Transcript دانشکده مهندس ی کامپیوتر دانشگاه صنعتی امیرکبیر ارائه درس هوش تجاری فصل 10 طراحی انباره فراداده ناهید قصاب زاده ( )88131064 استاد درس : دکتر عبدهللا زاده ناهید قصاب زاده.

1
‫دانشکده مهندسی کامپیوتر‬
‫دانشگاه صنعتی امیرکبیر‬
‫ارائه درس هوش تجاری‬
‫فصل ‪10‬‬
‫طراحی انباره فراداده‬
‫ناهید قصاب زاده (‪)88131064‬‬
‫استاد درس‪:‬‬
‫دک تر عبدهللا زاده‬
‫دانشگاه صنعتی امیرکبیر‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪3‬‬
‫موارد موردنظر در طراحی یک انباره فراداده یا ارزیابی ان‬
‫مزایا و معایب انواع مختلف استراتژی های پیاده سازی‬
‫مزایا و معایب انواع مختلف طراحی برای انباره فراداده‬
‫خرید یک انباره فراداده‬
‫توصیف فعالیت ها در طراحی انباره فراداده‬
‫ریسک های انجام ندادن این مرحله‬
‫دانشکده مهندسی کامپیوتر‬
‫دانشگاه صنعتی امیرکبیر‬
‫دانشکده مهندسی کامپیوتر‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫انباره فراداده موجود‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪4‬‬
‫ایا در حال حاضر یک انباره فراداده داریم؟‬
‫ایا باید ان را توسعه دهیم؟ باید به اجزای ان اضافه کنیم یا ‪ functionality‬ان را توسعه دهیم؟‬
‫چه کسی ان را به روز رسانی می کند؟‬
‫چه کسی از ان استفاده می کند؟ چگونه و از چه بخش های ی از ان استفاده می کنند؟‬
‫اگر یک انباره فراداده نداریم‪ ،‬چگونه از عهده ان برمی اییم؟‬
‫چرا فراداده نداریم؟ کمبود بودجه؟ کمبود منابع؟ یا عدم فهم کافی؟‬
‫دانشگاه صنعتی امیرکبیر‬
‫دانشکده مهندسی کامپیوتر‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫محصوالت انباره فراداده‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪5‬‬
‫ایا محصول انباره فراداده ای وجود دارد که نیازهای ما را براورده سازد؟‬
‫چقدر از نیازمندی های فراداده ما با محصوالت انباره فراداده موجود در بازار براورده نمی شوند؟ ان‬
‫نیازمندی ها تا چه اندازه مهم هستند؟‬
‫کدام یک از محصوالت انباره فراداده قابلیت های ‪ import‬و ‪ export‬را دارند؟‬
‫دانشگاه صنعتی امیرکبیر‬
‫دانشکده مهندسی کامپیوتر‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫واسط ها‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪6‬‬
‫چگونه واسط ها را از انباره فراداده به سایر ابزارها که خود فراداده دارند (به طور مثال ‪،CASE‬‬
‫‪ ETL‬و ‪ )OLAP‬به صورت اتوماتیک خواهیم کرد؟ ایا باید میان افزار دیگری بخریم؟‬
‫چگونه فراداده را به افراد کسب و کار تحویل خواهیم داد؟ از طریق گزارش ها؟ از طریق یک تابع‬
‫کمکی؟ از طریق یک واسط وب؟‬
‫ایا برای افراد کسب و کار سخت خواهد بود تا نحوه استفاده از واسط های انباره فراداده را یاد بگیرند؟‬
