Đề tài Áp dụng kỹ thuật phân tích dữ liệu trực tuyến (OLAP) phục vụ công tác quản lý và điều hành

TIỂU LUẬN ĐỀ TÀI: “Áp dụng kỹ thuật phân tích dữ liệu trực tuyến (OLAP) phục vụ công tác quản lý và điều hành” 1 MỞ ĐẦU Học viện Công nghệ Bưu chính viễn thông là một đơn vị thành viên của Tập đoàn Bưu chính Viễn thông Việt Nam có chức năng chính là đào tạo, nghiên cứu khoa học và chuyển giao công nghệ trong lĩnh vực bưu chính, viễn thông, điện - điện tử và công nghệ thông tin phục vụ sự phát triển của ngành Bưu chính Viễn thông và của xã hội. Chính vì vậy việc quản lý, phân tích và đánh giá thông tin về công tác quản lí, đào tạo dưới các góc độ khác nhau là một trong nhưng vấn đề cần được quan tâm, tôi đã chọn đề tài tốt nghiệp cao học ngành công nghệ thông tin của tôi với hướng phục vụ công tác này. Xuất phát từ thực tế đó, tôi đã chọn đề tài “Áp dụng kỹ thuật phân tích dữ liệu trực tuyến (OLAP) phục vụ công tác quản lý và điều hành” Xây dựng một hệ trợ giúp quyết định dựa vào dữ liệu, sử dụng phương pháp luận xử lý phân tích trực tuyến (OLAP). Trong đó tập trung vào hai công việc chính là tập hợp dữ liệu để tổ chức dữ liệu đa chiều, phân tích và hiển thị dữ liệu để trợ giúp ra quyết định. Luận văn gồm 3 chương: Chương 1: Tổng quan các phương pháp khai thác dữ liệu Chương 2: Hệ thống trợ giúp quyết định sử dụng phân tích đa chiều trong xử lý phân tích trực tuyến 2 Chương 3: Xây dựng hệ thống trợ giúp quản lý với chức năng OLAP 3 Chương 1 TỔNG QUAN CÁC PHƯƠNG PHÁP KHAI THÁC DỮ LIỆU 1.1. GIỚI THIỆU CÁC PHƯƠNG PHÁP KHAI THÁC DỮ LIỆU Việc dùng các phương tiện tin học để tổ chức và khai thác các CSDL đã được phát triển từ những năm 60, nhiều CSDL đã được tổ chức, phát triển và khai thác ở mọi qui mô và khắp các lĩnh vực hoạt động của xã hội. Sự phát triển nhanh chóng của một lượng lớn dữ liệu được thu thập và lưu trữ trong các CSDL lớn đã vượt ra ngoài khả năng của con người có thể hiểu được chúng nếu không có những công cụ hỗ trợ tốt. Tình huống này đã đặt chúng ta trong hoàn cảnh nhiều dữ liệu nhưng thiếu thông tin, thiếu tri thức. Với một khối lượng lớn dữ liệu như vậy rõ ràng là các phương pháp thủ công truyền thống áp dụng để phân tích dữ liệu như chia bảng không còn là phù hợp nữa Chính vì vậy, có một kỹ thuật mới ra đời đó là “Khai phá dữ liệu”. Khai phá dữ liệu là một ngữ tương đối mới, nó ra đời vào khoảng những năm cuối của của thập kỷ 1980. Các nhà thống kê xem "khai phá dữ liệu như là một quá trình phân tích được thiết kế thăm dò một lượng cực lớn các dữ liệu nhằm phát hiện ra các mẫu thích hợp và/hoặc các mối quan hệ mang tính hệ thống giữa các biến và sau đó sẽ hợp thức hoá các kết quả tìm được bằng cách áp dụng các mẫu đã phát hiện được cho tập con mới của dữ liệu". Nói tóm lại: khai phá