Specijalističke studijeapeironsrbija.edu.rs/Centar_za_izdavacku_djelatnost/Radovi/Specijalisticki/...vizuelizovanu, sa mogućnošću izvršavanja brzih analiza. Takav pristup omogućuje

Banja Luka, decembar 2008.

UNIVERZITET APEIRON

Banja Luka

FAKULTET POSLOVNE INFORMATIKE

Specijalističke studije

OLAP alati

MSSQL server 2005 analitički servisi

Mentor Prof. dr Zoran Ž. Avramović, dipl. inž.

Kandidat

Siniša Jakovljević, dipl. menadžer IT

OLAP alati Specijalistički rad

Kandidat: Siniša Jakovljević Str. 2 od 64

SADRŽAJ

1. Uvod..................................................................................................................................... 5

2. Istorija................................................................................................................................... 6 3. Zašto OLAP ?........................................................................................................................ 7

4. Evolucija OLAP-a.................................................................................................................. 8

5. 12 pravila dr Codd-a............................................................................................................. 10 6. FASMI specifikacija............................................................................................................. 13

6.1. Fast (brzina)............................................................................................................... 13

6.2. Analysis (analiza)....................................................................................................... 13 6.3. Shared (djeljivost) ...................................................................................................... 13

6.4. Multidimensional (višedimenzionalnost)...................................................................... 13

6.5. Information (informacije)............................................................................................ 13 6.6. FASMI zahtjevi.......................................................................................................... 14

6.6.1. Osnovne mogućnosti....................................................................................... 14 6.6.2. Specijalne mogućnosti..................................................................................... 14 6.6.3. Izvještajne mogućnosti.................................................................................... 15 6.6.4. Kontrola dimenzija.......................................................................................... 15

7. OLAP korisnici.................................................................................................................... 16

8. OLAP arhitektura................................................................................................................. 17 8.1. OLTP – DW – OLAP ................................................................................................. 17

8.2. Mjere i dimenzije........................................................................................................ 18

8.3. Tabele činjenica.......................................................................................................... 19 8.4. Tabele dimenzija ........................................................................................................ 19

8.5. Denormalizacija ......................................................................................................... 19

8.5.1. Dimenzioni model - šema zvijezde i šema pahuljice.......................................... 19

8.6. MOLAP – višedimenzionalni OLAP............................................................................ 21

8.7. ROLAP – relacioni OLAP........................................................................................... 22

8.8. HOLAP – hibridni OLAP............................................................................................ 22 8.9. DOLAP – desktop OLAP............................................................................................ 22

9. Kocke podataka.................................................................................................................... 23 9.1. OLAP model unakrsne tabele ...................................................................................... 25

9.2. OLAP model baze podataka........................................................................................ 25

10. OLAP i Microsoft Excel....................................................................................................... 26 10.1. Tehnički preduslovi................................................................................................. 26

10.2. Povezivanje sa bazom podataka................................................................................ 26

10.3. Alat Microsoft Query............................................................................................... 27 10.4. Pivot tabele ............................................................................................................. 33

10.4.1. Kreiranje pivot tabele.................................................................................... 33



10.4.2. Kreiranje agregacija ...................................................................................... 35 10.4.3. Korišćenje i modifikovanje pivot tabele.......................................................... 37 10.4.4. Osvježavanje podataka u pivot tabeli.............................................................. 39

11. Microsoft analitički servisi.................................................................................................... 42

11.1. Razvojno okruženje ................................................................................................. 43

12. Primjer korišćenja SSAS....................................................................................................... 44 12.1. Opis korišćenih podataka......................................................................................... 44

12.2. Određivanje izvora podataka.................................................................................... 44

12.3. Izgradnja dimenzija ................................................................................................. 47 12.4. Izgradnja kocke....................................................................................................... 49

12.5. Analiziranje – upotreba kocke.................................................................................. 57 12.6. MDX...................................................................................................................... 60

13. Zaključak............................................................................................................................. 61

Literatura ...................................................................................................................................... 62 Popis slika, skica i crteža................................................................................................................ 63



Pregled korišćenih akronima

akronim engleski srpski SQL Structured query language strukturirani upitni jezik MS Microsoft Microsoft kompanija OLAP On line analitical processing interaktivna analitička obrada SOA Service oriented architecture servisno orijentisana arhitektura DW Data warehouse skladište podataka OLTP On line transactional processing interaktivna transkaciona obrada SSAS SQL server analysis services SQL server analitički servisi

IKT Information-communication technology

informaciono-komunikacione tehnologije

RDBMS Relational data base management system

Sistem za upravljanje relacionom bazom podataka

SUBP Data base management system Sistem za upravljanje bazom podataka

API Application programming interface Interfejs za programiranje aplikacija 4GL Fourth generation language Programski jezici 4. generacije

ODBC Open data base connectivity Otvoreni standard za povezivanje sa bazama podataka

ETL Extract transform load Izdvajanje transformisanje učitavanje podataka

XML Extensible markup language proširivi metajezik za označavanje u dokumentima

XMLA Extensible markup language for analysis

proširivi metajezik za označavanje u analizama

MDX Multi dimensional expression višedimenzionalni izrazi


1. Uvod Razvojem informaciono–komunikacione tehnologije i industrije koja je pokrenut a tim

razvojem, razvojem hardware-a i software-a podjednako, primjena i korišćenje savremene tehnologije postali su sastavni dio života.

Razvoj baza podataka u smislu skladištenja i trajnog čuvanja dragocjenih informacija prošao je veoma interesantan put. Danas je baza podataka kao proizvod dostupna gotovo svakom korisniku računara.

Baze podataka treba da sačuvaju prikupljene podatke. Pravilno uskladišteni podaci, osigurani primjenom tehnologije, tehničkim rješenjima i procedurama zasnovanim na IKT, predstavljaju trajno dobro u okviru namjene z a koju su prikupljeni. Spektar namjena za koje možemo iskoristit i tehnologiju koja nam je ponuđena, ograničen je jedino našim idejama i tehničkim kapacitetima tehnoloških rješenja.

Principi prikupljanja podataka i njihovo skladištenje tokom vremena su bili primarne teme kojima se posvećivala pažnja. Ogromni skupovi podat aka nosili su u sebi skrivene mogućnosti čije osobine su kad-t ad morale da postanu predmetom istraživanja.

Otvoreno je pitanje upotrebe sistematskog korišćenja podatka i njegove transformacije u informaciju.

Raspolaganje pouzdanom i kvalitetnom informacijom u određenom trenutku može da znači pobjedu u nekom nadmet anju, a ako ne pobjedu, ono barem početnu prednost.

Informacija predstavlja jedan od najznačajnih resursa kojima kompanija raspolaže. Obrađivanjem podataka, pronalaženjem značajnih veza iz među njih, prepoznavanjem pojava koje prikazuju podaci, menadžeri u kompanijama mogu da pokrenu aktivnosti koje će proizvesti nove, pozitivne, kvalitetnije sveukupne poslovne rezultate.

Poslovna inteligencija predst avlja skup tehnologija i zasniva se na brojnim metodama obrade podataka sa ciljem podrške odlučivanju u poslovnim procesima.

Interaktivni analitički procesi u int erpretiranju podataka čine informacionu osnovu z a primjenu koncepta poslovne inteligencije i predstavljaju osnov podršci z a donošenje poslovnih odluka.


2. Istorija Primjena baza podataka prema savremenom konceptu zasniva se na teoriji relacionih baza

podataka koju je 1970. godine izložio britanski matematičar dr Edgar F. Codd. Radeći u to vrijeme u kompaniji IBM, za koju se vezuju veliki rezultati u informatičkoj industriji uopšte, dr Codd objavio je rad pod imenom „A Relational Model of Data for Large Shared Data Banks“. Ovaj rad predstavlja teoriju relacionih baza podataka kakve ih poznajemo danas.

U navedenom radu dr Codd obrazlaže 12 pravila koja relaciona baza podataka mora da ispuni.

Današnje komercijalne realizacije relacionih baza podataka, zasnovane na najsavremenijim hardverskim rješenjima, prilaze ispunjenju uslova koje je dr Codd izložio u svojim pravilima. Do danas, međutim, nijedna komercijalna baza podataka još nije u potpunosti ispunila zahtjeve svih 12 pravila dr Codd-a.

Svoj vizionarski doprinos razvoju teorije i prakse o baza podataka, neprevaziđenost u inovativnosti, opravdavajući zašto ga smatraju ocem relacionih baza podataka, dr Codd još jednom potvrđuje 26. jula 1993. godine. Zajedno sa svojom suprugom Susie i saradnikom C.T.Salley, radeći za kompaniju „Arbor Software Corp.“ (poslije toga „Hyperion“, a danas dio „Oracle“) objavljuju rad pod nazivom „Providing OLAP to User-Analysts: An IT Mandate“[1]. Ovaj rad objavljen je u časopisu Computerworld.

U pomenutom radu razmatra se jedan od proizvoda kompanije „Arbor Software Corp“ pod nazivom EssBase. Početak korišćenja termina OLAP vezuje se za objavljivanje ovog rada.

Ideja OLAP-a ima svoje korijene znatno ranije, ali se praktično uvođenje u upotrebu definitivno vezuje za 1993. godinu i novih 12 pravila koja iznosi dr Edgar F. Codd sa svojim saradnicima.

Dr Edgar F. Codd-a (23.8.1923. – 18.4.2003.) u literaturi i dokumentima koji se odnose na problematiku baza podataka možemo susresti još i pod imenom Ted Codd.


3. Zašto OLAP ? Potreba za definisanjem informacione osnove koja čini podršku za donošenje odluka je

sasvim prirodna. Umjesto da se za donošenje odluke koristi veliki broj dokumenata u štampanoj verziji, sa analizama, tabelama, prelistavanjima i sličnim problemima, savremeni menadžerski posao podrazumijeva elektronsku verziju podataka, neophodno dobro vizuelizovanu, sa mogućnošću izvršavanja brzih analiza. Takav pristup omogućuje adekvatan odgovor menadžera u trenutku donošenja poslovnih odluka.

Zapravo, OLAP omogućuje najlakši pristup informacijama, interaktivno korišćenje izvještaja, raspoloživo po dubini organizacione šeme kompanije, respektujući ovlašćenja koja proističu iz rukovodne strukture kompanije.

Velike baze podataka predstavljaju rudnik prepun značajnih podataka. Ukoliko podaci ostanu u rudniku, ne ugledavši dnevnu svjetlost, nedostupni korisnicima, smisao njihovog prikupljanja ostaje neiskorišćen.

Da bi snaga podataka bila pretvorena u informacije koje će biti upotrijebljene u najširem spektru namjena, neophodno je da se razviju modeli za analizu podataka.

Razvojem modela za analizu podataka razvijaju se odgovarajuće tehnike i sva prateća infrastruktura za upotrebu podataka u svrhe najrazličitijih analiza.

Označavajući značaj OLAP tehnologije, dr E.F.Codd kaže: „Struktura bez prikladnih operatora, tehnika za izvođenje zaključaka je kao anatomija bez fiziologije“.

Informacione tehnologije treba da predstavljaju jedan završetak. Završetak jedne tehnologije sam po sebi ne smije da znači konačni završetak, nego upravo početak sljedeće tehnološke stepenice.

Tehnologija nije svrha samoj sebi. Njen zadatak je da zadovolji potrebe onih koji ulažu i tehnologiju.

Obezbjeđivanjem kvalitetnih informacija korisnicima koji će taj kvalitet znati da iskoriste povećavaju se sveukupne performanse kompanije.

Analitičari, menadžeri, korisnici, svi oni koji su pripremljeni i obučeni za primjenu i upotrebu tehnologije, znaće da izvedu zaključak iz podataka koji im se predstavljaju. Neki od njih će se zadržati na kumulativima, neki na podacima koji se odnose samo na organizacionu jedinicu kompanije koja je njihov domen. Dugoročnim praćenjem rezultata analitičari će uočiti trendove i u nekoj drugoj formi rezultata, te trendove predstaviti menadžerima koji donose odluke.

Ovakvom sinergijom opšti ambijent u kome kompanije ostvaruju rezultate kreće se uzlaznom linijom. Ako se intuitivnost menadžera može argumentovati podacima, ukoliko je ta intuicija ponekad pogrešna, tada se subjektivnost može odstraniti i spriječiti pogrešna odluka koja je realno mogla da se preduhitri.


4. Evolucija OLAP-a Baza podataka kao skladište podataka zasniva se na već pomenutom relacionom modelu sa

svim karakteristikama koje model nosi. Ogromne količine podataka skladište se na adekvatan način, ali se pojavljuje problem kasnije eksploatacije tih podataka. Korporativna baza podataka pored prihvatanja novih podataka trebala bi da omogući i prikazivanje prethodno uskladištenih podataka, njihovu obradu prema određenim zahtjevima, a to predstavlja veliki izazov: prihvatati tekuće unose i istovremeno, ili preciznije: približno istovremeno, obraditi vrlo zahtjevne upite koji treba da daju rezultat kao proizvod izvršene analize.

