オンライン分析処理

コンピューティング において、オンライン分析処理 (OLAP) ( / ˈ oʊ l æ p / ) は、多次元分析(MDA) クエリにすばやく応答するためのアプローチです。 [ 1 ] OLAPという用語は、従来のデータベース用語であるオンライントランザクション処理(OLTP)をわずかに変更して作成されました。[ 2 ] OLAP は、リレーショナルデータベース、レポート作成、データマイニングも含む、ビジネスインテリジェンスのより広いカテゴリの一部です。[ 3 ] OLAP の一般的な用途には、販売、マーケティング、管理レポート、ビジネスプロセス管理(BPM)、[ 4 ]予算編成と予測、財務報告などのビジネスレポートがあり、農業などの新しい用途も登場しています。[ 5 ]

OLAPツールを使用すると、ユーザーは多次元データを複数の観点から対話的に分析できます。OLAPは、統合（ロールアップ）、ドリルダウン、およびスライシングアンドダイシングという3つの基本的な分析操作で構成されます。[ 6 ]：402〜403 統合では、1つ以上のディメンションで蓄積および計算できるデータを集約します。たとえば、すべての営業所は、販売動向を予想するために販売部門または販売部にロールアップされます。対照的に、ドリルダウンは、ユーザーが詳細をナビゲートできるようにする手法です。たとえば、ユーザーは地域の売上を構成する個々の製品ごとに売上を表示できます。スライシングアンドダイシングは、ユーザーがOLAPキューブの特定のデータセットを取り出し（スライス） 、異なる視点からスライスを表示（ダイシング）できる機能です。これらの視点は、ディメンションと呼ばれることもあります（同じ売上を営業担当者別、日付別、顧客別、製品別、地域別などで見る場合など）。

OLAP用に構成されたデータベースは多次元データモデルを使用し、複雑な分析やアドホッククエリを高速に実行できます。[ 7 ]ナビゲーションデータベース、階層型データベース、リレーショナルデータベースの側面を取り入れています。

OLAPは一般的にOLTP （オンライントランザクション処理）と対比されます。OLTPは一般的に、ビジネスインテリジェンスやレポート作成を目的としたものではなく、トランザクション処理のために、より単純で大規模なクエリを実行することを特徴としています。OLAPシステムは主に読み取りに最適化されているのに対し、OLTPはあらゆる種類のクエリ（読み取り、挿入、更新、削除）を処理する必要があります。

OLAPシステムの概要

あらゆるOLAPシステムの中核は、OLAPキューブ（「多次元キューブ」またはハイパーキューブとも呼ばれます）です。OLAPキューブは、ディメンションによって分類されたメジャーと呼ばれる数値ファクトで構成されています。メジャーは、ハイパーキューブの交点に配置され、ハイパーキューブはディメンションによってベクトル空間として張られます。OLAPキューブを操作するための一般的なインターフェースは、スプレッドシートプログラムのピボットテーブルのようなマトリックスインターフェースであり、集計や平均化などのディメンションに沿った射影演算を実行します。

キューブメタデータは通常、スタースキーマ、スノーフレークスキーマ、またはリレーショナルデータベース内のファクトテーブル群から作成されます。メジャーはファクトテーブル内のレコードから派生し、ディメンションはディメンションテーブルから派生します。

各メジャーには、一連のラベル、つまりメタデータが関連付けられていると考えることができます。ディメンションはこれらのラベルを記述し、メジャーに関する情報を提供します。

簡単な例としては、店舗の売上をメジャーとして、日付/時刻をディメンションとして含むキューブが挙げられます。各売上には、その売上の詳細を説明する 日付/時刻ラベルが付いています。

例えば： 

売上ファクトテーブル +-------------+-----------+ | 販売金額 | 時間 ID | +-------------+-----------+ 時間次元 | 930.10| 1234 |----+ +---------+-------------------+ +-------------+-----------+ | | time_id | タイムスタンプ | | +---------+-------------------+ +---->| 1234 | 20080902 12:35:43 | +---------+-------------------+

