Модели многомерного представления и обработки данных на основе алгебры кортежей в информационно-аналитической системе тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат технических наук Белов, Вадим Николаевич

• Белов, Вадим Николаевич
• кандидат технических наук
• 2012

Оглавление диссертации кандидат технических наук Белов, Вадим Николаевич

ВВЕДЕНИЕ.

1 АНАЛИЗ МОДЕЛЬНЫХ ПРЕДСТАВЛЕНИЙ ДАННЫХ И ПРОЦЕССОВ В ИНФОРМАЦИОННЫХ СИСТЕМАХ.

1.1 Технологии хранения и обработки данных информационно-аналитических систем.

1.2 Анализ данных в информационно-аналитической системе.

1.3 Модельные представления данных в современных базах данных.

1.4 Формализованное описание многомерного представления данных.

1.5 Модели обработки данных с использованием исчисления предикатов первого порядка.

Выводы.

2 МАТЕМАТИЧЕСКИЕ И ИНФОЛОГИЧЕСКИЕ МОДЕЛИ ДАННЫХ ДЛЯ ОПЕРАТИВНОГО АНАЛИЗА И ОБРАБОТКИ.

2.1 Концептуальная модель обработки и анализа данных в информационно-аналитической системе.

2.2 Построение многомерной модели данных с применением алгебры кортежей.

2.3 Поиск структуры реляционного хранилища данных с применением теории матроидов.

2.4 Инфологическая модель реляционного хранилища данных.

2.5 Инфологическая модель транзакционной базы данных.

Выводы.

3 МОДЕЛИ ОПЕРАТИВНОЙ ОБРАБОТКИ И АНАЛИЗА ДАННЫХ.

3.1 Математическая модель процесса сбора данных.

3.2 Математическая модель процессов извлечения, преобразования и загрузки данных.

3.3 Функция ранжирования результатов деятельности сотрудников организации.

3.4 Модели расчета значений ранга и ключевых показателей эффективности.

3.5 Модель анализа данных методом нечеткой кластеризации.

Выводы.

4 РАЗРАБОТКА И ИССЛЕДОВАНИЕ ИНФОРМАЦИОННО-АНАЛИТИЧЕСКОЙ СИСТЕМЫ.

4.1 Структура программных средств информационно-аналитической системы.

4.2 Оценка деятельности сотрудников на основе предложенных моделей данных и процессов.

4.3 Интеллектуальный анализ данных методом нечеткой кластеризации. 124 Выводы.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ.

Введение диссертации (часть автореферата) на тему «Модели многомерного представления и обработки данных на основе алгебры кортежей в информационно-аналитической системе»

Актуальность темы

В настоящий момент имеет место тенденция широкого использования информационных технологий для хранения, обработки и анализа данных. Данная тенденция является следствием роста объема информации, используемой для принятия управленческих решений и развития методов интеллектуального анализа данных. Разработка информационно-аналитических систем, обеспечивающих внедрение информационных технологий, является ресурсоемким процессом. Однако построение математических моделей данных и обработки данных для информационно-аналитических систем позволяет сократить количество итераций разработки и уменьшить затраты ресурсов за счет использования процедуры доказательства корректности моделей обработки данных.

Процессы обработки и анализа данных, а также методы доказательства корректности моделей обработки данных исследовались в работах А. А. Барсегяна, С. А. Васильева, Б. А. Кулика, Ф. А. Новикова, К. Arrow, Э. Кларка (Е. Clarke), R. Creeth, Е. Emerson, R. Floyd, Ч. Xoapa (С. Hoare), M. Lacroix, T. Pedersen, N. Pendse, A. Pirotte, T. Саати (T. Saaty), J. Ullman и ДР

Процессы обработки и анализа данных во многом зависят от модели представления данных. Выбор модели данных определяет применимые операции обработки данных и скорость проведения анализа данных. Исследованию моделей представления данных посвящены работы

A. В. Вискова, Н. А. Левина, И. Д. Манделя, В. И. Мунермана,

B. П. Сергеева, R. Agrawal, Э. Кодда (Е. Codd), К. Дейта (С. Date), Б. Инмона (W. Inmon), Р. Кимбала (R. Kimball) и др.

Несмотря на успехи в этих направлениях, остаются нерешенными несколько проблем. Первая проблема связана с недостаточной развитостью подхода к формализованному описанию данных, обеспечивающих решение задач статистического, оперативного и интеллектуального анализа данных, а также анализа данных, определяемого бизнес-процессами организации. Сложность решения проблемы построения математических моделей данных обусловлена:

- отсутствием методик построения моделей данных, удовлетворяющих требованиям, выдвигаемым тестом FASMI (Fast Analysis of Shared Multidimensional Information - быстрый анализ разделяемой многомерной информации);

- использованием, как правило, интуитивного подхода к разработке многомерных моделей данных и моделей вычислительных процессов.

