Что такое olap?

Есть ли OLAP-сервер в 1С

В платформе 1С:Предприятие нет компонента, который называется «OLAP-сервер». Но есть два механизма, которые в сочетании друг с другом призваны играть роль OLAP-сервера – это механизм копий баз данных и дата акселератор. Поверх этого используется продукт 1С:Аналитика как BI-инструмент, отвечающий за визуализацию данных.

Подробнее об архитектуре подобной аналитической системы можно прочитать в статье на 1С:ИТС.

По сути, механизм копий + дата акселератор + 1С:Аналитика – это и есть аналог OLAP-системы, заточенной под 1С.

В 1С:Аналитике можно получить сводную информацию по всем записям в нужном регистре или по документам, а потом детализировать эти данные до отдельного документа или элемента справочника. Включается 1С:Аналитика как часть установленной системы, работает с данными из вашей 1С, так что дополнительно выгружать и перегружать данные не нужно.

О том, как настроить 1С:Аналитику для работы с 1С, рассказала Ирина Богданова в статье Как мы подружили «1С:Аналитику» и «Финансист». Практический опыт, написанной по итогам митапа «Бизнес-анализ по данным базы 1С. Интеграция c платформами BI».

Виды OLAP систем

В зависимости от метода хранения и обработки данных все OLAP системы могут быть разделены на три основных вида.

1. ROLAP (Relational OLAP – реляционные OLAP системы) – этот вид OLAP системы работает с реляционными базами данных. Обращение к данным осуществляется
напрямую в реляционную базу данных. Данные хранятся в виде реляционных таблиц. Пользователи имеют возможность осуществлять многомерный анализ как в
традиционных OLAP системах. Это достигается за счет применения инструментов SQL и специальных запросов.

Одним из преимуществ ROLAP является возможность более эффективно осуществлять обработку большого объема данных. Другим преимуществом ROLAP является
возможность эффективной обработки как числовых, так и текстовых данных.

К недостаткам ROLAP относится низкая производительность (по сравнению с традиционными OLAP системами), т.к. обработку данных осуществляет сервер OLAP.
Другим недостатком является ограничение функциональности из-за применения SQL.

2. MOLAP (Multidimensional OLAP – многомерные OLAP системы). Этот вид OLAP систем относится к традиционным системам. Отличие традиционной OLAP
системы, от других систем, заключается в предварительной подготовке и оптимизации данных. Эти системы, как правило, используют выделенный сервер, на
котором осуществляется предварительная обработка данных. Данные формируются в многомерные массивы – OLAP кубы.

MOLAP системы являются самыми эффективными при обработке данных, т.к. они позволяют легко реорганизовать и структурировать данные под различные
запросы пользователей. Аналитические инструменты MOLAP позволяют выполнять сложные расчеты. Другим преимуществом MOLAP является возможность быстрого
формирования запросов и получения результатов. Это обеспечивается за счет предварительного формирования OLAP кубов.

К недостаткам MOLAP системы относится ограничение объемов обрабатываемых данных и избыточность данных, т.к. для формирования многомерных кубов, по
различным аспектам, данные приходится дублировать.

3. HOLAP (Hybrid OLAP – гибридные OLAP системы). Гибридные OLAP системы представляют собой объединение систем ROLAP и MOLAP. В гибридных системах
постарались объединить преимущества двух систем: использование многомерных баз данных и управление реляционными базами данных. HOLAP системы позволяют
хранить большое количество данных в реляционных таблицах, а обрабатываемые данные размещаются в предварительно построенных многомерных OLAP кубах.
Преимущества этого вида систем заключаются в масштабируемости данных, быстрой обработке данных и гибком доступе к источникам данных.

Существуют и другие виды OLAP систем, но они в большей степени являются маркетинговым ходом производителей, чем самостоятельным видом OLAP системы.

К таким видам относятся:

• WOLAP (Web OLAP). Вид OLAP системы с поддержкой web интерфейса. В этих системах OLAP есть возможность обращаться к базам данных через web интерфейс.
• DOLAP (Desktop OLAP). Этот вид OLAP системы дает возможность пользователям загрузить на локальное рабочее место базу данных и работать с ней
  локально.
• MobileOLAP. Это функция OLAP систем, которая позволяет работать с базой данных удаленно, с использованием мобильных устройств.
• SOLAP (Spatial OLAP). Этот вид OLAP систем предназначен для обработки пространственных данных. Он появился как результат интеграции географических
  информационных систем и OLAP системы. Эти системы позволяют обрабатывать данные не только в буквенно-цифровом формате, но и в виде визуальных
  объектов и векторов.

