هوش تجاری

اطلاعاتی مفید و کاربردی از فناوری هوش تجاری

28. معماري CIF در حوزه هوش تجاري

CIF يا Corprate Information Factory نوعي معماري است که امروزه در اکثر محيط تصيمي يار مورد استفاده قرار مي گيرد. اين معماري نشان داد که راه کار EIS کمبود هاي متعددي دارد. CIF کمبود اخذ از يک منبع که در EIS وجود دارد را از بين برد. CIF اين کمبود EIS را با دو راه کار زير برطرف مي کند:

1- تفکيک داده به 5 پايگاه داده عمده، اين 5پايگاه داده عبارتند از:

·         پايگاه هاي داده سيستم اجرايي (The Operational System Databases)،

·         پايگاه داده تحليلي (Data warehouse)،

·         انباره داده اجرائي (The Operational Data Store)،

·         پايگاه هاي داده تحليلي خرد (Data Marts)،

·         پايگاه هاي داده عملِياتي خرد (Oper Marts).

2- يکپارچه سازي فرآيندها به منظور انتقال کارا و موثر داده از سيستم هاي منبع به کاربران تجاري.

CIF يک معماري ادراکي پذيرفته شده (در سطح وسيع) است که انباره هاي اطلاعاتي اي که در اجرا و مديريت يک زيرساخت محکم و موفق هوش تجاري مورد استفاده قرار مي گيرند، را توصيف و طبقه بندي مي کند.

اين انباره هاي اطلاعاتي سه فرايند سازماني سطح بالا را پشتيباني مي کنند که عبارتند از:

·         عمليات تجاري (Business operations): با عمليات روزانه و جاري تجاري در ارتباطند.   

·    هوش تجاري (Business intelligence): با جستجوي مداوم براي درک بهتر شرکت، محصولات آن و مشتريانش در ارتباط است. فرآيندهاي عمليات تجاري ايستا هستند، در حاليکه هوش تجاري علاوه برفرآيندهاي ايستا، شامل فرآيندهايي است که همواره در حال تکامل اند.

·    مديريت تجاري (Business management): فرآيندي است که در آن دانشها و بينشهاي جديدي که در هوش تجاري ايجاد مي شوند، در عمليات تجاري روزانه در سرتاسر Enterprise معرفي و اجرا مي شوند، مديريت تجاري تصميمات تاکتيکي که يک سازمان اتخاذ مي کند را در بر مي گيرد.   

مؤلفه هاي CIF به دو گروه عمده تقسيم مي شوند:

·    دريافت داده (Getting Data In): كه شامل فرآيندها و پايگاه هاي داده اي است كه درگير اخذ داده از سيستم هاي اجرائي، يكپارچه سازي آن، پاكسازي آن و قرار دادن آن در يك پايگاه داده براي استفاده آسان هستند و عبارتند از:

o       پايگاه هاي داده سيستم اجرايي (The Operational System Databases)،

o       پايگاه داده تحليلي (Data warehouse)،

o       انباره داده اجرائي (The Operational Data Store)،

o       اخذ دانش (Data Acquisition).

·    پس دادن اطلاعات(Getting Information Out) : که شامل فرآيندها و پايگاه هاي داده اي است که درگير ارائه هوش تجاري به مشتريان تجاري نهايي يا تحليل گران اند و عبارتند از:

o       پايگاه هاي داده تحليلي خرد (Data Marts)،

o       پايگاه هاي داده عملِياتي خرد (Oper Marts)،

o       داده رساني  .(Data delivery)

+ نوشته شده در  سه شنبه سی و یکم فروردین 1389ساعت   توسط مهدی ناصری  | 

مدتي اين مثنوي تاخير شد...

با سلام

از آخرين باري كه اين وبلاگ آپديت شده حدود دو سال مي گذره با اين وجود به دليل مراجعه برخي از دوستان لازم مي دونم نكاتي رو يادآور بشم.

بنده در دوره اي از دوران تحصيل خودم تصميم روي موضوع هوش تجاري كار مي كردم كه بعدها به دليل شرايط تحصيلي به طور كلي از آن وادي دور شدم و در يك وادي ديگر قرار گرفتم. ولي در آن زمان تصميم گرفته بودم كه مطالعات پسزمينه اي خودم رو كه عمدتا شامل ترجمه و خلاصه مي شدند در اين وبلاگ قرار بدم تا بقيه هم بتونند استفاده كنند.

براي همين مطالب اين وبلاگ داراي مشكلات زيادي بود. مثلا مطالب پراكنده بود و انسجام نداشت يا هيچ وقت مرجعي براي مطالب بيان نمي شد و...

به هر حال بنده تصميم گرفتم كه تدريجا بقيه مطالب آماده اي را كه داشتم در اين وبلاگ قرار دهم تا بقيه دوستان هم بتوانند از آن ها استفاده كنند. سعي خواهم كرد در يك فرصت زماني مناسب تمام مراجع را قرار دهم ولي لازم مي دونم تا به حال هم از همه دوستان كه از مطالبشان در اين وبلاگ استفاده كردم و يا خواننده اين وبلاگ بودند به دليل عدم رعايت موازين علمي در بيان مطالب عذرخواهي بكنم.

اميدوارم زماني اگر در حوزه كاري و يا تحقيقاتي دوباره كارم به هوش تجاري افتاد اين وبلاگ رو با مطالب جديدتر به روز كنم.


