OLAP-технолрогии в менеджменте

ВВЕДЕНИЕ

Построение систем анализа данных является важным направлением развития информационных технологий. В последнее время в связи с ростом числа накопленных данных в организациях и необходимостью принятия обоснованных управленческих решений интерес к этому направлению растёт. С помощью систем анализа данных могут быть решены следующие задачи: сбор всех необходимых для анализа данных в одном месте с согласованием форматов и удалением ошибок, интерактивный просмотр этих данных аналитиком, автоматическое извлечение закономерностей из данных. Всё это позволяет в каждый момент времени иметь полную информацию об организации и эффективно принимать управляющие решения.

Механизм OLAP является на сегодня одним из популярных методов анализа данных. Интерактивная аналитическая обработка (OLAP) позволяет получать доступ к статистическим и организованным данным из источников бизнес-данных, например хранилищ данных, в многомерной структуре, именуемой куб. Технологии OLAP позволяют на основе оперативной базы данных комплекса производить построение многомерных хранилищ данных с целью их экспресс-обработки для принятия управленческих решений.

Целью данной курсовой работы является получение практических навыков в среде OLAP на основе обзора фармацевтического рынка Украины за 2007 г.

Целью курсовой работы является освоение навыком функционирования OLAP сферы, удобства использования данных технологий для работы с отчетностями и другими статистическими показателями.

Задачами данной курсовой работы являются: ознакомление с OLAP технологиями, построение алгоритмов проектирования OLAP-куба и создание запросов к построенной сводной таблице. Одной из важнейших задач является построение и моделирование OLAPкуба, осваивание функций и возможностей, позволяет оценить удобства этой сферы работы с данными (в данном случае планово-экономические отчетности), так как оперативная аналитическая обработка данных Online analytical processing (OLAP) — это новая, более гибкая методика анализа данных.

Объектом работы, непосредственно, являются обзоры объёмов продаж лекарственных препаратов. На данном примере в курсовой работе будут рассмотрены все удобства оперирования и функциональность OLAP технологий.

За более или менее продолжительный интервал времени (от нескольких месяцев) в базе данных комплекса накапливается существенный объем информации, который может и должен быть использован для анализа деятельности предприятия, прогноза происходящих на нем процессов. Для удобства и более эффективной работы используем OLAP технологии, с помощью построения сводной таблицы (кросс-таблицы, кросс-диаграмм).

OLAP — это технология многомерного анализа данных, предназначенная для обеспечения пользователей всей необходимой информацией для принятия управленческих решений.

1.1 Характеристика фармацевтического рынка Украины При рассмотрении объекта исследования хотелось бы, прежде всего, начать с ключевых моментов развития фармацевтического рынка.

На процессы, которые происходят на фармацевтическом рынке, влияет совокупность ряда внешних и внутренних факторов: экономико-политическая нестабильность в стране, отсутствие реальных реформ в системе здравоохранения за последние 20 лет, консолидация компаний-производителей, непрозрачная система регистрации лекарственных средств, отсутствие системных инвестиций в отрасль, попытки государственных чиновников скорее администрировать, а не регулировать происходящие процессы.

Проанализировав ситуацию через призму ключевых характеристик фармацевтического рынка Украины, можно выделить несколько моментов:

* Низкий уровень подушевого потребления лекарственных средств.

* Высокий уровень конкуренции при относительно небольшом объеме рынка.

* Наметившееся снижение темпов роста рынка.

* Дисбаланс в росте рынка в денежном и натуральном выражении.

* Невысокая доля инновационных препаратов.

* Невысокая маржинальность бизнеса (низкий mark-up дистрибьюторов, относительно высокие затраты на продвижение у отечественных производителей и т. д.).

* Отсутствие государственного финансирования.

Для анализа рынка и более точного прогнозирования участников рынка можно разделить на основные классы:

· отечественные производители лекарственных средств («Дарница», «Артериум», «Фармак», «Здоровье» и др.), дальнейшее развитие которых во многом зависит от государственных преференций, хотя именно для этого кластера характерновесьма эффективное использование маркетинговых инструментов;

· восточноевропейские производители (KRKA, Gedeon Richter, BerlinChemie), которые давно работают на нашем рынке, обладают хорошей репутацией, положительной предысторией и вполне приемлемыми ценами, но при этом существенно зависят от локальных рынков;

· новые генерические компании (Actavis, Zentiva, Teva, ratiopharm, Sandoz) отличаются гибким ценообразованием и оперативным формированием «правильного» продуктового портфеля. Тактика продвижения их продуктов во многом схожа с инновационными компаниями — по крайней мере, в части вынужденного брендирования при продвижении своих продуктов;

· инновационные производители (Novartis, Phizer, AstraZeneca) развивают новые подходы к лечению, имеют широкую доказательную базу, но и более высокие цены; именно они испытывают колоссальное давление со стороны генерических компаний;

· нишевые компании (Mili Healthcare, Heel, Bittner), имеющие успешные позиции только на отдельных рынках.

