Dimensionen und Elemente
Wenn Sie Dimensionen und Elemente verstehen, sind Sie auf dem besten Weg, die Leistungsfähigkeit einer mehrdimensionalen Datenbank zu verstehen.
Beispiel: "Year" ist eine Dimension (vom Typ "Time") und "Qtr1" ein Element:
Year Time
Qtr1 (+)
Jan (+)
......Feb (+)
......Mar (+)Es gibt zwei Arten von Dimensionen: Standard-Dimensionen und Attribute.
-
Standarddimensionen stellen die Kernkomponenten eines Geschäftsplans dar und beziehen sich häufig auf Abteilungsfunktionen. Typische Standarddimensionen: Zeit, Konten, Produktlinie, Markt und Geschäftsbereich. Dimensionen ändern sich seltener als Elemente.
-
Attributdimensionen sind Standarddimensionen zugeordnet. Über Attribute-Dimensionen gruppieren und analysieren Sie Elemente von Standarddimensionen basierend auf den Elementattributen (Eigenschaften). Beispiel: Sie können die Rentabilität von nicht koffeinhaltigen Produkten, die in Glas verpackt sind, mit der Rentabilität von nicht koffeinhaltigen Produkten vergleichen, die in Dosen verpackt sind.
Elemente sind die einzelnen Komponenten einer Dimension. Beispiel: Produkt A, Produkt B und Produkt C können Elemente der Produktdimension sein. Jedes Element hat einen eindeutigen Namen. Einem Element zugeordnete Daten können gespeichert werden (in diesem Kapitel als gespeichertes Element bezeichnet), oder die Daten können dynamisch berechnet werden, wenn ein Benutzer sie abruft.
Modellstrukturhierarchien
Beginnen Sie mit dem Entwerfen des Essbase-Cubes, indem Sie eine Modellstruktur definieren. Die Outline-Organisation spiegelt die Beziehung Ihrer Datenkategorien als strukturelle und mathematische Hierarchien wider.
Die Entwicklung einer Essbase-Datenbank (Cube) beginnt mit der Erstellung einer Modellstruktur, die folgende Ziele erreicht:
-
Definiert strukturelle Beziehungen
-
Organisiert Daten
-
Definiert die Konsolidierungen und mathematischen Beziehungen zwischen Elementen
Das Konzept der Elemente wird verwendet, um Datenhierarchien darzustellen. Jede Dimension besteht aus mindestens einem Element. Die Mitglieder können wiederum aus anderen Mitgliedern bestehen. Beim Erstellen einer Dimension definieren Sie, wie die Werte der einzelnen Elemente konsolidiert werden. In der Baumstruktur der Cube-Modellstruktur ist eine Konsolidierung eine Gruppe von Elementen in einem Zweig des Baums.
Beispielsweise fassen viele Unternehmen ihre Daten monatlich zusammen, indem sie monatliche Daten zusammenfassen, um Quartalszahlen zu erhalten, und vierteljährliche Daten zusammenfassen, um Jahreszahlen zu erhalten. Unternehmen können Daten auch nach Postleitzahl, Ort, Bundesland und Land zusammenfassen. Mit jeder Dimension können Daten zu Berichtszwecken konsolidiert werden.
Beispiel: Im Cube "Sample.Basic" enthält die Dimension "Year" Quartalelemente: Qtr1, Qtr2, Qtr3 und Qtr4, die jeweils Daten für ein einzelnes Quartal speichern, und "Year", die Übersichtsdaten für das Jahr speichern. Qtr1 umfasst Jan, Feb und Mar, die jeweils Daten für einen Monat speichern, und Qtr1, die Übersichtsdaten für das Quartal speichern. In ähnlicher Weise enthalten Qtr2, Qtr3 und Qtr4 die Elemente, die den einzelnen Monaten entsprechen, und das Element, das die Quartalsummen speichert.
Die folgende hierarchische Struktur stellt die Datenkonsolidierungen und -beziehungen in Qtr1 dar.
