Vad är MOLAP (Multidimensional OLAP) i Data Warehouse?

By: David Carter David Carter
Hours Uppdaterad

Vad är MOLAP?

Flerdimensionell OLAP (MOLAP) är en klassisk OLAP som underlättar dataanalys genom att använda en flerdimensionell datakub. Data förberäknas, sammanfattas på nytt och lagras i en MOLAP (en stor skillnad mot ROLAP). Med hjälp av en MOLAP kan en användare använda flerdimensionell vydata med olika aspekter.

Flerdimensionell dataanalys är också möjlig om en relationsdatabas används. Då skulle det krävas att man sökte efter data från flera tabeller. Tvärtom har MOLAP alla möjliga kombinationer av data redan lagrade i en flerdimensionell array. MOLAP kan komma åt dessa data direkt. Därför är MOLAP snabbare jämfört med Relational Online Analytical Processing (ROLAP).

MOLAP Architecture

MOLAP ArchiTecture innehåller följande komponenter:

  • Databasserver
  • MOLAP-server
  • Front-end verktyg
MOLAP Architecture
MOLAP Architecture

Med tanke på ovan givna MOLAP Architecture:

  1. Användarförfrågan rapporterar via gränssnittet
  2. Applikationslogikskiktet i MDDB hämtar lagrad data från databasen
  3. Applikationslogikskiktet vidarebefordrar resultatet till klienten/användaren.

MOLAP-arkitekturen läser huvudsakligen den förkompilerade datan. MOLAP-arkitekturen har begränsade möjligheter att dynamiskt skapa aggregationer eller att beräkna resultat som inte har förberäknats och lagrats.

Till exempel kan en redovisningschef köra en rapport som visar företagets P/L-konto eller P/L-konto för ett specifikt dotterbolag. MDDB skulle hämta förkompilerade vinst- och förlustsiffror och visa det resultatet för användaren.

Nyckelpunkter i MOLAP

  • I MOLAP kallas operationer bearbetning.
  • MOLAP-verktyg bearbetar information med samma mängd svarstid, oavsett nivån på sammanfattningen.
  • MOLAP-verktyg tar bort komplexiteten i att utforma en relationsdatabas för att lagra data för analys.
  • MOLAP-server implementerar två nivåer av lagringsrepresentation för att hantera täta och glesa datamängder.
  • Lagringsutnyttjandet kan vara lågt om datamängden är sparsam.
  • Fakta lagras i flerdimensionell array och dimensioner används för att fråga dem.

Implementeringsöverväganden i MOLAP

  • I MOLAP är det viktigt att ta hänsyn till både underhåll och lagringsimplikationer för att skapa strategier för att bygga kuber.
  • Proprietära språk som används för att fråga MOLAP. Det innebär dock omfattande klick-och-drag-stöd till exempel MDX by Microsoft.
  • Svårt att skala eftersom antalet och storleken på kuber som krävs när dimensionerna ökar.
  • API:er bör ge möjlighet att sondera kuberna.
  • Datastruktur för att stödja flera ämnesområden för dataanalyser där data kan navigeras och analyseras. När navigeringen ändras måste datastrukturen omorganiseras fysiskt.
  • Behöver olika färdigheter och verktyg för databasadministratören att bygga, underhålla databasen.

MOLAP Fördelar

Nedan är fördelarna med MOLAP:

  • MOLAP kan hantera, analysera och lagra stora mängder multidimensionell data.
  • Snabb frågeprestanda tack vare optimerad lagring, indexering och cachelagring.
  • Mindre datastorlekar jämfört med relationsdatabasen.
  • Automatisk beräkning av högre nivå av aggregatdata.
  • Hjälp användare att analysera större, mindre definierade data.
  • MOLAP är enklare för användaren, det är därför det är en lämplig modell för oerfarna användare.
  • MOLAP-kuber är byggda för snabb datahämtning och är optimala för skivnings- och tärningsoperationer.
  • Alla beräkningar är förgenererade när kuben skapas.

Nackdelar med MOLAP

Följande är nackdelarna med MOLAP:

  • En stor svaghet med MOLAP är att den är mindre skalbar än ROLAP eftersom den bara hanterar en begränsad mängd data.
  • MOLAP introducerar också dataredundans eftersom det är resurskrävande
  • MOLAP-lösningar kan vara långa, särskilt på stora datavolymer.
  • MOLAP-produkter kan stöta på problem vid uppdatering och sökning av modeller när dimensionerna är fler än tio.
  • MOLAP kan inte innehålla detaljerade data.
  • Lagringsutnyttjandet kan vara lågt om datamängden är mycket spridd.
  • Den kan hantera den enda begränsade mängden data, därför är det omöjligt att inkludera en stor mängd data i själva kuben.

MOLAP-verktyg

Här är de populära MOLAP-verktygen:

  • Essbase – Verktyg från Oracle som har en flerdimensionell databas.
  • Expressserver – Webbaserad miljö som körs på Oracle databas.
  • Yellowfin – Verktyg för affärsanalys för att skapa rapporter och instrumentpaneler.
  • Rensa Analytics – Clear analytics är en Excel-baserad affärslösning.

Sammanfattning

  • Multidimensional OLAP (MOLAP) är en klassisk OLAP som underlättar Dataanalys genom att använda en flerdimensionell datakub.
  • MOLAP-verktyg bearbetar information med samma mängd svarstid, oavsett nivån på sammanfattningen.
  • MOLAP-server implementerar två nivåer av lagring för att hantera täta och glesa datamängder.
  • MOLAP kan hantera, analysera och lagra avsevärda mängder multidimensionell data.
  • Det hjälper till att automatisera beräkningen av högre nivå av aggregatdata
  • Den är mindre skalbar än ROLAP eftersom den bara hanterar en begränsad mängd data.

Du kanske gillar: