خلاصه امکانات سیستم خدمات و اطلاعات مدیریت سام

* قابلیت استخراج اطلاعات مديريتی چندبعدی از حجم انبوه داده ها (میلیونها رکورد) بر پایه تکنولوژی OLAP
* اجرا در محيط وب با بهره گيری از رابط گرافیکی آسان و در عين حال پيشرفته
* سرعت بی نظیر درنمایش گزارشات پويا و ايستا در مقایسه با سیستمهای سنتی اطلاعات مدیریت
* قابلیت تعریف و تشکیل درخت دانش سازمانی و تعریف شناسنامه کامل اقلام اطلاعاتی سازمان
* قابلیت استخراج اطلاعات از منابع ناهمگون (SQL Server ، Oracle و ...)
* قابلیت تعریف فرمهای دینامیک از نوع جدولی (Grid) جهت نگهداری داده های ناموجود در سيستمهای مکانیزه
* قابلیت ساخت گزارشات دینامیک بر اساس اقلام اطلاعاتی درخت دانش سازمانی
* قابلیت نمایش داده ها به شکل چندبعدی در ابعاد مختلف مکان ، زمان و سایر دسته بندیهای قابل تعریف...
* قابلیت حرکت در داده ها در هر يک از ابعاد از جزء به کل و بر عکس Drill down / Drill up
* ارائه سرجمع داده ها به تفکیک هر يک از ابعاد و گروه بندیهای تعریف شده
* دارای کاوشگر داده ها به عنوان یک مرورگر اطلاعات چندبعدی با قابلیتهای متنوع نموداری و جدولی با پشتیبانی کامل از تاریخ فارسی و استاندارد یونی کد
* امکان مقایسه مقدار دو یا چند قلم اطلاعاتی به شکل گرافیکی در بازه های زمانی کاملا متفاوت و گسته (مثل مقایسه مجموع فروش بهار سال 86 با زمستان سال 75)
* امکان معرفی چارت تشکيلاتی سازمان به شکل کامل با پستهای سازمانی و افراد حقيقی
* امکان جستجوی آسان در تمامی انواع اطلاعات مانند اقلام اطلاعاتی ، حوزه ها و سرفصل های اطلاعاتی ، گزارشات ، فرمها و ...
* امکان مدیریت دسترسی ها به اطلاعات سازمان بر اساس پست سازمانی و نيز نقش سيستمی
* امکان تعریف شاخص های حياتی موفقیت سازمان (CSF) و نظارت دائم بر تغییرات آنها (KPI)
* دارای پانل مدیریتی گرافیکی (داشبورد مدیریتی) برای نظارت پیوسته بر مقادیر KPI
* امکان نظارت پيوسته بر اعتبار سرويس های اطلاعاتی بر حسب هر قلم اطلاعاتی و تاریخ آخرین اطلاعات رسیده
* پشتیبانی از ساخت گزارشات چندبعدی OLAP (شبه PIVOT) با استفاده ازسکوی Microsoft Reporting Services و ابزارهای Microsoft Report Builder و MS Visual Studio با سهولت فراوان نسبت به مدل سنتی ساخت گزارشات مدیریتی
* امکان ارسال (Upload) فایل گزارشات چاپی (مانند RDL) به MS-Reporting Service و نمایش گزارشات ارسال شده بطور همزمان در لیست گزارشات قابل ارائه سیستم
* دارای زیر سیستم انتقال پیامهای بین کاربران سیستم و ارتباط با مدیر سیستم
* دارای راهنمای پویا با ویرایشگر WYSIWYG صفحات راهنما
* امکان همراهی با متخصصان IT سازمان جهت ساخت گزارشات طراحی شده در مرحله شناخت
* نصب شده در بانک اقتصاد نوين و استخراج ترازهای مالی اطلاعات خام) مورد تایید حسابرسی بانک
* امکان جایگزینی لوگوی گرافیکی صفحات و تغییر تمامی تیترهای وابسته به سازمان توسط مدیر سیستم
* گارانتی کامل يکساله به همراه آموزش راهبران و کاربران سيستم و رفع هر گونه اشکال
* برخورداری از کادر پشتیبانی قوی و امکان عقد قرارداد نگهداری به هر شکل و مدت
* امکان راه اندازی و عملیاتی کردن کامل سیستم با اجرای مطالعات عمیق شناخت منابع سازمانی (KRM)

