در ادامه مقاله قبل ((Online Analytical Processing (OLAP)) که در آن به بیان مقدمه ای از OLAP پرداختیم، قصد داریم در این مقاله به بیان مفاهیم  Multidimensional Data Analysis از قبیل ویژگی ها(Attributes)، سلسله مراتب (Hierarchies) و ابعاد(Dimensions) بپردازیم.

Attribute ها در Data Analysis

برای درک بهتر مفهموم Attribute به طرح مثالی در این رابطه می پردازیم. تصور کنید شما مدیر شرکت Adventure Works Cycles هستید و میخواهید درباره عملکرد شرکت خود اطلاعاتی بدست آورید. بدین منظور از تحلیلگر کسب و کار خود می خواهید تا گزارشی از وضعیت شرکت در اختیار شما قرار دهد

 

شما می دانید که این پاسخ چیزی است، اما چه چیزی؟ این گزارش فاقد معنی است. اعداد بدون هیچ متن و توضیحی ممکن است دیتا باشند اما اطلاعات نیستند. در هوش تجاری، اعداد و ارقام جمع پذیر که شما برای کنترل کسب و کارتان استفاده میکنید را Measure می گوییم. Measure می تواند فروش، تعداد کالای فروخته شده، مقدار برگشتی و موارد دیگر باشد. اضافه کردن یک برچسب بر روی عدد اعلام شده دیتا را به اطلاعات تبدیل می کند، این برچسب Metadata (دیتا درباره دیتا)گفته می شود. یک راه برای اینکه برنامه هوش تجاری شما دیتا را به اطلاعات تبدیل کند اضافه کردن Metadata می باشد. مطالعه یک مقدار تنها اطلاعات زیادی به شما نخواهد داد شما نیاز دارید که این مقدار را به مقادیری که حاوی اطلاعات بیشتری باشد بشکنید برای مثال تحلیل فروش در ماه که می توانید نتیجه را در جدول زیر مشاهده کنید.

 

Table 1-2 Adventure Works Units Sold by Month

Apr 2011 Mar 2011 Feb 2011 Jan 2011
۲۵ ۲۷ ۱۴ ۴

اکنون شما اطلاعات بیشتری دارید زیرا Metadata بیشتری دارید. یک Attribute برای هر فروش، ماه فروش آن می باشد. در قسمت بالای گزارش شما می توانید لیستی از چهار Attribute ماه را مشاهده کنید.

از طرفی شرکت شما بیشتر از یک محصول را در ماه می فروشد. هر کدام از این محصولات در طول زمان چگونه رفتار میکنند؟ بنابراین درخواست گزارش دیگری بر مبنای فروش محصولات مختلف در ماه های متفاوت میکنید.

 

Table 1-3 Adventure Works Units Sold by Product and Month

Apr 2011 Mar 2011 Feb 2011 Jan 2011
۲ ۱ ۳ ۱ Mountain-500 Black,40
۱ ۲ Mountain-500 Black,44
۱ ۲ ۱ Mountain-500 Black,48
۱ ۲ ۱ Mountain-500 Silver,40
۱ ۱ ۱ Mountain-500 Silver,44
۲ Mountain-500 Silver,48
۷ ۱۰ Road-750 Black,44
۹ ۵ Road-750 Black,48
۳ ۶ ۶ ۱ Hitch Rack

 

اکنون شما اطلاعات بیشتری دارید زیرا می توانید Metadata بیشتری را مشاهده کنید. هر مقدار فروش اکنون دارای دو ویژگی یا Attribute می باشد: یک ماه و یک محصول خاص که فروخته شده است. سازمان شما سه مدل محصول در سایز ها و رنگ های متفاوتی برای کل نه محصول منحصر به فرد تولید می کند. بنابراین ۹ برچسب ویژگی در سمت چپ گزارش مشاهده می شود: برای هر محصول یک سطر

در صورتی که سازمان رشد کند، شما نیاز پیدا خواهید کرد که برای سهولت در تحلیل دیتا محصولات خاص را در گروه های خاص براساس مدل، دسته بندی اصلی و دسته بندی فرعی تقسیم بندی کنید.

می توانید شروع به ایجاد گروه های محصولات براساس ویژگی های معمولی آنها بپردازید. جدول زیر نشان می دهد که چطور می توانید نام یک محصول را به ویژگی هایی از قبیل نام مدل، رنگ و سایز تفکیک کنید.

