ВКР Методы анализа обращения налогоплательщиков с использованием информационной системы, построенной на принципах OLAP

В современном мире практически каждая организация ежедневно работает с
огромными объемами информации различного типа. Предприятия, работающие с
людьми, каждодневно собирают данные о новых клиентах, и на ровне с этим хранят
информацию о старых, ранее зарегистрированных пользователях. Каждая проданная
единица товара, каждое полученное обращение, каждая услуга, предоставляемая
организацией, должны быть зарегистрированы, описаны и учтены в хранилище
данных. Поэтому каждая современная организация имеет в расположении свою
собственную базу данных. Сложно представить, как бы они обходились без
существующих систем управления базами данных. Такие системы дают
возможность не только собирать и хранить информацию, но и предоставляют
постоянный доступ к ней. Дают постоянную возможность найти и просмотреть
необходимые данные по запросу сотрудника-аналитика. В подобные базы данных
постоянно добавляется новая информации, постоянно совершаются какие-либо
транзакции, поэтому они носят название операционных или транзакционных.
Системы оперативной обработки (OLTP – On-LineTransactionalProcessing) служат
средством для учета подобных транзакций и непосредственно предоставляют доступ
к базам данных.
Для того чтобы выполнять максимальное количество транзакции за
небольшие промежутки времени, производится настройка и оптимизация учетных
систем. Компании, работающие с клиентами, сохраняют не только основные
данные, но также и производят запись звонков, просмотр каталогов услуг, и
количество посещений разделов на сайте. Из каждой подобной небольшой операции
можно извлечь информацию, способную помочь в развитии всего предприятия, ведь
основываясь на такие данные можно получать отчеты по определенным вопросам в
различные промежутки времени, которые дадут возможность проанализировать
организационную деятельность.
В существующих учетных системах не так много аналитических функций.
Для того, чтобы создать отчет требуются большие мощности устройств, что в свою
очередь приводит к потере производительности. OLTP-приложения также не
способны полностью решить данную проблему, потому как обычно данные
находятся в различных документах баз данных, что в свою очередь сильно затрудняет процесс агрегирования информации по необходимому вопросы даже для
создания небольших отчетов.
Стоит отметить, что хранящиеся в системах данные постоянно изменяются, а
также необходимые данные для создания отчета могут находиться в разных
системах. Так как сбор данных происходит ежеминутно, при проведении анализа в
течение одного дня, результаты могут получиться совершенно разными, ведь
значения в соответствии с сбором транзакций постоянно меняются. Чтобы избежать
искажения картины, отражающей все в полной мере, анализ следует производить по
окончании отчетного периода.
Для некоторых видов анализа требуются структурные изменения, которые в
текущей оперативной системе могут быть недопустимы. Предположим, нам
необходимо узнать, что повлечет за собой появление новых продуктов у компании.
Данное исследование провести на живой базе не удастся, поэтому делаем вывод, что
возможность выполнить эффективный анализ прямо в учетной системе дается очень
редко.
В системах поддержки принятия решений существуют средства, которые
помогают представить объединенные данные для дальнейшей работы с ними.
Подобные средства отражают данные в удобном и понятном для анализа виде. Как
правило, агрегированные данные представляются в виде многомерной модели
данных, которая в свою очередь представляет собой гиперкуб или метакуб. Оси
такого куба содержат параметры, а на пересечении осей образуются меры, которые
содержат численную информацию, данные о анализируемых параметрах. Стоит
отметить, что подобного рода данные могут быть также представлены в сводных
реляционных таблицах. Данные по каждой оси измерения в большинстве случаев
представлены в виде различных уровней детализации, что в свою очередь
называется иерархиями. Такая модель позволяет лицам, принимающим решения,
иметь соответствующую информацию, которая может быть преобразована в явные
знания и которые можно эффективно отслеживать.
Поэтому отмечается рост популярности к использованию подобных систем
поддержки принятия решений, и необходимость в применении OLAP-технологий
реализующих эту систему также возросло. Оперативная аналитическая обработка
(onlineanalytical processing) способна представить для руководителей и аналитиков необработанную информацию OLTP-систем в удобном для восприятия виде,
напрямую готовую для использования.Благодаря возможности получения доступа к
огромному количеству различной информации в короткий временной промежуток,
данный метод позволяет руководителям, аналитикам и сотрудникам рассмотреть
«ядро» имеющихся собранных данных.
В современно мире практически каждый человек так или иначе
задействующий в своей работе компьютерные технологии, может представить, что
такое базы данных и какого их настоящее предназначение. Конечно, понятие OLAP
системы не так широко известна, как например традиционные реляционные системы
управления базами данных, но многие слышали про «кубы OLAP».
Online Analytical Processing – чтоэто?
Онлайн-аналитическая обработка (OLAP) использует многомерный способ
организации данных для проведения анализа. При помощи сохранения данных в
оптимизированных структурах, для пользователей появляется возможность
постоянного быстрого доступа к необходимой информации, которая при обычном
хранении, могла остаться незамеченной. В результате OLAP облегчает аналитикам
доступ к данным, тем самым позволяет компаниям достигать ключевых
организационных целей, включая широкомасштабную аналитику.
Во-первых, почему аналитикам нужен более легкий доступ к информации. По
сути, специализированные аналитики являются потребителями информации
компании. Бизнес-аналитикам необходимо находить закономерности в больших
наборах данных. Из-за этого аналитик не отмечает отдельно выделенные данные,
например, что в определенный день определенной даты определенному человеку
был продан тот или иной продукт. Аналитику нужна информация о сотнях, и даже
тысячах таких событий. Содержащиеся в базах данных отдельные, индивидуальные
данные, могут быть интересны для работы с ними бухгалтеру продавцу или
менеджера, под чьей юрисдикцией проходит сделка. Но для работы аналитика одной
справки недостаточно, для анализа необходима информация по всей работе и
сделках филиала или представительства за какой-то промежуток времени: месяц или
даже год. При этом аналитик отбрасывает ненужные детали, такие как ID клиента,
точный адрес и номер телефона, номер контракта и т.д. При этом данные, которые должен обработать аналитик в ходе своей работы, обязательно должны содержать
числовые значения - в этом суть его деятельности.
Для работы аналитика недостаточно только централизованного и удобного
для восприятия структурирования, ему еще необходим инструмент способный
представить информацию к просмотру, провизуализировать ее. Даже в концепции
единого хранилища традиционно построенные отчеты не имеют так называемой
гибкости. Для получения необходимого представления данных, их невозможно
«покрутить», «развернуть» или «свернуть». Разумеется, для получения нового
отчета, можно пригласить программиста, который справится с этим за короткий
промежуток времени, например час. Но с учетом того, что аналитику в день может
потребоваться проверить несколько своих идей в час, такой процесс работы является
очень затратным по времени и совсем не удобным. И чем больше “срезов” и
“разрезов” данных представляется возможность рассмотреть аналитику, тем больше
у него может появляться идей, которые за собой впоследствии влекут анализа все
большего количества новых «срезов». Поэтому появляется потребность в
инструменте, способном помочь в решении данной проблемы, инструменте,
который способен быстро и легко сворачивать и разворачивать различные объемы
данных. Таким инструментом является OLAP.
Впрочем, OLAP не является атрибутом хранилища данных, он как правило
используется для анализирования информации, которая собрана в этом хранилище.
В него собираются оперативные данные из многочисленных источников, прежде
всего они проходят процедуру очищения, после чего интегрируются и сохраняются.
В то же время они доступны для анализа с использованием разнообразных способов
построения отчетов. После этого данные подготавливаются (целиком или от части)
для анализа OLAP системой. Они могут быть загружены в специальную OLAP базу
данных, или же могут быть оставлены в реляционном хранилище. Наибольшее
значение имеет информация о структуре данных, местоположении и их
преобразовании, называющаяся метаданными. Через них гарантируется
эффективное взаимодействие различных элементов хранилища.
На основе всего сказанного, можно сказать, что OLAP сочетает в себе
средства, используемые для многомерного анализа данных, содержащихся в
хранилище. Конечно, в теории инструменты OLAP можно использовать напрямую
к оперативным данным или их копиям (для исключения возможных неудобств для
оперативных пользователей). Но стоит отметить, что тогда появляется риск,
который был описан ранее, возможного анализирования оперативных данных,
которые на самом деле являются неподходящими для анализа.