آشنایی با مفاهیم استفاده شده در معماری و تکنولوژی سام

سام یک سیستم اطلاعاتی تحلیلی است. سیستمهای اطلاعاتی تحلیلی که از آنها به نام سیستم های اطلاعاتی در مقابل نام سیستم های عملیاتی یاد می شود آن دسته از نرم افزارهایی هستند که قادر به تحلیل داده های انبوه حاصل از سیستمهای عملیاتی باشند. سيستم های عملياتی در سازمانهای بزرگی مانند بانکها، شرکتهای هواپيمایی و فروشگاههای زنجيره ای عمدتا هر روزه با حجم عظيمی از پردازشهای گوناگون روبرو هستند. اين حجم زياد از پردازش اطلاعات که ناشی از عملکرد روزانه و وسيع اين گونه سازمانهاست به توليد فراوان و روزانه اطلاعات منجر شده و مخازن اطلاعاتی اين گونه سيستم ها با داده های انبوه و دقيق ناشی از تراکنش های مالی يا اداری آکنده می شوند. بطور سنتی داده های اين سازمانها به دو دسته تقسيم شده اند :

• رکوردهای پایه
• رکوردهای عملياتی

فرض بر این است که رکوردهای پایه حاوی اطلاعات پایه هستند که معمولا چندان تغيير نمی کنند در حاليکه رکوردهای عملياتی با توجه به طبيعت عمليات تجاری حتی بطور ساعتی تغيير خواهند کرد . تحليل همين رکوردهای عملياتی به عنوان داده های حاصل از عمليات تجاری و بدست آوردن نتايجی قابل اطمينان که راهگشا در تصميم گيريهای کلان مديريتی باشند از ديرباز مورد توجه طراحان سيستم های نرم افزاری بوده است. در همين راستا آناليز و پردازش اين اطلاعات در سطحی که به مديران کمک کند تا تصميماتی درست برای موفقيت سازمان خود بگيرند از اهميت زيادی برخوردار است. در اين گونه موارد به جای تحليل مستقيم داده ها از درون سيستم های عملياتی ، کار به سيستم های تحليلی واگذار می شود که خارج از حوزه سیستم های عملیاتی قرار دارند.
پايگاه‌داده‎‌های تحليلی (OLAP) با توجه به اهمیت آنها يکی از موضوعاتی است که در دو دهه‌ی اخير کار­های تحقيقاتی زيادی بر روی آن انجام شده است.  اين پايگاه‌ها به عنوان پاسخ بسياری از نيازمندی­های در حوزه سيستم­های اطلاعاتی سازمانها مطرح شده­اند و همراه با آن‌ها راه حلها و فناوری‌های جديد و قدرتمندی مانند اکتشاف دانش، داده کاوی و پردازش­های تحليلی برخط به عنوان درجات گوناگون سيستم های پشتيبان مديريتی ظاهر شده­اند:

شکل 2- انواع تکنولوژیهای سیستم های اطلاعاتی
طی اين سالها تلاشهای مستمر متخصصين صنعت نرم افزار با هدف استخراج اطلاعات از رکوردهای عملياتی سازمان  و نظم دهی آن به منظور  انجام تحليل های مختلف، به ايجاد تکنيکهای مختلف جمع آوری ، پالايش و آناليز داده ها  نظير OLAP ، Data Mart ، Data Warehousing  و Data Mining منجر شده است.
جهت به دست آوردن يک تصوير ذهنی بهم پیوسته از اين تکنولوژيها، بهتر است مروری بر تعاريفی نظير داده (data) و اطلاعات (Information) ، انبار داده (Data Warehouse) ،مرکز داده (Data Mart) و داده‌کاوی (Data mining) و سرانجام OLAP (که سیستم سام بر پایه آن طراحی شده است) داشته باشيم.
در ادامه ، سعی خواهد شد ابتدا اين تعاريف مهم در هر يک از حوزه های علمی بطور خلاصه بررسی شود تا خواننده محترم در دنبال کردن این راهنما با مشکلات کمتری روبرو گردد .

