در این قسمت از بحث قصد داریم برخی مفاهیم دیگر هوش تجاری مانند پردازش های تحلیلی برخط (OLAP) و نمونه کوئری های این حوزه را به سمع و نظر عزیزان برسانیم.

هوش تجاری
هوش تجاری

تدریس خصوصی با حضور رایگان در محل مشتری و قیمت کمتر از دوره های شرکت ها تخصص ماست برای این منظور با ما تماس بگیرید : 09367938018. سرفصل ها و قیمت ها را از اینجا مشاهده کنید.

مفاهیم اولیه هوش تجاری

آشنایی با OLAP  یا پردازش های تحلیلی برخط در هوش تجاری

پایگاه داده های OLAP حول مفهوم کیوب یا مکعب ساخته می شوند. کیوب یا مکعب ها، اشیای چند بعد یا دایمنشنی هستند که ساختارهای آن ها با اشیای سلسله مرتبه ای تحت عنوان ابعاد یا دایمنشن تعریف می شوند. نمونه ای از پر استفاده ترین بعد یا دایمنشنها، بعد یا دایمنشن تاریخ است. واحد های زمانی درصورت نیاز می توانند بر طبق سطح یا عمق داده ای که در پایگاه داده ذخیره خواهد شد، تقسیم بندی یا ترکیب شوند. مثلاً بعد یا دایمنشن Date ممکن است شامل یک سطح دهه، یک سطح سال، یک سطح فصل و الی آخر باشد که در نهایت به روز ختم می شود یا در صورت لزوم کمتر OLAP  مجموعه‌ای از کیوب یا مکعب‌ها (Cubes) است. داخل این کیوب یا مکعب‌ها داده‌هایی قرار دارند که از پیش انتخاب شده‌اند. ارتباطات بین ابعاد یا دایمنشن از قبل تعریف شده و همه ابعاد یا دایمنشن (نتایج) از قبل محاسبه و پیش‌بینی شده است. هنگامی که یک کیوب یا مکعب ایجاد می‌شود، یک واسط کاربر نهایی که می‌تواند یک داشبورد باشد برای یک فرد واقعی پیاده‌سازی می‌شود که کاربر نهایی (مدیران و تصمیم گیرندگان سازمان) بتواند با جواب‌های داخل کیوب یا مکعب تعامل داشته باشد.

اما فرض کنید در یک کیوب یا مکعب برای تحلیل فروش در یک سازمان مقدار و مبلغ فروش را بر اساس ابعاد یا دایمنشن مناطق فروش، فروشنده (بازاریاب)، مشتری و ماه داشته باشیم. زمانی که این کیوب یا مکعب فرضی ساخته می‌شود، نرم‌افزار مبتنی بر OLAP کلیه ترکیبات عناصر داده‌ها را محاسبه و ذخیره می‌کند، کاربر نهایی به این داده‌ها از طریق داشبوردها و یا یک سری فرم‌ها مثلا Pivot Table  ها یا انواع دیگر فرم‌ها دسترسی خواهد داشت.

 در این مثال فرضی کاربر نهایی محدود به تحلیل در محدوده ابعاد یا دایمنشن از قبل تعریف شده مثل مناطق، نمایندگی‌ها، مشتری‌ها و ماه است. اگر کاربر بخواهد درباره فروش هفتگی، روزهای هفته یا محصولات فروخته شده (و یا صدها ترکیب دیگر از داده‌ها) اطلاعاتی کسب کند دیگر شانسی برای بدست آوردن آن ندارد، باید صبر کند که کیوب یا مکعب دیگری از اطلاعات مورد نیاز او ایجاد شود که این یعنی محدودسازی و کاهش بهره‌وری و اثربخشی برای تصمیم‌گیران آن سازمان. به عبارت دیگر کاربر نهایی باید نیازهای خود را از پیش شناخته و برای این نیازها Cubeها، جداول حقایق (Fact) و ابعاد یا دایمنشن (Dimension) مورد نیاز را پیاده سازی کند تا با کنار هم قرار دادن گزارشات مختلف تا حدودی به دانش استخراج شده و مورد نیاز خود دست پیدا کند.OLAP  برخی از قابلیت‌های تحلیل را فراهم می‌کند، اما تقریبا می‌توان گفت در کشورهای  پیشرفته یک رویکرد قدیمی است و متاسفانه در کشور ما همچنان ناشناخته! یا کمتر شناخته شده است. در حال حاضر انواع مختلف OLAP وجود دارد، مثل MultiDimensional OLAP (MOLAP) که به آن MMD نیز گفته می‌شود و  Relational OLAP ROLAP  یاRDBMS  و سیستم های OLAP از نوع HOLAP.

