Η ιδέα πίσω από τις πολυδιάστατες βάσεις δεδομένων

Οι πολυδιάστατες βάσεις δεδομένων (MDDBs) εκτοξεύουν τις συμβάσεις των σχετικών προγόνων τους και οργανώνουν δεδομένα με τρόπο που συμβάλλει ιδιαίτερα στην πολυδιάστατη ανάλυση. Για να κατανοήσετε τις πολυδιάστατες βάσεις δεδομένων, πρέπει πρώτα να κατανοήσετε τα βασικά στοιχεία των αναλυτικών λειτουργιών που εκτελούνται με τα δεδομένα που είναι αποθηκευμένα σε αυτά.

Η πολυδιάστατη ανάλυση βασίζεται σε μερικές απλές έννοιες οργάνωσης δεδομένων - συγκεκριμένα, γεγονότα και διαστάσεις:

είναι ένα παράδειγμα κάποιας συγκεκριμένης εμφάνισης ή συμβάντος και οι ιδιότητες του γεγονότος που έχουν αποθηκευτεί σε μια βάση δεδομένων. Πώλησατε ένα ρολόι σε έναν πελάτη την περασμένη Παρασκευή το απόγευμα; Αυτό είναι γεγονός. Μήπως το κατάστημά σας έλαβε χθες μια αποστολή από δακτυλίους 76 κατηγορίας από έναν συγκεκριμένο προμηθευτή; Αυτό είναι ένα άλλο γεγονός. Διαστάσεις: Μια

διάσταση είναι ένας περιγραφέας κλειδιών, ένας δείκτης, με τον οποίο μπορείτε να αποκτήσετε πρόσβαση στα δεδομένα ανάλογα με την τιμή (ή τις αξίες) που θέλετε. Για παράδειγμα, μπορείτε να οργανώσετε τα δεδομένα πωλήσεων σύμφωνα με αυτές τις διαστάσεις: ώρα, πελάτη και προϊόν. Τον Οκτώβριο 2008 (η χρονική διάσταση), ο Πελάτης Α (η διάσταση του πελάτη) αγόρασε δακτυλίους κατηγορίας (το μέγεθος του προϊόντος) - 79 από αυτούς για $ 8, 833.

Το 2007 (η διάσταση του πελάτη) πολλά διαφορετικά προϊόντα (η διάσταση του προϊόντος) - συνολικά 3, 333 μονάδες για $ 55, 905 (τα γεγονότα).

• Παρατηρήστε το λεπτό διαφορετικό μεταξύ του τρόπου που χρησιμοποιούνται οι διαστάσεις σε αυτά τα δύο παραδείγματα. Στην πρώτη, η χρονική διάσταση σχετίζεται με ένα μήνα. η διάσταση του πελάτη αφορά έναν συγκεκριμένο πελάτη. και η διάσταση του προϊόντος είναι για ένα συγκεκριμένο προϊόν.

• Στο δεύτερο παράδειγμα, όμως, ο χρόνος είναι για ένα χρόνο, όχι για ένα μήνα. ο πελάτης εξακολουθεί να είναι ο ίδιος (ένας μεμονωμένος πελάτης). και το προϊόν είναι για ολόκληρη τη σειρά προϊόντων.

  Η πολυδιάστατη ανάλυση υποστηρίζει την έννοια των

ιεραρχιών

στις διαστάσεις. Για παράδειγμα, μπορείτε να οργανώσετε την ώρα σε μια ιεραρχία ενός έτους → τρίμηνο → μήνα. Μπορείτε να δείτε τα γεγονότα (ή την ενοποίηση των γεγονότων) στη βάση δεδομένων σε οποιοδήποτε από αυτά τα επίπεδα: ανά έτος, τρίμηνο ή μήνα.

Ομοίως, μπορείτε να οργανώσετε προϊόντα σε μια ιεραρχία της οικογένειας προϊόντων → τύπος προϊόντος → συγκεκριμένα προϊόντα. Οι δακτύλιοι κλάσης ενδέχεται να είναι τύπος προϊόντος. "Δαχτυλίδι κατηγορίας, μοντέρνο στυλ, πέτρα όνυχα" μπορεί να είναι ένα συγκεκριμένο προϊόν.Επιπλέον, δαχτυλίδια τάξη, ρολόγια, άλλα δαχτυλίδια, και άλλα στοιχεία όλα θα κυλήσει επάνω στην οικογένεια προϊόντων κοσμημάτων. Υπάρχει κάποιο όριο στον αριθμό των διαστάσεων; Θεωρητικά, μπορείτε να έχετε πολλές διαστάσεις στο πολυδιάστατο μοντέλο σας όπως είναι απαραίτητο. Ωστόσο, τίθεται πάντοτε το ερώτημα εάν το πολυδιάστατο προϊόν βάσης δεδομένων σας μπορεί να τα υποστηρίξει. Αλλά εδώ είναι μια πιο σημαντική ερώτηση - ακόμη και αν ένα προϊόν επιτρέπει έναν ορισμένο αριθμό διαστάσεων (για παράδειγμα, 15), είναι λογικό να δημιουργηθεί ένα μοντέλο αυτού του μεγέθους;

Πρέπει να συνεργαστείτε στενά με τους χρήστες σας για να διαπιστώσετε εάν ο αριθμός των διαστάσεων καθιστά τη λύση σας υπερβολικά περίπλοκη - και ως εκ τούτου περιορίζει τον πληθυσμό των χρηστών - ή βελτιώνει την ευκολία χρήσης - και επομένως επεκτείνει τον πληθυσμό των χρηστών.