‫چه اموزش های ی را باید به ان ها بدهیم؟‬
‫دانشگاه صنعتی امیرکبیر‬
‫دانشکده مهندسی کامپیوتر‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫پرسنل‬
‫‪‬‬
‫‪‬‬
‫‪7‬‬
‫ایا به پرسنل بیشتری برای نصب‪ ،‬بهبود و نگه داری یک محصول انباره فراداده خریداری شده نیاز‬
‫داریم؟‬
‫به پرسنل بیشتری برای طراحی‪ ،‬ساخت و نگه داری انباره فراداده ای که خودمان می خواهیم بسازیم‪،‬‬
‫نیاز داریم؟‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫دانشگاه صنعتی امیرکبیر‬
‫‪8‬‬
‫دانشکده مهندسی کامپیوتر‬
‫دانشگاه صنعتی امیرکبیر‬
‫دانشکده مهندسی کامپیوتر‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫معایب‪:‬‬
‫‪ ‬دیکشنری های داده (که نام امروزی ان ها انباره فراداده است) در گذشته به پردازش های دستی نیاز‬
‫داشتند که زمانبر و کسل کننده بودند‪.‬‬
‫‪ ‬فقدان مهارت های تکنیکی در ان ها‬
‫‪ ‬قابلیت های گزارش دهی در ان ها مطلوب نبود‪.‬‬
‫‪ ‬عدم استفاده از فناوری های مناسب در ان ها به منظور داشتن واسط های اتوماتیک‪ ،‬واسط های کاربر‬
‫گرافیکی با استفاده اسان یا توابع کمکی حساس به زمینه‬
‫‪ ‬فقدان استاندارها‬
‫‪9‬‬
‫دانشگاه صنعتی امیرکبیر‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪10‬‬
‫دانشکده مهندسی کامپیوتر‬
‫اجزای فراداده مختلف در ابزارهای مختلفی ذخیره می شوند و هیچ یک از ان ها (به جز انباره فراداده)‬
‫طوری طراحی نشده اند تا تمام اجزای فراداده از سایر ابزارها را در خود ذخیره سازند‪ .‬برای مثال‪:‬‬
‫ابزارهای ‪ ،CASE‬فراداده کسب و کار را برای اجزای مدل داده منطقی و فراداده تکنیکی را برای‬
‫اجزای مدل داده فیزیکی ذخیره می کنند‪.‬‬
‫دیکشنری های ‪ ،DBMS‬فراداده تکنیکی را برای ساختار پایگاه داده ذخیره می کنند؛ مانند پایگاه‬
‫داده ها‪ ،‬جداول‪ ،‬ستون ها‪ ،‬ایندکس ها و ‪. ...‬‬
‫ابزارهای ‪ ،ETL‬فراداده تکنیکی برای نگاشت های داده از مبدا به مقصد و مشخصات انتقال ان ها را‬
‫ذخیره می کنند‪.‬‬
‫ابزارهای ‪Data-cleansing‬‬
‫ابزارهای ‪OLAP‬‬
‫ابزارهای داده کاوی‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫دانشگاه صنعتی امیرکبیر‬
‫‪11‬‬
‫دانشکده مهندسی کامپیوتر‬
‫به سه طریق انجام می گیرد‪:‬‬
‫‪ ‬انباره فراداده متمرکز؛ که به دو صورت زیر انجام می شود‪:‬‬
‫‪Custom-build Repository‬‬
‫‪Licensed Repository‬‬
‫‪‬‬
‫‪‬‬
‫فراداده غیرمتمرکز؛ که از یک فرامدل تجمیع شده استفاده می کند اما به صورت فیزیکی فراداده را در‬
‫پایگاه داده های مختلفی توزیع می کند‪.‬‬
‫یک راه حل توزیع شده با قابلیت ‪ XML‬؛ که در ان فراداده با ‪ XML‬بر چسب گذاری و ذخیره می‬