با تشكر

+ نوشته شده در  دوشنبه سی ام فروردین 1389ساعت   توسط مهدی ناصری  | 

ويژگي هاي اساسي يک معماري خوب براي سيستم BI چيست؟

  1. Usability: ارائه تمامي امکانات BI به نحوي يکسان و مشترک براي تمامي کاربران مختلف و آمادگي براي تهيه تمامي اطلاعات مورد نياز کاربران مختلف.
  2. استفاده از يک API مشترک و واحد براي يکپارچه­سازي (Integration) و گسترش­پذيري (Extensibility): يک API امکان يکپارچه کردن BI با ساير سيستم­هاي فعلي يا بعدي را به وجود مي­آورد. در اين راستا بايد از يک نوع API استفاده کرد که تمامي component هاي BI را در برمي­گيرد.
  3. استفاده بهينه از منابع موجود براي ساده­سازي و ROI: يک معماري نوين براي BI بايد بيشترين بازگشت سرمايه را با پياده­سازي و به کارگيري سريع سيستم BI دربرداشته باشد. اين معماري بايد از محيط برنامه­هاي کاربردي مختلف پيچيده و ترکيبي و يکپارچه­سازي با زيرساخت­هايي مانند platform ها، پايگاه­هاي داده، منابع OLAP، سرورها، برنامه­هاي کاربردي وب سرورها، تامين­کننده­هاي امنيت (Security Providers)، کاهش پياده­سازي­هاي جديد و هزينه­هاي نگه­داري پشتيباني نمايد.
  4. دسترسي گسترده به داه­هاي سازمان: هر سازماني طيف گسترده­اي از داده­هاي مختلف و مکانيزم­هاي ذخيره­سازي براي کاربران مختلف و براي اهداف مختلف دارد. براي ايجاد انعطاف­پذيري سيستم (Flexibility) براي يکپارچه­سازي داده­ها (data Integration) و دسترسي به داده­ها بايد در معماري سيستم از يک استراتژي باز داده­اي (open data strategy) استفاده کرد. کاربراني که از داده­هاي استفاده مي­کنند بايد از جامعيت داده در سراسر سازمان اطمينان داشته باشند.
  5. Common business view: فرايندهاي تجاري و تحليل­هاي انجام شده بر اساس آنها، فارغ از منبع داده و اطلاعات بايد در سراسر سيستم BI مشترک بوده و تمامي نتيجه­گيري­ها در يک راستا باشند. تا مديران و knowledge worker ها با اطمينان از صحت و جامعيت داده (Validity) از نتايج تحليلي استفاده نمايند.
  6. Agility: معماري BI بايد به گونه­اي باشد که در صورت ايجاد تغييري در سازمان مانند يک استراتژي جديد، يک برنامه کاربردي جديد و... تغييرات لارم را به سرعت و درستي در ساير بخش ها اعمال نمايد.
  7. Interoperability of BI Capabilities: کاربران تجاري نياز دارند به تمام capability هاي BI از طريق يک رابط دسترسي داشته باشند. کاربران مي توانند از طريق اين واسط مشترک به تحليل ها و ابزارهاي مختلفي دسترسي داشته باشند و يا به صورت اشتراکي در تهيه يک گزارش شرکت کنند. کاربر گزارشي را تهيه کرده و در اختيار ديگران قرار مي دهد. هر کسي تنها اطلاعاتي را که بايد ببيند، مشاهده مي کند. در نهايت مدير تجاري از گزارش هاي مختلف را مشاهده کرده و نتايج به دست آمده را در اختيار ديگران قرار مي دهد.
  8. سهولت در به کار گيري (Deploy): براي به دست آوردن حداکثر فوايد استفاده از BI، نيازمند معماري هستيم که به راحتي قابل پياده سازي، يکپارچه کردن و به کارگيري باشد. شرکاي تجاري و مشتري ها نياز مند سيستم هايي هستند که به راحتي قابل نصب، به کار گيري و استفاده باشد.
  9. Scalability and Reliability.
  10. Security: معماري BI بايد آماده پذيرش تعداد زيادي از security provider ها را داشته باشد.
+ نوشته شده در  سه شنبه بیست و هشتم خرداد 1387ساعت   توسط مهدی ناصری  | 

معماري DWH از ETL تا پايان

معماري يك پايگاه داده تحليلي شامل سه لايه مي باشد:

1- لايه زيرين، منابع اوليه داده را تشكيل مي­دهد. اين لايه شامل پايگاه­هاي داده رابطه­اي، فايل­هاي مسطح و منابع ديگر است.

2- لايه مياني را خود پايگاه داده تحليلي و سرويس دهنده­هاي پردازش تحليلي برخط تشكيل مي­دهند. سرويس دهنده­هاي پردازش تحليلي بر خط، داده چند بعدي را براي ارائه به كاربران نهايي در اختيار قرار مي­دهند.

3- لايه انتهايي، سرويس گيرنده­ها هستند كه با عمليات داده­كاوي، پرس­وجو و تحليل، داده را از سرويس­دهنده­هاي پردازش تحليلي بر خط مي­گيرند.

سرويسدهنده­هاي پردازش تحليلي بر خط كه در لايه مياني معماري پايگاه داده تحليلي قرار دارند، سه نوع هستند:

1- پردازش تحليلي برخط رابطهاي (Relational OLAP- ROLAP)

2- پردازش تحليلي برخط چندبعدي (Multi-dimensional OLAP- MOLAP )

3- پردازش تحليلي برخط تركيبي (Hybrid OLAP - HOLAP )

 


در این لایه بندی به DWH به عنوان یک black box نگاه شده است و جایگاه آن در بین سایر ابزار ها بیان شده است. همانطور که مشخص است، ارتباط بین لایه اول با لایه دوم از طریق فرایند ETL برقرار می شود. این فرایند در واقع همان مرحله اول ساخت DWH است که در بخش قبل بیان شد. لایه میانی خود DWH و گروهی از سرویس دهنده ها قرار گرفته اند، که سرویس های خاص DWH را در اختیار ابزارهای سطح بالا قرار می دهند. این ابزار ها در واقع در مرخحله سوم ساخت DWH به وجود می آیند. در انتها ایه ای از یک سری ابزار سطح بالای تحلیلی وجود دارد که در مرحله آخر به وجود می آیند. لایه انتهایی دارای ابزارهای خاص منظوره برای انجام فرایندهای تصمیم گیری در سطوح مختلف سازمانی است. لایه میانی یک بستر عمومی است که به وسیله هوش تجاری ایجاد می شود و قابلیت به اشتراک گذاری بسیاری از امکانات خاص را برای برنامه ها و ابزار های مختلف دارد.

ایجاد این بستر به طور کاملا ماجولار و جدا از سیستم های موجود در لایه پایینی و بالایی یکی از مهمترین فاکتورهای ایجاد یک هوش تجاری موفق می باشد.


+ نوشته شده در  سه شنبه بیست و هشتم خرداد 1387ساعت   توسط مهدی ناصری  | 

مراحل ساخت پايگاه داده تحليلي

1- آماده­سازي (ETL)

·        استخراج داده

·        پاك­سازي داده

·        بايگاني كردن داده قبل و بعد از پاك­سازي

2- يكپارچگي(Integrity)

·        تطبيق داده و يكپارچگي چند منبع داده­اي

3- تحليل سطح بالا

·        محاسبه ديدهاي تحليلي از ديدهاي پايه - ايجاد پارامترهاي تحليلي

4- خصوصي­سازي

·        استخراج و خصوصي سازي اطلاعات - ايجاد پايگاه داده تحليلي خاص

 

هر یک از این مراحل، توسط افراد خاصی باید انجام شود. در واقع تخصص های مورد نیاز برای انجام هر یک از مراحل فوق با هم دیگر فرقق می کند.

باید توجه داشت که تقریبا از مرحله اول نیازمند وجود Repository  برای ذخیره meta data ها هستیم. همچنین ممکن است در مراحل آخر نیازمندی جدیدی برای مرحله ETL پیش آید که در این صورت نیازمند انجام مجدد مراحل اولیه هستیم.

