Analysis Services

SQL Server 2000 Analysis Services는 상호 보완적인 관계에 있는 두 가지 주요 기능인 OLAP와 데이터 마이닝으로 구성됩니다. 이 두 구성 요소는 Analysis Services 2005에서도 여전히 분석 응용 프로그램의 핵심적 역할을 합니다.

Analysis Services 2005에서 향상된 OLAP 기능은 크게 다음 두 범주로 나눌 수 있습니다.

• 완전히 새로운 기능을 추가하거나 복잡한 기능을 훨씬 쉽게 사용할 수 있도록 하여 새로운 유형의 분석 응용 프로그램을 실현할 수 있는 기능
• 분석 응용 프로그램을 전사적으로 확장할 수 있도록 강화하는 기능

• 전체적인 사용자 정의: 원본(일반적으로 관계형 원본)을 기준으로 하여 차원, 큐브, KPI, 계산 및 데이터 마이닝 모델을 정의합니다. 이 방 법은 기존 데이터 웨어하우스를 보유하고 있는 사용자나 재료 시장에 적합합니다. 큐브 마법사의 첫 번째 화면에서“기존 DB/데이터 웨어 하우스 사용(Use existing DB/Data Warehouse)”을 선택하면 됩니다.
• 사용자 정의 가능한 템플릿: 템플릿을 기준으로 하여 관계형 데이터베이스, DTS 패키지, Analysis Services OLAP 데이터베이스를 포함한 모든 응용 프로그램을 정의 및 생성합니다. 이 구성 요소들은 서로 결합하여 완벽한 하나의 응용 프로그램으로 작동되도록 설계 및 생성되 었습니다. 템플릿에서 완벽한 비즈니스 인텔리전스 솔루션을 설치하려는 사용자에게는 이 방법이 적합합니다. 큐브 마법사의 첫 번째 화면에서“데이터 원본 없이 BI 모델 설계(Design BI model without data source)”를 선택하면 됩니다.

어떤 방법을 사용하건 기본 시스템 설계는 차원 관계형 데이터 웨어하우스에 자료를 제공하는 하나 이상의 원본 시스템으로 된 익숙한 비즈니스 인텔리전스 구조를 취합니다. 그리고 이 데이터 웨어하우스는 다시 Analysis Services데이터베이스를 채우는데 사용됩니다. 그러나 SQL Server 2005는 여러 구성 요소를 제거하거나 가상화함으로써 이와 같은 일반적인 설계에서 파생된 많은 옵션을 제공합니다. 일부 대체 시스템에 대해서는 나중에 통합 차원 모델에 대한 부분에서 다룹니다.

기존 원본에서 사용자 정의 데이터베이스 생성

Analysis Services 데이터베이스를 만드는 첫 번째 방법은 SQL Server 2000 사용자들에게 대단히 친숙한 방법으로서 모든 구조의 원본 데이터베이스에서 시작합니다.

• 팩트 및 차원 테이블로 이루어진 차원 데이터베이스 구조
• 정규화된 트랜잭션 시스템을 포함한 기타 데이터베이스 구조.

정규화된 데이터베이스를 원본으로 하는 기능은 별모양, 눈송이 또는 평면화와 같은 차원 구조를 필요로 하는 Analysis Services 2000에서 상당히 발전된 기능입니다. 이 기능을 이용하면 대기 시간이 아주 짧은 BI 응용 프로그램을 손쉽게 개발할 수 있습니다.

트랜잭션 데이터베이스에서 직접 Analysis Services 데이터베이스를 구성하면 먼저 형식 데이터 웨어하우스를 만들 필요가 없으므로 많은 사용자의 요구 사항을 가장 간단하면서도 비용 효과적으로 충족시킬 수 있습니다. 최소한의 변환, 정제 및 통합만으로 데이터를 사용할 수 있도록 만들어야 한다면 Analysis Services 데이터베이스를 사용하여 기존의 관계형 보고를 보충 또는 교체하는 방법을 고려해 보십시오. 그렇게 한다면 Analysis Services의 강력한 기능과 대화형 작업을 제공할 수 있을 뿐 아니라 트랜잭션 시스템에 대한 로드 관리가 향상될 것 입니다.

트랜잭션 시스템에서 직접 Analysis Services 데이터베이스를 만들고 유지 관리하는 것이 가능하긴 하지만 관계형 데이터 웨어하우스를 먼저 구축함으로써 많은 엔터프라이즈급 분석 요건을 최대한 충족할 수 있습니다. 복잡한 데이터 통합 및 데이터 변??처를 통해 가장 잘 해결할 수 있으며, Analysis Services 데이터베이스는 쿼리 및 분석 엔진 역할을 합니다.

데이터 원본 및 데이터 원본 뷰

새로운 분석 응용 프로그램을 만드는 첫 번째 단계는 Business Intelligence Development Studio에서 새 Analysis Services 프로젝트를 생성 하는 것입니다. 일단 빈 프로젝트가 만들어지면 데이터 원본을 만들어 원본 데이터베이스에 연결해야 합니다. 원본 데이터베이스는 지원되는 관계형 데이터베이스 관리 시스템에 있습니다.

데이터 원본은 그 원본 데이터 연결에 필요한 정보를 저장합니다. 데이터 원본 뷰에는 원본 데이터베이스의 테이블 관련 하위 집합에 대한 정보가 들어 있습니다. 이 정보는 원본 데이터베이스 테이블의 실제 구조로 제한되지 않으며 관계, 테이블 및 열 이름, 계산된 열, 명명된 쿼리 등의 정보를 추가할 수 있습니다.

• 원본 데이터베이스의 테이블이 수천 개에 달하는데 단일 BI 응용 프로그램에 유용한 테이블은 그 중 일부에 불과한 경우
• Analysis Services 데이터베이스가 다수의 데이터베이스, 서버, 플랫 파일 또는 RDBMS와 같은 여러 원본에서 제공되는 데이터를 사용하 는 경우
• BI 시스템 개발자가 원본 데이터베이스에 대한 시스템 관리 권한이 없으며 물리적 뷰 생성 또는 원본 데이터베이스 수정이 허용되지 않는 경우
• BI 시스템 개발프라인”모드에서 작업을 해야 하는 경우. 설계 및 개발 작업은 해당 원본 데이터베이스에서 분리된 데이터 원본 뷰를 기초로 이루어집니다.

데이터 원본 뷰에 이름과 관계를 설정하는데 들인 노력은 분석 응용 프로그램을 손쉽게 개발할 수 있게 되면 충분히 보상 받을 수 있습니다.

