1.5.2 Срезы из хранилища данных и olap кубы
Процесс получения данных из хранилища осуществляется при помощи Мастера импорта. Построим отчет, отражающий динамику сумм продаж по месяцам года в разрезе групп товаров и аптек. Для этого выполните следующие действия:
С помощью Мастера импорта выберите тип источника данных – Deductor Warehouse, на следующем шаге - хранилище Фармация, а затем - процесс Продажи. Задайте, какие измерения и атрибуты необходимо импортировать (рис. 1.8). В этом же окне задайте импортируемые факты и виды их агрегации.
Установим срез по измерению Дата: «Все продажи за последние 4 месяца от имеющихся данных» (рис.1.9).
В этом же окне выберите тип фильтра – Пользовательский фильтр. Это означает, что при каждом выполнении узла импорта будет выводиться окно, аналогичное окну настройки срезов, в котором он сможет указать требуемые разрезы по этому измерению.
Нажмите кнопку Пуск, дождитесь импорта данных и выберите визуализатор Таблица. В результате в выходном наборе будет создано два новых строковых столбца.
Для результирующего набора данных определите способ его отображении куб и настройте назначения полей куба, то есть укажите измерения и факты. Для нашего отчета измерениями будут измерения Дата (Месяц), Дата (Год), Отдел.Наименование и Группа.Наименование, а фактами Количество и Сумма проданных товаров (с агрегацией «Сумма»). При построении куба информационное поле Дата не будет отображаться, но будет доступно в детализации.
Рисунок 1.8 – Выбор импортируемых измерений и фактов
На следующем шаге нужно задать размещение измерений по строкам/столбцам (рис. 1.11).
На последнем шаге определите, какие факты нужно отображать в кубе на пересечении измерений, и их агрегацию.
Рисунок 1.9 – Выбор срезов
Рисунок 1.10 – Извлечение из даты месяца и года
Рисунок 1.11 – Настройка размещения измерений куба
Измерения могут быть размещены в строках и столбцах куба. В мастере визуализации изначально весь список доступных измерений отображается в окне «Настройка размещения измерений». Нажимая кнопки и , можно размещать выбранные измерения в колонках и стоках таблицы. Переносить измерения в нужную область можно и при помощи операции drag&drop.
Измерения в кубе изображаются специальными полями. Синий фон указывают для измерений, участвующих в построении двухмерного среза таблицы. Зелеными полями отображаются скрытые измерения, не участвующие в построении среза (рис.1.12). Есть возможность перестраивать таблицу с помощью мыши «на лету». Сделать это можно, если перетаскивать поля с заголовками измерений.
В результате получим следующий многомерный отчет (рис. 1.13). В нижней части отчета приведена детализация выделенной ячейки.
Рисунок 1.12 – Назначение элементов кросс - таблицы
Рисунок 1.13 – OLAP-отчет о продажах
- Системи підтримки прийняття рішень методичні вказівки
- Частина 1
- Содержание
- 1 Лабораторная работа № 1. Создание хранилищ данных. Olap – технология анализа данных 14
- 2 Лабораторная работа № 2. Прогнозирование с помощью нейронных сетей в программе Deductor 43
- 2.3 Контрольные вопросы 59
- 3 Лабораторная работа № 3. Знакомство с Neural Network
- 4 Рекомендованная литература 78 Введение в сппр
- 1 Лабораторная работа № 1 Тема: Создание хранилища данных. Olap – технология анализа данных.
- 1.1 Аналитическая платформа Deductor
- 1.2 Хранилища данных – подготовка данных для анализа
- Принципы организации хранилища:
- 1.3 Описание бизнес-задачи по созданию аналитической отчетности аптечной сети
- 1.4 Создание хранилища данных в системе Deductor
- 1.5 Анализ данных с помощью кросс-таблиц и визуализации
- 1.5.2 Срезы из хранилища данных и olap кубы
- 1.5.3 Кросс-диаграмма
- 1.5.4 Фильтрация данных в кубе
- 1.6 Задание к лабораторной работе
- 1.7 Контрольные вопросы
- 2 Лабораторная работа № 2 Тема: Нейронные сети. Прогнозирование с помощью нейронной сети в программе Deductor
- 2.1 Нейронные сети: основные понятия
- 2.1.1 Искусственный нейрон и нейронная сеть
- 2.1.2 Обучение
- 2.1.3. Нейронные сети обратного распространения
- 2.2 Прогнозирование с помощью нейронных сетей в Deductor
- 2.2.1 Исходные данные
- 2.2.2 Расчет автокорреляции столбцов
- 2.2.3 Удаление аномалий и сглаживание
- 2.2.4 Скользящее окно 12 месяцев назад
- 2.2.5 Обучение нейросети
- 2.2.6 Построение прогноза
- 2.2.7 Результат
- 2.2.8 Выводы
- 2.3 Контрольные вопросы
- 2.4 Рынок нейропакетов
- 3 Лабораторная работа №3 Тема: зНакомство с neural network toolbox пакета mAtlab
- 3.1 Нейронные сети: графический интерфейс пользователя
- 3.1.1 Управляющие элементы nnTool
- 3.1.3 Разделение линейно-неотделимых множеств
- Пример 3.2. Пусть требуется создать нейронную сеть, выполняющую логическую функцию "исключающее или".
- 3.1.4 Задача аппроксимации
- Пример 3.3. Необходимо выполнить аппроксимацию функции , где , а n - число точек функции.
- 3.2 Функции Matlab для работы с нейронными сетями
- 1) Линейная функция активации purelin.
- 2) Логистическая функция активации logsig.
- 3) Создание новой нейронной сети и ее обучение
- 3.3 Задание к лабораторной работе
- 3.4. Контрольные вопросы
- 4 Литература