Hvad er MOLAP (Multidimensional OLAP) i Data Warehouse?

Hvad er MOLAP?

Multidimensional OLAP (MOLAP) er en klassisk OLAP, der letter dataanalyse ved hjælp af en flerdimensionel datakube. Data forudberegnes, opsummeres igen og lagres i et MOLAP-system (en væsentlig forskel fra ROLAP). Ved hjælp af en MOLAP-motor kan en bruger udforske flerdimensionelle datavisninger med forskellige facetter.

Flerdimensionel dataanalyse er også mulig, hvis en relationel database anvendes, men den tilgang ville kræve forespørgsler om data fra flere tabeller. Tværtimod har MOLAP alle mulige kombinationer af data allerede gemt i et flerdimensionelt array. MOLAP kan tilgå disse data direkte. Derfor er MOLAP hurtigere sammenlignet med Relational Online Analytical Processing (ROLAP).

Hvorfor bruge MOLAP?

Organisationer vælger MOLAP, når forespørgselshastighed, forudsigelig svartid og brugervenlighed er vigtigere end rå skalerbarhed. Fordi data er præaggregeret, får analytikere øjeblikkelig feedback, mens de opdeler på tværs af hierarkier som tid, region og produkt.

• Konsistente svartider på under et sekund på tværs af opsummeringsniveauer.
• Optimeret lagring, indeksering og caching til analytiske arbejdsbelastninger.
• Intuitiv kubemodel, der afspejler, hvordan forretningsbrugere tænker om data.
• Indbygget understøttelse af komplekse beregninger og tidsserieanalyse.

Sådan fungerer MOLAP

MOLAP indlæser data fra kildesystemer, beregner aggregeringer på tværs af alle dimensionskombinationer og gemmer resultaterne i en kompakt flerdimensionel struktur. Når en bruger foretager en forespørgsel, læser MOLAP-serveren forudberegnede værdier direkte og springer overping dyre joins eller runtime-aggregering.

Dette præberegningstrin er det, der giver MOLAP sin hastighedsfordel. Ulempen er en længere kubebyggelsesproces og højere lageromkostninger, når dimensionerne bliver meget brede eller meget sparsomme.

MOLAP Architecture

MOLAP Architecture omfatter følgende komponenter:

• Database server
• MOLAP server
• Front-end værktøj

I betragtning af ovenstående MOLAP Archilære:

1. Brugeren anmoder om rapporter via brugergrænsefladen.
2. Applikationslogiklaget i MDDB henter de lagrede data fra databasen.
3. Applikationslogiklaget videresender resultatet til klienten/brugeren.

MOLAP-arkitektur læser hovedsageligt de prækompilerede data. MOLAP-arkitektur har begrænsede muligheder for dynamisk at skabe aggregeringer eller til at beregne resultater, der ikke er forudberegnet og gemt.

For eksempel kan en regnskabschef køre en rapport, der viser virksomhedens resultatopgørelse eller resultatopgørelsen for et specifikt datterselskab. MDDB'en vil hente prækompilerede resultatopgørelsestal og vise dette resultat for brugeren.

Kubelagringslag

MOLAP-servere implementerer typisk to niveauer af lagerrepræsentation, et for tætte områder af kuben og et andet for sparse områder. Denne dobbelte model opbevarer ofte forespørgte skiver i hurtige hukommelsesresidente strukturer, mens den komprimerer sjældent berørte kombinationer på disken.

Nøglepunkter i MOLAP

• I MOLAP kaldes operationer behandling.
• MOLAP-værktøjer behandler information med samme svartid uanset opsummeringsniveauet.
• MOLAP-værktøjer fjerner kompleksiteten ved at designe en relationsdatabase til at gemme data til analyse.
• MOLAP-serveren implementerer to niveauer af lagringsrepræsentation til at håndtere tætte og sparsomme datasæt.
• Lagerudnyttelsen kan være lav, hvis datasættet er sparsomt.
• Fakta gemmes i et flerdimensionelt array, og dimensioner bruges til at forespørge på dem.

Implementeringsovervejelser i MOLAP

• I MOLAP er det vigtigt at overveje både vedligeholdelses- og lagermæssige konsekvenser, når man udarbejder en strategi for opbygning af kuber.
• Proprietære sprog bruges til at forespørge på MOLAP. De involverer dog omfattende klik-og-træk-understøttelse, for eksempel MDX af Microsoft.
• Det er vanskeligt at skalere på grund af antallet og størrelsen af ​​de nødvendige kuber, når dimensionerne øges.
• API'er bør muliggøre probing af kuberne.
• Datastrukturer skal understøtte flere emneområder inden for dataanalyse, hvor data kan navigeres og analyseres. Når navigationen ændres, skal datastrukturen fysisk omorganiseres.
• Databaseadministratoren har brug for et andet sæt færdigheder og værktøjer for at opbygge og vedligeholde databasen.

MOLAP fordele

Nedenfor er fordelene ved MOLAP:

• MOLAP kan administrere, analysere og gemme betydelige mængder multidimensionelle data.
• Hurtig forespørgselsydeevne takket være optimeret lagring, indeksering og caching.
• Mindre størrelser af data sammenlignet med relationsdatabasen.
• Automatiseret beregning af et højere niveau af samlede data.
• Hjælper brugerne med at analysere større, mindre definerede data.
• MOLAP er nemmere for brugeren, hvilket er grunden til, at det er en passende model for uerfarne brugere.
• MOLAP-terninger er bygget til hurtig datahentning og er optimale til udskærings- og terningsoperationer.
• Alle beregninger er forudgenereret, når kuben oprettes.

Ulemper ved MOLAP

Følgende er ulemperne ved MOLAP:

• En stor svaghed ved MOLAP er, at den er mindre skalerbar end ROLAP, da den kun håndterer en begrænset mængde data.
• MOLAP introducerer også dataredundans, da det er ressourcekrævende.
• MOLAP-løsninger kan være langvarige, især ved store datamængder.
• MOLAP-produkter kan støde på problemer under opdatering og forespørgsel efter modeller, når dimensionerne er mere end ti.
• MOLAP er ikke i stand til at indeholde detaljerede data.
• Lagerudnyttelsen kan være lav, hvis datasættet er meget spredt.
• Den kan kun håndtere en begrænset mængde data, derfor er det umuligt at inkludere en meget stor mængde data i selve kuben.

MOLAP vs ROLAP vs HOLAP

Valg af den rigtige OLAP-model afhænger af datamængde, forespørgselsmønstre og opdateringshastighed. Sammenligningen nedenfor fremhæver, hvordan MOLAP adskiller sig fra ROLAP og HOLAP.

• MOLAP: Gemmer præberegnede kuber; hurtigste forespørgsler; begrænset skalerbarhed og dimensionsantal.
• ROLAP: Operatester direkte på relationelle tabeller; skalerer til massive data; forespørgsler kan være langsommere.
• HOLAP: Kombinerer begge; gemmer opsummeringsdata i kuber og detaljerede data i relationelle lagre.

MOLAP værktøj

Her er de populære MOLAP-værktøjer:

• Essbase – Værktøj fra Oracle der har en multidimensionel database.

• Express Server – Web-baseret miljø, der kører videre Oracle databasen.

• gulfinnet – Virksomhedsanalyseværktøjer til oprettelse af rapporter og dashboards.

• Ryd Analytics – Clear analytics er en Excel-baseret virksomhedsløsning.

• SAP Business Intelligence – Forretningsanalyseløsninger fra SAP.

Ofte Stillede Spørgsmål