Вторая проблема связана с недостаточной проработанностью методов проектирования с применением проверки корректности моделей обработки данных.

Третья проблема обусловлена малой исследованностью методик предварительной обработки данных, представленных в виде комплектов, при вычислении ключевых показателей эффективности с использованием номинальных и порядковых шкал. В этом случае традиционный подход к предварительной обработке данных, основанный на использовании метода анализа иерархий, не реализуем. Необходимость решения названных выше проблем определяет актуальность данного диссертационного исследования.

Целью диссертационной работы является разработка и исследование моделей представления данных, процессов обработки и анализа данных в информационно-аналитической системе с настраиваемыми метриками на основе ключевых показателей эффективности.

Для достижения поставленной цели решены следующие задачи:

• анализ процессов сбора, хранения, предварительной обработки и анализа данных в информационно-аналитических системах, реализуемых с применением настраиваемых метрик на основе ключевых показателей эффективности;

• теоретическое обоснование и исследование математических многомерных моделей данных для сбора и хранения, проведения оперативного и интеллектуального анализа средствами информационно-аналитической системы;

• теоретическое обоснование и исследование математических моделей обработки данных в процессе наполнения хранилища данных, проведения оперативного и интеллектуального анализа данных;

• разработка на основе предложенных модельных представлений данных и процессов транзакционной базы данных, многомерного хранилища данных, клиентских приложений прототипа информационно-аналитической системы и проведение экспериментов.

Предметом исследования являются математические модели и структуры многомерного представления данных, модели процессов извлечения, преобразования и загрузки данных, модели и алгоритмы обработки и анализа данных.

Объектом исследования являются процессы сбора, накопления, предварительной обработки, загрузки и анализа данных при создании информационно-аналитической системы.

Методы исследования основаны на алгебре кортежей, теории нечетких множеств, методах оперативного и интеллектуального анализа данных, теории принятия коллективных решений, теории матроидов, методах концептуального моделирования. При разработке программных средств использованы объектно-ориентированный и реляционный подходы.

Научная новизна работы заключается в следующем.

1. Предложена методика построения математической модели данных на основе настраиваемых метрик ключевых показателей эффективности, отличающаяся представлением объектов и связей в виде С-систем алгебры кортежей и обеспечивающая проверку модели данных на соответствие моделям проектируемых процессов предварительной обработки, загрузки и анализа данных аналитическими методами.

2. Доказано соответствие структуры многомерной модели данных матроидной структуре, в которой максимальные независимые подмножества функциональных взаимосвязей между мерами и измерениями являются базами, что позволяет автоматизировать эквивалентные преобразования структуры реляционных хранилищ данных.

3. Предложен жадный алгоритм поиска структуры реляционного хранилища данных, отличающейся представлением группы измерений и мер в виде матроида. Алгоритм обеспечивает выполнение требований по ограничению времени выполнения запросов в соответствии с тестом быстрого анализа разделяемой многомерной информации (ТА8М1).

4. Предложено формализованное описание процессов сбора, загрузки в хранилище и анализа данных с использованием операций алгебры кортежей, что позволяет осуществить доказательство корректности моделей процессов формальными методами.

5. Разработана процедура предварительной обработки комплектов данных, отличающаяся применением рациональной и решающей функции для вычисления ключевых показателей эффективности, что позволяет уменьшить объем хранилища данных и сократить время на проведение анализа данных.

Практическая значимость исследований.

Разработанные программные средства для реализации информационной технологии хранения, обработки и анализа данных при управлении организацией на основе ключевых показателей эффективности обеспечивают осуществление процессов сбора, предобработки, оперативного и интеллектуального анализа данных. Разработанный алгоритм поиска структуры реляционного хранилища данных системы оперативной аналитической обработки данных со сложностью о(п) позволяет строить хранилища данных с учетом требований скорости выполнения запросов. Разработанный подход к проектированию процессов обработки и анализа данных позволяет сократить количество итераций разработки программных средств за счет доказательства корректности моделей обработки и анализа данных на этапе проектирования.

Результаты, выносимые на защиту:

1. Методика построения математических моделей данных на основе концепции многомерного пространства данных и операций алгебры кортежей.