dữ liệu là một bước trong quy trình phát hiện tri thức gồm có các thụât toán khai thác dữ liệu chuyên dùng 4 dưới một số quy định về hiệu quả tính toán chấp nhận được để tìm ra các mẫu hoặc các mô hình trong dữ liệu. Phát hiện tri thức trong các cơ sở dữ liệu là một qui trình nhận biết các mẫu hoặc các mô hình trong dữ liệu với các tính năng: hợp thức, mới, khả ích, và có thể hiểu được. 1.1.1. Hình thành và định nghĩa bài toán Đây là bước tìm hiểu lĩnh vực ứng dụng và hình thành bài toán, bước này sẽ quyết định cho việc rút ra những tri thức hữu ích, đồng thời lựa chọn các phương pháp khai phá dữ liệu thích hợp với mục đích của ứng dụng và bản chất của dữ liệu. 1.1.2. Thu thập và tiền xử lý dữ liệu Trong bước này dữ liệu được thu thập ở dạng thô (nguồn dữ liệu thu thập có thể là từ các kho dữ liệu hay nguồn thông tin Internet). 1.1.3. Khai phá dữ liệu và rút ra các tri thức Đây là bước quan trọng nhất trong tiến trình khám phá tri thức. Kết quả của bước này là trích ra được các mẫu và/hoặc các mô hình ẩn dưới các dữ liệu. 1.1.4. Phân tích và kiểm định kết quả Bước thứ tư là hiểu các tri thức đã tìm được, đặc biệt là làm sáng tỏ các mô tả và dự đoán. Trong bước này, kết quả tìm được sẽ được biến đổi sang dạng phù hợp với lĩnh vực ứng dụng và dễ hiểu hơn cho người dùng. 1.1.5. Sử dụng các tri thức phát hiện được Các tri thức khám phá được sẽ được củng cố, kết hợp lại thành một hệ thống, đồng thời giải quyết các xung đột tiềm năng trong các tri thức đó. Các giai đoạn của quá trình khám phá tri 5 thức có mối quan hệ chặt chẽ với nhau trong bối cảnh chung của hệ thống. 1.2. QUÁ TRÌNH KHAI PHÁ DỮ LIỆU Khai phá dữ liệu là hoạt động trọng tâm của quá trình khám phá tri thức. Thuật ngữ khai phá dữ liệu còn được một số nhà khoa học gọi là phát hiện tri thức trong cơ sở dữ liệu. Quá trình khai phá dữ liệu bắt đầu với kho dữ liệu thô và kết thúc với tri thức được chiết xuất ra. Hình. Kiến trúc hệ thống khai phá dữ liệu Kiến trúc của hệ thống khai phá dữ liệu có thể chia thành các thành phần chính như trong hình. 1.3. CÁC PHƯƠNG PHÁP KHAI KHÁ DỮ LIỆU 1.3.1. Phân lớp dữ liệu Mục tiêu của phân lớp dữ liệu đó là dự đoán nhãn lớp cho các mẫu dữ liệu. Quá trình gồm hai bước: xây dựng mô hình, sử dụng mô hình để phân lớp dữ liệu (mỗi mẫu một lớp). 1.3.2. Phân cụm dữ liệu 6 Mục tiêu của phân cụm dữ liệu là nhóm các đối tượng tương tự nhau trong tập dữ liệu vào các cum, sao cho các đối tượng thuộc cùng một lớp là tương đồng. 1.3.3. Khai phá luật kết hợp Mục tiêu của phương pháp này là phát hiện và đưa ra các mối liên hệ giữa các giá trị dữ liệu trong cơ sở dữ liệu. Đầu ra của giải thuật luật kết hợp là tập luật kết hợp tìm được. 1.3.4. Hồi quy Phương pháp hồi quy tương tự như là phân lớp dữ liệu. Nhưng khác ở chỗ nó dùng để dự đoán các giá trị liên tục còn phân lớp dữ liệu dùng để dự đoán các giá trị rời rạc. 1.3.5. Giải thuật di truyền Là quá trình mô phỏng theo tiến hoá của tự nhiên. Ý tưởng chính của giải thuật là dựa vào quy luật di truyền trong biến đổi, chọn lọc tự nhiên và tiến hoá trong sinh học. 1.3.6. Mạng nơron Đây là một trong những kỹ thuật khai phá dữ liệu được ứng dụng phổ biến hiện nay. Kỹ thuật này phát triển dựa trên một nền tảng toán học vững vàng, khả năng huấn luyện trong kỹ thuật này dựa trên mô hình thần kinh trung ương của con người. 1.3.7. Cây quyết định Kỹ thuật cây quyết định là một công cụ mạnh và hiệu quả trong việc phân lớp và dự báo. Các đối tượng dữ liệu được phân thành các lớp. Các giá trị của đối tượng dữ liệu chưa biết sẽ được dự đoán, dự báo. 7 1.4. XỬ LÝ PHÂN TÍCH TRỰC TUYẾN 1.4.1. Về xử lý phân tích trực tuyến Xử lý phân tích trực tuyến (OLAP) là một kỹ thuật sử dụng cách thể hiện dữ liệu đa chiều gọi là các khối nhằm cung cấp khả năng truy xuất nhanh đến dữ liệu của kho dữ liệu. Tạo khối cho dữ liệu trong các bảng chiều và bảng sự kiện trong kho dữ liệu và cung cấp khả năng thực hiện các truy vấn tinh vi và phân tích cho các ứng dụng khách. OLAP được đặt ra để xử lý các truy vấn liên quan đến lượng dữ liệu rất lớn mà nếu cho thực thi các truy vấn này trong hệ thống OLTP sẽ không thể cho kết quả hoặc sẽ mất rất nhiều thời gian. 1.4.2. Mô hình dữ liệu đa chiều Các nhà quản lý kinh doanh có khuynh hướng suy nghĩ theo “nhiều chiều”. Ví dụ như họ có khuynh hướng mô tả những gì mà công ty làm như sau:  “Chúng tôi kinh doanh các sản phẩm trong nhiều thị trường khác nhau, và chúng tôi đánh giá hiệu quả thực hiện của chúng tôi qua thời gian”.  Những người thiết kế kho dữ liệu thường lắng nghe cẩn thận những từ đó và họ thêm vào những nhấn mạnh đặc biệt của họ như:  “Chúng tôi kinh doanh các sản phẩm trong nhiều thị trường khác nhau, và chúng tôi đánh giá hiệu quả thực hiện của chúng tôi qua thời gian”. Suy nghĩ một cách trực giác, việc kinh doanh như một khối dữ liệu, với các nhãn trên mỗi cạnh của khối. Các điểm bên trong khối là các giao điểm của các cạnh. Với mô tả kinh doanh ở trên, các cạnh của khối là Sản phẩm, Thị trường, và Thời gian. Hầu hết 8 mọi người đều có thể nhanh chóng hiểu và tưởng tượng rằng các điểm bên trong khối là các độ đo hiệu quả kinh doanh mà được kết hợp giữa các giá trị Sản phẩm, Thị trường và Thời gian. Các chiều được phân cấp theo loại. Ví dụ như chiều Thời gian có thể được mô tả bởi các thuộc tính như Năm, Quý, Tháng và Ngày. Vì vậy, nếu mỗi chiều chứa nhiều mức trừu tượng, dữ liệu có thể được xem từ nhiều khung nhìn linh động khác nhau. Một số thao tác điển hình của khối dữ liệu như roll-up (tăng mức độ trừu tượng), drill-down (giảm mức độ trừu tượng hoặc tăng mức chi tiết), slice and dice (chọn và chiếu), và pivot (định hướng lại khung nhìn đa chiều của dữ liệu), cho phép tương tác truy vấn và phân tích dữ liệu rất tiện lợi. Những thao tác đó được biết như Xử lý phân tích trực tuyến. 