+ نوشته شده در  شنبه بیست و دوم دی 1386ساعت   توسط مهدی ناصری  | 

Metadata Repository چيست؟

Metadata اطلاعات توصيف کننده داده هاي موجود در data warehouse است. اين اطلاعات شامل موارد زير مي­شود:

·        توصيف ساختار اطلاعات در data warehouse.

·             schema, view, dimensions, hierarchies, derived data definitions, data mart locations and contents

·        Metadata هاي عملياتي (operational).

·             data lineage (history of migrated data and transformation path)

·             currency of data (active, archived, or purged)

·              monitoring information (warehouse usage statistics, error reports, audit trails)

·       روش­هاي مورد استفاده براي خلاصه­سازي.

·       تناضر بين اطلاعات موجود در Data warehouse با محيط هاي عملياتي سازمان.

·       داده هاي مربوط به کارايي (performance) سيستم.

·       داده هاي تجاري: مانند اصطلاحات و تعاريف تجاري، مالکيت داده ها، سياست هاي تجاري و... .

+ نوشته شده در  شنبه بیست و دوم دی 1386ساعت   توسط مهدی ناصری  | 

ادامه مطالب

با عرض سلام حضور دوستان عزیز

مدتی می شه که به دلیل مشغله زیاد کاری فرصت ارسال مطلب جدید به وبلاگ رو نکردم. با عرض پوزش به اطلاع می رسانم که به زودی ادامه مطالب رو پیگیری خواهم کرد.

با تشکر

مهدی ناصری
+ نوشته شده در  یکشنبه چهارم آذر 1386ساعت   توسط مهدی ناصری  | 

Data Mart چیست؟

بخشي از اطلاعات موجود در DWH در Data Mart نگهداري مي شود. اين اطلاعات بر حسب نياز گروه­هايي که در بخش IT سازمان فعاليت مي کنند انتخاب و استخراج مي شوند. در حالت کلي، اطلاعات مذکور از منابع اطلاعاتي مختلف موجود در سطح سازمان قابل تهيه هستند. معمولا اطلاعات موجود درData Mart از يک DWH استخراج مي شود. در مجموع مي­توان گفت در يک Data Mart ايجاد شده براي يک گروه knowledge worker، اطلاعاتي وجود دارد که گروه مذکور، از لحاظ تحليلي و محتوايي به آن نياز دارند و اين اطلاعات را مي­توان به فرمت مناسب براي گروه مذکور نمايش داد. Data mart ها به سه صورت وابسته، منطقي و Operational Data Store (ODS) وجود دارند.

  • Data Mart وابسته: يک پايگاه داده فيزيکي است که ممکن است سخت افزار آن از سخت افزار DWH مجزا باشد و شامل زيرمجموعه هاي کوچکي از اطلاعات مي شود.
  • Data mart منطقي: به صورت فيزيکي وجود ندارد بلکه يک view فيلتر شده از DWH است. اين نوع Data Mart نيازي به حافظه اضافي ندارد و داده ها هميشه بروز هستند. البته در اين نوع Data Mart زمان پاسخ دهي سيستم بيشتر خواهد بود.
  • ODS: يک پايگاه داده يکپارچه از داده هاي عملياتي سازمان هستند که معمولا اطلاعات باارزش يک دوره 30 يا 60 روزه را در بر دارند و براي گزارش گيري هاي مربوط به زمان حال که قابل دستيابي از DWH نيستند، مورد استفاده قرار مي گيرند.

لازم به ذکر است از Data Mart ها به صورت جداول ايندکس هم استفاده مي­شود به اين صورت که به جاي آنکه اطلاعات سيستم در يک پايگاه اطلاعاتي مرکزي تکرار شود، اطلاعات سازمان تنها در منابع اطلاعاتي اوليه ذخيره مي شوند و ايندکس هايي از اطلاعات ايجاد مي شوند. در اين ايندکس ها (که همان Data Martها هستند)، مشخص شده است که هر منبع اطلاعاتي شامل چه اطلاعاتي است و چگونه مي توان اطلاعات مورد نظر را از آن استخراج کرد. به اين روش، روش quick and dirty گفته مي شود. زيرا در اين روش Data Mart ها را مي­توان به سرعت ايجاد کرد و از طرفي اطلاعات مانند روش قبل پاکسازي نمي شوند.

يک Data warehouse براي جمع آوري تمامي اطلاعات در مورد موضوعات (subjects) مختلف مانند مشتري ها، محصولات، فروش، منابع، پرسونل و... ايجاد مي شود. اين اطلاعات در حوزه کل سازمان قرار دارد. ولي Data Martها اطلاعات زير مجموعه هاي سازماني را که روي يک موضوع خاص متمرکز است، در بر دارند.

براي ايجاد بستر داده اي براي BI به دو روش مي توان عمل کرد:

1- بالا به پايين (top-down): گه در اين روش يک DWH يکپارچه و يا يک ODS براي کل يک سازمان ايجاد مي شود. اين پايگاه داده بزرگ تمامي اطلاعات و داده هاي عملياتي سازمان را در بر دارد. ايجاد، پياده سازي و استفاده از اين نوع پايگاه داده بسيار گران، هزينه بر و سخت است.

2- پايين به بالا (down-top): در اين روش داده هاي مرتبط با هم در يک data mart قرار مي گيرند و چندين data mart در نقاط مختلف سازمان ايجاد شده و در راستاي همديگر يک DWH براي سازمان ايجاد مي کنند.

براي ايجاد بستر داده اي يک سازمان روش اول بسيار سخت و هزينه بر است و در بسياري از کاربرد ها غير ممکن به نظر مي رسد.

با توجه به اينکه بسياري از سازمان ها از قبل داراي منابع داده اي جدا هستند، استفاده از Data mart ها بسيار به صرفه به نظرمي آيد و عملا نيز بسياري از سازمان ها از اين روش در BI استفاده مي کنند. يکي از نقاط ضعف اين روش اين است که داده ها و اطلاعات مربوط به يک فعاليت در سازمان ممکن است در چندين data mart نگه داري شود که باعث ايجاد افزونگي در اطلاعات سازمان مي شود.

Data mart ها بنا به کاربرد و انتظاراتی که از لحاظ کارآیی از آنها دارند، طراحی و پیاه سازی می شوند. در کاربرد­هایی که نیاز است آخرین تغییرات داده های سازمان در Data mart وجود داشته باشد نمی توان از Data mart های وابسته استفاده کرد و بهتر است در صورت کوچک بودن حجم پردازش مربوط به query از Data mart منطقی استفاده شود. در صورتی که حجم پردازش بالا باشد و نتوان آن را در زمان مناسبی از DWH استخراج کرد بهتر است بنا به مقدار هزینه ای که برای استقرار در نظر گرفته شده است، از Data mart های وابسته و یا ODS ها استفاده شود.

