در حالی که عمر کوتاهی از استفاده از Database بعنوان بستری برای داده ها جهت انجام آنالیزهای پیچیده می گذرد، ولی نیاز به اینگونه عملیات از دیرزمانی احساس می شده و ابزار Database نیز در اینمورد از ارجحیت خاصی برخوردار گردیده اند. پاسخ به سؤالاتی نظیر What – If ، شبیه سازمانهای عملیات مهم مانند معرفی یک محصول جدید، یا تعیین پر سودترین محصولات، همگی از نیازهای اصلی کسب و کار بشمار آمده و ایجاد Data warehouse به کمک کامپیوتر جهت حل اینگونه مسایل کمک بسیار بزرگی کرده است.

در واقع کامپیوتر جهت حل مسایل پیچیده آنالیز داده ها، از سالهای 1950 مورد استفاده بوده اند و اساساً ماهیت مسایلی که توسط Data warehouse حل می شود، در این پنچ دهه تفاوتی نکرده است. انجام عملیات مختلف بر روی اعداد برای بدست آوردن نتایج گوناگون، عملیات Aggregation روی داده های هر مجموعه و آنالیز واریانس داده ها، جدید بشمار نمی آیند.

Expert Systems & Decision Support Systems

چنانچه به مسیر تحول داده ها توجه شود، الگوی واضحی از طرز استفاده آنها در Data Warehouse های حتی پیچیده دیده می شود. عامل مهمی که در این مسیر بسیار تغییر یافته است سرعت می باشد، سرعتی که با آن برای سؤالات پاسخی ایجاد می گردد. از سالهای 1975 تا 1990 برای مدیران برنامه ریزی استراتژیک، ساعتهای طولانی منتظر ماندن برای دریافت پاسخ امری عادی بشمار می آمد. امروزه Warehouse های Decision Support امکان ایجاد پاسخ برای انواع Query (پرس و جوها) را حتی برای کاربر نهایی در کمترین زمان ممکن (کسری از ثانیه) دارا می باشد. بنا به ماهیت سوالات مطروحه در صنعت امروز و حساسیت پاسخگویی، نیاز به سرعت در پاسخگویی بسیار احساس می شود.

با ایجاد یک شبیه سازی و یا طرح What – If از سوی کاربر Data Warehouse ، غالباً پاسخ به یک سؤال منجر به طرح سوالات دیگر خواهد شد و عامل زمان در این امر نقش مؤثری دارا می باشد.

Expert Systems & Data Warehouse

Expert System در دنیای کامپیوتر واژه ای است که برای هر برنامه حاوی عبارت IF مورد استفاده قرار می گیرد. بطور کلی یک سیستم خبره با Expert System پروسس ساخته یافته تصمیم گیری در ذهن بشر را مدل داده و آنرا به شرایط دنیای واقعی می رساند.

هر پروسس Decision Making قوانین یا Rule هایی در Interface engine دارند. Interface Engine جهت بکار انداختن اجزای جمع آوری اطلاعات یک سیستم که نهایتاً به راه حل مساله خواهند رسید، مورد استفاده می باشد. در واقع سیستم خبره تصمیمی برای کاربر می گیرد، در حالی که سیستم Decision Making تصمیمی را بهمراه کاربر می گیرد. سیستم خبره هیچ امکاناتی برای دخالت انسان در پروسس تصمیم گیری فراهم نمی کند. بسیاری تصمیم گیریهای واقعی در دنیای مدیریت نیازی به دخالت انسانی ندارد و Data Warehous قادر به تأمین پاسخ بدون دخالت کاربر می باشد. یعنی با وجود Data Warehouse کامپیوتر قادر به تولید گزارشات روزانه مورد نیاز بطور اتوماتیک می باشد. هم چنین یک سیستم DSS ، داده ها را طوری aggregate اولیه می نماید که مدیریت قادر به نگرشی کلی و نتیجه گیری می گردد. در DSS ها، هر قدر میزان aggregate در داده ها بالاتر بوده، قدرت تصمیم گیری و پیش بینی انسان بیشتر است.