Jedno od rješenja je mogao da bude odvojeni sistem za obradu upita i neki proizvođači su pribjegavali ovom pristupu, ali ne svi i ne standardizovano. Rješenje je postojalo.

Relacione baze podataka 90. godina XX vijeka živjele su u praksi u svom punom kapacitetu. Mnogi proizvođači imali su svoja rješenja na zadovoljstvo korisnika.

Sa rastom kompanija, elementima globalizacije, širenjima tržišta na udaljene prostore, povećanjem kvaliteta komunikacionih veza, potrebe kompanija su rasle. Rast potreba podrazumijevao je prikladnu informatičku podršku. Otvorio se prostor za OLAP.

OLAP je postao nasušna potreba. Iako je koncept bio poznat, nedostajala su praktična rješenja.

U ranije pomenutom radu[1] dr Codd-a uvodi se uloga OLAP servera. Zamišljen za klijent-server arhitekturu, u troslojnom modelu, OLAP server postavlja se u srednji sloj, u prostor između krajnjih korisnika i baze podataka. Ovakav koncept trebao je da rastereti SUBP, ionako opterećen velikim brojem transakcija.

Na slici 4.1. koja je preuzeta iz pomenutog rada[1] dr Codd-a ilustruje se medijatorska pozicija OLAP servera.

Legenda • Spreadsheet=unakrsna

tabela • Graphical interface=grafički

interfejs • Statistical

package=statistički paket • Flat files=podaci u

fajlovima sa fiksnom strukturom sloga

• Hierarchical= datoteke sa hijerarhijskom organizacijom

Slika 4.1. Položaj OLAP servera (slika je preuzeta iz rada[1] dr Codd-a)



Razdvajanjem hardvera i njegovim posvećivanjem jednoj sasvim drugoj namjeni, vidljivo

je da se mogu postići značajni rezultati. Za OLAP server moguće je nezavisno razvijati interfejse, API funkcije, alate za formiranje upita, izvještavanje i ostalo. SUBP/OLTP ostaje posvećen svojoj primarnoj namjeni, a to je prikupljanje podataka.

Integralna rješenja unutar istog harvera i dalje su ostajala u opticaju kao jedno od mogućih rješenja, ali je očigledna ideja i prostor za rasterećivanje, što neminovno podiže performanse.


5. 12 pravila dr Codd-a U svom radu[1] dr Codd definiše novih 12 pravila za evaluaciju alata koji očekuju da budu

tretirani kao OLAP proizvod. Pravilo 1 – Višedimenzionalni konceptualni pogled Tačka gledišta za analitičare je u svojoj prirodi uvijek višedimenzionalna. Prema tome i

pristup analitičara u OLAP okruženju je takođe višedimenzionalan. OLAP analitičaru treba da omogući jednostavan i intuitivan analitički model. Pristup

modelu treba takođe da bude jednostavan, isto kao i višedimenzionalnost prilikom tog pristupa. Pravilo 2 – Transparentnost Bez obzira da li je OLAP alat dio onog što korisnik vidi, OLAP mora da bude transparentan

za korisnika. Korisnik ne mora da zna na koji način nečim raspolaže, ali to treba da mu bude na raspolaganju.

Analitički alati koji se stavljaju na raspolaganje OLAP korisnicima treba da budu pristupačni u bilo kojem okruženju, upravo na način na koji to korisnik očekuje.

Pravilo 3 – Pristupačnost OLAP korisnik-analitičar mora da bude u mogućnosti da izvrši analizu koja se zasniva na

zajedničkoj konceptualnoj šemi sačinjenoj od kompanijskih podataka koji mogu da budu veoma rašireni ili udaljeni na pojedinim RDBMS. Tehnički posmatrano, OLAP rješenja moraju da mapiraju sve izvore podataka na koji se analize mogu zasnivati, a da korisnik-analitičar individualno ne mora imati pristup tim podacima.

Pravilo 4 – Konzistentne performanse izvještavanja Ukoliko se broj dimenzija ili njihova veličina povećava, korisnik-analitičar ne smije da

osjeti degradaciju sistema u pogledu performansi. Pravilo 5 – Klijent/server arhitektura I danas je većina baza podataka realizovana na jakim SUBP koji su optimizovani prema

svojim namjenama. Pristup ovim sistemima vrši se sa desktop računara, pretežno PC platforme, što neophodno dovodi do potrebe ispunjavanja klijent/server arhitekture.

Serverima se stavlja u zadatak da obavljaju konsolidacije, mapiranja i ostale poslove kako bi korisnici bili rasterećeni ovih aktivnosti.

Pravilo 6 – Generičko dimenzioniranje Svaka dimenzija u kojoj se podaci mogu pojaviti mora da bude ekvivalentna i u strukturi i u

operativnim mogućnostima. Ukoliko se odabranoj dimenziji dodaju operativne mogućnosti, svim simetričnim dimenzijama treba da se dopuni nova operativna mogućnost. Osnovne sposobnosti dimenzija ne smiju da budu poremećene.



Pravilo 7 – Dinamičko rukovanje slabo popunjenim matricama Fizičke šeme podataka za OLAP alate treba da budu u potpunosti prilagodljive za specifični

analitički model koji se kreira da bi obezbijedio optimalno rukovanje slabo popunjenim matricama podataka. Za svaku slabo popunjenu matricu mora da postoji jedna i samo jedna optimalna fizička šema. Ovakva šema obezbjeđuje i najveću efikasnost korišćenja memorije i upravljanje matricom izuzev ako se kompletan set podataka nalazi u memoriji. Osnovna fizička jedinica podataka OLAP alata treba da omogući konfigurisanje ma kojeg skupa dostupnih dimenzija, u bilo kojem redoslijedu. Metode fizičkog pristupa takođe treba da budu dinamički promjenljive i treba da budu opremljenje različitim tipovima mehanizama kao što su:

• direktne kalkulacije • B-stabla i izvedenice • šifriranje • kombinacija navedenih tehnika

Pojam slabe popunjenosti matrice podataka (broj nedostajućih ćelija kao procenat mogućeg broja ćelija) je jedna od osobina distribucije podataka. Nemogućnost prilagođavanja ditribuciji seta podataka može da stvori operaciju neizvodljivom. Ako model nije sposoban da se prilagodi distribuciji podataka, tada performanse u pogledu brzine mogu enormno da padnu.

Pravilo 8 – Podrška višekorisničkom radu Često, analitičari imaju potrebu za konkurentnim radom, pri čemu koriste isti analitički

model iz kojeg dalje kreiraju dodatne modele koristeći iste korporativne podatke. OLAP alati moraju da podrže konkurentni rad, u pogledu čitanja i ažuriranja podataka, bezbjednosti i integriteta.

Pravilo 9 – neograničeni pristup operacijama sa ukrštenim dimenzijama Različiti nivoi agregacije u okviru konsolidacionih puteva, zbog svoje hijerarhijske prirode

i nasljednosti, predstavljaju relacije tipova 1:1 i 1:M. OLAP alati moraju da uvaže ove osobine. U tom smislu OLAP alat treba da omogući analitičaru nasljeđivanje pridruženih kalkulacija bez izričitog traženja korisnika. Kalkulacije koje nisu posljedica nasljeđivanja odnosa unutar modela treba da respektuju nasljeđene kalkulacije i da ih uključe u operativne postupke.

Pravilo 10 – intuitivno rukovanje podacima Konsolidacija putanja, kretanje redovima i kolonama, reorjentacija, zumiranje i druge

manipulacije podacima treba da budu omogućene direktnom akcijom nad ćelijama analitičkog modela, i ne smiju da dopuste niti zahtijevaju višestruku upotrebu menija ili kretanja korisničkim interfejsom. Pogled na podatke koje analitičar vidi treba da mu omogući punu operativnost nad podacima.

Pravilo 11 – prilagodljivo izvještavanje Analiza i predstavljanje podataka je jednostavnije kada se redovi, kolone i ćelije sa

podacima vizuelno mogu neposredno upoređivati. Izvještavanje treba da omogući da predstavljanje podataka može i da se sintetizuje ili da se podaci postave u potrebnoj orijentaciji. To praktično znači da redovi, kolone i naslovi stranica, svaki ponaosob, treba da imaju sposobnost prikaza svakog podskupa podataka, u bilo kojem redoslijedu, orijentaciji ili prikazu. Međusobna konsolidacija puteva i relacija između članova se podrazumijeva.



Pravilo 12 – neograničene dimenzije i nivoi agregacije Dubina istraživanja koje analitičar želi da sprovede ne smije da bude ograničena tehničkim

pitanjima. OLAP alati treba da omoguće teoretski neograničen broj dimenzija analitičarima. U praktičnom smislu za zahtjevne aktuarske modele, čini se da bi realna cifra od najmanje 15, a poželjno bi bilo od 20 dimenzija, bila dovoljna.


6. FASMI specifikacija Nigel Pendse, vodeći autor koji objavljuje svoje članke na www.olapreport.com, smatra da

termin OLAP nije dovoljno značajna skraćenica i da bi trebalo proširiti značenje. On uvodi FASMI definiciju, koja uvažavajući 12 OLAP-pravila dr Codd-a postavlja joše neke zahtjeve pred proizvođače koji svoje alate razvijaju za potrebe OLAP-a. Takođe, Nigel Pendse smatra da saglasnost sa OLAP standardom, proizvođač koji svoj alat proglašava OLAP alatom, ne može biti određeno jedino pridržavanjem 12 pravila dr Codd-a.

FASMI definicija uvedena je 1995. godine i nije revidirana nijednom dosad.

Fast Analysis Shared Multidimensional Information

6.1. Fast (brzina) Brzina znači da sistem treba da bude projektovan tako da treba da isporuči više odgovora

korisnicima unutar 5 sekundi, pri čemu jednostavnije analize ne treba da zahtijevaju više od 1 sek za odgovor, a najsloženije više od 20 sek. Ovaj cilj nije lako postići sa velikim količinama podataka, pojedinačnim ad-hoc kalkulacijama, tzv. on-the-fly kalkulacijama. Za postizanje ovog cilja proizvođačima stoje na raspolaganju različite tehnike, uključivši i specijalne forme za skladištenja podataka, zahtjevne prethodne kalkulacije i specijalni hardverski zahtjevi. Sve mogućnosti su dopuštene proizvođačima u cilju postizanja ovog cilja.

6.2. Analys is (analiza)

Sistem treba da bude izgrađen tako da ima sposobnost da se izbori sa bilo kojom vrstom poslovne logike koja je relevantna za korisnika. Ponekad se za taj cilj traže i neka pretprogramiranja, što ne mora da bude prihvatljivo, ukoliko su problemi rješivi korišćenjem 4GL (jezici IV generacije).

6.3. Shared (djeljivos t) Sistem mora da zadovolji sve zahtjeve u pogledu sigurnosti i povjerljivosti. Ovaj zahtjev je

moguće spustiti i na nivo ćelije. Ukoliko je potreban višekorisnički pristup neophodno je omogućiti zaključavanje za konkurentna ažuriranja na odgovarajućem nivou.

6.4. Multidimens ional (višedimenzionalnos t) Ovaj zahtjev je ključni za FASMI definiciju. Višedimenzionalnost je OLAP u jednoj riječi.

Sistem treba da obezbijedi višedimenzionalni konceptualni pogled na podatke, uključivši i punu podršku za hijerarhije i višestruke hijerarhije. Broj dimenzija se ne definiše posebno kao dio FASMI definicije.

6.5. Information ( informac ije) Informacije su sve što je u vezi sa podacima i sve što je izvedeno iz podataka, sve što može

biti relevantno za aplikaciju. Kapacitet je odrednica koliko ulaznih podataka aplikacija može da prihvati, a ne broj terabajta koje može da uskladišti.



U okviru FASMI razmatranja proširuje se skup uslova koje OLAP treba da ispuni. Uslovi se dijele u 4 grupe:

• osnovne mogućnosti (F1-F8) • specijalne mogućnosti (F9-F12) • mogućnosti izvještavanja (F13-F15) • mogućnost kontrolisanja dimenzije (F16-F18)

6.6. FASMI zahtjevi

6.6.1. Osnovne mogućnosti

• višedimenzionalni konceptulani pogled (Codd-ovo pravilo 1) • intuitivna manipulacija podacima (Codd-ovo pravilo 10) • pristupačnost – OLAP kao medijator (Codd-ovo pravilo 3) • batch ekstrakcija nasuprot interpretacije

OLAP mora da omogući dva pristupa: OLAP bazi podataka kao izdvojenim podacima, ali i pristup podacima u eksternoj bazi u on-line režimu

• OLAP modeli analize Ovaj zahtjev redefiniše 4 modela analize koja je postavio dr Codd (kategorijski, egzegetički,razmatrajući,formulatički) i pojednostavljuje zahtjeve na paramteričko statičko izvještavanje, isjecanje i formiranje kocki po dubini strukura, analize „šta-ako“, modeliranje za postizanje cilja

• klijent-server arhitektura (Codd-ovo pravilo 5) • transparentnost (Codd-ovo pravilo 2) • podrška višekorisničkom radu (Codd-ovo pravilo 8)

6.6.2. Specijalne mogućnosti

• postupanje sa nenormalizovanim podacima Ovaj zahtjev obezbjeđuje da OLAP bude opskrbljen integracijom sa izvorima denormalizovanih podataka. Dr Codd postavlja da ma koje ažuriranje izvedeno u OLAP okruženju ne bi trebalo da ima uticaj na sačuvane denormalizovane podatke u izvornim skupovima. Interpretacija podataka ne treba da utiče na izvor.