2. Модельное представление структуры многомерных данных, отражающих совокупность ключевых показателей эффективности и используемых при принятии управленческих решений, в виде группы матроидов

3. Алгоритм поиска структуры модели данных, удовлетворяющей требованию минимума затрат времени на выполнение запроса к многомерному реляционному хранилищу данных.

4. Модели сбора данных, преобразования и загрузки реляционного хранилища данных, оперативного и интеллектуального анализа данных в информационно-аналитической системе.

5. Процедура предварительной обработки и агрегации данных с применением рациональной и решающей функции ранжирования.

Реализация и внедрение результатов работы.

Теоретические и практические результаты диссертационного исследования внедрены:

- в Пензенском государственном университете при разработке информационно-аналитической системы оценки деятельности преподавателей, кафедр и факультетов на основе ключевых показателей эффективности;

- в ООО «Мое дело» г. Пензы для оценки деятельности сотрудников отдела «ERP» на основе ключевых показателей эффективности с применением Web-технологий.

Достоверность и обоснованность.

Обоснованность и достоверность результатов определяется корректным использованием строгих и апробированных методов исследования и подтверждается практическим применением полученных результатов при разработке программных средств, что подтверждено актом о внедрении результатов работы, а также апробацией работы на всероссийских и международных конференциях.

Апробация работы. Основные результаты работы докладывались и обсуждались на следующих конференциях: VII Всероссийская научно-практическая конференция «Системы автоматизации в образовании, науке и производстве» (Новокузнецк, 2009), Международная конференция «Information Technologies in Education for All» (Киев, 2009), III Международная научно-практическая конференция «Информационная среда вуза XXI века» (Петрозаводск, 2009), XII Всероссийская объединенная конференция «Интернет и современное общество» (Санкт-Петербург, 2009), IX Международная научно-техническая конференция «Новые информационные технологии и системы» (Пенза, 2010), XV Международная научно-методическая конференция «Университетское образование» (Пенза, 2011), Международная научно-практическая конференция «Молодежь и наука: модернизация и инновационное развитие страны» (Пенза, 2011), V Международная научно-практическая конференция «Информационная среда вуза XXI века» (Петрозаводск, 2011).

Публикации. Основные положения диссертации опубликованы в 12 статьях и тезисах конференций. Среди них 2 статьи в журналах из перечня ВАК.

Заключение диссертации по теме «Теоретические основы информатики», Белов, Вадим Николаевич

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Предложена методика построения математической модели данных на основе настраиваемых метрик ключевых показателей эффективности, отличающаяся представлением объектов и связей в виде С-систем алгебры кортежей и обеспечивающая проверку модели данных на соответствие моделям проектируемых процессов предварительной обработки, загрузки и анализа данных аналитическими методами.

2. Доказано соответствие структуры многомерной модели данных матроидной структуре, в которой максимальные независимые подмножества функциональных взаимосвязей между мерами и измерениями являются базами, что позволяет автоматизировать эквивалентные преобразования структуры реляционных хранилищ данных.

3. Предложен жадный алгоритм поиска структуры реляционного хранилища данных, отличающейся представлением группы измерений и мер в виде матроида. Алгоритм обеспечивает выполнение требований по ограничению времени выполнения запросов в соответствии с тестом быстрого анализа разделяемой многомерной информации (ТА8М1).

4. Предложено формализованное описание процессов сбора, загрузки в хранилище и анализа данных с использованием операций алгебры кортежей, что позволяет осуществить доказательство корректности процессов формальными методами.

5. Разработана процедура предварительной обработки комплектов данных, отличающаяся применением рациональной и решающей функции для вычисления ключевых показателей эффективности, что позволяет уменьшить объем хранилища данных и сократить время на проведение анализа данных.

6. Разработана процедура кластерного анализа данных, отличающаяся применением предложенной рациональной и решающей функции, что позволило уменьшить затраты времени на вычисления при проведении кластерного анализа в 6,29 раза.

7. Выполнена разработка и экспериментальное исследование прототипа информационной аналитической системы с функциями сбора, предварительной обработки, оперативного и интеллектуального анализа данных на основе технологии ключевых показателей эффективности.

Список литературы диссертационного исследования кандидат технических наук Белов, Вадим Николаевич, 2012 год

1. Айгнер М. Комбинаторная теория Пер. с англ. В.В.Ермакова и В. Н. Лямина. М.: Мир, 1982. 558 с.