Относительно финансирования развития рынка, хочется заметить, что «кошелек потребителя» не бездонный, и существует предел потребительской эластичности, а государственные компенсационные системы возмещения пациентам затрат на покупку лекарственных средств практически отсутствуют. В таких условиях повышается значимость и эффективность использования субъектами рынка комплекса маркетинговых инструментов: сегментирование, таргетирование, позиционирование, поиск новых USP.

Рост фармацевтического рынка Украины будет зависеть от изменения его инфраструктуры — появления принципиально новых источников финансирования, с участием государственного и частного капитала (обязательное и добровольное медицинское страхование).

Украинскому фармацевтическому рынку необходимы коллективные усилия его участников, направленные на системное изменение его инфраструктуры, поэтому операторам фармацевтического рынка целесообразно было действовать коллективно, придерживаться философии лидерства на новом «витке» развития.

Анализируя основные экономические показатели можно прийти к заключению, что украинский фармацевтический рынок становится все более привлекательным для мировых инвестиций. По некоторым оценкам, в 2011 г. наш рынок сравнится с рынком Польши и составит 4 млрд долларов.

Что это означает для практического врача? Препаратов и предложений будет становиться все больше, ориентироваться в существующих методах лечения и делать правильные выводы при отсутствии стандартов терапии будет все сложнее. Также станет больше медицинских представителей и меньше врачей, следовательно, нагрузка на врачей, «оставшихся в медицине», увеличится.

Стремительно развивается рынок безрецептурных препаратов и БАДов, и сейчас рынок в Украине — безрецептурный, так как большинство лекарств в аптеках можно купить, не обращая внимания на их статус.

Как это отразится на деятельности практического врача? Бесконтрольное применение лекарств может привести, с одной стороны, к снижению нагрузки на врачей — уже сейчас многие предпочитают обращаться за советом напрямую к фармацевтам. С другой стороны, могут участиться осложнения от самолечения и увеличиться доля запущенных заболеваний.

В Украине возрос денежный показатель годового подушевого потребления лекарственных средств. Если раньше на препараты украинец тратил в среднем 25 долларов в год, то сейчас этот показатель составляет 35 долларов. Для практического врача это означает, что население готово платить больше за свое здоровье, то есть существует возможность развития концепций профилактической медицины. Также отмечается явное доминирование импортных лекарств, которые в 6−7 раз дороже отечественных. Это свидетельствует о податливости врачей рекламному прессу зарубежных компаний и о неэффективной государственной поддержке отечественных производителей.

Лидерами аптечных продаж являются такие «жизнеспасающие» препараты: гепатопротекторы, спазмолитики, дерматологические и повышающие потенцию средства. Учитывая эти данные, можно предположить, что отрицательный демографический прирост в Украине точно не связан с эректильной дисфункцией и кишечными коликами у населения.

1.2 СУБД MS Access в разработке базы данных объекта исследований.

База данных — это организованная структура, предназначенная для хранения информации. В современных базах данных хранятся не только данные, но и информация.

С понятием базы данных тесно связано понятие системы управления базой данных (СУБД). Это комплекс программных средств, предназначенных для создания структуры новой базы, наполнение ее содержимым, редактирование содержимого и визуализации информации. Под визуализацией информации базы понимается отбор отображаемых данных в соответствии с заданным критерием, их упорядочение, оформление и последующая выдача на устройства вывода или передачи по каналам связи.

