Bütünleşik veri küpü sistemi (BVKS): Satış küpü uygulaması

Günümüz veri tabanlarında büyük hacimli veriler yönetilebilmektedir. Bu kadar büyük boyuttaki verilerin pratikte bilgisayar desteği olmadan kavranabilmesi imkansızdır. Bu problemin üstesinden gelebilmek için detaylı veritabanlarında, özetleme, bütünleştirme ve analiz için; Online Analitik İşleme (OnLine Analytical Processing,OLAP) kullanılmaktadır. OLAP araçları Veri Küpü(VK) yapısını kullanarak, esnek raporlama ve hızlı sorgulama yapabilmektedir. Mevcut OLAP araçlarının yetenekleriyle basit ihtiyaçlar karşılanabilmekte ancak pratikteki büyük veri setlerinde OLAP araçlarıyla ihtiyaçların karşılanması neredeyse imkansız olmaktadır. Çetinyokuş ve ark. (2006), getirdikleri yeni OLAP mimarisi, VK lerinin bütünleşik kullanımına izin vermekte ve hali hazırda kullanılan OLAP araçlarının yeteneklerinin çok ötesine geçirebilmektedir. Bu çalışmada önerilen yeni mimarinin önemli bir ayağı gerçekleştirilmiştir. Ele alınan satış küpü uyarlamasında oluşturulan veri küplerindeki verilerin kullanılarak bir modele aktarılması, modelden elde edilen sonuçlarında yeniden bir VK ne kaydedilmesi başarılmıştır. Bu uygulama OLAP araçlarının etkinliğinin bir Karar Desteği sağlayarak artırılması bakımından anlamlıdır.

Integrated data cube system (IDCS): Sales cube application

In today’s databases, large-volume data can be managed. It is impossible to figure out such a huge data without contribution of computers. In order to cope with this problem, OLAP used for summarizing, integrating, and analyzing large scale data bases. Flexible reporting and fast query can be performed by utilizing OLAP architecture. While some basic requirements could be met by existing OLAP, it is almost impossible to meet the need in case of practical huge data sets. The new OLAP architecture developed by Çetinyokuş et al. (2006) makes it possible to use datacubes integratedly and also extends the ability of current OLAP tools. In this study an important phase of proposed architecture is realized. Translating to a model by using the data on data cubes developed by treated sales cube, and also recording the results got from that model to a Data Cube again, is achieved. This application is meaningful according to increasing the efficiency of OLAP tools by providing with a Decision Support.

PDF

___

1. Çetinyokuş, T., Çerçioğlu, H., Gökçen, H., Veri Küplerinin Bütünleşik Kullanımı, YA/EM 2006 Yöneylem Araştırması / Endüstri Mühendisliği XXVI. Ulusal Kongresi, 2006.
2. Gray ,J., Chaudhuri, S., Bosworth, A., Layman, A., Reichart, D., Venkatrao, M., “ Data Cube: A Relational Aggregation Operator Generalizing Group-By, Cross-Tab, and Sub-Totals”, Data Mining and Knowledge Discovery, Cilt 1, 29- 53, 1997.
3. Friedman, J., H., “A Recursive Partitioning Decision Rule for Nonparametric Classifiers”, IEEE Trans. on Comp., Cilt 26, 404-408, 1997.
4. Han, J., Kamber, M., “Data Mining Concept and Techniques”, Morgan Kaufmann Publishers, 2001.
5. Geurts, K., Thomas, I., Wets, G., “Understanding spatial concentrations of road accidents using frequent item sets”, Accident Analysis & Prevention, Cilt 37, 787-799, 2005.
6. Fong, A.,C.,M., Hui, S., C., Jha, G., “Data Mining For Decision Support”, IT Professional, Cilt 04, No 2, 9-17, Mar/Apr, 2002.
7. Riedewald, M., Agrawal, D., Abbadi, A., E., “Multidimensional Databases: Problems and Solutions”, Idea Group Inc., USA, 2003.
8. Shi, H., Zhang, J., Zheng, L., “Mining Association Rule Oriented Data Cube and Its Application”, Proceedings of the First International Conference on Machine Learning and Cybernetics, Beijing, 4-5 November, 2002.
9. Chaudhuri, S., Dayal, U., “An Overview of Data Warehousing and OLAP Technology”, ACM Sigmod Record, Cilt 26, 65-74, 1997.
10. Fayyad, U., Piatetsky-Shapiro, G. and Smyth, P., “From Data Mining to Knowledge Discovery in Databases”, American Association for Artificial Intelligence, 37-54, 1996.