هوش کسب و کار | گروه سمر

خدمات سمر

تولید نرم افزارهای تحت وب شامل نیازسنجی، تحلیل، طراحی، تولید ، پیاده سازی و استقرار سامانه نرم افزاری در زمینه های مختلف با رویکرد ERP، را می توان اصلی ترین فعالیت در جهت جمع آوری داده های خام و تخصص گروه نرم‌افزاری سمر دانست علاوه بر این خدمات گسترده ای در زمینه داده از جمله طراحی و پیاده سازی انبار داده ، هوش تجاری ، داده کاوی از خدمات برجسته گروه سمر میباشد. این خدمات براساس اخرین استانداردهای روز دنیا مجهز به یادگیری ماشین و هوش مصنوعی شده اند.
کلیه خدمات در جهت تحقق اهداف داده محوری ارایه میگردد تا سازمانها ، کارخانجات و ... بتوانند از داده خود ارزش استخراج نمایند .

برای برآورد زمانی و قیمت پروژه و یا قرار جلسه مشاوره از لینکهای زیر استفاده نمایید

تنظیم جلسه

برآورد پروژه

خدمات

خلاقانه سمر

بعضی از خدمات ما واقعا شما رو شگفت زده میکنن، ما قبل از فروش شما رو مطمئن میکنیم.رضایت شما همواره از اولیت های سمر بوده و هست.
ما بهبود روند کسب کار شما را تضمین میکنیم . استفاده از ابزارهای نرم افزاری سمر به عنوان بازوی مدیریت شتابدهنده تجارت شما خواهد بود.

خدمات سمر- هوش تجاری - انبارداده

امروزه سازمانها ، بانکها ، بانگاه های اقتصادی با افزونگی داده مواجه هستند . داده نقش چاه نفت در گذشته را ایفا میکند . اما آیا داده های خام اثر بخشی لازم را دارند ؟ بدون شک داده های خام منجر به ایجاد بینش و تاثیرات مثبت اثر بخش در سطح سازمان نخواهند بود . البته میزان و کیفیت اثر بخشی مد نظر میباشد والا داده های خام برای راهبری های روزمره بسیار ضروری و حیاتی هستند، زمانی که نیاز به توسعه ، بهینه سازی و محقق سازی اهداف استراتژیک باشد نیاز به داده های فرآوری شده میباشد. داده ها در سامانه ها و بانکهای اطلاعاتی تولید و ثبت میشوند . واکشی ، پاکسازی ، تبدیل این اطلاعات در یک انباره داده به همراه شاخصهای کلیدی باعث میشود شما به داده های چند بعدی و مناسب دسترسی داشته باشید. ایجاد یک انبار داده با داده های چند بعدی این امکان را فراهم میکند که دانش چند بعدی از آن داده بخصوص ، حاصل گردد . به عبارتی به این واسطه میتوانید یک پارامتر غیر متریک را قابلیت متر کردن به آن ببخشید . بصورت مثال درصورتی که شما بپرسید حال سازمان چطور است ، پاسخ این سوال نیاز به اطلاعات حوزه های مختلف دارد . مجموع اطلاعات بخش های مختلف میتواند بواسطه تحلیل های پیشرفته پاسخ واقعی و مناسبی با درجع عیار وضعیت مطلوب یا نامطلوب را ارایه دهد.

حال که انبار داده مناسب شکل گرفت نیاز به مصور سازی داده بواطه دشبوردهای مدیریتی داریم که بواسطه المانهای بسیار دقیق داده را طوری در معرض نمایش مدیران قرار بدهیم که ایجاد بینش دقیقی نماید . این امر بواسطه استفاده از هوش مصنوعی و یادگیری ماشین باعث میشود تجارتها بتوانند پیش بینی بسیار دقیقی از آینده داشته باشند. بنابراین براحتی میتوانند اهداف استراتژیک خود را اندازه گیری و رصد نمایند و مدیریت و اشراف کاملی روی تمامی جزیئات اثر گذار داشته باشند.کاهش هزینه ، بالا بردن بهره وری ، مانیتور کردن سازمان ، دسترسی بر خط به اطلاعات از کل به جزء و از جزء به کل تنها بخش کمی از منافع این سیستم میباشد.

