Introduktion til Essbase-gennemboring

Når brugere af Smart View skal have flere oplysninger end dem, der er tilgængelige i kuben, kan gennemboringsrapporter give tilpasset adgang til eksterne kildedata.

På grund af detaljeringsniveauet for data, der opbevares i data warehouses og andre kildedatasystemer, bliver mængden af eksterne data typisk for stor til at kunne bruges til analyse. Hvis du vil udfylde en Essbase-kube med den optimale mængde data til analyse, er det almindelig praksis at aggregere kildedataene (for eksempel aggregering af daglige transaktionsværdier til ugentlige eller månedlige totaler) og indlæse de aggregerede data i Essbase-kuben.

Hvis brugere af Smart View under efterfølgende analyser af dataene i Essbase finder det nødvendigt at undersøge afvigelser, gør gennemboring det hurtigt for dem at se de underliggende kildedata, så de kan søge efter årsagen. Hvis dataene for august for eksempel afviger uventet fra dataene for juli, kan brugere bore gennem til kildesystemet for at finde ud af, hvilken eller hvilke records der er årsag til det.

Hvis den databaseansvarlige vil give analytiske brugere af Smart View yderligere oplysninger om, hvad der udgør en eller flere dataværdier i kuben, kan de implementere gennemboringsrapporter for at give større indsigt i kildedataene, før de samles og indlæses i Essbase.

Gennemboringsrapporter er en måde at oprette en dataudvekslingsgrænseflade mellem Essbase og eksterne kildesystemer på.

Se nærmere på en relationstabel, SB_DT, med alle records valgt. SQL-forespørgslen er:

SELECT * FROM SB_DT

Forespørgselsresultatet (i SQL Developer) er afkortet i denne illustration, da der er tusindvis af records i tabellen:


Visning af tabeldata i SQL Developer. Tusindvis af rækker med kolonnen DIMENSION_PRODUCT, der indeholder værdier for produkt-SKU'er, kolonnen DIMENSION_MARKET, der indeholder amerikanske delstater, kolonnen DIMENSION_YEAR, der indeholder måneder, kolonnen DIMENSION_SCENARIO, der indeholder Actual eller Budget, og talkolonnerne SALES, COGS, MARKETING og PAYROLL.

Se på samme tabel med færre valgte records. Hvis SQL-valget for eksempel er indsnævret til navngivne kolonner, målinger aggregeres, og der anvendes et filter (WHERE-klausul),

select DIMENSION_PRODUCT, DIMENSION_MARKET, YEAR_PARENT, DIMENSION_SCENARIO, sum(SALES) as SALES, sum(COGS) as COGS
         from SB_DT where DIMENSION_SCENARIO ='Actual' AND DIMENSION_MARKET ='California' AND YEAR_PARENT ='Qtr4' group by DIMENSION_PRODUCT, DIMENSION_MARKET,
        YEAR_PARENT, DIMENSION_SCENARIO

aggregeres og filtreres forespørgselsresultatet:


Visning af tabeldata i SQL Developer. 12 rækker med kolonnen DIMENSION_PRODUCT, der indeholder værdier for produkt-SKU'er, kolonnen DIMENSION_MARKET, der indeholder California, kolonnen YEAR_PARENT, der indeholder Qtr4, kolonnen DIMENSION_SCENARIO, der indeholder Actual, og talkolonnerne SALES og COGS.

Du kan udnytte styrken ved RDBMS-forespørgsler i Essbase ved at bruge datakilder, dataindlæsning og gennemboringsrapporter. Gennemboringsrapporter giver filtreret adgang til en ekstern datakilde direkte fra en Essbase-forespørgsel i et Smart View-projektark.

Terminologi til gennemboring

Dette emne forklarer betydningen af udtryk vedrørende Essbase-gennemboring.

Bore gennem (verbum)

At bore gennem er at oprette adgang til eksterne data fra et eller flere Essbase-celleskæringspunkter i et Smart View-projektark. Gennemboringshandlingen giver adgang til yderligere oplysninger, der ikke findes i Essbase-kuben. Behovet for at bore gennem opstår, når Essbase indeholder aggregerede ("opsummerede") værdier, og det eksterne kildesystem har mere detaljerede data, der kan gøres tilgængelige.

  • Hvis der udføres en forespørgsel på en gennemboring, vises resultaterne i et nyt projektark, som åbnes – dette er gennemboringsrapporten. Rapporten indeholder oplysninger, der er trukket ud af de eksterne kildedata.

  • Hvis der åbnes en URL på en gennemboring, åbnes den i en webbrowser. Du kan videregive parametre til URL'en for at udføre en tilpasset søgning på websitet.

Gennemboringsrapport

En gennemboringsrapport er resultatet af en gennemboringsoperation, der er udført fra et Smart View-gitter til yderligere data fra et kildesystem, der er eksternt i forhold til Essbase.

