Курсовая работа - Проектирование ИАС фирмы - провайдера
Подождите немного. Документ загружается.
8. , Нерегламентированые запросы на которые
.отвечает система
Запросы, которые формируются самими пользователями, называются
нерегламентированными. Т.е. самих вариантов нерегламентированных
запросов может быть очень и очень много, но если они достаточно редки, то
выполняющиеся в тысячи раз чаще регламентированные запросы даже при
небольшом числе их возможных вариантов составляют в системе
большинство.
Вот наиболее часто используемые нерегламентированные запросы в
данной системе:
1. Количество подключений в регионе за декабрь 2008 года.
2. Объем трафика (нагрузка) в районе города в выходные дни.
3. Затраты на техническое обслуживание в городе за прошлый год.
4. Доход с конкретного офиса в прошлом месяце.
5. Затраты на сотрудников в регионе в декабре 2008 года.
41
9. Модель метаданных
Метаданные (или данные о данных) являются ключевым элементом в
Хранилище Данных. Именно благодаря использованию метаданных
Хранилище становится гибким и удобным средством доставки информации
для поддержки принятия решений. Они содержат полное описание
логической и физической структуры данных, всех процессов загрузки
данных, специализированных приложений для анализа и представления
данных в определенных областях, а также дополнительную информацию обо
всех элементах Хранилища, помогающую легко ориентироваться в его
сложной структуре.
Метаданными явно или скрыто пользуются все группы пользователей
Хранилища, начиная от наименее подготовленных конечных пользователей,
приложения для которых управляются Метаданными, до Администратора
данных и разработчиков.
42
10. Обоснованный выбор инструментария для
.реализации ХД
Для выбора инструментария проектирования ИАС рассмотрим
Deductor и Oracle Data Mining.
Deductor -- описание аналитической платформы
Deductor является аналитической платформой, т.е. основой для
создания законченных прикладных решений. Реализованные в Deductor
технологии позволяют на базе единой архитектуры пройти все этапы
построения аналитической системы: от создания хранилища данных до
автоматического подбора моделей и визуализации полученных результатов.
Область применения
Deductor предназначен для решения широкого спектра задач,
связанных с обработкой структурированных, представленных в виде таблиц,
данных. Прикладная область значения не имеет: механизмы, реализованные в
Deductor, с успехом применяются на финансовых рынках, в страховании,
торговле, телекоммуникациях, промышленности, медицине, в логистических
и маркетинговых задачах и множестве других.
Корпорация Oracle предлагает своим пользователям набор продуктов
класса и сервисов класса Data Mining (Добыча Данных или ИАД
(Интеллектуальный Анализ Данных)). Этот набор помогает компаниям
понять и предвидеть поведение клиентов (покупателей, заказчиков) и
создавать полные интегрированные решения по управлению отношениями с
клиентами (CRM).
В настоящее время вы можете использовать комплект Oracle Data
Mining Suite (ранее известный как "Oracle Darwin") для построения моделей
предсказания (predictive models), обнаруживающих скрытые в ваших данных
закономерности и новую ценную информацию, которая может быть
использована:
43
в системах раннего обнаружения экстремальных ситуаций;
для более полного понимания поведения и запросов клиентов и
рыночной ситуации;
для определения эффективности различных видов продаж;
как помощь в борьбе со злоумышленниками.
Oracle Data Mining Suite предоставляет легкий в использовании,
интуитивно понятный пользовательский интерфейс. Oracle Data Mining Suite
предлагает мастер-утилиты (wizards) для упрощения и автоматизации шагов
data mining. Например, мастер Key Fields в Oracle Data Mining Suite
автоматически находит переменные, которые наиболее нужны (максимально
влияют) при решении некоторого конкретного вопроса. Мастер Model Seeker
автоматически строит многие модели data mining, показывает интерактивные
графы (interactive graphs) и таблицы результатов, а также рекомендует
наилучшие модели.
Oracle Data Mining Suite предлагает всю эту функциональность в
дружественной пользователю среде, которую бизнес-аналитики могут
использовать, причем они могут использовать мощные, возможно,
многопроцессорные (SMP) системы и, благодаря этому, смогут
"раскапывать" огромные массивы данных и извлекать больше ценной
информации.
Oracle Data Mining Suite может получать данные из различных сетевых
источников данных. Oracle Data Mining Suite извлекает информацию из баз
данных Oracle, используя технологию прямого доступа к данным Oracle
(OCI). Корпорация Oracle также предоставляет шлюзы (gateways) к данным,
хранимым в других базах данных. Как только вы обеспечите Oracle Data
Mining Suite данными, вам часто будет нужно подготовить эти данные для
анализа, и Oracle Data Mining Suite предоставляет обширный набор функций
преобразования, таких как отбор образцов (sampling), случайный выбор
(randomization), генерация новых вычисляемых полей, обработка (handling)
отсутствующих значений, слияние (merging), замена значений, расщепление
44
набора данных в последовательность (train) поднаборов, тестирование и
наборы данных для сверки (evaluation datasets) и так далее.
На фазе построения моделей Oracle Data Mining Suite предоставляет
множество алгоритмов -C&RT, деревья классификации и регрессии
(classification and regression trees), также известных как деревья решений,
нейронные сети (neural networks), алгоритм нахождения ближайших k
соседей (k-nearest-neighbors technique of memory-based reasoning) и
кластеризация (clustering). Все эти алгоритмы полнофункциональны (full-
featured), протестированы, документированы и хорошо поняты.
Кроме того, они очень мощны, так как все они были реализованы таким
образом, чтобы использовать аппаратуру параллельных вычислений для
скорости и обработки больших объемов данных - гигабайтов и терабайтов.
На основе произведенного анализа более подходящим вариантом
является Deductor.
Система мониторинга качества данных и аналитическая система
реализованы на базе единой платформы Deductor
Используются развитые средства Deductor для обработки больших
объемов данных
Учтены особенности сферы розничной торговли
Не требуется дополнительного программирования
45
.Заключение
В данной работе была разработана информационно-аналитическая
система, позволяющая структурировать, хранить и оптимально использовать
имеющуюся информацию.
Были применены Case средства BPwin и ERwin, в качестве структуры
данных была выбрана Relational On-Line Analytical Processing.
Также были приведены примеры нерегламентированных запросов и
определены ключевые показатели эффективности.
46
.Список литературы
1. Вендров А.М. Практикум по проектированию программного
обеспечения экономических информационных систем: Учеб. пособие. –
М.: Финансы и статистика, 2004. – 192с.
2. www.sql.ru
3. www.olap.ru
4. www.cfin.ru
5. www.citforum.ru
6. www.hr-portal.ru
47