Курс лекцій з дисципліни «Системи підтримки прийняття рішень» (стр. 4 )

OLAP-куб містить в собі базові дані і інформацію про виміри (агрегати). Куб потенційно містить всю інформацію, яка може бути потрібною для відповіді на будь-які запити. При великій кількості агрегатів, повний розрахунок відбувається тільки для деяких вимірів, для інших відбувається «за вимогою».

Існує три типи OLAP:

·  багатовимірна OLAP (Multidimensional OLAP — MOLAP);

·  реляційна OLAP (Relational OLAP — ROLAP);

·  гібридна OLAP (Hybrid OLAP — HOLAP).

MOLAP — це класична форма OLAP, так що її часто називають просто OLAP. Вона використовує сумарну БД, спеціальний варіант процесору просторових БД і створює просторову схему даних зі збереженням як базових даних, так і агрегатів.

ROLAP працює напряму з реляційними збереженнями. Факти і таблиці вимірів – реляційні таблиці (РТ). І для збереження агрегатів створюються додаткові РТ.
HOLAP використовує РТ для збереження базових даних і багатовимірні таблиці для агрегатів.

Особливим випадком ROLAP є ROLAP реального часу (Real-time ROLAP — R-ROLAP). Навідміну від просто ROLAP в R-ROLAP для збереження агрегатів не створюються додаткові РТ, а агрегати розраховуються в момент запиту. При цьому, багатомірний запит до OLAP-системи автоматично перетворюється в SQL-запит до реляційних даних.

Кожний тип збереження має певні переваги і є різні оцінки їх у різних виробників. MOLAP краще підходить для невеликих наборів даних, він швидко розраховує агрегати і повертає відповіді, але при цьому генеруються великі об’єми даних. ROLAP оцінюється як більш масштабоване рішення, яке використовує найменший можливий простір. При цьому швидкість обробки значно знижується. HOLAP знаходиться посередині попередніх двох підходів. Він добре масштабується і швидко оброблюється. Архітектура R-ROLAP дозволяє виробляти багатовимірний аналіз OLTP-даних в режимі реального часу.

Складність у застосуванні OLAP лежить у створенні запитів, виборі базових даних і розробці схеми, в результаті чого більшість сучасних продуктів OLAP разом з великою кількістю попередньо настроєних запитів. Інша проблема – в базових даних. Вони мають бути повними і без протиріч.

Реалізація OLAP

Першою багатовимірною СУБД, яка по суті була OLAP-реалізацією, є система Express, яка розроблена у 1970 році клмпанією IRI (пізніше права на продукт були придбані корпорацією Oracle в перетворений в OLAP-опцію для Oracle Database)[3]. Термін OLAP увів Едгар Кодд у публікації в журналі Computerworld у 1993 році[4], в якій він запропонував 12 принципів аналітичної обробки, по аналогії з 12 правилами для РБД, які були сформульовані ним же раніше. Кодд вказав систему Essbase компанії Arbor (поглиненої в 1997 році компанією Hyperion, яку, в свою чергу, в 2007 році купила Oracle). Пізніше публікація була забрана з архивів Computerworld через можливий конфлікт інтересів, тому що Кодд пізніше робив консультаційні послуги для Arbor[5].

З точки зору реалізації розділяють «фізичну OLAP» і «віртуальну» (реляційну, англ. Relational OLAP, ROLAP). «Фізична», в свою чергу, в залежності від реалізації поділяється на багатовимірну (англ. Multidimensional OLAP, MOLAP) і гібридну — (англ. Hybrid OLAP, HOLAP).

В першому випадку, є програма, яка виконує на етапі попереднього завантаження даних OLAP з джерел попередній розрахунок агрегатів (обчислень по декількох початкових обчислень по декількох початкових значеннях, наприклад, «звіт за місяць»), які потім зберігаються у спеціальній багатовимірній БД, яка забезпечує швидке знаходження та економне збереження.

Гібридна реалізація є комбінацією: самі дані зберігаються в РБД, а агрегати у багатовимірній.

В ROLAP-реализаціях всі дані зберігаються і оброблюються в реляційних СУБД, а агрегати можуть не існувати взагалі або створюватися за першим запитом в СУБД або кеше аналітичного програмного забезпечення. Кеш (від англ. cache — схованка) — особлива швидкісна пам'ять або частина ОЗП, де зберігаються копії часто використовуваних даних. 

З точки зору користувача всі варіанти виглядають схожими за можливостями. Найбільше використання OLAP знаходить в продуктах для фінансового планування, збереження даних, рішеннях класу Business Intelligence.

Відомі виробники комерційних OLAP-продуктів, згідно OLAP Report за 2007 рік: Microsoft, Hyperion, Cognos, Business Objects, MicroStrategy, SAP, Cartesis, Systems Union/MIS AG, Oracle, Applix.

Серед комерційних продуктів сілд відмтити: Microsoft SQL Server и Analysis Services, Hyperion Essbase, Cognos PowerPlay, BusinessObjects, MicroStrategy, SAP BW, Cartesis Magnitude, Oracle Express, OLAP Option, Applix TM1. Існує декілька open-source рішеньй, включаючи Mondrian и Palo[6]

OLAP-куб — багатовимірний масив даних, як правило, розрізаний і довго збережуваний. Може бути реалізований на основі універсальних реляційний СУБД або спеціалізованого програмного забезпечення. В програмних продуктах компанії SAP використовується термін «інфокуб».