Μπορείτε, για παράδειγμα, να προσθέσετε γεωγραφία στη λίστα διαστάσεων που περιέχει χρόνο, πελάτη και προϊόν, ώστε να μπορείτε να δείτε και να οργανώσετε τα στοιχεία ανάλογα με τις περιοχές πωλήσεων, τις πολιτείες, τις πόλεις και τα συγκεκριμένα καταστήματα.

Πώς θα πρέπει να επιλέξετε τα επίπεδα σε μια ιεραρχία;

Τα επίπεδα σε μια ιεραρχία σας επιτρέπουν να εκτελέσετε λειτουργικότητα

drill-down

. Και έχοντας πολλαπλά επίπεδα σε μια ιεραρχία, μπορείτε να πάρετε γρήγορα απαντήσεις στις ερωτήσεις σας, λόγω των πληροφοριών που έχουν ρυθμιστεί σε καθένα από αυτά τα καθορισμένα επίπεδα, έτσι ώστε οι πληροφορίες απλώς να περιμένουν τα ερωτήματά σας.

Επειδή οι πολυδιάστατες βάσεις δεδομένων έχουν αρκετά άκαμπτες δομές που είναι χτισμένες γύρω από τον υπολογισμό pre -

γεγονότων (δημιουργώντας και αποθηκεύοντας αθροίσματα στη βάση δεδομένων, αντί να πραγματοποιήσετε συνάθροιση και υπολογισμό χρόνου αναφοράς). οι περισσότερες διαστάσεις που έχετε και τα περισσότερα επίπεδα σε κάθε διάσταση που έχετε, τόσο μεγαλύτερες απαιτήσεις αποθήκευσης και όσο περισσότερο χρόνο κατασκευής ή φόρτωσης. Δομές φυσικών βάσεων δεδομένων σε MDDB Παρόλο που σχεδόν όλα τα προϊόντα MDDB είναι χτισμένα γύρω από την έννοια των γεγονότων, των διαστάσεων και των ιεραρχιών, κανείς δεν έχει καταλήξει σε έναν τυπικό ορισμό MDDB. Στον σχετικό κόσμο, η μη τυποποίηση υπήρξε επίσης κάπως πρόβλημα, ιδιαίτερα σε σχέση με τα χαρακτηριστικά προστιθέμενης αξίας, όπως οι περιορισμοί και οι αποθηκευμένες διαδικασίες. Ωστόσο, η βασική δομή σχεσιακής γραμμής-γραμμής-στήλης ήταν αρκετά εύκολη για εξαγωγή ή εκφόρτωση σε ένα επίπεδο αρχείο κάποιου τύπου και στη συνέχεια επαναφόρτωσε το σε άλλο προϊόν RDBMS.

Στον κόσμο MDDB, οι προμηθευτές έχουν λάβει διάφορες διαφορετικές προσεγγίσεις στις φυσικές αναπαραστάσεις των δεδομένων των αντίστοιχων προϊόντων τους. Όλοι αναζητούν τρόπους για να ξεπεραστούν τα προβλήματα αποθήκευσης και πολυπλοκότητας που προκαλούνται από μεγάλο αριθμό διαστάσεων (για παράδειγμα, περισσότερα από 15) και από βαθιά επίπεδα ιεραρχίας (για παράδειγμα, βαθιά 20 βαθμών).

Όταν αξιολογείτε προϊόντα, μην ανησυχείτε για τις τεχνικές φυσικής αποθήκευσης: Βεβαιωθείτε ότι οι λογικές αναπαραστάσεις που συνοδεύουν τα προϊόντα (όπως οι ιεραρχίες, τα επίπεδα και τα γεγονότα) μπορούν να ικανοποιήσουν τις επιχειρηματικές σας ανάγκες. Εξαλείψτε προϊόντα που φαίνονται ακατάστατα ή που έχουν, για παράδειγμα, ένα μοντέλο ιεραρχίας που δεν φαίνεται σωστό για τα δεδομένα σας.

Στη συνέχεια, αφού βρείτε προϊόντα που φαίνονται να ταιριάζουν στην επιχείρησή σας, κτυπήστε ελαφρά τα ελαστικά για να δείτε πώς εργάζονται μέσα τους.