How OLAP cubes work

The cube may consist of several dimensions that can be used to filter the required information and form reports. OLAP systems use a specific SQL language called MDX or Multidimensional Expressions. Standard SQL queries are also supported by the most databases to perform OLAP analysis.

There are five basic types of OLAP multidimensional analysis operations.

Drill down allows a user to move from high-level data (e.g., annual sales) to a lower level (e.g., monthly sales). Here we use the concept of hierarchy that applies to every single dimension. So, in the “time” dimension, we can move down from yearly figures to weekly or even daily records. This depends on how you store your data and model the actual cube.

Drill down into the time dimension

Source: www.guru99.com

Roll up is the opposite of drill down, as it basically lifts the data in hierarchy levels. Both operations either make the data more or less detailed, or add/remove dimensions for the analysis.

Roll up the location dimension

Source: www.guru99.com

Slice operations help you divide a certain dimension into a separate table (one-dimension view). “Slice” can detach, say, the city’s dimension from the rest of the cube, which will create a separate spreadsheet. This way we can analyze low-level information in the isolated environment.

Slicing a location dimension in a hierarchy level of cities

Source: www.guru99.com

Dice provides the same separation functionality, but allows you to choose more than one dimension, producing a separate cube.

A dice operation with the choice of time and location dimensions

Source: www.guru99.com

Pivot is a similar operation to create pivot tables in Excel. This function allows us to rotate a cube to get a different representation of data in between the dimensions.

Pivot example on a single dimension of the cube

Source: www.guru99.com

All in all, the functions can be used in conjunction, which gives huge flexibility to use a single cube for multiple purposes. But, as we mentioned before, each time there is a modification to data, the cube will require reuploading the information or remodeling the existing OLAP DB.

Загрузка адресов произвольного формата (КЛАДР и нестандартных «грязных» адресов) в ФИАС современных конфигураций из 1С 7.7

Описание технологии загрузки любых адресов из 1С 7.7 с разложением по ФИАС в современные конфигурации 1C 8.3 на примере ERP. Предлагаемый способ просто чудо, он гарантирует результат, он очень простой и качественный! Моя обработка является синтаксическим анализатором, который подставляет в строку грязного адреса выражение «Дом №» и «Корпус», благодаря чему грязные адреса 7.7 сами очень хорошо раскладываются по значимым полям ФИАС — заполняется область, город, улица, дом, корпус.. все раскладывается само с помощью встроенного механизма современных конфигураций 1С 8.3, который написали сами сотрудники фирмы 1С!

1 стартмани

8

OLAP с технической точки зрения​

Все СУБД можно разделить на две группы: OLAP (аналитическая обработка в реальном времени) и OLTP (обработка транзакций в реальном времени). OLAP используются для построения отчетов на основе больших объемов накопленных исторических данных, но эти отчеты обновляются не слишком часто. OLTP обычно применяются для обработки непрерывных потоков операций (транзакций), каждая из которых изменяет состояние данных.

На практике OLAP и OLTP — это не строго разделённые категории, а скорее спектр возможностей. Большинство СУБД специализируются на каком-то одном виде обработки данных, но имеют инструменты и для выполнения других операций, когда это необходимо. Из-за такой специализации часто приходится использовать несколько СУБД и интегрировать их между собой. Это вполне реальная и решаемая задача, но, как известно, чем больше систем, тем выше расходы на их содержание. Поэтому в последние годы становятся популярны гибридные СУБД — HTAP (Hybrid Transactional/Analytical Processing), которые одинаково эффективно выполняют оба вида операций по обработке данных.

Даже если СУБД сначала развивались исключительно как OLAP или как OLTP, разработчики постепенно двигаются в сторону HTAP, чтобы сохранять конкурентоспособность. И ClickHouse не исключение. Изначально он создавался как OLAP СУБД с максимальной производительностью, и на сегодняшний день в нем нет полноценной поддержки обработки тразакций, но уже реализованы некоторые возможности, такие как постоянная скорость чтения/записи данных и мутации при изменении/удалении данных.

Принципиальное «разделение труда» между OLAP и OLTP СУБД сохраняется:

• Чтобы эффективно строить аналитические отчеты, нужно уметь обрабатывать колонки по отдельности, поэтому большинство OLAP СУБД — столбцовые.
• Хранение данных по столбцам снижает скорость выполнения операций над строками (таких как добавление или изменение данных) пропорционально числу столбцов, а это число может быть огромным для систем, ориентированных на сбор разнообразных детальных данных о событиях. Поэтому большинство OLTP систем используют строковые СУБД.