Year Time
Qtr1 (+)
Jan (+)
......Feb (+)
......Mar (+)Einige Dimensionen bestehen aus relativ wenigen Elementen, während andere Hunderte oder Tausende von Elementen enthalten können.
Dimensions- und Elementbeziehungen
Die Organisation einer Essbase-Modellstruktur wird mit hierarchischer und familiärer Terminologie beschrieben, da sie eine einfache Möglichkeit ist, Rollen und Beziehungen von Elementen innerhalb einer Dimension zu konzeptualisieren. Hierarchische Begriffe umfassen Generationen und Ebenen, die analog zu Wurzeln und Blättern sind. Familiäre Begriffe umfassen Eltern, Kinder, Geschwister, Nachkommen und Vorfahren.
Die Unterthemen in diesem Abschnitt verweisen auf die unten gezeigte Gliederung, in der die Position der Elemente in der Gliederung beschrieben wird.
Abbildung 2-1 Elementgenerierung und Ebenennummern
Eltern, Kinder und Geschwister
Die Gliederung veranschaulicht die folgenden übergeordneten, untergeordneten und gleichgeordneten Beziehungen:
-
Ein übergeordnetes Element ist ein Element, das eine Verzweigung darunter hat. Beispiel: "Margin" ist ein übergeordnetes Element für "Sales and Cost of Goods Sold".
-
Ein untergeordnetes Element ist ein übergeordnetes Element. Beispiel: "Umsatz" und "Kosten des Umsatzes" sind untergeordnete Elemente der übergeordneten Gewinnspanne.
-
Geschwister sind untergeordnete Elemente desselben unmittelbaren übergeordneten Elements in derselben Generation. Beispiel: "Umsatz" und "Kosten des Umsatzes" sind gleichgeordnete Elemente (sie haben beide die übergeordnete Gewinnspanne), "Marketing" (auf derselben Filialebene) ist jedoch kein gleichgeordnetes Element, da das übergeordnete Element "Gesamtaufwand" ist.
Nachkommen und Vorgänger
Die Gliederung veranschaulicht die folgenden Beziehungen zwischen Nachkommen und Vorfahren:
-
Abhängige Elemente sind Elemente in Verzweigungen unter einem übergeordneten Element. Beispiel: "Gewinn", "Bestand" und "Verhältnisse" sind Nachkommen von Kennzahlen. Die untergeordneten Elemente von Profit, Inventory und Ratios sind ebenfalls Nachkommen von Measures.
-
Vorfahren sind Mitglieder in Zweigen über einem Mitglied. Beispiel: "Margin", "Profit" und "Measures" sind Vorgänger von "Sales".
Wurzeln und Blätter
Die Gliederung veranschaulicht die folgenden Beziehungen zwischen Root- und Leaf-Elementen:
-
Die Root ist das oberste Element in einer Verzweigung. Kennzahlen sind die Grundlage für Profit, Inventory, Ratios.
-
Blattmitglieder haben keine Kinder und werden auch als Mitglieder der Stufe 0 bezeichnet. Beispiel: "Eröffnungsbestand", "Zugänge" und "Endbestand" sind Elemente der Ebene 0.
Generationen und Ebenen
In Essbase sind Generationen und Ebenen Indikatoren für die Position eines Elements in der Modellstruktur. Eine Generation gibt die Entfernung eines Elements vom Root der Dimension. Eine Ebene misst die Anzahl der Verzweigungen zwischen einem Element und dem untersten Element darunter (ein hierarchisches "Blatt").
Generationen
Die Generierung bezieht sich auf eine Konsolidierungsebene innerhalb einer Dimension. Ein Root-Zweig des Baums ist Generation 1. Die Nummern der Generation werden vom Root zum Blattelement erhöht. Im Outline ist "Kennzahlen" Generation 1, "Gewinn" Generation 2 und "Gewinn" Generation 3. Alle gleichgeordneten Elemente jeder Ebene gehören zur selben Generation. Beispiel: "Bestand" und "Verhältnisse" sind die 2. Generation.
In der folgenden Abbildung wird ein Teil der Dimension {\b Product} dargestellt, dessen Generationen nummeriert sind. Produkt ist Generation 1, 100 ist Generation 2, 100-10 ist Generation 3, und 100-10-12 und 100-10-16 sind Generation 4.