تفاوت داده (Data) با اطلاعات (Information)

در بررسی سيستم های اطلاعاتی داده (Data) با اطلاعات (Information) متفاوت است. داده مقاديری قابل اندازه گيری ، قابل مشاهده و قابل ضبط از حقايق (Facts) است که معمولا در هر سيستم عملياتی وجود دارد مانند قيمت هر قلم کالای فروش رفته ، حال آنکه اطلاعات مجموعه‌ای يکپارچه ای از حقايق است که برای تصميم‌گيری قابل استفاده است و معمولا از تحليل داده ها بدست می‌آيد.

انبار داده ها يا Data Warehouse

انبار داده ها يا Data Warehouse يک پايگاه اطلاعاتی است که وظايف جمع آوری ، يکپارچه سازی و ذخيره‌سازی اطلاعات يک سازمان را با هدف "توليد اطلاعات دقيق"، "به موقع" و "مناسب جهت تحليل" بر عهده دارد.
به عبارتی ، انبار داده کلکسيونی از داده هاست که برای پشتيبانی از فعاليتهای تحليل و گزارش دهی به بهترين نحوه آماده شده است. طبق تعريف آقای Bill Inmon ، يک انبار داده ، يک سيستم پايگاه اطلاعاتی است که موضوع گرا ، زمان شمول ، دائمی و غير قابل تغيير و يکپارچه باشد. و اينک شرح هر يک از اين چهار مورد:

• موضوع گرا باشد: به اين معنی که تمامی وقايع و روابط جهان خارج در آن منعکس شده باشد. در حقيقت برای رسيدن به نوعی از تمرکز موضوعی، داده ها از بانکهای اطلاعاتی عملياتی بصورت گزینشی به انبار داده منتقل ميشوند . این استراتژی به ایجاد یک انبار داده بر اساس یک مطلب یا موضوع خاص کمک ميکند و بنابراین کاوش انبار داده ها برای پرس و جوهای موضوعی با سرعت بيشتری انجام ميشود.
• زمان شمول باشد : به اين معنی که تمامی تغييرات داده های آن در طول زمان در آن رهگيری و ضبط شود تا در گزارشات تحليلی مورد استفاده قرار گيرد. رکوردها در اين سيستم بر اساس یک برچسب زمانی نگهداری ميشوند تا درک ترتيب زمانی وقایع تسهيل شود.

• دائمی و غيرقابل تغيير باشد: به اين معنی که هيچ داده ای در آن بازنويسی يا حذف نشود. رکوردهای داده در انبار داده ها هرگز بطور مستقيم روزآمد نميشوند . برای هر تغييری در ابتدا داده های عملياتی روزآمد ميشوند و سپس بگونه ای مقتضی به انبار داده منتقل ميشوند . این مساله ثبات داده ها را برای استفاده های وسيعترو مراجعات آتی تضمين ميکند .

• يکپارچه باشد: به اين معنی که داده های تمامی يا بخشی از برنامه های کاربردی سازمان بدون هيچ تناقض و تعارضی در آن ذخيره شده باشد. در يک انبار داده ها، اطلاعات بگونه ای سازماندهی شده‌اند تا با حذف موارد تکراری و چند عنوانه یکپارچگی رکوردها حفظ شده و به ایجاد ارجاع های متقابل کارآمد بين رکوردها کمک نموده و ارجاع دهی را تسهيل نماید.

انبار داده برای اهداف برنامه ریزی بلندمدت و راهبردی طراحی ميشوند . در نتيجه انبار داده برخلاف سيستم‌های عملياتی که “کار مدار ” است متمرکز بر موضوعات خاصی است. واضح است که انبار داده اساسا برای پرس و جوهای پشتيبان تصميم گيری ساخته شده است و بر همین اساس سازماندهی وعمليات انبار داده بايستی چنان طراحی شود تا نيازهای اطلاعاتی روزمره یا معمولی را نيز پاسخگو باشد .
بدليل حجم بسيار بالای چنين پایگاه اطلاعاتی یک سيستم کامپيوتری پيشرفته برای عمليات انبارسازی داده‌ها لازم است. همچنين یک بانک اطلاعات مجزا شامل ابرداده (متاديتا) که مشخصه هایی نظير نوع، فرمت، مکان و پدیدآورندگان داده‌های ذخيره شده در یک انبار داده ها را توصيف ميکند نيز برای کمک به کاربران و مدیران داده ها ساخته ميشود .
جدول زير مقايسه ای بين سيستم های انبارداده ها و سيستم های عملياتی را نشان می دهد:

