Содержание к диссертации
Введение
1. Развитие технологий информационно аналитической работы в организационно административном управлении 13
1.1. Анализ содержательных аспектов информационно-аналитической работы в организационно-административном управлении 13
1.2. Современные концепции и методы создания информационно-аналитических систем (ИАС) 20
1.3. Основные направления совершенствования инструментальных программных средств информационно-аналитической работы 33
1.4. Выводы по главе 1 50
2. Теоретико-методологические положения проектирования функционально развитых ИАС 52
2.1. Общие подходы к ключевым функциям ИАС и процедурам их реализации 52
2.2. Описание постановки задачи информационно-аналитической поддержки управленческой деятельности с использованием ИАС 55
2.3. Использование многомерного концептуального представления данных о территории с целью комплексного анализа ее социально-экономического развития 58
2.4. Обоснование и выбор методологии и инструментальной среды формирования функциональной и информационной моделей ИАС 65
2.5. Выводы и результаты по главе 2 75
3. Оптимизация процессов проектирования и режимов функционирования ИАС 77
3.1. Формирование функциональной и информационной моделей ИАС с использованием методологии SADT и инструментальной среды BPwin 77
3.2. Проектирование сценариев информационно-аналитической работы как главный компонент ИАС 93
3.3. Минимизация времени конструирования нерегламентированных многокритериальных запросов 100
3.4. Оптимизация форм представления данных в процессе аналитической деятельности 104
3.5. Выводы и результаты по главе 3 111
4. Разработка методики проектирования ИАС и апробация результатов диссертационного исследования (на примере ИАС Правительства Челябинской области) 113
4.1. Формирование основных положений и принципов проектирования 113
4.2. Исходные данные и формы их представления при разработке функциональных и информационных моделей 120
4.3. Технология создания хранилищ данных интегрированной ИАС с учетом требований используемых инструментальных средств 125
4.4. Оценка эффективности и интеллектуальности ИАС, обеспечивающей поддержку принятия обоснованных управленческих решений 132
4.5. Выводы и результаты по главе 4 141
Основные выводы и результаты 144
Литература 147
Приложения 160
1. Глоссарий 161
2. Анализ современных инструментальных средств и созданных на их основе ИАС организационно-административного управления 164
3. Перечень основных показателей социально-экономического развития Челябинской области 198
4. Примеры экранных форм пользовательского интерфейса ИАС Правительства Челябинской области 211
5. Документы внедрения 216
- Современные концепции и методы создания информационно-аналитических систем (ИАС)
- Использование многомерного концептуального представления данных о территории с целью комплексного анализа ее социально-экономического развития
- Проектирование сценариев информационно-аналитической работы как главный компонент ИАС
- Технология создания хранилищ данных интегрированной ИАС с учетом требований используемых инструментальных средств
Современные концепции и методы создания информационно-аналитических систем (ИАС)
Разрешения противоречия при осуществлении аналитической работы -невозможность получения информации при ее наличии или даже избытке -реализовано в ряде концепций, выдвинутых в конце 80-х и 90-х годах закончившегося столетия. Наиболее популярной среди них является концепция Хранилищ Данных (Data Warehouse), но известны и другие концепции: Information Warehouse, Data Mart, On-Line Analytical Processing (OLAP), Relational On-Line Analytical Processing (ROLAP) и др. Среди отечественных разработок, реализующих в основном идеи концепции «Хранилища Данных» и OLAP следует отметить программный комплекс ИнфоВизор, созданный группой специалистов г. Иваново.
Насколько они взаимно исключают или, наоборот, взаимно дополняют друг друга? Какие проблемы, возникающие при реализации ИАС сегодня неразрешимы, а каких можно избежать при правильном выборе средств и методов создания ИАС? Хотя эти и им подобные вопросы не всегда могут иметь однозначные ответы, уже само понимание проблем, поднимаемых в них, является необходимым условием выбора рациональной стратегии создания информационной системы, ориентированной на анализ данных.