차원 및 큐브 생성

데이터 원본 뷰를 만든 후 솔루션 탐색기 창의“큐브”아이콘을 마우스 오른쪽 단추로 클릭하고“새 큐브”를 선택하면 큐브를 만들 수 있습니다. 자동 구축 감지 및 추천을 사용할 수 있도록 하는 옵션이 제공됩니다. 자동 구축을 사용하기로 한 경우 큐브를 피벗용 혹은 보고용으로 최적화되도록 구성할지 결정해야 합니다. 자동 구축 기술은 데이터 원본 뷰의 데이터베이스 및 데이터 카디널리티 관계를 검사하여 팩트 테이블, 차원 테이블 또는 다대다 관계를 해결하는 차원 대 팩트 브리지 테이블로 테이블 특성을 결정합니다. 큐브 및 차원 최적화 시 피벗용을 선택하건 보고용을 선택하건 별로 다르지 않으며, 자동 구축이 한 차원의 속성 간에 계층 관계를 만드는지의 여부가 유일한 차이점입니다. 계층은 만들고 제거하기가 아주 쉬우므로 별로 고민할 필요 없이 선택해도 무방합니다.

큐브 마법사를 시험해본 후 차원 마법사(솔루션 탐색기 창의“차원”을 마우스 오른쪽 단추로 클릭하여 실행)를 시작하여 복잡한 차원을 한 번 에 하나씩 생성하십시오. 즉, Product, Customer, Time과 같은 큰 차원을 미리 신중히 정의한 다음 큐브 마법사를 시작하여 미리 정의된 차원을 적절히 포함시키면 됩니다.

구축 및 배포

지금까지의 단계는 개발 컴퓨터에서 단순히 차원과 큐브 정의 및 구조를 XML 파일로 만드는 것이었습니다. Business Intelligence Development Studio와 구성 관리자를 사용하면 프로젝트를 만들어 대상 서버에 배포하는 과정을 관리할 수 있습니다. 기본적으로“개발” 대상 서버는 로컬 서버로 지정되어 있습니다. 다른 환경에 배포할 대체 구성을 만들 수 있으며, 대상 서버 이름 및 데이터 원본 연결 문자열과 같은 프로젝트의 핵심 속성은 구성마다 다를 수 있습니다.

개발 주기 중 큐브와 차원을 미리 보고 테스트하려면 주 Business Intelligence Development Studio 메뉴에서 배포를 선택하여 지정된 대상 서버에 프로젝트를 만들어 배포합니다. 아니면 F5 키를 누르거나 주 Business Intelligence Development Studio 메뉴에서 디버그 시작을 선택합니다. 배포 선택 시 하고 있는 작업에 따라 몇몇 디버깅 및 검색 도구 중 하나가 시작됩니다. 이 컨텍스트에 따라 배포 프로세스가 큐브 브라우저, MDX 스크립트 디버거 또는 KPI 브라우저 중 하나를 시작합니다.

차원, 측정값 및 큐브를 정의한 후에는 프로토타입 시스템을 보고 싶을 것입니다. 상대적으로 데이터가 소량인 개발 데이터베이스를 처리하고 데이터를 확인하면 구조가 예상대로 작동합니다.

프로토타입의 일부로서 Analysis Services 데이터베이스, KPI, 동작, 계산 등 조금 더 복잡한 Analysis Services 데이터베이스 구성 요소를 설계하고 싶을 수도 있습니다. 데이터에 대한 다른 보기에 관심이 있는 서로 다른 사용자 커뮤니티가 데이터베이스를 사용하게 될 경우에는 전망 및 대체 보안 계획을 살펴봅니다. 서로 다른 언어를 사용하는 사용자에게 데이터베이스를 국제적으로 배포할 계획이라면 번역 기능을 사용하여 지역로, 프로토타입은 파티션 및 서로 다른 능동적 캐싱 옵션 등과 같은 대체 물리적 구성을 평가해야 합니다.

Analysis Service 데이터베이스 개발이 완료되면 이 데이터베이스 개체는 최종 테스트, 준비 또는 프로덕션 서버로 배포됩니다. 구축 단계에 서 생성된 프로젝트 출력은 Analysis Services 배포 유틸리티에 입력으로 사용될 수 있습니다. 이 유틸리티는 데이터베이ht=10>

템플릿을 사용해 사용자 정의 가능한 데이터베이스 만들기

지금까지 알려진 원본에서 사용자 정의 Analysis Services 데이터베이스를 만드는 기본 단계를 설명했습니다. 큐브 마법사에서 차원 마법사까지의 이 과정은 Analysis Services 2000 데이터베이스를 만드는 표준 방법과 유사합니다.

SQL Server 2005 분석 응용 프로그램을 만드는 다른 방법으로는 큐브 마법사의 두 번째 화면에서“데이터 원본 없는 BI 모델 설계(Design BI model without data source)”를 선택하는 것입니다. 이 방법은 SQL Server 2000 Accelerator for Business Intelligence의 설계 방법과 유사하며, 템플릿을 사용해 풍부한 차원 구조와 분석 기능을 갖추고 있고 관계형 데이터 웨어하우스와 Integration Services 패키지 포함 옵션이 있는 사용자 정의 가능한 완벽한 응용 프로그램을 생성합니다. 템플릿은 Microsoft, 통합자 또는 ISV에게서 제공받을 수 있습니다.

마법사를 사용한 두 방법(원본 데이터베이스에서 만들기와 템플릿에서 만들기) 중 하나를 사용하거나 동일한 Analysis Services 데이터베이스를 설계할 수 있습니다. 첫 번째 옵션은 완벽한 사용자 정의 시스템을 만든다는 것을 가정합니다. 개체 이름과 구조는 완벽하게 사용자 정의 가능하며, 초기 설계는 원본 데이터베이스에 있는 이름과 구조에서 가져옵니다. 템플릿 옵션 또한 사용자 정의 가능한 데이터베이스를 만들지만 초기 설계는 전문가 대상 영역의 템플릿에서 가져옵니다.

많은 사용자들이 이 두 가지 방법을 겸할 것이며, 가장 일반적인 시나리오는 Analysis Services 데이터베이스의 대부분을 기존 원본에서 만들되 시간 차원은 템플릿을 통해 만드는 것입니다.

통합 차원 모델

Analysis Services 2005는 관계형 OLAP 데이터베이스와 다차원 OLAP 데이터베이스의 경계를 없애줍니다. OLAP 데이터베그램에 상당한 이점을 제공해 왔습니다.

• 최상의 쿼리 성능
• 풍부한 분석 기능
• 비즈니스 분석가들의 사용 편의성

지금까지 이러한 기능을 얻기 위해 상당한 대가를 치뤄야 했습니다. 그런데 Analysis Services 2000을 포함한 OLAP 데이터베이스는 다음 자료는 전달하기 어렵다는 것을 알게 됐습니다.