تاريخچه انبارداده ها

انبار داده ها به عنوان نوع مشخصی از سيستم های ديتابيس در طول سالهای پايانی دهه 80 و اوائل دهه 90 مورد توجه قرار گرفت. اين نوع از سيستم ها در پاسخ به نياز روزافزون برای کسب اطلاعات تحليلی و مديريتی از داده‌های درون سيستم های عملياتی (بخوانيد OLTP ) ابداع شد. سيستم های عملياتی به دلايل ذيل فاقد کارائی و امکانات لازم برای ارائه چنين اطلاعاتی اند:

• زمان زيادی برای گزارش گيری تلف کرده و ضمن گزارش گیری سيستم های عملياتی را کند می کند
• طراحی ديتابيس سيستم های عملياتی مناسب گزارش گيری های تحلیلی نيست
• اکثر شرکتها دارای چندين سيستم عملياتی هستند و گزارش گيری گسترده و يکپارچه از آنها ممکن نيست
• طراحی گزارشات از سيستم های عملياتی معمولا به برنامه های کند و گران قيمت منجر می شود

در پاسخ به اين نيازها ، ديتابيس های خاص اطلاعات تحليلی و مديريتی روز به روز بيشتر طراحی شدند و ابزارهای لازم برای انتقال داده ها از سيستم های مختلف (کامپيوترهای بزرگ ، مينی و شخصی) و از منابع داده‌ای مختلف مانند بانک های اطلاعاتی ، صفحات گسترده و ... برای اين سيستم ها طراحی شدند. اين قابليت ها در کنار امکانات گزارش گيری آسان و دور ماندن از فشارهای عملياتی به رشد روز افزون اين سيستمها منجر شد.
نظر به پيشرفت تکنولوژی (پايين آمدن هزينه و بالارفتن سرعت) و به دليل بالا رفتن سطح توقعات و نيازمنديها (بارگیری شدن سريعتر داده ها و کارايی بيشتر) ، سيستم های انبارداده نيز واجد مراحل تکاملی متعدد زير هستند:

• مرحله اول : Offline Operational Databases

در اين گونه سيستم ها ، داده ها از سيستم عملياتی به يک سيستم آفلاين تنها بشکلی ساده کپی می‌شوند تا از فشار کاری سيستم های عملياتی خارج شده و برای پردازش های تحليلی آماده شوند.

• مرحله دوم :Offline Data Warehouse

در اين گونه از سيستم ها داده ها به شکل منظم (روزانه ، هفتگی و ...) از سيستم های عملياتی به سيستم انبارداده ها کپی شده و مضاف بر آن ، ساختار داده ها نيز برای گزارش گيری از يک ساختار منسجم Integrated پيروی می کند.

• مرحله سوم : Real Time Data Warehouse

در اين گونه از سيستم ها ، داده های انبارداده به ازای هر تراکنش يا رخداد (یعنی به ازای هر تغيير) در سيستم های عملياتی تغيير می‌کند و مطابق تغييرات بروز می شود.

• مرحله چهارم : Integrated Data Warehouse

در اين گونه از سيستم ها ، انبار داده تراکنش ها يا رخدادهايی برای اثر گذاشتن بر سيستم های عملياتی توليد می کند که بر فعاليت روزمره سيستم های عملياتی و سازمان تاثير گذار است.

اجزای معماری انبارداده ها

اجزای اصلی معماری يک سيستم انبار داده ها به شکل ذيل است:

در حالت بهینه انبار داده بدليل اندازه و تنوعش، اگر مبتکرانه پردازش شود ميتواند به توليد اطلاعاتی منجر شود که در وهله اول آشکار نيستند . با انتخاب متناسب داده ها، بکار گرفتن فنون مختلف غربال گری و تفسير زمينه ای داده های ذخيره شده ميتواند منجر به کشف الگوها یا رابطه هایی شود که بينش نویی به تصميم گيرنده دهد. به اين عمليات با عنوان داده کاوی رجوع می شود. داده کاوی دراصل لزوما" نياز به سازماندهی یک انبار داده ندارد اما با ايجاد يک انبار داده ها ، طبعا بستری مناسب برای داده کاوی (Data Mining) نيز ايجاد می شود.