• spremanje OLAP rezultata: odvojeno od izvora podataka Ovo je pitanje implementacije rješenja, ali je značajno za koncept

• izdvajanje nedostajućih vrijednosti sve nedostajuće vrijednosti treba da se pojave u uniformisanom obliku, kako je to predviđeno relacionim modelom

• postupanje sa nedostajućim vrijednostima Sve nedostajuće vrijednosti treba da budu ignorisane od OLAP analizatora bez obzira na izvor podataka.



6.6.3. Izvještajne mogućnosti

• prilagodljivo izvještavanje (dr Codd-ovo pravilo 11) • konzistentne performanse izvještavanja (dr Codd-ovo pravilo 4) • automatizovano popunjavanje fizičkog nivoa (dr Codd-ovo pravilo 7)

6.6.4. Kontrola dimenzija

• generička dimenzionalnost (dr Codd-ovo pravilo 6) • neograničene dimenzije i nivoi agregacije (dr Codd-ovo pravilo 12) • neograničeni pristup operacijama sa ukrštenim dimenzijama (dr Codd-ovo pravilo

9)


7. OLAP korisnici Zadatak OLAP rješenja je da korisnicima omogući brz, fleksibilan i što je moguće više

intuitivan pristup podacima. Interaktivna analitička obrada (OLAP) namijenjena je interaktivnim analizama i izvještavanjima.

Krajnjem korisniku je neophodno obezbijediti sljedeće pogodnosti: • da može da postavi bilo koje poslovno pitanje • da bilo koji podatak prikupljen u svakodnevnom radu koristi za analizu • mogućnost neograničenog izvještavanja.

Za tu namjenu se koriste analitički OLAP sistemi koji obezbjeđuju informacije koje se

koriste za analizu problema ili situacija. Analitička obrada se primarno vrši korišćenjem poređenja ili analiziranjem šablona i

trendova. Na primjer, analitički sistem bi mogao da prikaže kako se određena vrsta štampača prodaje u različitim dijelovima zemlje. Takođe, mogao bi da prikaže i kako se jedna vrsta proizvoda trenutno prodaje u odnosu na period kada se proizvod prvi put pojavio na tržištu.

OLAP rješenja nisu namjenjena IT profesionalcima. Zadatak IT osoblja je da, prema

konceptu dr Codd-a, obezbijedi OLAP uslove analitičarima. OLAP analitičari su autori izvještaja. Pripadaju grupi tzv. korisnika sa ve’im ovlašćenjima

(Power users). Osoblje koje radi u odjeljenjima za marketing predstavlja grupu značajnih korisnika OLAP

mogućnosti. Njihove analize mogu da imaju i karakter istraživanja ad-hoc tipa, ali isto tako mogu da budu i dio sistemske podrške procesu kreiranja poslovne politike.

Finansijski analitičari svoje analize oslanjaju na OLAP izvještaje. Utvrđivanje trendova podržavano je OLAP izvještajima.

Menadžeri predstavljaju grupu korisnika kojima na raspolaganje treba staviti sintetizovane kratke podatke, sa grafičkim interpretacijama, uz primjenu boja. Time se kvalitetnom podrškom menadžeru sugeriše trend, anomalije, minimumi, maksimumi i sve ostale bitne informacije koje mogu da budu od značaja prilikom donošenja poslovne odluke.

Standardni korisnici sistema takođe mogu da budu korisnici OLAP izvještaja. U sistemima megamarketa, administratori pojedinih prodajnih programa mogu da budu veoma zavisni od OLAP podataka. Ukoliko jedna od dimenzija u kocki bude rok trajanja određenog artikla, kroz analizu te dimenzije, administrator zaliha može da predloži akcijske prodaje, da dopunjava zalihe na vrijeme, da uoči uticaj sezone na pojedine artikle, itd.


8. OLAP arhitektura Prema konceptu OLAP predstavlja drugačiji pogled na ono što već imamo u bazi podataka.

Taj drugačiji pogled podrazumijeva sam po sebi transformaciju podataka. Između transakcionih baza podataka - OLTP sistema i baza podataka namijenjenih analitičkim obradama – OLAP sistema, stoji još jedan veoma značajan segment – svijet skladišta podataka - DW.

8.1. OLTP – DW – OLAP

Nemoguće je kretati se putem između OLTP i OLAP, a barem ne spomenuti skladištenje podataka.

Tabelarni pregled poslužiće za prikazivanje sličnosti, dodirnih tačaka i razlike između tehnologija.

ZADATAK OLTP DW OLAP

uobičajene operacije ažuriranje izvještaji analiza nivo analitičkih zahtjeva

vrlo nizak srednji veoma visok

forme za unos statične, rjeđe promjenljive

prilagodljive zahtjevima korisnika

prilagodljive zahtjevima korisnika

količina podataka u transakciji

mala srednja velika

detaljnost podataka detaljni podaci detaljni i djelimično grupišući

grupišući

starost podataka tekući podaci tekući i istorijski tekući, istorijski, projekcije

namjena transakcije istorija analiza vrsta pristupa čitanje i pisanje čitanje čitanje i pisanje vrijeme odziva kratko (ažuiranje) dugo vrlo kratko

nivo grupisanja negrupišući podaci djelimično grupisanje

grupišući i zbirni

struktura podataka normalizovani normalizovani ili denormalizovani

dimenzioni i hijerarhijski

količina red GB red TB red GB

prilagodljivost sistema ograničena, velika upotreba resursa

minimalna prilagodljiv

Tabela 1. OLTP-DW-OLAP

Pregledom zadataka koji se postavljaju pred svaki od u tabeli 2. navedena 3 rješenja moguće je steći detaljan uvid u namjene, zadatke i izazove koje nosi svaki od njih u ispunjenju uslova koji su zadati:



ZADATAK OLTP DW OLAP brzi prihvat podataka DA NE NE logičke kontrole DA DA NE ekstrakcija i čišćenje podataka

NE DA NE

transformacija podatka NE DA NE učitavanje podataka NE DA NE normalizacija DA NE NE denormalizacija NE DA DA hijerarhije NE DA DA grupisanja NE DA DA analitički izvještaji NE DA DA

Tabela 2. OLTP-DW-OLAP

Skladištenjem podataka postiže se specifična organizacija podataka kojoj je cilj postizanje brzine u pristupu podacima, lakoća analiziranja, izdvajanja, spajanja i drugih vidova korišćenja.

Optimalno projektovanje u svijetu OLTP ne podrazumijeva isti postupak kao optimalno projektovanje u svijetu DW.

Popularan pristup projektovanja u svijetu skladišta podataka je višedimenzionalna baza podataka. Dimenzionalnost u Ajnštajnovom poimanju zakrivljenog vremenskog prostora i višedimenzionalnost u svijetu skladišta podataka nisu iste stvari. Višedimenzionalnost u bazi podataka zvuči moderno, primamljivo i marektinški, a u praksi predstavlja tehničko rješenje.

8.2. Mjere i dimenzije

U prostoru skladišta podataka zbrojive numeričke informacije koje se koriste u analizama i predstavljaju rezultate poslovanja nazivaju se MJERE (engl. MEASURES).

Pojam DIMENZIJA projektanti skladišta podataka pozajmili su iz matematike, ali dimenzija iz ugla analize podataka nije isto što i fizička dimenzija.

Uzmimo za primjer da želimo da analiziramo prodaju nekog proizvoda u nekom određenom području, te još u određenom vremenskom periodu.

Zaista izgleda da imamo posla sa volumenom:

V = Proizvod x Područje x Period U procesu izgradnje skladišta podataka prvi korak je uočavanje dimenzija i atributa.

Konkretno, radi se o postupku logičkog projektovanja sa ciljem prikaza podataka u obliku koji će omogućiti postizanje performansi koje očekuje FASMI specifikacija. Strukture podataka organizuju se tako da opisuju mjere i dimenzije.



8.3. Tabele č injenic a

Mjere se smještaju u tabele koje nazivamo TABELAMA ČINJENICA (engl. Fact Table). Svaka kolona u tabeli činjenica je ili ključna kolona ili kolona činjenica. Moguće je da kolona sadrži i podatke o referencama. Ukoliko bismo imali mjere koje imaju različite dimenzije, kreirali bismo odvojenu tabelu činjenica za te mjere i dimenzije. Tabela činjenica za svakog člana radije koristi šifru numeričkog tipa nego naziv člana (alfanumeričkog tipa). Ukoliko se za označavanje članova dimenzije koriste cjelobrojni podaci, tada se za opisne podatke članova dimenzije kreiraju tabele dimenzija, što suštinski možemo shvatiti kao šifarnik.

8.4. Tabele dimenzija

Dimenzije se smještaju u tabele dimenzija koje sadrže nazive svakog člana dimenzije. Naziv člana dimenzije naziva se ATRIBUT. U svijetu skladišta podataka ključni atribut u tabeli dimenzija mora da sadrži jedinstvenu vrijednost za svakog člana dimenzije. Jedna dimenzija može da sadrži više atributa, npr. boja, vrsta, veličina. Atributi dimenzije mogu da budu:

• grupišući • negrupišući NEGRUPIŠUĆI atributi ponekad se nazivaju osobinama člana dimenzije. GRUPIŠUĆI atributi mogu da se kombinuju u hijerarhije – prirodne i neprirodne.

Hijerarhije predstavljaju put kojim se u izradi analiza sistem kreće po dubini kroz vrijednosti.

8.5. Denormalizac ija

Za produkcione sisteme primjena pravila normalizacije je od ključnog značaja za brzinu rada produkcionog sistema i konzistentnost podataka koje produkcioni sistem prikuplja.

U skladištima podataka spajanje podataka iz dvije ili više tabela dramatično obara brzinu, što je i očekivano budući da se radi o velikim skupovima podataka. Cilj skladišta podataka nije da obezbijedi brzinu nego kvantitet. Brzina će se postići na drugi način, u trenutku korišćenja podataka iz skladišta.

Sve dimenzione tabele su denormalizovane. Isti podaci se čuvaju na više mjesta unutar skladišta podataka čime se obezbjeđuje jednostavnost i postižu potrebne performanse.

8.5.1. Dimenzioni model - šema zvijezde i šema pahuljice

Kod denormalizovanog sistema, podaci se organizuju u šemu zvijezde, a kod normalizovanog u šemu pahuljice.

Šema zvijezde nije uvijek najbolje rješenje. Tada je potrebno i u skladištu podataka primijeniti principe normalizacije prevodeći podatke u šemu pahuljice. Denormalizovana šema može da zahtijeva velike memorijske resurse, a velike dimenzione tabele takođe mogu da obore performanse sistema.

Nasuprot šemi zvijezde koja je jednostavnija i šema pahuljice može da bude izvor problema. Njena struktura je veoma složena u odnosu na šemu zvijezde.



Optimalno rješenje je negdje u sredini između šema zvijezde i pahuljice. Kombinacija obje šeme može da bude pravo rješenje. Organizaciju u vidu šeme pahuljice potrebno je koristiti samo za skladištenje onih dimenzija koje sadrže mnogo redova podataka te imaju mnogo atributa.

Slika 8.1. Dimenzioni model - Šema zvijezde

Dimenzioni model organizovan u vidu šeme zvijezde definiše se sa dvije vrste tabela:

• dimenzione tabele (engl. dimension table) • tabela činjenica (engl. fact table)

Tabela činjenica sadrži kvantitativne podatke (npr. prodaja određenog proizvoda) i ti podaci su od interesa za analizu koju vrši korisnik. Uobičajeno je da se radi o podacima koji su numeričkog tipa i realno moguće je da se radi o milionima redova i većim brojem kolona.

Dimenzione tabele su značajno manje i sadrže podatke prema kojima će se vršiti analiziranje. U primjeru prodaje, dimenzione tabele sadržale bi organizacione jedinice, regije na kojima se vrši prodaja, itd.

Prednost šeme zvijezde ogleda se u činjenici da se smanjuje broj fizičkih veza koje bi morale da se uspostave u trenutku izračunavanja, budući da su one već uspostavljene prilikom formiranja skladišta podataka. Nasuprot dobrim stranama ovog modela stoji velika redudansa podataka. Značajni podaci mogu da se pojave na više mjesta.



Slika 8.2. Dimenzioni model – šema pahuljice

Dimenzioni model organizovan u šemu pahuljice obezbjeđuje očuvanje normalizacije skladišta podataka, smanjuje veličinu ali spajanja mogu da, kako je već rečeno, na velikom skupu podataka, bitno obore preformanse.

U praktičnom smislu, današnji trend u IKT industriji pristupačnošću hardvera omogućava da se OLAP danas može primijeniti na različitim hardverskim platformama, od mainframe sistema do desktop računara. Proporcionalno uloženim sredstvima direktno rastu o mogućnosti.

8.6. MOLAP – višedimenzionalni OLAP

Ovaj način realizacije OLAP-a predstavlja tradicionalni način OLAP analize. Podaci koji su predmet analize, nalaze se smješteni izvan relacione baze podataka, organizovani u OLAP kocku, u formatima koji su prilagođeni potrebi analize.

MOLAP se karakteriše odličnim performansama, sposobnošću izvršavanja izuzetno složenih kalkulacija (koje su dio same kocke podataka).

Nasuprot dobrim svojstvima, ovaj način organizacije negativne strane ima ograničenoj količini podataka koji čine kocku. Ograničenje nije uslovljeno brojem podataka od kojih je kocka formirana, nego činjenicom da su podaci izvučeni iz transakcione baze podataka i da su zapravo u kocki podaci statični. Osvježavanje podataka u kocki novim podacima podrazumijeva novo formiranje kocke. Ukoliko je skup podataka veliki, a tipično to i jeste, tada formiranje kocke može da bude operacija koja traži vrijeme.

Iz ugla investicija, alati za formiranje kocki podataka uglavnom ne postoje u kompanijama, pa uvođenje OLAP-a podrazumijeva investiranje u OLAP alate.



8.7. ROLAP – relac ioni OLAP

ROLAP arhitektura zasniva se na relacionim bazama podataka, na ugrađena svojstva koja se već nalaze u RDBMS rješenju, koje je već dio svakodnevnog života kompanije. Podaci za analizu su dostupni neprekidno, ažurirani podaci odmah mogu da budu predmet analize u OLAP stilu. Sve što je dio relacionog pristupa podacima, ujedno stoji i na raspolaganju OLAP analizama. Sigurnosni mehanizmi su sastavni dio RDBMS, a naslijeđena svojstva odnose se i na OLAP pristupe.

Međutim, RDBMS je opterećen svojim primarnim zadatakom, servisiranjem transakcionih zahtjeva pa OLAP upiti nemaju maksimalni prioritet. Po svojoj prirodi, OLAP upiti moraju da budu vrlo zahtjevni pa stoga performanse sistema mogu znatno da padnu ukoliko se na pravilan način ne administrira pravo korišćenja OLAP alata. Ova okolnost dio novih zadataka prenosi na RDBMS administratore koji po svojoj prirodi i ne moraju da budu OLAP-orijentisani. Svaki database administrator veću važnost pridavaće zaštiti resursa sistema prije nego ugodnom ambijentu za neke analitičare koje koješta zanima. Skup kalkulacija koji stoji na raspolaganju OLAP analitičarima neminovno je ograničen mogućnostima koje je proizvođač RDBMS pružio za OLAP svijet. Nadograđivanje OLAP mogućnosti nabavkom drugih proizvođača može da proizvede troškove koji često mogu da budu i nepredvidivo visoki.

8.8. HOLAP – hibridni OLAP

Hibridni OLAP ujedinjuje najbolje osobine MOLAP-a i ROLAP-a. Da bi omogućio dobre performanse, ovaj pristup formira kocke podataka. Brzina se postiže na prihvatljivom nivou. Kada je neophodno da se vrši detaljan uvid u podatke, tada se koriste mehanizmi RDBMS. Pad performansi u ovom slučaju je očekivan pa se različitim tehnikama pokušava optimizovati rad sistema.

8.9. DOLAP – desktop OLAP

Kao što je na početku ovog poglavlja rečeno, OLAP se realizuje na najrazličitijem hardveru. Dolaskom procesorskih gigaherca i stotina gigabajta na magnetnim medijima na desktop računare, izazov da se OLAP realizuje i na tom hardveru postao je veoma realan. Štaviše, ideja da OLAP analitičari na svojim računarima imaju ugodnost rada postavila je novi zadatak pred proizvođače OLAP rješenja. Jednoslojnom realizacijom, na desktop računar treba postaviti kocke podataka koje se formiraju iz centralnog skladišta podataka ili data martova, a zatim se koristeći resurse desktop računara, obavljaju se analize korišćenjem OLAP tehnika nad statičkim podacima koji u tom trenutku više nemaju vezu sa centralnim skladištem podataka.

Ovaj način rada je vrlo popularan jer su mogućnosti obrade na desktop računarima rastom hardverskih karakteristika veoma napredovale. Ekstrakcija podataka i formiranje kocke vrši se na lokalnom računaru i time je OLTP server oslobođen teških SQL upita.

Problem ovog pristupa je između ostalog i u konzistentnosti OLAP rezultata. Ukoliko se slične ili iste analize vrše na više DOLAP konfiguracija, postoji mogućnost da se zbog različitih vremena ažurnosti podataka iz kojih su formirane kocke na desktop računarima rezultati razlikuju.


9. Kocke podataka Osnov OLAP koncepta nalazi se u realizaciji kocki podataka. Transakcioni podaci koje

kompanije prikupljaju u sklopu svog poslovanja mogu imaju najrazličitiju prirodu. Podaci su prilagođeni potrebama kompanija. Međutim, za analize ključnih indikatora većina atributa koji se prikupljaju u transakcionim bazama podataka nisu u prvom planu. Za sintezu podataka koji treba da obavi OLAP analitičar izdvajaju se samo značajni atributi koji će nakon toga biti predmet raznih analiza. Za ovu namjenu formiraju se OLAP kocke u kojima se u prilagođenim strukturama i formatima čuvaju podaci od interesa za analizu.

Ekstrakcija podataka i formiranje kocke je najzahtjevniji dio ovog procesa. Kada se kocka dobro formira onda je moguće u duhu FASMI zahtjeva dobijati različite izvještaje.

Kada kažemo kocka, u svijesti nam se nalazi trodimenzionalni volumen kocke. Ovo može da nas dovede u zabludu da je OLAP kocka trodimenzionalna. OLAP kocka po pravilima dr Codd-a je višedimenzionalna, sa teoretski rečeno, neograničenom brojem dimenzija. Pojam kocka treba da nas asocira na prostornu realizaciju i pristup tom prostoru iz više perspektiva. U tome leži tajna OLAP kocke.

OLAP kocka realizuje se primjenom prethodno objašnjenih pojmova:

• dimenzija • mjera

Dimenzije su organizovane u hijerarhije. Dimenzije u praktičnom smislu predstavljaju atribute poput vremena, proizvoda, geografskih pojmova, itd.

Hijerarhija može da se sastoji od grupe proizvoda, linije proizvoda ili pojedinačnih svojstava proizvoda.

Mjere su kalkulacije koje kompanija izvodi. Npr. prihodi, troškovi, količine.

Projekcijama podataka po pojedinim dimenzijama, složenim po hijerahijama ili globalno, izvode se analize prema mjerama koje su definisane u skladu sa zahtjevima kompanije.

Naizgled jednostavnim operacijama, nad redukovanim atributima koji formiraju kocku moguće je izvoditi veoma značajne analize.

U dobrom formiranju kocki leži tajna dobrih OLAP izvještaja.

Broj dimenzija koje mogu da budu uključene u kocku po modelu ne smije da bude ograničen. U stvarnosti je to 15-20 dimenzija i to čini realni maksimum. Optimizacija kocki može da pruži veliku udobnost u radu OLAP analitičara. Udobnost se ogleda prije svega u brzini odziva na pojedine zahtjeve koji se ispostavljaju OLAP sistemu.

U tipičnom OLAP okruženju, kocke sadrže ogromne količine podataka. Te brojke mogu da dostignu 50 miliona redova, organizovanih u 500000 dimenzija. Ove vrijednosti predstavljaju tipičnu veličinu jednog data-marta.



Slika 9.1. Kocka

OLAP kocka omogućuje da se podaci posmatraju unutar jedne strukture sa razlilčitim perspektivama.

U formiranju kocke OLAP alati treba da izvrše sljedeće operacije:

• ekstrakcija (E) • transformacija (T) • učitavanje (L)

Ekstrakcija se obavlja iz OLTP baze, izdvajanjem potrebnih entiteta i njihovih atributa koji će sačinjavati kocku.

Slika 9.2. OLTP –> OLAP Transformacija OLTP ETL DW OLAP

Skladište podataka

Izvori podataka

Ekstrakcija Transformacija Učitavanje

Upiti

Izvještaji

Analize Projekcije Prognoze

V

izue

lne p

reze

ntac

ije



Vremenski vrlo zahtjevna aktivnost je transformacija podataka u strukture i formate u vidu dimenzija, kategorija i mjera. Od ovog koraka zavisi kvalitet kasnijih OLAP operacija. Ako su dimenzije dobro kreirane tada će njihova analiza biti optimalna.

Posljednji korak predstavlja učitavanje transformisanih podataka u format kocke, u njenu fizičku strukturu.

Microsoft objavljuje podatak da je SQL SERVER 2008 na ETL benchmarku količinu od 1,18 TB podataka koji se nalaze u flat fajlu, a koji treba da formiraju u kocku, za njihovu transformaciju i učitavanje u strukturu kocke utrošio 1794 sekunde[13].

Pogodno organizovani podaci predstavljaju osnovu za efektne analize, sa brzim odzivom, atraktivnim izvještavanjem, podržanim vizuelizacijom.

9.1. OLAP model unakrsne tabele

U unakrsne tabele podatke ili formule možemo unijeti u bilo koju ćeliju. Pri tome imamo veoma veliku moć kontrole, potpunu slobodu da prema potrebama koristimo podatke i da ih analiziramo prema svom nahođenju.

Prvi problem ogleda se u činjenici da je unakrsna tabela po svojoj prirodi i realizaciji dvodimenzionalna. Pored toga postoji i tehnička granica u vidu broja redova i kolona koje tabele za unakrsna izračunavanja posjeduju. Bez obzira na ogroman broj podataka koji mogu da se uskladište, broj je ipak konačan. Omogućavanje višedimenzionalnosti je tehnički moguće ali je priroda unakrsnih tabela ipak dvodimenzionalna.

OLAP kocka koja bi se izgradila korišćenjem prostora unakrsnih tabela proširivanjem modela u više dimenzija, mogla bi vrlo brzo da postane mnogo veća od osnovne tabele.

Sa OLAP-om baziranim na modelu unakrsnih tabela, svaka ćelija unutar prostora kocke potencijalno može da bude fizički zapisana. To istovremeno predstavlja i dobru i lošu stranu. U slučaju kada se brojevi uvećavaju geometrijskom progresijom veoma brzo se dostižu veoma velike vrijednosti. Veličina kocke uvećava se geometrijskom progresijom sa uvećanjem broja dimenzija kocke. EKSPLOZIJA podataka čini najveći problem kod modela zasnovanog na tabelama za unakrsna izračunavanja.

OLAP alati koji su zasnovani na ovom modelu spremni su da se nadmeću sa eksplozijom podataka. Zapravo, oni su uglavnom povezani sa finansijskim izračunavanjima, ali u tom slučaju se radi o manjim bazama podataka sa kojima se vrše složena i vrlo zahtjevna izračunavanja.

9.2. OLAP model baze podataka

Ovaj model zasniva se na prethodnim računskim operacijama koji izračunate podatke smještaju u agregacione tabele koji sadrže samo neophodne potkategorije. Agregaciona tabela ima veoma mali broj redova. Izvještaj će izvršiti izračunavanje podataka iz agregacionih tabela, pri čemu različiti izvještaji koriste iste agregacione podatke. Na ovaj način organizacije izbjegnuta je eksplozija podataka.

Podaci pripremljeni na ovaj način nisu u stanju da zadovolje neke vrlo zahtjevne finansijske obračune (primjer: neraspoređena dobit iz prethodnih perioda).


10. OLAP i Microsoft Excel Prema Olapreport-u Microsoft i Oracle svako u svoje ime i za svoj račun, ali suštinski

zajedno, napadaju IBM na tržištu donoseći tehnička rješenja u svojim proizvodima koja koristeći koncept OLAP-a korisnicima nude izuzetno velike mogućnosti u analizi i interpretaciji podataka i njihovom transformacijom u forme poslovne inteligencije.

Microsoft Excel predstavlja najpopularniji alat za unakrsna izračunavanja koji se u kompanijama koristi za mnogostruke namjene.

U primjeru koji će biti izložen pokazuje se način korišćenja podataka iz transakcione relacione baze podataka (OLTP), njihovo premještanje u radne listove Excel tabele i korišćenje podataka u izradi brzih, efektnih i ilustrativnih izvještaja.

Način na koji OLAP postiže performanse zavisi od modela na koji su podaci organizovani, kako je to ranije objašnjeno. OLAP alati stižu u dva opšta modela u zavisnosti kako se podaci fizički čuvaju:

• model unakrsne tabele • model baze podataka

10.1. Tehnički predus lovi

Za ilustraciju ovog primjera koristi se računar na kojem je instaliran Microsoft Excel 2007. Svaki računar koji zadovoljava MS Excel zahtjeve biće pogodan za ovu namjenu.