Definition af gennemboringsrapport

En definition af en gennemboringsrapport er metoden, hvis du er databaseansvarlig eller højere, og du skal definere den adgang, som dine brugere skal have til eksterne oplysninger. Du opretter definitioner af gennemboringsrapporter i Essbase-webinterfacet eller REST-API'en. De er knyttet til din kube. Som en del af definitionen angiver du:

  • En kolonne-mapping. Denne angiver de eksterne kolonner, der skal vises i rapporterne, og hvor stor hierarkisk (generationsmæssig) adgangsdybde der skal gives (vil du for eksempel vise daglige, månedlige eller kvartalsvise oplysninger fra den eksterne kilde?)

  • En region, der kan bores. Denne angiver de celleskæringspunkter i din kube, som giver adgang til gennemboringsrapporter (eller en URL), der indeholder yderligere eksterne data. I følgende eksempler er regioner, der kan bores i skæringspunktet for Smart View-projektark, farvekodet med blåt ved hjælp af celletypografier. Du angiver regioner, der kan bores, ved hjælp af en af de Medlemsangivne funktioner, der er tilgængelige i Essbase. I følgende eksempler er den region, der kan bores, @DESCENDANTS("Measures") på Sample Basic.

  • En mapping for runtime-parametre, hvis en parameteriseret forespørgsel er implementeret i den underliggende datakildeforespørgsel (valgfri).

Definitioner af gennemboringsrapporter er normalt baseret på foruddefinerede forbindelser og datakilder i Essbase (medmindre du skal definere adgang til en fil, der er uploadet til Essbase). En forbindelse lagrer autentificeringsdetaljerne i den eksterne kilde. En eller flere datakilder, som du definerer via forbindelsen, giver dig mulighed for at angive en første forespørgsel for at hente data fra den eksterne kilde (for eksempel ved at vælge alle fra en bestemt tabel). Den forespørgsel, som du angiver i datakilden, kan hente så stort eller lille et undersæt af data, som du vil starte med. Senere indkredser du omfanget af den dataadgang, som du vil give, når du opretter eller redigerer definitionen af gennemboringsrapporten.

Workflow for design af gennemboringsrapporter

Som databaseansvarlig skal du bruge følgende workflow til at designe og teste gennemboring for din kube.

  1. Forbered dataadgang.

    1. Upload en datafil. ELLER
    2. Anskaf autorisationsoplysninger, der er nødvendige for at få adgang til et eksternt kildesystem.
    3. Definer en forbindelse og en eller flere datakilder til datafilen eller til den eksterne kilde. Se Oprette en global forbindelse og datakilde eller Oprette en forbindelse på applikationsniveau og datakilde.
  2. Opret definitioner af gennemboringsrapporter på kuben.

    1. Definer kolonne-mappingen.
    2. Definer den region, der kan bores.
    3. Map eventuelle runtime-parametre.
  3. Test gennemboringsrapporterne.

    1. Forbered Smart View.

      • Installer den seneste version.
      • Opret forbindelse til kuben.
      • Aktiver celletypografier for at vise regioner, der kan bores.
    2. Bor gennem fra forskellige celleskæringspunkter i Smart View.

      • Bor gennem fra ét skæringspunkt.
      • Bor gennem fra flere skæringspunkter.
      • Bor gennem fra celler i forskellige generationer.
    3. Se output fra gennemboringsrapporten og platformloggen

Dette workflow og resten af denne introduktion fremhæver, hvad du skal vide for at kunne designe og teste gennemboringsadgang til eksterne kildedata i en RDBMS. Hvis du er mere interesseret i gennemboring af URL-implementering, skal du se Bore gennem til en URL.

Hvis du vil have oplysninger om de forskellige adgangskrav for gennemboringsdesign og -brug, skal du se Adgang til gennemboringsrapporter.

Sådan fungerer gennemboring

I dette eksempel skal du antage, at Sample Basic-kuben i Essbase har Qtr1-Qtr4 som de laveste niveauer i tidsdimensionen.


Year-hierarki. Year er dimensionsnavnet med de underordnede Qtr1, Qtr2, Qtr3 og Qtr4 på laveste niveau.

Der er ingen måneder i outline-hierarkiet, men de månedlige data er tilgængelige i det eksterne kildesystem i en tabelkolonne med navnet DIMENSION_YEAR:


Kolonnen DIMENSION_YEAR med månedsværdier: Aug, Sep, Oct og så videre.

Når en bruger af Smart View borer ned på et celleskæringspunkt for en Sales-værdi for Qtr1:


Smart View-gitter med brugervalg på celleværdien 1998 på skæringspunktet for (Qtr1, Sales, New York, Actual, Cola)

Den gennemboringsrapport, som Essbase genererer, er


Gennemboringsrapport fra kildesystem, der kun returnerer records, hvor YEAR_PARENT=Qtr1, og viser en SALES-total på 1998

Gennemboringsrapporten viser yderligere oplysninger fra kildedatabasen om Sales for Qtr1. Bemærk, at værdierne Jan, Feb og Mar tilsammen giver værdien for Qtr1: 678+645+675=1998.

Den forespørgsel, som Essbase bruger internt til at oprette ovenstående gennemboringsrapport, er:

SELECT
        "DIMENSION_PRODUCT", "DIMENSION_MARKET", "DIMENSION_YEAR", "DIMENSION_SCENARIO",
        "SALES", "COGS", "YEAR_PARENT"  FROM <Query defined in Datasource> WHERE
        "YEAR_PARENT" = 'Qtr1' AND "DIMENSION_PRODUCT" = '100-10' AND "DIMENSION_MARKET" =
        'New York' AND "DIMENSION_SCENARIO" = 'Actual'

Fra platformloggen kan administratorer få adgang til de nøjagtige forespørgsler bag hver gennemboringsrapport.

Definition af gennemboringsrapport

En definition af en gennemboringsrapport er metoden, hvis du er databaseansvarlig eller højere, og du skal definere den adgang, som dine brugere skal have til eksterne oplysninger.

Bemærk:

Du må ikke omdøbe definitioner af gennemboringsrapporten. Omdøbte definitioner af gennemboringsrapporten kan muligvis ikke redigeres og fungerer muligvis ikke som forventet.

For at aktivere den gennemboringsrapport, der genereres i Sådan fungerer gennemboring, har den databaseansvarlige oprettet en definition af gennemboringsrapport, der er tilknyttet Sample Basic. Gennemboringsrapporten refererer til en foruddefineret datakilde, der bruger en forespørgsel til at trække eksterne data ud af SB_DT (den hypotetiske kildesystemtabel, der er nævnt i Introduktion til Essbase-gennemboring).

I definitionen af gennemboringsrapporten har den databaseansvarlige angivet følgende kolonne-mapping:

Ekstern kolonne Inkluder i rapport Essbase-dimension Gen.-/niveaufilter
DIMENSION_PRODUCT Y Product Product SKU [Generation]
DIMENSION_MARKET Y Market State [Generation]
DIMENSION_YEAR Y Year Ingen
DIMENSION_SCENARIO Y Scenario Level0 [Level]
SALES Y Ingen --
COGS Y Ingen --
YEAR_PARENT Y Year Quarter [Generation]

Kolonne-mappingen definerer, hvilke eksterne kildekolonner der skal inkluderes i rapporten, hvilke Essbase-dimensioner som disse kolonner skal mappes til, og (valgfrit) en filterbetingelse for generation/niveau, der angiver, hvor dyb en adgang der skal gives.

I den mapping-skabelon, der er vist ovenfor, har den databaseansvarlige:

  • Mappet den eksterne kolonne DIMENSION_PRODUCT til generationen med navnet Produkt-SKU i Essbase-dimensionen Produkt. Denne type af kolonne-mapping kaldes generations-mapping.

  • Mappet den eksterne kolonne DIMENSION_MARKET til generationen med navnet Stat i Essbase-dimensionen Marked (et andet eksempel på generations-mapping).

  • Mappet den eksterne kolonne DIMENSION_YEAR til dimensionen År uden yderligere filter. Denne type af kolonne-mapping kaldes dimensions-mapping.

  • Mappet den eksterne kolonne DIMENSION_SCENARIO til det laveste niveau i Essbase-dimensionen Scenario. Denne type kolonne-mapping kaldes mapping på laveste niveau.

  • Ikke mappet kolonnerne SALES og COGS til noget, men valgt at inkludere disse kolonner i rapporten. Det er typisk ikke nødvendigt at mappe kolonner til Essbase-kontodimensionen.

  • Mappet den eksterne kolonne YEAR_PARENT til generationen med navnet Quarter i dimensionen Year.

Kolonne-mapping-valg

Fordi den forespørgsel, som Essbase genererer for at trække data ud af din datakilde, i høj grad er afhængig af din definerede kolonne-mapping, er det en god idé at kende de forskellige former for kolonne-mapping og vide, hvornår de enkelte metoder er nyttige. Der er følgende typer kolonne-mapping:

  • Dimensions-mapping

  • Generations-mapping

  • Mapping på laveste niveau

Dimensions-mapping

Med dimensions-mapping kan du mappe en kildedatakolonne direkte til et dimensionsnavn i Essbase-kuben. Denne mapping-type er særdeles nyttig, når kildedatakolonnen indeholder alle de lag af data, der repræsenteres i den tilsvarende dimension af din kube.