در حال حاضر انواع مختلف OLAP وجود دارد، مثل Multi dimensional OLAP وRelational OLAP و Hybrid OLAP


1- سیستم های OLAP چند بعدی یا MOLAP: این سیستمها بدلیل ساختار خاص نگهداری اطلاعات از سرعت بالاتری نسبت به سایر مدلها برخوردارند و بجای ذخیره کردن اطلاعات در رکورد های کلید دار، بانکهای اطلاعاتی خاصی را برای خود طراحی کرده اند بطوریکه داده ها را به شکل آرایه های مرتب شده بر اساس ابعاد داده ذخیره می کنند . این سیستم ها جداول داده های حقیقی وجداول چند بعدی را با ایندکسهای فشرده نگهداری کرده و جستجوهای تحلیلی پیچیده را در حداقل زمان اجرا می کنند. سرعت این ابزار بالا ولی سایز بانک اطلاعاتی آن نسبتا کوچک است.
2- سیستم های OLAP رابطه ای یا ROLAP : این ابزارها با ایجاد یک بستر روی بانکهای رابطه ای اطلاعات را ذخیره و بازیابی می کنند. بطوریکه اساس بهینه سازی برخی بانکهای اطلاعاتی رابطهای بر همین اساس استوار است. سیستم های ROLAP عملیات OLAP را در قالب استفاده از مدل سنتی Relational ساماندهی می کنند و لذا از سیستم های MOLAP کندتر عمل می کنند و به فضای بیشتری نیز نیاز دارند.
3- سیستم های OLAP از نوع HOLAP : منظور از hybrid ترکیبی از ROLAP و MOLAP است که دارای بانک اطلاعاتی بزرگ و راندمان بالاتر نسبت به ROLAP می باشد. سیستمهای HOLAP به شکل بینابینی پیاده سازی شده اند . یعنی داده های Fact را در جداول فشرده و داده های Dimension را در فضای رابطه ای نگهداری می کنند لذا مزایای هردو مدل را دارند.

 مفهوم مهم دیگر هنگام کار با کیوب یا مکعب ها، شناخت این مساله است که بیشتر داده های دستیابی شده، تجمیع یا اگریگیت می شوند یا حداقل می توانند تجمیع یا اگریگیت شوند. این بدان معنی است که هنگام ساخت یک کیوب یا مکعب، نیازی به ذخیره سازی کلیه محاسبات احتمالی روی داده ها نیست، بلکه در عوض می توانید روشی را تعریف کنید که پایین ترین سطح داده ها ترکیب شوند تا بتوانید به پاسخ مورد نظر دست یابید. مثلاً، اگر تعداد فروش روزانه خود را ردیابی کنید، ولی بخواهید بدانید کل فروش فصل گذشته چقدر بوده است، برطبق روشی که کیوب یا مکعب مربوطه طراحی شده است، می تواند به طور خودکار کل فروش روزانه رابرای 91 روز گذشته با هم جمع کند. بسته به چگونگی تعریف بعد یا دایمنشن Date ، هم چنین می  توانید داده مشابهی را بررسی کنید که به ماه یا هفته تقسیم شده است، بدون اینکه مجبور به انجام محاسبات پیچیده اضافی باشید.

کیوب یا مکعب های OLAP هم چنین می توانند مقادیر خلاصه شده و داده های پایین ترین سطح را ذخیره کنند. این امر بازیابی اطلاعات را آسان تر می کند. مثلاً داده های 91 روز آخر فروش، زیرا آن مجموع هم اکنون در کیوب یا مکعب به عنوان یک مقدار محاسبه شده ذخیره شده است.