Podaci se preuzimaju iz relacione baze Oracle verzija 10G. Oracle nudi u verziji 10 Express edition koji je potpuno besplatan za upotrebu. Ograničenje koje nudi ova besplatna verzija odnosi se na mogućnost korišćenja najviše 4 GB podataka, što će biti sasvim dovoljno za znatno veće potrebe nego što zahtijeva ova prezentacija.

10.2. Povezivanje sa bazom podataka

Microsoft Excel omogućuje povezivanje sa većim brojem vanjskih izvora podataka. Sve

aktivnosti koje se odnose na rad sa podacima u korisničkom interfejsu smještene su na jezičak koji se naziva DATA. Izvor podataka nalazi se u dijelu tog jezička koji se naziva Get external data (preuzmi podatke iz spoljnjih izvora).

Na slici 10.1. vidi se da postoje 4 unaprijed definisane veze ka podacima u bazama

podataka:

• podaci sačuvani u Microsoft Access-u • podaci koji se nalaze na Internetu • podaci sačuvani u tekstualnom formatu • podaci iz drugih izvora



Slika 10.1. Excel – sadržaj jezička Data

10.3. Alat Mic rosoft Query

Za potrebe ovog rada prikazaćemo način povezivanja korišćenjem integrisanog alata unutar Microsoft Office-a koji se naziva Microsoft Query. Svaki programer će radije koristiti slobodu koju ima prilikom pisanja SQL upita i za tu namjenu MS Query je veoma koristan alat.

Meni Podaci iz drugih izvora (From Other Sources) sadrži 5 takođe predefinisanih veza do podataka.

Slika 10.2. Excel – meni Podaci – Iz Drugih Izvora

Ispod teksta za svaki od načina povezivanja sa bazom podataka nalazi se jednostavan i

razumljiv opis, a način na koji će korisnik pristupiti podacima zavisi od tehničkih preduslova i afiniteta korisnika.

Svaki proizvođač baze podataka obezbjeđuje upravljačke programe – drajvere pomoću kojih se omogućuje povezivanje sa bazom podataka.

Izvorni (native) pokretački programi (drajveri) su oni koje proizvođač isporuči uz svoj proizvod. Pored izvornih drajvera, veoma rasprostranjen način povezivanja je putem ODBC veza. ODBC je standard prema kojem svaki proizvođač RSUBP pored izvornih drajvera isporučuje i ODBC drajvere za svoj proizvod.

U praksi je primjena izvornih drajvera zastupljenija, ali je ODBC specifikacija i dalje prisutna. Zbog širine koju otvoreni standard mora da obezbijedi, ODBC drajveri su nešto sporiji, ali i dalje veoma zastupljeni.

Kreiranje ODBC konekcije obavlja se alatima koji su isporučeni u okviru operativnog sistema. Budući da ovo pitanje nije tema ovog rada, usvojićemo da je ODBC konekcija već kreirana i kao takvu ćemo je koristiti.



Povezivanje sa izvorom podataka teče prema sljedećim koracima:

• Jezičak Data From Other Sources

From Microsoft Query

Slika 10.3. Excel – Microsoft Query

Nakon izbora povezivanja sa podacima pomoću alata Microsoft Query otvara sa dijaloški prozor za izbor ODBC veze sa podacima.

Slika 10.4. Excel - izbor ODBC veze

Slika 10.5. Uspostavljanje ODBC veze



Unosom lozinke i potvrđivanjem pritiskom na taster OK započinje povezivanje sa Oracle bazom podataka. Ukoliko ste sve pristupne paremetre pravilno naveli, u zavisnosti od brzine računara i opterećenosti baze podataka nakon nekoliko sekundi veza se upostavlja i kontrolu preuzima čarobnjak alata Microsoft Query. Kao i svaki čarobnjak, i ovaj će se potruditi da nam ponudi sve što on zna. Ponudiće nam da u grafičkom okruženju izaberemo tabele koje čarobnjak prepoznaje u bazi podataka. No, mi smo se opredijelili da ćemo sami napisati SQL upit. Prema tome otkažimo ovu pomoć pritiskom na dugme Cancel.

Slika 10.6. Microsoft Query - čarobnjak – izbor tabele i kolona

Nakon otkazivanja ove pomoći otvara nam se dijaloški prozor u kome nas čarobnjak pita da

li i dalje želimo da radimo sa alatom Microsoft Query.

Slika 10.7. Excel – Microsoft Query – čarobnjak Potvrdimo da želimo da i dalje radimo sa alatom Microsoft Query. Čarobnjak će se i dalje

truditi da bude čarobnjak i da nam pomogne, ali moramo biti uporni u nastojanju da SQL upit napišemo sami. Čarobnjak je na izmaku snaga i ima samo još jedno pitanje - Da li nam treba neka tabela za koju on zna i to će nam ponuditi?

Slika 10.8. Excel – Microsoft Query – čarobnjak



Pritiskom na dugme CLOSE ljubazno se zahvaljujemo čarobnjaku i dolazimo u priliku da sami napišemo upit. Prozor koji nam se pojavljuje dovodi nas na početni cilj.

Slika 10.9. Microsoft Query - SQL prozor

Nakon što smo SQL upit otkucali, dugme OK postaje dostupno i pritiskom na OK

pokrećemo izvršavanje upita nad podacima u bazi. U zavisnosti od složenosti upita i količine podataka koje tražimo iz baze, nakon određenog vremena, kada su podaci spremni za prikaz, Microsoft Query izvještava da nije u mogućnosti da izvrši grafički prikaz podataka koje je dobio iz baze podataka. Ova situacija je sasvim logična.

Slika 10.10. Microsoft Query – pitanje

Slika 10.11. Excel – Microsoft Query – unos SQL upita



Potvrdimo na OK da znamo da je ova situacija ispravna. Nakon nekoliko sekundi u prozoru alata Microsoft Query pojavljuju se traženi podaci.

Slika 10.12. Query – prozor sa podacima Preostaje nam još jedan korak. Podatke treba prebaciti u ćelije Excel tabele. U gornjem

lijevom uglu nalazi se File stavka glavnog menija. Pritiskom na nju, otvara se kontekstni meni na čijem dnu se nalazi stavka Return data to Microsoft Excel. Kada potvrdimo taj izbor, otvoriće nam se sljedeći prozor:

Slika 10.13. Excel – import podataka

Izborom ćelije radnog lista u koju želimo da smjestimo podatke, započeće kopiranje

traženih podataka u radni list. Izabrana ćelija predstavlja početnu ćeliju od koje će se puniti podaci. Svaka kolona navedena u SELECT naredbi dobiće svoju kolonu u Excel listu, a svaki red iz dobijenog seta podataka zauzeće po jedan red na radnom listu.

Prethodne verzije Microsoft Excel imale su ograničenje koje iznosi 65535 redova i 256 kolona na jednom radnom listu. U verziji Excel 2007 ovo ograničenje iznosi 1 MB redova (1048576) i 16 kb (16484) kolona. Ova ograničenja treba imati na umu. Takođe, fizička memorija računara može da bude faktor koji generiše problem kod velikih skupova podataka i to ograničenje ne smijemo zaboraviti.



U primjeru koji ilustrujemo rezultujući set podataka ima 203986 redova i 7 kolona. Konačan rezultat importa podataka predstavljen je na slici 10.14.

..................................................................................................................................

Slika 10.14. prikazuje podatke koji su u Excel isporučeni iz baze podataka. Primjer koji obrađujemo u potpunosti operiše sa realnim podacima. Ovaj skup podataka sadrži 203986 aktivnih korisnika koji se isplaćuju za tekući mjesec. U skupu podataka obuhvaćeni su sljedeći atributi pomoću kojih ćemo ilustrovati analizu skupa podataka:

• LBO (lični broj osiguranika) • Filijala (organizaciona jedinica) • VP (vrsta penzije) • Način isplate (način na koji se korisnik isplaćuje – gotovina, tekući račun,...) • Prevođenje (značajna interna šifra) • Opština • PTT (poštanski broj) • Oznaka države • Datum početka isplate • Zakonska penzija (iznos po rješenju) • Isplaćena penzija (iznos isplate u tekućem mjesecu) • Razlika (iznos isplaćene razlike u tekućem mjesecu) Ovako definisan skup podataka nosi veoma velike mogućnosti za različite nivoe agregacije.

Zahtjevi menadžmenta kompanije i raznih eksternih subjekata traže brzi odgovor na svoje zahtjeve.

Koraci koje smo opisali u prethodnom dijelu, zaključno sa prikazom skupa podataka kao redovi Excel tabele sadržavali su sve aktivnosti predviđene ETL procedurom.

Slika 10.14. Excel – podaci iz baze



Podatke smo najprije izdvojili (Extract) iz Oracle baze, zatim se izvršila njihovu transformaciju (Transform) u stanje u kojem mogu da se prikažu u Excel tabeli i na kraju podaci su učitani (Load) u Excel tabelu.

U živoj interpretaciji ovog postupka moći ćemo da se uvjerimo da se radi o izuzetno velikoj brzini izvođenja ETL procedure koja je na demonstracionom računaru potrajala 10-ak sekundi. Ovim podatkom želimo da istaknemo važnost FASMI zahtjeva u realnom okruženju. Računar na kome se ETL procedura izvršavala nije serverske namjene nego se radi o desktop računaru. Podsjećamo čitaoca na paragraf 8.9. u kome se u teoretskom razmatranju navodi DOLAP arhitektura; DOLAP = OLAP na desktop računarima.

10.4. Pivot tabele

Pod pojmom pivot tabele podrazumijevamo alat za vršenje različitih vrsta agregacija po različitim nivoima i najčešće ih srećemo kao dopunsku snagu kojom su opskrbljeni programi za unakrsna izračunavanja čiji je tipični predstavnik Microsoft Excel.

Pivot tabele na izuzetno ugodan način mogu da se transformišu u vizuelizovane izvještaje. Primjenom pivot tabela možete sav svoj trud u formiranju struktura podataka i obradom podataka u tim strukturama da materijalizujete isporučivanjem efektnog izvještaja.

Na podacima koje smo obezbijedili u prethodnim praktičnim razmatranjima, prikazaćemo primjenu pivot tabela i objasniti način njihovog formiranja.

10.4.1. Kreiranje pivot tabele

Iz praktičnih razloga, podaci koje smo izdvojili iz Oracle baze i prepisali u Excel tabelu ostaće odvojeni na posebnom listu. Tom radnom listu promijenili smo ime i nazvali ga PODACI. U referenciranju na skup podataka u kreiranju pivot tabela koristićemo naziv radnog lista.

Skup podataka nalazi se u pravougaoniku čija kraća stranica je određena kolonama Excel radnog lista A-L, i započinje ćelijom koja ima adresu A2. Duža stranica pravougaonika određena je brojem od 203986 redova. Podatak u posljednjem redu, posljednja kolona nalazi se u ćeliji koja ima adresu L203987.

Posljednji red brok 203988 sadrži zbirove koji su kreirani korišćenjem Excel formula za zbir kolone i koriste se kao kontrolni zbirovi.

Excel-ovim rječnikom rečeno, skup podataka je A2:L203987.

Prebacimo se na drugi radni list i odredimo mu novo ime – PIVOT TABELE.

Formiranje pivot tabele prema proceduri koja će biti prikazana vezuje se za određenu ćeliju radnog lista. Odaberimo ćeliju koja će predstavljati gornji lijevi ugao pivot tabele koju želimo da formiramo. Neka to bude prva ćelija i radnom listu - A1.



Kreiranje pivot tabele na radnom listu obavljamo u sljedećim koracima:

• jezičak INSERT PivotTable

PivotTable.

Slika 10.15. Excel - kreiranje pivot tabele

Nakon što smo iz abrali kreiranje pivot tabele, otvara nam se prozor u kome treba da

odredimo koji skup podataka će biti obuhvaćen pivot tabelom.

Slika 10.16. Excel - Skup podataka za pivot tabelu

Kao što smo ranije objasnili, skup podataka će činiti sve kolone i svi redovi koji su

prethodno u Excel radni list preuzeti iz baze podataka. Ne zaboravimo da se podaci nalaz e na radnom listu kojem smo dali naziv PODACI.

U prostor za unos ranga u kojem se nalaze podaci upisaćemo PODACI!A2:L203987 i potvrditi pritiskom na t ester OK. Na ovaj način kreirali smo pivot tabelu.



Na Excel radnom listu dobićemo sljedeće elemente:

Slika 10.17. Excel - pivot tabela

10.4.2. Kreiranje agregacija U lijevom gornjem uglu nalaz i se naša pivot tabela (P ivotTable1) sa tekstom poruke da

je za izradu izvještaja potrebno da iz list e polja pivot tabele (PivotTable F ield List) izaberemo polja koja želimo da uključimo u naš izvještaj. Zapravo, radeći sa poljima koja su navedena u listi polja, modeliramo naš izvještaj.