• 다대다 관계를 포함한 복잡한 스키마
• 다양한 속성에 대한 자세한 보고
• 대기 시간이 짧은 데이터

Analysis Services 2005는 기존 OLAP 분석과 관계형 보고의 장점을 결합하여 양측의 필요성을 모두 충족시키는 단일 통합 차원 모델을 제공 합니다. SQL Server 2005에 정의된 일련의 큐브와 차원을 통합 차원 모델(UDM)이라고 합니다. UDM의 장점과 융통성 덕분에 설계가 크게 향상되었습니다. 과거에는 BI 개발자가 대체 인프라의 장점과 비용을 고려하여 관계형 또는 OLAP 중 하나를 선택했습니다. 하지만 지금은 통합 차원 모델을 설계한 다음 기존의 두 방식 중 어느 쪽에 Analysis Services 시스템의 논리적 설계와 물리적 구성을 배치할지를 결정하면 됩니다.2010-02-02

속성 기반 차원

Analysis Services 2005는 차원 계층이 아니라 차원 속성을 중심으로 큐브를 배치합니다. Analysis Services 2000에서는 {Year, Month, Day} 또는 {Country, Region, City}와 같은 계층이 차원 설계를 지배하며, 이러한 계층 간에는 강력한 데이터 관계가 요구되었습니다. 구성원 속성과 가상 차원으로 표시된 속성은 2차적인 구성 요소였습니다. 속성을 실제 차원으로 만드는 것은 가능했지만 성능 문제 때문에 이 기술을 널리 사용할 수 없었습니다. 그래서 관계형 구조에 익숙한 사용자들은 OLAP 데이터베이스 계층에 초점을 맞추자 혼란을 느꼈습니다.

Analysis Services 2005 구조는 관계형 차원 구조와 좀 더 비슷합니다. 차원에는 많은 속성이 포함되어 있으며, 이들은 각각 쿼리 이동 및 필터링에 사용할 수 있고 데이터 관계에 상관없이 계층으로 통합할 수 있습니다.

OLAP을 사용했던 사용자는 도시가 모여서 지역을, 또 지역이 모여서 국가를 형성한다는 것을 확신할 수 있는. 이러한 자연 계층은 여전히 존재하며 적절한 경우 정의해야 합니다. 이러한 계층을 이용하면 쿼리 성능이 높아집니다. Customer 차원을 예를 들어 봅시다. 관계형 원본 테이블에는 다음 8개의 열이 있습니다.

• CustomerKey
• CustomerName
• Age
• Gender
• Email
• City
• Region
• Country

해당 Analysis Services 차원에는 다음 7개의 속성이 있습니다.

• Customer(정수 키, CustomerName 이름)
• Age, Gender, Email, City, Region, Country

이 데이터의 {Country, Region, City, Customer}에는 자연 계층이 있습니다. 응용 프로그램 개발자는 검색을 위해 {Age, Gender}에 두 번째 계층을 만들 수도 있습니다. 비즈니스 사용자는 이 두 계층의 동작에서 아무런 차이를 느끼지 못합니다. 하지만 자연 계층은 그 계층 관계를 이해하는 인덱싱 구조(사용자는 알 수 없음)의 이점을 얻게 됩니다.

이 새로운 차원 구조의 가장 큰 장점은 다음과 같습니다.

• 차원은 메모리로 로드할 필요가 없습니다. 따라서 차원은 크기가 아주 클 수 있습니다 (수십억 구성원을 대상으로 테스트).
• 속성 계층은 차원을 재처리하지 않고 추가 및 제거할 수 있습니다. 속성 계층 인덱스 구조는 가벼우며 백그라운드에서 계산되지만 큐브를 여전히 쿼리에 이용할 수 있습니다.
• 중복된 차원 정보가 제거되므로 차원이 작아집니다.
• 엔진이 병렬 처리 기회를 개발하므로 차원 처리 성능이 향상됩니다.

차원 유형

Analysis Services 2000에는 일반 계층 차원과 부모-자식 차원의 두 가지 차원 유형이 있조가 추가되었습니다. 이 구조 중 일부는 이름이 특이하지만 BI 자료에서는 일반적인 이름입니다.

• 역할 수행 : 이 차원은 상황에 따라 몇 가지 역할을 합니다. 예를 들면 [Time] 차원은 [Order Date]와 [Ship Date]에 재사용됩니다 SQL Server 2005에서는 역할 수행 차원은 한 번 저장되면 여러 번 사용됩니다. 따라서 디스크 공간과 처리 시간이 최소화됩니다.
• 팩트 : 팩트 또는“퇴보(degenerate)”차원은 트랜잭션 번호와 같은 팩트와 일대일 관계를 갖습니다. . 이 차원은 그 자체로는 분석에 사용되지 않고, 특정 트랜잭션을 찾는다거나 집계 셀을 구성하는 트랜잭션을 확인하는 등의 확인 작업에 사용됩니다.
• 참조 : 이 차원은 팩트 테이블과 직접적인 관계는 없지만 다른 차원을 통해 간접적으로 연결되어 있습니다. [Customer] 차원 및 [Sales Force] 차원과 모두 관련이 있는 [Geography] 참조 차원이 그 전형적인 예입니다. 참조 차원은 데이터 공급자로부터 제공되며 팩트 데이터를 수정하지 않고 큐브에 포함될 수 있습니다.
• 데이터 마이닝 : 데이터 마이닝 차원은 클러스터, 결정 트리, 연결 규칙을 포함해 데이터 마이닝 모델에서 비롯된 차원을 지원합니다.
• 다대다 : 이 차원은 다중값 차원이라고도 합니다. 대부분의 차원의 경우 팩트는 단 하나의 차원 구성원에만 결합합니다. 다대다 차원은 다차원 구성원 문제를 해결합니다. 예를 들어, 한 은행 고객이 다수의 계정(당좌 계정과 보통 예금 계정)을 가지고 있으며 한 계정에는 다수의 고객(Mary Smith, John Smith)이 있다고 합시다. [Customer] 차원에는 단일 계정 트랜잭션과 관련된 다수의 구성원이 있습니다. SQL Server 2005의 다대다 차원은 차원이 팩트 테이블과 직접적인 관계가 없으며 차원 모델을 기존의 별모양 스키마 이상으로 확장할 경우 복잡한 분석을 지원합니다.

측정값 그룹과 전망

Analysis Services 2005에는 분석 데이터베이스 설계와 배포를 단순화하는 측정값 그룹(Measure Groups)과 전망(Perspectives)이 추가되었 습니다. Analysis Services 2000에서는 사용자들이 여러 개의 물리적 큐브를 만들도록 권장되었습니다. 각 큐브는 특정 차원에 대응하며, 일반적으로 특정 관계형 팩트 테이블에도 대응했습니다. 가상 큐브는 비즈니스 사용자의 작업에 아무런 영향을 미치지 않고 다수의 팩트 테이요할 정도로 복잡했습니다.

하지만 SQL Server 2005에서는 하나 이상의 측정값 그룹이 포함되는 단일 물리적 큐브가 가장 일반적입니다. 측정값 그룹의 팩트 데이터에 는 차원 계층의 교차 부분에 의해 결정되는 고유한 조직이 있습니다. 쿼리는 자동으로 적절한 다른 측정값 그룹에 전달됩니다. 물리적 수준에 서는 파티션(Analysis Services 2000 파티션과 비슷함)이 측정값 그룹에 정의됩니다.

