ізніше (у 1995 році) були додані ще кілька. Всі ці правила були розділені на чотири групи і названі «характеристиками» (features).
До характеристик OLAP-систем відносяться:
· основні характеристики: багатовимірність моделі даних, інтуїтивні механізми маніпулювання даними, доступність даних, пакетне вилучення даних, архітектура «клієнт-сервер», прозорість, розрахована на багато робота;
· спеціальні характеристики: обробка ненормалізованих даних,
· зберігання результатів окремо від вихідних даних, виділення відсутніх даних, обробка відсутніх значень;
· характеристики побудови звітів: гнучке побудова звітів, стабільна продуктивність при побудові звітів, автоматичне регулювання фізичного рівня;
· управління розмірністю: загальна функціональність, необмежене число вимірювань і рівнів агрегування, необмежені операції між даними різних вимірів.
Більшість сучасних OLAP-систем не можна однозначно віднести ні до засобів розробки, ні до готовим додаткам. З одного боку, їх використання не вимагає тривалого вивчення теорії та практики побудови аналітичних додатків. Але, з іншого боку, вони не є готовими програмними продуктами для вирішення аналітичних задач, оскільки вимагають певної настройки на джерела даних, алгоритми аналізу та форми подання підсумкової інформації. Ця подвійність призводить до багатоваріантності впровадження, яке може здійснюватися як системним інтегратором, так і кваліфікованими фахівцями компанії-користувача.
.5 Технології сховищ даних і Data Mining
ХД, що підтримують технологи?? Data Mining (метод «здобичі даних») і Exploration (метод дослідження даних), є гібридом класичних Сховищ. Такі Сховища використовуються для виконання потужної статистичної обробки даних, тому що є: дуже детальними, глибоко історичними та оптимізованими для статистичного аналізу.
Крім того, для таких Сховищ характерна орієнтація на який-небудь проект. Це означає, що, на відміну від усіх інших типів ХД, їх перестають використовувати відразу по завершенні аналізу, заради якого вони створювалися.
Ще одна важлива відмінність ХДС можливостями Data Mining / Data Mining і Exploration полягає в тому, що ці Сховища дуже часто включають зовнішні дані. Такі дані дуже корисні з точки зору забезпечення бізнес-перспективи, яку не так легко побачити без їхньої участі.
.6 Інтелектуальний аналіз даних
Метою інтелектуального аналізу даних (англ. Datamining, інші варіанти перекладу - «видобуток даних», «розкопка даних») є виявлення неявних закономірностей у наборах даних.
Враховуючи різноманітність форм представлення даних, використовуваних алгоритмів і сфер застосування, інтелектуальний аналіз даних може проводитися за допомогою програмних продуктів наступних класів:
· спеціалізованих «коробкових» програмних продуктів для інтелектуального аналізу;
· математичних пакетів;
· електронних таблиць (і різного роду надбудов над ними);
· коштів інтегрованих в системи управління базами даних (СКБД);
· інших програмних продуктів.