Budući da kompanija čije podatke koristimo ima 7 organizacionih jedinica – filijala, pokušajmo da izvršimo neke agregacije ili izračunavanja koja se odnose na grupisanja prema filijalama.

Iz liste polja izaberimo polje filijala klikom lijevim tasterom miša na kvadratić ispred teksta filijala.

Novi ekran ima s ljedeći iz gled:

Slika 10.18. Excel - rad na pivot tabeli



Izborom polja filijala, u dijelu radnog lista u kome se pojavljuju podaci u pivot tabeli pojavile su se vrijednosti svih 7 filijala. U prozoru sa listom polja u segmentu Row Labels takođe se pojavljuje iz abrano polje. Još nam nedostaje podatak nad kojom dimenzijom želimo da izvršimo agregaciju. „Uhvatimo“ naziv polja filijala (drag&drop tehnika) u gornjoj polovini liste polja i prevucimo ga u pravougaonik Values.

Rezultat koji treba da dobijemo iz gleda ovako:

Slika 10.19. Excel - kreiranje agregacija u pivot tabeli

U pivot tabeli pojavili su se podaci o zbirovima korisnika grupisani po filijalama. Odgovor sistema bio je trenutan.

Zastanimo na trenutak na dobijenom rezultatu.

Programer koji bi dobio zadatak da izvjesti o broju korisnika po organizacionim jedinicama uradio bi sljedeće:

SQL upit

Select filijala, count(*) from naziv_tabele Group by filijala

Naziv_tabele odgovarao bi stvarnom nazivu tabele u kojoj se podaci nalaze. No, naš zadatak nije bio samo da kreiramo agregaciju i da nabrojimo korisnike u svakoj

organizacionoj jedinici. Pretpostavimo da mendžment priprema sjednicu upravnog odbora kompanije i da su hitno

zatražili sljedeće informacije: • prosjeci po organizacionim jedinicama • najveća pojkedinačna isplata za svaku organizacionu jedinicu

Da li je programer u kritičnom trenutku dostupan za SQL upit-bazirano rješenje ovih

zahtjeva ? Rješenje problema donosi OLAP analičar, koristeći sve što je dosad u primjeru opisano.

Štaviše, ono što smo dosad uradili nećemo mijenjati, nego ćemo dodati ono što je naknadno zatraženo.

Kako ?



10.4.3. Korišćenje i modifikovanje pivot tabele

Na slici 10.21. donji desni pravougaonik liste polja sadrži tekst Count of Filijala . Trouglić na dolje krije svoje tajne!

Slika 10.20. Excel - P ivot tabela - uređivanje Klikom lijevim tasterom miša na trouglić pored teksta “Count of Filijala” otvara se prozor

sa kontekstnim menijem koji nosi nove mogućnosti. Zaustavimo se samo na posljednoj stavki kontekstnog menija – Value Field Settings.

Klikom lijevim tasterom miša na Value Field Settings otvara se novi prozor:

Slika 10.21. Excel - pivot tabela – uređivanje (2)

U dijelu prozora ponuđene su razne vrste izračunavanja po izabranom polju: sabiiranje,

nabrajanje, prosjek, maksimum, minimum, proizvod, standardna devijacija, varijansa, itd. Takođe, sugerišemo da se pored jezička Summarize by, nalazi i jezičak Show values as. Prostor za istraživanje je dovoljno veliki, a za prezentaciju svih mogućnosti isuviše mali. Različite ciljne grupe pronaći će svoju sferu od interesa na ova dva jezička.



Nemojmo izgubiti iz vida da određene mjere (u svjetlu OLAP koncepta radi se upravo o mjerama) nemaju smisla za određene podatke. U ovom slučaju pronalaženje najveće vrijednosti nije smislen zahtjev. Najveća vrijednost isplaćenog iznosa ima svoj smisao ali za odgovor na taj zahtjev potrebna nam je dimenzija (u rječniku OLAP-a) koja može da obezbijedi izdvajanje najveće vrijednosti ili prosječne vrijednosti. Prava dimenzija, dimenzija o kojoj govori zahtjev menadžmenta je dimenzija Isplaćena penzija.

Dodajmo tu dimenziju pivot tabeli. Na isti način kao što smo dodali dimenziju filijala u pivot tabelu, dodajemo i dimenziju

isplaćena penzija. U prozoru pivot table Field List, u pravougaoniku Values pojavljuje se novo red – Sum of isplaćena penzija.

Na slici 10.22. ima još novosti: u trenutku kada smo dodali novu dimenziju, u pivot tabeli se pojavila nova kolona sa zbirovima za svaku organizacionu jedinicu.

Slika 10.22. Excel - pivot tabela - uređivanje (3)

Dodajmo još jednu mjeru – prosječna isplaćena penzija, prevlačeći dimenziju isplaćena

penzija u pravougaonik Values. U pivot tabeli pojavljuje se nova kolona - prosjeci isplaćenih penzija grupisani prema organizacionim jedinicama.

Dodajmo još jednu mjeru – najveća isplaćena penzija, prevlačeći dimenziju isplaćena penzija u pravougaonik Values. U pivot tabeli pojavljuje se nova kolona - najveća isplaćena penzija grupisana prema organizacionim jedinicama.

Ima li kraja ? Dodajmo samo još jedan detalj. Dimenzija VP (vrsta penzije) je značajan atribut u poslovanju kompanije. Veoma ilustrativan zahtjev bi bio: grupisanja, brojači, prosjek i maksimum po

organizacionim jedinicama, a unutar organizacionih jedinica i prema vrsti penzije. Izaberimo polje VP lijevim klikom miša u kvadratić lijevo od teksta VP. Nakon nekoliko

trenutaka dobićemo radni list sa pivot tabelom sljedećeg izgleda:



Slika 10.23. Konačna verzija pivot tabele

Pivot tabela dobila je svoj konačni izgled. Pridjev konačni oslikava konačnost onoga što smo željeli da ilustrujemo kao moć koje pivot tabele nose u sebi. Zapravo, pivot tabela je tehnički naziv jedne od implementacija OLAP koncepta koje se u svakodnevici najviše približava korisniku. Gotovo da ne postoji bilo ko od nas ko svoj radni dan provodi manje ili više uz računar, a da nema instaliran Microsoft Excel, ili neki drugi program za unakrsna izračunavanja.

Prije nego što smo prikazali konačni iz gled, sada već možemo reći traženih rezultata, a ne više pivot tabele, iskoristili smo mogućnosti Microsoft Excel-a i malo dotjerali nazive kolona, formate prikaza podataka.

10.4.4. Osvježavanje podataka u pivot tabeli Na samom kraju ilustracije ovog primjera navodimo nekoliko značajnih napomena o

sitnicama. Ne zaboravite da pivot tabela prikazuje agregacije koje se odnose na skup podataka.

Ukoliko izvršite promjenu u podacima, pivot tabela treba da oslika te promjene. Ove promjene se neće dogoditi automatski. Selektujte čitavu površinu pivot tabele, pritisnite desni taster miša negdje u površini pivot tabele i iz kontekstnog menija naložite pivot tabeli da osvježi podatke - REFRESH.



Budite uvjereni u potpunu tačnost onoga što će mehanizam koji radi za pivot tabelu. Podaci će biti promijenjeni u skladu sa promjenama koje su se dogodile u podacima.

Ukoliko ste spremni da se pozabavite makroima onda bi od koristi mogao da bude sljedeći dio programskog kôda:

Sub OsvjeziPodatke()

Dim iP As Integer Application.DisplayAlerts = False For iP = 1 To ActiveSheet.PivotTables.Count ActiveSheet.PivotTables(iP).RefreshTable Next Application.DisplayAlerts = True

End Sub Na radni list dodajte komandni taster i pridružite mu makro čiji je programski kôd prikazan.

Klikom na taj komandni taster osvježićete prikaz svim pivot tabelama koje se nalaze na vašem radnom listu.

Kontekstni meni nad pivot tabelom krije dosta zanimljivosti za znatiželjne. Dobro bi bilo

istražiti mogućnosti koje se nude. Na jednom radnom listu niste ograničeni samo na jednu pivot tabelu. Ukoliko imate potrebu

za nekoliko vrsta agregacija koje nisu logički istog tipa, neminovno je da ih odvojite u dvije ili više pivot tabela. Nadalje, Vaša je sloboda da dvije pivot tabele koriste različite podatke.

Savjet je da ukoliko na jednom radnom listu koristite više pivot tabela, dobro razmislite u koju ćeliju ćete postaviti gornji lijevi ugao pivot tabele. Ako će se vaša pivot tabela širiti po vertikali uvođenjem nove dimenzije, tada dobro pazite na visinu tabele. Racionalnije rješenje je pivot tabele staviti horizontalno jednu do druge. Broj kalkulacija – mjera možete da predvidite dok broj redova jedne pivot tabele ne možete uvijek sa sigurnošću planirati.

Konačan izgled pivot tabele na kojoj smo ilustrovali prikazani skup mogućnosti korišćenja pivot tabele u okviru Microsoft Excel-a prikazan je na slici 10.24.:



Slika 10.24. Pivot tabela - konačni izgled sa osvježavanjem pomoću makroa

Na radni list dodali smo i komandni taster koji pokreće makro čiji je kod prikazan nešto

ranije. Promjenom podataka na radnom listu na kojem se nalaze podaci, treba da ažuriramo i podatke u pivot tabeli. Klikom na komandni taster izvršiće se ažuriranje podataka u pivot tabeli.

Mogućnosti rada sa pivot tabelama ovom ilustracijom nisu iscrpljeni. No, pivot tabele su samo jedan od načina na koji se OLAP tehnike mogu efektno primijeniti u svakodnevnom radu.

Microsoft nudi znatno jače oružje u realizaciji OLAP koncepta. Rješenje se zove Microsoft

Analysis services.


11. Microsoft analitički servisi U skladu sa potpunim zaht jevima OLAP koncepta Microsoft donosi OLAP rješenje u

formi klas ičnog OLAP servera. U okviru relacione baze podataka Microsoft SQL server 2005 isporučuje se softver koji se nalazi u srednjem sloju troslojne arhitekture. Komercijalni naz iv je Microsoft SQL server analysis services (SSAS). Ovaj proizvod omogućuje potpunu OLAP i Datamining funkcionalnost koja se zaht jeva od proizvoda koji pripada aplikacijama poslovne inteligencije.

Microsoft SQL server analysis services (SSAS) obezbjeđuje primjenu OLAP-a dopuštajući korisniku da projektuje, kreira i upravlja višedimenzionalnim strukturama koje sadrže agregatne podatke preuz ete iz drugih izvora podataka, prvenstveno transakcionih relacionih baza podataka.

Prva verzija analitičkih servisa zvala se OLAP servis i. Promjenom imena postignuto je da se sada ukazuje na namjenu proizvoda, a ne na tehnologiju.

Realizovan je potpunom primjenom OLAP modela zasnovanog na bazama podat aka. Za razliku od standardnog SQL analitički servis i zasnivaju se na metapodacima. Upitni jezik i dalje stoji na raspolaganju ali sintaksno prilagođen da mož e da iskoristi metapodatke.

2001. godine Microsoft, Hyperion i SAS formirali su grupu sa namjerom da se definiše industrijski standard, XML za analize. Osnovni zadatak ove grupe bio je da definiše specifikaciju koja će predstavljat i standard na kome će se razvijati OLAP alati. Specifikacija je dobila ime XMLA.

Od tada svi značajni proizvođači OLAP alata isporučuju svoje proizvode koji zadovoljavaju ovu specifikaciju, uz proširenja koja privlače korisnike.

Brzina SSAS dolazi od unaprijed izračunatih vrijednost i. Koncept je u osnovi jednostavan: potrebno je izračunati određene vrijednosti koje su sadržane u 100 miliona redova. Cijena koja treba da se plati mjeri se vremenom koje je potrebno da se izračunavanje izvrši. Ta cijena mora da se plati. OLAP kaže da će to platit i unaprijed, umjesto u trenutku izvršavanja.

Legenda • Service broker=us luga

koja pruža podršku drugim komponentama u SOA okruženju

• Replication=replikacija • Full-text

Search=pretraživanje teksta po dubini u bazi podataka

• Notification services=usluga o davanju obavješt enja o stanju sistema

• Database Engine = baza podataka

• Reporting services=us luga za pravljenje izvještaja

• Integration services=usluga za integrisanje

Slika 11.1. Microsoft analysis services



Microsoft SQL server analysis services (SSAS) kao Microsoft-ovo rješenje za OLAP i

DataMining omogućavaju definisanje dimenzija, hijerarhija i mjera na nivou same baz e podataka. Ti OLAP objekti su u potpunosti nezavisni od bilo koje OLAP kocke i mogu da budu dio bilo koje OLAP kocke ili da budu istovremeno dio više OLAP kocki.