سیستمهای اطلاعاتی تحلیلی در مقابل سیستم های عملیاتی ، سیستمهای هستند که امکان تحلیل داده های انبوه حاصل از سیستمهای عملیاتی را برای تمامی سطوح کاربران فراهم می کنند . سیستم های عملیاتی در سازمانهای بزرگی مانند بانکها به صورت روزانه پردازشهای اطلاعاتی فراوانی را به انجام رسانده و به تولید اطلاعات گوناگون می پردازند. بانکهای اطلاعاتی این سازمانها با داده های فراوان حاصل از تراکنش های مالی، اداری حسابداری و… روبرو می شوند. اطلاعات پایه سیستمها همانند اطلاعات کاربران و سطوح دسترسی آنهامعمولا با تغییرات روزانه مواجه نیستند اما اطلاعات عملیاتی نظیر عملیات تجاری،خرید و فروش محصولات و …میتوانندحتی بطور لحظه ای تغییرکنند.

تحلیل و پردازش درست و دقیق اطلاعات عملیاتی می تواند در تولید نتایج آماری در جهت تصمیم گیریهای کلان مدیریتی موثر بوده و به مدیران کمک کند تا تصمیمات بهینه ای برای موفقیت سازمان خود بگیرند . برای آنالیز و پردازش این اطلاعات و تسهیل و سرعت بخشیدن به عملیات گزارش گیری و پرس و جوهای متنوع به جای تحلیل مستقیم داده ها از درون سیستم های عملیاتی ، از سیستم ها و پایگاه داده‌ های تحلیلی استفاده می شود که خارج از حوزه سیستم های عملیاتی قرار داشته و سرعت بسیار بالایی دارند. پایگاه داده‌ های تحلیلی نسخه های متنوعی از داده های تراکنشی را به صورت اختصاصی برای پرس و جوها و گزارش گیری ،سازمان دهی می کنند.به این ترتیب کاربرانی مانند مدیران سازمان که خارج از سیستم های عمیاتی قرار دارند می توانند گزارش ها و پرس و جوهای مورد نظر خود را تهیه کنند . پایگاه داده‌ های تحلیلی OLAP از منابع داده‌ای متفاوت یک سازمان‌ و یا حتی چندین سازمان و ارگان‌ وابسته به هم تهیه می‌شود. این پایگاه داده بستر مناسبی را فراهم می‌آورد که داده‌های بایگانی شده در سیستمهای عملیاتی و مستقل از هم سازمان، به صورت مجتمع، خلاصه شده، و یکپارچه و سازمان یافته درآمده و برای استخراج مناسب اطلاعات در دسترس مدیران باشند.

سیستم های OLAP هوش تجاری  نام خود را از عبارت (Online Analytical Process) با معنی سیستم های پردازش تحلیلی برخط گرفته اند.می‌ توان به جای OLAP از واژه پردازش سریع اطلاعات چند بعدی و یا به عبارت بهتر از ” فن آوری تحلیل داده ها” استفاده کرد. این سیستمها بر اساس تکامل سیستمهای OLTP به معنی پردازش آنلاین تراکنش ها (On Line Transaction Processing ) ایجاد شده اند .