В мире существует множество систем управления базами данных. Несмотря на то, что они могут по-разному работать с разными объектами и предоставляют пользователю различные функции и средства, большинство СУБД опираются на единый устоявшийся комплекс основных понятий. Это дает нам возможность рассмотреть одну систему и обобщить ее понятия, приемы и методы на весь класс СУБД. В качестве такого учебного объекта мы выберем СУБД Microsoft Access (далее Access), входящую в пакет Microsoft Office. Практически все СУБД позволяют добавлять новые данные в таблицы. С этой точки зрения СУБД не отличаются от программ электронных таблиц (Excel). Однако существуют 3 принципиальных отличия между СУБД и программами электронных таблиц:

ь СУБД разрабатываются с целью обеспечения эффективной обработки больших объемов информации, намного больших, чем те, с которыми справляются электронные таблицы;

ь СУБД может легко связывать две таблицы так, что для пользователя они будут представлены одной таблицей. Реализовать такую возможность в электронных таблицах практически невозможно;

ь СУБД минимизирует общий объем базы данных. Для этого таблицы, содержащие повторяющиеся данные, разбиваются на несколько связанных таблиц.

Т.о. приложение Access является мощной и высокопроизводительной 32-разрядной СУБД. В Access реализована надежная защита от несанкционированного доступа к файлам.

Несмотря на то, что Access является мощной и сложной системой, его использование не сложно для непрофессиональных пользователей.

Целью создания базы данных в данной курсовой работе является оперативное получение необходимой информации.

Представляемая база данных будет содержать 3 таблицы: «Препараты», «Производители» и «Доля продаж за 3 кв 2007 г.»

Первая таблица «Препараты» имеет следующую структуру:

Ключевым полем в данной таблице является поле «Код препарата», т.к. оно уникально.

Вторая таблица «Производители» имеет следующий вид:

Ключевым полем в данной таблице является поле «Код производителя», т.к. оно уникально.

Третья таблица «Доля продаж за 3 кв 2007 г»:

Связи между тремя таблицами представлены следующим образом:

1.3 OLAP-технологии в подсистеме анализа объекта исследований.

Для начала расшифруем: OLAP — это Online Analytical Processing, т. е. оперативный анализ данных. 12 определяющих принципов OLAP сформулировал в 1993 г. Е. Ф. Кодд — «изобретатель» реляционных БД. Позже его определение было переработано в так называемый тест FASMI, требующий, чтобы OLAP-приложение предоставляло возможности быстрого анализа разделяемой многомерной информации (подробнее).

Тест FASMI:

ь Fast (Быстрый) — анализ должен производиться одинаково быстро по всем аспектам информации. Приемлемое время отклика — 5 с или менее;

ь Analysis (Анализ) — должна быть возможность осуществлять основные типы числового и статистического анализа, предопределенного разработчиком приложения или произвольно определяемого пользователем;

ь Shared (Разделяемой) — множество пользователей должно иметь доступ к данным, при этом необходимо контролировать доступ к конфиденциальной информации;

ь Multidimensional (Многомерной) — это основная, наиболее существенная характеристика OLAP;

ь Information (Информации) — приложение должно иметь возможность обращаться к любой нужной информации, независимо от ее объема и места хранения.

OLAP предоставляет удобные быстродействующие средства доступа, просмотра и анализа деловой информации. Пользователь получает естественную, интуитивно понятную модель данных, организуя их в виде многомерных кубов (Cubes). Осями многомерной системы координат служат основные атрибуты анализируемого бизнес-процесса. Например, для продаж это могут быть товар, регион, тип покупателя. В качестве одного из измерений используется время. На пересечениях осей — измерений (Dimensions) — находятся данные, количественно характеризующие процесс — меры (Measures). Это могут быть объемы продаж в штуках или в денежном выражении, остатки на складе, издержки и т. п. Пользователь, анализирующий информацию, может «разрезать» куб по разным направлениям, получать сводные (например, по годам) или, наоборот, детальные (по неделям) сведения и осуществлять прочие манипуляции, которые ему придут в голову в процессе анализа.

Все, что говорилось выше про OLAP, по сути, относилось к многомерному представлению данных. Многомерность в OLAP-приложениях может быть разделена на три уровня:

ь Многомерное представление данных — средства конечного пользователя, обеспечивающие многомерную визуализацию и манипулирование данными; слой многомерного представления абстрагирован от физической структуры данных и воспринимает данные как многомерные;

ь Многомерная обработка — средство (язык) формулирования многомерных запросов (традиционный реляционный язык SQL здесь оказывается непригодным) и процессор, умеющий обработать и выполнить такой запрос;

ь Многомерное хранение — средства физической организации данных, обеспечивающие эффективное выполнение многомерных запросов.