Анализ современных методов и средств создания ИАС показал, что особыми и достаточно интеллектуально развитыми принято считать аналитические системы, использующие методы математического моделирования. Это направление в создании аналитических систем, являясь весьма перспективным для исследования (включая прогнозирование) социально-экономического развития территорий, не рассматривалось основным при работе над настоящей диссертацией. Определение возможностей и ограничений использования этого направления требует отдельной исследовательской работы и выходит за рамки научных интересов соискателя. Тем не менее, подходы по использованию при создании ИАС математической модели (комплекса моделей) в кратком виде рассмотрены в настоящей главе именно как одно из самостоятельных направлений совершенствования методов и средств информационно-аналитической работы, примыкающее к так называемому интеллектуальному анализу данных. Последний в свою очередь по той же причине также рассмотрен лишь на уровне общих подходов.
Здесь уместно сделать одно терминологическое уточнение. Сегодня авторы работ, посвященных тематике создания аналитических систем, используют два основных варианта перевода термина «Data Warehouse», а именно: Хранилище данных и Информационное хранилище. Хотя второй вариант перевода, возможно, более точно отражает смысл концепции, не совсем корректен. Дело в том, что термин «Warehouse» используется в информационных технологиях достаточно давно. Например, 15 лет назад фирмой IBM предложена в качества создания аналитических систем концепция Information Warehouse. И, видимо, целесообразно согласиться с мнением А.А.Сахарова [84] о необходимости оставить термин «Информационное хранилище» за самостоятельным направлением, развиваемым фирмой IBM.
Кроме того, следует признать обоснованным проведение четкой классификации сформировавшихся концепций создания аналитических систем с указанием наиболее представительной концепции в каждом из видов [103]:
Хранилище данных (Data Warehouse);
Оперативная аналитическая обработка данных (OLAP);
Интеллектуальный анализ данных (Data Mining).
Наконец, следует указать, что достаточно подробно наиболее развитые отечественные и зарубежные средства создания и конкретные аналитические системы рассмотрены в приложении 2 настоящей диссертации. В данном разделе представлены лишь обобщенные данные обзора современных методов и средств создания ИАС, хотя сведения о концепции «Хранилища Данных» как об основополагающей, представлены в более развернутом виде. Далее сделана попытка ответить на вопрос о том, как взаимно соотносятся концепция «Хранилища Данных» и другие концепции создания аналитических систем. Характеризуя существо концепции «Хранилища Данных» не обойтись без её определения, которое дано автором этой концепции Инмоном В. [111]: «Хранилище данных - это предметно ориентированные, интегрированные, неизменчивые, поддерживающие хронологию наборы данных, организованные для целей поддержки управления, призванные выступать в роли единого и единственного источника истины, обеспечивающего менеджеров и аналитиков достоверной информацией, необходимой для оперативного анализа и поддержки принятия решений».
В основе концепции «Хранилищ Данных» лежат две основополагающие идеи.
Интеграция ранее разъединенных детализированных данных в едином хранилище данных, их согласование и, возможно, агрегация:
- исторических архивов (ретроспективных данных);
- данных из традиционных СОД;
- данных из внешних источников.
Разделение наборов данных, используемых для операционной обработки, и наборов данных, применяемых для решения задач анализа.
Предметом концепции «Хранилищ Данных» служат сами данные. После того как традиционная СОД реализована и начинает функционировать, она становится ровно таким же самостоятельным объектом реального мира, как и любой производственный процесс. А данные, которые являются одним из конечных продуктов такого производства, обладают ровно теми же свойствами и характеристиками, что и любой промышленный продукт: сроком годности, местом складирования (хранения), совместимостью с данными из других производств (СОД), рыночной стоимостью, транспортабельностью, комплектностью, ремонтопригодностью и т.д.
Именно с этой точки зрения и рассматриваются данные в хранилищах данных. То есть целью здесь являются не способы описания и отображения объектов предметной области, а собственно данные как самостоятельный объект предметной области, порожденной в результате функционирования ранее созданных информационных систем. Для правильного понимания данной концепции необходимо уяснение следующих принципиальных моментов [84]:
«Хранилища Данных» — это не средство анализа данных, скорее, это метод подготовки данных для анализа.
«Хранилища Данных» не предопределяет архитектуру целевой аналитической системы, а определяет состав процессов, выполняемых в рамках системы без указания где конкретно и как эти процессы должны выполняться.