Виды источников данных

Глобально можно разделить источники данных на 3 типа:

1. Диапазоны ячеек
2. Запросы к базе данных
3. OLAP-кубы и PowerPivot2010 как один из вариантов реализации OLAP-механизма.

Диапазоны

Первый вариант работы – самый распространенный на практике; предыдущие описания примеров относятся как раз к данным, хранящимся в диапазоне ячеек.

Запросы к базе данных

Запросы к базе данных могут быть реализованы с использованием различных технических механизмов: Microsoft Query, ADO, ODBC. Независимо от интерфейса доступа к данным объединяющим фактором этого варианта работы является заполнение кэша сводной таблицы непосредственно из внешнего источника. При дальнейшей работе со сводной таблицей запрос может быть выполнен повторно, после чего данные будут заново перенесены в кэш. Этот метод позволяет анализировать данные из внешних источников (учетных систем) в реальном времени. При разрыве связи с источником данных, анализ может производиться на последних данных, попавших в кэш.

OLAP-кубы

OLAP-куб предоставляет промежуточный уровень подготовки информации для многомерного анализа в сводных таблицах. Куб хранит информацию о доступных типах полей (измерение или данные), иерархические зависимости полей, агрегированные значения (промежуточные итоги) и другие вычисляемые элементы. Главным преимуществом использования кубов перед прямыми запросами в базу данных является высокая производительность, так как данные перемещаются и агрегируются в промежуточном хранилище. Очевиден и недостаток данного метода – данные OLAP-куба могут содержать неактуальную информацию, что зависит от настроек хранилища.

До версии Office 2007 простой OLAP-куб можно было подготовить при помощи Microsoft Query, но в последних версиях эту возможность по непонятным причинам отключили. Разработчики настоятельно рекомендуют использовать SQL Server Analysis Service для создания и настройки OLAP-кубов. Рекомендация полезная, но, во-первых, этот сервис входит в состав только платных версий SQL Server, а, во-вторых, требует серьезного изучения, как интерфейса, так и языка обработки MDX-запросов.

В примере к статье представлен архив nwdata_cube.zip
с двумя файлами nwdata_cube.cub
, nwdata_cube.xls

Обратите внимание на изменения в интерфейсе сводной таблицы при использовании OLAP-куба в качестве источника данных:

• Наличие иерархических измерений, нет возможности поменять родительский и дочерний элемент местами.
• Недопустимо перемещение измерений в область данных и наоборот.
• Промежуточные итоги отображаются для всех элементов, а не по текущему фильтру группы.

PowerPivot

Для Excel 2010 доступна специальная надстройка PowerPivot, которая является, по большому счету, альтернативным механизмом реализации OLAP-кубов. При помощи PowerPivot можно обрабатывать миллионы записей различных информационных файлов и баз данных с огромной производительностью. При этом интерфейс пользователя для конечного анализа данных реализован в Excel 2010.

С высокой вероятностью эта надстройка войдет в состав следующей версии Excel в качестве базовой функциональности. Мы очень надеемся посвятить описанию работы PowerPivot отдельную статью или даже цикл статей. На сегодняшний день PowerPivot + Excel являются, пожалуй, самым мощным инструментом для анализа больших объемов данных.

автономный файл куба (.cub) хранит данные в форму в кубе интерактивной аналитической обработки (OLAP). Эти данные могут представлять часть базы данных OLAP с сервера OLAP или она может были созданы независимо от любой базы данных OLAP. Чтобы продолжить работу с отчетами сводных таблиц и сводных диаграмм, если сервер недоступен или при отключении от сети с помощью файла автономного куба.

These terms are often confused for one another, so what are their key differences and how do you choose the right one for your situation?

We live in a data-driven age, where the organizations that use data to make smarter decisions and respond faster to changing needs are more likely to come out on top. You can see this data at work in new service offerings (such as ride-sharing apps) as well as the powerhouse systems that drive retail (both e-commerce and in-store transactions).

Within the data science field, there are two types of data processing systems: online analytical processing (OLAP) and online transaction processing (OLTP). The main difference is that one uses data to gain valuable insights, while the other is purely operational. However, there are meaningful ways to use both systems to solve data problems.

The question isn’t which to choose, but how to make the best use of both processing types for your situation.

What are OLAP and OLTP?