Первые два уровня в обязательном порядке присутствуют во всех OLAP-средствах. Третий уровень, хотя и является широко распространенным, не обязателен, так как данные для многомерного представления могут извлекаться и из обычных реляционных структур; процессор многомерных запросов в этом случае транслирует многомерные запросы в SQL-запросы, которые выполняются реляционной СУБД.

Конкретные OLAP-продукты, как правило, представляют собой либо средство многомерного представления данных, OLAP-клиент (например, Pivot Tables в Excel 2000 фирмы Microsoft или ProClarity фирмы Knosys), либо многомерную серверную СУБД, OLAP-сервер (например, Oracle Express Server или Microsoft OLAP Services).

Как уже говорилось выше, средства OLAP-анализа могут извлекать данные и непосредственно из реляционных систем. Такой подход был более привлекательным в те времена, когда OLAP-серверы отсутствовали в прайс-листах ведущих производителей СУБД. Но сегодня и Oracle, и Informix, и Microsoft предлагают полноценные OLAP-серверы и т.о. могут купить (точнее, обратиться с соответствующей просьбой к руководству компании) OLAP-сервер той же марки, что и основной сервер баз данных.

OLAP-серверы, или серверы многомерных БД, могут хранить свои многомерные данные по-разному. Прежде чем рассмотреть эти способы, нам нужно поговорить о таком важном аспекте, как хранение агрегатов.

Термин «OLAP» неразрывно связан с термином «хранилище данных» (Data Warehouse). Хранилище данных — это предметно-ориентированное, привязанное ко времени и неизменяемое собрание данных для поддержки процесса принятия управляющих решений. Данные в хранилище попадают из оперативных систем (OLTP-систем), которые предназначены для автоматизации бизнес-процессов. Кроме того, хранилище может пополняться за счет внешних источников, например статистических отчетов. Таким образом, задача хранилища — предоставить «сырье» для анализа в одном месте и в простой, понятной структуре.

Подытоживая, можно определить OLAP как совокупность средств многомерного анализа данных, накопленных в хранилище.

Теперь о различных вариантах хранения информации. Как детальные данные, так и агрегаты могут храниться либо в реляционных, либо в многомерных структурах. Многомерное хранение позволяет обращаться с данными как с многомерным массивом, благодаря чему обеспечиваются одинаково быстрые вычисления суммарных показателей и различные многомерные преобразования по любому из измерений. Некоторое время назад OLAP-продукты поддерживали либо реляционное, либо многомерное хранение. Сегодня, как правило, один и тот же продукт обеспечивает оба этих вида хранения, а также третий вид — смешанный. Применяются следующие термины:

ь MOLAP (Multidimensional OLAP) — и детальные данные, и агрегаты хранятся в многомерной БД. В этом случае получается наибольшая избыточность, так как многомерные данные полностью содержат реляционные;

ь ROLAP (Relational OLAP) — детальные данные остаются там, где они «жили» изначально — в реляционной БД; агрегаты хранятся в той же БД в специально созданных служебных таблицах;

ь HOLAP (Hybrid OLAP) — детальные данные остаются на месте (в реляционной БД), а агрегаты хранятся в многомерной БД.

Каждый из этих способов имеет свои преимущества и недостатки и должен применяться в зависимости от условий — объема данных, мощности реляционной СУБД и т. д.

При хранении данных в многомерных структурах возникает потенциальная проблема «разбухания» за счет хранения пустых значений. Ведь если в многомерном массиве зарезервировано место под все возможные комбинации меток измерений, а реально заполнена лишь малая часть (например, ряд продуктов продается только в небольшом числе регионов), то большая часть куба будет пустовать, хотя место будет занято. Современные OLAP-продукты умеют справляться с этой проблемой.

2.1. Разработка базы данных объёмов продаж на фармацевтическом рынке с использованием MS Access .

Основные этапы разработки:

1. Для отображения имеющейся информации по фармацевтическому рынку Украины, необходимо создать соответствующие таблицы в MS Access. Для создания таблиц следует открыть новую базу данных. Затем в режиме конструктора создать таблицы. В данном случае первая таблица будет отображать информацию о препаратах. Следовательно, таблица будет содержать следующие поля:

· «Код препарата» — тип данных — счётчик; размер поля — длинное целое;

поле индексированное без совпадений — ключевое поле

· «наименование» — тип данных — текстовый; размер поля — 50; обязательное; индексированное Рисунок 2.11 — Таблица «Препараты»

Следующая таблица отражает информацию о производителях данных препаратов и состоит из полей:

· «Код производителя» — тип данных — счётчик, размер поля — длинное целое; поле индексированное без совпадений

· «Код препарата» — тип данных — мастер подстановок с использованием одноимённого поля из таблицы «Препараты», поле ключевое.