طراحی و پیاده سازی انبارداده و داشبوردهای مدیریتی هوش تجاری

انبارداده چیست و چه امکاناتی داره؟

ما انباره های داده رو با ابزار قدرتمند DW اوراکل طراحی و پیاده سازی میکنیم. برای اینکه با Data Warehouse بیشتر آشنا بشین میتونین فیلم روبرو را تماشا کنین و برای اینکه به سطح عمیق تری از اطلاعات برسین میتوانید از دکمه زیر بهره بگیرین و کاتالوگ مفصل DWO رو دانلود مطالعه بفرمایید.

انبار داده اوراکل، یکی از ارائه‌های قدرتمند در حوزه مدیریت و تحلیل داده‌ها، به‌عنوان یک سامانه‌ یکپارچه‌سازی و ذخیره‌سازی داده‌ها شناخته می‌شود که توسط شرکت اوراکل توسعه یافته است. این سامانه، طراحی‌شده برای برخورداری از توانایی‌های بالا در پردازش و تحویل اطلاعات به گونه‌ای که سازمان‌ها بتوانند از داده‌های خود بهره‌وری بیشتری داشته باشند.

یکی از مزایای کلیدی انبار داده اوراکل، یکپارچگی و تلفیق داده‌های مختلف از منابع گوناگون و نامرتبط به یکدیگر است. این امکان، به سازمان‌ها کمک می‌کند تا تصویری جامع و یکتایی از عملیات و عملکرد خود داشته باشند. با استفاده از این سیستم، داده‌ها از منابع مختلف جمع‌آوری، پاکسازی، و پردازش می‌شوند تا در نهایت به شکل قابل فهم و استفاده در دسترس تحلیل‌گران و مدیران قرار گیرند.

از دیگر مزایای انبار داده اوراکل می‌توان به کاهش پیچیدگی‌های مرتبط با مدیریت داده‌ها و بهبود کارایی در جستجو و بازیابی اطلاعات اشاره کرد. این سامانه‌ها معمولاً دارای معماری‌های متنوع و انعطاف‌پذیری هستند که امکان تعریف و اجرای کوئری‌های پیچیده را فراهم می‌کنند، نتیجه‌ای که منجر به تحلیل سریع‌تر و دقیق‌تر داده‌ها می‌شود.

همچنین، انبار داده اوراکل نقش حیاتی در داده‌محوری سازمان‌ها ایفا می‌کند. با تسهیل دسترسی به داده‌های به‌روز و قابل اعتماد، این سامانه به تصمیم‌گیری‌های مبتنی‌ بر داده و استراتژی‌های دقیق‌تر کمک می‌کند. در دنیای کنونی که داده به‌عنوان یکی از ارزشمندترین دارایی‌های سازمان محسوب می‌شود، وجود یک سیستم قوی و کارآمد همچون انبار داده‌ی اوراکل می‌تواند تفاوت بزرگی در موفقیت یک سازمان ایجاد کند.

به طور خلاصه، انبار داده اوراکل با ارائه یک پلتفرم جامع برای ذخیره‌سازی، مدیریت و تحلیل داده‌ها، ابزار مهمی برای سازمان‌ها در پیاده‌سازی استراتژی‌های داده‌محور است. بهره‌گیری از این تکنولوژی می‌تواند به بهینه‌سازی فرآیندها، افزایش بهره‌وری و ارتقاء تصمیم‌گیری‌ها در تمامی سطوح سازمان منجر شود.

گروه سمر برای تجمیع ، تبدیل و واکشی داده ها از انبار داده قدرتمند اوراکل بهره میگیرد تا در مسیر داده محوری داده های ساختار یافته و بدون ساختار سازمان شما را فرآوری نمایید.

هوش تجاری چیست و چه امکاناتی داره؟

ما داشبوردهای مدیریتی هوش تجاری رو با ابزار قدرتمند OBIEE و Analytics اوراکل طراحی و پیاده سازی میکنیم. برای اینکه با BI بیشتر آشنا بشین میتونین فیلم روبرو را تماشا کنین و برای اینکه به سطح عمیق تری از اطلاعات برسین میتوانید از دکمه زیر بهره بگیرین و کاتالوگ مفصل Business Intelligence رو دانلود مطالعه بفرمایید.

اوراکل آنالیتیکس (Oracle Analytics) مجموعه‌ای از ابزارها و خدمات تحلیلی است که توسط شرکت اوراکل ارائه شده و به سازمان‌ها کمک می‌کند تا از داده‌های خود به بهترین شکل ممکن بهره‌برداری کنند. این پلتفرم به صورت یکپارچه ابزارهای متنوعی را فراهم می‌کند که شامل تحلیل داده، مدل‌سازی پیش‌بینی‌کننده، مصورسازی داده‌ها و گزارش‌گیری است. با بکارگیری اوراکل آنالیتیکس، سازمان‌ها می‌توانند تصمیمات مبتنی بر داده‌ها اتخاذ کنند و به هوشمندی سازمانی دست یابند.