Upon first glance, you may notice the difference in each data processing type. One includes “Analytical” and the other “Transaction”, all else the same. This is in fact where the primary difference lies. An OLAP database is a database system primarily designed to be used for analytics and insight generation. Whereas an OLTP database will require performance characteristics that will be discussed in the proceeding section, OLAP databases are generally designed for ingesting and working on large datasets. The key operations are executing complex and long-running queries and generating reports, graphs and insights for business decisions.

Куб

• Дата Заказа
• Страна
• Город
• Название заказчика
• Компания-доставщик
• Название товара
• Количество товара
• Сумма заказа

• Какова суммарная стоимость заказов, сделанных клиентами из определенной страны?
• Какова суммарная стоимость заказов, сделанных клиентами из определенной страны и доставленных определенной компанией?
• Какова суммарная стоимость заказов, сделанных клиентами из определенной страны в заданном году и доставленных определенной компанией?

Результатом этого запроса всегда будет столбец чисел и список атрибутов его описывающих (например, страна) – это одномерный набор данных или, говоря математическим языком, – вектор.

Представим себе, что нам надо получить информацию по суммарной стоимости заказов из всех стран и их распределение по компаниям доставщиков – мы получим уже таблицу (матрицу) из чисел, где в заголовках колонок будут перечислены доставщики, в заголовках строк – страны, а в ячейках будет сумма заказов. Это – двумерный массив данных. Такой набор данных называется сводной таблицей (pivot table
) или кросс-таблицей.

Если же нам захочется получить те же данные, но еще в разрезе годов, тогда появится еще одно изменение, т.е. набор данных станет трехмерным (условным тензором 3-го порядка или 3-х мерным «кубом»).

Очевидно, что максимальное количество измерений – это количество всех атрибутов (Дата, Страна, Заказчик и т.д.), описывающих наши агрегируемые данные (сумму заказов, количество товаров и т.п).

Так мы приходим к понятию многомерности и его воплощению – многомерному кубу
. Такая таблица будет у нас называться «таблицей фактов
». Измерения или Оси куба (dimensions
) – это атрибуты, координаты которых – выражаются индивидуальными значениями этих атрибутов, присутствующих в таблице фактов. Т.е. например, если информация о заказах велась в системе с 2003 по 2010 год, то эта ось годов будет состоять из 8 соответствующих точек. Если заказы приходят из трех стран, то ось стран будет содержать 3 точки и т.д. Независимо от того, сколько стран заложено в справочнике Стран. Точки на оси называются ее «членами» (Members
).

Сами агрегируемые данные в данном случае буду назваться «мерами» (Measure
). Чтобы избежать путаницы с «измерениями», последние предпочтительней называть «осями». Набор мер образует еще одну ось «Меры» (Measures
). В ней столько членов (точек), сколько мер (агрегируемых столбцов) в таблице фактов.

Члены измерений или осей могут быть объединены одной или несколькими иерархиями (hierarchy
). Что такое иерархия, поясним на примере: города из заказов могут быть объединены в районы, районы в области, области страны, страны в континенты или другие образования. Т.е. налицо иерархическая структура – континент-страна-область-район-город
– 5 уровней (Level
). Для района данные агрегируются по всем городам, которые в него входят. Для области по всем районам, которые содержат все города и т.п. Зачем нужно несколько иерархий? Например, по оси с датой заказа мы можем хотеть группировать точки (т.е. дни) по иерархии Год-Месяц-День
или по Год-Неделя-День
: в обоих случаях по три уровня. Очевидно, что Неделя и Месяц по-разному группируют дни. Бывают также иерархии, количество уровней в которых не детерминировано и зависит от данных. Например, папки на компьютерном диске.

Агрегация данных может происходить с использованием нескольких стандартных функций: сумма, минимум, максимум, среднее, количество.

Что такое OLAP и как она отличается от OLTP?

Предполагается, что системы OLTP (OnLine Transaction Processing) отслеживают и записывают транзакции в режиме реального времени и предназначены для автоматизации процесса ввода данных канцелярских данных или поиска данных для функциональных областей. Эта система позволяет пользователям добавлять, изменять, удалять и просматривать данные в базе данных OLTP, используя интерфейс пользователя.                