큰 응용 프로그램은 사용자에게 수 있으며 탐색하기 어려울 수도 있습니다. 큐브 편집기의 전망 탭에 정의된 전망은 큐브의 하위 집합“보기”를 만듭니다. 알맞은 개인화 수준을 제공하기 위해 보안 역할을 그 역할에 적합한 전망 집합과 연결할 수 있습니다.

대부분의 Analysis Services 2005 데이터베이스에는 하나의 큐브에 다수의 측정값 그룹과 전망이 포함될 것으로 예상됩니다.

다음은 큐브 팩트 구조와 쿼리 성능에서 향상된 다른 중요한 기능입니다.

• 측정값에 Null을 사용할 수 있습니다. SQL Server 2000에서는“null”측정값은 0으로 처리되었습니다.
• 큐브를 적절히 분할하여 고유한 카운트 측정값의 쿼리 성능이 몇 배 향상되었습니다.
• 확장 가능한 카트리지 인프라 덕분에 대체 데이터베이스 관리 시스템을 액세스할 수 있습니다. RDBMS 카트리지는 관계형 쿼리 및 쓰기 에 SQL 문을 최적화하는 방법을 지정합니다. 추가 관계형 시스템의 카트리지를 손쉽게 추가할 수 있으며 카트리지는 XSL 파일로 실행됩니다.

계산 및 분석

Analysis Services와 같은 분석 서버를 사용해야 하는 가장 큰 이유 중 하나는 복잡한 계산을 중심으로 정의할 수 있는 기능이 있다는 것입니 다. Analysis Services는 항상 풍부한 분석을 제공해 왔지만 복잡한 일부 개념은 실행하기가 어려웠습니다.

그러한 개념 중 하나가 semi-additive 측정값 개념입니다. [Sales]와 같은 가장 일반적인 측정값은 모든 차원에 대해 집계하며, 모든 시간에 대한 [Total Sales]는 모든 제품, 모든 고객 및 모든 시간에 대한 판매를 나타냅니다. 이에 비해 semi-additive 측정값은 모든 차원이 아니라 일부 차원에만 부가됩니다. 가장 일반적인 시나리오는 창고에 있는 항목의 개수와 같은 잔여분입니다. 어제와 오늘의 종합 잔여분은 어제의 잔여 분에 오늘의 잔여분을 더한 값이 아니라, 마지막 잔여분인 경우가 대부분입니다(어떤 시나리오에서는 이것이 시작 잔여분이 될 수도 있습니다). Analysis Services 2000에서는 정확한 측정값을 전달하려면 복잡한 MDX 계산을 정의해야 했습니다. 하지만 Analysis Services 2005에서는 시작 잔여분과 마지막 잔여분이 기본 집계 유형으로 제공됩니다.

SQL Server 2005에는 고유한 카운트 측정값 또한 크게 향상되었습니다. 이제는 고유한 카운트 측정값을 문자열 데이터에 정의할 수 있으며 임의 집합에 고유 카운트를 실행할 쿼리도 정의할 수 있습니다. Analysis Services 2000은 사전 정의된 계층 구조에서만 고유 카운트를 실행 할 수 있습니다.

시간 인텔리전스 마법사는 이기간 대 마지막 기간에 대한 계산, 이동 평균 및 기타 일반적인 시간 계산 구조가 포함된 시간 계산 차원을 만듭니다.

MDX 스크립트

MultiDimensional 식(MDX)은 Analysis Services 2000 계산 및 보안 규칙을 정의하는 데 사용되었던 아주 강력한 언어입니다. 하지만 MDX는 그만큼 복잡하기도 합니다. Analysis Services 2005는 단순화된 구성과 구문을 사용하는 MDX 스크립트를 이용해 새 계산 모델을 정의합니다. MDX는 Analysis Services 시스템의 쿼리 언어이기도 합니다. Excel Pivot Tables와 같은 쿼리 도구는 사용자의“끌어서 놓기”동작을 기초로 MDX 쿼리를 생성합니다. MDX 사용은 MDX 스크립트와는 관계가 없습니다. MDX 스크립트는 사용자 쿼리가 아니라 계산된 구성원 및 셀 계산 등과 같은 서버 정의 개체에 사용됩니다.

Analysis Services 2005 큐브가 정의될 경우 이 큐브는 데이터 없이 구조만으로 구성되며, MDX 스크립트는 이 큐브 구조의 일부입니다. 기본 집계를 계산하기 위해 기본 MDX 스크립트 명령 하나가 항상 정의되며, 이 기본 MDX 스크립트 명령은 다음과 같은 단일 문으로 구성됩니다. Calculate;

큐브 처리는 완료되었지만 기본 MDX 스크립트는 아직 적용되지 않은 경우 이 큐브에 리프 수준 데이터는 들어 있지만 집계는 없습니다. 단일 문 기본 MDX 스크립트가 적용된 후에야 집계가 계산 및 저장됩니다.
MDX 스크립트 문에는 다음 명령이 세미콜론으로 분리되어 들어 있습니다.

• 문 범위를 제한하는 범위 문
• 수식 및 값 할당
• 계산된 구성원 정의
• 명명된 집합 정의

Business Intelligence Development 의 큐브 설계 사용자 인터페이스에서 MDX 스크립트(계산된 구성원 및 명명된 집합 포함)가 계산 보기에 구성되어 있습니다. MDX 스크립트는 구문에 대한 안내를 제공하는 기본 계산 폼 보기 또는 MDX 스크립트를 세미콜론으로 끝나는 일련의 명령으로 표시하는 계산 스크립트 보기에서 볼 수 있습니다. 폼 보기를 표시하려면 전체 스크립트에 정확한 구문을 입력해야 하지만 이 보기들을 앞뒤로 전환할 수 있습니다.

MDX 스크립트에는 몇 가지 주요 특징이 있습니다.

• 스크립트는 절차 모델을 따르므로 문이 순서대로 적용됩니다. 따라서 MDX 스크립트 개발자는 더 이상 전달 순서에 대해 걱정할 필요가 없으며, 무제한 반복을 유발하는 스크립트를 작성할 위험이 완전히 사라졌습니다.
• 계산 범위를 정할 수 있습니다. SCOPE 문을 사용하면 큐브의 특정영역에 대해 하나 이상의 계산을 정의할 수 있습니다. 예를 들면 다음과 같습니다.
• SCOPE ([Customers].[Country].[Country].[USA]);
  [Measures].[Sales] = 100;
  END SCOPE;
• 범위가 중첩될 수 있습니다.
• 계산을 캐시할 수 있습니다. CACHE 키워드는 스크립트 계산 결과를 실시간으로 산출하는 것이 아니라 디스크에 저장해야 한다고 표시합니다. 캐시된 계산을 통해 복잡한 계산이 다수 포함되어 있는 대형 큐브를 대상으로 매우 우수한 성능의 쿼리를 실행할 수 있습니다. 캐시된 계산에 대한 입력이 변경되면 그 계산은 삭제되고 다시 만들어집니다.
• MDX 스크립트를 디버깅할 수 있습니다. 각 단계마다 큐브 결과를 검색하면서 MDX 스크립트를 한 줄씩 살펴볼 수 있습니다.

