возможности консолидации анализируемых данных и снижения нагрузки на OLTP-системы, которые являются жизненно необходимыми для нормального функционирования предприятия. В витрине данных могут содержаться сразу несколько OLTP-систем, что позволяет вычислять сложные аналитические меры. Витрины данных обновляются в заданные интервалы времени. В ходе извлечения, трансформации и загрузки, данные извлекаются из одной или нескольких OLTP-систем, проходя все необходимые этапы очистки и приведения к единому формату, после чего очищенные данные загружаются в витрину данных. В качестве инструмента для заполнения и обновления информации используются Integration Services, входящих в состав SQL Server. Структура витрины данных. Данные, используемые в бизнес-аналитике, можно поделить на четыре категории: меры, измерения, атрибуты и иерархии. Данная структура определяет витрину данных. Мера — численное значение, выражающее определенный аспект эффективности деятельности организации [4]. Информация, представленная этим значением, используется для принятия решения или оценки эффективности работы организации. Меры также называют фактами.
Измерением считают способ ранжирования данных, который используется для разделения агрегированных мер на составляющие части, а атрибутом является элемент информации, который относится к измерению, но не является уникальным идентификатором измерения. Иерархией называется структура, которая состоит из связанных между собой измерений, организованных в два и более уровня. Ранжирование дает возможность видеть составные элементы ранжированных мер. Меры и измерения хранятся в витрине данных двумя способами — с использованием двух разных видов схем: «звезда» и «снежинка». Меры вычисляются агрегированием также, как и в схеме «Звезда».
Системы OLAP(online analytical processing) — системы аналитической обработки в реальном времени [3]. Целью создания системы является анализ огромных объемов данных, генерирование резюме и агрегаций множеством различных способов, чтобы помочь менеджерам, принимающим решения, находить стереотипы и тенденции, что позволяет компании улучшать собственную производительность, добиваться конкурентных преимуществ. OLAP-системы проектируются для предоставления пользователям простого и быстрого доступа к бизнес-данным. Эти данные обычно хранятся в витринах данных. OLAP-система предоставляет быстрый механизм просмотра и анализа информации, хранящейся в витрине данных. Внутри OLAP-систем бизнес-данные принимают вид мер, измерений, иерархий и кубов. На самом деле центральным элементом OLAP-системы является куб.
Куб — это структура, содержащая значений одной или нескольких мер для всех уникальных комбинаций ее измерений [6]. Это могут быть детализированные, или листовые, значения. Куб содержит агрегированные значения, формируемые с помощью иерархий измерений или выносом одного, или нескольких измерений из иерархии. Заключительной целью создания кубов является минимизация времени обработки запросов, извлекающих требуемую информацию из фактических данных. Чаще всего для реализации данной задачи кубы содержат предварительно вычисленные итоговые данные. Возвращение запросом уже существующих агрегированных данных выполняется почти мгновенно по сравнению с выполнением неподготовленных запросов, которые самостоятельно вычисляют итоговые данные. Суть средств бизнес-аналитики заключается в возможности запрашивать информацию, включающую в себя гигабайты или терабайты вычисленных данных, а также этом немедленный ответ с сервера. Требования к проектированию кубов содержать определенные правила, а также не содержат избыточной информации, т. е. является очень удобным инструментом для интеллектуального анализа данных. Служба Analysis Services 2010 является частью SQL Server, выпущенной компанией Microsoft в ноябре 2010 года. SQL Serverвключает в себя помимо этого службы также Integration Services, Reporting Services и Notification Services. Архитектура SQL Server Analysis Services была переработана для достижения масштабируемости и надежности на уровне программного обеспечения промышленного класса, который обеспечивает защиту на уровне мелких структурных элементов. Основой архитектуры Analysis Services является унифицированная модель измерений (UDM — unified dimensional model). Унифицированная модель измерений, как и предполагает ее название, предлагает инкапсулировать доступ к различным источникам данных в единой модели.
Основные возможности UDM: Поддержка доступа к разнородным данным. UDM предназначена для интеграции и хранения данных из разнородных источников. Это позволяет компоновать различные схемы в единую унифицированную модель, которая дает возможность конечным пользователям отправлять запросы к единой модели. Доступ к данным в реальном времени с высоким быстродействием. Модель создает MOLAP-кэш для базовых данных, если они изменяются в исходной реляционной базе данных, то создается новый кэш. В процессе создания кэша результаты извлекаются из реляционной базы данных. Широкий спектр метаданных, которые легко использовать для изучения данных и навигации по ним. UDM обеспечивает консолидированный вид исходных данных благодаря изобилию метаданных, предусмотренных в мире OLAP. UDM предоставляет возможность просматривать специфические разделы унифицированной модели, основываясь на потребностях бизнеса.
Модель создания отчетов и анализа. UDM обеспечивает наилучшую функциональность реляционных систем и систем OLAP. UDM не только предоставляет возможность запрашивать агрегированные данные, которые обычно используются для анализа, но также обладает способностью обеспечивать создания подобных отчетов вплоть до уровня транзакций через многочисленные разнородные источники данных. SQL Server предоставляет 9 алгоритмов анализа данных: Дерево решений (Microsoft Decision Trees) Кластеризация (Microsoft Clustering) «Наивный» Байес (Microsoft Na?ve Bayes) Кластеризация последовательностей (Microsoft Sequence Clustering) Временные ряды (Microsoft Time Series) Ассоциативные правила (MicrosoftAssociation) Нейронная сеть (Microsoft Neural Network) Линейная регрессия (Microsoft Linear Regression) Логистическая регрессия (Microsoft Logistic Regression) Используя комбинацию этих алгоритмов можно создавать решения для большей части встречающихся задач по обнаружению скрытых закономерностей в больших объемах данных. Заключение.
Средства бизнес-аналитики SQL Server предоставляют массу новых возможностей. Каждый управленческий уровень организации получает в свое распоряжение мощные инструменты анализа, обеспечивающие бизнес- аналитической информацией специалистов, принимающих решения. Сложность, которая делала долгим, дорогостоящим и рискованным предприятием хранение и интеллектуальный анализ данных, ведение отчетности в масштабе предприятия и интеграцию этих решений с чисто деловыми приложениями, теперь стала в значительной степени уменьшена, если не устранена совсем. С помощью SQL Server организации смогут быстро разработать инструменты, обеспечивающие максимально эффективное принятие решений!
Литература:
1. Виейра Р. Программирование баз данных SQL Server 2010 для профессионалов. «Вильямс», «Диалектика», 2012.
2. Ларсон Б. Разработка бизнес-аналитики в Microsoft SQL Server 2010. «Питер», 2012.
3. 
Харинатх С., Куинн С. SQL ServerAnalysisServices и MDX для профессионалов. «Диалектика», 2010.
4. ЧубуковаИ. А. DataMining. «Интернет-университет информационных технологий», «Бином. Лаборатория знаний», 20012 г.
5. MicrosoftTechNet «Основные понятия интеллектуального анализа данных» http://technet.microsoft.com/ru-ru/library/ms174949.aspx
6. Base Group http://www.basegroup.ru/library/methodology/data_mining/
7. Business Data Analytics http://www.businessdataanalytics.ru/
