მონაცემთა მოპოვება OLAP-ის წინააღმდეგ
როგორც მონაცემთა მოპოვება, ასევე OLAP არის ორი საერთო ბიზნეს დაზვერვის (BI) ტექნოლოგია. ბიზნეს ინტელექტი ეხება კომპიუტერზე დაფუძნებულ მეთოდებს ბიზნესის მონაცემებიდან სასარგებლო ინფორმაციის იდენტიფიკაციისა და ამოღების მიზნით. მონაცემთა მოპოვება არის კომპიუტერული მეცნიერების დარგი, რომელიც ეხება საინტერესო შაბლონების ამოღებას მონაცემთა დიდი ნაკრებიდან. ის აერთიანებს მრავალ მეთოდს ხელოვნური ინტელექტის, სტატისტიკისა და მონაცემთა ბაზის მენეჯმენტიდან. OLAP (ონლაინ ანალიტიკური დამუშავება), როგორც სახელი გვთავაზობს, არის მრავალგანზომილებიანი მონაცემთა ბაზების მოთხოვნის გზების კრებული.
მონაცემთა მოპოვება ასევე ცნობილია როგორც ცოდნის აღმოჩენა მონაცემებში (KDD).როგორც ზემოთ აღინიშნა, ეს არის კომპიუტერული მეცნიერების დარგი, რომელიც ეხება ადრე უცნობი და საინტერესო ინფორმაციის ამოღებას ნედლი მონაცემებიდან. მონაცემთა ექსპონენციალური ზრდის გამო, განსაკუთრებით ისეთ სფეროებში, როგორიცაა ბიზნესი, მონაცემთა მოპოვება გახდა ძალიან მნიშვნელოვანი ინსტრუმენტი ამ დიდი სიმდიდრის მონაცემთა ბიზნეს ინტელექტად გადაქცევისთვის, რადგან შაბლონების ხელით მოპოვება გასული რამდენიმე ათწლეულის განმავლობაში შეუძლებელი გახდა. მაგალითად, ის ამჟამად გამოიყენება სხვადასხვა აპლიკაციებისთვის, როგორიცაა სოციალური ქსელის ანალიზი, თაღლითობის გამოვლენა და მარკეტინგი. მონაცემთა მოპოვება ჩვეულებრივ ეხება შემდეგ ოთხ ამოცანას: კლასტერიზაცია, კლასიფიკაცია, რეგრესია და ასოციაცია. კლასტერირება არის მსგავსი ჯგუფების იდენტიფიცირება არასტრუქტურირებული მონაცემებიდან. კლასიფიკაცია არის სასწავლო წესები, რომლებიც შეიძლება გამოყენებულ იქნას ახალ მონაცემებზე და, როგორც წესი, მოიცავს შემდეგ საფეხურებს: მონაცემთა წინასწარ დამუშავებას, მოდელირების დიზაინს, სწავლა/მახასიათებლის შერჩევას და შეფასებას/დამოწმებას. რეგრესია არის ფუნქციების პოვნა მინიმალური შეცდომით მონაცემთა მოდელისთვის. და ასოციაცია ეძებს ურთიერთობებს ცვლადებს შორის.მონაცემთა მოპოვება ჩვეულებრივ გამოიყენება კითხვებზე პასუხის გასაცემად, როგორიც არის ის ძირითადი პროდუქტები, რომლებიც შეიძლება დაეხმაროს მაღალი მოგების მიღებას მომავალ წელს Wal-Mart-ში.
OLAP არის სისტემების კლასი, რომელიც იძლევა პასუხებს მრავალგანზომილებიან შეკითხვებზე. როგორც წესი, OLAP გამოიყენება მარკეტინგის, ბიუჯეტირების, პროგნოზირების და მსგავსი აპლიკაციებისთვის. ცხადია, რომ OLAP-ისთვის გამოყენებული მონაცემთა ბაზები კონფიგურირებულია რთული და ad-hoc მოთხოვნებისთვის, სწრაფი შესრულების გათვალისწინებით. როგორც წესი, მატრიცა გამოიყენება OLAP-ის გამოსავლის საჩვენებლად. რიგები და სვეტები იქმნება მოთხოვნის ზომებით. ისინი ხშირად იყენებენ აგრეგაციის მეთოდებს მრავალ ცხრილზე შეჯამების მისაღებად. მაგალითად, შეიძლება გამოვიყენოთ უოლ-მარტში წლევანდელი გაყიდვების გარკვევა შარშანდელთან შედარებით? როგორია გაყიდვების პროგნოზი მომდევნო კვარტალში? რა შეიძლება ითქვას ტენდენციაზე პროცენტული ცვლილების გათვალისწინებით?
მიუხედავად იმისა, რომ აშკარაა, რომ მონაცემთა მოპოვება და OLAP მსგავსია, რადგან ისინი მუშაობენ მონაცემებზე დაზვერვის მოსაპოვებლად, მთავარი განსხვავება მოდის იმაში, თუ როგორ მუშაობენ ისინი მონაცემებზე. OLAP ინსტრუმენტები უზრუნველყოფს მონაცემთა მრავალგანზომილებიან ანალიზს და ისინი აწვდიან მონაცემთა შეჯამებას, მაგრამ პირიქით, მონაცემთა მოპოვება ფოკუსირებულია კოეფიციენტებზე, შაბლონებსა და გავლენებზე მონაცემთა ნაკრებში. ეს არის OLAP-ის გარიგება აგრეგაციასთან, რომელიც ემყარება მონაცემთა მუშაობას „დამატების“საშუალებით, მაგრამ მონაცემთა მოპოვება შეესაბამება „დაყოფას“. სხვა შესამჩნევი განსხვავება ისაა, რომ სანამ მონაცემთა მოპოვების ხელსაწყოები აყალიბებენ მონაცემებს და აბრუნებენ ქმედით წესებს, OLAP ჩაატარებს შედარებისა და კონტრასტის ტექნიკას ბიზნეს განზომილების გასწვრივ რეალურ დროში.