В свою очередь, системы OLAP (OnLine Analytical Processing —  интерактивная аналитическая обработка) являются ядром систем Business Intelligence и должны позволить пользователю быстро анализировать огромное количество информации, которая была объединена в многомерные представления и иерархии. Инструменты OLAP используются для проведения анализа тенденций по обобщенным данным; например, анализ агрегированных продаж и финансовой информации на ежегодной основе. Инструменты OLAP позволяют бизнес-пользователям легко и выборочно извлекать и просматривать данные с разных точек зрения или размеров, таких как время, география, пол, продукт и т. д. Вот некоторые из запросов, на которые можно своевременно получить ответы из систем OLAP:                  

1. Какой регион обеспечивает высокий уровень доходов для организации?
2. Какой магазин в этом конкретном регионе несет наибольшую ответственность за доходы?
3. Какие продукты или категории продуктов в наибольшей степени приносят доход?
4. Какой клиентский сегмент какой продукт использует или какой продукт популярен среди группы клиентов?                                      

Вы можете возразить, что ответы на эти вопросы также могут быть получены из баз данных OLTP; зачем же тогда нужна система OLAP?  В какой-то степени вы действительно вы можете ответить на эти вопросы при помощи системы OLTP, но это не лучшее решение. Обычно такие типы запросов основаны на большом наборе данных. Кроме того, для получения результата потребуется больше времени, и эти типы запросов негативно скажутся на производительности всей OLTP-системы. Помните, что OLTP-системы предназначены для обработки транзакций, что может повлиять на несколько записей, тогда как OLAP-системы основаны на аналитической обработке, что может повлиять на тысячи и миллионы записей. Имейте в виду, что платформа BI предварительно вычисляет или суммирует агрегаты, то есть суммирует продажи в год, поэтому, когда вы запускаете запрос для получения общих продаж в год, запрос просто предоставляет данные из агрегатов и не требует вычисления каждого значения. Но это не значит, что вам нужны системы OLAP для всех типов отчетов; для оперативной отчетности вы можете использовать OLTP-системы.

OLAP vs. OLTP: Which is best for you?

Choosing the right system for your situation depends on your objectives. Do you need a single platform for business insights? OLAP can help you unlock value from vast amounts of data. Do you need to manage daily transactions? OLTP is designed for fast processing of large numbers of transactions per second.

Note that traditional OLAP tools require data-modeling expertise and often require cooperation across multiple business units. In contrast, OLTP systems are business-critical, with any downtime resulting in disrupted transactions, lost revenue and damage to your brand reputation.

Most of the time, organizations use both OLAP and OLTP systems. In fact, OLAP systems may be used to analyze data that leads to business process improvements in OLTP systems.

Пример переноса справочников, документов и движений через Эксель и «Конвертацию данных 2» из оптовой учетной системы 1С 7.7 Комплексной 4.2 и розничной учетной системы Рарус Торговый комплекс -> в 1С 8.3 ЕРП 2.4 (расширение и дополнительные реквизиты)

Описание практического опыта переноса данных из двух устаревших учетных систем в одну современную с обобщением справочников (например номенклатуры, контрагентов, партнеров) и объединением учетных данных устаревших систем в единую новую УС применяя комбинацию стандартной загрузки из Эксель и КД2. Данная публикация является примером переноса данных из сильно устаревших и сильно переписанных конфигураций 1С:Предприятия 7.7 и 8 в современную 1С 8.3 своими силами при условии невозможности или нежелания пользоваться обновлением релизов и типовой функциональностью универсального обмена данными типовых мастеров переноса данных. Отличительной особенностью публикации является устранение зависимости от версий релиза конфигураций, отказ от обновлений устаревших конфигураций.

1 стартмани

5

What is OLTP?

Online transactional processing (OLTP) enables the real-time execution of large numbers of database transactions by large numbers of people, typically over the Internet. OLTP systems are behind many of our everyday transactions, from ATMs to in-store purchases to hotel reservations. OLTP can also drive non-financial transactions, including password changes and text messages.

OLTP systems use a relational database that can do the following:

• Process a large number of relatively simple transactions — usually insertions, updates and deletions to data.
• Enable multi-user access to the same data, while ensuring data integrity.
• Support very rapid processing, with response times measured in milliseconds.
• Provide indexed data sets for rapid searching, retrieval and querying.
• Be available 24/7/365, with constant incremental backups.

Many organizations use OLTP systems to provide data for OLAP. In other words, a combination of both OLTP and OLAP are essential in our data-driven world.

The rise of column databases or a new OLAP

Currently, OLAP remains quite a cumbersome technology, because it requires modeling a separate database to build cubes. And the more data you need for analysis, the more likely you’ll need a data warehouse only for OLAP needs. But things may change with the emergence of column databases.

