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:
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:
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.
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.
Som databaseansvarlig skal du bruge følgende workflow til at designe og teste gennemboring for din kube.
Forbered dataadgang.
Opret definitioner af gennemboringsrapporter på kuben.
Test gennemboringsrapporterne.
Forbered Smart View.
Bor gennem fra forskellige celleskæringspunkter i Smart View.
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.
I dette eksempel skal du antage, at Sample Basic-kuben i Essbase har Qtr1-Qtr4 som de laveste niveauer i tidsdimensionen.
Der er ingen måneder i outline-hierarkiet, men de månedlige data er tilgængelige i det eksterne kildesystem i en tabelkolonne med navnet DIMENSION_YEAR:
Når en bruger af Smart View borer ned på et celleskæringspunkt for en Sales-værdi for Qtr1:
Den gennemboringsrapport, som Essbase genererer, er
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.
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,
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,
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.
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):
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.
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:
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:
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 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 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 Scenario føjer økonomisk rapporteringsanalyse til kuben med de to lagrede og to dynamiske beregningsmedlemmer:
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):
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.
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):
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.
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):
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.
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):
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.
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):
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.
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'