저장 프로시저

Analysis Services 2005는 저장 프로시저를 사용하여 사용자 정의 함수(UDF)가 제공하는 기능을 확장합니다. 저장 프로시저는 C++, VB 또는 C와 같은 공용 언어 런타임 프로그래밍 언어로 작성할 수 있습니다. 또한 저장 프로시저는 공용 코드를 한 번 작성해서 한 곳에 저장해두면 다른 저장 프로시저나 계산 및 사용자 쿼리에 다시 사용할 수 있도록 하여 데이터베이스 개발 및 구현을 단순화합니다. 저장 프로시저는 다음 두 가지 유형이 있습니다.

• MDX 함수 저장 프로시저는 다른 MDX 함수와 같으며 MDX 언어를 손쉽게 확장할 수 있는 메커니즘을 제공합니다.
• 사용자 정의 저장 프로시저는 큐브 처리 또는 큐브 일부의 셀 업데이트 등과 같은 구현 고유 작업을 실행합니다.

저장 프로시저는 클라이언트 응용 프로그램이 실행할 수 있는 모든 작업을 실행하는 데 사용할 수 있습니다.

KPI

Analysis Services 2005는 비즈니스를 평가하는 계산의 서버측 정의에 관한 KPI 프레임워크를 제공합니다. 이 KPI는 데이터 액세스 API 및 Microsoft와 타사 도구를 통해 보고서, 포털 및 대시보드에 표시됩니다.

해설자와 공급업체마다 이“KPI”를 다른 개념으로 부르고 있습니다. Microsoft SQL Server Analysis Services 2005의 경우에는 KPI를 정확히 다음 4단계로 정의합니다.

• 측정할 값: Sales와 같은 실제 측정값, Profit과 같은 계산된 측정값 또는 KPI 내에 정의된 계산
• 값에 대한 목표: 그 측정값의 목표를 정의하는 값(또는 그 값을 확인하는 MDX식)
• 상태: 그 값의 현 상태를 평가하는 MDX식. -1(매우 나쁨)부터 +1(매우 좋음) 범위에서 정상화된 값
• 경향: 그 값의 현 경향을 평가하는 MDX식. 목표에 비해 그 값이 더 좋아지고 있는가, 아니면 더 나빠지고 있는가?

웹 페이지에 표시된 몇몇 KPI의 예는 다음과 같습니다.

실시간 비즈니스 인텔리전스

데이터 웨어하우스 및 비즈니스 인텔리전스 응용 프로그램은“오래됐거나”월별, 주별 또는 일별로 새로 고쳐지는 대기 시간이 긴 데이터를 사용해 왔습니다. 전통주의자들은 매일 업데이트되는 데이터만 있으면 전략적 결정은 충분하다며 실시간 BI가 모순이라고 주장합니다. 이러한 주장을 하는 이들은 비즈니스 인텔리전스가 순수하게 전략 및 전술적 결정을 내리는 소수의 분석가와 경영진에게만 배포되는 것이 아니라 기업 전반에 걸쳐 모든 사용자들이 사용할 수 있어야 한다는 점을 간과하고 있습니다. 즉, 운영 비즈니스 인텔리전스에는 대기 시간이 짧은 데이터가 필요합니다.

Analysis Services 2005는 운영 비즈니스 인텔리전스에 새로운 처리 옵션을 제공합니다. Analysis Services 2000에서는 저장 모드나 분할 전략에 관계 없이 큐브가“끌어오기”모델로 처리되었습니다. 따라서 원본 데이터베이스에서 새 정보를 찾아 그 세부 정보를 처리 및 저장하고 그 집계를 계산하여 저장하는 Analysis Services 프로세스가 시작되었습니다.

Analysis Services 2005에서도 여전히 끌어오기 모델을 지원하지만 대기 시간이 낮은 비즈니스 인텔리전스에 특히 유용한 추가 옵션이 추가 되었습니다.

• Integration Services 파이프라인 또는 사용자 정의 응용 프로그램에서 데이터 푸시. 이 데이터는 중간 저장소 없이 DTS 패키지 파이프라 인에서 직접 Analysis Services 파티션으로 흐를 수 있습니다. 이 시나리오는 분석 데이터의 대기 시간 및 저장 비용을 줄이는 데 사용될 수 있습니다.
• 지정된 대기 시간 및 성능 특징을 사용해 캐시를 유지 관리하기 위해 관리자의 작업 없이 큐브를 능동적 캐시로 관리

Analysis Services 다차원 저장소의 쿼리 성능 특징은 관계형 저장소를 지배합니다. 즉, 쿼리가 MOLAP 저장소에서 최적으로 실행되는 것입 니다. 이에 대한 단점은 다차원 저장이 관계형 원본에 대해 다운스트림이므로 대기 시간이 길어진다는 점입니다. 하지만 능동적 캐싱 기술을 사용할 경우 쿼리 성능을 최대화하면서 데이터 대기 시간과 관리 비용은 최소화할 수 있다는 장점이 있습니다.

능동적 캐싱 기능은 데이터 퇴행 관리 프로세스를 단순화합니다. 원본 데이터베이스에 새 차원 구성원이나 새 팩트 트랜잭션 등이 발생하면 기존“캐시”는 쓸모 없어집니다. 능동적 캐싱은 다차원 캐시를 얼마나 자주 만들지를 결정하고, 캐시를 다시 만드는 동안 쿼리에 어떻게 대답 할지를 지정하며 관리자의 작업 없이 프로세스를 시작하는 조정 메커니즘을 제공합니다.

능동적 캐싱을 사용하lysis Services는 데이터를 아주 빠르게 처리하지만 처리에는 시간이 좀 걸립니다. 다차원 캐시 재처리가 완전하지 않은 경우, 능동적 캐시 구성이 쿼리를 자동으로 관계형 저장소로 리디렉션할 수 있는 옵션도 있습니다.

{0>When you are designing your proactive caching configuration, it’s important to remember that proactive caching is set for each multidimensional partition.<}0{>능동적 캐싱 구성을 설계할 때는 개별 다차원 파티션마다 능동적 캐싱이 설정된다는 사실을 기억하는 것이 중요합니다.<0} {0>If a partition includes data for a short time period such as an hour, the cache refresh process can occur extremely quickly.<}0{>파티션에 한 시간과 같은 짧은 시간 동안 데이터가 들어 있는 경우 캐시 새로 고침 프로세스가 매우 빠르게 발생할 수 있습니다.