 

Table 1-4 Product Attributes

 

Size Color Model Product
۴۰ Black Mountain-500 Mountain-500 Black,40
۴۴ Black Mountain-500 Mountain-500 Black,44
۴۸ Black Mountain-500 Mountain-500 Black,48
۴۰ Silver Mountain-500 Mountain-500 Silver,40
۴۴ Silver Mountain-500 Mountain-500 Silver,44
۴۸ Silver Mountain-500 Mountain-500 Silver,48
۴۴ Black Road-750 Road-750 Black,44
۴۸ Black Road-750 Road-750 Black,48
Hitch Rack Hitch Rack

بدین ترتیب شما اکنون سه لیست اضافه تر برای برچسب های ویژگی محصول دارید که می توانید برای ایجاد گزارشات مختلف استفاده کنید. به دلیل اینکه برچسب های هر لیست به یکدیگر مرتبط هستند و مربوط به یک ویژگی، برچسب ها را اعضا (Member) می نامیم. بنابراین برای مثال ویژگی مدل دارای سه عضو: Hitch Rack, Mountain-500, and Road-750 و ویژگی رنگ دارای دو عضو : Black و Silver می باشد.

ویژگی محصول Product ویژگی کلیدی Key Attribute می باشد. ویژگی کلیدی منحصر به فرد نشان دهنده تمامی ویژگی های دیگر می باشد. در صورت مشاهده یکی از اعضای ویژگی محصول، می توانید اعضای دیگر ویژگی ها را برای آن محصول تشخیص دهید. راه دیگر برای تشخیص ویژگی کلیدی این است که وقتی لیستی از ویژگی های کلیدی مشابه جدول بالا ایجاد می کنید، اعضای ویژگی کلیدی منحصر به فرد هستند. مدل یک ویژگی کلیدی نیست. اگر به عضو Mountain-500 از ویژگی های Model نگاه کنید، نمی توانید رنگ یا سایز آن را تشخیص دهید.

اکنون می توانید از تحلیلگر خود بخواهید که گزارشی را برای شما تهیه کند که محصولات را براساس مدلشان گروه بندی کرده باشد مطلبق جدول زیر.

 

 

Table 1-5 Adventure Works Units Sold by Model, Product, and Month

Apr 2011 Mar 2011 Feb 2011 Jan 2011
۶ ۶ ۸ ۳ Mountain-500
۲ ۱ ۳ ۱ Mountain-500 Black,40
۱ ۲ Mountain-500 Black,44
۱ ۲ ۱ Mountain-500 Black,48
۱ ۱ ۱ Mountain-500 Silver,40
۲ Mountain-500 Silver,44
Mountain-500 Silver,48
۱۶ ۱۵ Road-750
۷ ۱۰ Road-750 Black,44
۹ ۵ Road-750 Black,48
۳ ۶ ۶ ۱ Hitch Rack
۳ ۶ ۶ ۱ Hitch Rack

گزارش شما اکنون دارای اطلاعات ریزتری می باشد. مقدار فروش برای هر مدل حاصل جمع مقادیر فروش محصولات مرتبط به آن مدل می باشد. اعضای ویژگی مدل و محصول در یک سلسله مراتب  hierarchy مرتب شده اند، اعضای ویژگی مدل سطح بالایی سلسله مراتب و اعضای ویژگی محصول سطح پایین سلسله مراتب را تشکیل می دهند. توانایی مرتب سازی مدل ها و محصولات در سلسله مراتب و جمع مقادیر محصولات و تبدیل به یک مقدار برای یک مدل metadata دیگری ایجاد می کند که توانایی دیتای شما را برای انتقال اطلاعات بیشتر می کند.

هنگامی که شما سلسله مراتب دارید نیازی به نمایش تمامی سطوح ندارید. در این مورد تنها لازم است که سطح مدل را مشاهده کنید. جدول زیر گزارش خلاصه تری را از عملکرد شرکت در اختیار شما قرار میدهد.

Table 1-6 Adventure Works Units Sold by Model and Month

Apr 2011 Mar 2011 Feb 2011 Jan 2011
۶ ۶ ۸ ۳ Mountain-500
۱۶ ۱۵ Road-750
۳ ۶ ۶ ۱ Hitch Rack

تاکنون مشاهده کردید که چطور می توان سطح جزئیات ویژگی محصول را به مجموعه ای از ویژگی های مرتبط تفکیک کرد. هنگام طراحی  multidimensional data analysis با تعداد زیادی از سلسله مراتب ها کار خواهید کرد. برای مثال، شما اغلب گزارش هایی را با دیتای مشتری، مناطق جغرافیایی، مشتری و دیگر ویژگی ها طراحی می کنید. همچنین یاد گرفتید که چطور ویژگی مدل و محصول می تواند در یک سلسله مراتب ساده سازمان دهی شوند و سپس گزارش هایی را با استفاده از این گروه ها و یا  دیتای جزئی تر طراحی کنید. در مقاله بعد تحت عنوان «سلسله مراتب ها در Data Analysis» به بررسی بیشتر انواع و چگونگی ایجاد سلسله مراتب ها می پردازیم.

پاسخ دهید