با توجه به تقسیم بندی application های هوش تجاری در سطوح مختلف سازمانی (استراتژیک، تاکتیکی و عملیاتی) می­توان گفت data mart هایی که خاص منظور هستند، بیشتر ما بین سطوح عملیاتی و تاکتیکی کاربرد دارند. این data mart های اطلاعات ورودی خود را از سیستم های عملیاتی گرفته و با استفاده از ابزارهای هوشمند در سطوح میانی مدیریت که مربوط به مدیریت تاکتیکی می شود کاربرد دارند.

برای استفاده در سطوح استراتژیک که در سطوح بالای مدیریتی انجام می شود و در دفعات کم معمولا با انبوه اطلاعات enterprise wide سر و کار دارد، می توان از خود DWH و یا data mart های خاص استفاده کرد.

همچنین می توان از ترکیبی از روش های فوق برای پیاده سازی data mart های خاص استفاده کرد. برای مثال می توان از قسمتی از داده های یک Data mart وابسته را با استفاده از تکنیک data mart منطقی از بخش دیگری از یک Data mart دیگر تهیه کرد.

+ نوشته شده در  دوشنبه نهم مهر 1386ساعت   توسط مهدی ناصری  | 

ویژگی های اصلی DWH چیست؟

1- مبتني بر موضوع:

·                 سازماندهي داده­ها بسته به چگونگي ارجاع كاربران.

2- يكپارچگي

·                    يكپارچه سازي اسامي.

·                    يكپارچه سازي واحدهاي اندازه­گيري متغيرها.

·                    يكپارچه سازي ساختارهاي داده­اي از نظر محدوده ارزشها.

·                    حذف ناسازگاريها و اطلاعات متناقض.

3-  غير قابل تغيير

·                   داده­هاي فقط خواندني

4- محدوده وسيع زماني

·                   محيط هاي عملياتي: گستره زماني 60-90 روز

·                   پايگاه داده تحليلی: گستره زماني 5-10 سال

5- خلاصه شده

·                   داده هاي تحليلي مناسب براي تصميم­گيري­ها بر اساس اهداف تعيين شده

6- حجيم

·                   به علت محدوده وسيع زماني

7- نرمال­نشده

·                   امكان وجود افزونگي

پایگاه­داده تحلیلی در واقع پایگاهی است که خروجی فرایند ETL در آن قرار می­گیرد. داده­های استخراج شده و منتقل شده در این پایگاه داده load می­شوند. قابل ذکر است که در پیاده سازی یک DWH می­توان از روش­های مختلفی استفاده کرد که استفاده از data martها یکی از آن است. بسته به نحوه پیاده­سازی یک DWH میزان اهمیت خصوصیات فوق تغییر می­کنند.

دقت در خصوصیات مهم فوق نشان می دهد که آنچه در پیاده سازی و کارگیری یک DWH بیشتر مهم است، میزان توانایی آن در پاسخ گویی به query ها است و هزینه را بیشتر در بخش ایجاد و وارد کردن اطلاعات وارد می کنند تا هزینه زمانی کمتر و کارآیی بالاتری را در هنگام بازیابی اطلاعات به دست آورند. این نکته مهم در می تواند در معماری سیستم بسیار مهم باشد.

+ نوشته شده در  دوشنبه نهم مهر 1386ساعت   توسط مهدی ناصری  | 

پایگاه داده تحلیلی (Data Warehouse) چیست؟

DWH يک سيستم کامپيوتري از اطلاعات است که به گونه­اي مناسب براي انجام عمليات گزارش­گيري و تحليلي داده­ها بر اساس زمان، طراحي شده است. اين سيستم اغلب به صورت جداگانه­اي از سيستم­هاي عملياتي روزانه قرار مي­گيرد. Bill Inmon که از او به عنوان پدر DWH ياد مي شود آن را به اين ترتيب تعريف مي­کند:

" DWH متشکل از يک پايگاه داده و تعدادي جز (component) متصل است با ويژگي هاي زیر:

  • موضوع­گرا (Subject Oriented): پايگاه­داده به گونه­اي سازماندهي شده است که تمامي اطلاعاتي که به یک موضوع يا موجوديت خاص مربوط هستند با يکديگر مرتبط هستند.
  • متغير با زمان: تغييرات ايجاد شده در پايگاه­داده اوليه در آن اعمال مي­شوند.
  • Non-volatile: داده­هاي اطلاعاتي هرگز حذف نشده، با داده­هاي جديد جايگزين نمي­شوند.
  • يکپارچه: اطلاعات موجود در پايگاه­داده از سراسر سازمان جمع­آوري شده­اند و با هم سازگاري دارند".

هدف اصلي DWH ايجاد بستري مناسب براي توليد اطلاعاتي است که به  Knowledg worker هاي سازمان (مديران، عوامل اجرايي و تحليلگران) براي اتخاذ تصميم­هاي درست کمک مي­کند. براي اين منظور از DWH در تهيه گزارش­ها، اطلاعات تحليلي، تعامل بلادرنگ با سيستم­هاي عملياتي و Profiling استفاده مي­شود.

با DWH مي­توان در سازمان سيستم تصميم­يار (Decision support) ايجاد کرد. اطلاعاتي که در  DWH نگهداري مي­شود از آنچه در پايگاه­هاي داده نگهداري مي­شود (که شامل اطلاعات جزيي و روزمره است) به مراتب مهم­تر و ارزشمندتر است. در DWH تمامي اطلاعات موجود در سازمان از ابتدا تاکنون به صورت يکپارچه و سازماندهي شده نگهداري مي­شود. در اين مخزن اطلاعاتي، اطلاعات از تمامي منابع اطلاعاتي و در يک بازه زماني طولاني جمع­آوري مي­شوند و به اين دليل حجم اطلاعات بسيار زياد است.

در DWH نياز به سازماندهي مناسب اطلاعات و استفاده از روش­هاي مناسب دسترسي به اطلاعات وجود دارد. DWH با طراحي متفاوت خود به صورت چندبعدي (Multi dimensional) قادر است تمامي این موارد را در نظر بگيرد. براي مثال در اطلاعات نگهداري شده براي فروش، زمان فروش، ناحيه فروش، فروشنده و محصول به فروش رفته به عنوان ابعاد مختلف در نظر گرفته مي­شوند. اغلب اين بعدها حالت سلسله مراتبي (Hierarchical) دارند. مثلا ممکن است زمان فروش شامل تاريخ و ساعت فروش محصول باشد. طراحي مدل داده چند بعدي با استفاده از تکنيک­هاي مرسوم در محيط­هاي OLTP مانند ERD و نرمال­سازي مناسب نيست. زيرا آنچه در DWH مهم است ايجاد امکان پرس­و­جو و بارگذاري سريع اطلاعات است.