2. Афонин А. Ю., Механов В. Б., Макарычев П. П. Оперативный и интеллектуальный анализ данных. Пенза: Изд-во ПТУ, 2010. 156 с.

3. Бакулева М. А. Модели и алгоритмы автоматизации проектирования структур хранилищ данных для аналитической обработки числовых показателей: Автореф. дисс. . канд. техн. наук. Рязань, 2007. 16 с.

4. Белов В. Н., Макарычев П. П. Исследование соответствия схемы базы данных целям OLAP средствами алгебры кортежей // Известие высших учебных заведений. Поволжский регион. 2011. №4. С. 25-36.

5. Белов В. Н., Макарычев П. П. Оптимизация хранилища данных с представлением структуры в виде матроида // В мире научных открытий. 2011. № 12. С. 160-171.

6. Белов В. Н. Автоматизация оценки деятельности сотрудников вуза // Системы автоматизации в образовании, науке и производстве: Труды VII Всероссийской научно-практической конференции. Новокузнецк, 2009. С. 53-56.

7. Белов В. Н. Применение информационных технологий для оценки деятельности сотрудников вуза // Информационная среда вуза XXI века: материалы III Международной науч.-практ. конф. Петрозаводск, 2009. С. 2325.

8. Белов В. Н. Использование ИКТ для оценки деятельности сотрудников вуза // Новые технологии в образовании. 2009. №4. С. 78-80.

9. Ю.Белов В. Н., Макарычев П. П., Мещеряков В.А. Автоматизированная информационная система оценки деятельности // Новые информационные технологии и системы: труды IX Международной научно-технической конференции: в 2 ч. Пенза, 2010. Ч. 2. С. 125-133.

10. Белов В. Н., Макарычев П. П. Оптимизация хранилища данных с представлением структуры в виде матроида средствами алгебры кортежей // Информационная среда вуза XXI века материалы V Международной науч.-практ. конф. Петрозаводск, 2011. С. 29-32.

11. Н.Белов В. Н., Макарычев П. П. Выбор функции для оценки деятельности сотрудников // Молодежь и наука: модернизация и инновационное развитие страны: материалы международной научно-практической конференции: в 3 ч. Пенза, 2011. 4.1. С. 120-122.

12. Белов В. С. Информационно-аналитические системы. Основы проектирования и применения: учебное пособие, руководство, практикум. М., 2005. 111 с.

13. Биргер И. А. Техническая диагностика. М.: Машиностроение, 1978.240 с.

14. Бураков П. В., Петров В. Ю. Введение в системы баз данных. СПб: СПбГУ ИТМО, 2010. 128 с.

15. Верификация автоматных программ / Вельдер С. Э., Лукин М. А., Шалыто А. А., Яминов Б. Р. СПб.: СПбГУ ИТМО, 2011. 242 с.

16. Ветлужских Е. Разработка KPI в компании. Приложение к журналу «Справочник по управлению персоналом». Чебоксары: Чебоксарская типография №1, 2009. 42 с.

17. Висков А. В. Модель многомерного представления данных и методы ее анализа: Автореф. дисс. . канд. техн. наук. М., 2010. 22 с.

18. Висков А. В., Фомин М. Б. Средства описания многомерных моделей данных // Вестник РУДН, серия Прикладная и компьютерная математика. 2003. № 1. Т. 2. С. 128-139.

19. Волков И., Галахов И. Архитектура современной информационно-аналитической системы // Директор информационной службы. 2002. №3.

20. Вон Ким. Три основных недостатка современных хранилищ данных // Открытые Системы. 2003. №2.

21. Вучкович А. Оценка результатов деятельности: методическое пособие: проект журнала "Справочник по управлению персоналом". Москва: МЦФЭР, 2010. 111 с.

22. Гарсиа-МолинаГ., Ульман Д., Уидом Д. Системы баз данных. Полный курс Пер. с англ.. М.: Вильяме, 2003. 1088 с.

23. Горюнов И. В., Семченков С. Ю. Методология разработки систем информационной поддержки образовательного процесса в вузе на основе принципов всеобщего менеджмента качества (TQM) с использованием OLAP-технологии // Вестник РГРТУ. 2008. №4. С. 69-74.

24. ГуцА. К. Математическая логика и теория алгоритмов: учеб. пособие. Омск: Наследие. Диалог-Сибирь, 2003. 108 с.

25. Дейт К. Дж. Введение в системы баз данных. 8-е изд. Пер. с англ.. М.: Вильяме, 2005. 1328 с.

