Консалтинг и автоматизация в области управления
эффективностью банковского бизнеса

Публикации

Банки и технологии

Классификация аналитических систем. Три года спустя

Прошло почти 3 года с момента публикации статьи "Классификация аналитических систем" (Банки и Технологии, №1, 2000г, авторы - К. Маркелов и В.Чаусов), в которой были представлены результаты первого опыта систематизизации информации об аналитических системах. Эта статья вызвала большой интерес у банковских работников, разработчиков автоматизированных банковских систем и систем автоматизации предприятий. Свидетельство тому - републикация статьи на многих интернет-ресурсах, появление новых статей других авторов, посвященных классификации аналитических систем, использование статьи заказчиками при выборе аналитической системы. Появление статьи было своевременным, и она сыграла позитивную роль, помогая заказчикам ориентироваться в многообразии аналитических систем, а разработчикам - более четко позиционировать свои системы на рынке.

Спустя три года мы решили вернуться к этой теме и предложить новый вариант классификации, поскольку за это время произошли значительные изменения на рынке аналитических систем, а спрос на систематизированное изложение информации о них возрос.

Зачем нужна классификация аналитических систем?

Применение классификации аналитических систем позволяет существенно экономить время и усилия при поиске и выборе аналитических программных продуктов. В этом случае при выборе лучшего решения по соотношению "цена-качество" появляется возможность сравнения всего лишь нескольких решений вместо исследования десятков и сотен предложений от различных производителей.

Классификация позволяет также избавиться от необоснованных ожиданий еще на ранних этапах поиска решений. Например, можно не тратить тщетные усилия в поисках функциональности для бюджетного планирования в классических OLAP-системах. Для решения такой задачи существуют иные программные продукты. Комплексное представление всех классов аналитических систем позволяет заказчику построить эффективную систему поддержки принятия решений для своего предприятия посредством выбора и интеграции систем из различных классов.

Производители аналитических систем нуждаются в классификации в не меньшей степени, чем потребители. Понимание, к какому классу систем относится их продукция, позволяет обоснованно принимать решения об их создании и развитии. Например, уже невозможно ожидать появления на рынке нового OLAP-сервера после того, как с таким решением выступила корпорация Microsoft.

Почему сейчас нужна новая классификация аналитических систем?

Классификация систем с течением времени обязательно претерпевает изменения. Они связаны с появлением новых систем и технологий, с изменением уровня востребованности аналитических систем в банках и на предприятиях, с ростом подготовленности среднестатистического сотрудника организации к восприятию аналитики.

Отметим несколько важных факторов, сформировавшихся за прошедшие 3 года и приведших к необходимости изменения классификации аналитических систем.

Одним из них является широкое распространение не только в мире, но и на российском рынке продукта MS Analisys Services. В итоге политику производства и продвижения своих продуктов изменили такие лидеры отрасли как SAS, Oracle, Hyperion и др. Но самое главное, OLAP-средства стали доступны широким массам потребителей. Найджел Пендс (Nigel Pendse), авторитетный эксперт рынка OLAP и автор журнала OLAPReport, отмечал, что выход на рынок OLAP-сервера, превосходящего по производительности Hyperion Essbase и существенно более дешевого, в корне изменил представление о направлении развития абсолютно всех аналитических систем. В результате во многих российских банках и предприятиях уже сейчас с успехом применяются витрины данных, построенные на основе OLAP-сервера от корпорации Microsoft. А термин "OLAP" из разряда "шаманство для посвященных" перешел в понятие, сопровождающее повседневную деятельность многих специалистов банков и предприятий.

Вместе с тем, за последнее время в России и по всему миру также получили широкое распространение системы иного класса - OLAP-клиенты. Если раньше названия таких систем как Business Objects, Brio, Контур Стандарт и других были известны лишь небольшому кругу специалистов, то в настоящее время насчитываются сотни рабочих мест в России и странах СНГ, оснащенных этими системами.

Еще один важный фактор - это формирование большого спроса, а, следовательно, и предложений в области автоматизации процессов бюджетирования и финансового управления. Специализированные системы этого класса буквально за несколько лет приблизились по динамике инсталляций на новых рабочих местах до уровня тиражируемых систем автоматизации деятельности банков и предприятий.