در بيشتر DWH از star schema براي ايجاد مدل داده چندبعدي استفاده مي­شود. در اين مدل، پايگاه­داده شامل يک جدول fact و تعدادي جدول مجزا براي ابعاد است. در جدول fact رکورد اطلاعاتي شامل تعدادي اشاره­گر (کليد خارجي) به جداول ابعاد و مقادير مربوط به معيارهاي عددي است. Attribute ها به همراه کليدها در جداول ابعاد قرار مي­گيرند.

برخي از سازمان­ها تمايل دارند DWH به صورت سراسري طراحي شود به طوريکه تمامي اطلاعات موجود در سازمان در آن قرار گيرند. طراحي و استفاده از DWH به اين صورت کاري پيچيده و زمان­بر است. به همين علت در بسياري از سازمان ها از Data Mart استفاده مي­شود.

+ نوشته شده در  دوشنبه نهم مهر 1386ساعت   توسط مهدی ناصری  | 

منظور از meta data در ETL چيست؟

Meta data اطلاعاتي در رابطه با انتقال و تبديل داده­ها، عملکرد DWH، تناظر منابع اطلاعاتي و جداول پايگاه­داده (که در آنها مشخص شده است منابع اطلاعاتي اوليه به چه قسمت­هايي از DWH نگاشت شده اند) مي باشد. از اطلاعات موجود در meta data مي­توان در مواردي مانند نظارت خودکار، پيش­بيني گرايش­هاي سازمان و استفاده مجدد از اطلاعات استفاده کرد. مثال هايي از meta data عبارتند از:

  • اطلاعات بارگذاري داده­ها: براي مثال مجموعه­هاي داده­ها در چه زماني در  DWHقرار داده شده­اند.
  • تغييرات schema: تغييراتي که در schema رخ مي­دهد. براي مثال چه تغييراتي و کي در تعاريف جداول اطلاعاتي ايجاد شده است.
  • آمار تبديلات انجام شده: اطلاعاتي مانند مدت زمان انجام تبديل­هاي انجام شده بر روي داده­ها و تعداد رکوردهاي پردازش شده در انجام اين تبديلات در اين قسمت نگهداري مي­شوند.

براي انجام فرايند ETL مي توان در سازمان برنامه­هاي نرم افزاري مورد نياز را نوشت. اين برنامه ها عمومًا برنامه­هاي پيچيده­اي هستند. از اين رو ابزار زيادي براي ETL به وجود آمده­اند به طوريکه مي­توان از آنها براي اين منظور استفاده کرد.

يک ابزار ETL خوب، بايد بتواند با پايگاه­هاي داده مختلف ارتباط برقرار کند و فايل­هايي با فرمت­هاي مختلف که در سازمان هاي مختلف، متفاوت است، را بخواند.
+ نوشته شده در  یکشنبه بیست و یکم مرداد 1386ساعت   توسط مهدی ناصری  | 

مرحله بارگذاري (Loading) در ETL چيست؟

داده­هاي تبديل شده به شکل استاندارد مورد نظر، در اين مرحله در پايگاه داده DWH قرار مي­گيرند. داده­ها معمولا به دليل حجم بالا، به صورت دوره­اي در DWH بارگذاري مي­شوند نه پيوسته. به عبارت ديگر، وقتي اطلاعات در يک منبع اطلاعاتي تغيير کرد يا اطلاعات جديدي به آن اضافه شد، تغیيرات به صورت آني به DWH منتقل نمي­شود. بلکه DWH به صورت دوره­اي و در بازه­هاي منظم زماني به روز مي­شود.

+ نوشته شده در  یکشنبه بیست و یکم مرداد 1386ساعت   توسط مهدی ناصری  | 

مرحله تبديل (Transformation) در ETL چيست؟

پس از استخراج اطلاعات، بايد پردازش­هايي روي آنها انجام شود تا فرمت آنها مناسب و يکپارچه شود. در اين مرحله موارد زير انجام مي شوند:

1-     اعتبارسنجي داده­ها: سازگاري و عدم تناقض اطلاعات جديد استخراج شده از منابع اطلاعاتي و اطلاعات موجود در DWH در اين قسمت بررسي مي­شود.

2-     بررسي صحت داده­ها: آيا فيلدها مقادير درستي به خود گرفته­اند؟ براي مثال آيا در فيلدي که ارزش مقادير on و off هستند، تمامي داده­ها يکي از اين دو مقدار را دارند؟

3-     تبديل انواع داده­ها: داده­ها از منابع اطلاعاتي مختلف مي­آيند و در نتيجه ممکن است فيلدهاي مشابه داراي مقادير مختلفي باشند. براي مثال يک فيلد دو مقداري در يک منبع اطلاعاتي on و off باشد و در منبع اطلاعاتي ديگر ۰ و ۱. تمامي اطلاعاتي که وارد DWH مي­شوند بايد از اين جهت اصلاح شوند.

4-     اعمال قوانين تجاري: در اين مرحله مي­توان بررسي کرد آيا داده­هاي موجود مطابق با نيازهاي سازماني هستند؟ براي مثال آيا در اطلاعات مربوط به مشتريان نام و نام خانوادگي آنها وجود دارد.

5-     يکپارچه­سازي اطلاعات: براي مثال ممکن است يک سيستم اطلاعات مشتريان را نگهداري کند و سيستم ديگر اطلاعات فروش را. اطلاعات موجود در دو سيستم مذکور بايد با هم يکپارچه شوند.

اين مرحله در واقع، پيچيده ترين مرحله در فرآيند ETL است. قسمتي از اين فرآيند را مي­توان در مرحله استخراج داده­ها انجام داد. مانند سيستم­هاي اطلاعاتي قديمي که در آنها اطلاعات از تمامي فايل­هاي اطلاعاتي موجود جمع­آوري شده و يک فايل متني از روي آنها ساخته مي­شود.

+ نوشته شده در  یکشنبه بیست و یکم مرداد 1386ساعت   توسط مهدی ناصری  | 

مرحله استخراج (Extraction) در ETL چيست؟

ابتدا بايد اطلاعات از منابع اطلاعاتي مورد نظر استخراج شوند. در اين مرحله ممکن است اطلاعات از منبع اطلاعاتي اوليه حذف شود يا بدون حذف از آن در DWH کپي شود. اغلب داده­هاي اطلاعاتي قديمي که در امور روزمره سازمان کاربردي ندارند و نگه­داري آنها تنها جنبه حفظ تاريخچه سيستم را دارد، از منبع اطلاعاتي اوليه حذف شده به DWH منتقل مي­شود. به اين ترتيب بهره­وري و کارايي منابع اطلاعاتي مذکور در سطح مطلوبي نگاه داشته مي­شود.

داده­هاي استخراج شده از منابع اطلاعاتي اوليه معمولا در فضاي Staging در DWH قرار داده مي­شوند و در ساير مراحل ETL مورد پردازش قرار مي­گيرند. اين فضا معمولا يک پايگاه­داده رابطه­اي است که به عنوان فضاي حافظه­اي موقت براي پردازش اطلاعات به وجود آمده است.

مرحله استخراج اطلاعات معمولا در سطح منابع اطلاعاتي انجام مي­شود به ويژه اگر منبع اطلاعاتي مورد نظر، پايگاه­داده باشد. در سيستم­هاي قديمي، روش متداول براي استخراج اطلاعات، توليد فايل­هاي متني از روي اطلاعات مي­باشد. در سيستم­هاي جديدتر از امکاناتي مانند API، OLE DB وODBC ها براي اين امر استفاده مي­شود.

+ نوشته شده در  یکشنبه بیست و یکم مرداد 1386ساعت   توسط مهدی ناصری  | 

ETL چیست؟

طي فرآيند ETL داده­ها از منابع اطلاعاتي مورد نياز موجود در سازمان يا خارج از آن مانند، پايگاه­هاي داده، فايل­هاي متني، سيستم­هاي قديمي و صفحات گسترده (Spread Sheets) استخراج شده و تبديل به اطلاعاتي سازگار با فرمت معين مي­شوند و سپس در يک مخزن اطلاعاتي که در اغلب اوقات يک DWH است، قرار داده مي­شوند. براي انجام ETL نياز به تخصص­هاي مختلفي چون تجزيه و تحليل تجاري، طراحي پايگاه داده و برنامه­نويسي وجود دارد.

پيش از انجام فرآيند ETL ابتدا بايد منابع اطلاعاتي که قرار است داده­هاي آنها به DWH منتقل شوند، شناسايي شوند، مقصد آنها در DWH مشخص شوند و تبديلاتي که بايد بر آنها انجام شود تا واردDWH شوند، تعيين شوند. نحوه نگاشت اطلاعات به صورت اوليه، بايد در مرحله جمع­آوري نيازها و مدل­سازي اطلاعات انجام شود. اطلاعات جزيي تر مربوط به نحوه نگاشت داده ها از منابع اطلاعاتي اوليه به DWH در مرحله طراحي و پياده­سازي ETL مشخص مي­شود.

·        شناسايي منابع اطلاعاتي: پايگاه­هاي داده mainframe مانند:VSAM ،DB2 ،IBMS Adabas  و ISAM پايگاه­هاي داده client-server مانندInformix  و Oracle پايگاه­هاي اطلاعاتي PC مانند Access، صفحات گسترده مانند Excel نمونه­هايي از مهمترين انواع منابع اطلاعاتي را تشکيل مي­دهند. در برخي سيستم­ها شناسايي منابع اطلاعاتي به سادگي مکان­يابي سرورهاي پايگاه­داده سيستم است. در برخي سيستم­هاي پيچيده­تر، براي شناسايي اين منابع بايد اعمالي نظير تعريف دقيق فيلدهاي اطلاعاتي و تعريف ارزش­هاي اطلاعاتي مربوط به اين فيلدها انجام شود.

·        تعِيين مقصد داده­ها: براي تمامي اطلاعات موجود در منابع اطلاعاتي شناسايي شده بايد مکاني در DWH در نظر گرفته شود. داده هاي اطلاعاتي در قسمت­هاي مختلفDWH  قرار مي­گيرند.

·        نگاشت داده­هاي اطلاعاتي از مبدأ به مقصد: نحوه نگاشت داده­ها از مبدأ به مقصد و تغييراتي که بايد بر داده­هاي اوليه اعمال شود تا به فرمت مناسب براي DWH درآيند بايد تعيين شوند. اين تغييرات موارد زير شامل مي­شود:

o       خلاصه سازي اطلاعات.

o       تغيير اطلاعات.

o       کدگشايي اطلاعات کد شده.

o       ايجاد تغييرات لازم براي هماهنگ سازي داده­هاي اطلاعاتي مشابه که در چند منبع اطلاعاتي مختلف وجود دارند.

اطلاعات مربوط به نحوه نگاشت اطلاعات در نقشه اطلاعات (Data Map) نگهداري مي شود.

يک سيستم ETL داراي چهار بخش اصلي است:

  • استخراج (Extraction)
  • تبديل (Transformation)
  • بارگذاري (Loading)
  • Meta Data

فرایند ETL، یک پروسه محسوب می شود. به این معنی که به صورت پیوسته و مداوم در سیستم باید انجام شود. به ازای داده هایی عملیاتی که در طول زمان در سازمان به وجود می آید این فرایند نیز انجام می شود. آنچه که در استقرار یک هوش تجاری در سازمان مهم است ایجاد مهماری و ساختاری مناسب است به طوری که این در طول اجرای عملیات مختلف، ETL با سازگاری با آن فرایند به سرعت انجام پذیرد. پس ساختار مورد استفاده برای ETL قبل از انجام آن از اهمیت بالایی برخوردار است. فرایند ETL به دلیل اینکه روی حجم بالایی از اطلاعات انجام می شود و معملا همراه با یکپارچه کردن داده ها همراه است می بایست در طول دوره های مختلف انجام شود. در این دوره ها و به هنگام آغاز فرایند ETL به دلیل بالا رفتن حجم ترافیک شبکه و پردازش سرورهای پایگاه داده ممکن است در انجام فرایندهای دیگر تجاری BI اختلال ایجاد شود که می بایست در طراحی هوش تجاری مورد توجه قرار گیرد.