«Хранилища Данных» предполагает осуществлять не просто некий логический взгляд на данные организации (как иногда это трактуется), а реализацию единого интегрированного источника данных.
Последний пункт достаточно принципиален, поэтому рассмотрим его более детально. Сегодня достаточно популярны решения, предполагающие интеграцию различных СОД на основе единого справочника метаданных (поддерживающего единый логический взгляд на данные организации), но не единого интегрированного источника данных. При этом по каждому новому запросу предполагается динамическая выгрузка данных из различных операционных источников (СОД), их динамическое согласование, агрегация и транспортировка к пользователю.
Очевидно, что для определенных классов приложений это решение вполне корректно. Но следует заранее понимать все накладываемые им ограничения.
Кроме единого справочника метаданных, средств выгрузки, агрегации и согласования данных, концепция «Хранилищ Данных» подразумевает: интегрированность, неизменчивость, поддержку хронологии и согласованность данных. И если два первых свойства (интегрированность и неизменчивость) влияют на режимы анализа данных (как будет показано ниже, без интегрированной базы данных, в которой используются специализированные методы хранения и доступа, по крайней мере, сегодня трудно говорить о реализации интерактивного динамического анализа), то последние два (поддержка хронологии и согласованность) существенно сужают список решаемых аналитических задач. Без поддержки хронологии (наличия исторических данных) нельзя говорить о решении задач прогнозирования и анализа тенденций. Но наиболее критичными и болезненными оказываются вопросы, связанные с согласованием данных.
Основным требованием аналитика является даже не столько оперативность, сколько достоверность ответа. Но достоверность, в конечном счете, и определяется согласованностью. Пока не проведена работа по взаимному согласованию значений данных из различных источников, сложно говорить об их достоверности.
Как уже было сказано выше, концепция «Хранилищ Данных» определяет лишь самые общие принципы построения аналитической системы и в первую очередь сконцентрирована на свойствах и требованиях к данным, но не способах их организации и представления в целевой базе данных (БД) и режимах их использования. То есть она фактически не затрагивает и оставляет свободу выбора в вопросах, относящихся:
— к конкретным способам представления данных в целевой БД (например многомерное или реляционное);
— режимам анализа данных (статический или динамический).
Использование многомерного концептуального представления данных о территории с целью комплексного анализа ее социально-экономического развития
Рассматривая вопрос целесообразности использования многомерного представления данных, концентрируемых ИАС, следует определиться с тем, что под термином «OLAP» будем понимать многомерный способ представления данных исключительно на концептуальном (логическом) уровне, но никак не в смысле физической реализации базы данных. Существенно, что автор концепции OLAP Кодд E. считает многомерное концептуальное представление данных (multi-dimensional conceptual view data) наиболее естественным взглядом управляющего персонала на объект управления [103]. Оно представляет собой множественную перспективу, состоящую из нескольких независимых измерений (осей гиперкуба), вдоль которых могут быть проанализированы определенные совокупности данных. Одновременный анализ по нескольким измерениям данных определяется как многомерный анализ. Каждое измерение включает направления консолидации данных, состоящее из серии последовательных уровней обобщения. При этом каждый вышестоящий уровнь соответствует большей степени агрегации данных по соответствующему измерению.
В качестве примера измерения многомерной информационной модели со значительным количеством обобщения можно привести измерение «Время», включающее год, квартал, месяц, декаду, день. В подобных случая становится возможным произвольный выбор желаемого уровня детализации информации по выбранному измерению, т.е. возможны процедуры спуска (drilling down) и подъема (rolling up). Первая из них соответствует движению от агрегированных данных к более детализированным, вторая, напротив, позволяет, поднимаясь по уровням, получать все более агрегированные данные.