И последнее - это успехи российских разработчиков систем поддержки принятия решений. Отечественные лидеры этой отрасли смогли перейти от единичных опытных эксплуатаций к тиражированию своих систем и массовым внедрениям. При этом российским разработчикам аналитических систем пришлось на самом раннем этапе своего развития конкурировать с аналогичными продуктами иностранного производства. Поэтому неслучайным явился их выход и на международный рынок. Примером тому может являться наличие на рынке схожих аналитических компонент от разных производителей - ContourCube (Россия) и DynamiCube (США).

Основа классификации аналитических систем

Разработка классификатора аналитических систем - очень сложная и ответственная задача, требующая тщательного анализа большого объема информации, изучения "чужого" опыта в области классификации аналитических систем и глубокого понимания предмета исследований. В частности, при разработке новой предлагаемой классификации был рассмотрен отечественный опыт в этой области. Помимо уже упомянутой статьи К.Маркелова и В.Чаусова, принимались во внимание обзоры аналитических и управленческих систем проекта "Корпоративные финансы" www.cfin.ru, классификатор систем автоматизации Международного конкурса "Бизнес-Софт" www.finsoft.ru, рекомендации ряда консалтинговых компаний, в частности КГ "Воронов и Максимов", цикл статей "Обзор систем бюджетирования" от компании Intersoft Lab, материалы с Вэб-сайта компании BaseGroup Lab www.basegroup.ru, Интернет-журнала "Клуб знатоков DWH, OLAP, XML" www.iso.ru , персональной Вэб-страницы К.Лисянского www.lissianski.narod.ru и многих других источников.

Эта информация была творчески переработана, поскольку применение неудачно разработанного классификатора порой приводит к казусам и заблуждениям. Например, при проведении VII Международного конкурса "Бизнес-Софт'2001" в одной номинации "Аналитическая визуализация данных" были представлены два принципиально разных продукта - OLAP-клиент (Контур Стандарт) и Хранилище данных (RS-DataHouse).

Аналитические системы в том конкурсе были представлены впервые, поэтому неудивительно, что организаторам конкурса не удалось сразу построить адекватный классификатор в этом классе программных продуктов. В настоящее время этот классификатор также совершенствуется, и его новый вариант будет представлен в 2003 году.

Еще один пример. В прошлой статье "Классификация аналитических систем" содержался метод классификации систем, предложенный одним из мэтров в разработке аналитических систем Е.Хохловым (Генеральный директор фирмы Програмбанк). Суть его заключалась в том, что виды выполнения анализа информации (рутинный, целевой, поисковый) были применены для классификации "уровня развития" аналитических систем. Совмещение этого метода с методами классификации систем в соответствии с их архитектурой и масштабом решаемых задач придавало предыдущей классификации несколько эклектический характер. Три года назад это было оправданным решением, но в настоящее время целесообразно отделить методические вопросы применения аналитических систем от их технологического построения.

Рассмотрим применение нового подхода к классификации на примере аналитической системы, предназначенной для расчета показателей на основании финансовой отчетности банка с целью установки лимитов на корсчета. Различные методики расчета лимитов в большинстве своем реализованы банковскими аналитиками с применением MS Access или MS Excel. В то же время реализация этой задачи с применением Хранилищ данных дает сходный результат, но несоизмеримо более сложный и затратный. На основании такого сравнения можно сделать поспешный вывод в превосходстве MS Excel, как аналитической системы, над Хранилищами данных, что по сути неверно. Поэтому правильно будет перенести вопросы применения аналитических систем в область консалтинга. Целесообразность такого подхода подтверждается мировой и отечественной практикой, когда выбор, поставка и внедрение аналитических систем осуществляется чаще всего с привлечением консалтинговых компаний.

Любой классификатор систем - это предмет для критики. У производителей программного обеспечения всегда присутствует желание "повлиять" на классификатор таким образом, чтобы их системы были представлены с лучшей стороны на фоне других. Чтобы не допускать таких "перекосов", за основу предлагаемой классификации аналитических систем была взята структура, проверенная мировым опытом, а значит, отражающая общие тенденции производства аналитических систем. При подготовке этой статьи были использованы материалы международных издательств OLAPReport и DM Review, международной организации TDWI (The Data Warehousing Institute), аналитических компаний ARC Advisory Group, IDC и SPEX, консалтинговой компании Meta Group.