26. Кларк Э. М., Грамберг О., ПеледД. Верификация моделей программ: Model Checking Пер. с англ. Под ред. Р. Смелянского. М.: МЦНМО, 2002.416 с.

27. Клочков A. KPI и мотивация персонала: полный сборник практических инструментов. М.: Эксмо, 2010 г. 160 с.

28. Кузнецов С. Д. Основы баз данных: учебное пособие. 2-е изд., испр. М.: Интернет-Университет Информационных Технологий; БИНОМ. Лаборатория знаний, 2007. 484 с.

29. Кулик Б. А., Зуенко А. А., Фридман А. Я. Алгебраический подход к интеллектуальной обработке данных и знаний. СПб.: Изд-во Политехи, ун-та, 2010. 235 с.

30. Кулик Б. А. Анализ надежности систем с многими состояниями на основе алгебры кортежей // Автоматика и телемеханика. 2003. №7. С. 13-18.

31. Кулик Б. А. Курс лекций по алгебре кортежей. URL: http://logic-cor.narod.ru (дата обращения: 20.08.11).

32. Кулик Б. А. Математическая модель дедуктивной базы данных на основе алгебры кортежей // Известия РАН. Техническая, кибернетика. 1994. №2. С. 161-169.

33. Кулик Б. А. Обобщенный подход к моделированию и анализу интеллектуальных систем на основе алгебры кортежей // Труды VI Международной конференции «Идентификация систем и задачи управления». М.: ИПУ им. В.А. Трапезникова РАН, 2007. С. 679-715.

34. Кулик Б. А. Представление логических систем в вероятностном пространстве на основе алгебры кортежей. 1. Основы алгебры кортежей // Автоматика и телемеханика. 1997. № 1. С. 126-136.

35. Кулик Б. А. Система логического программирования на основе алгебры кортежей // Известия РАН. Техническая, кибернетика. 1993. № 3. С. 226-239.

36. Кулик Б. А., Наумов М. В. Представление логических систем в вероятностном пространстве на основе алгебры кортежей. 2. Измеримые логические системы // Автоматика и телемеханика. 1997. № 2. С. 169-179.

37. Коннолли Т., БеггК. Базы данных. Проектирование, реализация и сопровождение. Теория и практика. 3-е изд. Пер. с англ.. М.: Вильяме, 2003. 1440 с.

38. Базы данных. Интеллектуальная обработка информации / Корнеев В. В., Горев А. Ф., Васютин С. В., Райх В. В. М.: Нолидж, 2000. 352 с.

39. Ларичев О. И. Теория и методы принятия решений, а также Хроника событий в Волшебных странах: Учебник. М.: Логос, 2000. 296 с.

40. Левин Н. А., Мунерман В. И., Сергеев В. П. Алгебра многомерных матриц как универсальное средство моделирования данных и ее реализация в современных СУБД // Системы и средства информатики. 2004. № 14. с. 8699.

41. Липаев В. В. Качество программных средств. Методические рекомендации Под общ. ред. проф., д.т.н. A.A. Полякова. М.: Янус-К, 2002. 400 с.

42. Липаев В. В. Оценка качества программных средств // Сетевой журнал. 2002. № 3. С. 37-41.

43. ЛипскийВ. Комбинаторика для программистов Пер. с польского. М.: Мир, 1988. 200 с.

44. Мандель И. Д. Кластерный анализ. М.: Финансы и статистика, 1988.176 с.

45. Методы и модели анализа данных: OLAP и Data Mining / Барсегян А. А., Куприянов М. С., Степаненко В. В., Холод И. И. СПб.: БХВ-Петербург, 2004. 336 с.

46. Новиков Ф. А. Дискретная математика для программистов. СПб: Питер, 2000. 304 с.

47. Педерсен Т. Б., Йенсен К. С. Технология многомерных баз данных // Открытые системы. 2002. № 1. С. 45-50.

48. Роб П., КоронелК. Системы баз данных: проектирование, реализация и управление. 5-е изд.: перераб. и доп. Пер. с англ.. СПб.: БХВ-Петербург, 2004. 1040 с.

49. Ротштейн А. П. Интеллектуальные технологии идентификации: нечеткая логика, генетические алгоритмы, нейронные сети. Винница: УНИВЕРСУМ-Винница, 1999. 320 с.

50. Саати T. JI. Принятие решений. Метод анализа иерархий. М.: Радио и связь, 1989. 316 с.

51. Саати T. JI. Принятие решений при зависимостях и обратных связях: Аналитические сети. М.: ЛКИ, 2008. 360 с.