مرکز داده ها يا Data Mart

Data Mart نوع خاص و کوچک از انبارداده ها (Data Warehouse) است و همانند آنها حاوی کپی های غيرقابل تغيير از داده ها هستند که برای آناليز وضعيت گذشته جمع آوری می شوند با اين تفاوت که Data Mart برای کار در يک حوزه کاری مشخص (نه کل حوزه کاری سازمان) و برای تحليل داده های خاص آماده می شود. می توان در داخل يک شرکت چندين Data Mart داشت که هر يک برای يک يا چند بخش تجاری طراحی شده باشد. هر Data Mart می تواند وابسته به ديگر ِData Mart ها يا مستقل از آنها باشد. هر Data Mart ، اقلام اطلاعاتی (Fact ) و ابعاد (Dimension ) های خود را دارد که در صورت وابستگی به ساير Data Mart ها می تواند با آنها اشتراک داشته باشد.

Data Mining

توصيف و کمک به پيش بينی دو کارکرد اصلی داده کاوی هستند. بعنوان مثال برآورد ارزش آینده یک متغير يا طرح ریزی کردن يک روند که همواره به پيش بينی نياز دارد مثالهای از اين دو کارکرد اصلی هستند. برای عملی شدن هریک از اين دو کارکرد چند گام ابتدایی اما مهم روی داده ها باید اجرا شوند که از این قرارند:
١. انتخاب داده ها
٢. پاک سازی داده ها
٣. غنی سازی داده ها
۴. کد گذاری داده ها

1- انتخاب داده ها : با داشتن يک هدف کلی ، انتخاب مجموعه داده های اصلی برای تحليل، اولين گام داده کاوی است. رکوردهای لازم ميتواند از انبار داده ها و یا بانک های اطلاعاتی عملياتی استخراج شود .

2- پاک سازی داده ها : رکوردهای داده جمع آوری شده؛ اغلب از آنچه آلودگی داده ها نامگذاری شده است رنج می برند و بنابراین لازم است پاکسازی شوند تا از یکدستی فرمت آنها اطمينان حاصل شود، موارد تکراری حذف شده و کنترل سازگاری دامنه بعمل آید .

3- غنی سازی داده ها : ممکن است داده های گردآوری شده از جنبه های خاصی ناقص یا ناکافی باشند . در این صورت داده های مشخصی باید گردآوری شوند تا بانک اطلاعات اصلی را تکميل کنند . منابع مناسب برای این منظور باید شناسایی شوند . این فرایند مرحله غنی سازی داده ها است.

4- کدگذاری داده ها : در پايان یک سيستم کدگذاری مناسب نيز معمولا" جهت انتقال داده ها به فرم ساختاربندی شده جدید؛ که متناسب برای عمليات داده کاوی باشد پيش بينی ميشود.

بعد از انجام مراحل فوق داده ها برای داده کاوی آماده است. پس از آن با بکار بردن يکسری فنون ويژه و متنوع می توان به سوالات موردنظر که هدف از داده کاوی است پاسخ داد. فنون داده کاوی بسيار متنوعند چرا که هر تکنيکی که بتواند بينش جدیدی از داده ها را استخراج کند ميتواند داده کاوی به حساب آید . بعنوان مثال برخی از ابزارهای رایج بکار گرفته شده برای داده کاوی می توان به ابزارهای پرس و جو ، فنون آماری ، مصور سازی ، یادگيری مبتنی بر مورد ، درختان تصميم گيری ، قوانين وابستگی ، شبکه های عصبی و الگوریتم های ژنتيکی اشاره کرد.