Классификация аналитических систем

Для обозначения аналитических технологий и средств в целом принято использовать термин "Business Intelligence" или, сокращенно, - BI. Понятие BI объединяет различные средства и технологии анализа и обработки данных масштаба предприятия. На их основе создаются BI-системы. Их цель - повысить качество информации для принятия управленческих решений. BI-системы больше известны под названием Систем Поддержки Принятия Решений (СППР, DSS, Decision Support System). В качестве синонимов понятия "СППР" оперируют также понятиями "аналитическая система" или "управленческая система".

По оценкам IDC рынок BI состоит из 5 сегментов:
  1. OLAP-продукты,
  2. инструменты добычи данных,
  3. средства построения Хранилищ и Витрин данных,
  4. управленческие информационные системы и приложения,
  5. инструменты конечного пользователя для выполнения запросов и построения отчетов.

Рассмотрим более подробно каждый сегмент.

OLAP-продукты

На сегодняшний день в мире разработано множество продуктов, реализующих OLAP-технологии. Чтобы легче было ориентироваться среди них, существует несколько классификаций OLAP-продуктов:

  • по способу хранения данных,
  • по месту нахождения OLAP-машины,
  • по степени готовности к применению.

Рассмотрим классификацию систем по способу хранения данных. Напомним, что основная идея OLAP заключается в построении многомерных таблиц, которые будут доступны для запросов пользователей. Многомерные таблицы (многомерные кубы) строятся на основе исходных и агрегатных данных. И исходные и агрегатные данные для многомерных таблиц могут храниться как в реляционных, так и многомерных базах данных. Поэтому в настоящее время применяются три способа хранения данных: MOLAP (Multidimensional OLAP), ROLAP (Relational OLAP) и HOLAP (Hybrid OLAP).

Соответственно, OLAP-продукты по способу хранения данных делятся на три аналогичные категории:
  • В случае MOLAP, исходные и многомерные данные хранятся в многомерной БД или в многомерном локальном кубе. Такой способ хранения обеспечивает высокую скорость выполнения OLAP-операций. Но многомерная база в этом случае чаще всего будет избыточной. Куб, построенный на ее основе, будет сильно зависеть от числа измерений. При увеличении количества измерений объем куба будет экспоненциально расти. Иногда это может привести к "взрывному росту" объема данных, парализующему в результате запросы пользователей.
  • В ROLAP-продуктах исходные данные хранятся в реляционных БД или в плоских локальных таблицах на файл-сервере. Агрегатные данные могут помещаться в служебные таблицы в той же БД. Преобразование данных из реляционной БД в многомерные кубы происходит по запросу OLAP-средства. При этом скорость построения куба будет сильно зависеть от типа источника данных и порой приводит к неприемлемому времени отклика системы.
  • В случае использования Гибридной архитектуры исходные данные остаются в реляционной базе, а агрегаты размещаются в многомерной. Построение OLAP-куба выполняется по запросу OLAP-средства на основе реляционных и многомерных данных. Такой подход позволяет избежать взрывного роста данных. При этом можно достичь оптимального времени исполнения клиентских запросов. Следующая классификация - по месту размещения OLAP-машины. По этому признаку OLAP-продукты делятся на OLAP-серверы и OLAP-клиенты.
  • В серверных OLAP-средствах вычисления и хранение агрегатных данных выполняются отдельным процессом - сервером. Клиентское приложение получает только результаты запросов к многомерным кубам, которые хранятся на сервере. Некоторые OLAP-серверы поддерживают хранение данных только в реляционных базах, другие - только в многомерных. Многие современные OLAP-серверы поддерживают все три способа хранения данных: MOLAP, ROLAP и HOLAP. Одним из самых распространенным в настоящее время серверным решением является OLAP-сервер корпорации Microsoft.
  • OLAP-клиент устроен по-другому. Построение многомерного куба и OLAP-вычисления выполняются в памяти клиентского компьютера.

OLAP-клиенты также делятся на ROLAP и MOLAP. А некоторые могут поддерживать оба варианта доступа к данным. Среди одних из первых клиентских OLAP-средств можно назвать Oracle Discoverer. Те же возможности обеспечивает и отечественная разработка - продукты Аналитической платформы Контур от компании Intersoft Lab.