Abbildung 2-2: Generationen
Ebenen
Ebene bezieht sich auch auf einen Zweig innerhalb einer Dimension. Ebenen umgekehrt die numerische Reihenfolge, die für Generationen verwendet wird. Ebenen werden vom Leaf-Element bis zur Root gezählt. Die Root-Level-Nummer variiert je nach Tiefe der Verzweigung. In der Gliederungsabbildung am Anfang dieses Abschnitts sind Umsatz und Herstellkosten des Umsatzes Ebene 0. Alle anderen Leaf-Elemente sind ebenfalls Ebene 0. Die Gewinnspanne ist die Ebene 1 und der Gewinn die Ebene 2. Beachten Sie, dass die Ebenenanzahl der Kennzahlen je nach Verzweigung unterschiedlich ist. Für den Zweig "Verhältnisse" ist "Kennzahlen" die Ebene 2. Für die Filiale "Gesamtaufwendungen" ist "Kennzahlen" die Ebene 3.
In der folgenden Abbildung wird ein Teil der Produktdimension mit den nummerierten Ebenen dargestellt. 100 ist Ebene 2, 100-10 ist Ebene 1, und 100-10-12 und 100-10-16 sind Ebene 0.
Abbildung 2-3 Ebenen
Generations- und Ebenenname
Um die Berichtsverwaltung zu vereinfachen, können Sie einer Generation oder Ebene einen Namen zuweisen und dann den Namen als Kurzform für alle Elemente in dieser Generation oder Ebene verwenden. Da Änderungen an einer Outline automatisch in einem Bericht widergespiegelt werden, müssen Sie bei Verwendung von Generierungs- und Ebenennamen den Bericht nicht ändern, wenn ein Elementname im Datenbank-Outline geändert oder gelöscht wird.
Hierarchieformen
Hierarchien in Essbase können symmetrisch oder asymmetrisch (ragged) sein.
Essbase verarbeitet einige Vorgänge je nach Hierarchieausprägung unterschiedlich. Tabellarischer Datenexport, bestimmte Berechnungsfunktionen (einschließlich @ANCESTVAL) und Drill-Through-Berichtszuordnung können unterschiedliche Ergebnisse aufweisen, wenn eine Dimension asymmetrische Hierarchien enthält.
Symmetrische Hierarchien
In symmetrischen Hierarchien befinden sich Elemente mit derselben Ebenennummer in der Gliederung auf derselben Tiefe. Beispiel: Im folgenden Diagramm sind die Elemente 100-10 und 200-10 sowohl Elemente der Ebene 0 als auch Elemente der Generation 3:
Generierungsnummern beginnen mit 1 beim Dimensionsnamen; höhere Generierungsnummern sind diejenigen, die Leaf-Elementen in einer Hierarchie am nächsten sind.
Ebenennummern beginnen im tiefsten Teil der Hierarchie mit 0. Die höchste Ebenennummer ist ein Dimensionsname.
Asymmetrische Hierarchien
In asymmetrischen (oder ragged) Hierarchien bedeutet die gleiche Ebenennummer nicht, dass sich die Elemente in der Gliederung in derselben Tiefe befinden. Beispiel: Im folgenden Diagramm sind Element aa und Element f Elemente der Ebene 0, die jedoch nicht dieselbe Tiefe aufweisen:
Standarddimensionen und Attributdimensionen
Essbase verfügt über Standarddimensionen und Attribute-Dimensionen. In diesem Kapitel werden Standarddimensionen behandelt, da Essbase keinen Speicher für Attribute-Dimensionselemente zuweist. Stattdessen werden die Elemente dynamisch berechnet, wenn der Benutzer die ihnen zugeordneten Daten abfragt.
Eine Attribute-Dimension ist ein spezieller Dimensionstyp, der einer Standarddimension zugeordnet ist. Siehe Mit Essbase-Attributen arbeiten.