1.5. KẾT LUẬN CHƯƠNG Chương trên đã tìm hiểu các phương pháp khai phá dữ liệu, quá trình khai phá dữ liệu, giới thiệu về OLAP, một kỹ thuật sử dụng cách thể hiện dữ liệu đa chiều nhằm cung cấp khả năng truy xuất nhanh đến dữ liệu của kho dữ liệu. Định hình mô hình dữ liệu đa chiều. 9 Chương 2 HỆ THỐNG TRỢ GIÚP QUYẾT ĐỊNH SỬ DỤNG PHÂN TÍCH ĐA CHIỀU TRONG XỬ LÝ PHÂN TÍCH TRỰC TUYẾN 2.1. KIẾN TRÚC KHỐI OLAP 2.1.1. Giới thiệu dịch vụ OLAP của Microsoft SQL Server Dịch vụ OLAP là một server tầng giữa phục vụ cho phân tích xử lý trực tuyến. Hệ thống dịch vụ OLAP là một công cụ mạnh trong việc xây dựng các khối đa chiều của dữ liệu cho phân tích và cung cấp khả năng truy xuất nhanh đến thông tin khối cho các khách. Kiến trúc dịch vụ OLAP được chia thành 2 phần: Phần server (được đại diện bởi OLAP server) và phần khách (là dịch vụ PivotTable). Hình. Kiến trúc OLAP Các đặc điểm của dịch vụ OLAP: 10  Dễ sử dụng: Bằng cách cung cấp các giao diện người dùng và các trợ giúp thực hiện.  Linh động: Mô hình dữ liệu mạnh cho định nghĩa khối và lưu trữ.  Các khối có thể ghi: Cho các kịch bản phân tích dạng “what if”.  Kiến trúc có thể co dãn: Cung cấp một sự đa dạng các kịch bản lưu trữ và giải pháp tự động đối với “hội chứng bùng nổ dữ liệu” mà gây khó chịu cho các kỹ thuật OLAP.  Tích hợp các công cụ quản trị, bảo mật, nguồn dữ liệu và khách/server  Hỗ trợ rộng rãi các hàm API và kiến trúc mở để hỗ trợ các ứng dụng tuỳ ý. 2.1.2. So sánh OLAP với OLTP Đặc trưng của các ứng dụng OLTP là các tác vụ xử lý tự động ghi chép dữ liệu xử lý tác vụ của một tổ chức như ghi nhận đơn đặt hàng và các giao dịch ngân hàng mà cần phải đọc hoặc cập nhật một vài mẩu tin dựa trên khoá chính của chúng. Kho dữ liệu, mục tiêu là hỗ trợ quyết định cho các nhà quản lý. Tính chi tiết và riêng lẻ của các mẩu tin thì ít quan trọng hơn tính lịch sử, tổng kết và hợp nhất của dữ liệu. Căn cứ vào đó, các cơ sở dữ liệu tác nghiệp được xây dựng để hỗ trợ tốt các tác vụ OLTP. 2.1.3. Các mô hình lưu trữ hỗ trợ OLAP Dịch vụ OLAP hỗ trợ nhiều mô hình lưu trữ dữ liệu khác nhau, mỗi mô hình có các ưu và khuyết điểm riêng, chúng được sử dụng tuỳ theo mục đích khai thác. 2.1.3.1. Mô hình OLAP nhiều chiều (MOLAP) 11 Mô hình OLAP nhiều chiều (MOLAP) lưu trữ dữ liệu cơ sở và thông tin tổng hợp trong các cấu trúc đa chiều gọi là các khối. Các cấu trúc này được lưu bên ngoài cơ sở dữ liệu data mart hoặc kho dữ liệu. 2.1.3.2. Mô hình OLAP quan hệ (ROLAP) Mô hình OLAP quan hệ (ROLAP) lưu trữ dữ liệu cơ sở và thông tin tổng hợp trong các bảng quan hệ. Các bảng này được lưu trữ trong cùng cơ sở dữ liệu như là các bảng của data mart hoặc kho dữ liệu. Lưu trữ các khối trong cấu trúc ROLAP là tốt nhất cho các truy vấn dữ liệu không thường xuyên. 