داده کاوی در توليد چهار نوع دانش ذیل مفيد است:
- دانش سطحی (کاربردهای SQL )
- دانش چند وجهی (کاربردهای OALP )
- دانش نهان (تشخيص الگو و کاربردهای الگوریتم یادگيری ماشينی)
- دانش عميق (کاربردهای الگوریتم بهينه سازی داخلی)

از آنجا که داده کاوی با بانکهای اطلاعاتی بزرگ سروکار دارد، به شکل ایده آلی با تکنولوژی Client/Server سازگار شده است . کاربردهای عمومی داده کاوی بيشتر شامل تقسيم کردن داده ها در خوشه های لازم، کدگذاریهای مناسب، کاوش برای الگوها و طراحی کردن با استفاده از فنون آماری و الگوریتمهای ژنتيکی است . تعداد زیادی از بسته های نرم افزاری واجد این جنبه های ابزارهای داده کاوی با درجات متفاوتی از جامعيت در دسترس هستند . برای نمونه می توان به SPSS يا Oracle OLAP Server يا DB2 OLAP Server اشاره کرد.

منظور از OLAP چیست؟

سيستم های OLAP نام خود را از عبارت On Line Analytical Processing به معنای سيستم های پردازش تحلیلی برخط گرفته اند. اين سيستم ها ، سيستم هايی هستند که برای پاسخ سريع به سوالات و کوئريهای تحليلی ای روی داده های "چند بعدی" طراحی شده اند. نام OLAP در حقيقت با دستکاری کوچکی در نام سيستم های OLTP ساخته شده که خود به معنی سيستمهايی است که پردازش آنلاين تراکنش ها را بر عهده دارند (On Line Transaction Processing ).  بطور معمول اگر بخواهيم مشابه همين پرس و جوهای تحليلی را روی سيستم های اطلاعاتی عادی OLTP اجرا کنيم ممکن است نتايج در زمانی طولانی و غيرعملی بازگردانده شود حال آنکه استفاده از OLAP تضمين می کند که اطلاعات و گزارشات تحليلی با زمان پاسخ مناسبی به کاربر تحويل شود.  OLAP خود به شاخه ای گسترده تر از نرم‌افزارهای تحليلی کامپيوتر تعلق دارد که خود شامل Data Mining ، Relational Reporting ، ETL و BI میباشد.

کاربردهای OLAP

کاربردهای معمول OLAP عبارتند از : گزارشات تجاری فروش ، بازاريابی ، گزارشات مديريتی ، مديريت کارايی تجاری (BPM ) ، بودجه بندی ، پيش بينی مالی ، گزارشات مالی و موارد مشابه...
سيستم های OLAP داده های خود را به نحوی خاص نگهداری می کنند و از اين نظر مانند يک ديتابيس عمل می‌کنند. اين سيستم ها از نظر سرعت در برخورد با داده های چند بعدی بهتر از خويشاوندان Relational خود عمل می کنند و از اينرو به اين سيستم ها ، بانکهای اطلاعاتی سلسله مراتبی (Hierarchical) هم گفته می‌شود. يک ديتابيس چند بعدی معماری ای از ديتابيس بوده که اطلاعات Aggregate شده را بگونه ای نگهداری می کند که تمامی اجزاء داده ای با اهميت با اجزايی که به عنوان ابعاد می باشند به شکل متقاطع در ارتباط باشند. بعنوان مثال يک ديتابيس چند بعدی می تواند فروش کل ساليانه را با ماه ، خط توليد و فروشنده متقاطع سازد. حاصل اين تقاطع اين است که گزارشات بسيار متنوعی مثل مجموع فروش در ماه خاص يا بهترين فروشنده سال و ... از سيستم به راحتی قابل استخراج است.
در شکل زير نمايش ساده ای از داده های چندبعدی را ملاحظه می کنيد:

در مثال فوق ، جزء داده ای "مجموع فروش" داده با اهميت ماست که بنام قلم اطلاعاتی یا Fact خوانده می شود و به هريک از پارامترها و اجزای داده ای نظير "سال" ، "مشتری" و ... نام بعد يا Dimension اطلاق می گردد.
سيستم های OLAP در مواردی کاربرد دارند که اولا داده ها در حجم بسیار زیادی وجود داشته و محتاج آنالیز و گزارش گیری باشند و در عین حال کاربر نهايی به عامل زمان توجه بسيار داشته باشد، آناليزهای داده‌ای پيچيده بوده و راحتی استفاده از سيستم نيز پارامتر مهمی باشد.