Hvis kildedatakolonnen MONTH for eksempel indeholder en blanding af alle de samme generationer/niveauer, som dimensionen har, som vist nedenfor,


Visning side om side af en afkortet relationskolonne, MONTH, ved siden af det afkortede Year-hierarki fra Sample Basic. Kolonnen MONTH indeholder records: Jan, Qtr3, Feb, Qtr1, Year, Aug og så videre. Hierarkiet Year indeholder Qtr1 med Jan, Feb, Mar som underordnede, Qtr2 med Apr, May, Jun som underordnede og så videre.

giver det mening at mappe kolonnen MONTH til Essbase-dimensionen Year uden yderligere filter:

Ekstern kolonne Inkluder i rapport Essbase-dimension Gen.-/niveaufilter
MONTH Y Year Ingen

Når du bruger en dimensions-mapping for MONTH som vist ovenfor, er filterbetingelsen (WHERE-klausulen i SQL-forespørgslen) ikke foruddefineret for kolonnen MONTH:

SELECT "MONTH"
FROM <Query defined in Datasource>
WHERE "MONTH" = '<Grid context>'

og gennemboringsresultatet for MONTH vil returnere det aktuelle Smart View-celleskæringspunkt.

Få mere at vide om, hvordan dimensions-mapping fungerer, i Eksempel på anvendelsesområde for gennemboring.

Generations-mapping

Med generations-mapping kan du mappe en kildedatakolonne til en navngivet generation i en Essbase-dimension. Denne type mapping er nyttig, når kildedatakolonnen kun indeholder de datalag, der repræsenteres i en specifik generation af en dimension i kuben. Hvis kildedatakolonnen MONTH for eksempel kun indeholder måneder, og Year-dimensionen har måneder i generation 3,


Visning side om side af en afkortet relationskolonne, MONTH, ved siden af det afkortede Year-hierarki fra Sample Basic. Kolonnen MONTH indeholder kun måneder som records: Jan, Feb, Feb, Mar, Mar, Apr, May og så videre. Hierarkiet Year indeholder Qtr1 med Jan, Feb, Mar som underordnede, Qtr2 med Apr, May, Jun som underordnede og så videre.

er det bedst at mappe kildekolonnen til generation 3 (Months) i Year-dimensionen:

Ekstern kolonne Inkluder i rapport Essbase-dimension Gen.-/niveaufilter
MONTH Y Year Months [Generation]

Når du bruger en generations-mapping for MONTH som vist ovenfor, er forespørgslens filterbetingelse foruddefineret for kolonnen MONTH:

SELECT "MONTH"
FROM <Query defined in Datasource>
WHERE "MONTH" = '<Generation filter>'

og gennemboringsresultatet for MONTH returnerer værdier ned til Months-generationen i Year-dimensionen. Ingen data (hvis de findes) returneres for noget niveau under Months.

Generations-mapping er ikke ideel til asymmetriske (ujævne) hierarkier.. En generations-mapping har ingen virkning på gennemboringsforespørgslen i en dimension med et ujævnt hierarki, medmindre gennemboringen udføres på et medlem i en direkte hierarkisk linje til den generation, hvor kolonne-mappingen er defineret. For at undgå uventede resultater anbefaler Oracle brug af mapping på laveste niveau i stedet for generations-mapping til gennemboring på asymmetriske hierarkier.

Få mere at vide om, hvordan generations-mapping fungerer, i Eksempel på anvendelsesområde for gennemboring.

Mapping på laveste niveau

Med mapping på laveste niveau får filterbetingelsen i Essbase tilføjet alle medlemmer på bladniveau fra hierarkiet under celleskæringspunktet (uanset hvilket medlem der er valgt i den aktuelle Smart View-gitterkontekst ved runtime).

Mapping på laveste niveau er nyttig ved arbejde med asymmetriske (ujævne) hierarkier.. I et ujævnt hierarki deler ikke alle medlemmer på samme niveau (L) den samme generationsmæssige (G) dybde i outlinen.


Illustration af medlemstræ i ujævnt hierarki. Measures, det øverste medlem, er generation 1 og er både niveau 2 og niveau 3. Underordnede til Measures, Profit, Inventory og Ratios, er generation 2 og niveau 1 og 2. Medlemmerne a til h er underordnede til Profit, Inventory og Ratios og er generation 3 på laveste niveau og niveau 1. Medlemmerne aa, ab, ba, bb og bc er underordnede til a og b og er generation 4 på laveste niveau.

Et almindeligt eksempel på et ujævnt hierarki er strukturen i en medarbejderorganisation.

Product-dimensionen i Essbase-kubens outline for Sample Basic ville være et ujævnt hierarki, hvis der blev tilføjet et par underordnede produkter under 100-10 (Cola):


Visning af afkortet Product-hierarki fra modificeret Sample Basic. Indeholder produkt 100 med de underordnede 100-10, 100-20, 100-30 og så videre. 100-10 er udvidet for at vise de tilføjede underordnede medlemmer 100-10-10, 100-10-20, 100-10-30 og 100-10-40.