У каждого из этих подходов есть свои "плюсы" и "минусы". Нельзя однозначно говорить о преимуществах серверных средств перед клиентскими и наоборот. На практике такой выбор является результатом компромисса "эксплуатационных показателей", стоимости программного обеспечения и затрат на разработку, внедрение и сопровождение аналитической системы.

Следующая классификация OLAP-продуктов - по степени готовности к применению. Различают: OLAP-компоненты, инструментальные OLAP - системы и конечные OLAP-приложения.

  • OLAP-компонента - это инструмент разработчика. С ее помощью разрабатываются клиентские OLAP-программы. Различают MOLAP и ROLAP-компоненты: MOLAP-компоненты являются инструментами генерации запросов к OLAP-серверу. Они также обеспечивают визуализацию полученных данных. ROLAP-компоненты содержат собственную OLAP-машину. OLAP-машина обеспечивает построение OLAP-кубов в оперативной памяти и отображает их на экране. Одна из наиболее доступных, но в то же время и одна из самых слабых OLAP-компонент - Decision Cube в составе Borland Delphi.
  • Инструментальные OLAP-системы - это программные продукты, предназначенные для создания аналитических приложений. Различают две категории инструментальных OLAP-систем: системы для программирования и системы для быстрой настройки. Системы для программирования - это среда разработчика аналитических систем. В ней, путем программирования запросов к данным, алгоритмов расчета и OLAP-интерфейсов можно создать OLAP-приложение для конечного пользователя. Представителем этого класса программного обеспечения является аналитическая платформа Knosys Pro Clarity. С другой стороны, OLAP-системы для быстрой настройки - это средства, которые предоставляют визуальный интерфейс для создания OLAP-приложений без программирования. Такие системы включают визуальный генератор запросов, встроенные алгоритмы агрегации и инструменты настройки пользовательских OLAP-интерфейсов. В такой технологии реализована большая часть инструментов пакета BusinessObjects и Аналитической платформы Контур.
  • Наконец, к третьей категории OLAP-продуктов по степени готовности к применению относятся конечные OLAP-приложения. Это готовые прикладные решения для конечного пользователя. Они требуют только установки, и, не всегда, настройки под специфику пользователя. Пример такого решения - OLAP-приложения системы "Контур Стандарт", подготовленные для анализа данных в различных отраслях и для решения различных аналитических задач.

Инструменты добычи данных

Knowledge Discovery in Databases (KDD)- это процесс поиска полезных знаний в "сырых" данных. KDD включает в себя вопросы подготовки данных, выбора информативных признаков, очистки данных, применения методов "раскапывания данных" (Data Mining), а также обработки и интерпретации полученных результатов.

Центральным элементом этой технологии являются методы Data Mining, позволяющие обнаруживать знания при помощи математических правил:
  • Фильтрация. Необходимость в фильтрации возникает, когда нужно отделить полезную информацию от искажающего его шума за счет сглаживания, очистки, редактирования аномальных значений, устранения незначащих факторов, понижения размерности информации и т.д. Применение фильтрации в системах анализа данных относится к первичной обработке данных и позволяет повысить качество исходных данных, а, следовательно, и точность результата анализа.
  • Деревья решений. Они позволяют представлять правила в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение. Под правилом понимается логическая конструкция, представленная в виде "если... то...". Деревья решений применяются при решении задач поиска оптимальных решений на основе описанной модели поведения.
  • Ассоциативные правила. Они позволяют находить закономерности между связанными событиями. Примером такого правила служит утверждение, что в том случае, если произошло событие А, то произойдет и событие В с вероятностью C. Впервые это задача была предложена для нахождения типичных шаблонов покупок, совершаемых в супермаркетах, поэтому иногда ее еще называют анализом рыночной корзины (market basket analysis).
  • Генетические алгоритмы. Они применяются при решении задач оптимизации. Эти методы были открыты при изучении эволюции и происхождения видов. Генетические алгоритмы нужны для настройки нейронных сетей, а также решения различных задач, когда можно составить описание возможных вариантов решения в виде вектора параметров, и известен критерий, определяющий эффективность каждого варианта. Генетические алгоритмы применяются для составления расписаний, портфелей ценных бумаг, заполнения контейнеров при перевозке (пересылке) грузов, выбор маршрутов движения, конфигурации оборудования и т.д.
  • Нейронные сети. Они реализуют алгоритмы на основе сетей обратного распространения ошибки, самоорганизующихся карт Кохонена, RBF-сетей, сетей Хэмминга и других подобных алгоритмов анализа данных. Нейронные сети применяются для решения самых различных задач - восстановление пропусков в данных, поиск закономерностей, классификация и кластеризация данных, прогнозирование и моделирование.