‫شود‪.‬‬
‫‪‬‬
‫‪‬‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫دانشگاه صنعتی امیرکبیر‬
‫‪12‬‬
‫دانشکده مهندسی کامپیوتر‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫دانشگاه صنعتی امیرکبیر‬
‫‪13‬‬
‫دانشکده مهندسی کامپیوتر‬
‫‪Custom-build Repository‬‬
‫مزایا‬
‫معایب‬
‫این طراحی تمام نیازمندی های فراداده را ترکیب می‬
‫کند‪.‬‬
‫پرسنل تمام وقت برای نگه داری پایگاه داده انباره‬
‫فراداده و گزارش های فراداده نیاز است‪.‬‬
‫نرم افزار نهای ی برای دسترسی و واسط ها به ابزارهای‬
‫مختلف بر حسب نیاز مشتری طراحی شده اند تا تمام‬
‫نیازمندی ها را براورده سازند‪.‬‬
‫نرم افزار نهای ی برای دسترسی و واسط ها به ابزارهای‬
‫مختلف باید برنامه نویسی و نگه داری شوند که هر دو‬
‫فرایندهای زمانبری هستند‪.‬‬
‫ٌ‬
‫گزارش ها و توابع کمکی دقیقا ان طور که مطلوب‬
‫هستند طراحی شده اند‪.‬‬
‫انباره فراداد باید به صورت دوره ای بهبود یابد (گهگاه‬
‫طراحی دوباره) برای ان که از ابتدا نمی توان ان را به‬
‫طور کامل ساخت‪.‬‬
‫کارشناسان فنی کنترل کامل بر روی طراحی دارند‪.‬‬
‫محتواها ممکن است منطبق نباشند‪.‬‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫دانشگاه صنعتی امیرکبیر‬
‫‪14‬‬
‫دانشکده مهندسی کامپیوتر‬
‫‪Licensed Repository‬‬
‫مزایا‬
‫معایب‬
‫در وقت صرفه جوی ی می شود زیرا نیاز به طراحی و‬
‫ساخت پایگاه داده‪ ،‬واسط ها و گزارش های انباره‬
‫فراداده نیست‪.‬‬
‫در صورت براورده نشدن تمام نیازمندی ها‪ ،‬یک متولی‬
‫تمام وقت نیاز است تا محصول خریداری شده را نگه‬
‫داری کند و بهبود دهد‪.‬‬
‫اک ثر ان ها واسط دارند و بیشتر ان ها شامل مجموعه‬
‫کاملی از ‪ API‬ها هستند‪.‬‬
‫به یک منحنی یادگیری نیاز است تا با معماری‪ ،‬واسط‬
‫ها و ‪ API‬محصول اشنا شویم‪.‬‬
‫وقتی فراداده مستقر می شود‪ ،‬اگر محصول برای‬
‫ابزارها تضمین شود‪ ،‬واسط های ابزار فراهم خواهند‬
‫شد‪.‬‬
‫هر چقدر محصول پیچیده تر باشد‪ ،‬گران تر است و‬
‫کارشناسان فنی مهارت بیشتری نیاز خواهند داشت تا‬
‫ان را نگه داری کنند‪.‬‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫دانشگاه صنعتی امیرکبیر‬
‫‪15‬‬
‫دانشکده مهندسی کامپیوتر‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫دانشگاه صنعتی امیرکبیر‬
‫‪16‬‬
‫دانشکده مهندسی کامپیوتر‬
‫مزایا‬
‫معایب‬
‫مالکان مختلف می توانند مجموعه فراداده خود را به‬
‫صورت جداگانه نگه داری و مدیریت کنند‪.‬‬
‫کنترل کردن افزونگی در بین چندین انباره داده دشوار‬
‫است‪.‬‬
‫پایگاه داده های انباره فراداده کوچک تر و برای‬
‫استفاده راحت تر هستند‪.‬‬