Hvis den databaseansvarlige mapper kildekolonnen PRODUCT til laveste niveau i Product-dimensionen, som vist:

Ekstern kolonne Inkluder i rapport Essbase-dimension Gen.-/niveaufilter
PRODUCT Y Product Level0 [Level]

er forespørgslens filterbetingelse foruddefineret for kolonnen PRODUCT:

SELECT "PRODUCT"
FROM <Query defined in Datasource>
WHERE  "PRODUCT" = <Level0> below <Grid context>

og gennemboringsresultatet for PRODUCT returnerer alle medlemmer på laveste niveau under det valgte Product-medlem i det aktuelle Smart View-celleskæringspunkt.

Få mere at vide om, hvordan mapping på laveste niveau fungerer, i Eksempel på anvendelsesområde for gennemboring.

Eksempel på anvendelsesområde for gennemboring

I dette eksempel på et anvendelsesområde vil vi undersøge følgende faktorer, som du skal overveje, når du designer adgang til gennemboringsrapporter for brugere af Smart View:

  • En Essbase-kube til analyse

  • Et eksternt kildesystem til gennemboring

  • En definition af gennemboringsrapport med kolonne-mapping, der er defineret af den databaseansvarlige

  • Resultater af gennemboringsrapport fra Smart View

Essbase-kube

I dette eksempel er basis en kube, der ligner Essbase-demokuben, Sample Basic, men kun med kvartalsvise data for den tidsdimension, der findes i kuben (måneder er fjernet). Antag, at Year-dimensionen har Qtr1-Qtr4 som medlemmer på laveste niveau:


Year-hierarki. Year er dimensionsnavnet med de underordnede Qtr1, Qtr2, Qtr3 og Qtr4 på laveste niveau.

Selvom måneder mangler i dette outline-hierarki, er de månedlige data tilgængelige eksternt via gennemboring til kildesystemet (antag, at det er Oracle Database), og der er adgang til oplysninger fra en kolonne med navnet DIMENSION_YEAR:


Kolonnen DIMENSION_YEAR med månedsværdier: Aug, Sep, Oct og så videre.

For de resterende dimensioner skal du antage, at det er de samme som i Essbase-demokuben Sample Basic, der er tilgængelig i galleriafsnittet i filkataloget. En hurtig gennemgang af disse i rækkefølge:

Dimensionen Målinger sporer KPI'er for konti ved hjælp af dynamiske beregninger med Essbase-beregningsformler.


Dimensionen Measures med generation 2-medlemmerne Profit, Inventory og Ratios. Profit er udvidet til at vise de underordnede medlemmer Margin og Total Expenses. Margin er udvidet til at vise de underordnede medlemmer Sales og COGS. Inventory og Ratios er ikke udvidet, men har hver især yderligere underordnede medlemmer.

Dimensionen Product sporer det aktive lager og går to generationer ned til generation 2 med navnet Category (udfyldt med 100 [alias Colas], 200, 300, 400 og Diet) og generation 3/laveste niveau med navnet Product SKU (udfyldt med 100-10 [alias Cola], 100-20 osv.).


Dimensionen Product med generation 2-medlemmerne 100, 200, 300, 400 og Diet. Produktkategorimedlem 100 er udvidet til at vise de underordnede medlemmer på laveste niveau for Produkt-SKU'er: 100-10, 100-20 og 100-30. Andre produktkategorimedlemmer, 200, 300, 400 og Diet, er ikke udvidet, men har hver især yderligere underordnede medlemmer.

Dimensionen Market har geografisk inddeling med yderligere to generationer under dimensionsnavnet. Generation 2 er Region (East, West og så videre), og generation 3 er State.


Dimensionen Market med generation 2-medlemmerne East, West, South og Central. Markedsregionsmedlem East er udvidet til at vise de underordnede medlemmer på laveste niveau for nogle østlige amerikanske stater: New York, Massachusetts, Florida, Connecticut og New Hampshire. Andre produktkategorimedlemmer, West, South og Central, er ikke udvidet, men har hver især yderligere underordnede medlemmer.

Dimensionen Scenario føjer økonomisk rapporteringsanalyse til kuben med de to lagrede og to dynamiske beregningsmedlemmer:


Dimensionen Scenario med generation 2-medlemmerne Actual, Budget, Variance og Variance %. De to sidstnævnte medlemmer er dynamisk beregnede, mens Actual og Budget er lagrede.

Eksternt kildesystem

Antag, at kildesystemet i dette eksempel er Oracle Database. Den foruddefinerede datakilde i Essbase inkluderer en SQL-forespørgsel, der trækker oplysninger ud af en tabel i Oracle Database.

Der er vores opgave som databaseansvarlig at designe en definition af en gennemboringsrapport på basis af denne datakilde, der giver brugere af Smart View den korrekte adgang til de kildesystemdata, der trækkes ud af datakilden.

Forespørgslen i datakilden kan være så simpel som

SELECT * FROM TABLENAME

eller den kan forfines til at trække enhver aggregering eller ethvert udvalg af de eksterne data ud, som du vil bruge som basis.