Инструменты добычи данных поставляются заказчикам двумя способами:

  • в составе OLAP-систем,
  • в виде самостоятельных систем Data Mining.

Функциональность Data Mining в той или иной степени полноты реализации включена в аналитические системы различных производителей - Oracle, Hyperion, SAS и т.д. Однако, наиболее "продвинутыми" в этом плане являются специализированные системы математического анализа данных. В России авторитетным разработчиком систем в технологии KDD является компания "Лаборатория BaseGroup".

Средства построения Хранилищ и Витрин данных

Хранилища и Витрины данных создаются с применением специализированных средств построения Хранилищ\витрин данных. К этим средствам относятся:

  • средства проектирования Хранилищ данных,
  • средства извлечения, преобразования и загрузки данных,
  • готовые предметно-ориентированные ХД.

Средства проектирования Хранилищ данных входят в состав реляционных и многомерных СУБД от таких производителей как Microsoft, Oracle, IBM, Sybase и других. Также часто применяются универсальные CASE-инструменты, такие как BPWin и ErWin. После описания структур хранения данных специальными системными утилитами выполняется их генерация. Такой подход к созданию Хранилища данных позволяет построить индивидуальное Хранилище или Витрину данных в сжатые сроки. В тоже время такой подход затрудняет перенос наработок от одного заказчика к другому и обмен практическим опытом в решении аналитических задач.

Альтернативным способом построения Хранилищ данных является применение других специализированных средств - Студий для построения Хранилищ данных. Такие продукты предлагают набор шаблонов и заготовок для быстрого создания Хранилища. В составе Студии может предоставляться базовая модель Хранилища данных, ориентированная на определенную бизнес-сферу. С помощью таких инструментов можно значительно быстрее создать Хранилище данных, воспользовавшись опытом предыдущих решений и начать его эксплуатацию. Продукты этого класса, в частности, предлагает компания Sybase - это продукт Industry Warehouse Studio.

ETL-средства (extraction, transformation, loading) - средства извлечения, преобразования и загрузки данных) обеспечивают три основных процесса, используемые при переносе данных из одного приложения или системы в другие. ETL-средства извлекают информацию из исходной базы данных, преобразуют ее в формат, поддерживаемый базой данных назначения, а затем загружают в нее преобразованную информацию. Эти средства обычно входят в состав функциональности реляционных и многомерных СУБД или Студий для построения Хранилищ данных. Однако существуют и специализированные системы, реализующие только ETL-функции. Классической ETL-системой является, например, продукт Ascential DataStage компании Ascential Software.

И, наконец, существует еще один способ построения Хранилищ и Витрин данных - это применение готовых предметно-ориентированных Хранилищ данных. Это самый надежный способ построить Хранилище данных в сжатые сроки. Готовые к эксплуатации Хранилища данных характеризуются наличием в них механизмов средств построения Хранилищ/Витрин данных, взаимосвязанных посредством единого словаря метаданных. К ним относятся - процедуры извлечения, преобразования, очистки и загрузки данных, функции генерации баз данных и процедур обработки, механизмы построения выборок данных, интерфейсы просмотра и анализа данных. Ограничением в применении готовых Хранилищ данных является их предметная ориентация. Например, финансовое Хранилище данных невозможно применить для решения задач оптимизации химического производства. Примером готового предметно-ориентированного Хранилища данных является система Контур Корпорация от компании Intersoft Lab. Применение предметно-ориентированных Хранилищ данных отражает общемировую тенденцию развития рынка BI, наметившуюся в последнее время - предоставления платформ для "быстрой" разработки аналитических приложений.