Puni OLAP kapacitet dolazi uz Microsoft SQL server analysis services (SSAS). Sve

ono što je pokazano kao int egrisani dio Microsoft Excel-a predstavlja tek mali dio snage koju donose Microsoft SQL server analysis services (SSAS).

11.1. Razvojno okruženje

Za primjenu SSAS potrebno je imati na raspolaganju Microsoft SQL server 2005 čija

probna verzija u vremenu od 180 dana može besplatno da se preuzme sa http://msdn.microsoft.com/en-us /sqlserver/bb498185.aspx.

Pored toga neophodno je razvojno okruženje u formi Microsoft buss iness intelligence developer studio 2005 (BIDS) koji takođe može da se preuzme sa adrese http://www.microsoft.com/downloads /details.aspx?familyid=3C856B93-369F-4C6F-9357-C35384179543&displaylang=en.

Nakon instalacije i konfigurisanja razvojno okruženje bi trebalo da izgleda kao na slici 11.2.:

Slika 11.2. Microsoft bussiness intelligence developer studio 2005


12. Primjer korišćenja SSAS 12.1. Opis korišćenih podataka

Za ilustraciju koristiće se sljedeći podaci koji se nalaze u SQL server 2005 baz i

podataka:

• tabela sa finans ijskim podacima o isplatama u periodu 1998-2008 (23.340.884 redova) sa s ljedećim atribut ima

• iznos isplate • godina • mjesec • redni broj

• tabela - šifarnik vrsta isplate • tabela – šifarnik organizacionih jedinica • tabela sa finans ijskim podacima o isplatama za 2007 godinu

Ova tabela predstavlja izdvojene podatke i t abele opisane u prvoj st avki, a koristiće se radi brže ilustracije određene tehnike. Ova t abela sadrži 2.395.642 redova

Namjera je da se s lično primjeru koji je naveden u poglavlju 10, ali ovog puta sa

mnogo većim skupom podataka, prikaže način rada sa Microsoft SQL server analysis services.

12.2. Određivanje izvora podataka

Prvi korak predstavlja određivanje izvora podataka. U prozoru Solution Explorer može se uočiti grana Data Sources. Pokrenućemo čarobnjak koji će nas voditi kroz proces definisanja izvora podataka.

Slika 12.1. Izgradnja kocke - Određivanje izvora podataka

Podaci će se preuz imati iz SQL Servera 2005. Ime izvora podataka određujemo proizvoljno uz preporuku da izabrani naziv bude asocijativan, što će kasnije olakšat i korišćenje. Čarobnjak je intuitivan i uz malo truda izvor podataka će biti konfigurisan.



Ukoliko pravilno popunimo sve potrebne parametre, u stablu našeg novog rješenja pojaviće se novokreirani izvor podataka.

Slika 12.2. Izgradnja kocke - Izvor podataka

Pored izvora podataka svako rješenje treba da ima najmanje jedan pogled na podatke.

OLAP arhitektura se zasniva na metapodacima. Stoga je pogled na podatke koje donosi izvor podataka obavezan jer donosi podatke o podacima u izabranom izvoru, kao što su podaci o tabelama, pogledi i veze između tabela.

Čarobnjak nas takođe vodi kroz ovaj proces, pri čemu ključni prozor prikazuje izbor tabela koje su na raspolaganju, te izbor tabela koje će se koristiti.

Slika 12.3. Izgradnja kocke - Pogled na podatke – izbor tabela

Nakon što smo potvrdili sva pitanja čarobnjaka na koja je odgovor intuitivan, imamo

kreirane izvor podataka i pogled na podatke, kao što je prikazano na slici 12.4.:



Slika 12.4. Izgradnja kocke - Izvor i pogled na podatke

Slika 12.5. Izgradnja kocke - Prozor pogleda na podatke - projektovanje

Razvojno okruženje pruža na sliku na koji način je pogled na podatke interpretirao metapodatke i na koji način se podaci povezuju. Pregledom ovog dijagrama možemo se uvjeriti da su podaci relaciono povezani na način koji će omogućiti njihovo dobro povezivanje u OLAP strukturu.



12.3. Izgradnja dimenzija

Određivanje dimenzija u ovom koraku predstavlja tehničku proceduru kojom OLAP alatu prijavljujemo strukture koje su nam potrebne i koje želimo da uključimo u našu OLAP bazu podataka.

Analize koje su prethodile ovom koraku predstavljaju podlogu za kvalitetnu strukturu uz pomoć koje ćemo ostvariti željeni cilj – funkcionalna i efikasna analiza podataka.

Prijavljivanje dimenzija odvija se u nekoliko koraka:

Slika 12.6. Izgradnja kocke - Dimenzije 1 Slika 12.7. Izgradnja kocke - Dimenzije 2

Korak predstavljen na slici 12.9. nije izbor koji nam čarobnjak nudi, nego ga treba izabrati.

Ponuđena podrazumijevana akcija je STANDARD DIMENSION, što treba da promijenimo u TIME DIMENSION jer mjere želimo da posmatramo u vremenskom prostoru. Odrednica za vrijeme u našem slučaju određena je atributima GODINA, MJESEC i REDNI BROJ.




Čarobnjak će otvoriti prozor u kome treba da ispunimo imena atributa koji odgovaraju našim odrednicama za vrijeme.

Slika 12.11 prikazuje podatke koje smo unijeli i time uspostavili elemente vremena.


Na slikama 12.12 i 12.13 vidi se način na koji su uspostavljene hijerarhije između atributa,

čime smo formirali novu dimenziju pod imenom FIN2008.




12.4. Izgradnja koc ke

Da bismo u potpunosti razvili planiranu strukturu, nedostaje nam još jedan korak – izgradnja kocke. U stablu našeg rješenja, u desnom dijelu prozora, vidljivi su rezultati dosadašnjih aktivnosti – izvor podataka, pogled na podatke, dimenzije. Kocku formiramo u nekoliko sličnih koraka, kao što je to prikazano za izgradnju dimenzija.

Slika 12.14. Kocka 1


U sljedećem koraku, u izgradnji kocke pomoću čarobnjaka, detektuju se ključni elementi za

kocku – tabela činjenica i tabele dimenzija. Slika 12.17 pokazuje dva ključna podatka – tabela činjenica izgrađena je na osnovu podataka koji se nalaze u tabeli FIN2008 čija je struktura opisana u paragrafu 12.1.

Slika 12.16. Kocka 3 Slika 12.17. Kocka 4



Nadalje, dimenzije koje ćemo iz tabele činjenica pratiti nalaze se u tabelama koje sadrže podatke o organizacionim jedinicima kompanije i vrstama isplata prema njihovom tipu. To je upravo ono što smo željeli da postignemo. Podsjetimo se da smo još uspostavili vremensku hijerarhiju koja će omogućiti da podatke analiziramo u vremenskim periodima.

Tabela činjenica posjeduje još atributa koji nisu od značaja za analize koje želimo da vršimo. Što veći broj atributa bude uključen u kocku, to će uspostavljanje kocke zauzeti više vremena za samu izgradnju kocke. Ukoliko je neki od atributa potreban, onda nema smisla da bude preskočen zbog vremenskih zahtjeva. Jednom formirana kocka, sa interno uspostavljenim OLAP mehanizmima sigurno će obezbijediti potrebne podatke uz poštovanje FASMI zahtjeva.


Na slici 12.18. vršimo izbor atributa koji će formirati mjere. Za namjenu ovog rada, kako je

to objašnjeno u paragrafu 12.1. izabraćemo atribut ISPLACENA PENZIJA. Pored toga, čarobnjak sam dodaje atribut FIN2008 Count koji predstavlja ukupan broj redova u tabeli činjenica FIN2008.



Sljedeći korak je detektovanje ranije uspostavljenih hijerahija koje se pri iz gradnji kocke prihvataju i uzimaju u obzir.


Proces izgradnje kocke podrazumijeva pregled tabela u kojima se nalaze dimenzije i

postavljanje pročitanih odnosa u relacione veze unutar kocke. Koristeći vizuelno okruženje još je moguće da neke nepotrebne atribute na vrijeme isključimo iz kocke, kako ne bi opterećivali novu strukturu. Zapravo, rasterećujemo kocku svih atributa koji nisu od značaja za analizu. Ukoliko postoji mogućnost da analiza bude vršena naknadno prema nekom od naizgled nepotrebnih atributa, tada je potrebno da ti atributi ostanu sastavni dijelovi kocke. Naknadno uključivanje novih atributa u kocku podrazumijeva restruktuiranje ispočetka i ponovnu izgradnju kocke, koja može da bude vremenski zahtjevna aktivnost.

Na slici 12.20. vidimo na smo u kocku uključili samo neophodne opisne atribute.




U izgradnji kocke preostao je samo još jedan korak. Potrebno je odrediti naziv kocke, u našem slučaju LIKVIDATURA.





Ne zaboravimo da sve što smo radili u prethodnim koracima u iz gradnji dimenzija i kocke

radimo u razvojnom okruženju – Microsoft bussiness Intelligence developer studio 2005. Sve što smo dosad napravili na konstrukciji kocke nalazi se opisano u strukturama koje obezbjeđuje razvojni alat i pripremljeno je da se kocka definitivno iz gradi tamo gdje je njeno prirodno OLAP mjesto – u OLAP bazi podataka.

Posljednji korak u izgradnji kocke je fizičko uspostavljanje OLAP struktura prema svim

pravilima koja su u prethodnim poglavljima objašnjena. U posljednjem koraku treba pokrenuti obradu kocke pri čemu će razvojni alat izvršiti sve potrebne poslove da bi u Microsoft SQL server analysis services (SSAS) prepisao podatke iz Microsoft SQL Server 2005 OLTP baze podataka. Način organizacije podataka sada će biti prilagođen potrebama OLAP analiza, i to nad podacima i prema pravilima koja smo uspostavili koristeći razvojni alat, prenoseći našu projektnu ideju u prikladnu OLAP organizaciju.

Potvrda pokretanja obrade kocke vrši se na sljedećoj slici 12.23.:




Vrijeme potrebno da se izvrši proces izgradnje kocke značajno može da zavisi od

složenosti zahtjeva i obima skupa podataka iz kojih se formira kocka. Prilikom projektovanja treba obratiti pažnju na mnogo detalja.

Na računaru sa 3 GB RAM memorije, procesorom Core2Duo T8100 2,1GHz, i hard

diskom kapaciteta 250 GB, generisanje kocke čiju smo iz gradnju prikazali gore trajalo je 1 čas, 3 min i 53 sek.

Izgradnjom ove kocke uspostavljene su potrebne veze i odnosi koji će obezbijediti

ispunjavanje OLAP zahtjeva.

Na slici 12.24. vidimo detaljnu strukturu naše kocke. U gornjem lijevom uglu vidi se dio koji prikazuje MJERE (Measures), a u dijelu ispod mjera, dio prozora koji prikazuje Dimenzije i njihovu hijarhijsku organizaciju. U sredini se mogu vidjeti relacije na kojima je zasnovana struktura kocke.



Ponovno ističemo da je pored logičke strukture naše kocke koju smo detaljno rastumačili,

kocka fizički formirana kao nova OLAP baza podataka. Analize koje sada možemo da izvršimo prema našem planu prikazaćemo u BROWSER listu koji se na slici 12.24 može vidjeti kao krajnji desni list naše kocke.


Radi ilustracije načina vršenja analiza koje se zasnivaju na OLAP kocki koristićemo u

okviru istog radnog okruženja prozor BROWSER koji nam omogućava da vizuelno predstavimo rezultate. Napominjemo da su podaci već formirani, zapravo tabela činjenica je sada konstantna, uslovno rečeno. Ukoliko bismo izvršili dodatne intervencije na arhitekturi kocke tada bi bilo neophodno da se kocka ponovno obradi, da se u podatke uključe nove činjenice ili strukture koje bismo eventualno zatrebali.

Međutim, na postojećim podacima moguće je zatražiti novu vrstu mjera koja neće uticati na strukturu podataka. Zapravo, figurativno rečeno, ostavljena nam je mogućnost da promijenimo „ugao“ pod kojim ćemo pogledati – analizirati podatke.

To su određene vrste agregacija koje je moguće dobiti iz već formirane strukture kocke. Novu mjeru možemo definisati takođe pomoću čarobnjaka čija forma je data na slici 12.25.:




Iz popisa ponuđenih funkcija (Sum, Count of rows, ..., Last non-empty value), može se

zaključiti da je prilikom formiranja kocke uspostavljena OLAP struktura koja će omogućiti agregatne i druge funkcije koje su ponuđene, a da to sami nismo planirali ili očekivali. Ova sposobnost proističe iz primjene koncepta koji se zasniva na pretkalkulacijama, onako kako je to ranije izloženo. Takođe, ranije je pomenuto da se cijena vremena izvršavanja upita koje analiza traži, mora jednom platiti. Očigledno je da je ta cijena plaćena unaprijed, prilikom formiranja kocke.



12.5. Analiziranje – upotreba koc ke

Nakon detaljnih poslova na izgradnji kocke, preostaje nam još da vidimo rezutlate koje analiza zahtijeva.