多次元データベース

多次元構造は、「多次元構造を用いてデータを整理し、データ間の関係性を表現するリレーショナルモデルのバリエーション」と定義されています。[ 6 ] : 177 この構造はキューブに分割され、キューブは各キューブの範囲内でデータを保存およびアクセスできます。「多次元構造内の各セルには、各次元の要素に関連する集約データが含まれています。」[ 6 ] : 178 データが操作された後でも、アクセスは容易であり、コンパクトなデータベース形式を構成し続けます。データは相互に関連しています。多次元構造は、オンライン分析処理（OLAP）アプリケーションを使用する分析データベースで非常に人気があります。[ 6 ] 分析データベースは、複雑なビジネスクエリに迅速に回答を提供できるため、これらのデータベースを使用します。データをさまざまな角度から見ることができるため、他のモデルとは異なり、問題をより広い視点で捉えることができます。[ 8 ]

集約

複雑なクエリの場合、OLAPキューブはOLTPリレーショナルデータに対する同じクエリにかかる時間の約0.1%で回答を生成できると言われています。 [ 9 ] [ 10 ] OLAPにおいてこのようなパフォーマンスを実現する最も重要なメカニズムは、集計の使用です。集計は、ファクトテーブルから特定のディメンションの粒度を変更し、集計関数（または集計関数）を使用してこれらのディメンションに沿ってデータを集計することで構築されます。可能な集計の数は、ディメンションの粒度のあらゆる組み合わせによって決まります。

あらゆる可能な集約と基本データの組み合わせには、データから回答できるあらゆるクエリに対する回答が含まれています。[ 11 ]

通常、計算できる集計は多数あるため、多くの場合、事前に決定された数だけが完全に計算され、残りは要求に応じて解決されます。どの集計（ビュー）を計算するかを決定する問題は、ビュー選択問題として知られています。ビューの選択は、選択された集計セットの合計サイズ、基本データの変更からそれらを更新する時間、またはその両方によって制約される場合があります。ビュー選択の目的は通常、OLAPクエリに応答する平均時間を最小化することですが、更新時間を最小化する研究もあります。ビュー選択はNP完全です。この問題に対して、貪欲アルゴリズム、ランダム検索、遺伝的アルゴリズム、A*検索アルゴリズムなど、多くのアプローチが研究されてきました。

一部の集計関数は、各セルの値を事前に計算し、これらの集計を集約してセルのロールアップの集計を計算し、分割統治アルゴリズムを多次元問題に適用して効率的に計算することで、OLAPキューブ全体に対して計算できます。[ 12 ]たとえば、ロールアップの全体の合計は、各セルの小計の合計です。このように分解できる関数は分解可能な集計関数COUNTと呼ばれ、、、、MAXおよびMINが含まれますSUM。これらは各セルに対して計算してから直接集計できます。これらは自己分解可能な集計関数として知られています。[ 13 ]

その他のケースでは、セルの補助数値を計算し、これらの補助数値を集計し、最後に全体の数値を計算することで集計関数を計算できます。例としては、AVERAGE(合計とカウントを追跡し、最後に除算する) やRANGE(最大値と最小値を追跡し、最後に減算する) などがあります。また、セット全体を一度に分析しなければ集計関数を計算できない場合もありますが、場合によっては近似値を計算できます。例としてはDISTINCT COUNT、、、MEDIANなどがありますMODE。たとえば、セットの中央値は、サブセットの中央値の中央値ではありません。後者は、基本データに対して集計関数を計算する必要があり、オンラインで計算する (遅い) か、ロールアウトの可能性に備えて事前に計算する (大きなスペース) 必要があるため、OLAP で効率的に実装するのは困難です。

種類

OLAPシステムは伝統的に以下の分類法を用いて分類されてきた。[ 14 ]

多次元 OLAP (MOLAP)

MOLAP（多次元オンライン分析処理）はOLAPの典型的な形式であり、単にOLAPと呼ばれることもあります。MOLAPは、リレーショナルデータベースではなく、最適化された多次元配列ストレージにデータを保存します。