Decision Support Systems & Data Warehouse

معمولاً Dss ها بعنوان نوعی از Data Warehouse هایی مطرح گشته که با حل مسایل نیمه ساختار یافته سرو کار دارد. بعبارتی دیگر مساله هر دو جز ساختار یافته و نیافته را دارا بوده و جز ساختار نیافته نیاز به دخالت انسانی داشته و ارتباط انسان با DSS را ایجاب می نماید.

اجزای ساختار یافته یک DSS ، قوانین تصمیم گیری یا Decision Rules ذخیره شده بعنوان سیستم پردازش مسایل می باشند و جز دیگر به انسان واگذار می شود. مثالهایی از مسایل نیمه ساختار یافته : انتخاب یک سایت برای کارخانه، و یا انتخاب سبد سهام (Stock Portfolio ).

در تکنولوژی Decision Support بسیاری عملیات نیاز به دخالت انسانی دارد مثل انتخاب سایت که اجزا ساختار یافته و نیافته را با هم دارد. عوامل و قوانینی براحتی قابل اندازه گیری بوده و در سیستم Database نگهداری می شوند و این به کاربر سیستم امکان ایجاد سناریوی What – If را می دهد. با اینحال وجود اجزای ساختار یافته، ساختار یافتگی کلی پروسس تصمیم گیری را تضمین نمی نماید.

یک سیستم DSS این مشخصات را دارد :

• یک مسأله اتفاق نیافتاده برای حل موجود است.
• دادن ورودی توسط انسان لازم است.
• مدلی برای تست فرضیات Hypothesis test موجود است.
• انجام Query های خاص امکانپذیر است (در پی انجام درخواستهای مکرر در سیستم از Database ، هر پاسخ Query منجر به Query دیگری خواهد شد، چون منظور از این Query ها ایجاد Query بدون شکلی خاص برای اطلاعات موجود جهت تصمیم گیری است، زمانهای پاسخگویی بسیار با اهمیت اند)
• ممکن است بیش از یک پاسخ قابل قبول بوجود بیاید.
• منابع خارجی از داده ها نیز مورد استفاده قرار می گیرند.

همچنین DSS ها به کاربران امکان ایجاد سناریوی What – If را میدهند. اینها اساساً ابزارهای مدل دهنده ای هستند که به کاربر امکان تعریف محیط و شبیه سازی رفتار آن محیط در صورت بروز تغییرات را میدهند.

انواع خروجی های سیستم Decision Support عبارتند از :

• (Management Information System) MIS ، شامل پیش بینی ها و گزارشات استاندارد
• تست فرضیات (Hypothesis Tests ) ، شامل تمامی سوالات متوالی که هر پاسخ منجر به طرح سوالات بعدی می شود.
• ساخت مدل، ایجاد مدل و تأیید رفتار آن در برابر داده های historical در Data Warehouse مدلهای پیش بینی کننده، جهت پیش بینی رفتارها بر اساس عوامل historical مورد استفاده قرار می گیرند.
• کشف جریانهای ناشناخته، مثلاً علت فروش بالای یک محصول در منطقه ای خاص. ابزار داده کاوی Data Minig پاسخگوی اینگونه سوالات، حتی در حالاتی که سوالی خاص مطرح نشده باشد، می باشد.

DSS ها به کاربر امکان کنترل پروسس تصمیم گیری را داده، قوانین تصمیم گیری شخص وی را با دخالت فکری او بکار می گیرند. با این وجود امکان بکارگیری هوش مصنوعی Artificial Intelligence جهت مدیریت قسمت انسانی قضیه، قابل بررسی است.

Life Cycle در Data warehouse

بطور کلی تمامی پروژه ها شامل پنج مرحله اصلی می باشند :

امکان سنجی (Feasibility Study) ، آنالیز (Analysis Stage) ، طراحی (System Design) ، پیاده سازی (Implementation) ، نگهداری (Ongoing Maintenance).