مکعبهای OLAP در هوش تجاری با استفاده از data model جامع خودQuery های کارآمد و پر سرعتی را ارئه داده و جایگزین بهتری برای خلاصه سازی جداول هستند. محاسبات پیچیده میتوانند براحتی درون این مکعبها قرارگرفته و باعث بهبود کیفیت تحلیل برنامه های کاربردی شوند. مثلا یک مکعب OLAP می تواند شامل محاسبات مقایسه ای فروش سال جاری هر منطقه و خط تولید با همان زمان در سالهای قبل باشد.در واقع ساختار این مکعب ها برای بهینه چنین گزارشات و تحلیل هایی بهینه شده است. عمده عملیات روی Database می تواند شامل update،insert،delete و … باشد اما Datawarehouse که یک مکعب چند بعدی با صدها برابر گنجایش یک Database است که به عنوان اصلی ترین وظیفه اش به کاربر data ارائه میدهد و میتواند اطلاعات را در قالبهای متنوع برای نیازهای مختلف نگهداری کند. پرس و جوهای کاربران در روزهای مختلف غیر قابل پیش بیش بینی هستند. به عنوان مثال شاید لازم شود فروش یک هفته را با همان هفته در چند سال پیش مقایسه کرد. با سیستمهای relational بهینه کردن چنین درخواست هایی بسیار مشکل است.برای برآوردن این نیاز Database وDBAها بصورت متناوب viewها و خلاصه جدول هایی را تولید میکنند.خروجی یک سیستم OLAP به صورت کلی یک ماتریس می‌باشد و ابعاد مختلف داده‌، ستونها و سطرهای ماتریس راتشکیل می‌هند. تکنیکهای بسیاری جهت جمع آوری ، پالایش و آنالیز داده ها نظیر OLAP، Data Mart  ، Warehousing و Data Mining با هدف استخراج اطلاعات از رکوردهای عملیاتی سازمان و نظم دهی آن به منظور انجام تحلیل های مختلف وجود دارد.

در هوش تجاری سیستم های OLAP برای ارائه پاسخهای سریع به سوالات و جستجوهای تحلیلی روی داده های “چند بعدی” طراحی شده اند .بطور معمول اگر بخواهیم مشابه همین پرس و جوهای تحلیلی را روی سیستم های اطلاعاتی عادی OLTP اجرا کنیم ممکن است نتایج در زمانی طولانی و غیرکاربردی بازگردانده شود در حالیکه استفاده از OLAP تضمین می کند که اطلاعات و گزارشات تحلیلی با زمان پاسخ مناسبی به کاربر تحویل داده شود. کاربردهای معمول OLAP عبارتند از : گزارشات تجاری فروش ، بازاریابی ، گزارشات مالی و مواردی از این قبیل. این سیستم ها داده های خود را به نحوی خاص نگهداری می کنند که از نظر سرعت در برخورد با داده های چند بعدی بهتر از سیستمهای OLTP عمل می کنند و از این رو به آنهابانکهای اطلاعاتی سلسله مراتبی (Hierarchical) هم گفته می‌شود. OLAP و پایگاه داده های مربوطه با استفاده از یک ساختار سلسله مراتبی و یک data model چندبعدی قدرتمند جهت سازماندهی اطلاعات به ساده سازی محاسبات پرداخته وگزارشاتی بسیار سریع‌تر نسبت به روش های قبلی ارائه می دهند. بانکهای اطلاعاتی به کار رفته در OLAP که Datawarehouse یا انبار داده ها نامیده می شوند متشکل از مکعبهای اطلاعاتی چند بعدی بوده که امکان آنالیز سریع اطلاعات پایگاه داده های مختلف را فراهم می‌آورند. بعنوان مثال یک پایگاه داده چند بعدی می تواند فروش کل سالیانه را با ماه فروش ، تعداد مشتری و قیمت متقاطع سازد. حاصل این تقاطع این است که گزارشات بسیار متنوعی مثل مجموع فروش در ماه خاص یا بهترین قیمت و مشتری سال و … از سیستم به راحتی قابل استخراج است.

تفاوت  OLAP و  OLTP در هوش تجاری : OLTP  می توانیم سیستم های IT را به انواع تراکنشی (OLTP) و تحلیلی (OLAP) تقسیم کنیم. بطور کلی می توانیم فرض کنیم که سیستم های OLTP داده های مرجع را برای انبار داده ها فراهم می کنند، در حالیکه سیستم های OLAP به تحلیل داده ها کمک می کنند.

سیستم پردازش تراکنش آنلاین OLAP توسط تعداد زیادی از تراکنش های کوتاه آنلاین (افزودن، بروز رسانی، حذف) مشخص شده است. تاکید اصلی برای سیستم های OLTP بر روی اعمال فرآیند های پرس و جوی سریع، حفظ کامل داده ها در محیط های دارای دسترسی های متفاوت و میزان موفقیت که بر طبق تعداد تراکنش ها در ثانیه اندازه گیری می شود، می باشد. داده ها در پایگاه داده OLTP بصورت جامع و به روز می باشند، و طرح مورد استفاده برای ذخیره پایگاه داده تراکنشی ، مدل ورود داده می باشد.