2.1.3.3. Mô hình lai OLAP (HOLAP) Mô hình OLAP lai (HOLAP) là sự kết hợp giữa MOLAP và ROLAP. 2.1.3.4. So sách các mô hình Bảng sau so sánh tổng hợp ba mô hình lưu trữ hỗ trợ OLAP: MOLAP ROLAP HOLAP Lưu trữ dữ liệu cơ sở Khối Bảng quan hệ Bảng quan hệ Lưu trữ thông tin tổng hợp Khối Bảng quan hệ Khối Hiệu suất thực hiện truy vấn Nhanh nhất Chậm nhất Nhanh Tiêu thụ không gian lưu trữ Nhiều Thấp Trung bình Chi phí bảo trì Cao Thấp Trung bình 12 2.1.4. Kiến trúc khối của OLAP Đối tượng chính của OLAP là khối, một thể hiện đa chiều của dữ liệu chi tiết và tổng hợp. Một khối bao gồm một nguồn dữ liệu, các chiều, các độ đo và các phần dành riêng. 2.1.5. Mô hình kiến trúc dịch vụ OLAP Kiến trúc dịch vụ OLAP gồm 2 thành phần: Server và Khách Hình. Kiến trúc dịch vụ OLAP 2.1.5.1. Kiến trúc thành phần Server Dịch vụ OLAP của SQL Server cung cấp thành phần Server có khả năng tạo và quản lý dữ liệu OLAP đa chiều, đồng thời cung cấp dữ liệu cho khách qua dịch vụ PivotTable. Các thao tác của thành phần Server bao gồm việc tạo các khối dữ liệu đa chiều từ kho cơ sở dữ liệu quan hệ và lưu trữ 13 chúng trong các cấu trúc khối đa chiều (MOLAP), trong cơ sở dữ liệu quan hệ (ROLAP) hoặc kết hợp cả hai (HOLAP). 2.1.5.2. Kiến trúc thành phần Khách Thành phần khách là dịch vụ PivotTable giao tiếp với OLAP server và cung cấp giao diện cho các ứng dụng khách sử dụng truy cập dữ liệu OLAP trên server. Các ứng dụng khách có thể sử dụng dịch vụ PivotTable để lấy dữ liệu từ cơ sở dữ liệu OLAP. 2.2. HỆ THỐNG TRỢ GIÚP QUYẾT ĐỊNH 2.2.1. Một số định nghĩa về DSS Khái niệm về Hệ trợ giúp quyết định, DSS (Decision Support System), lần đầu tiên được Scott Morton đưa ra vào đầu năm 1970, ông định nghĩa là “Các hệ thống dựa trên tương tác máy tính, giúp người ra quyết định dùng dữ liệu và các mô hình để giải quyết những bài toán không cấu trúc”. Ba định nghĩa khác về DSS cùng được đưa ra vào năm 1980 bởi Moore và Chang; Bonczek, Holsapple và Whinston; Keen, Moore và Chang chỉ ra rằng khái niệm “Cấu trúc”, “không cấu trúc”, không đủ ý nghĩa trong trường hợp tổng quát. Một bài toán có thể được mô tả như là có cấu trúc hoặc không cấu trúc chỉ liên quan tới người ra quyết định, do vậy họ định nghĩa DSS là:  Hệ thống có khả năng mở rộng;  Có khả năng trợ giúp phân tích dữ liệu và mô hình hoá quyết định;  Hướng tới lập kế hoạch cho tương lai;  Được sử dụng cho những hoàn cảnh và thời gian bất thường; 2.2.2. Một số khái niệm 14 Một bài toán có cấu trúc là bài toán có thể giải quyết như một công việc thường lệ. Điển