Учитывая, что, с одной стороны, при решении задачи анализа социально-экономического развития территории используется довольно большой комплекс макропоказателей (до 200), сгруппированных в 15-20 разделах по отдельным сферам жизнедеятельности территории и имеющих многие виды разрезности (пространственной, временной, отраслевой и другие), а, с другой стороны, возможности OLAP-технологий, реализующих многомерное концептуальное представление данных и тем самым обеспечивая развитый набор функций для аналитической работы пользователей, можно сделать вывод о целесообразности использования именно этого подхода при решении указанной задачи. Тем более, что, например, анализ социально-экономического развития региона непременно сопряжен с работой аналитика по таким измерениям, как «Время», «Территории», «Отрасли», «Виды продукции», «Разделы и статьи бюджетной квалификации», «Виды налогов и сборов» и т.д. и т.п., которые в той или иной комбинации могут присутствовать в соответствующей многомерной информационной модели. Кроме того, из всего спектра возможных моделей можно выделить базовую модель — вырожденный гиперкуб, имеющий всего три измерения: «Время», «Территории» и «Показатели». Если принять решение о том, что максимальное число измерений в любом из типов гиперкубов не превышает 4-5 , то можно сделать заключение о комфортности работы аналитика в информационном пространстве такой размерности.
В качестве примера 4-мерной информационной модели на рис.2.1. представлен гиперкуб, используемый для анализа объемов промышленной продукции группы макропоказателей, характеризующих развитие промышленного сектора экономики региона в разрезе территорий и отраслей (видов продукции), а также во временном разрезе.
Как следует из рис. 2.1. измерение «Время» имеет три уровня: (год, квартал и месяц). Из этого ясно, что по этому измерению возможно выполнение процедур «спуска» и «подъема», т.е. агрегация или детализация анализируемых данных. Следует отметить, что именно такая организация измерения «Время» ведет к появлению двух областей однородности получения значений объемов промышленной продукции по всем остальным измерениям, а именно: значения за месяц накапливаются в базе данных в виде входной информации, а значения за квартал и год являются расчетными. Следует также понимать, что, выбрав, например, только показатель «объем промышленной продукции», какой-либо месяц и отрасль, в качестве результата будет получен объем промышленной продукции, произведенной данной отраслью в данный месяц областью в целом. Указав дополнительно территорию, аналитик получит более детальную информацию, а именно: какой объем продукции был произведен данной отраслью на данной территории в данный месяц
Таким образом, использование многомерного концептуального представления данных территории в виде комплекса типовых гиперкубов естественным образом реализует концепцию «Витрин данных», поскольку каждый из гиперкубов следует рассматривать как тематическую базу данных.
Что же касается физической организации базы данных ИАС, то вопрос использования стандартной реляционной СУБД или специализированной, реализованной в виде упорядоченных многомерных массивов, решается разработчиком ИАС на основе целого ряда требований к характеристикам ИАС. При этом определяющим являются требования к скоростным характеристикам и объемам данных, концентрируемым в ИАС. Но даже определившись с типом СУБД разработчик должен преодолеть «тиранию альтернатив» в части выбора конкретного комплекса инструментальных программных средств для создания ИАС. Такая ситуация обусловлена тем, что на мировом рынке OLAP-технологий в настоящее время представлены продукты более чем тридцати специализированных фирм. Поэтому выбор среди них инструментальных программных средств, оптимальным образом соответствующим потребностям разработчика ИАС при допустимых стоимостных показателях сопряжен с проведением неформального сравнительного анализа.
В состав критериев сравнительного анализа OLAP-продуктов должно быть включено:
Позиционирование продукта на рынке (доли рынка и объемы продаж);
Пользовательская функциональность (удобство работы с продуктом с точки зрения аналитика), обеспечивающая:
1). Аналитические функции, в том числе:
— навигация по иерархии измерений («rolling up» и «drilling down»);
— фильтрация данных;
— контекстный переход к объекту («drill throngh»);
— упорядочение данных («min» и «max»);
— группировка значений;
— анализ типа «что-если»;
— построение графиков и диаграмм, количество их типов;
2). Удобство настройки среды пользователя (количество возможных настроек, позволяющих конфигурировать среду удобным для аналитика образом);
3). Простота и удобство для конечного пользователя (степень комфортности работы аналитика при использовании каждой из функций);
Инструментальная функциональность OLAP-продукта (удобство описания метаданных, возможность групповой работы), обеспечивающая:
1). Описание метаданных, в том числе:
— структура данных (объекты базы данных и связи между ними);
— измерения (оси гиперкуба), в том числе иерархию измерений;
— показатели;
— источники данных;
— возможность объединения данных из нескольких источников (текстовые файлы, dbf-файлы, файлы excel и т.д.)