一部のMOLAPツールでは、統合などの派生データの事前計算と保存（処理と呼ばれる操作）が必要です。このようなMOLAPツールは通常、データキューブと呼ばれる事前計算済みのデータセットを利用します。データキューブには、特定の範囲の質問に対するすべての可能な回答が含まれています。その結果、クエリへの応答が非常に速くなります。一方、事前計算の程度によっては、更新に長い時間がかかる場合があります。また、事前計算はデータ爆発と呼ばれる現象を引き起こす可能性もあります。

その他の MOLAP ツール、特に機能データベース モデルを実装するツールは、派生データを事前に計算せず、以前に要求されてキャッシュに保存されたもの以外のすべての計算をオンデマンドで実行します。

MOLAPの利点

  • 最適化されたストレージ、多次元インデックス、キャッシュにより、クエリ パフォーマンスが高速になります。
  • 圧縮技術により、リレーショナル データベースに保存されるデータと比較して、ディスク上のデータ サイズが小さくなります。
  • データの高レベル集計の自動計算。
  • 低次元データセットには非常にコンパクトです。
  • 配列モデルは自然なインデックスを提供します。
  • 集約されたデータの事前構造化を通じて効果的なデータ抽出を実現します。

MOLAPの欠点

  • 一部のMOLAPシステムでは、特にデータ量が多い場合、処理ステップ（データロード）に非常に長い時間がかかることがあります。この問題は通常、データセット全体を再処理するのではなく、変更されたデータ（通常は新規データ）のみを処理する増分処理のみを実行することで解決されます。
  • 一部の MOLAP 方法論では、データの冗長性が導入されます。

製品

MOLAP を使用する商用製品の例としては、Cognos Powerplay、Oracle Database OLAP Option、MicroStrategy、Microsoft Analysis Services、Essbase、TM1、Jedox、icCube などがあります。

リレーショナルOLAP（ROLAP）

ROLAPはリレーショナルデータベースを直接操作し、事前計算を必要としません。ベースデータとディメンションテーブルはリレーショナルテーブルとして保存され、集計情報を格納するための新しいテーブルが作成されます。これは専用のスキーマ設計に依存します。この手法は、リレーショナルデータベースに保存されているデータを操作することで、従来のOLAPのスライス＆ダイス機能の外観を実現します。本質的には、スライス＆ダイスの各アクションは、SQL文に「WHERE」句を追加することと同等です。ROLAPツールは、事前計算されたデータキューブを使用せず、標準的なリレーショナルデータベースとそのテーブルにクエリを発行して、質問への回答に必要なデータを取得します。ROLAPツールは、キューブの内容に限定されないため、あらゆる質問に対応できます。また、ROLAPはデータベースの最下層の詳細レベルまでドリルダウンする機能も備えています。

ROLAPはリレーショナルデータベースソースを使用しますが、一般的にデータベースはROLAP用に慎重に設計する必要があります。OLTP用に設計されたデータベースは、 ROLAPデータベースとしては適切に機能しません。そのため、ROLAPでは依然としてデータの追加のコピーを作成する必要があります。しかし、ROLAPはデータベースであるため、データベースへのデータ入力にはさまざまな技術を使用できます。

ROLAPの利点

ROLAPの欠点

  • ROLAPツールはMOLAPツールよりもパフォーマンスが低いというのが業界の共通認識です。ただし、ROLAPのパフォーマンスについては、以下の説明を参照してください。
  • 集計テーブルのロードは、カスタムETLコードで管理する必要があります。ROLAPツールはこのタスクをサポートしません。これは、開発時間の増加とサポートすべきコードの増加を意味します。
  • 集計テーブルの作成手順を省略すると、より大規模な詳細テーブルをクエリする必要があるため、クエリのパフォーマンスが低下します。この問題は、集計テーブルを追加することで部分的に改善できますが、ディメンション/属性のすべての組み合わせに対して集計テーブルを作成することは現実的ではありません。
  • ROLAPはクエリとキャッシュに汎用データベースを利用するため、MOLAPツールで採用されている特殊な手法（特殊な階層インデックスなど）は利用できません。しかし、最新のROLAPツールは、 CUBE演算子やROLLUP演算子、DB2 Cube Views、その他のSQL OLAP拡張機能といったSQL言語の最新の改良点を活用しています。これらのSQLの改良点は、 MOLAPツールの利点を相殺する可能性があります。
  • ROLAPツールはすべての計算をSQLに依存しているため、 SQLにうまく変換できない計算を多く含むモデルには適していません。このようなモデルの例としては、予算編成、配分、財務報告などのシナリオが挙げられます。