یکی از مزایای کلیدی اوراکل آنالیتیکس، توانایی آن در پردازش حجم بزرگی از داده‌ها و استخراج الگوها و اطلاعات مهم از آن‌ها است. این قابلیت می‌تواند به سازمان‌ها کمک کند تا عملکرد خود را بهبود بخشیده و فرصت‌های جدید را شناسایی کنند. به عنوان مثال، شرکت‌های تولیدی می‌توانند با تحلیل داده‌های تولید و مصرف، به بهینه‌سازی فرایندها و کاهش هزینه‌ها بپردازند. یا سازمان‌های مالی می‌توانند با استفاده از مدل‌های پیش‌بینی‌کننده، ریسک‌های سرمایه‌گذاری را کاهش دهند.

اوراکل آنالیتیکس همچنین به دلیل دسترسی آسان به داده‌ها و قابلیت اشتراک‌گذاری اطلاعات بین تیم‌ها و سطوح مختلف سازمان، نقش مهمی در داده‌محوری ایفا می‌کند. این موضوع به ایجاد فرهنگ داده‌محور در سازمان کمک می‌کند، به طوری که تصمیم‌گیری‌ها بر مبنای داده‌ها و تحلیل‌های دقیق صورت می‌گیرد، نه بر اساس حدس و گمان.

قابلیت‌های پیشرفته مصورسازی داده‌ها نیز از دیگر مزایای اوراکل آنالیتیکس است. این ویژگی به کاربران امکان می‌دهد که داده‌ها را به صورت گرافیکی و بصری نمایش دهند، که برای درک بهتر اطلاعات و ارائه آن به مدیران و ذینفعان بسیار مؤثر است. این ابزارها می‌توانند به مدیران کمک کنند تا با دیدن ترندها و الگوهای ناشی از داده‌ها، تصمیمات سریع و هوشمندانه‌تری بگیرند.

در پایان، باید گفت که اوراکل آنالیتیکس با ارائه ابزارهایی قوی و یکپارچه برای تحلیل داده‌ها، به سازمان‌ها کمک می‌کند تا به یک فرهنگ داده‌محور دست یابند و تصمیم‌گیری‌های هوشمندانه‌تری اتخاذ کنند. این ابزارها نه تنها به بهبود عملکرد سازمان‌ها کمک می‌کنند، بلکه می‌توانند زمینه‌ساز نوآوری و رشد شوند.

آماده هستین

برای شروع ؟

برای برآورد زمانی و قیمت پروژه و یا قرار جلسه مشاوره از لینکهای زیر استفاده نمایید

تنظیم جلسه

برآورد پروژه

توضیحات اضافی

عوامل و تغییرات سریع در محیط عملیات شرکت ها و سازمان ها، آنها را به سوی پشتیبانی رایانه ای از عملیاتشان سوق می دهد. بدین معنی که فشارهای خارج از شرکت ها منجر به ایجاد رویکرد پاسخ در سازمان ها می شود که با توجه به سرعت محیط، این پاسخ ها باید با سرعت همراه باشد؛ چرا که محیط بسیار رقابتی است و لذا برای دستیابی به پاسخ های سریع، لازم است سامانه های رایانه ای به کمک شرکت ها بیایند. سامانه های رایانه ای می توانند فرآیند پاسخ را تسهیل و تسریع نمایند. در ذیل مدلی از فضا و فشارهای خارجی کسب و کار ها و نیز پاسخ ها و چگونگی حضور سامانه های رایانه ای ارایه شده است. سامانه های رایانه ای به مدیران و کسب و کارها به روش های مختلفی کمک می کنند:

محاسبات را تسهیل می کنند و سرعت انجام آنها را افزایش می دهد. ارتباطات و همکاری ها را بهبود می دهند. بهره وری افراد را افزایش می دهند. مدیریت داده ها را ممکن می کند و آن را بهبود می دهد. قابلیت دسترسی ها را افزایش می دهد. ایجاد دید: گذشته و حال کسب و کار ها را برای پیش بینی آینده به کار می گیرد. مدیریت و تحلیل عملکرد کسب و کار: شاخص های عملکرد کلیدی (Key Performance Indicators, KPI) را تعریف می کند. گزارش دهی: گزارش های لحظه ای و دسته ای ایجاد می کند. پوشش دامنه زمانی وسیع‏تر یك پایگاه داده یكپارچه حاصل از پردازش چندین پایگاه داده عملیاتی قابلیت پاسخ‏گویی به پرسش‏های پیچیده كاربران و برنامه های كاربردی در مهرماه سال 90 میزان فروش پژو در تهران به چه میزان بوده است؟ در شهر اصفهان کدام نوع خودرو بیش‎ترین فروش را داشته است؟ میزان فروش سال 90 نسبت به سال 89 چقدر تفاوت دارد؟ کدام رنگ سمند بیش‏تر به فروش می‏رود؟ با توجه به هزینه‏ های تولید و میزان فروش، سود حاصل از کدام محصول بیش‏تر است؟ این روش ها منجر به ساخت تصمیم های اساسی برای کسب و کارها می شود که در مجموع سازنده سیستم های تصمیم یار برای سازمان ها، شرکت ها و در مجموع کسب و کار می شود. استفاده از سیستم های تصمیم یار سابقه دیرینه ای دارد که به طور خلاصه می توان به روند ذیل اشاره کرد:

اولین بار در سال 1971 واژه «سامانه های تصمیم یار» (Decision Support System) در دانشگاه MIT به کار برده شد که مرکز اصلی آن بر اتخاذ تصمیمات نیمه ساخت یافته و ناساخت یافته عنوان گردید. در سال 1989، گروه گارتنر هوش تجاری را به عنوان یک واژه چترگونه (Umbrella Term) معرفی نمود که شامل مفاهیم و روش هایی می شد که به بهبود تصمیم گیری در کسب و کار مبتنی بر واقعیت ها تاکید داشت. در سال 2008 موسسه فارستر (Forrester) هوش تجاری را مجومه از متدلوژی ها، فرآیندها، معماری ها و تکنولوژی هایی تعریف کرد که داده های خام را به اطلاعات مفید و معنادار تبدیل می کند. توماس داونپورت (Thomas Davenport) در سال 2010 هوش تجاری را شامل تحلیل های کسب و کار (Business Analytics)، پردازش تحلیلی بر خط (OLAP)، پرس و جوها (Queries)، گزارش ها (Reports) و ابزارهای هشدار (Alert Tools) تعریف کرد. رویکردهایی که در اکثر تعاریف از هوش کسب و کار به آنها اشاره شده است، ناظر بر سه حوزه در این مفهوم می باشد که شامل رویکردهای مدیریتی- فرآیندی، رویکردهای تکنولوژیکی و رویکرد محصول که در ذیل به آنها اشاره شده است.

محصول تکنولوژیکی مدیریتی / فرآیند رویکرد توصیف هوش تجاری به عنوان یک محصول نوظهور که نتیجه تحلیل عمیق داده ‏های دقیق کسب و کار، و همچنین شیوه‏ های تحلیل با استفاده از ابزار هوش تجاری. تمرکز بر روی ابزار‏ها و تکنولوژی‏هایی که ثبت، ترمیم، دستکاری و تحلیل اطلاعات را ممکن می‏سازند. تمرکز بر روی فرآیند جمع آوری داده از منابع داخلی و خارجی، و تحلیل آنها به منظور تولید اطلاعات مرتبط برای بهبود در تصمیم گیری

چشم انداز هوش تجاری شاید بتوان به طور خلاصه چشم انداز هوش تجاری را اینگونه مطرح کرد: "ارتقاء عملیات و فرایندهای کلیدی کسب و کار از طریق تامین اطلاعات و دانش حیاتی کسب و کار در زمان درست، قالب درست و برای همه سطوح سازمانی"

اهداف هوش تجاری لذا اهدافی را که هوش تجاری به دنبال آن است را می توان به صورت ذیل خلاصه کرد: "بهینه سازی، تحلیل،کنترل و دیده بانی عملیات و فرایندهای کسب و کار"

کارکردهای هوش تجاری به دنبال اهداف هوش تجاری، سه کارکرد اصلی در کسب و کارهای مختلف ایجاد می شود که عبارتند از:

رویکردهای تکنیکی از سوی دیگر لازم است تکنیک های لازم برای تحلیل داده های مختلف به کار رود. در شکل زیر رویکردهای مختلف تکنیکی برای استفاده از انواع داده ها نشان داده شده است. برای رسیدن به این اهداف لازم است کسب و کار از دیدگاه عملیات و فرایندهای بنگاه به درستی تحلیل گردد که در شکل زیر به آن اشاره شده است.

