多维数据与OLAP分析

说到多维数据分析，OLAP分析大概是商业智能厂家最常见的选择。为什么OLAP分析会变成和数据分析几乎同意的词？二者是否真正的是等同？

在实际的商业应用中，OLAP分析更多的是指针对数据分析的一种解决方案。OLAP分析首先是把数据预处理成数据立方。把有可能的汇总都预先算出来。然后在用户选择某种汇总时，OLAP分析可以在预先的计算出来的结果基础上很快地计算出结果。从而可以很好地支持极大量数据的及时分析。

基于上面所述，OLAP分析包括两个方面。第一，提供一个交互性的数据分析的模式。OLAP分析把数据分成维（dimension）和度量（measure）。用户通过选择dimension（维度）和measure（度量），可以及时地计算数据在不同dimension（维度）的组合下的汇总。第二点，OLAP分析是一种对数据的处理方式。这包括了对数据预计算的思路和方式。

作为一个有着十几年实际应用历史的技术，，OLAP分析存在的最大问题是：业务灵活多变，必然导致业务模型随之经常发生变化，而业务维度和度量一旦发生变化，技术人员需要把整个Cube(多维立方体)重新定义并重新生成，另外一点是业务人员只能在此Cube(多维立方体)上进行多维分析，这种方式限制了业务人员快速改变问题分析的角度，从而使所谓的商业智能系统成为死板的日常报表系统。另外数据立方体需要很大的空间。它的大小是以指数增长的。所以在设计OLAP分析时，用户又必须把业务维度和度量的数量限制在一个相对比较小的范围。

思达商业智能 Style Intelligence 平台针对以上提到的OLAP两个方面做出了几项大的技术革新，在很大程度上弥补了OLAP的不足。首先在前端的显示上，数据分析更多地采用了可视化的模式。这里并不是简单地指通过图表来显示OLAP的结果。新的可视化数据分析通过图表对数据进行显示的基础上，实现一个完整的互动模式，让用户可以任意的通过不同的角度和方法对数据进行分析。

其次后端的处理上，引入以列为主导的数据库结构，及云计算分布式技术架构，使及时分析可以不再依靠预计算就可以处理极大的数据量。这样既解决了大数据的运算，也避免了OLAP所带来的不灵活的问题。用户不再需要面对复杂的OLAP系统，可以十分快捷地创建起一个强大的数据分析系统。

  相关文章：

		多维数据源访问协议-XMLA
		数据钻取技术与超链接技术的区别
		多维度分析电信客户流失