hình, nếu phương pháp của giải pháp có thể được bắt đầu như một thuật toán và được hợp nhất lại trong một chương trình máy tính thì chúng ta nói rằng bài toán có cấu trúc chặt. Một bài toán nửa cấu trúc hoặc bài toán không cấu trúc là bài toán có sự cần thiết ở vài mức độ yêu cầu thêm thông tin bổ sung, tri thức địa phương hoặc sự hiểu biết sâu sắc bài toán. Do vậy chúng ta không được đoán trước bằng một quá trình thuật toán. Hai khái niệm nữa quan trọng trong hệ thống là phản hồi và môi trường. Phân tích nhạy cảm cố gắng giúp những nhà quản lý khi họ không chắc chắn về độ chính xác, hoặc giá trị tương đối của thông tin, hoặc khi họ muốn biết sự tác động của những sự thay đổi của thông tin vào đến mô hình. Có hai kiểu phân tích sự nhạy cảm là phân tích sự nhạy cảm tự động và phương pháp thử và sai. Phương pháp phân tích thử và sai chứa phân tích “What- if” mà ta xem xét sau đây. 2.2.3. Phân tích “What- if” Một người làm mô hình tạo ra những dự đoán và những giả định để đánh giá dữ liệu vào. Công việc này nhiều khi để đánh giá tương lai không chắc chắn. Khi mô hình được giải quyết, các kết quả tất nhiên phụ thuộc vào những dữ liệu này. Phân tích nhạy cảm cố gắng kiểm tra sự tác động của những sự thay đổi của dữ liệu vào trên những giải pháp được đề nghị (Các biến kết quả). Kiểu này của phân tích nhạy cảm được gọi là phân tích “ What – if”, bởi vì nó được cấu trúc như là “ Điều gì sẽ 15 xảy ra cho giải pháp nếu biến vào, giả thiết, hoặc giá trị các tham số được thay đổi ”. 2.2.4. Những đặc tính và những khả năng của DSS Những đặc tính và khả năng chính của DSS 1. Cung cấp trợ giúp chính cho người ra quyết định trong những tình huống không cấu trúc hoặc nửa cấu trúc; 2. Sự trợ giúp được cung cấp cho các mức quản lý khác nhau từ người thực thi đến các nhà quản lý; 3. Sự trợ giúp cho cá nhân và cho cả nhóm; 4. DSS trợ giúp cho các giai đoạn của quá trình ra quyết định: Giai đoạn trí tuệ, thiết kế, lựa chọn và cài đặt; 5. DSS trợ giúp cho sự đa dạng của quá trình ra quyết định và các kiểu quyết định; 6. DSS thích nghi và mềm dẻo; 7. DSS dễ sử dụng; 8. DSS cố gắng nâng cao hiệu quả của quá trình ra quyết định; 9. Người ra quyết định điều khiển toàn bộ các bước của quá trình ra quyết định trong việc giải quyết các bài toán; 10. DSS thường sử dụng các mô hình cho sự phân tích các tình huống ra quyết định; 11. DSS ở mức cao được trang bị thành phần tri thức; 2.2.5. Các thành phần của DSS DSS được tạo thành từ 4 hệ thống con sau: 1. Quản trị dữ liệu. 2. Quản trị mô hình. 3. Truyền thông. 