— использование запросов отбора данных, процедур и т.п. при построении гиперкубов; — возможности по работе с временными измерениями; наличие процедур «спуск» и «подъем» (rolling down, drilling up);
— удобство описания метаданных (язык программирования или вручную)
Проектирование сценариев информационно-аналитической работы как главный компонент ИАС
Особую значимость для повышения эффективности использования ИАС, как средства имеющего широкий спектр аналитических инструментов для выявления общих тенденций, закономерностей и аномалий в исследуемой информации, приобретает разрабатываемая при создании ИАС технология интерактивного взаимодействия аналитика с компьютеризованным комплексом.
Именно поэтому особое внимание при создании (комплексировании) программной оболочки ИАС должно быть удалено таким ее компонентом как проектировщик и исполнитель сценариев информационно- аналитической работы. При этом указанную работу целесообразно представить в виде циклической последовательности следующих шести процедур:
формирование запроса, включая конструирование интегрального критерия с указанием значений всех его элементов и установку (корректировку) требований по виду и объему выдаваемых данных (краткое название «Формирование запроса») ,
выборку из базы данных информации, соответствующей требованиям запроса {«Выборка»);
подготовку (преобразование) полученной информации в вид, удобный для восприятия пользователем {«Преобразование»);
выдача подготовленной информации или ее части на средство визуализации данных {«Выдача»);
изучение (анализ) пользователем полученной информации или ее части {«Анализ»);
получение пользователем каких-либо конечных выводов или данных по формированию нового (корректировки предыдущего) запроса {{(Результат»).
Графическая интерпретация данной циклической последовательности представлена на рис.3.13.
Следовательно, сценарий информационно-аналитической работы является циклическим дискретным процессом, причем процедура формирования запроса стимулирует выполнение остальных процедур.
Наиболее вероятным вариантом ведения информационно- аналитической работы является генерация множества запросов или их модификаций с измененными значениями элементов интегрального критерия или скорректированными требованиями по составу и форме предоставления выходной информации. Тогда на каждом цикле подобной работы аналитика с ИАС проектировщик сценариев должен (в ходе человеко-машинного диалога) сформировать соответствующее задание для исполнения сценариев. Характерным является то, что процедура по формированию запроса является единственной человеко-машинной процедурой, поскольку остальные выполняются либо только аналитиком либо только ИАС. Именно во время выполнения этой процедуры выбирается направление информационно-аналитической работы, именно эта процедура определяет (в значительной степени) эффективность дальнейших процедур и работы в целом.
Это требует, наряду с предоставлением аналитику достаточной степени свободы при формировании запроса, тщательно проработанного пользовательского интерфейса ИАС. Ведь прежде чем сформировать свой вопрос к ИАС, аналитик должен иметь возможность понять какая информация сконцентрирована в базе (хранилище данных), ее актуальность, наличие ретроспективы и т.д., а также оценить и выбрать вариант визуализации выходных данных. Набор этих действий можно условно определить как фазу «Подготовка». Только после этого должна следовать фаза (как правило, многошаговая) конструирования интегрального критерия и ввод значений его элементов. Данную фазу условно определим как «Критерий».
Далее идет фаза установки требований по составу и форме предоставления выходной информации (табличная, графическая, картографическая и т.д.). Эту фазу определим как «Ответ».
Укрупненный алгоритм процедуры «Формирование запроса», включающий указанные фазы, представлен на рис.3.14., а самих фаз — на рис.3.15-3.17
Следует отметить, что важно найти оптимальное соотношение между общим количеством изменений (осей гиперкуба информационной модели ИАС) и способностью аналитика извлекать знания из хранилища данных, поскольку практически любому человеку довольно трудно манипулировать абстрактным пространством с высокой мерностью. Несомненно, что наиболее необходимыми для информационно-анилитической работы в органах государственного и муниципального управления является две оси гиперкуба — «Время» и «Территории», наличие которых позволяет анализировать динамические процессы социально-экономического развития отдельных городов и районов региона, а также региона в целом. Более детально информационная модель ИАС, основанная на концепции многомерного гиперкуба, была представлена в 2.3.