ROLAPのパフォーマンス

OLAP業界では、ROLAPは大容量データに対応できるものの、MOLAPに比べてクエリパフォーマンスが遅いという欠点があると認識されています。主要なOLAP製品を対象とした最大規模の独立調査であるOLAP Surveyは、6年間（2001年から2006年）にわたって実施され、データ量を考慮した場合でも、ROLAPを使用する企業はMOLAPを使用する企業よりもパフォーマンスが低いという結果が一貫して出ています。

ただし、あらゆる調査と同様に、結果を解釈する際には考慮しなければならない微妙な問題がいくつかあります。

  • 調査によると、各企業においてROLAPツールのユーザー数はMOLAPツールの7倍に上ります。ユーザー数が多いシステムは、ピーク時のパフォーマンス問題がより多く発生する傾向があります。
  • モデルの複雑さについても疑問が残ります。これは次元数と計算量の多さの両方で測定されます。この調査では、分析対象データにおけるこうしたばらつきを適切にコントロールする方法が示されていません。

柔軟性の欠点

既存のリレーショナルデータベーステーブルを再利用したいという理由でROLAPを選択する企業もありますが、これらのテーブルはOLAPでの使用に最適に設計されていないことがよくあります。ROLAPツールは優れた柔軟性を備えているため、このような最適とは言えない設計でも機能しますが、パフォーマンスは低下します。一方、 MOLAPツールは、データを最適なOLAP設計に再ロードするよう強制します。

ハイブリッド OLAP (HOLAP)

追加のETLコストとクエリ パフォーマンスの低下との間の望ましくないトレードオフにより、現在、ほとんどの商用 OLAP ツールでは「ハイブリッド OLAP」(HOLAP) アプローチが採用されています。これにより、モデル設計者はデータのどの部分をMOLAPに保存し、どの部分を ROLAP に保存するかを決定できます。

「ハイブリッドOLAP」とは何かについて、業界全体で明確な合意は存在しません。ただし、データベースがデータをリレーショナルストレージと専用ストレージに分割するという点が例外です。[ 15 ]例えば、一部のベンダーのHOLAPデータベースでは、大量の詳細データはリレーショナルテーブルに保持し、集約度の高いデータや詳細度の低いデータは、少なくとも一部は専用ストレージに保持します。HOLAPは、MOLAPとROLAPの両方の機能を組み合わせることで、それぞれの欠点を克服しています。HOLAPツールは、事前計算されたキューブとリレーショナルデータソースの両方を利用できます。

垂直分割

このモードでは、HOLAP はクエリ パフォーマンスを高速化するために集計をMOLAPに保存し、キューブ処理の時間を最適化するために詳細データをROLAPに保存します。

水平分割

このモードでは、HOLAPはデータの一部（通常はより新しいデータ（つまり時間軸でスライスされたもの））をMOLAPに格納し、クエリパフォーマンスを高速化します。また、古いデータはROLAPに格納します。さらに、大きな直方体には密なサブ領域と疎なサブ領域が存在するという事実を利用して、一部のサイコロをMOLAPに格納し、他のサイコロをROLAPに格納することもできます。[ 16 ]

製品

HOLAPストレージを提供した最初の製品はHolosでしたが、この技術はMicrosoft Analysis Services、Oracle Database OLAP Option、MicroStrategy、SAP AG BI Acceleratorなどの他の商用製品でも利用可能になりました。ハイブリッドOLAPアプローチはROLAPとMOLAP技術を組み合わせ、ROLAPの優れたスケーラビリティとMOLAPの高速計算の利点を活用します。例えば、HOLAPサーバーは大量の詳細データをリレーショナルデータベースに保存し、集計は別のMOLAPストアに保存します。Microsoft SQL Server 7.0 OLAP ServicesはハイブリッドOLAPサーバーをサポートしています。