4. Quản trị tri thức. 16 Mô hình khái niệm của DSS được cho trong hình dưới đây cung cấp khả năng những hiểu biết cơ bản về cấu trúc chung và các thành phần của DSS. 2.2.6. Hệ con quản trị dữ liệu Hệ con quản trị dữ liệu bao gồm những thành phần sau: 1. Cơ sở dữ liệu về DSS 2. Hệ quản trị cơ sở dữ liệu. 3. Phương tiện hỏi đáp. 4. Danh mục dữ liệu. 2.2.7. Hệ con quản trị mô hình Hệ con quản trị mô hình trong DSS bao gồm các thành phần sau: 1. Cơ sở mô hình. 2. Hệ quản trị cơ sở mô hình. 3. Ngôn ngữ dùng trong mô hình. 4. Danh mục mô hình. 5. Thực hiện, tích hợp và điều khiển mô hình. Các phần tử này và giao diện với những thành phần khác của DSS được cho ở hình vẽ. 2.2.8. Hệ thống tri thức Nhiều bài toán phi cấu trúc và bán cấu trúc rất phức tạp, chúng yêu cầu những tri thức tinh thông, những tri thức này cần thiết được bổ sung vào cho những khả năng bình thường của DSS, những tri thức nâng cao được trang bị một thành phần được gọi là quản trị tri thức. 2.2.9. Hệ thống giao diện người dùng 17 Thành phần hội thoại của DSS là phần mềm và phần cứng cung cấp giao diện người dùng DSS. 2.2.10. Người dùng trong hệ thống DSS DSS có hai lớp người dùng: Các nhà quản lý và các nhà chuyên môn. 2.2.11. Sự phân lớp DSS và sự trợ giúp của chúng Có nhiều cách phân loại DSS, sau đây là một số cách điển hình:  Kiểu của trợ giúp hướng dữ liệu so sánh với kiểu hướng mô hình.  Độ phi thủ tục. Sự trợ giúp được cung cấp theo cách của DSS: DSS có thể cung cấp nhiều kiểu cuả trợ giúp. 2.2.12. Các công nghệ về DSS Sprague và Carlson đã xác định 3 mức công nghệ của DSS là (i) DSS cụ thể; (ii) các bộ tạo sinh DSS; và (iii) các công cụ DSS. 2.3. KẾT LUẬN CHƯƠNG Chương 2 đề cập chi tiết về công cụ OLAP, giới thiệu dịch vụ OLAP của Microsoft SQL Server, kiến trúc khối của OLAP và các dạng mô hình OLAP. Những kĩ thuật khai phá dữ liệu, phát hiện tri thức có ý nghĩa đối với công tác quản lý và người quản lý, trong việc ra các quyết định về đào tạo và nghiên cứu khoa học. 18 Chương 3 XÂY DỰNG HỆ THỐNG TRỢ GIÚP QUẢN LÝ VỚI CHỨC NĂNG OLAP 3.1. MỤC TIÊU CỦA HỆ THỐNG 3.1.1. Giới thiệu về đơn vị Học viện Công nghệ Bưu chính Viễn thông là đơn vị Trực thuộc Tập đoàn Bưu chính Viễn thông Việt Nam, dẫn đầu trong gắn kết Nghiên cứu - Đào tạo - Sản xuất Kinh doanh trong lĩnh vực Công nghệ thông tin và Truyền thông. 3.1.1.1. Nguồn nhân lực Là đơn vị Nghiên cứu, Đào tạo đầu Ngành Bưu chính Viễn thông, Học viện xác định nguồn nhân lực chính là tài sản quý giá nhất, là tài sản cần được đầu tư một cách bài bản, chuyên nghiệp và có định hướng lâu dài . Với đội ngũ cán bộ trên 800 người, Học viện là một trong các đơn vị có mật độ tri thức cao nhất trong Ngành. 3.1.1.2. Công tác đào tạo Học viện là đơn vị đào tạo đa ngành, đa nghề với nhiều loại hình đào tạo (Chính qui, Tại chức, Từ xa, Liên thông, Văn bằng 2..) và hệ đào tạo (Cao đẳng, Đại học, Cao học, Nghiên cứu sinh) khác nhau 3.1.2. Đặt vấn đề 3.1.2.1. Về kho dữ liệu Kho dữ liệu là kho lưu trữ dữ liệu lưu trữ bằng