Dünn besetzt und dicht besetzte Dimensionen
Die meisten Datasets multidimensionaler Datenbanken weisen zwei Eigenschaften auf:
-
Daten werden nicht reibungslos und einheitlich verteilt.
-
Für die meisten Elementkombinationen sind Daten nicht vorhanden. Zum Beispiel dürfen nicht alle Produkte in allen Gebieten des Landes verkauft werden.
Die meisten multidimensionalen Datenbanken sind von Natur aus spärlich; es fehlen Datenwerte für die meisten Elementkombinationen. Eine dünn besetzte Dimension ist eine Dimension mit einem niedrigen Prozentsatz der verfügbaren Datenpositionen ausgefüllt.
Beispiel: Die Modellstruktur der Datenbank Sample.Basic in Abbildung 2-4 enthält die Dimensionen Year, Product, Market, Measures und Scenario. Das Produkt stellt die Produkteinheiten, der Markt die geografischen Regionen dar, in denen die Produkte verkauft werden, und die Kennzahlen stellen die Kontendaten dar. Da nicht jedes Produkt in jedem Markt verkauft wird, werden Markt und Produkt als spärliche Dimensionen gewählt.
Mehrdimensionale Datenbanken enthalten auch dicht besetzte Dimensionen. Eine dichte Dimension hat eine hohe Wahrscheinlichkeit, dass eine oder mehrere Zellen in jeder Kombination von Dimensionen belegt sind. Beispiel: In der Datenbank {\b Sample.Basic} sind Account-Daten für fast alle Produkte in allen Märkten vorhanden. Daher wird {\b Measures} als dicht besetzte Dimension gewählt. Year und Scenario werden auch als dicht besetzte Dimensionen gewählt. "Jahr" gibt die Zeit in Monaten an, und "Szenario" gibt an, ob die Kontenwerte Budget- oder Istwerte sind.
Koffeiniert, Intro-Datum, Unzen, Pakettyp und Population sind Attribute-Dimensionen. Siehe Mit Essbase-Attributen arbeiten.
Wenn eine Essbase-Datenbank auf dem Datenträger gespeichert wird, bildet das kartesische Produkt dicht besiedelter Elementkombinationen Speichereinheiten, die als Blöcke bezeichnet werden. Für jede Kombination dünn besiedelter Elemente in der Datenbank wird ein Block auf den Datenträger geschrieben.
Abbildung 2-4 Sample.Basic Database Outline
Auswahl dicht besetzter und dünn besetzter Dimensionen
In den meisten Datensätzen folgen vorhandene Daten in der Regel vorhersehbaren Mustern von Dichte und Sparsamkeit. Wenn Sie Muster korrekt abgleichen, können Sie die vorhandenen Daten in einer angemessenen Anzahl von ziemlich dicht besiedelten Datenblöcken speichern, anstatt in vielen sehr dünn besiedelten Datenblöcken.
Um zu bestimmen, ob Dimensionen dicht besetzt oder dünn besetzt sein sollen, stellt Essbase eine automatische Konfigurationsoption in den Gliederungseigenschaften bereit.
Essbase kann basierend auf den folgenden Faktoren Empfehlungen für die dünn besetzte Konfiguration von Dimensionen abgeben:
-
Zeit- und Kontotags für Dimensionen
-
Die wahrscheinliche Größe der Datenblöcke
-
Eigenschaften, die Sie den Dimensionen zuordnen
Sie können eine empfohlene Konfiguration anwenden oder die automatische Konfiguration deaktivieren und die dünn besetzte oder dicht besetzte Eigenschaft für jede Dimension manuell festlegen. Beachten Sie, dass Sie Attribute-Dimensionen nur mit dünn besetzten Standarddimensionen verknüpfen können.
Hinweis:
Die automatische Konfiguration von dichten und dünn besetzten Dimensionen bietet nur eine Schätzung. Es kann die Art der Daten, die Sie in die Datenbank laden, oder die Überlegungen mehrerer Benutzer nicht berücksichtigen.
Dense-Sparse-Konfiguration für Sample.Basic
Betrachten Sie die Sample.Basic-Datenbank, die Daten für The Beverage Company (TBC) darstellt.