<0} {0>The most complex proactive caching configurations depend on a notification from the relational database to Analysis Services that an update has occurred.<}0{>가장 복잡한 능동적 캐싱 구성은 관계형 데이터베이스에서 Analysis Services에 업데이트가 발생했음을 알리는 알림에 따라 달라집니다.<0} {0>The Microsoft SQL Server relational database supports such notifications.<}0{>Microsoft SQL Server 관계형 데이터베이스는 이러한 알림을 지원합니다.<0} {0>For databases that don’t deliver notifications, Analysis Services can be configured to poll for changes, based upon a defined query.<}0{ >알림을 전달하지 않는 데이터베이스의 경우에는 Analysis Services가 정의된 쿼리를 기초로 변경 사항을 폴링하도록 구성할 수 있습니다. <0} 다음은 능동적 캐시 매개 변수입니다:

• Quiet period : 서버가 새 정보 처리를 시작하기 전, 관계형 원본에 트랜잭션이 발생하지 않아야 하는 시간입니다. 이 매개 변수는 일반적 으로 10초 미만의 값으로 설정됩니다. 침묵 기간을 기다리면 관계형 원본에 순차 업데이트가 여러 차례 발생하는 경우 반복적으로 캐시를 제거하고 다시 만드는 것을 방지할 수 있습니다./LI>
• 대기 시간 : 사용자가 부실 데이터를 얼마나 오랫동안 액세스할 수 있는지를 나타냅니다. 대기 시간이 0으로 설정되면 알림이 수신되는 즉 시 사용자 쿼리가 관계형 원본으로 리디렉션됩니다. 그리고 대기 시간이 600초로 설정되면 사용자는 10분 이하로 데이터를 액세스합니다. -1 설정은 능동적 캐시 처리가 완료될 때까지는 사용자가 계속해서 부실 데이터를 액세스한다는 것을 뜻합니다.
• 사일런스 무효화 간격 : 변경 사항 알림부터 능동적 캐시 처리 시작 전까지의 최대 기간입니다. 원본 데이터베이스가 계속해서 업데이트되 면 이 매개 변수는“침묵 기간”설정을 무시 합니다.
• Force rebuild interval : 이 매개 변수는 원본 데이터베이스 시스템이 업데이트 알림을 제공할 수 없는 시스템에서 단순한 능동적 캐싱 기능을 제공하는 데 사용됩니다. 원본 데이터가 SQL Server RDBMS에 있으면 이 매개 변수는 0으로 설정되어야 합니다DD.

데이터 마이닝

개요

Microsoft SQL Server 2005 Data Mining은 복잡한 분석 모델의 개발을 지원하고 해당 모델과 비즈니스 운영을 통합하는 비즈니스 인텔리전스 기술입니다. 데이터 마이닝 모델은 다음과 같은 질문에 해답을 제시할 수 있습니다.

• 이 고객의 신용 위험은 무엇입니까?
• 제 고객의 성격은 어떻습니까?
• 사람들은 어떤 제품을 공동 구매하는 경향이 있습니까?
• 다음 달의 제품 판매 예상량은 얼마입니까?

데이터 마이닝 응용 프로그램은 데이터 마이닝 모델을 일상적인 업무에 통합합니다. 대부분의 데이터 마이닝 프로젝트의 목표는 비즈니스 사용자, 파트너 및 고객이 이 응용 프로그램의 기초가 되는 복잡한 계산을 전혀 생각하지 않고 매일 사용할 수 있는 분석 응용 프로그램을 만드는 것입니다. 이러한 목표를 달성하는 단계는 크게, 데이터 마이닝 모델을 만든 다음 응용 프로그램을 만드는 두 단계로 나눌 수 있습니다.
SQL Server 2005 데이터 마이닝은 이러한 두 단계를 이전보다 아주 쉽게 실행할 수 있도록 합니다.

SQL Server 2005의 데이터 마이닝 기능에 대한 Microsoft의 목표는 다음과 같은 도구를 만드는 것입니다.

• 사용이 쉽고
• 완벽한 기능을 제공하며
• 프로덕션 응용 프로그램에 손쉽게 포함될 뿐만 아니라
• 다른 SQL Server BI 기술과 긴밀히 통합되며
• 데이터 마이닝 응용 프로그램을 위한 시장을 확장할 수 있는 도구

본 백서의 모든 독자들은 분명 데이터 마이닝 응용 프로그램을“사용”해 본 경험이 있을 것입니다. 책이나 음반을 온라인으로 구매한 적이 있고“이 제품을 구입한 고객들이 많이 찾 는 제품”이라는 추천을 받았거나 신용 카드 회사에서 의심이 가는 거래를 확인해 줄 것을 요청받은 경우, 또는 식료품 가게에서 영수증에 개인별 쿠폰을 인쇄해 준 적이 있다면, 데이터 마이닝 응용 프로그램을 사용하거나 이 응용 프로그램의 혜택을 받은 적이 있는 것입니다. 지금까지 이러한 응용 프로그램 개발은 데이터 마이닝 응용 프로그램을 만드는 데 필요한 희귀한 분석 기술 과 높은 개발 비용을 감당할 능력이 되는 대기업의 가장 중대한 문제에 초점이 맞춰졌습니다. Microsoft의 OLAP 기술이 OLAP 시장의 성장 을 도왔던 것처럼 우리도 과거에는 이러한 응용 프로그램을 개발할 수 없었던 기업과 개별 부서에 데이터 마이닝 기술을 확장하려고 합니다. SQL Server 2005 데이터 마이닝 도구를 사용하여 일련의 데이터 패턴을 살펴보고 이러한 패턴을 예측해 보십시오. 데이터 마이닝의 모든 과정은 조사, 패턴 확인, 패턴 예측으로 이루어집니다.

데이터 마이닝 알고리즘

Microsoft SQL Server 2005 Analysis Services를 포함한 모든 데이터 마이닝 도구는 다수의 알고리즘을 사용합니다. 물론 Analysis Services 는 확장성이 있으므로 타사 ISV 또한 Analysis Services 데이터 마이닝 프레임워크에 원활하게 스냅인하는 알고리즘을 개발할 수 있습니다. 데이터와 그 목표에 따라 선호되는 알고리즘이 다르며 각 알고리즘을 여러 가지 문제에 사용할 수 있습니다.

데이터 마이닝 도구는 여러 유형의 문제를 해결하는데 적합합니다. 비즈니스 문제를 크게 분류해 보면 다음과 같습니다.