· «Страна» — тип данных — текстовый; размер поля — 50; обязательное; индексированное.

· «Наименование» — тип данных — текстовый; размер поля 50; обязательное; индексированное.

Рисунок 2.12 — таблица «Производители»

Далее таблица под названием «Доля продаж за 3 квартала 2007 г» со следующими полями:

· «Код препарата» — мастер подстановок, ключевое

· «Код производителя» — тип данных — счётчик.

· «Наименование» — мастер подстановок из таблицы «Препараты»

· «Доля рынка в деньгах» — тип данных — числовой, размер — двойное с плавающей точкой, обязательное, индексированное.

Рисунок 2.13 — таблица «Доля продаж»

2. После создания таблиц их необходимо заполнить имеющейся информацией.

Рисунок 2.14 — Заполненная таблица «Препараты»

Рисунок 2.15 — заполненная таблица «Производители»

Рисунок 2.16 — заполненная таблица «Доля продаж»

3. Окончательная форма с полученными таблицами имеет вид:

Рисунок 2.17 — База данных

2.2 Построение OLAP — куба в MS Excel для анализа данных.

Заходим в программу MS Excel. Во вкладке «Данные» выбираем «Сводные таблицы». Появится Мастер сводных таблиц и диаграмм, который предложит три последовательных шага для построения OLAP — куба. Прежде необходимо выбрать источник данных, на основе которых куб будет создаваться. Необходимые данные находятся во внешнем источнике, поэтому отметим радиоточку напротив данной строки.

Рисунок 2.21 — Установка типа данных и типа отчёта

Далее — следующий шаг. Необходимо получить данные.

Рисунок 2.22 — Получение данных для сводной таблицы

Выбираем источником данных базу данных MS Access, указывая полный путь к ней.

Рисунок 2.23 — Выбор источника данных Рисунок 2.24 — Путь к исходным данным Следующий шаг — создание запроса, и в частности — выбор столбцов. Для полного отображения всей информации выбираем все столбцы.

Рисунок 2.25 — Определение столбцов куба

Далее заключительный шаг — Создание OLAP-куба из данного запроса.

Рисунок 2.26 — Заключительный шаг создания запроса После этой операции появится Мастер куба OLAP, который предложит три шага по созданию куба. Первый шаг — необходимо выбрать исходные поля для использования в качестве вычисляемых полей данных, а затем выбрать нужную функцию в столбце операции для каждого поля.

Шаг второй — программа предлагает для определения измерений, перетащить исходные поля в область измерений. Из предложенных полей выбираем все для полной картины нашего предстоящего анализа данных.

На заключительном третьем этапе мастер предлагает выбрать одну из трех разновидностей куба OLAP, а также дать имя и сохранить его на удобном для нас ресурсе.

2.3. Анализ данных с использованием OLAP-технологии.

Запрос № 1. Данные о сумме доли продаж препаратов.

После создания OLAP-куба из появившегося окна мастера сводных таблиц выбираем и перетаскиваем в указанные поля наименование препаратов в левое поле и долю продаж каждого — в правое. Программа автоматически подводит частные и общий итоги.

Рисунок 2.31 — изображение запроса № 1

Таким образом, общий итог по продажам производителей лекарственных средств составляет 3,1.

Запрос № 2. Данные о сумме доли продаж на рынке по странам.

B данном запросе необходимо отразить информацию о суммах продаж препаратов по странам. Для этого в мастере сводных таблиц выбираем поле «Страна» и перетаскиваем его в левое поле куба, а долю продаж — в правое. Итог отдельно по каждой стране и общий итог выведется автоматически.

Рисунок 2.32 — изображение запроса № 2

Таким образом, подведённые итоги по продажам производителей разных стран дают общий итог, равный 3,1.

Запрос № 3. Данные о максимуме доли продаж по препаратам с указанием страны.

Для создания данного запроса в Мастере OLAP-куба необходимо при выборе исходных данных изменить позиции поля «Операции». Из предложенного списка операций выбираем «Максимум», и продолжаем процесс создания куба в соответствии с вышеизложенными инструкциями.