 سیستم های پردازش تحلیلی آنلاین (OLAP)  توسط حجم تقریبا کمی از تراکنش ها مشخص می شود. کوئری ها اغلب بسیار پیچیده و انبوه می باشند. باید توجه داشت که برای سیستم های OLAP، زمان پاسخ، معیار مناسبی است. اپلیکیشن های OLAP بطور گسترده توسط تکنیک های داده کاوی استفاده می شوند. در پایگاه داده ها OLAP داده های قبلی جمع آوری شده و در طرح های چند بعدی ذخیره می شوند (معمولا طرح ستاره می باشد).

نمونه‌هایی از پرس و جو‌های  در هوش تجاری OLTP

حقوق یک فرد در یک سازمان به چه میزان است؟

برداشت پول از حساب بانکی: اگر پول از حساب برداشت شود، عملیات به‌روزرسانی انجام می‌شود.

آدرس و ایمیل شناسه‌ی کسی که رئیس حسابداری است چیست؟

  OLAP در هوش تجاری به آرشیو یا سوابق داده‌ها می‌پردازد. سوابق داده‌ها به داده‌هایی گفته می‌شود که در طی یک دوره زمانی طولانی آرشیو می‌شوند. داده‌های OLTP از چندین دوره زمانی جمع‌آوری شده و در یک پایگاه داده بسیار بزرگ به نام انبار داده ذخیره می‌شوند. انبار داده‌ها برای عملیات انتخاب (Select) بسیار بهینه‌شده‌اند. به عنوان مثال: اگر ما اطلاعات ۱۰ سال اخیر را در مورد رزرو پرواز جمع‌آوری کنیم، این داده‌ها می‌تواند به ما اطلاعات معناداری مانند “روند در رزرو پرواز” ارائه دهند. همچنین اطلاعات مفیدی مانند “زمان اوج سفر”، “دسته‌بندی مردم از لحاظ طبقاتی (اقتصاد / کسب‌وکار) ” و غیره را در اختیار ما قرار می‌دهند. پردازش تحلیلی آنلاین (OLAP) نیازمند فرم‌های تحلیلی می‌باشد. پرس و جوها به تعداد زیادی از رکوردهای جداول پایگاه داده دسترسی دارند و عملیات مورد نیاز را بر اساس این رکوردها اجرا می‌کنند. به‌روزرسانی در انبار داده‌ها به ندرت انجام می‌شود. پرس و جوهای OLAP اطلاعات تجمعی را در مورد چیزهایی که در گذشته در طی یک دوره از زمان اتفاق افتاده است، ارائه می‌دهند و این اطلاعات به مدیران در تصمیم‌گیری‌های استراتژیک کمک خواهد کرد. از این رو پرس و جوهای OLAP در تصمیم‌گیری‌های استراتژیک دارای اهمیت قابل‌توجهی می‌باشند.

نمونه‌هایی از پرس و جوهای  OLAP:

چگونگی تغییرات سود در طول سال در مناطق مختلف

آیا از لحاظ مالی ادامه‌ی کار واحد تولید در محل X به صرفه خواهد بود؟

هوش تجاری
هوش تجاری

اصطلاحات OLAP  در هوش تجاری :

پایگاه داده OLAP: کانتینری برای اشیای متفاوتی که در یک راه حل Analysis Services وجود دارد، می باشد که علاوه بر ابعاد یا دایمنشن و کیوب یا مکعب های مذکور در صفحات قبل، این قسمت هم چنین شامل اشیای دیگری از قبیل منابع داده می باشد که در این فهرست معرفی خواهند شد.