• SQL Server 2005에는 가장 널리 사용되는 데이터 마이닝 알고리즘이 함께 제공됩니다.
• Microsoft Decision Trees에서부터 데이터 조사를 시작하는 경우가 많습니다. 이 알고리즘은 주로 분류 알고리즘으로, 이산 및 연속 속성 의 예측 모델링에 적합합니다. 알고리즘이 모델을 만들 때 데이터 집합의 개별 입력 속성이 예측된 속성의 결과에 어떤 영향을 미치는지 살펴봅니다. 이 알고리즘의 목표는 예측된 속성의 결과를 예측할 수 있도록 하는 입력 속성과 그 상태의 조합을 찾는 것입니다.
• Microsoft Naive Bayes는 분류 및 예측에 사용할 수 있는 마이닝 모델을 신속히 개발하고 예측 가능한 속성의 개별 상태를 고려하여 입력 속성의 개별 상태에 대한 가능성을 계산합니다. 이 알고리즘은 비연속적 속성만 지원하며, 예측 가능한 속성을 고려하여 모든 입력 속성이 독립적이라고 간주합니다. Naive Bayes 알고리즘은 계산 속도가? 예측 문제에 많이 선택 되는 알고리즘입니다.
• Microsoft Clustering은 반복적인 기법을 사용하여 데이터 집합의 레코드를 유사한 속성을 가진 클러스터로 그룹화합니다. 이 클러스터를 사용하면 데이터를 조사하여 관계를 찾을 수 있으며, 이 클러스터링 모델을 기초로 예측을 할TRONG> Microsoft Association은 priori 알고리즘을 기초로 하며 큰 데이터 집합 내에서 N-way 상관 관계를 찾는 효과적인 방법을 제공합니다잭션을 반복하면서 단일 사용자 트랜잭션에서 함께 나타날 가능성이 가장 큰 항목을 찾습니다. 연관된 항목은 함께 itemset로 그룹화되며 예측에 사용할 수 있는 규칙이 생성 됩니다. Microsoft Association은 장바구니 분석에 가장 자주 사용됩니다. 다수의“고유 카운팅”을 실행하는 관계형 또는 OLAP 분석은 연관 분석을 사용하기에 가장 좋은 예입니다. Microsoft Association 알고리즘은 어떤 알고리즘 매개 변수를 선택했는지에 아주 민감하므로, 사소한 문제일 경우에는 Microsoft Decision Trees를 장바구니 분석에 사용하는 것이 더 좋을 수도 있습니다.
• Microsoft Sequence Clustering은 데이터 조사 및 예측을 위해 순차 분석과 클러스터링을 결합한 것입니다. 순차 클러스터링 모델은 이벤 트 발생 순서에 민감합니다. 또한, 클러스터링 알고리즘은 해당 레코드 클러스터링에 있는 다른 속성도 고려하므로 순차 및 비 순차 정보 를 서로 연관시키는 모델을 개발할 수 있습니다. Sequence Clustering 알고리즘은 클릭스트림 분석을 실행하여 웹 사이트 트래픽 흐름을 분석하고 어떤 페이지가 특정 제품 판매와 가장 밀접하게 관련되어 있는지를 확인하며 다음에 어떤 페이지를 방문할지 예측하는데 사용 됩니다.
• Microsoft Time Series는 주가와 같은 하나 이상의 연속 변수를 예측하는 데 사용할 수 있는 모델을 만듭니다. Time Series 알고리즘은 그 모델을 만드는 동안 성향 습득 데이터에서 파생된 경향만을 기초로 예측합니다. Microsoft Time Series는 AutoRegression Trees 기술을 통해 사용이 아주 간편하고 정확도 높은 모델을 생성합니다. 시계열에 사용되는 통계 분석에는 완벽한 규칙이 있습니다. 대부분의 다른 데이터 마이닝 제품은 ARMA, ARIMA, Box-Jenkins와 같은 여러 가지 기술을 제공하며, 통계학자는 그 중에서 해당 모델에 가장 적합한 기술을 결정해야 합니다. Microsoft는 탁월하고 정확한 결과를 제공하는 시계열 분석을 폭넓은 대상이 사용할 수 있도록 하는 방법을 선택 했습니다.
• Microsoft Neural Net은 Decision Trees 및 Naive Bayes와 마찬가지로 주로 데이터 조사, 분류 및 예측에 사용됩니다. Neural Net은 가능한 데이터 관계를 모두 조사하는 인공 지능 기술로서, 정말 철저한 기술이기 때문에 세 가지 분류 알고리즘 중에서 가장 느립니다.

마이닝 모델 만들기

모델 만들기, 성향 습득 및 테스트 프로세스는 응용 프로그램 만들기에서 가장 어려운 부분입니다. 나중에 설명하겠지만, 사실 응용 프로그램 개발은 단순 프로그래밍 작업입니다. 데이터 마이닝 모델을 만들기 전에, 우선 데이터 웨어하우스에 데이터를 수집하여 정리해야 합니다. SQL Server 2005 데이터 마이닝은 관계형 데이터베이스 또는 Analysis Services 큐브의 데이터를 액세스할 수 있습니다.

데이터 마이닝 모델을 개발하기에 가장 적합한 사람은 비즈니스와 기술, 이 두 가지에 모두 숙달된 사람입니다. 이 모델의 개발자는 통계의 배경 정보를 활용하고, 기업이 직면한 주요 비즈니스 문제점을 파악하고, 데이터 및 관계에 대한 깊은 호기심을 갖게 될 뿐만 아니라, SQL Server 2005 도구를 사용하여 데이터를 조작 및 저장할 수 있습니다. 따라서 기존 데이터 웨어하우스 팀원이 이러한 기준에 가장 부합할 수 있습니다.

데이터 마이닝의 초보자라면 프로토타입 모델을 만드는 동시에 몇 주 정도 시간을 투자하여 데이터, 도구 및 대체 알고리즘에 대해 알아보는 것이 좋습니다. 데이터베이스 관리 권한을 가지고 있는 개발 서버를 이용하십시오. 모델 만들기의 초기 단계는 예비적인 단계로서, 여기서는 데이터 구조를 변경하고 다양한 방법을 시도해보고 싶을 것입니다. 먼저 작은 하위 데이터 집합부터 시작한 다음 그 모델의 설계에 대한 보다 분명한 비전을 개발해 나가면서 데이터 집합을 확장하기를 분명히 원할 것입니다. 프로토타입 단계에서는“제작 준비 완료”된 응용 프로그램 만들기에 대해 걱정하지 마십시오. Integration Services 또는 필요한 데이터 조작을 가장 편안하게 실행할 수 있는 도구를 사용하십시오. 그리고 필요한 변환에 대해 꼼꼼히 기록하되 지금 실행하는 모든 작업이 영구적인 응용 프로그램의 일부가 될 것이라고는 기대하지 마십시오. 비즈니스 문제점에 가장 적합한 모델을 선택하려면 모델 개발을 위한 데이터와 그 모델의 정확성을 테스트하는 데이터를 준비해야 합니다. 데이터 하위 집합을 만드는 방법에 대해 생각할 때 선입견을 갖지 않도록 주의해야 합니다. 예를 들어 매 10번째 고객을 선택한다거나, 아니 면 성(姓)의 첫 번째 문자나 다른 임의의 속성에 따라 데이터를 구분하는 등의 방법을 사용하십시오.