Рисунок 2.33 — изображение запроса № 3

Таким образом, максимум продаж среди производителей иностранного сектора составил — 0,3, среди отечественных производителей — 0,4, общий максимум составил — 0,4.

Запрос № 4. Данные о количестве препаратов каждого производителя с подведением частных и общего итогов.

Рисунок 2.34 — изображение запроса № 4

Таким образом, производители иностранного и отечественного секторов производят 20 препаратов.

Запрос № 5. Данные о минимумах долей продаж по производителям, с отражением страны производителя и подведением общего итога.

Данный запрос производится в соответствии с описанием Запроса № 2, за исключением выбора операции «Максимум».

Рисунок 2.35 — изображение запроса № 5

Таким образом, минимумы по продажам во всех секторах совпали и составили — 0,1.

На практике можно увидеть все удобства создания запросов такие как: извлечение только информации необходимой для работы, уменьшение объемом таблиц, анализ полученных данных путем сравнения, вычисления максимума или минимума, извлечение дисперсии. Все эти функции обеспечивают оперативность и правильность выполнения анализа по заданным данным.

Таким образом, запросы являются неотъемлемой составляющей OLAPтехнологий, и необходимой функцией при анализе данных.

ЗАКЛЮЧЕНИЕ

Традиционные технологии построения отчетов или сводок, когда речь идет об интервале анализируемой информации в несколько лет, могут оказаться слишком громоздкими. Скорость формирования и последующей обработки таких отчетов может оказаться неприемлемой. Представление информации в виде плоских таблицы не всегда может быть удобным для аналитика, пытающегося оценить хозяйственные процессы в их многомерном аспекте.

Эта проблема встает перед абсолютно всеми корпоративными информационными системами. Для ее решения и предлагается технология OLAP.

При формировании пользовательских запросов не происходит прямого обращения к оперативной базе данных. На ее основании строится промежуточное хранилище — т.н. OLAP-куб. По осям этого куба (не обязательно трехмерного) откладываются ключевые показатели анализа: обязательно время, а также объекты учета, их группы, их параметры, балансовые счета. «Тело» куба содержит агрегированные числовые данные по этим показателям. Как правило, это суммовые или количественные показатели. Куб заранее проектируется для быстрого получения любых «плоских» срезов информации по любой паре осей куба.

Построение OLAP-куба являлось главной целью курсовой работы. На примере планово-экономических отчетностей был построен куб с агрегированными данными, в процессе построения я на практике увидела, что OLAP дает возможность в реальном времени генерировать описательные и сравнительные сводки данных и получать ответы на различные другие аналитические запросы. OLAP-кубы представляют собой проекцию исходного куба данных на куб данных меньшей размерности. При этом значения ячеек объединяются. Такие проекции или срезы исходного куба представляются на плоскости в виде кросс-таблицы. OLAP технологии являются наиболее удобной сферой обработки и анализа различного рода экономических, финансовых и других видов отчетностей и не только.

Цель работы достигнута, а задачи решены в полном объеме: построен OLAP-куб, в полном объеме изучены все свойства и удобства данной сферы, построены запросы к сформированной сводной таблице, а также освоены другие возможности OLAP-технологий.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. www.olap.ru

2. www.olapreport.com/.

3. www.interface.ru/.

4. www. technet.microsoft.com/ru/.

5. www. aspirantura.mipt.ru/.

6. Рычков В. Самоучитель Excel 2000 — СПб.: Издательство «Питер», 1999.-336 с.: ил.

7. Бергер А. Microsoft SQL Server 2005 Analysis Services. OLAP и многомерный анализ данных / А. Бергер. — СПб: БХВ-Петербург, 2007. — 928 с.

8. Федоров А.

Введение

в OLAP-технологии Microsoft / А. Федоров, Н. Елманова. — М.: Диалог-МИФИ, 2002. — 268 с.

9. Барсегян А. А. Методы и модели анализа данных: OLAP и Data Mining / А. А. Барсегян, М. С. Куприянов, В. В. Степаненко, И. И. Холод. — СПб.: БХВ-Петербург, 2004. — 336 с.

10. Коровкин С. Д. Решение проблемы комплексного оперативного анализа информации хранилищ данных / С. Д. Коровкин, И. А. Левенец, И. Д. Ратманова, В. А. Старых, Л. В. Щавелёв // СУБД. — 1997. — № 5−6. — С. 47— 51с.