차세대 OLAP 솔루션FactView

2007.7.12

임팩트라인 윤형기

2

발표순서

• 배경• 전통적인 BI/OLAP• New Trends of BI• 차세대 BI/OLAP: FactView• 시연 • 맺음말

3

배경전략경영과 BI

BI Framework

BI 란 ? …

4

전통적인 BI/OLAP개요

Conventional BI Architecture

Data source view Cube designer

5

전통적인 BI/OLAP프로젝트 절차

6

• 문제점 ( 현황 )– 많은 투자와 오랜 준비기간

• 도입 구축에 평균 6~18개월– 높은 실패율

• 정보부재 , multiple versions of truth

– 모델링 방법론상의 논쟁• Inmon vs. Kimball

– 일부 분석가에만 한정– 유연성 부족

• 원인 : – 설계사상 :“컴퓨팅자원의 절감 > 현업 요구사항 해결”– Cube = multi-dimensional analysis based on pre-calculating

전통적인 BI/OLAP현황과 문제점

7

• Main drivers for change– “From tactical, department use

To strategic, enterprise-wide BI”

• 기타– Web 2.0 and AJAX technology– Search engine(Google OneBox), BPM 등과의 결합– …

New Trends of BIBI 동향

8

New Trends of BIBI 동향 –계속 –

• 신 기술 Pre-aggregated cube 제거– H/W기술 : 메모리 , 64-bit CPU (IA) – S/W기술 : DB, UI/MMI In-memory analytics

• The Great BI Squeeze:

9

차세대 BI/OLAP: FactView개요

BSC

QPR 제품군

Workflow

성과관리 ,전략관리

Workflow,Automation

BI/OLAP

Cubeless OLAP 분석도구(FactViewenabled by QliKView)

BPM협업포털

BPM (Process), BAM (Activity)

10

차세대 BI/OLAP: FactView특징 – 계속 –

• Cube-less: Dimension과 measure의 구분이 없다 .– Not “pre-aggregated” 상황변화에 유연하게 대처– On Demand Calculation Engine:

Transform of Data Model

11

• In-Memory 분석 플랫폼– Powerful: Fast (On-demand) Calculation Engine

• 고성능 메모리 load 시에 데이터 압축 – 약 10%로 줄임 .

• Summary-level as well as record-level analytics

• Large scale, massive datasets

– 현재 ) In Memory 분석이 OLAP과 reporting 시장의 갭을 메워줌 .

– 전망 ) “ will eventually replace them mass market BI

차세대 BI/OLAP: FactView특징 – 계속 –

12

차세대 BI/OLAP: FactView특징 – 계속 –

• Visually Intuitive UI: – Point-and-Click Queries , color coding in query

feedback

• Equals to this…

WHERE [Fiscal Year] = 2004

AND ([Fiscal Month] = ‘Apr’ OR [Fiscal Month] = ‘May’ OR [Fiscal Month] = ‘Jun’)

AND [Division Name] = ‘Domestic’

AND ([Region Name] = ‘Northeast’ OR [Region Name] = ‘Southern’)

AND ([Product Type Desc] = ‘Breakfast Foods’ OR ([Product Type Desc] = ‘Dairy’ OR [Product Type Desc] = ‘Eggs’)

13

차세대 BI/OLAPFactView 아키텍처

14

• 국내 / 해외

• 업종별 사례

시연 Demonstration

15

차세대 BI/OLAP: FactView특징 –계속 –

• Scalability– RTE (Real-time, Near real-time OLAP)– Very Large Data Warehouse

• 수 천명 동시사용 , 수 억 record sub-second response time– 대량 Data 분석의 필요성

• Business users: CRM/POS, CDR, risk분석• Technical users: …

• Flexible: – RAD (Rapid Appl.Design), 표준 interfaces (ODBC, Web

Services)• (Near) Real-time OLAP

• 기타– AJAX Zero-Footprint Client (ZFC) 환경 지원 – BPM, BSC Portal과 통합– Mapping data (GIS)와의 결합– SAP NetWeaver 대체 / 보완

• With or Without Data Warehouse

16

• FV의 주된 작업은 데이터 위치확인 , 필요한 분석방법 결정 등

차세대 BI/OLAP: FactView개발 절차

17

ETL ScriptDimensions 결정

측정지표 결정Report 작성

Dashboard 작성

데이터 추출cube 계산 Render UI

ETL Script

Dimensions 결정측정지표 결정Report 작성

Dashboard 작성데이터 추출

Cube 계산Render UI

2 Months 4 Hours Seconds

1 일 1 시간 수 초 단위

기존의OLAP

FactView/QlikView

ONE TIME DAILY RUN TIME

DATA BOUND PROCESS BOUND MEMORY/PROCESS BOUND

차세대 BI/OLAP개발절차 –계속–

18

맺음말평가

• Industry Leadership

19

맺음말평가 – 계속 –

• Gartner Magic Quadrant

FY 2007FY 2004

20

맺음말소개

• 회사소개– 임팩트라인 소개

• 2000년 설립 ( 서울 )•주된 소프트웨어 사업

– 상용 솔루션 (www.impactline.net) – 오픈 솔루션 (OSS - Open BI) (www.openwith.net)

– QRP Plc.• Collaborative BI 제품군• QPR Community: 50 여 개국 , 3000여 개 기업• www.qpr.com

– QlikTech • OLAP solution - QlikView• 6,000 개 기업의 25만 명의 사용자 (68 개 국가 )

• www.qliktech.com

21

맺음말질의 응답

Q & A

보충자료

23

기반기술Background Technology

• 64-bit architecture – Intel Xeon에서 commodity 64-bit 시작 Itanium …

AMD Opteron에서 경쟁 격화 .– directly addressable memory = 18 exabytes (1 EB = 1 GB x

109) (cf. 4 GB in 32-bit CPU)• 특히 과학기술 등에 중요한 의미. • 단 , 실제속도는 ∝ 시스템 architecture & clock 속도

don’t need S/W tricks. (예 : virtual memory, Cube, ...)

• OLAP– ( 기존 ) Cube = pre-calculated totals for pre-defined

hierarchies 즉 , 필요할 것으로 예상되는 정보로부터 cube를 생성. 필요 시 재 작업 ( 현업 + 전산 )

– AQL (Associative Query Logic)기술 ( 특허 ) 등 .

24

기반기술Background Technology –계속 –

• In traditional systems, the same piece of data may reside in hundreds of places.

• In AQL systems, a piece of data occurs only once. One can extract data elements from various existing data sources to form a Data Cloud. The Data Cloud cleans up the data as it loads, eliminating inconsistencies and redundancies. Building the Data Cloud requires fewer steps and is much simpler than building a data warehouse.

• Because the Data Cloud generally is only 15 to 20 percent of the size of the original source data, the entire data sets can reside in the RAM that already exists on most computers. The compact size of the Data Cloud also allows data to be retrieved, combined, and manipulated almost instantaneously.

AQL (Associative Query Logic)TM

25

기반기술DW

• Definition of a DW (Bill Inmon, 1992) – a database that contains the 4 characteristics:• Subject oriented (rather than operational applications)

• Nonvolatile• Integrated• Time variant

26

기반기술DW

Wine Club Data Model 3-dimensional Data Cube

27

기반기술DW

Wine Club Sales Dimensional Model Multiple Join-Path Data Model

28

기반기술DW

Main Components of DW

29

기반기술DW

STD for Ordering Process Levels of Summarization

30

기반기술DW

Star Schema Snow-flak Schema

31

기반기술DW

Modified DW structure incorporating summary navigation and data mining

32

기반기술CRM

Components of CRM