+ نوشته شده در  یکشنبه بیست و یکم مرداد 1386ساعت   توسط مهدی ناصری  | 

تکنيک ها و ابزار به کار رفته در BI

در يك راه حل BI ارائه شده براي يك سازمان، افراد مختلفي در بخش هاي مختلف درگير مي شوند. اين افراد بايد از نرم افزارهاي كاربردي و تكنولوژي هاي مختلف در مراحل مختلف شامل جمع آوري، ذخيره سازي و تجزيه و تحليل اطلاعات و ارائه نتايج به دست آمده، استفاده كنند. براي اين منظور، ابزارهاي مختلفي توسط شركت هاي مختلف تهيه شده اند. ابزارهاي BI نرم افزارهاي کاربردي هستند که براي فرآيندهاي موجود در BI طراحي شده اند و با آنها مي توان اطلاعات را مورد تجزيه و تحليل قرار داد و آنها را به صورت مناسبي ارائه کرد.
در مراحل مختلف BI با توجه به عمليات مورد نظر در آن مرحله از تکنيک هاي مختلفي استفاده مي شود که در ادامه به بيان آنها خواهيم پرداخت. لازم به ذکر است ابزار طراحي شده نيز بر مبناي اين تکنيک ها هستند.
1-ETL
Data Ware House -2
OLAP- 3
4- داده کاوي (Data Mining)
5- نرم افزارهاي گزارش گيري
6- On-Line Transaction Processing
Intelligent Decision Support System -7
Intelligent Agent -8
Knowledge Management System -9
Supply Chain Management -10
Customer Relationship Management -11
Enterprise Resource Planing- 12
Enterprise Information Management- 13

ابزارها و تکنیک ها در سطوح مختلفی قرار می گیرند به گونه ای که سطوح پایین تر خود، ابزارها و تکنیک های سطوح بالاتر محسوب می شود. می توان گفت برخی از تکنیک ها به صورت افقی (horizontal) و برخی به صورت عمودی (vertical) در هوش تجاری مورد استفاده قرار می گیرند. تکنیک های افقی تکنیک هایی هستند که در اکثر بخش ها و اجزای هوش تجاری مورد استفاده قرار می گیرند. مانند OLAP، پردازش های هوشمند، داده کاوی، سیستم های خبره و... تکنیک های عمودی تکنیک هایی هستند که با استفاده از برخی تکنیک های افقی و برخی تکنیک های خاص در حوزه خاصی از فرایند تجاری سازمان کارایی دارند.
از این رو تکنیک های افقی نیازمند دقت بیشتری در پیاده سازی و گسترش هستند به طوری که بتوانند با اجزای مختلف در platform های مختلف در رابطه باشند. پیاده سازی این اجزا بر اساس استانداردهای خوب یکی از چالش های مهم در رابطه با هوش تجاری است.
می توان در معماری هوش تجاری برای سازمان، این دو بخش را از همدیگر جدا کرد و هوش تجاری را سبدی از جنس ابزارهای افقی دانست که هر ابزار عمودی را می توان در آن قرار داد. ایجاد یک معماری افقی ثابت برای یک سازمان، رشد هوش تجاری در آینده را ضمانت می کند.
+ نوشته شده در  چهارشنبه بیست و سوم خرداد 1386ساعت   توسط مهدی ناصری  | 

گردش اطلاعات در فرآيند BI

داده ها با ورود به سيستم مورد پردازش قرار گرفته و تبديل به دانش مي شوند. سپس دانش به دست آمده مورد تحليل قرار گرفته و نتايج تحليلي از آن حاصل مي شود. از روی نتايج تحليلي بينشي نسبت به سازمان پيدا مي شود که بر اساس آن مديران تصميات لازم را اتخاذ مي کنند و اعمالي براي بهبود عملکرد سازمان انجام مي دهند.
از اين ديدگاه تجاری اطلاعات موجود ابتدا قادر به پاسخگويي به اين سؤال هستند: "در سيستم چه اتفاقي افتاد است؟" با پردازش اطلاعات موجود مي توان به اين سؤال پاسخ داد: "اين اتفاق چرا رخ داده است؟" در نهايت با تصميمي که مديران اتخاذ مي کنند ميتوان پيش بيني کرد: "چه اتفاقي خواهد افتاد؟"
فرايند BI را مي توان به صورت زير نشان داد: داده -> اطلاعات -> دانش -> برنامه قابل اجرا (Actionable Plan)
• داده به اطلاعات: فرايند تعيين داده هايي که بايد در يک حوزه (context) خاص بايد جمع آوري و مديريت شوند.
• اطلاعات به دانش: فرايندي که شامل اجزاي تحليلي مي شود. مانند: data warehousing، OLAP، data quality، data profiling، business rule analysis و data mining.
• دانش به برنامه قابل اجرا: مهمترين جنبه از فرايند BI است. داده اي داراي ارزش است که بتوان از آن برنامه قابل اجرا به دست آورد. اين ويژگي از مهمترين پارامترهاي ROI براي BI در يک سازمان است.
+ نوشته شده در  دوشنبه بیست و یکم خرداد 1386ساعت   توسط مهدی ناصری  | 

