Технологии управления данными

Наиболее распространенными являются следующие технологии управления данными: OLTP, OLAP и Data Mining. Их характеристики приведены в Табл. 3. К OLTP относят системы с часто меняющейся информацией – биллинговые системы, склад, бухгалтерию. Системы OLAP позволяют обрабатывать большие объемы информации и работают с агрегированными данными, предназначенными для аналитиков организации. Так, например, аналитика не интересуют данные по каждой конкретной сделке, ему интересны сводные данные по месяцам. Системы Data Mining, в отличие от относительно простых алгоритмов OLAP, применяют сложные алгоритмы обработки данных, позволяющие из кажущегося беспорядочного набора данных извлечь практически полезные закономерности – знания.

Табл. 3. Технологии управления данными

Техн.	OLTP	OLAP	Data Mining
Описание технологии	OLTP– системы оперативной обработки транзакций.	OLAP– системы аналитической обработки.	Data Mining(буквально – добыча данных) – интеллектуальный анализ данных – обнаружение в сырых данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний (закономерностей), необходимых для принятия решений.
Данные, транзакции	Данные часто изменяются. Короткие транзакции. Пользователи активно конкурируют друг с другом	Данные запоминаются навсегда в хранилищах данныхи не изменяются. Сложные статистические запросы.	Длинные транзакцииприменяются в научных исследованиях. Интеллектуальная информационная система может обрабатывать транзакции месяцы. Пример – расшифровка генома человека.
Типы баз данных	Различные БД, в основном – реляционные	Из больших хранилищ выбираются данные под нужды групп заказчиков – витрины данных. Данные упорядочиваются в многомерные кубы с возможностью разных уровней агрегации.	Фреймовые модели Семантические сети Продукционные системы Экспертные системы Дедуктивные БД Интеллектуальные БД (рассматриваются в курсе «Представление знаний в информационных системах»)
Пример	База данных «Продажи», схема которой представлена на Рис. 3	OLAP-куб, показанный на Рис. 4. Он представляет собой трехмерный куб с измерениями «продавцы», «товары» и «время» с несколькими уровнями агрегации (например, число, месяц, год).
Запросы	Выбрать товары, средняя стоимость продаж которых > 10	Построить график скользящего среднего кол-ва продаж товара по месяцам (окно – три месяца).	Data Mining позволяет находить закономерности следующих видов: Ассоциация– определяет взаимосвязанность событий. Например, товары, которые покупают одновременно. Последовательность– события взаимосвязаны во времени. Классификация– выявить признаки, по которым объекты объединяются в группу. Кластеризация– группы заранее не заданы, разделить множество на группы и предложить признаки разделения. Прогнозирование– экстраполяция временных рядов Алгоритмы этих закономерностей рассматриваются в курсе «Интеллектуальные информационные системы»

Рис. 4. OLAP-куб

Четвертая технология управления данными – это неструктурированныеи слабоструктурированные данные. К ним относятся текст и гипертекст, например, технологии HTML и XML. Запросы на поиск документа, содержащего нужную информацию, ранжирование таких документов (запросы в Интернет-поисковиках).

Д/З 2. Для предметной области из Д/З 1 придумайте многомерный куб и 2 примера запросов OLAP и Data Mining.

Вопросы для самопроверки:

1. В каких технологиях управления данными данные не изменяются?

2. В каких технологиях управления данными существуют длинные транзакции?

3. В каких технологиях управления данными пользователи активно конкурируют друг с другом?