‫نگه داری و مدیریت پایگاه داده های مختلف بر روی‬
‫پلت فرم های گوناگون زمان بیشتری می گیرد‪.‬‬
‫هر انباره فراداده می تواند فرامدل خود را داشته باشد‪.‬‬
‫ارتباطات بین متولیان انباره های فراداده گوناگون‬
‫افزایش خواهد یافت‪.‬‬
‫گزارش ها برای هر انباره فراداده می تواند شخصی‬
‫سازی شود‪.‬‬
‫مرتبط ساختن فراداده در بین پایگاه داده های‬
‫مختلف دشوار می شود‪.‬‬
‫وجود گذرگاه‪ ،‬نام و مکان انباره فراداده را از فردی که‬
‫به ان دسترسی پیدا می کند‪ ،‬شفاف می نماید‪.‬‬
‫معماری این راه حل پیچیده است و منحنی یادگیری‬
‫برای پایگاه داده های مختلف با طراحی های گوناگون‬
‫باال می رود‪.‬‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫دانشگاه صنعتی امیرکبیر‬
‫‪17‬‬
‫دانشکده مهندسی کامپیوتر‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫دانشگاه صنعتی امیرکبیر‬
‫‪18‬‬
‫دانشکده مهندسی کامپیوتر‬
‫مزایا‬
‫معایب‬
‫برچسب های ‪ XML‬دسترسی به فراداده را از طریق‬
‫هر دستگاه ذخیره سازی داده‪ ،‬ممکن می سازد‪.‬‬
‫برچسب گذاری اولیه تمام فراداده با ‪ XML‬فرایندی‬
‫دستی و پرزحمت است‪.‬‬
‫فراداده هیچ وقت کپ ی نمی شود‪.‬‬
‫برچسب های ‪ XML‬به نیازمندی های ذخیره سازی‬
‫اضافه می شوند‪.‬‬
‫وجود گذرگاه‪ ،‬مکان فراداده را از فردی که به ان‬
‫دسترسی پیدا می کند‪ ،‬شفاف می نماید‪.‬‬
‫یک فرا فرامدل باید ایجاد شود‪.‬‬
‫موتورهای جستجوی استاندارد وب می توانند هر‬
‫فراداده ای را در هر کجا قرار دهند‪.‬‬
‫‪ DBMS‬و فروشندگان ابزار باید استانداردهای‬
‫صنعت را دنبال کنند‪.‬‬
‫فراداده و داده های کسب و کار می توانند به هم‬
‫بپیوندند و با هم منتقل شوند‪.‬‬
‫تمام ‪ DBMS‬ها و ابزارها قابلیت ‪ XML‬را ندارند‪.‬‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫دانشگاه صنعتی امیرکبیر‬
‫‪19‬‬
‫‪ ‬اگر بخواهید خود یک انباره فراداده طراحی کنید‪ ،‬دو انتخاب وجود دارد‪:‬‬
‫‪ )1‬طراحی روابط موجودیت ها‬
‫‪ )2‬طراحی شیءگرا‬
‫دانشکده مهندسی کامپیوتر‬
‫دانشکده مهندسی کامپیوتر‬
‫دانشگاه صنعتی امیرکبیر‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫طراحی روابط موجودیت ها‬
‫‪20‬‬
‫مزایا‬
‫معایب‬
‫تغییرات و بهبود ها در ان ممکن است نیاز به‬
‫طراحی دوباره پایگاه داده داشته ؛ باشد؛ به‬
‫خواندن و فهم ان اسان است‪.‬‬
‫عالوه تخلیه کردن و بارگذاری دوباره انباره‬
‫فراداده‬
‫به دلیل طبیعت شهودی و‪ .‬صریح طراحی‪ ،‬پرس فرامدل فیزیکی ان ً‬
‫نسبتا بزرگ است؛ با شی ها و‬
‫و جوها می توانند با جمالت ً‬
‫نسبتا ساده ‪ SQL‬روابط بسیار که معماری را تاحدی پیچیده می‬
‫کند‪.‬‬
‫نوشته شوند‪.‬‬
‫شی های فراداده و روابط ان ها باید برای ان که‬