پروژه های Data Warehouse نیز از این قاعده مستثنی نبوده، ولی اهداف و نتایج هر فاز کمی متفاوت می باشند :

• فاز اول، امکان سنجی : یک آنالیز سود و زیان بوده که هزینه و سودهای واقعی را برای Data Warehouse قابل اندازه گیری و محاسبه می نماید. در این مرحله سود و زیانهای احتمالی که فعلاً وجود خارجی ندارند، نیز مطرح خواهند شد. هدف این مرحله تصمیم گیری برای اجرای پروژه Data Warehouse می باشد. فعالیت ها شامل آنالیز امکانات اقتصادی و تکنولوژیکی، با تمرکز بر روی شناسایی تمامی هزینه ها و سودهای ممکن در پروژه Data Warehouse می باشد.
• فاز دوم، آنالیز سیستم : یک تشریح منطقی از منابع داده ها برای Warehouse ، آنالیز استخراج داده ها، آنالیز اصلاح داده ها و بالا آوردن داده ها می باشد. برخلاف سیستمهای سنتی در آنالیز Data Warehouse شدیداً محور بر روی داده ها بوده و با تعریف Interface سیستم سروکاری ندارد. در مقایسه با پیاده سازی، فاز آنالیز نیاز به میزان کمتری از تخصص دارد و این بدلیل بی صبری مدیران و ظهور Case Tools های جدید می باشد. معماری انعطاف پذیر، تغییر ساختار Data base را در صورت حذف مواردی از داده ها در طول فاز آنالیز، بسیار راحت کرده است.
• فاز سوم، طراحی سیستم : پیاده سازی فیزیکی مدل منطقی داده ها بوده که در فاز آنالیز سیستم توسعه یافته است و شامل طراحی Warehouse ، مشخصات برای ابراز استخراج داده ها، پروسس های بالا آوردن داده ها و متدهای دست یابی به Warehouse است. در این مقطع مستندات منطقی به ساختار فیزیکی تغییر شکل می یابند. برای طراحی Database ، ایجاد مدل Entity / Relation ، و تعیین تکنیکهای مناسب ذخیره سازی داده ها و استفاده از ایندکسهای مناسب ایجادب می گردد.
• فاز چهارم ، پیاده سازی : در این فاز Warehouse ساخته شده و نرم افزار نیز نوشته و تست شده است. میزان تخصصی که در این فاز لازم بوده باندازه مجموع تمامی فازهای دیگر است. برای این فاز زمان نسبتاً طولانی صرف شده ، زیرا عوامل ناشناخته ای در این مرحله شناسایی شده و سیستم مطابق با تغییرات بوجود آمده بایستی هماهنگ شود. این مرحله طولانی ترین مرحله در ایجاد سیستم Data Warehouse می باشد. قوانین و تکنیکهایی برای حصول اطمینان از حداکثر بودن میزان کارآیی وجود دارد.
• فاز پنجم ، نگهداری : فاز نهایی Warehouse می باشد . این مرحله شامل بالا آوردن ثابت و پیوسته داده های جدید و مشخص کردن نیازهای تغییر پذیر آنالیز برای کاربر نهایی می باشد.

چنانچه تیم توسعه، عملیات آنالیز و طراحی را بخوبی انجام داده و سیستم جدید را برنامه نویسی کرده باشند، تیم برنامه نویسی نبایستی بلافاصله پس از اتمام برنامه نویسی ارتباط خود را قطع نماید. هزینه سیستم، رشد خود را حتی پس از تحویل این کار ادامه خواهد داد و این به ماهیت دینامیکی سیستم و نیازهایش مربوط می شود. غالباً در برنامه های دراز مدت سیستمهای نه چندان مطابق با شرایط روز تحویل کاربران داده می شود زیرا نیازها و شرایط در طول مدت زمان پروژه تغییر می یابند.

همانگونه که اشاره شد فازهای آ