При оперативном анализе комплекса показателей, характеризующего социально-экономическое состояние региона и его территорий, целесообразно в автоматическом режиме оценивать контролируемую информацию путем ее нормирования. Группы показателей (показатели) или территории могут менять цвет в зависимости от отклонения значений группы показателей от установленного базового значения (см. 2.1 и 3.4).
Технология создания хранилищ данных интегрированной ИАС с учетом требований используемых инструментальных средств
Проектирование хранилища данных каждого из уровней интегрированной ИАС должно начинаться только после разрешения разработчиками системы таких принципиальных (именно для данной части проекта ИАС) вопросов, как:
будет ли в качестве хранилища данных использована единая общекорпоративная база данных, оно будет представлять собой набор тематических баз данных (витрин данных) или это будет объединенный вариант, т.е. будет и первое и второе;
будет ли хранилище данных реализовано только на реляционной СУБД, только на многомерной СУБД или будет принят вариант использования СУБД и того и другого вида;
какие конкретно программные средства будут выбраны в качестве инструментальной среды для создания и эксплуатации ИАС.
Как было показано в 4.1. источников информации для создания хранилища данных ИАС (особенно для его центральной части) достаточно много, объемы поступающей информации (1.1.) значительны, а при развитии системы в связи с загрузкой в хранилище данных некоторой части информации с периодичностью «раз в неделю» и даже «раз в день» они возрастут многократно (в 5-6 раз). С другой стороны регламент проведения аналитической работы (особенно руководством Правительства Челябинской области) вряд ли может быть прогнозируемым. Учитывая данные обстоятельства целесообразно, отвечая на первый и второй из поставленных вопросов, использовать многоуровневую организацию хранилища данных ИАС, а именно:
первый уровень — общекорпоративные базы данных, т.е. центральное, локальные хранилища данных и локальные базы данных ИАС, реализуется на основе реляционной СУБД с нормализованной или слабо нормализованной схемой (детализированные данные);
второй уровень — тематические базы данных (витрины данных), реализуется на основе многомерной СУБД (агрегированные данные);
третий уровень — рабочие места пользователей, на которых непосредственно установлен аналитический инструментарий.
Подобное решение позволяет наиболее полно реализовать и использовать достоинства каждого из подходов:
компактного хранения детализированных данных и поддержки очень больших баз данных, обеспечиваемых СУБД реляционного типа;
простота настройки и хорошее время отклика при работе с агрегированными данными, обеспечиваемыми многомерными СУБД.
Следует помнить, что информация, сконцентрированная в реляционных СУБД, является базовой для нескольких десятков (как, например, применительно к центральному хранилищу данных ИАС) гиперкубов данных, предназначенных для комплексного анализа социально-экономического развития Челябинской области в целом и каждого из ее административно-территориальных образований.
Необходимо добавить, что реляционная форма представления данных, используемая в общекорпоративных базах данных, обеспечивает не только наиболее компактный способ хранения данных, но и может работать с терробайтами данных. В свою очередь использование для создания витрин данных многомерных СУБД гарантирует не только минимальное время обработки нерегламентированных запросов и выдачи нерегламентированного отчета, но и позволят динамически (на время сеанса работы пользователя) загрузить данные из реляционных баз данных. И хотя, при первичном обращении к витрине данных, время отклика ИАС будет увеличенным, такое решение обеспечивает высокую гибкость в использовании дискового пространства компьютерной техники пользователей, которая, как правило, используется в широком спектре функций. Тем более, что возможна разработка (на основе статистических данных по частоте и времени использования витрин данных) соответствующего регламента заблаговременного создания тех или иных гиперкубов данных.
Что же касается решения вопроса о выборе программных средств, то для СУБД реляционного типа он может решаться с достаточно большой степенью свободы в случае использования в качестве OLAP-продуктов разработок таких фирм как, например, CognoS или ORACLE, поскольку возможно их взаимодействия с целым рядом СУБД указанного типа. Так для центрального хранилища данных ИАС приемлемым вариантом можно считать использование СУБД Microsoft SQL Server. Технология проектирования подобной СУБД, основанная на использовании CASE-средств (в частности отмеченного в 2.4. программной среды ERwin), довольно тривиальна.