Da TBC nicht jedes Produkt auf jedem Markt verkauft, ist der Datensatz relativ spärlich. Für viele Kombinationen von Elementen in den Produkt- und Marktdimensionen sind keine Datenwerte vorhanden. Beispiel: Wenn Coffeine Free Cola nicht in Florida verkauft wird, gibt es keine Datenwerte für die Kombination Coffeine Free Cola (100-30) -> Florida, also sind Produkt und Markt spärliche Dimensionen. Wenn also keine Datenwerte für eine bestimmte Kombination von Elementen in diesen Dimensionen vorhanden sind, wird kein Datenblock für die Kombination erstellt.
Berücksichtigen Sie jedoch Kombinationen von Elementen in den Dimensionen Year, Measures und Scenario. Für einige Elementkombinationen in diesen Dimensionen sind fast immer Datenwerte vorhanden. Beispiel: Für die Elementkombination "Umsatz -> Januar -> Ist" sind Datenwerte vorhanden, da mindestens einige Produkte im Januar verkauft werden. Daher sind Year und, ähnlich, Measures und Scenario dicht besetzte Dimensionen.
Die dünn besetzte Konfiguration der Standarddimensionen in der Sample.Basic-Datenbank kann zusammengefasst werden:
-
Die dünnsten Standarddimensionen sind "Product" und "Market".
-
Die dicht besetzten Standarddimensionen sind Year, Measures und Scenario.
Für jede eindeutige Kombination von Elementen in der Product- und Market-Dimension wird ein Datenblock erstellt (siehe Data Storage). Jeder Datenblock stellt Daten aus den dicht besetzten Dimensionen dar. Die Datenblöcke haben wahrscheinlich nur wenige leere Zellen.
Beispiel: Die dünn besetzte Elementkombination Caffeine Free Cola (100-30), New York, in Abbildung 2-5:
-
Wenn Kontendaten (dargestellt durch die Measures-Dimension) für diese Kombination für Januar vorhanden sind, sind sie wahrscheinlich für Februar und für alle Elemente in der Year-Dimension vorhanden.
-
Wenn ein Datenwert für ein Element in der Measures-Dimension vorhanden ist, sind wahrscheinlich andere Kontendatenwerte für andere Elemente in der Measures-Dimension vorhanden.
-
Wenn Datenwerte für Istkonten vorhanden sind, sind wahrscheinlich Datenwerte für Budgetkonten vorhanden.
Abbildung 2-5 Dense-Datenblock für Sample.Basic-Datenbank
Szenarios für dicht besetzte und dünn besetzte Auswahl
In den folgenden Szenarios wird angezeigt, wie sich eine Datenbank auswirkt, wenn Sie andere Standarddimensionen auswählen. Angenommen, diese Szenarios basieren auf typischen Datenbanken mit mindestens sieben Dimensionen und mehreren hundert Elementen.
Szenario 1: Alle dünn besetzten Standarddimensionen
Wenn Sie alle Dimensionen dünn besiedelt machen, erstellt Essbase Datenblöcke, die aus einzelnen Datenzellen bestehen, die einzelne Datenwerte enthalten. Für jeden Datenblock und somit in diesem Szenario für jeden vorhandenen Datenwert wird ein Indexeintrag erstellt.
Diese Konfiguration erzeugt einen Index, der einen großen Speicher erfordert. Je mehr Indexeinträge, desto länger sucht Essbase nach einem bestimmten Block.
Abbildung 2-6 Datenbank mit allen dünn besetzten Standarddimensionen
Szenario 2: Alle dicht besetzten Standarddimensionen
Wenn Sie alle Dimensionen dicht machen, erstellt Essbase einen Indexeintrag und einen großen, dünn besetzten Block. In den meisten Anwendungen erfordert diese Konfiguration tausende Mal mehr Speicher als andere Konfigurationen. Essbase muss die gesamte Datenbank in den Speicher laden, wenn es nach einem Datenwert sucht, der enormen Arbeitsspeicher erfordert.