Індексам масиву відповідають виміри (dimensions) або вісі кубу, а значенням - міри (measures) кубу.

w : (x,y,z) → wxyz,

где x, y, z — виміри, w — міри.

На відміну від звичайного масиву в мові програмування, доступ до елементів OLAP-кубу може здійснюватися як по повному набору індексів-вимірів, так і по їх підмножині, і тоді резутатлм буде не один елемент, а множина

W : (x,y) → W = {wz1, wz2, …, wzn}

Також відомий опис OLAP-кубу з використанням термінології реляційної алгебри як проекцією відношень.

Маючи відношення порядку  N, розглянемо проекцію з вимірами X, Y, и Z як ключем і W як різницевим атрибутом. Це характеризується функцією:

W : (X,Y,Z) → W,

атрибутам (X, Y, і Z) відповідають вісі кубу, а значення W для кожних можливих трійок ((X, Y, Z)) відповідають даним кожної клітинці кубу.

Оскільки двовимірні пристрої виводу не можуть адресувати чотири виміри, більш практичним є проекціювання «зрізів» кубу (зменшення кількості вимірів матриці – кубу), можливо у вигляді

W : (X,Y) → W

В даній проекції відсутній первиний ключ. Таким чином, можлива деяка багатозначність функцій. Наприклад, зріз по визначеному значенню Z має велику кількість значень.

Причиною для представлення даних у вигляді OLAP є широке розповсюдження парадигми звіт з закладками. Дехто хоче бачити дані, які представлені у вигляді сторінок, на яких (майже як в табличному редакторі) значеннями X заповнюється рядок $1; значеннями Y — стовпчик $A; а значеннями W : (X, Y) -> W заповнюється інша частина таблиці. Також можна використовувати DML (мова маніпулювання даними), наприклад традиційний SQL (Structured Query Language — «мова структурованих запитів», яка побудована на використанні кортежів), для відображення трійок (X, Y, W), хоч це не такий зручний формат як звіт з закладками, тому що в представленні DML необхідний лінійний пошук по списку потрібної пари (X, Y), а для сторінки потрібний пошук перетину стовпця X з рядком Y

Мова MDX (Multidimensional Expressions — вираз з багатьма вимірами, мова запитів до багатовимірних даних) була розроблена як легкий засіб для представлення OLAP. Можливо перетворити деякі запити в традиційних SQL, хоч часто потрібно використання великих запитів зі складною конструкцією. Більш виробників OLAP систем підтримують MDX.

На початку нового тисячоліття була створена СППР на основі Web. 27 квітня 2005 року у Москві на Міжнародній конференції «Інформаційні те телемедичні технології в охороні здоровя» (ITTHC 2005), А. Пастухов (Росія) представив СППР нового класу — PSTM (Personal Information Systems of Top Managers). Основною відмінністю PSTM від існуючих СППР є побудова системи для конкретної ОПР з попередньою логіко-аналітичною обробкою інформації в автоматичному режимі і виводом інформації на один екран. 
Останнім поповненням АІС стали штучні нейронні мережі (ШНМ). Нейронні мережі – це системи штучного інтелекту, які імітують функції людського мозку.

Останнім часом виник напрямок інтелектуального аналізу даних (ІАД, Data Mining).

3.  Класиікація та задачі СППР

Для СППР відсутнє не тільки єдине загально признане визначення, але й вичерпна класифікація. Різні автори пропонують різні класифікації.

На рівні користувача СППР розділяють на

пасивні СППР  - системи, які допомагають процесу ПР, але не можуть пропозицію яке рішення прийняти. активна СППР  може зробити пропозицію, яке рішення вибрати. коорперативна СППР дозволяє ОПР змінити, поповнити або покращити рішення, які пропонує система, посилаючи ці зміни в систему для перевірки. Система покращує ці рішення і знову пропонує їх користувачу. І так продовжується до отримання рішення.

На концептуальному рівні розрізняють наступні класи СППР.

СППР, які керуються поведомленнями (Communication-Driven DSS) (раніш групова СППР — GDSS) – підтримує групу користувачів, які працюють над виконанням загальної задачі. СППР, які керуються даними (Data-Driven DSS) або СППР, які орієнтовані на роботу з даними (Data-oriented DSS) в основному орієнтуються на доступ і маніпуляції з даними. СППР, які керуються документами (Document-Driven DSS), управляють, виконують пошук і маніпулюють неструктурованою інформацією, яка задана в різнх форматах. СППР, які керуються знаннями (Knowledge-Driven DSS) забезпечують розв’язування задач у вигляді фактів, правил, процедур. СППР, які керуються моделями (Model-Driven DSS) характеризуються в основному доступом і маніпуляціями з математичними моделями (статистичними, фінансовими, оптимізаційними, імітаційними).

Відмітимо, що деякі OLAP-системи, які дозволяють виконувати складний аналіз даних, можуть бути віднесені до гібридних СППР, які забезпечують моделювання, пошук і обробку даних.
На технічному рівні розрізняють СППР