‫پیاده سازی ان ها به صورت ساختارهای پایگاه‬
‫فرامدل فیزیکی دقیق باشد‪ ،‬بسیار خوب تعریف‬
‫داده رابطه ای اسان است‪.‬‬
‫شوند‪.‬‬
‫دانشکده مهندسی کامپیوتر‬
‫دانشگاه صنعتی امیرکبیر‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫طراحی شیءگرا‬
‫‪21‬‬
‫مزایا‬
‫معایب‬
‫از ان جا که در ان شی ای که ‪ Object‬نام گذاری‬
‫به شدت انعطاف پذیر است‪ .‬وقتی اعمال تغییرات الزم شده است‪ ،‬شامل تمام نمونه ها (ردیف ها)ی فراداده‬
‫است‪ ،‬این جدول بسیار بزرگ خواهد شد‪ .‬ممکن‬
‫است‪ ،‬نیازی به طراحی دوباره پایگاه داده نیست‪.‬‬
‫است بر روی کارای ی دسترسی تاثیر بگذارد‪.‬‬
‫ساده است و بنابراین نگه داری و بهبود ان اسان‬
‫است‪.‬‬
‫نوشتن پرس و جوها بسیار سخت است و به‬
‫«الحاق»های بازگشتی بسیاری نیاز دارد‪ .‬دانش‬
‫‪ SQL‬پیشرفته نیاز است‪.‬‬
‫پیاده سازی ان ها به صورت ساختارهای پایگاه داده‬
‫شیءگرا اسان است‪.‬‬
‫به منحنی یادگیری باالی ی نیاز دارد‪ .‬فهم فرامدل‬
‫فیزیکی بسیار تجریدی دشوار است و درک قوانین‬
‫ِ‬
‫گسترده زمانبر است‪.‬‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫دانشگاه صنعتی امیرکبیر‬
‫با این سؤال شروع نکنید!‬
‫‪ ‬بهترین محصول در بازار کدام است؟‬
‫سؤال های قابل بررسی‪:‬‬
‫‪ ‬نیازمندی های ما چیست؟‬
‫‪ ‬کدام نیازمندی ها‪:‬‬
‫• الزامی هستند؟‬
‫• مهم هستند؟‬
‫• اختیاری هستند؟‬
‫‪‬‬
‫‪‬‬
‫‪22‬‬
‫کدام محصوالت متناسب با نیازمندی های الزامی ما هستند؟‬
‫کدام محصوالت متناسب با نیازمندی های مهم ما هستند؟‬
‫دانشکده مهندسی کامپیوتر‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫دانشگاه صنعتی امیرکبیر‬
‫‪23‬‬
‫دانشکده مهندسی کامپیوتر‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫دانشگاه صنعتی امیرکبیر‬
‫‪24‬‬
‫دانشکده مهندسی کامپیوتر‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫دانشگاه صنعتی امیرکبیر‬
‫‪25‬‬
‫دانشکده مهندسی کامپیوتر‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫دانشگاه صنعتی امیرکبیر‬
‫‪26‬‬
‫دانشکده مهندسی کامپیوتر‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫دانشگاه صنعتی امیرکبیر‬
‫‪27‬‬
‫دانشکده مهندسی کامپیوتر‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫دانشگاه صنعتی امیرکبیر‬
‫‪28‬‬
‫دانشکده مهندسی کامپیوتر‬
‫دانشگاه صنعتی امیرکبیر‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪29‬‬
‫دانشکده مهندسی کامپیوتر‬
‫نیازی نیست این فعالیت ها به صورت خطی انجام شوند‪.‬‬
‫در مرحله ‪ ،1‬اگر به جای خرید یک انباره فراداده می خواهید ان را خود طراحی کنید‪ ،‬از طراحی روابط‬
