מערכות מידע של כל ארגון עם פעילות רחבה כוללות מספר יישומים שמטרתם ניתוח אנליטי של נתונים ובחינת כיווני התפתחות ארגוניים. הצרכן המרכזי של מערכות אנליטיות הינו דרג ניהולי בכל הרמות, כי בסופו של דבר המידע האנליטי מהווה כלי עיקרי לקביעת המדיניות של החברה ולקבלת ההחלטות – מה שנקרא תחום הבינה עסקית.
כך, על מנת לקבל החלטות שקולות ישנו צורך להחזיק ביד את כל המידע הרלוונטי על כל הרבדים של פעילות תפעולית של הארגון. המידע הזה בדרך כלל נושא אופי כמותי , לכן נדרש לאגור את המידע הזה מכל המערכות התפעוליות, להביא למכנה משותף ורק אז לנתח. להשגת מטרה זו מיועד מחסן נתונים (Data Warehouse).
מחסן נתונים הינו מקום שבו מרוכז כל המידע בעל ערך אנליטי. לעתים מטרתו של מחסן נתונים הוא שילוב של כל הנתונים התפעוליים במטרה לשמור על אחידות ואקטואליה במסגרת של כל המערכות של הארגון.
בהשוואה למערכות תפעוליות שפועלות כבסיסי נתונים רילאציוניים מחסן נתונים נושא אופי אחר. המטרה של מערכת תפעולית היא לא להחזיר, אלא לכתוב מידע חדש, ועקב זאת נתונים משתנים כל שנייה ברגע שנכנסת רשומה חדשה. בניגוד לכך יעודן של מערכות אנליטיות הינו להחזיר מהר מידע ולבצע חישובים ואגרגציות מורכבים . משום כך נדרשת יציבות של המערכת האנליטית ומבנה שונה מבסיס נתונים יחסי שמאפשר להחזיר נתונים במהירות מקסימלית. כדי לבצע זאת בסוף המאה הקודמת הוגדרו מספר עיקרונות של OLAP – On-line Analytical Processing :
- אחזור תוצאות של השאילתה לזמן סביר (בסביבות 5-10 שניות) אף במחיר של וויתור על ניתוח פרטני ברמת השורה
- אפשרות ביצוע כל ניתוח לוגי וסטטסטי ושמירתו בצורה המונגשת למשתמש הקצה
- גישה למספר משתמשים בו זמנית בהתאם להגבלות הבטחת המידע
- הצגת נתונים רב-מימדית עם תמיכה בהיררכיות ותת-היררכיות
- אפשרות לפנות למידע הנדרש בכל רגע ומכל מקום
במילים אחרות OLAP מהווה אידולוגיה של ניתוח נתונים והנגשתם למשתמשי קצה שבדרך כלל אינם חברי צוות מערכות מידע, אלא מנהלים ברמות שונות.
מודל של OLAP שונה בארכיטקטורה ובמהות מבסיסי נתונים רילאציוניים ובכך שפת SQL אינה מתאימה לתשאול של בסיס נתוני רב-מימדיים. כל זה הוביל לפיתוח שפה ייחודית למערכות OLAP MDX (Multidimensional Expressions), שבה למטרה לתשאל קוביית OLAP המורכבת מנתונים מספריים ברמות אגרגציה שונות הנקראים מדדים ((Measures אשר משתייכים לממדים (Dimensions). MDX בניגוד ל-SQL לא מבצעת שום פקודות שמשנות את הנתונים בקובייה אלא רק מתשאלת אותם. השאילתות של MDX נבנות בצורה כזאת כדי לשלב גם מידות – הנתונים הכמותיים – וגם כמות המימדים הנדרשת, וכך נוצר שילוב של מספר צירים שבחתך בינם נבחנים מספרים. למשל, כאשר ישנו צורך לבדוק כמות המכירות ברמת סניפים, ברמת הערים וגם לפי שנים. כך צריך ליצור שאילתה בעלת ארבע מימדים.
בשוק קיים מגוון רחב של פתרונות בניית OLAP, אך הנפוץ ומוצלח ביותר הינו SSAS – Sql Server Analysis Services מבית Microsoft. SSAS מהווה כלי אשר מקנה אפשרות לבנות פתרון אנליטי אשר מצד אחד מארגן את כל הנתונים הארגוניים במודל סמנטי אחד ומצד שני מאפשר אחזור נתונים באמצעות מגוון רחב של כלי וויזואליזציה (Excel, Pyramid, Necto, Power Bi)).
SSAS 2016 מקנה אפשרות לבנות מודל סמנטי בצורת OLAP וגם בטאבולר מודל (Tabular Model). שימוש בכלי מהווה חוויה פשוטה ואינטואיטיבית כשימוש ב-SSDT של SQL Server 2016 . SSAS מאפשר לעבוד גם בשרתי אירגון (On-premise) תוך כדי ניצול יתרונות של ענן וזאת באמצעות מערכת Power BI .
דטה קיוב ביצעה בעשור האחרון עשרות פרוייקטים בטכנולוגיות OLAP וממשיכה בפיתוח בטכנולוגיה על פי הצורך. אנו מספקים ייעוץ ממוקד וקצר וכן פרוייקטים ארוכי טווח.
נשמח לשוחח על הנושא – לתאום פגישת ייעוץ חינם לחץ כאן..
קיריל דמידוב, מפתח BI
דטה קיוב.