比較

各タイプには特定の利点がありますが、利点の詳細についてはプロバイダー間で意見の相違があります。

  • 一部の MOLAP 実装では、データベース爆発が発生しやすい傾向があります。これは、次元数が多い、結果が事前に計算されている、多次元データがまばらであるなど、特定の共通条件が満たされた場合に、MOLAP データベースによって大量のストレージ領域が使用される現象です。
  • MOLAPは、特殊なインデックスとストレージの最適化により、一般的に優れたパフォーマンスを発揮します。また、MOLAPはROLAPと比較して、特殊なストレージに圧縮技術が組み込まれているため、必要なストレージ容量が少なくて済みます。[ 15 ]
  • ROLAPは一般的にスケーラビリティが高い。[ 15 ]しかし、大規模な前処理は効率的に実装するのが難しいため、頻繁に省略される。そのため、ROLAPのクエリパフォーマンスは著しく低下する可能性がある。
  • ROLAP は計算を実行するためにデータベースに大きく依存するため、使用できる特殊な機能には制限があります。
  • HOLAPはROLAPとMOLAPの長所を融合させようとしています。一般的に、前処理が速く、スケーラビリティに優れ、優れた関数サポートを提供します。

その他のタイプ

次の頭字語も時々使用されますが、上記の頭字語ほど広く使用されていません。

  • WOLAP – WebベースのOLAP
  • DOLAP –デスクトップOLAP
  • RTOLAP – リアルタイムOLAP
  • GOLAP – グラフOLAP [ 17 ] [ 18 ]
  • CaseOLAP – コンテキスト認識型セマンティックOLAP、[ 19 ]はバイオメディカルアプリケーション向けに開発されました。[ 20 ] CaseOLAPプラットフォームには、データの前処理（テキスト文書のダウンロード、抽出、解析など）、Elasticsearchによるインデックス作成と検索、Text-Cubeと呼ばれる機能的な文書構造の作成、[ 21 ] [ 22] [23] [24 ] [ 25 ] 、およびコアCaseOLAPアルゴリズムを使用したユーザー定義のフレーズとカテゴリの関係の定量化が含まれます。

APIとクエリ言語

リレーショナルデータベースでは SQL が標準クエリ言語として使用され、API もODBC、JDBC、OLEDBなどが普及していましたが、OLAP の世界では長い間そのような統一がありませんでした。最初の実際の標準 API は、1997 年に登場したMicrosoftのOLE DB for OLAP仕様で、 MDXクエリ言語が導入されました。サーバー側とクライアント側の両方の OLAP ベンダーがこれを採用しました。2001 年に Microsoft とHyperion がXML for Analysis仕様を発表し、ほとんどの OLAP ベンダーがこれを支持しました。これもクエリ言語として MDX を使用したため、MDX が事実上の標準となりました。[ 26 ] 2011 年 9 月以降、LINQ を使用してMicrosoft .NET からSSAS OLAP キューブをクエリできます。 [ 27 ]

製品

歴史

OLAPクエリを実行した最初の製品はExpressで、 1970年にリリースされました（そして1995年にOracleがInformation Resourcesから買収しました）。 [ 28 ]しかし、この用語は1993年に「リレーショナルデータベースの父」と呼ばれるEdgar F. Coddによって造語されるまで登場しませんでした。Coddの論文[ 1 ]は、CoddがかつてArbor Software（後にHyperion Solutions、2007年にOracleに買収）で行った短期のコンサルティング業務から生まれたもので、一種のマーケティング戦略でした。

同社はその1年前に独自のOLAP製品であるEssbaseをリリースしていました。そのため、コッド氏の「オンライン分析処理の12の法則」はEssbaseに明示的に言及していました。その後、論争が巻き起こり、Computerworld誌はコッド氏がArborから報酬を受け取っていたことを知ると、記事を撤回しました。OLAP市場は1990年代後半に急成長を遂げ、数十もの商用製品が市場に投入されました。1998年、マイクロソフトは初のOLAPサーバーである Microsoft Analysis Servicesをリリースし、OLAP技術の普及を促し、主流へと押し上げました。