تحلیل داده ها امروزه تحلیل داده ها با استفاده از ابزارها و تکنیک هایی که در این زمینه وجود دارند، بسیار ساده شده است. تحلیل داده ها انواع مختلفی دارد که در ذیل به آنها اشاره می شود:

تحلیل آماری (Statistical Analytics): بسته‎های تحلیل آماری مانند (S++)که می‎توانند با پایگاه داده‎ها در ارتباط باشند. داده کاوی: (Data Mining) داده کاوی جستجو می‎کند تا دانش را به شکل الگو‏ها و قواعد آماری از پایگاه داده‎های بزرگ به طور خودکار کشف نماید. پایگاه داده تحلیلی: (Analytical DB) یک پایگاه داده تحلیلی، اطلاعات جمع آوری شده از منابع متعدد را بایگانی نموده و آن‎ها را بر اساس یک طرح یکپارچه در یک سایت ذخیره می‎کند. برای کسب و کار‏های بزرگ مهم است که از بخش‎های متعدد و در صورت امکان در سایت‎های متعدد، داده تولید نمایند.

پایگاه داده تحلیلی "منبع داده جمع آوری شده از داده‏های منابع اطلاعاتی مختلف و حتی ناهمگن، تحت یك ساختار و در یك محدوده وسیع زمانی با هدف پاسخ‏گویی به پرسش‏های تحلیلی كاربران است." پایگاه داده تحلیلی تفاوت هایی را با پایگاه های عملیاتی دارند، از جمله می توان به مشخصات ذیل در پایگاه داده تحلیلی اشاره نمود: انواع داده ها در پایگاه داده تحلیلی داده های متنوعی در پایگاه داده تحلیلی ذخیره می شوند که عبارتند از: داده جاری:داده ‏های فعلی منابع عملیاتی داده قدیمی:داده‏ های قدیمی منابع اطلاعاتی داده خلاصه شده:داده ‏های نتیجه شده از داده ‏های موجود و پردازش‏های مرتبط فراداده:شامل اطلاعات مربوط به داده‏ ها، دیكشنری از اطلاعات پایگاه، راهنمایی جهت نگاشت داده از محیط عملیاتی به محیط پایگاه داده تحلیلی و قواعد استفاده شده برای خلاصه سازی است. معماری یك پایگاه داده تحلیلی معماری یك پایگاه داده تحلیلی شامل سه لایه می باشد: لایه زیرین:منابع اولیه داده را تشكیل می‏دهد. این لایه شامل پایگاه‏های داده رابطه‏ای، فایل‏های مسطح و منابع دیگر است. لایه میانی:خود پایگاه داده تحلیلی و سرویس دهنده‏ های پردازش تحلیلی برخط تشكیل می‏دهند. سرویس دهنده ‏های پردازش تحلیلی برخط، داده چند بعدی را برای ارائه به كاربران نهایی در اختیار قرار می‏دهند. لایه انتهایی:سرویس گیرنده‏ ها هستند كه با عملیات داده كاوی، پرس ‏و‏جو و تحلیل، داده را از سرویس دهنده‏ های پردازش تحلیلی بر خط می‏گیرند. دو نوع مشهور از معماری پایگاه داده بیشتر مورد توجه قرار گرفته است که شامل معماری Inmon و معماری Kimball است. در شکل ذیل دو معماری فوق نشان داده شده است. برای ایجاد یک پایگاه داده تحلیلی فرآیند ذیل باید انجام شود: چهارچوب هوش تجاری مایکروسافت در شکل زیر به طور شماتیک به چهارچوب هوش تجاری شرکت مایکروسافت اشاره شده است.

اصطلاحات مهم در هوش کسب و کار پردازش تحلیلی برخط (Online Analytical Processing)

سرویس‏هایی که از پایگاه داده تحلیلی به منظور پاسخ‏گویی سریع به پرسش‏های تحلیلی کاربران استفاده می‏کنند، پردازش تحلیلی برخط (OLAP) نامیده می‏شوند.OLAP عبارت است از مجموعه‏ ای از نرم افزارها که برای اکتشاف و تحلیل سریع داده ‏های مبتنی بر یک شیوه چند بُعدی با چندین سطح از مجموع سازی (Aggregation) استفاده می‏شود، و تصمیم گیری را تسریع و تسهیل می‏کند. آسان شدن تصمیم گیری به دلیل قابلیت هدایت تحلیل‏ها بدون نیاز به یک زبان پرس ‏و‏جوی اصلی یا فهم ساختار زیرین بانک اطلاعاتی حاصل می‏شود.