Udvælgelsen fra vores hypotetiske tabel i Oracle Database inkluderer eksterne kolonner som dem, der er illustreret i vores introduktion. Vi vil mappe nogle af disse eksterne kolonner til Essbase-dimensioner, når vi designer definitionen af gennemboringsrapporten.

Definition af kolonne-mapping

Kolonne-mappingen i dette eksempel udnytter dimensions-mapping for Products, generations-mapping for Year og Scenario og mapping på laveste niveau for Market.

Ekstern kolonne Inkluder i rapport Essbase-dimension Gen.-/niveaufilter
DIMENSION_PRODUCT Y Product Ingen
DIMENSION_MARKET Y Market Level0 [Level]
YEAR_PARENT Y Year Quarter [Generation]
DIMENSION_SCENARIO Y Scenario Scen [Generation]
SALES Y Ingen --
COGS Y Ingen --
MARKETING Y Ingen --
PAYROLL Y Ingen --
MISC Y Ingen --

Eksempler på gennemboringsrapport efter kolonne-mapping-type

Følgende eksempler på gennemboringsrapport illustrerer forespørgselsresultaterne for hver kolonne-mapping-type, som den databaseansvarlige angiver som en del af gennemboringsrapportens definition.

Eksempel 1 på dimensions-mapping

Brug af dimensions-mapping for Product uden hierarkisk filter og

Ekstern kolonne Inkluder i rapport Essbase-dimension Gen.-/niveaufilter
DIMENSION_PRODUCT Y Product Ingen

gennemboring udført fra et celleskæringspunkt er ikke bundet til nogen specifik generation eller noget bestemt niveau.

Derfor returnerer gennemboring fra (Year, Sales, West, Actual, Cola):


Smart View-gitter med brugervalg på celleværdien 14862 på skæringspunktet for (Year, Sales, West, Actual, Cola)

en gennemboringsrapport, der er filtreret efter den aktuelle gitterkontekst for Product, som er 100-10 (100-10 er det Product SKU, der er tilknyttet aliasnavnet Cola). Alle værdier, der trækkes ud af kolonnen DIMENSION_PRODUCT i kildesystemet, er records, hvor DIMENSION_PRODUCT = 100-10.


Gennemboringsrapport kun med records, der er specifikke for Product SKU 100-10, og som viser en SALES-total på 14862

Hvis du vil validere gennemboringsrapporter, mens du tester dem, skal du kontrollere, at summen for målingen i rapporten matcher det celleskæringspunkt, hvor gennemboringen blev udført. I ovenstående eksempel er gennemboringsrapporten valideret, fordi den celle, der er boret på, matcher værdien (14862) af summen af den mappede kolonne i gennemboringsrapporten.

Den forespørgsel, som Essbase bruger til at oprette ovenstående gennemboringsrapport, er:

SELECT "DIMENSION_PRODUCT", "DIMENSION_MARKET", "YEAR_PARENT", "DIMENSION_SCENARIO", "SALES", "COGS", "MARKETING", "PAYROLL", "MISC"
FROM <Query defined in Datasource>
WHERE (
"YEAR_PARENT" = 'Qtr3' OR
"YEAR_PARENT" = 'Qtr4' OR
"YEAR_PARENT" = 'Qtr1' OR
"YEAR_PARENT" = 'Qtr2') 
AND 
"DIMENSION_PRODUCT" = '100-10'
AND (
"DIMENSION_MARKET" = 'Oregon' OR
"DIMENSION_MARKET" = 'California' OR
"DIMENSION_MARKET" = 'Washington' OR
"DIMENSION_MARKET" = 'Utah' OR
"DIMENSION_MARKET" = 'Nevada')
AND 
"DIMENSION_SCENARIO" = 'Actual'

Eksempel 2 på dimensions-mapping

I forlængelse af det foregående eksempel skal vi undersøge, hvad der sker, når vi borer gennem på Product på et højere niveau.

Gennemboring fra (Year, Sales, West, Actual, Colas):


Smart View-gitter med brugervalg på celleværdien 28306 på skæringspunktet for (Year, Sales, West, Actual, Colas)

returnerer en gennemboringsrapport, der er filtreret efter den aktuelle gitterkontekst for Product, som nu er 100 (100 er den produktkategori, der er tilknyttet aliasnavnet Colas). Alle værdier, der trækkes ud af kolonnen DIMENSION_PRODUCT i kildesystemet, er records, hvor DIMENSION_PRODUCT = 100.


Gennemboringsrapport kun med records, der er specifikke for produktkategori 100, og som viser en SALES-total på 23806

Gennemboringsrapporten er valideret, fordi den celle, der er boret på, matcher værdien (23806) af summen af den mappede kolonne i gennemboringsrapporten.

Den forespørgsel, som Essbase bruger til at oprette ovenstående gennemboringsrapport, er:

SELECT "DIMENSION_PRODUCT", "DIMENSION_MARKET", "YEAR_PARENT", "DIMENSION_SCENARIO", "SALES", "COGS", "MARKETING", "PAYROLL", "MISC"
FROM <Query defined in Datasource>
WHERE (
"YEAR_PARENT" = 'Qtr3' OR
"YEAR_PARENT" = 'Qtr4' OR
"YEAR_PARENT" = 'Qtr1' OR
"YEAR_PARENT" = 'Qtr2') 
AND 
"DIMENSION_PRODUCT" = '100'
AND (
"DIMENSION_MARKET" = 'Oregon' OR
"DIMENSION_MARKET" = 'California' OR
"DIMENSION_MARKET" = 'Washington' OR
"DIMENSION_MARKET" = 'Utah' OR
"DIMENSION_MARKET" = 'Nevada')
AND 
"DIMENSION_SCENARIO" = 'Actual'

Eksempel 1 på generations-mapping

Brug af generations-mapping for Year med et filter på generationen med navnet Quarter og

Ekstern kolonne Inkluder i rapport Essbase-dimension Gen.-/niveaufilter
YEAR_PARENT Y Year Quarter [Generation]

gennemboring udført fra et celleskæringspunkt er bundet til den angivne Year-generation.

Gennemboring fra (Qtr2, Sales, Market, Actual, Cola):


Smart View-gitter med brugervalg på celleværdien 16048 på skæringspunktet for (Qtr2, Sales, Market, Actual, Cola)

returnerer en gennemboringsrapport, der er filtreret efter den mappede generationskontekst for Year, som er Quarters. Da Qtr2 er i den valgte gitterkontekst, er alle værdier, der trækkes ud af kolonnen YEAR_PARENT i kildesystemet, records, hvor YEAR_PARENT = Qtr2.


Gennemboringsrapport kun med records, der er specifikke for Qtr2, og som viser en SALES-total på 16048

Gennemboringsrapporten er valideret, fordi den celle, der er boret på, matcher værdien (16048) af summen af den mappede kolonne i gennemboringsrapporten.

Den forespørgsel, som Essbase bruger til at oprette ovenstående gennemboringsrapport, er:

SELECT "DIMENSION_PRODUCT", "DIMENSION_MARKET", "YEAR_PARENT", "DIMENSION_SCENARIO", "SALES", "COGS", "MARKETING", "PAYROLL", "MISC"
FROM <Query defined in Datasource>
WHERE 
"YEAR_PARENT" = 'Qtr2'
AND
"DIMENSION_PRODUCT" = '100-10'
AND (
"DIMENSION_MARKET" = 'Oregon' OR 
"DIMENSION_MARKET" = 'New York' OR 
"DIMENSION_MARKET" = 'Oklahoma' OR 
"DIMENSION_MARKET" = 'California' OR 
"DIMENSION_MARKET" = 'Florida' OR 
"DIMENSION_MARKET" = 'Washington' OR 
"DIMENSION_MARKET" = 'Utah' OR 
"DIMENSION_MARKET" = 'Iowa' OR 
"DIMENSION_MARKET" = 'New Mexico' OR 
"DIMENSION_MARKET" = 'Massachusetts' OR 
"DIMENSION_MARKET" = 'Texas' OR 
"DIMENSION_MARKET" = 'Illinois' OR 
"DIMENSION_MARKET" = 'Colorado' OR 
"DIMENSION_MARKET" = 'Connecticut' OR 
"DIMENSION_MARKET" = 'New Hampshire' OR 
"DIMENSION_MARKET" = 'Missouri' OR 
"DIMENSION_MARKET" = 'Louisiana' OR 
"DIMENSION_MARKET" = 'Ohio' OR 
"DIMENSION_MARKET" = 'Wisconsin' OR 
"DIMENSION_MARKET" = 'Nevada')
AND
"DIMENSION_SCENARIO" = 'Actual'

Eksempel 2 på generations-mapping

I forlængelse af det foregående eksempel skal vi undersøge, hvad der sker, når vi borer gennem på dimensionen Year på et højere niveau.

Gennemboring fra (Year, Sales, Market, Actual, Cola):


Smart View-gitter med brugervalg på celleværdien 62824 på skæringspunktet for (Year, Sales, Market, Actual, Cola)

returnerer en gennemboringsrapport, der er filtreret efter den mappede Quarters-generation for Year. Værdierne, der trækkes ud af kolonnen YEAR_PARENT i kildesystemet, er Qtr1, Qtr2, Qtr3 og Qtr4.


Gennemboringsrapport med records for alle kvartaler i året, der viser en SALES-total på 62824

Gennemboringsrapporten er valideret, fordi den celle, der er boret på, matcher værdien (62824) af summen af den mappede kolonne i gennemboringsrapporten.