Abbildung 2-7: Datenbank mit allen dicht besetzten Standarddimensionen
Szenario 3: Dünn besetzte und dicht besetzte Standarddimensionen
Basierend auf Ihrem Wissen über die Daten Ihres Unternehmens haben Sie alle Ihre dünnen und dichten Standarddimensionen identifiziert.
Essbase erstellt dicht besetzte Blöcke, die einfach in den Speicher passen und einen relativ kleinen Index erstellen können. Ihre Datenbank wird effizient mit minimalen Ressourcen ausgeführt.
Abbildung 2-8 Eine ideale Konfiguration mit Kombination aus dichten und dünnen Dimensionen
Szenario 4: Ein typisches mehrdimensionales Problem
Betrachten Sie eine Datenbank mit vier Standarddimensionen: Zeit, Accounts, Region und Produkt. Im folgenden Beispiel sind "Zeit" und "Konten" dicht besetzte Dimensionen und "Region" und "Produkt" dünn besetzte Dimensionen.
Die in der Abbildung unten gezeigten zweidimensionalen Datenblöcke stellen Datenwerte aus den dicht besetzten Dimensionen dar: Zeit und Konten. Die Elemente in der Time-Dimension sind J, F, M und Q1. Die Elemente in der Accounts-Dimension sind "Rev", "Exp" und "Netto".
Abbildung 2-9 Zweidimensionaler Datenblock für Zeit und Konten
Essbase erstellt Datenblöcke für Kombinationen von Elementen in den dünn besetzten Standarddimensionen (vorausgesetzt, für die Elementkombination ist mindestens ein Datenwert vorhanden). Die Sparse-Dimensionen sind "Region" und "Product". Die Elemente der Region-Dimension sind East, West, South und Total US. Die Elemente in der Produktdimension sind "Produkt A", "Produkt B", "Produkt C" und "Gesamtprodukt".
Die Abbildung unten zeigt 11 Datenblöcke. Für Produkt A im Westen und Süden, für Produkt B im Osten und Westen oder für Produkt C im Osten sind keine Datenwerte vorhanden. Daher hat Essbase keine Datenblöcke für diese Elementkombinationen erstellt. Die Datenblöcke, die Essbase erstellt hat, enthalten nur wenige leere Zellen. In diesem Beispiel wird die Sparsamkeit effektiv auf den Index konzentriert und alle Daten in vollständig genutzte Blöcke konzentriert. Diese Konfiguration ermöglicht eine effiziente Datenspeicherung und -abfrage.
Abbildung 2-10: Für dünn besetzte Elemente erstellte Datenblöcke in Region und Produkt
Erwägen Sie als Nächstes eine Umkehrung der dicht besetzten und dünn besetzten Dimensionsauswahl. Im folgenden Beispiel sind "Region" und "Product" dicht besetzte Dimensionen und "Time" und "Accounts" dünn besetzte Dimensionen.
In der Abbildung unten stellen die zweidimensionalen Datenblöcke Datenwerte aus den dicht besetzten Dimensionen dar: Region und Produkt. In der Region "Westen" sind keine Daten für Produkt A und Produkt B verfügbar. Daten sind auch für das Gesamtprodukt in den USA nicht verfügbar.
Abbildung 2-11 Zweidimensionaler Datenblock für Region und Produkt
Essbase erstellt Datenblöcke für Kombinationen von Elementen in den dünn besetzten Standarddimensionen (vorausgesetzt, für die Elementkombination ist mindestens ein Datenwert vorhanden). Die dünn besetzten Standarddimensionen sind "Zeit" und "Konten".
Die Abbildung unten zeigt 12 Datenblöcke. Für alle Kombinationen von Elementen in den Dimensionen "Zeit" und "Konten" sind Datenwerte vorhanden. Daher erstellt Essbase Datenblöcke für alle Elementkombinationen. Da nicht für alle Produkte in allen Regionen Datenwerte vorhanden sind, verfügen die Datenblöcke über viele leere Zellen. Datenblöcke mit vielen leeren Zellen speichern Daten ineffizient.
Abbildung 2-12: Für Sparse Member erstellte Datenblöcke pünktlich und auf Konten
