Корпоративное управление и стратегический менеджмент

Хранилища данных

(data warehouse – DW) находятся на следующем после трансакционных систем уровне аналитической пирамиды. Один из авторитетных специалистов в этой области, Билл Инмон (Bill Inmon), определяет хранилища данных как «предметно-ориентированные, интегрированные, стабильные, поддерживающие хронологию наборы данных, используемые для поддержки принятия управленческих решений» [Inmon, 1992, p. 29]. Ценность хранилищ данных заключается в том, что они представляют собой крупные базы данных масштаба предприятия, которые содержат определенную информацию и обеспечивают ее оперативное представление в виде, удобном для пользователя или дальнейшей обработки другими аналитическими системами. Часто хранилища данных обладают структурой, учитывающей отраслевую специфику деятельности организации. Однако даже такая структура не всегда способна обеспечить необходимые возможности анализа больших объемов данных, особенно в режиме реального времени. Эта проблема решается на следующих уровнях иерархии – на уровнях витрин данных и OLAP-систем.

Витрины данных

(data marts), как и хранилища, представляют собой структурированные информационные массивы, но их отличие состоит в том, что витрины данных в еще большей степени являются предметно-ориентированными. Как правило, витрина содержит информацию, относящуюся к какому-либо определенному предметному направлению деятельности организации. Поэтому информация в витринах данных хранится в специальном виде, наиболее подходящем для решения конкретных аналитических задач или обработки запросов определенной группы аналитиков.

Есть два взгляда на витрины данных. В одном случае витрина, по сути, представляет собой часть хранилища, оптимизированную для запросов к данным конкретной предметной области, в том числе для передачи этих данных для последующей обработки в другие аналитические системы. В другом случае витрина – это OLAP-куб или его часть, оптимизированная для запросов пользователей к информации конкретной предметной области. Поэтому с точки зрения организации хранения данных витрины могут быть как реляционными, так и многомерными, однако в любом случае они обладают таким общим свойством, как предметная ориентированность.

Следующий уровень аналитической пирамиды занимают OLAP-системы

(On-Line Analytical Processing) – системы аналитической обработки данных в режиме реального времени. Такие системы могут работать со всеми необходимыми данными и способны обеспечить решение широкого спектра аналитических задач. Примерами задач, решаемых при помощи OLAP-систем, могут служить финансово-экономический анализ, оценка степени достижения целевых значений ключевых показателей, анализ и прогнозирование рыночной ситуации.

Особенность OLAP-систем состоит в многомерности хранения данных (в отличие от реляционных таблиц), а также в предрасчете агрегированных значений. Это дает пользователю возможность строить оперативные нерегламентированные запросы к данным, используя ряд аналитических направлений. Кроме того, для OLAP-систем характерна предметная (а не техническая) структурированность информации, позволяющая пользователю оперировать привычными экономическими категориями и понятиями.

Еще одним элементом BI-платформы, который часто выделяют в отдельную категорию, являются средства обнаружения знаний (data mining). Соответствующие программные продукты позволяют выявлять закономерности в данных и на этой основе получать качественно новую информацию. Такая информация, возможно, не содержится в источнике данных явным образом, поэтому в этом случае происходит формирование знаний на основе данных. Один из ведущих экспертов в данной области Г. Пиатецкий-Шапиро (Gregory Piatetsky-Shapiro) определяет деятельность таких систем как процесс обнаружения в сырых данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности [Piatetsky-Shapiro, Frawley, 1991]. В деятельности систем обнаружения знаний используются такие методы анализа данных, как фильтрация, деревья решений, ассоциативные правила, генетические алгоритмы, нейронные сети, статистический анализ.