Выбор и использование инструментальных средств OLAP-продуктов производился на основе набора критериев для сравнительного анализа, представленного в 3.2. При этом, после присвоения весовых коэффициентов критериям (таблица 4.1.), анализировались следующие OLAP-продукты: Business Objects, Cognos, MicrosoftOLAP Services, Oracle Dscoverer, Oracle Express Server.
В результате первого (качественного) этапа анализа указанных продуктов были выявлены два продукта — семейство продуктов фирмы Cognos и Oracle Express, по которым производился второй (более детальный) этап анализа с использованием количественных показателей. В итоге получены результаты: семейство продуктов фирмы Cognos — 795 балла, Oracle Express Server — 724 балла. Более подробная информация сравнительного анализа предоставлена в таблице 4.2.
Далее технология создания хранилищ данных интегрированной ИАС будет рассмотрена с учетом принятия решения об использовании в качестве инструментальной среды для создания многомерных баз данных семейства OLAP-продуктов фирмы Cognos и следующих обстоятельств.
Если центральное хранилище данных в совокупности с комплексом витрин данных, формируемых по регламенту или запросам пользователей, а также аналогичные информационные ресурсы в функциональных блоках Правительства области создаются заново, то во многих профильных подразделениях процесс создания этих ресурсов может происходит путем реинжиниринга существующих информационных систем.
Наиболее полный технологический цикл создания многомерной базы данных, предусматривающий включение средств передачи информации на верхние уровни, необходим для подсистем ИАС нижнего уровня, т.е. подсистем подразделений и функциональных блоков Правительства области. Поэтому технология создания многомерных баз данных будет рассмотрена на примере создания указанных баз в ходе реинжиринга информационных систем комитетов и управлений Правительства области.
Ясно, что одна или более информационных систем, эксплуатируемых в профильном подразделении Правительства области, рассматриваются как хранилище данных и в принципе не требует какой-либо модификации (по крайней мере в связи с внедрением в подразделении технологий аналитической и интеллектуальной обработки данных). Это утверждение основано на том, что извлечение и преобразование данных из имеющихся баз данных с целью последующего использования в многомерной базе данных реализуется одним из инструментов семейства средств фирмы Cognos, а именно Impromptu Administrator, который поддерживает работу практически со всеми известными СУБД.
Для построения модели многомерной базы данных используется другой инструмент — Power Play Transformation Server. Этот же инструмент позволяет управлять процессом пополнения информацией многомерной базы данных и позволяет решить вопрос защиты и другие вопросы администрирования этой базы. Сформированная в многомерной базе данных аналитическая информация будет доступна пользователям через инструмент Power Play User. Именно это средство позволяет анализировать данные и строить отчеты в интуитивно понятной среде, не прибегая к программированию.
Важно, что другой инструмент Impromptu User позволяет работать с информацией существующей базы данных (или существующих баз данных), выступая в этом случае еще и интегрирующим элементом ИАС данного подразделения. Среди достоинств данного инструмента следует отметить следующие:
визуальное построение отчетов;
возможность встраивания в другие процедуры (OLE-технология);
широкий набор функций с возможностью встраивания собственных;
возможность настройки интерфейса (встроенный модуль для Visual Basic);
разграничение прав доступа в работе с информацией;
публикация результатов обработки информации в форматах html, pdf, Excel;
построение запросов и работа с готовыми отчетами через стандартный Web-браузер по технологии «тонкий клиент»;
интегрированность с другими средствами аналитической и интеллектуальной обработки данных семейства продуктов фирмы Cognos (Power Play, Scenario, 4Thought и др.).
To есть Impromptu User довольно мощное средство делового анализа, которое позволяет оуществлять запросы и создавать отчеты в рамках единого пользовательского интерфейса и обеспечивает высокую скорость построения нерагламентированных отчетов и выборки данных в среде с зашитой от несанкционированного доступа.