데이터 마이닝 모델 개발은 다음 사항을 선택하는 과정으로 구성됩니다.

• 입력 필드
• 데이터 마이닝 알고리즘
• 해당 알고리즘 계산 중 사용되는 매개 변수

비즈니스 문제점에 어떤 유형의 알고리즘을 사용해야 할지 모르는 경우에는 Decision Trees 또는 Naive Bayes를 사용해 데이터를 조사하는 작업부터 시작해야 합니다. 어떤 속성을 포함시켜야 할지 모르겠다면 모두 선택하십시오. 또한 복잡한 모델을 단순화하는 데 도움을 주는 보기를 제공하기 위해 종속 관계 네트워크 보기를 사용하십시오.

프로토타입 개발 단계에서는 최상의 알고리점과 모델을 평가하기 위해 관계형 모델을 만들고 싶을 것입니다. 마이닝 정확성 차트를 사용하 면 어떤 모델의 예측이 가장 우수한지 평가할 수 있습니다. 또한, 동일한 데이터에 별도의 분석을 실행하기 위해 관계형 모델을 만들고 싶을 수도 있습니다. 이러한 모델은 개별적으로 정의된 모델보다는 관계형 모델로 보다 신속히 처리 됩니다.

프로토타입을 만들어 테스트를 완료한 후에는 실제 데이터 마이닝 모델을 만들고 테스트할 수 있습니다. 데이터 마이닝 엔진에 데이터를 입력하기 전에 변환해야 한다면“제작 준비 완료”된 운영 프로세스를 개발해야 합니다. 어떤 경우에는 Integration Services 파이프라인에서 직접 마이닝 모델을 채우는 방법을 선택할 수도 있습니다. 작은 데이터 하위 집합에서 프로토타입을 개발한 경우에는 전체 성향 습득 데이터 집합에서 대체 모델을 재평가해야 합니다.

데이터 마이닝 응용 프로그램 만들기

Business Intelligence Development Studio 내에서 데이터 마이닝 모델을 개발하고 연구 조사하면 상당한 대가를 얻을 수 있습니다. 모델을 살펴보고 데이터와 비즈니스의 관계를 파악하는 한편 그 정보를 사용해 전략적 결정을 내릴 수 있습니다. 하지만 가장 큰 이점은 기업의 일상 업무에 영향을 미치는 데이터 마이닝 응용 프로그램에서 제공됩니다. 예를 들면, 고객에게 제품을 추천하거나 고객의 신용 위험 점수를 매기 거나 재고 부족분 예측량을 기초로 주문을 하는 데이터 마이닝 응용 프로그램이 여기에 해당됩니다. 운영 데이터 마이닝 응용 프로그램을 개발하려면 Business Intelligence Development Studio 밖에서 Microsoft Visual Studio 또는 원하는 개발 환경을 사용하여 일부 코드를 작성 해야 합니다.

대부분의 기업 고객은 고객이 사용하는 데이터 마이닝 응용 프로그램을 ASP 페이지와 같은 웹 기반 또는 Win32 응용 프로그램으로 실행합니다. 데이터 마이닝 모델이 이미 만들어졌다면 응용 프로그램은 웹 상거래 응용 프로그램에서 선택했거나 입력한 정보를 기초로 고객에 대한 예측을 실행합니다. 아주 간단한 응용 프로그램도 가능하며, 유일하게 예외적인 부분이라면 예측 쿼리를 실행한다는 것 뿐입니다. 데이터 마이닝 응용 프로그램 개발자가 마이닝 모델 개발자와 동일 인물일 필요는 없습니다. 응용 프로그램 개발자는 기본적인 개발 기술을 갖추고 있어야 하지만, 비즈니스 또는 통계 지식은 그다지 필요하지 않습니다.

The data mining technologies in SQL Server의 데이터 마이닝 기술을 사용하면 다음 두 단계를 거쳐 자동화된 데이터 마이닝 응용 프로그램을 아주 쉽게 만들 수 있습니다.

• 데이터 마이닝 예측 쿼리를 개발합니다. 이 쿼리의 DMX 구문은 데이터 마이닝 사양에 대한 OLE DB에 정의됩니다. DMX를 직접 작성하지 말고 Business Intelligence Development Studio 편집기의 왼쪽 막대에 있는 마이닝 모델 예측 아이콘을 클릭합니다. 그래픽 예측 쿼리 작성기 도구를 사용하면 예측 쿼리 개발에 도움이 됩니다.
• 데이터 마이닝 응용 프로그램에 예측 쿼리를 사용합니다. 응용 프로그램이 단순히 DMX를 사용하여 예측을 실행한다면 프로젝트에 ADO, ADO.Net 또는 ADOMD.Net 클래스 참조(베타 1 이후 개발에는 ADOMD.Net 권장)가 포함되어야 합니다. 보다 복잡한 응용 프로그램 (예: 사용자에게 Decision Tree Viewer와 같은 마이닝 모델 뷰어 제시)을 만들려면 Microsoft Analysis Services와 Microsoft Analysis Services Viewers 클래스를 포함시켜야 합니다.

일부 고객들, 주로 ISV들은 데이터 마이닝 모델을 생성하는 응용 프로그램을 만들고 싶을 것입니다. 이런 응용 프로그램이 아마도 웹 분석과 같은 특정 도메인에 대한 Business Intelligence Development Studio의 마이닝 모델 개발을 대체할 것입니다. 이 경우 AMO(Analysis Management Objects)를 액세스할 수 있도록 개발 프로젝트에 Microsoft.DataWarehouse.Interfaces를 포함시켜야 합니다.

DMX 예제

DMX라고 하는 SQL과 유사한 단순한 프로그래밍 언어에서는 세 단계의 데이터 마이닝(데이터 마이닝 모델 만들기, 모델 성향 습득, 모델에 서 동작 예측)을 이용할 수 있습니다. 다음은 구문 예제입니다. DMX 처리에 대한 전체 내용은 Books Online을 참조하십시오.

데이터 마이닝 모델 만들기:

CREATE MINING MODEL CreditRisk

(CustID       LONG KEY,

Gender        TEXT DISCRETE,

Income        LONG CONTINUOUS,

Profession    TEXT DISCRETE,

Risk T        EXT DISCRETE PREDICT)

USING Microsoft_Decision_Trees

데이터 마이닝 모델 성향 습득:

INSERT INTO CreditRisk

(CustId, Gender, Income, Profession, Risk)

SELECT CustomerID, Gender, Income, Profession, Risk

From Customers

데이터 마이닝 모델에서 동작 예측:

SELECT NewCustomers.CustomerID, CreditRisk.Risk, PredictProbability(CreditRisk)

FROM CreditRisk PREDICTION JOIN NewCustomers

ON CreditRisk.Gender=NewCustomer.Gender

AND CreditRisk.Income=NewCustomer.Income

AND CreditRisk.Profession=NewCustomer.Profession