منبع داده: داده ها از یک پایگاه OLAP سرچشمه نمی گیرند، بلکه در عوض از پایگاه داده های دیگری استفاده می کنند که اغلب یک پایگاه داده رابطه ای، منبع آن می باشد. پشتیبانی های مایکروسافت از تامین کننده های OLE DB موجود برای اتصال به 1 Microsoft SQL Server و پایگاه داده های جدیدتر و هم چنین SQL Native Client برای Analysis Services استفاده می کنند. برخی از پایگاه داده های شخص ثالث می توانند به عنوان منبع داده استفاده شوند، مادامی که یک درایور OLE DB مناسب داشته باشید.

بعد یا دایمنشن: بلوک های سازنده ساختار یک کیوب یا مکعب می باشند. ابعاد یا دایمنشن برطبق جداول یا دیدگاه های منبع داده بوده و حاوی صفاتی خواهند بود که بر طبق ستون های این جداول یا دیدگاه ها باشند. هر چند ابعاد یا دایمنشن برای ساخت کیوب یا مکعب ها استفاده می شوند، تعریف ابعاد یا دایمنشن در کیوب یا مکعب ذخیره نمی شود مگر آن که، آن ها به کیوب یا مکعب اضافه شوند. تعریف ابعاد یا دایمنشن نیز در کلکسیون بعد یا دایمنشن پایگاه داده OLAP ذخیره می شود. این امر به یک بعد یا دایمنشن واحد اجازه می دهد در یک یا چند کیوب یا مکعب استفاده شود.

 سلسله مراتب یا Hierarchyدو نوع سلسله مرتبه در SQL Server Analysis Services وجود دارد. سلسله مراتب صفات با استفاده از خصوصیات بعد یا دایمنشن برای تعریف یک ساختار سلسله مرتبه ای ساخته می شود. از طرف دیگر، سلسله مراتب تعریف شده کاربر به طور دستی با تعریف متدی که در آن کیوب یا مکعب می تواند در بعد یا دایمنشن خاص برش داده شود، ساخته می شود. علاوه بر مثال سلسله مرتبه تاریخ بخش قبل، مثال دیگری که ممکن است استفاده کنید بعد یا دایمنشن مکان جغرافیایی است که به شما اجازه می دهد داده های خود را در صورت لزوم براساس قاره، کشور، ایالت، استان، بخش و شهر تحلیل کنید.

سطح یا level: موقعیتی در یک سلسله مرتبه را شناسایی می کند که آیتم های مجزا تحت عنوان اعضا به آن تعلق دارند.

عضو:  اشیا یی در سلسله مرتبه ای که یک یا چند نمونه از داده واقعیت را نشان می دهد، می باشند. مثلاً سلسله مرتبه مکان جغرافیایی ممکن است سطح کشور را تعریف کند که شامل اعضای ایالات متحده، کانادا و ژاپن می باشد. سطح شهر ممکن است شامل اعضای سیاتل، ونکوور و توکیو باشد.

 معیارها: معیارها، داده واقعیت کمیت پذیر در پایگاه داده شما را نشان می دهند. همچنین معیارها قابل اندازه گیری اند. گروه های معیار برای مرتبط کردن ابعاد یا دایمنشن با معیارها از جداول واقعیت مرتبط استفاده می شود، درست مانند زمانی که تعداد متمایزی به عنوان رفتار تجمیع یا اگریگیتی برای داده واقعیت استفاده می شوند. این گروه ها موجب بهینه شدن پردازش تجمیع یا اگریگیت می شوند.

کیوب یا مکعب : اشیای اصلی ایجاد شده در پایگاه داده OLAP می باشد. دو جزء اصلی برای کیوب یا مکعب وجود دارد: ابعاد یا دایمنشن که برای تعریف ساختار کیوب یا مکعب استفاده می شوند و معیارها که حاوی داده واقعیتی (واقعی) هستند که توسط کیوب یا مکعب به آن ها مراجعه می شود و بلوک های سازند? پایگاه داده های OLAP شما هستند.

 شاخص های کلیدی عملکرد یا KPI : محاسبات داده گروه معیار که برای مقایسه عملکرد واقعی در برابر ارزش هدف تعیین شده استفاده می شوند. مثلاً، دپارتمان فروش ممکن است دو هدف را برای کمک به شناسایی عمکلرد فروش تعریف کند. اولین هدف، تنظیم ارزش هدف برای تعداد واحدهای فروخته شده و دومین هدف، شناسایی درآمد متصور از تمام فروش هاست. هر یک از این اهداف می توانند به عنوان شاخص کلیدی عملکرد دنبال شوند و شما می توانید فروش های سالیانه واقعی خود را با اهداف تعریف شده مقایسه کنید .