نحوه عملکرد سيستم های OLAP

سيستم OLAP يک تصوير از داده های منابع معرفی شده خود را برداشته و آنها را در يک مکعب اطلاعاتی (Cube) مرتب می کند. پرس و جوهای بعدی می تواند روی اين مکعب اجرا شود. در عمل ثابت شده که کوئريهای پيچيده روی سيستم های OLAP به زمانی حدود تنها 0.1 درصد از زمان اجرای کوئری مشابه روی سيستم‌های OLTP احتياج دارند.
برای دستيابی به چنين سرعت بالا و زمان اندکی ، سيستم های OLAP  از روشهای خاصی جهت نگهداری داده ها استفاده می کنند. آنها برای رسيدن به اين هدف ، جداول اطلاعاتی خود را در آرايش های ستاره ای يا دانه برفی می چينند. در ميان اين معماری ، جداول حقايق (Facts ) قرار دارند که در عمل تمامی Fact هايی را نگهداری می کنند که کوئری ها را شکل می دهند. جداول ابعاد (Dimension Tables) جداولی هستند که به جداول Facts لينک شده اند و نشان می دهند که چگونه می توان اجتماعی از داده های رابطه ای را مورد پردازش قرار داد.

انواع سيستم های OLAP

سيستم های OLAP امروزه بر سه نوع اصلی دسته بندی می شوند:

• سيستم های OLAP چند بعدی MOLAP
• سيستم های OLAP رابطه ای ROLAP
• سيستم های OLAP از نوع HOLAP

سيستم های MOLAP بدليل ساختار خاص نگهداری اطلاعات از سرعت بالاتری نسبت به ساير مدلها برخوردارند . اين سيستم ها جداول داده های Fact و Dimension را با ايندکسهای فشرده نگهداری کرده و عملا کوئريهای تحليلی پيچيده را در حداقل زمان اجرا می کنند.
سيستم های ROLAP عمليات OLAP را در قالب استفاده از مدل سنتی Relational ساماندهی می کنند و لذا از سيستم های MOLAP کندتر عمل می کنند و به فضای بيشتری نيز نياز دارند.
سيستمهای HOLAP بشکل بينابينی پياده سازی شده اند يعنی داده های Fact را در جداول فشرده و داده های Dimension را در فضای رابطه ای نگهداری می کنند لذا از مزايای هردومدل سود می برند اما ممکن است هنگام دسترسی به ريز داده ها بدلیل حجم فراوان آنها دچار کندی انتقال دیتا شوند.
سیستم موجود سام در حالت پيش فرض در حالت MOLAP کار می کند اما قادر به کار با دو حالت دیگر نيز هست.

تکنولوژی نرم افزاری سام

سام به شکل کاملا تحت وب و بر اساس سکوی نرم افزاری دات نت مایکروسافت طراحی شده است و از سرویس OLAP تعبیه شده در سکوی SQL Server 2005 بهره می گیرد. با استفاده از این سرویس که سال گذشته بیشترین میزان فروش را در بین تمامی محصولات OLAP به خود اختصاص داده بود سام قادر است به تمامی منابع داده ای اعم از بانکهای اطلاعاتی اوراکل و SQL Server و ... متصل شود و عملا امکان تعریف شناسنامه اقلام اطلاعاتی سازمان در هرمنبع اطلاعاتی که موجود باشند را فراهم کرده است. توسط سام شما به راحتی می توانید گزارشاتی را استخراج کنید که از اقلام داده ای نامتجانس و از منابع اطلاعاتی غیرهمنوع گردآوری شده باشند. بعنوان مثال یک ستون گزارش می تواند از بانک اطلاعاتی Oracle و دیگری از بانک اطلاعاتی SQL Server دریافت شده باشد.

رابط کاربری ساده و آسان سام

جدا از گزارشات معمول همیشگی که در قالب جداولی با طراحی دلخواه شما ایجاد می شوند سام قادر به ارائه داده ها در قالبهای زیبای گرافیکی نظیر چارتهای دینامیک و انواع و اقسام نشانگرها برای استفاده در داشبورد اطلاعاتی مدیریتی مدیران سازمان شماست.

در صورت تمایل به مشاهده سیستم لطفا با شرکت تارتن سامانه تماس حاصل فرمایید

شکل الف - نمونه ای از یک چارت دینامیک با قابلیت حرکت در ابعاد

شکل ب- نمونه از رابط انتخاب ابعاد جهت استخراج گزارشات مقایسه ای