製品比較

OLAPクライアント

OLAPクライアントには、Excel、Webアプリケーション、SQL、ダッシュボードツールなど、多くのスプレッドシートプログラムが含まれます。多くのクライアントは、ユーザーが関心のあるディメンションとメジャーを選択するインタラクティブなデータ探索をサポートしています。ディメンションの中には、フィルター（データのスライスとダイス）として使用されるものもあれば、ピボットテーブルやピボットチャートの軸として選択されるものもあります。また、表示されるビューの集計レベル（ドリルダウンまたはロールアップ）を変更することもできます。クライアントは、スライダー、地理マップ、ヒートマップなど、ダッシュボードとしてグループ化および調整できる様々なグラフィカルウィジェットも提供しています。OLAPサーバーの比較表の視覚化列には、クライアントの詳細なリストが表示されます。

市場構造

以下は2006年のトップOLAPベンダーのリストです（金額は百万米ドル単位） 。[ 29 ]

ベンダー世界の収益連結会社
マイクロソフト株式会社1,806マイクロソフト
ハイペリオンソリューションズ株式会社1,077オラクル
コグノス735IBM
ビジネスオブジェクト416SAP
マイクロストラテジー416マイクロストラテジー
SAP AG330SAP
カルテシス（SAP）210SAP
アプリックス205IBM
インフォア199インフォア
オラクル社159オラクル
その他152その他
合計5,700

オープンソース

  • Apache Pinotは、LinkedIn、Cisco、Uber、Slack、Stripe、DoorDash、Target、Walmart、Amazon、Microsoftで利用されており、低レイテンシでスケーラブルなリアルタイム分析を提供しています。[ 30 ]オフラインデータソース（Hadoopやフラットファイルなど）だけでなく、オンラインソース（Kafkaなど）からもデータを取り込むことができます。Pinotは水平方向に拡張できるように設計されています。
  • Mondrian OLAPサーバーは、 Javaで記述されたオープンソースのOLAPサーバーです。MDXクエリ言語、XML for Analysis、olap4jインターフェース仕様をサポートしています。
  • Apache Dorisは、MPPアーキテクチャに基づくオープンソースのリアルタイム分析データベースです。高並列ポイントクエリシナリオと高スループットの複合分析の両方をサポートします。[ 31 ]
  • Apache Druid は、さまざまな組織で大規模に運用されている、OLAP クエリ用の人気の高いオープンソースの分散データ ストアです。
  • Apache Kylin は、もともと eBay によって開発された OLAP クエリ用の分散データ ストアです。
  • Cubes (OLAP サーバー)は、 ROLAP を組み込んだPython プログラミング言語での OLAP 機能の軽量オープン ソースツールキット実装です。
  • ClickHouse は、高速処理と応答時間に重点を置いた、比較的新しい列指向の DBMS です。
  • DuckDB [ 32 ]はインプロセスSQL OLAP [ 33 ]データベース管理システムです。
  • MonetDB は、OLAP クエリ用に設計された成熟したオープンソースの列指向 SQL RDBMS です。