Управленческие информационные системы и приложения

Существует еще один очень разносторонний класс аналитических систем. Это - конечные решения для управленцев и аналитиков. Исторически сложилось так, что технологическая основа реализации таких систем существенно различается. Одни из них построены на современных аналитических инструментах, другие - с применением базовых информационных технологий. Чтобы легче ориентироваться в этих системах вводится 3 классификации:

  • по виду решаемой задачи,
  • по масштабу решаемой задачи,
  • по технологическому построению.

Аналитические системы классифицируются по виду задач, решаемых с их помощью. Среди видов задач можно выделить:

  • Анализ финансового состояния банка или предприятия, выполняемый по внешним публичным данным, таким как баланс, отчет о финансовых результатах, иногда - приложение к балансу и отчет о движении денежных средств. Системы - Audit Expert (Про-Инвест), Альт-финансы (Альт), АБФИ (Вестона), Аналитик, АФСП, АДП (ИНЭК) и другие.
  • Инвестиционный анализ - для комплексной оценки эффективности инвестиционных проектов и принятия решения об их финансировании, Project Expert (Про-Инвест), Альт-Инвест (Альт) и другие.
  • Подготовка бизнес-планов, учитывающих вариации схем производства, сбыта и финансирования, комплексного анализа маркетинговой ситуации, чувствительности проекта по основным параметрам. Системы - Project Expert (Про-Инвест), Альт-Инвест (Альт) и другие.
  • Маркетинговый анализ, позволяющий оценить положение компании на рынке, провести сравнительный анализ ее сбытовой деятельности с конкурентами, сформировать оптимальную структуру сбыта, определить доходность различных сегментов рынка и товаров, долю рынка компании, темпы роста и другое. Системы - Marketing Expert (Про-Инвест), Касатка и другие.
  • Управление проектами, применяемое для разработки расписания исполнения проекта, определения критического пути и резервов времени исполнения операций проекта; потребности проекта в финансировании, материалах и оборудовании, анализ рисков и планирование расписания с учетом рисков и так далее. Системы - MS Project (Microsoft), Open Plan (Welcom Software Technology) и другие.
  • Бюджетирование, обеспечивающее планирование, учет и анализ по центрам финансовой ответственности, бизнесам, продуктам в разрезе активов и пассивов, доходов и расходов, выполнение аллокаций и расчет финансового результата. Системы - Hyperion Pillar, Comshare MPC, Контур Корпорация.Бюджет (Intersoft Lab) и другие.
  • Финансовое управление, включающее помимо задач бюджетирования задачи финансового планирования, управленческого учета, трансфертного управления ресурсами, оценки бизнесов по методу ABC, анализа активов, пассивов, рисков. Системы - Oracle Financial Services Applications (Oracle), Контур Корпорация. Финансовое управление (Intersoft Lab) и другие. На практике встречается гораздо больше видов задач, но здесь был перечислен ряд только тех задач, которые нашли свое воплощение в тиражных аналитических системах. Некоторые из этих систем могут решать только одну задачу, другие являются комплексом, включающим в себя широкий перечень взаимосвязанных задач.

Аналитические системы также классифицируются по масштабу решаемой задачи:

  • Системы автоматизации труда одного специалиста. Это так называемые DeskTop-системы, предназначенные для автоматизации труда узкого специалиста. Как правило, для эксплуатации таких систем не требуется помощь службы автоматизации.
  • Системы для коллективной работы группы сотрудников. Такие системы содержат средства, обеспечивающие коллективную работу пользователей в режиме реального времени с единой базой данных в рамках прав доступа. Такие системы уже требуют выполнения функций администрирования и сопровождения.
  • Системы для применения в территориально распределенной корпорации. Эти системы включают в себя свойства аналитических систем для групп пользователей, а также средства взаимодействия с удаленными подразделениями корпорации (филиалами) в виде технологий сбора данных, дистрибуции НСИ и отчетов. Системы данного класса сложны в эксплуатации, но при этом обеспечивают наиболее полное решение аналитических и управленческих задач.