A comparison of a relational DB row-table, and a column-table.

Source: www.kdnuggets.com

As you might remember, a traditional relational database stores values in rows, while columns denote categories of items. A column database is a type of schema that uses columns to organize tables in DB. As simple as that, this type of schema provides capabilities similar to what an OLAP database does. Each table will represent a dimension that can be quickly scanned and analyzed.

Column databases can potentially be used as a data warehouse capable of handling OLAP queries by nature. While this approach was described way back in 2012 in different studies, it gained popularity only a few years ago. So this led to the emergence of column-oriented cloud data warehouses.

• AWS Redshift offers columnar storage as an option for high-volume analytical queries. The concept of a column database in Redshift is described on a dedicated page.
• Apache Kudu is an analytical data store that relates to the Apache Hadoop Kudu is an open-source solution designed specifically for analyzing dynamically changing data.
• is a distributed data storage solution based on the MariaDB Enterprise server.
• Google Cloud Bigtable is a part of the Google Cloud ecosystem designed for large volume data analysis, big data, and streaming analytics.
• Azure Synapse Analytics connects a range of services for data warehousing, data integration (ETL), and big data analytics.

Choosing a column-oriented database eliminates the need to create a separate ecosystem for OLAP.

But there is a drawback to keep in mind. In case you’ll have to run a massive update of your data, a column database will need to read every single row one by one. The process of updating currently remains much more time-consuming and complex for column databases than it is for traditional SQL databases.

Conclusion

In this article, we discussed the two different types of database system processing, OLAP and OLTP, and how they can both be used with ETL. We covered their main differences which can be broken down simply to their optimized use case, analytics or transactions. When it comes to query types, response time, backup frequency and other characteristics, each type performs better in the areas most critical to its specialty.

Understanding OLAP and OLTP positions you to make the right decisions when designing a data-intensive application. Depending on what it is that you want to do with data, one of the types is going to be optimized for the task.

RELATED ON PRISMA.IO

Checkout the Prisma Data Platform to manage all of your application data in a single place.

Application of OLAP

As we have already mentioned above, the main asset of online analytical processing is its powerful data analysis capabilities. It determines extensive use of OLAP in business intelligence and reporting applications.

Standard examples of OLAP applications include marketing analysis and planning, sales analytics, business modeling and forecasting, financial reporting and other spheres. Online analytical processing tools are widely used in data mining, providing insights into the company’s data trends and delivering information to the management used in the company’s’ problem solving and decision-making processes.

What is OLAP (Online Analytical Processing)?

OLAP definition

Acronym OLAP stands for Online Analytical Processing, a computer processing technology that allows rapid execution of complex analytical queries. It is an important part of business intelligence, providing powerful capabilities for data mining and trend analysis.

You can often meet terms OLAP and Multidimensional data analysis together, but actually, they are interchangeable. Online analytical processing technology represents the data in a multidimensional structure. It allows the users to consolidate, detail and rotate data in order to see and analyze it from various perspectives. This multidimensional database structure helps processing ad hoc queries rapidly, which makes OLAP tools a popular choice for business reporting.

One of data search concepts are commonly associated with OLAP is data mining. These two terms are usually considered as synonyms, however there is a clear difference. The major difference between OLAP and data mining lies in their purpose: they solve different analytic problems. OLAP is a tool that enables users to make forecasting and data summarization. Data mining, in its turn, discovers hidden patterns in data. In fact, data mining is more than OLAP.

Short history of OLAP

We are going to begin introduction to technology with its history. The term OLAP, as opposed to OLTP, was coined by Edgar Codd in 1993 in his article in Computerworld magazine where he outlined the 12 rules for OLAP software. Although the article was later retracted by the magazine due to a potential conflict of interests, its influence on shaping up the OLAP technology is undeniable. In 1995, Nigel Pendse defied the FASMI (Fast Analysis of Shared Multidimensional Information) requirements for analytical processing tools.

The history of the technology itself dates back to 1970 when Information Resources released Express, the first OLAP server.  Oracle bought it in 1995 and Express subsequently became the basis of Oracle OLAP, a multidimensional calculation engine that Oracle provides within its database.

In 1992, Arbor Software (acquired by Oracle in 2007) released  another prominent OLAP product, Essbase. Microsoft released its OLAP server, MS Analysis Services, in 1998. It contributed to the popularity of the technology and prompted the development of other OLAP products.

Is OLAP still relevant? The answer is of course, yes, demand for OLAP continues to grow nowadays even more.