BI در سطوح مختلف سازمان چه کارکردي دارد؟

کارکرد BI را در سه حوزه مي توان تقسيم بندي کرد:
1- سطح استراتژيک(strategic level): مربوط به تصميم گيري هاي کلان سازمان که توسط مديران رده بالا انجام مي شود. اين نوع استفاده ها در دفعات کم و در دوره هاي طولاني انجام مي شود اما ممکن است با حجم بالايي از اطلاعات و پردازش ها همراه باشد. تصميمات گرفته شده در اين سطح غالبا در حوزه مسايل غير ساخت يافته (Unstructured) و توسط مديران ارشد هستند. نتايج حاصل از اين تصميمات تاثيرات بلند مدت (Long-term effect) و کلاني در سازمان دارند.
2- سطح تاکتيکي(tactical level): مربوط به عملياتي است که در حوزه مديران مياني انجام مي شود. اين عمليات مي تواند شامل پيگيري عمليات در سطح پايين، نحوه انجام آن، گزارش¬گيري و نهايتا جمع بندي داده هاي مفيد براي اتخاذ تصميمات ميان مدت سازمان باشد. تصميمات گرفته شده در اين سطح غالبا در حوزه مسايل نيمه ساخت يافته (semi-structured) و توسط مديران مياني هستند.
3- سطح عملياتي (operational level): پايين ترين سطح انجام فعاليت هاي تجاري يک سازمان است که در دفعات بالا و معمولا به صورت تکراري در رده هاي پايين عملياتي سازمان انجام مي شود. اين عمليات در دفعات بالا بوده و با حجم کمي از داده ها سر و کار دارند. تصميمات گرفته شده در اين سطح غالبا در حوزه مسايل ساخت يافته (structured) و توسط مديران رده پايين هستند. نتايج حاصل از اين تصميمات تاثيرات کوتاه مدت (Short-term effect) و خرد در سازمان دارند.
BAM(Business Activity Monitoring): يک Application در حوزه BI است که در سطح عملياتي سازمان به کار مي رود. هدف آن آماده کردن اطلاعات کامل و جامعي از روند انجام پروسه هاي تجاري (Business Process) به صورت real time است. اين سيستم امکان اتخاذ تصميمات کوتاه مدت در انجام فعاليت هاي تجاري را مهيا مي کند و در ضمن سيستمي براي جمع آوري اطلاعات مورد نياز براي Application هاي رده بالاي BI نيز محسوب مي شود. BAM بيشترين تمرکز را در انجام فرايندهاي تجاري داخلي دارد. (Internal BP).
Familiar: مهم ترين Application مورد استفاده در سطح تاکتيکي است. اين برنامه در ردگيري انجام فعاليت هاي تجاري با استفاده از BAM مورد استفاده قرار مي گيرد و در سطح تصميمات ميان مدت، با ارائه گزارش هاي دوره اي از روند انجام فرايندها به کمک مديران رده مياني مي¬آيد. اين سيستم تصويري کلي از فعاليت هاي سازمان براي مديران فراهم مي آورد.
کاربرد BI در سطح استراتژيک را مي توان به نوعي براي کمک به افزايش کارايي کلي سازمان و بهينه سازي فرايندها در کنار يکديگر در نظر گرفت. اين سيستم ها روي برخي ويژگي هاي مهم مالي و ساير پارامترهاي مهم در افزايش کارايي سازمان متمرکز مي شوند. بديهي است که اين سيستم در اين سطح مي بايست فرايندهاي خارجي سازمان را نيز در بر بگيرد.
همانطور که مي دانيم، يک سيستم BI از چندين Application در سطوح مختلف تشکيل شده است که در سبد BI قرار مي گيرند. يکي از مهمترين ارتباطات اين سيستم ها، مربوط به انتقال داد ها بين آن هاست.
خصوصیات مختلف برنامه های کاربردی در سطوح مختلف سازمان، باعث ایجاد تفاوت هایی در ابزارها، تکنیک ها و زیرساخت های مورد نیاز برای هر یک از آنها می شود. استفاده از ابزارهای تحلیلی و هوشمند بیشتر در سطح بالا انجام می شود که نیازمند پردازش های بالا با میزان دسترسی انبوهی از اطلاعات در سطوح استراتژیک و تاکتکی بیشتر از عملیاتی است. بخش عملیاتی هوش تجاری بیشتر وظیفه جمع آوری اطلاعات و ذخیره سازی آنها را در Data mart ها و یا پایگه داده های مخصوص بر عهده دارد.
+ نوشته شده در  یکشنبه ششم خرداد 1386ساعت   توسط مهدی ناصری  | 

زيرساخت هاي نرم افزاري مورد نياز BI چيست؟

نرم افزارها اطلاعات درست را از منابع داده اي اضافي و به هدر رفته استخراج مي کنند. ابزارهاي ابداعي تحليلي تهيه شده توسط ISV ها (Independent Software Vendors) که به صورت اختصاصي براي حوزه هاي مختلف تجاري پياده سازي شده اند، باعث پيشرفت مداوم صنعت BI در بازار شده است. ابزار و تکنيک هاي تحليلي ايجاد شده توسط اين ISV ها، کمک بسياري در حل بسياري از مسايل مهم تجاري مي کنند. مسايلي مانند: پي گيري پرداخت حقوق بر اساس ماموريت افراد تا اندازه گيري ميزان موفقيت فروش يک محصول خاص در يکي از فروشگاه هاي يک منطقه مشخص.
+ نوشته شده در  شنبه بیست و نهم اردیبهشت 1386ساعت   توسط مهدی ناصری  | 

زير ساخت هاي سخت افزاري مورد نياز براي BI چيست؟

لايه سخت افزار، پايه و اساس سيستم BI را ايجاد مي کند و انعطاف پذيري و گسترش پذيري سيستم BI در آينده را باعث مي شود. سخت افزار تاثير بزرگي در کارکرد زيرساخت هاي نرم افزاري BI، انتخاب از گزينه هاي موجود ابزارها، مهارت هاي لازم براي پشتيباني سيستم و هزينه ها خواهد داشت. با اين وجود، هدف يک سيستم BI بايد بالا بردن کارايي کل سيستم باشد نه فقط سخت افزار سيستم.
1- سرورها. با پيشرفت فناوري، سرعت پردازنده ها افزايش يافته و به مرور قيمت آنها پايين مي آيد. اين حرکت باعث ايجاد نقاط تازه¬اي از کارآيي و تعادل بين قيمت و قدرت براي پردازنده و حافظه هاي ذخيره سازي ايجاد کرده است. اين پيشرفت گزینه هاي بيشتري را براي انتخاب و استفاده در سيستم BI ايجاد کرده است که با آنها مي توان نيازهاي تعريف شده در سيستم را برآورده نمود.
2- حافظه هاي ذخيره سازي (Storage): در تعيين نوع حافظه مورد استفاده علاوه بر قابليت سازگاري آن با سرورها و شبکه هاي ارتباطي، بايد به توانايي گسترش، مطابقت با استانداردهاي باز تجاري (open industry standards) و تاثير مثبت کارآيي در کل سيستم توجه داشت. علاوه بر خصوصيات فني يک storag device، بايد به نرم افزاري که قرار است با مديريت آن کارکردهاي بيشتري را در اختيار قرار دهد، دقت کرد. هزينه ها، فوايد و معايبي که از انتخاب اين نرم افزار متوجه سازمان مي شود، مي تواند مهم باشد. همچنين بايد در نظر داشت که صرفه جويي در خريد سخت افزار لازم مي تواند هزينه هاي بيشتري را در پشتيباني و نگه داري سيستم در پي داشته باشد.
3- شبکه هاي ارتباطي: سرعت شبکه هاي ارتباطي، امروزه با وجود شبکه هاي فيبر نوري و شبکه هاي ethernet پر سرعت بسيار سريع تر شده است. انتخاب سيستم¬هاي ارتباطي بايد در راستاي انتخاب نوع سرورها و حافظه هاي ذخيره سازي صورت گيرد. اين انتخاب مي¬تواند سرعت دسترسي به اطلاعات مانند backup گرفتن، بازيابي اطلاعات و ... را تحت تاثير قرار دهد.
انتخاب تجهیزات سخت افزاری از میان گزینه های مختلف به پارامترهای مختلفی مانند موارد زیر بستگی دارد:
• انعطاف پذیری و گسترش پذیری
• هزینه های تهیه، استقرار، نگه داری، پشتیبانی و مدیریت.
• قابلیت سازگاری اجزای مختلف سخت افزارها با هم.
• کارایی بالا برای نرم افزارهای پیش بینی شده هوش تجاری.
• مطابقت با استانداردهای باز تجاری.
+ نوشته شده در  دوشنبه بیست و چهارم اردیبهشت 1386ساعت   توسط مهدی ناصری  | 

مطالب قدیمی‌تر