Den forespørgsel, som Essbase bruger til at oprette ovenstående gennemboringsrapport, er:

SELECT "DIMENSION_PRODUCT", "DIMENSION_MARKET", "YEAR_PARENT", "DIMENSION_SCENARIO", "SALES", "COGS", "MARKETING", "PAYROLL", "MISC"
FROM <Query defined in Datasource>
WHERE (
"YEAR_PARENT" = 'Qtr3' OR 
"YEAR_PARENT" = 'Qtr4' OR 
"YEAR_PARENT" = 'Qtr1' OR 
"YEAR_PARENT" = 'Qtr2')
AND
"DIMENSION_PRODUCT" = '100-10'
AND (
"DIMENSION_MARKET" = 'Oregon' OR 
"DIMENSION_MARKET" = 'New York' OR 
"DIMENSION_MARKET" = 'Oklahoma' OR 
"DIMENSION_MARKET" = 'California' OR 
"DIMENSION_MARKET" = 'Florida' OR 
"DIMENSION_MARKET" = 'Washington' OR 
"DIMENSION_MARKET" = 'Utah' OR 
"DIMENSION_MARKET" = 'Iowa' OR 
"DIMENSION_MARKET" = 'New Mexico' OR 
"DIMENSION_MARKET" = 'Massachusetts' OR 
"DIMENSION_MARKET" = 'Texas' OR 
"DIMENSION_MARKET" = 'Illinois' OR 
"DIMENSION_MARKET" = 'Colorado' OR 
"DIMENSION_MARKET" = 'Connecticut' OR 
"DIMENSION_MARKET" = 'New Hampshire' OR 
"DIMENSION_MARKET" = 'Missouri' OR 
"DIMENSION_MARKET" = 'Louisiana' OR 
"DIMENSION_MARKET" = 'Ohio' OR 
"DIMENSION_MARKET" = 'Wisconsin' OR 
"DIMENSION_MARKET" = 'Nevada')
AND
"DIMENSION_SCENARIO" = 'Actual'

Eksempel på mapping på laveste niveau

Brug af mapping på laveste niveau for Market med et filter på alle medlemmer på laveste niveau (blad) og

Ekstern kolonne Inkluder i rapport Essbase-dimension Gen.-/niveaufilter
DIMENSION_MARKET Y Market Level0 [Level]

gennemboring udført fra et celleskæringspunkt returnerer alle de laveste medlemmer for Market.

Gennemboring fra (Year, Sales, Market, Actual, Cola):


Smart View-gitter med brugervalg på celleværdien 62824 på skæringspunktet for (Year, Sales, Market, Actual, Cola)

returnerer en gennemboringsrapport, der inkluderer medlemmerne af Market-dimensionen på laveste niveau, som er States. Alle værdier, der trækkes ud af kolonnen DIMENSION_MARKET i kildesystemet, er records, der indeholder stater.


Gennemboringsrapport med records for alle bladmedlemmer (stater) i Market, der viser en SALES-total på 62824

Gennemboringsrapporten er valideret, fordi den celle, der er boret på, matcher værdien (62824) af summen af den mappede kolonne i gennemboringsrapporten.

Den forespørgsel, som Essbase bruger til at oprette ovenstående gennemboringsrapport, er:

SELECT "DIMENSION_PRODUCT", "DIMENSION_MARKET", "YEAR_PARENT", "DIMENSION_SCENARIO", "SALES", "COGS", "MARKETING", "PAYROLL", "MISC"
FROM <Query defined in Datasource>
WHERE (
"YEAR_PARENT" = 'Qtr3' OR 
"YEAR_PARENT" = 'Qtr4' OR 
"YEAR_PARENT" = 'Qtr1' OR 
"YEAR_PARENT" = 'Qtr2')
AND
"DIMENSION_PRODUCT" = '100-10'
AND (
"DIMENSION_MARKET" = 'Oregon' OR 
"DIMENSION_MARKET" = 'New York' OR 
"DIMENSION_MARKET" = 'Oklahoma' OR 
"DIMENSION_MARKET" = 'California' OR 
"DIMENSION_MARKET" = 'Florida' OR 
"DIMENSION_MARKET" = 'Washington' OR 
"DIMENSION_MARKET" = 'Utah' OR 
"DIMENSION_MARKET" = 'Iowa' OR 
"DIMENSION_MARKET" = 'New Mexico' OR 
"DIMENSION_MARKET" = 'Massachusetts' OR 
"DIMENSION_MARKET" = 'Texas' OR 
"DIMENSION_MARKET" = 'Illinois' OR 
"DIMENSION_MARKET" = 'Colorado' OR 
"DIMENSION_MARKET" = 'Connecticut' OR 
"DIMENSION_MARKET" = 'New Hampshire' OR 
"DIMENSION_MARKET" = 'Missouri' OR 
"DIMENSION_MARKET" = 'Louisiana' OR 
"DIMENSION_MARKET" = 'Ohio' OR 
"DIMENSION_MARKET" = 'Wisconsin' OR 
"DIMENSION_MARKET" = 'Nevada')
AND
"DIMENSION_SCENARIO" = 'Actual'