Введение ............................................................................................................................. 4
1. Обзор OLAP-систем .................................................................................................... 9
1.1 Хранилище данных ................................................................................................... 9
1.2 Многомерная модель .............................................................................................. 11
1.3 Определение и архитектура OLAP-систем ........................................................... 16
1.3.1 MOLAP ......................................................................................................... 21
1.3.2 ROLAP .......................................................................................................... 23
1.3.3 HOLAP ........................................................................................................ 29
2. Описание предметной области ................................................................................. 30
3. Реализация информационно-аналитической системы ........................................... 34
Заключение ...................................................................................................................... 52
Список используемой литературы ................................................................................ 54

Оригинальность по АП.Вуз на 26 февраля 2023 года более 70%.
Внедрение в производства продуктов многомерного анализа позволяет
своевременно выявлять существующие проблемы и принимать решения, на пути к
улучшению качества работы всей компании. OLAP технология в современном мире
является отличным средством по работе с различными объемами и типами
анализируемой информации. В сфере налогообложения такой подход позволяет
специалистам путем анализа обращений налогоплательщиков своевременно
выявлять тенденции, проблемы, удачные решения, которые могут являться основой
для формирования управляющих воздействий. В данной работе нами была
рассмотрена технология OLAP, а также методы ее реализации. Выбрана для анализа
и описана предметная область, сформированы основные требования для ее
реализации. Также нами была разработана на основе Microsoft SQL Server
аналитическая-информационная система, с учетом разработанной архитектуры.
Получены ответы на поставленные вопросы и сформированы основные выводы по
проделанной работе. Такая работа для аналитиков и специалистов ФНС РФ имеет
большое значение, потому что им необходимо не только контролировать
поступающие налоги, но и также иметь возможность предотвратить возникновение
сложностей в работе с налогоплательщиками, клиентами.

1. Барсегян А.А. Технологии анализа данных: DataMining, VisualMining,
TextMining,OLAP/А.А.Барсегян,М. С.Куприянов,В.В.Степаненко,И. И.
Холод. — 2-е изд., перераб. и доп. — СПб.: БХВ-Петербург,2013.—384с.
2. 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. — 2012. — № 5-6. — С. 47—
51с.
3. Федоров А., Елманова Н. Основы OLAP // КомпьютерПресс. – 2014.
4. Сахаров А. А. Концепция построения и реализации информационных систем,
ориентированных на анализ данных // СУБД. – 1996. – № 4. – С. 55-70.
5. Щавелёв Л. В. Способы аналитической обработки данных для поддержки
принятия решений // СУБД. – 1998. – № 4-5