- OLAP unterstützt Unternehmen dabei, aggregierte, mehrdimensionale Daten schnell zu analysieren, wenn für die Planung und Entscheidungsfindung rasche Antworten benötigt werden.
- OLAP-Cubes können Daten über verschiedene Dimensionen wie Produkt und Zeit hinweg vorab aggregieren, wodurch Drilldown-Analysen schneller durchgeführt werden können als bei herkömmlichen relationalen Abfragen.
- Open iT Analysis Server nutzt Business-Intelligence-Funktionen im OLAP-Stil, um IT-Managern dabei zu helfen, die Lizenznutzung und Fragen zum Software-Bestand effizient zu analysieren.
Ein Analyst, der eine flache relationale Abfrage ausführt, wartet 90 Sekunden, bis ein mehrdimensionaler Rollup abgeschlossen ist, und dann weitere 90 Sekunden, um in den tatsächlich relevanten Ausschnitt einzutauchen. Bei der dritten Iteration ist die Frage bereits wieder ein anderes Thema. OLAP ändert diese Dynamik, indem es Daten über Dimensionen wie Produkt und Zeit hinweg vorab aggregiert und so Drilldowns zu Vorgängen im Subsekundenbereich macht, anstatt vollständige Tabellenscans durchzuführen. Open iT Analysis Server wendet dieselbe OLAP-basierte Business Intelligence auf Fragen zur Lizenznutzung und zum Software-Asset-Management an und liefert IT-Managern schnelle Antworten auf Planungs- und Optimierungsfragen, deren Wert mit zunehmender Berechnungsdauer abnimmt.
Business Intelligence, die auf der Analyse aggregierter Daten beruht, ist heute eines der wichtigsten Themen in der Geschäftswelt. Immer mehr Unternehmen entdecken, wie wichtig es ist, die verschiedenen Daten, die in den Geschäftsprozessen vorhanden sind, zu sammeln, zu speichern und zu analysieren, um Wettbewerbsvorteile zu erzielen. Bei der Vielzahl an Business-Intelligence-Technologien, die für eine effektive Datenanalyse zur Verfügung stehen, ist es wichtig, das richtige Tool auszuwählen, das schnelle und genaue Ergebnisse liefert. Dieser Artikel konzentriert sich auf ein Tool, das nachweislich diese Ergebnisse liefert: OLAP.
Online Analytical Processing (OLAP) is a database structure optimized for rapid display of multi-dimensional data. OLAP databases are often referred to as “cubes”, an effective way to think of multidimensional data. In a simplified sense an OLAP cube is something like a three dimensional spreadsheet, though OLAP is able to handle more than three dimensions. OLAP databases are typically implemented in specially designed relational databases, optimized to deliver rapid results to queries. OLAP databases can substantially outperform flat file databases and typical or transactional relational databases when it comes to providing fast answers to multi-dimensional queries.
But how does OLAP actually do this? Let’s compare a standard relational database and OLAP. To demonstrate this, a possible question that IT managers responsible for managing and optimizing software assets may want answered is:
Wie hoch ist die maximale Lizenznutzung für ein bestimmtes Produkt innerhalb eines bestimmten Jahres?
Stellen Sie sich nun vor, der IT-Manager hat eine sehr große Datenbank mit historischen Nutzungsdaten. Um diese Frage mit einer herkömmlichen relationalen Datenbank zu beantworten, müssen Sie die Informationen aus verschiedenen Tabellen abrufen. Sie kombinieren alle Daten und führen eine Abfrage durch, um die benötigten Informationen zu extrahieren.
Bei komplexen Abfragen kann dies ein langsamer Prozess sein. Was passiert, wenn der IT-Manager diese Informationen weiter aufschlüsseln möchte? Zum Beispiel möchte er oder sie jetzt wissen:
What is the maximum license usage for a particular feature in the product within a specific month at a particular site?
Der IT-Manager müsste dann die Abfrage erneut durchführen. Die Anwendung dieser Filter würde einen ohnehin schon langsamen Prozess weiter verlangsamen, was für ein Unternehmen, das schnell Informationen benötigt, keine Option ist.
Where fast data retrieval is a priority in planning, problem solving and decision support, businesses can take advantage of multi-dimensional tools such as OLAP. In OLAP, stored data is pre-aggregated, which can bring results instantaneously even with large amounts of data. Cubes can have many dimensions which can be used to aggregate, slice and dice the data. In addition, one can further slice the dimensions into hierarchies built directly within the cube.
The figure above illustrates the OLAP approach to answering our first question. Two of the dimensions for our cube are Product and Time. Through the pre-aggregation of these dimensions, we can instantly retrieve the information we need. The highlighted area is the Maximum License Usage of Product C for the year 2014.
Another dimension that we may add to our OLAP cube is Location.
This shows how OLAP performs multi-dimensional analysis. In this example, the OLAP cube pre-aggregates the Location dimension with Product and Time. The highlighted area shows the Maximum License Usage of Product C for the year 2014, but this time only for North America.
Und anhand dieser Daten können wir unsere Informationen mithilfe von Hierarchien sofort aufschlüsseln. Diese Abbildung zeigt die maximale Lizenznutzung von Feature 2 - Produkt C für Februar 2014 in Nordamerika.
In designing a cube, one focuses on providing answers to a small sets of questions addressing fundamental business needs. A cube built on well-considered pre-allocation of data answers these questions, easy and fast. This is what OLAP does. It allows one to explore business data efficiently – a clearly smart reason to consider business intelligence tools that utilize OLAP, such as the Open iT Analysis Server.
The Analysis Server is an advanced software asset management tool addressing the needs of individuals tasked with managing complex and expensive software asset portfolios. Along with Open iT modules, the Analysis Server can provide rich reports on the many facets of <software asset management (SAM), such as license usage, application, server and storage usage, in a fast and efficient way.