سریع‏ترشدن تصمیم گیری نیز از این جهت است که مجموع داده ‏ها برای درخواست‏های متداول از پیش محاسبه شدهاست و به اصطلاح داده ‏ها،Pre-Aggregat شده اند، بنابراین زمان محاسبه کاهش یافته و پاسخ‏گویی به پرس‏وجوهای پیچیده تحلیلی به سرعت امکان پذیر خواهد بود.پایگاه داده تحلیلی(DW)و پردازش تحلیلی بر خط(OLAP)از جمله عناصر ضروری در سیستم‏های تصمیم‏یار به شمار می‏آیند. در سوی دیگر پردازش هایی از نوع پردازش تراکنشی برخط(OnLine Transactional Processing)قرار دارند که همان طور که از نامشان پیداست به داده هایی که از تراکنش های روزانه حاصل از عملیات مختلف در فرایندهای سازمان، حاصل می شود، اطلاق می گردد. جدول ذیل نشان دهنده تفاوت هایOLAPوOLTPاست.

پردازش پارامترها پردازش تراكنش برخط(OLTP) پردازش تحلیلی برخط(OLAP) كاربران كاربران فناوری اطلاعات كاركنان دانش كاركرد عملیات روزانه پشتیبانی تصمیم طراحی پایگاه داده كاربرد-گرا موضوع-گرا داده جاری، به روز، با جزئیات، رابطه‌ای، منفرد سابقه، خلاصه شده، چند بعدی، سرجمع، یكپارچه كاربرد عملیات تكرار شونده خاص منظوره دسترسی خواندن/نوشتن، اندیس گذاری/درهم سازی بر روی كلید اصلی پویش سراسری وگسترده واحد كاری تراكنش‌های ساده و كوتاه پرس‌وجوهای پیچیده تعداد ركوردهای مورد دسترسی ده‏ها ركورد میلیون‌ها ركورد تعداد كاربران هزاران كاربر صدها كاربر اندازه پایگاه داده مگابایت - گیگابایت گیگابایت - ترابایت معیار سنجش بازده تراكنش(Throughput , Speed) بازده پرس‌وجو، پاسخ(Throughput,Speed)جامعیت و همبستگی هدف انجام کار‏های کسب و کار روزانه پشتیبانی از تصمیم گیری و پاسخگویی به پرس‏و‏جو‏های کسب و کار و مدیریتی منبع داده پایگاه داده تراکنشی پایگاه داده تحلیلی وdata mart گزارش گیری روزمره، به صورت دوره‏ای، گزارش‏ها با تمرکز دقیق. Ad hoc، چند بعدی، پرس‏و‏جو‏ها و گزارش‏ها با تمرکز گسترده نیازمندی‏های منبع پایگاه داده‏های رابطه‏ای معمولی چند پردازنده، ظرفیت بزرگ، پایگاه داده‏های تخصصی سرعت اجرا سریع (ثبت تراکنش‏های کسب و کار و گزارش‏های روزمره) کند (پرس‏و‏جو‏های پیچیده، با مقیاس بزرگ و نیازمند منابع زیاد)

مأموریتOLAP فرض کنید کارخانه ایران خودرو محصولات مختلفی از قبیل پژو، سمند، وانت و غیره را تولید می‎کند. همچنین، این کارخانه در شهر‎های مختلف دارای نمایندگی است و مدیران کارخانه می‎خواهند عملکرد فروش محصولات خود در شهر‏های مختلف را تحلیل کنند.OLAPسرویسی است که وظیفه آن پاسخ سریع به سوالات مربوط به کسب و کار است. سوالاتی از قبیل: زیرساخت داده ها در OLAP با زیرساخت داده ای در OLTP نیز با هم تفاوتند. در شکل زیر ساخت مربوط به هر یک نشان داده شده است. چهار روش برای ذخیره سازی در OLAP وجود دارد:

: (Relational OLAP) ROLAP اگر هم داده ‏های مجتمع و هم غیرمجتمع در پایگاه داده رابطه‎ای ذخیره شوند. : (Multi-dimensional OLAP) MOLAP اگر هم داده‏های مجتمع و هم غیرمجتمع در پایگاه داده ابعادی ذخیره شوند. : (Hybrid OLAP) HOLAPاگر داده ‏های غیر مجتمع در پایگاه داده رابطه‏ای و داده ‏های مجتمع در پایگاه داده ابعادی ذخیره شوند. (Desktop OLAP) DOLAP؛