参照

参考文献

引用

  1. ^ a b Codd EF; Codd SB & Salley CT (1993). 「ユーザーアナリストへのOLAP（オンライン分析処理）の提供：ITの義務」（PDF） . Codd & Date, Inc. 2008年3月5日閲覧。
  2. ^ 「OLAP Council White Paper」（PDF） . OLAP Council. 1997. 2008年3月18日閲覧。
  3. ^ Deepak Pareek (2007). 『通信のためのビジネスインテリジェンス』CRC Press. 294ページISBN 978-0-8493-8792-0. 2008年3月18日閲覧。
  4. ^ Apostolos Benisis (2010).ビジネスプロセス管理：意思決定のためのビジネスプロセスシミュレーションデータを分析するためのデータキューブVDM Verlag Dr. Müller eK pp. 204 pp. ISBN 978-3-639-22216-6。
  5. ^ Abdullah, Ahsan (2009年11月). 「ADSS-OLAP（オンライン分析処理）ツールを用いた綿花作物におけるコナカイガラムシ発生率の分析」. Computers and Electronics in Agriculture . 69 (1): 59– 72. Bibcode : 2009CEAgr..69...59A . doi : 10.1016/j.compag.2009.07.003 .
  6. ^ a b c dオブライエン JA、マラカス GM (2009)。経営情報システム (第 9 版)。マサチューセッツ州ボストン: マグロウヒル/アーウィン。
  7. ^ Hari Mailvaganam (2007). 「OLAP入門 – スライス、ダイス、ドリル！」 . Data Warehousing Review. 2013年5月22日時点のオリジナルよりアーカイブ。2008年3月18日閲覧。
  8. ^ Williams, C., Garza, VR, Tucker, S, Marcus, AM (1994年1月24日). 多次元モデルによる表示オプションの強化. InfoWorld, 16(4)
  9. ^ MicroStrategy, Incorporated (1995). 「リレーショナルOLAPの事例」(PDF) . 2008年3月20日閲覧。
  10. ^スラジット・チョードリとウメシュワル・ダヤル (1997)。 「データ ウェアハウジングと OLAP テクノロジの概要」。SIGMOD Rec . 26 (1): 65. CiteSeerX 10.1.1.211.7178。土井: 10.1145/248603.248616。S2CID 8125630。  
  11. ^ Gray, Jim ; Chaudhuri, Surajit ; Layman, Andrew ; Reichart, Don ; Venkatrao, Murali ; Pellow, Frank ; Pirahesh, Hamid (1997). 「データキューブ：グループ化、クロス集計、小計を一般化するリレーショナル集計演算子」 . J. Data Mining and Knowledge Discovery . 1 (1): 29– 53. arXiv : cs/0701155 . doi : 10.1023/A:1009726021843 . S2CID 12502175 . 2008年3月20日閲覧。 
  12. ^張 2017、1ページ。
  13. ^ Jesus、Baquero & Almeida 2011、2.1 分解可能な関数、3–4 ページ。 sfn error: no target: CITEREFJesusBaqueroAlmeida2011 (help)
  14. ^ Nigel Pendse (2006年6月27日). 「OLAPアーキテクチャ」 . OLAPレポート. 2008年1月24日時点のオリジナルよりアーカイブ。 2008年3月17日閲覧。
  15. ^ a b c Bach Pedersen, Torben; S. Jensen, Christian (2001年12月). 「多次元データベース技術」. Computer . 34 (12): 40– 46. Bibcode : 2001Compr..34l..40P . doi : 10.1109/2.970558 . ISSN 0018-9162 . 
  16. ^ Kaser, Owen; Lemire, Daniel (2006). 「効率的なハイブリッドOLAPのための属性値の並べ替え」. Information Sciences . 176 (16): 2304– 2336. arXiv : cs/0702143 . doi : 10.1016/j.ins.2005.09.005 .
  17. ^ 「今週のグラフとエンティティ分析」 Datanami 、 2016年12月7日。 2018年3月8日閲覧。
  18. ^ 「Cambridge Semantics、Amazon Neptuneおよびグラフデータベース向けAnzoGraphサポートを発表」データベーストレンド＆アプリケーション2018年2月15日2018年3月8日閲覧。
  19. ^タオ、ファンボ;荘、ホンレイ。ユ・チー・ワン;ワン・チー。キャシディ、テイラー。カプラン、ランス。ヴォス、クレア。ハン・ジアウェイ (2016)。「テキスト キューブでの多次元のフレーズベースの要約」(PDF)。