پارتیشن یا Partitions : معمولا زمانی از پارتیشن استفاده می‌کنیم که با حجم زیادی از داد‌ه‌ها روبرو باشیم. برای پردازش داده‌های حجیم زمان زیادی را باید صرف کرد، از طرفی نیازی نیست داده‌های از پیش پردازش شده را مجدد پردازش نمود و فقط باید داده‌های جدیدی که به انبار داده‌ها اضافه می‌شوند را مورد پردازش قرار داد.جهت اینکار داده‌ها را پارتیشن بندی‌ می‌کنیم.

پیش‌محاسبه یا Aggregation : کلمه Aggregation در لغت به معنای تجمیع و تراکم است اما مفهوم آن در SSAS پیش ‌محاسبه است. به این معنا که در هنگام پردازش داده‌ها یک پیش‌محاسبه‌ یا اگریگیشن نیز انجام می‌شود. این عمل همانند آماده‌ و همراه داشتن خلاصه‌ای از پاسخ‌های احتمالی، پیش از طرح سوال است. برای مثال زمانی که با یک جدول از هزاران رکورد روبرو هستیم، در هر زمان برای پاسخ به هر یک از سوال‌ها (کوئری) زمان زیادی طول می‌کشد تا پاسخ مناسب دریافت شود. در صورتی که اگر پاسخ‌ سوالات از پیش آماده شده باشند سرعت پاسخ گویی به مراتب بیشتر می‌شود.

Perspective : در OLAP برای دسته‌بندی و جداسازی معیارها، ابعاد یا دایمنشن، KPIها و… از Perspective استفاده می‌شود.

Browser : در SSAS خروجی Cubeهای ایجاد شده در این قسمت نمایش داده می‌شوند.

MDX : زبان برنامه‌نویسی در OLAP است که مخفف Multidimensional Expressions می‌باشد.

مجموعه داده یا Named Setیکی از ابزارهای موجود در سربرگ Calculations، مجموعه داده است که توسط آن می‌توان عضو‌های یک بعد یا دایمنشن خاص را دسته بندی کرد. برای مثال می‌توانیم 10 عضو برتر بعد یا دایمنشن مشتری را که بیشترین خرید را داشته‌اند نمایش داد. این عملیات توسط عبارات MDX انجام می‌گیرد.

Script Command در هوش تجاری : در این قسمت از MDX برای ایجاد عبارات خاص استفاده می‌شود.

Named Query : در واقع همان View است. توسط این قسمت می‌توان Viewهایی در DSV ایجاد کرد. دیدهای ایجاد شده فقط درSSAS نمایش داده می‌شوند.

Named Calculation : در صورت نیاز به تعریف Attribute در ابعاد یا دایمنشن استفاده می‌شود. برای تعریف این نوع Attribute از عبارات MDX و Queryاستفاده می‌شود.

Mining Structure : پروژه‌ها‌ی داده‌کاوی در این قسمت تعریف می‌شوند.

Mining Models : برای ایجاد مدل‌های مختلف داده‌کاوی و اعمال تغییرات در خصوصیات آن‌ها از این قسمت استفاده می‌شود.

Mining Model Viewer : در SSAS خروجی‌ مدل‌های داده‌کاوی در این قسمت نمایش داده می‌شوند.

Mining Accuracy : جهت بررسی بهتر صحت خروجی‌های نمایش داده شده و همچنین مقایسه مدل‌های داده‌کاوی ساخته شده در Mining Models از این قسمت استفاده می‌شود.

Mining Model Prediction : در برخی از الگوریتم‌ها قابلیت پیش‌بینی وجود دارد. از این قسمت برای ایجاد پیش بینی استفاده می‌شود.

DMXزبان برنامه‌نویسی در داده‌کاوی است که مخفف Data Mining Expressions می‌باشد.