Kao što je već napomenuto u paragrafu 12.4. izvršavanje kalkulacija i prikazi rezultata vršiće se na listu BROWSER u okviru pregleda kocke alatom Bussiness intelligence developer studio 2005.

U vertikalni prozor ćemo prevući dimenzije po kojima želimo agregacije, a u horizontalni

mjere koje želimo da analiziramo.

Slika 12.26. Rezultati 1



Na slici 12.27. vidimo rezultate – ukupan zbir isplata za period 1998-2008. Međutim, ako se podsjetimo da smo planirali vremensko razgraničavanje, očigledno je da u rezultate moramo uključiti vremensku raspodjelu. To ćemo učiniti na način da u vertikalu pored oznake filijale prevučemo vremensku hijerahiju – GODINA – MJESEC.




Slika 12.28. predstavlja jednu vrstu traženih rezultata. Prikazali smo mjesečne iznose

isplata i broj isplata za organizacionu jedinicu 91 u 2007. godini. Za organizacionu jedinicu 93 prikazali smo mjesečne iznose isplata i broj isplata u 2008. godini, s napomenom da je posljednja mjesečna isplata u trenutku kada su podaci za ovaj rad preuzeti bila isplata za avgust 2008.

Takođe, na slici 12.28. podvučen je Total = 23.340.884 koji se pojavljuje na više mjesta u tabeli rezultata. Podvlačenjem ovog podatka želimo da naznačimo obimnost skupa podatka – ukupan broj obrađivanih redova u tabeli činjenica je 23.340.884 (vidjeti paragraf 12.1.).


Prikaz rezultata za ostale organizacione jedinice iz praktičnih razloga nije moguće izvesti

na jednom ekranu, ali se pomjeranjem fokusa prozora rezultati mogu razviti u potpunosti. Posebno želimo da naglasimo, a u što se može uvjeriti na živim podacima, da je vrijeme

odziva na razvijanje podataka za pojedinu dimenziju bilo uvijek manje od nekoliko sekundi.



Takođe, uključivanje nove dimenzije (npr. VRSTA PRAVA) u vertikalni skup podrazumijevalo je desetak sekundi, nakon čega se razvijanje rezultata izvršavalo u vremenu od jedne do nekoliko sekundi.

12.6. MDX

Prilikom izvođenja analize u prethodnim paragrafima namjera je bila da se pokaže tehnika pomoću koje je moguće upotrijebiti OLAP koncept u formi Microsoft SQL server analitičkih servisa.

Ukoliko se podsjetimo definicije zadatka koje nosi IT osoblje u primjeni OLAP koncepta, sa sigurnošću se može zaključiti da korisnici OLAP alata i softverskih rješenja neće koristiti bussiness intelligence developer studio 2005 u svom svakodnevnom radu.

Podaci koje smo prebacili u druge strukture formirajući kocku podataka nalaze se dostupni u formi OLAP baze podataka.

U okviru XMLA specifikacije razvijen je novi upitni jezik, preciznije rečeno, prihvaćen je MDX - novi Microsoft-ov upitni jezik.

MDX predstavlja sintaksu koja podržava definisanje i upravljanje višedimenzionalnim objektima i podacima. U mnogim dijelovima MDX je sličan sintaksi SQL jezika, ali on ne predstavlja proširenje sintakse SQL-a. I u MDX-u se koristi SELECT naredba, FROM naredba i WHERE klauzula za filtriranje rezultata. MDX je namijenjen OLAP alatima koji se koriste za rad sa podacima koji se nalaze u višedimenzionalnim strukturama. Kao pravi skriptni jezik MDX podržava i korisnički definisane funkcije.

MDX je napravljen da bi olakšao pristup podacima koji se nalaze u OLAP nazama podataka.

Krajnjeg korisnika sigurno ne bi oduševili alati koji su korišćeni i pominjani u ovom radu. Ti alati nisu namijenjeni njima. Za prijateljski orijentisano računarsko radno okruženje IT osoblje koristiće alate koji su njima namijenjeni da bi proizveli softver čija će upotreba širokom krugu potencijalnih korisnika OLAP analiza priuštiti zadovoljstvo.

Upotreba MDX-a predstavlja sljedeći korak u razvoju komercijalnih aplikacija zasnovanih na OLAP konceptu.


13. Zaključak Podsjetili bismo na ranije spominjani dokument dr Edgara Codd-a iz 1996. godine:

„Providing OLAP to User-Analysts: An IT Mandate“[1]. Osnovna obaveza IT osoblja nije da se bavi proizvodnjom analitičkih izvještaja. Upit-

bazirani način izvještavanja je jedno od mogućih rješenja, koje je filozofskim razmišljanjima dr Codd-a i njegovih sljedbenika stavljeno u istoriju. Obaveza IT osoblja je da obezbijedi analitičke alate nagoviještene OLAP konceptom za analitičko izvještavanje svekolikim analitičarima.

Nimalo lagan zadatak nije istrgnuti iz ruku Excel tabele nekome ko se na njih navikao, napravio mnogo izvještaja i grafikona, stekao slavu kao ekspert za analize.

OLAP aplikacije u tom smislu predstavljaju kvalitativni skok naviše. Morali bismo se u upustiti u rizičnu misiju da zaljubljenicima Excela i excelolikih alata iz

kategorije unakrsnih tabela, objasnimo da unakrsne tabele nose veliki rizik nevidljivih grešaka, da je konsolidacija Excel izvještaja izuzetno teška, da je ažuriranje podataka koji se nalaze u Excel tabelama sizifovski posao, da se distribuiranjem tabela između korisnika povratna sprega ekstremno teško može ostvariti, ...

Umjesto unakrsnih tabela neophodno je o podacima brinuti tamo gdje je njihova prirodna sredina – u bazama podataka.

OLAP predstavlja relativno novu primjenjenu tehnologiju. Spisak korisnika OLAP

izvještaja je veoma veliki. OLAP je sve drugo, samo nije primitivna tehnologija. Uvođenje OLAP-a u kompanije podrazumijeva značajan nivo korišćenja računara od strane zaposlenih. OLAP traži emancipovanu kompaniju u punom smislu te riječi. Procesom emancipacije treba da budu obuhvaćeni svi segmenti kompanije, od menadžera sa najvišim ovlašćenjima do korisnika informacija dnevno-operativne prirode.

Uvođenje OLAP podrške u kompanije predstavlja investiciju. Potrebno je uložiti u sredstva u tehnologiju, opremu i softver. Potrebno je uložiti sredstva u edukaciju osoblja. Potrebno je napraviti iskorak u razmišljanju. Korišćenjem kvalitetnih informacija upravljanje kompanijom od vrha do određenih nižih, ali značajnih pozicija u kadrovskoj hijerarhiji, prestaje da bude intuitivno. Subjektivnost se potiskuje realnim informacijama iz baze podataka.

Investicija je značajna u finansijskom smislu, ali rezultati neće izostati.

OLAP je nije trošak, OLAP je potreba.


Literatura 1. E.Codd i dr. – „Providing OLAP to User-Analysts: An IT Mandate“ , 1996. 2. Bojan Ćirić – Poslovna inteligencija, DataStatus, Beograd, 2006. 3. www.olapreport.com , 21.4.2008. 4. http://blogs.msdn.com/sqlperf/ , 27.4.2008. 5. http://blogs.msdn.com/sqlperf/archive/2008/02/27/etl-world-record.aspx , 23.4.2008. 6. http://www.oracle.com/technology/products/bi/olap/index.html , 2.5.2008. 7. http://www.excelblog.net/category/data-analysis/pivot-tables/ , 24.6.2008. 8. http://blogs.msdn.com/excel/default.aspx, ključne riječi: pivot, analysis services, 25.6.2008. 9. Microsoft Excel, online help 10. SQL server 2005 – BooksOnLine 11. Read Jacobson i dr. - MS SQL Server 2005 Analysis Services Step By Step, MicrosoftPress 2005. 12. SQL Server 2005 BooksOnLine –verzija septembar 2007. 13. http://blogs.msdn.com/sqlperf/archive/2008/28/27/etl-world-record.aspx


Popis slika, skica i crteža Slika 4.1. Položaj OLAP servera (slika je preuzeta iz rada[1] dr Codd-a)........................................................ 8 Slika 8.1. Dimenzioni model - Šema zvijezde .........................................................................................20 Slika 8.2. Dimenzioni model – šema pahuljice........................................................................................21 Slika 9.1. Kocka ...............................................................................................................................24 Slika 9.2. OLTP –> OLAP Transformacija.............................................................................................24 Slika 10.1. Excel – sadržaj jezička Data.................................................................................................27 Slika 10.2. Excel – meni Podaci – Iz Drugih Izvora .................................................................................27 Slika 10.3. Excel – Microsoft Query .....................................................................................................28 Slika 10.4. Excel - izbor ODBC veze ....................................................................................................28 Slika 10.5. Uspostavljanje ODBC veze..................................................................................................28 Slika 10.6. Microsoft Query - čarobnjak – izbor tabele i kolona..................................................................29 Slika 10.7. Excel – Microsoft Query – čarobnjak.....................................................................................29 Slika 10.8. Excel – Microsoft Query – čarobnjak.....................................................................................29 Slika 10.9. Microsoft Query - SQL prozor..............................................................................................30 Slika 10.10. Microsoft Query – pitanje ..................................................................................................30 Slika 10.11. Excel – Microsoft Query – unos SQL upita...........................................................................30 Slika 10.12. Query – prozor sa podacima...............................................................................................31 Slika 10.13. Excel – import podataka ....................................................................................................31 Slika 10.14. Excel – podaci iz baze........................................................................................................ 1 Slika 10.15. Excel - kreiranje pivot.......................................................................................................34 Slika 10.16. Excel - Skup podataka za pivot tabelu..................................................................................34 Slika 10.17. Excel - pivot tabela...........................................................................................................35 Slika 10.18. Excel - rad na pivot tabeli ..................................................................................................35 Slika 10.19. Excel - kreiranje agregacija u pivot tabeli..............................................................................36 Slika 10.20. Excel - Pivot tabela - uređivanje..........................................................................................37 Slika 10.21. Excel - pivot tabela – uređivanje (2).....................................................................................37 Slika 10.22. Excel - pivot tabela - uređivanje (3) .....................................................................................38 Slika 10.23. Konačna verzija pivot tabele...............................................................................................39 Slika 10.24. Pivot tabela - konačni izgled sa osvježavanjem pomoću makroa ................................................41 Slika 11.1. Microsoft analysis services ..................................................................................................42 Slika 11.2. Microsoft bussiness intelligence developer studio 2005.............................................................43 Slika 12.1. Izgradnja kocke - Određivanje izvora podataka........................................................................44 Slika 12.2. Izgradnja kocke - Izvor podataka ..........................................................................................45 Slika 12.3. Izgradnja kocke - Pogled na podatke – izbor tabela...................................................................45 Slika 12.4. Izgradnja kocke - Izvor i pogled na podatke ............................................................................46 Slika 12.5. Izgradnja kocke - Prozor pogleda na podatke - projektovanje......................................................46 Slika 12.6. Izgradnja kocke - Dimenzije 1 ..............................................................................................47 Slika 12.7. Izgradnja kocke - Dimenzije 2 ..............................................................................................47 Slika 12.8. Izgradnja kocke - Dimenzije 3 ..............................................................................................47 Slika 12.9. Izgradnja kocke - Dimenzije 4 ..............................................................................................47 Slika 12.10. Izgradnja kocke - Dimenzije 5 ............................................................................................48 Slika 12.11. Izgradnja kocke - Dimenzije 6 ............................................................................................48 Slika 12.12. Izgradnja kocke - Dimenzije 7 ............................................................................................48 Slika 12.13. Izgradnja kocke - Dimenzije 8 ............................................................................................48 Slika 12.14. Kocka 1..........................................................................................................................49 Slika 12.15. Kocka 2..........................................................................................................................49 Slika 12.16. Kocka 3..........................................................................................................................49 Slika 12.17. Kocka 4..........................................................................................................................49 Slika 12.18. Kocka 5..........................................................................................................................50 Slika 12.19. Kocka 6..........................................................................................................................51



Slika 12.20. Kocka 7..........................................................................................................................52 Slika 12.21. Kocka 8..........................................................................................................................52 Slika 12.22. Kocka 9..........................................................................................................................53 Slika 12.23. Kocka 10........................................................................................................................54 Slika 12.24. Kocka 11........................................................................................................................55 Slika 12.25. Kocka 11........................................................................................................................56 Slika 12.26. Rezultati 1 ......................................................................................................................57 Slika 12.27. Rezultati 2 ......................................................................................................................58 Slika 12.28. Rezultati 3 ......................................................................................................................59

Documents

Specijalističke studijeapeironsrbija.edu.rs/Centar_za_izdavacku_djelatnost/Radovi/Specijalisticki/...vizuelizovanu, sa mogućnošću izvršavanja brzih analiza. Takav pristup omogućuje