По технологическому построению аналитические системы можно условно разделить на монолитные и настраиваемые:

  • Монолитные аналитические системы характеризуются тем, что аналитическая методика в них реализуется в коде самой программы, а не в виде настройки универсального аналитического инструмента. В этом случае аналитическая система не требует, как правило, выполнения существенных работ по своей настройке (за исключением систем класса Data Mining). Она может использоваться практически сразу после установки. В то же время такие системы не "гибкие" и плохо поддаются изменениям в соответствии в требованиями пользователя. Монолитные системы разрабатываются с применением базовых средств программирования и СУБД.
  • Настраиваемые аналитические системы характеризуются тем, что при их создании применяются универсальные аналитические инструменты и специализированные средства, такие как OLAP, Студии, ETL, Data Mining. Их применение позволяет повысить качество аналитической системы, дает перспективы развития, но в то же время приводит к удорожанию конечного решения. Прикладные аналитические системы, выполненные в виде настроек универсальных аналитических инструментов, требуют большего объема работ при внедрении, однако позволяют реализовывать уникальные аналитические методики, принятые в организации.

Компромиссом между этими двумя классами систем является реализация аналитической методики в виде Приложения универсальной аналитической системы. Такой подход позволяет выполнять их тиражирование независимо друг от друга. Но подобных систем в настоящее время на рынке представлено крайне мало.

Инструменты конечного пользователя для выполнения запросов и построения отчетов

Системы данного класса (Query & Reporting) предназначены для формирования запросов к информационным системам в пользовательских терминах, а также их исполнение, интеграцию данных из разных источников, просмотр данных с возможностями детализации и обобщения и построение полноценных отчетов, как экранных, так и печатных. Предполагается, что уровень подготовки специалиста, создающего отчеты, может быть приравнен к опыту среднего пользователя Excel. Поэтому пользователь составляет запрос к источнику данных, используя заранее подготовленный программистом каталог терминов (семантический слой). Визуализация результатов запроса может быть представлена пользователю в различном виде - плоские или многомерные таблицы, графики, диаграммы, различные специализированные интерфейсы.

Инструменты конечного пользователя для выполнения запросов и построения отчетов поставляются двумя способами:
  • в составе OLAP-систем,
  • в виде специализированных систем Query & Reporting.

Практически каждая система класса OLAP снабжена средствами Query & Reporting. Эти средства могут быть как встроенными в основной продукт (примеры - Business Objects, "Контур Стандарт", Oracle Discoverer), так и выделенными в отдельный продукт (например, система Impromptu в составе продуктов Cognos).

Также существуют и специализированные системы генерации и дистрибуции отчетов. Наиболее распространенные из них - это продукты компаний Crystal Decisions и Actuate. В то же время эти системы имеют в своем составе собственные OLAP-средства. Поэтому провести четкую грань между OLAP-системами и системами класса Query & Reporting практически невозможно. Пример - продукты компании MicroStrategy, которые различные аналитики и издания с равной регулярностью относят к продуктам обоих классов.

Классификатор

В заключение статьи приведем полный классификатор аналитических систем, рассмотренных выше

OLAP-продукты Способ хранения данных MOLAP
ROLAP
HOLAP
Место размещения OLAP-машины OLAP-серверы
OLAP-клиенты
Степень готовности к применению OLAP-компоненты
Инструментальные OLAP-системы
OLAP-приложения
OLAP-продукты Метод Data Mining Фильтрация
Деревья решений
Генетические алгоритмы
Ассоциативные правила
Нейронные сети
Способ предоставления В составе OLAP-систем
В виде самостоятельных систем Data Mining
Средства построения Хранилищ и Витрин данных Средства проектирования Хранилищ данных В составе СУБД
Универсальные средства
Студии
Средства извлечения, преобразования и загрузки данных В составе СУБД
Универсальные средства
Готовые, предметно-ориентированные ХД
Управленческие информационные системы и приложения Виды решаемой задачи Анализ финансового состояния
Инвестиционный анализ
Подготовка бизнес-планов
Маркетинговый анализ
Управление проектами
Бюджетирование
Финансовое управление
Масштаб решаемой задачи Автоматизация труда одного специалиста
Для коллективной работы группы сотрудников
Для применения в территориально-распределенной корпорации
Технологическое построение Монолитные
Настраеваемые
Инструменты конечного пользователя для выполнения запросов и построения отчетов В составе OLAP-систем
В виде систем Query & Reporting


Авторы надеются, что предложенный классификатор будет полезен заказчикам при выборе специализированного программного обеспечения, и для построения корпоративных систем поддержки принятия решений на основе интеграции аналитических инструментов из различных классов.