‫موجودیت ها یا شیء گرا استفاده کنید‪ .‬یک فرامدل فیزیکی ایجاد کنید و روال های نگه داری پایگاه‬
‫داده را در نظر بگیرید‪.‬‬
‫در مرحله ‪ ،2‬اگر تصمیم بر ان است که یک انباره فراداده بخرید‪ ،‬محصوالت موجود و فروشندگان ان‬
‫را ارزیابی کنید‪ .‬بهترین ان ها را انتخاب نمایید و ان را نصب و تست کنید‪.‬‬
‫در مرحله ‪ ،3‬تمام ابزارها و ‪DBMS‬های ی که فراداده های فنی و تجاری از ان ها استخراج خواهند شد‪،‬‬
‫تعیین کنید‪.‬‬
‫در مرحله ‪ ،4‬در هر صورت‪ ،‬کاربردهای فراداده را شامل واسط های دسترسی‪ ،‬ویژگی های وب‪ ،‬گزارش‬
‫ها و توابع کمکی انالین طراحی کنید‪.‬‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫دانشگاه صنعتی امیرکبیر‬
‫‪30‬‬
‫دانشکده مهندسی کامپیوتر‬
‫‪‬‬
‫اگر یک محصول انباره فراداده می خرید‪ ،‬نتایج قابل تحویل شما یک محصول نصب و تست شده‬
‫است‪.‬‬
‫‪‬‬
‫اگر انباره فراداده را خود طراحی می کنید‪ ،‬باید موارد طراحی زیر را تولید کنید‪:‬‬
‫‪ )1‬فرا مدل فیزیکی‬
‫‪ )2‬زبان تعریف داده برای انباره فراداده‬
‫‪ )3‬زبان کنترل داده برای انباره فراداده‬
‫‪ )4‬مشخصات برنامه نویسی انباره فراداده‬
‫دانشگاه صنعتی امیرکبیر‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫‪‬‬
‫‪31‬‬
‫‪‬‬
‫‪‬‬
‫دانشکده مهندسی کامپیوتر‬
‫معمار زیرساخت هوش تجاری‪ :‬باید تمام فعالیت های طراحی را مرور کند‪ .‬اگر انباره فراداده خریداری‬
‫شود‪ ،‬در اماده کردن معیارهای ارزیابی و تصمیم گیری روی فاک تورهای وزن دهی برای معیارها شرکت‬
‫می کند‪ .‬هم چنین در انتخاب محصول نهای ی درگیر خواهد شد‪.‬‬
‫متولی داده‪ :‬بر روی نیازمندی های فراداده با متولی داده همکاری خواهد کرد و با فعالیت های مدل‬
‫کردن داده به متولی فراداده کمک خواهد کرد‪.‬‬
‫متولی فراداده‪ :‬مسئول اولیه برای فراداده و انباره فراداده است‪ .‬مسئول طراحی و ایجاد فراداده است‬
‫یا در صورت خرید مسئول نصب‪ ،‬تست‪ ،‬بهبود و نگه داری است‪.‬‬
‫دانشگاه صنعتی امیرکبیر‬
‫ناهید قصاب زاده – هوش تجاری ‪ -‬پاییز ‪88‬‬
‫‪‬‬
‫‪32‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫دانشکده مهندسی کامپیوتر‬
‫مشابه هر سیستم دیگر‪ ،‬نیاز به یک فراداده با سطح قابل قبولی از کارای ی‪ ،‬مقیاس پذیری و قابلیت‬
‫نگه داری در طول زمان است‪.‬‬
‫اگر تصمیم به خرید یک محصول انباره فراداده دارید‪ ،‬باید فرایند ارزیابی را به دقت طی کنید‪.‬‬
‫اگر زمان کافی برای طراحی یک راه حل انباره فراداده مستحکم نگذارید‪ ،‬باید مراحل راه حل خود را‬
‫دوباره طی کنید یا کار را با یک محیط پشتیبانی تصمیم نامناسب برای هوش تجاری تمام کنید‪.‬‬
‫«االن بپرداز یا ً‬
‫بعدا‪ ،‬اما باید بپردازی!»‬
33