  20. ^ Liem, David A.; Murali, Sanjana; Sigdel, Dibakar; Shi, Yu; Wang, Xuan; Shen, Jiaming; Choi, Howard; Caufield, John H.; Wang, Wei; Ping, Peipei; Han, Jiawei (2018年10月1日). 「テキストデータのフレーズマイニングによる心血管疾患における細胞外マトリックスタンパク質パターンの解析」 . American Journal of Physiology. Heart and Circulatory Physiology . 315 ( 4): H910– H924. doi : 10.1152/ajpheart.00175.2018 . ISSN 1522-1539 . PMC 6230912. PMID 29775406 .   
  21. ^ Lee, S.; Kim, N.; Kim, J. (2014). 「非構造化テキストとソーシャルメディアのための多次元分析とデータキューブ」. 2014 IEEE 第4回国際ビッグデータ・クラウドコンピューティング会議. pp.  761– 764. doi : 10.1109/BDCloud.2014.117 . ISBN 978-1-4799-6719-3. S2CID  229585 .
  22. ^ Ding, B.; Lin, XC; Han, J.; Zhai, C.; Srivastava, A.; Oza, NC (2011年12月). 「テキストキューブ内の上位Kセルに対する効率的なキーワードベース検索」. IEEE Transactions on Knowledge and Data Engineering . 23 (12): 1795– 1810. Bibcode : 2011ITKDE..23.1795D . doi : 10.1109/TKDE.2011.34 . S2CID 13960227 . 
  23. ^ Ding, B.; Zhao, B.; Lin, CX; Han, J.; Zhai, C. (2010). 「TopCells: テキストキューブ内の上位k件の集約文書のキーワードベース検索」. 2010 IEEE 第26回国際データエンジニアリング会議 (ICDE 2010) . pp.  381– 384. CiteSeerX 10.1.1.215.7504 . doi : 10.1109/ICDE.2010.5447838 . ISBN  978-1-4244-5445-7. S2CID  14649087 .
  24. ^ Lin, CX; Ding, B.; Han, K.; Zhu, F.; Zhao, B. (2008). 「テキストキューブ：多次元テキストデータベース分析のためのIR尺度の計算」. 2008年第8回IEEE国際データマイニング会議. pp.  905– 910. doi : 10.1109/icdm.2008.135 . ISBN 978-0-7695-3502-9. S2CID  1522480 .
  25. ^ Liu, X.; Tang, K.; Hancock, J.; Han, J.; Song, M.; Xu, R.; Pokorny, B. (2013年3月21日). Greenberg, AM; Kennedy, WG; Bos, ND (編). Social Computing, Behavioral-Cultural Modeling and Prediction: 6th International Conference, SBP 2013, Washington, DC, USA, April 2-5, 2013, Proceedings (7812 ed.). Berlin, Heidelberg: Springer. pp.  321– 330. ISBN 978-3-642-37209-4。
  26. ^ Nigel Pendse (2007年8月23日). 「論評：OLAP API戦争」 . OLAPレポート. 2008年5月28日時点のオリジナルよりアーカイブ。 2008年3月18日閲覧。
  27. ^ 「LINQ to SSAS OLAP用SSAS Entity Frameworkプロバイダー」。2011年9月29日時点のオリジナルよりアーカイブ。
  28. ^ Nigel Pendse (2007年8月23日). 「今日のOLAP製品の起源」 . OLAPレポート. 2007年12月21日時点のオリジナルよりアーカイブ。 2007年11月27日閲覧。
  29. ^ Nigel Pendse (2006). 「OLAP Market」 . OLAPレポート. 1997年3月30日時点のオリジナルよりアーカイブ。 2008年3月17日閲覧。
  30. ^ Yegulalp, Serdar (2015年6月11日). 「LinkedInが新たなSQL-on-Hadoopのニッチ市場を埋める」 InfoWorld . 2016年11月19日閲覧。
  31. ^ "Apache Doris" . Github . Apache Dorisコミュニティ. 2023年4月5日閲覧。
  32. ^ 「インプロセスSQL OLAPデータベース管理システム」 . DuckDB . 2022年12月10日閲覧。
  33. ^ Anand, Chillar (2022年11月17日). 「Common Crawl On Laptop - Extracting Subset Of Data」 . Avil Page . 2022年12月10日閲覧。

出典

さらに読む

  • エリック・トムセン (1997). 『OLAPソリューション：多次元情報システムの構築』第2版. John Wiley & Sons. ISBN 978-0-471-14931-6。
「 https://en.wikipedia.org/w/index.php?title=Online_analytical_processing&oldid=1317171378#Multidimensional_databases」から取得