52. Семченков С. Ю. Алгоритмы проектирования систем многомерного анализа данных, основанных на OLAP технологии: Автореф. дисс. . канд. техн. наук. Рязань, 2010. 20 с.

53. Семченков С. Ю. Формальное представление структуры систем аналитической обработки данных, основанных на о1ар-технологии // Вестник Нижегородского университета им. Н.И. Лобачевского. 2010. № 6. С. 201-207.

54. Сергеев В. П. Представление многомерных матриц в иерархических структурах для повышения эффективности хранения и процессов обработки данных // Системы и средства информатики. Стохастические технологии и системы. 2005. Т. 15. С. 297-317.

55. Статистика: Курс лекций / Харченко JI. П., Долженкова В. Г., Ионин В. Г. и др. Под. ред. канд. экон. наук В.Г. Ионина. Новосибирск: Изд-во НГАЭиУ; М.: ИНФРА-М, 2000. 310 с.

56. Телков И. А., Бакулев А. В., Бакулева М. А. Алгоритм автоматизации проектирования хранилищ данных // Вестник РГРТУ. 2008. № 1.С. 90-93.

57. Технологии анализа данных. Data Mining, Visual Mining, Text Mining, OLAP. 2-ое изд., перераб. и доп. / Барсегян А. А., Куприянов М. С., Степаненко В. В., Холод И. И. СПб.: БХВ-Петербург, 2007. 384 с.

58. Федоров А., ЕлмановаН. Введение в OLAP // КомпьютерПресс. 2001. №4. С. 20-25.

59. Харари Ф. Теория графов. М.: Мир, 1973. 300 с.

60. Хомоненко А. Д., Цыганков В. М., Мальцев М. Г. Базы данных: учебник для высших учебных заведений. 4-е изд., доп. и перераб. Под. ред. проф. А.Д. Хомоненко. СПб.: КОРОНА принт, 2004. 736 с.

61. Хруцкий В. Е, Толмачев Р. А. Оценка персонала. Критика теории и практики применения системы сбалансированных. 2-е изд., перераб. и доп. М.: Финансы и статистика, 2007. 224 с.

62. Штовба С. Д. Введение в теорию нечетких множеств и нечеткую логику. Винница: Издательство винницкого государственного технического университета, 2001. 198 с.

63. Agrawal R., Gupta A., Sarawagi S. Modeling Multidimensional Databases // Proceedings 13th International Conference on Data Engineering. Birmingham, 1995. P. 232-243.

64. Arrow K. Difficulty in the Concept of Social Welfare // Journal of Political Economy. 1950. № 4. P. 328-346.

65. Arrow K. Social Choice and Individual Values. 2nd ed. New York: Wiley, 1963. 124 pp.

66. Belov V. ICT Applications for University Staff Activities Evaluation // Information Technologies in Education for All. Kiev, 2009. P. 12-18.

67. Berry M., Linoff G. Data Mining Techniques For Marketing, Sales, and Customer Relationship Management. 2nd Edition. Wiley Publishing, 2004. 672 pp.

68. Cabibbo L., TorloneR. Querying Multidimensional Databases // Proceedings of the Sixth International Conference on Database Programming Languages. Estes Park, 1997. P. 319-335.

69. Clarke E., Emerson E. Design and Synthesis of Synchronization Skeletons Using Branching-Time Temporal Logic. In Logic of Programs: Workshop, Springer, 1982. P. 52-71.

70. Clarke E., Emerson E., Sistla A. Automatic verification of finite-state concurrent systems using temporal logic specifications. ACM Transactions on Programming Languages and Systems. 1986. № 8. P. 244-263.

71. Codd E. A Data Base Sublanguage Founded on the Relational Calculus // Proc. 1971 ACM SIGFIDET Workshop on Data Description, Access and Control. San Diego, 1971. P. 35-68.

72. Codd E. A Relational Model of Data for Large Shared Data Banks. Communications of the ACM. 1970. № 6.

73. Codd E., Codd S., Salley C. Providing OLAP (On-line Analytical Processing) to User-Analysts: An IT Mandate. Hyperion Solutions Corporation. URL: http://www.minet.uni-jena.de/dbis/lehre/ss2005/semdwh/lit/Cod93.pdf (accessed: September 1, 2011).

74. Date C. Great News, The Relational Model Is Very Much Alive! URL: http://www.dbdebunk.com (accessed: September 1, 2011).

75. Date C. There's Only One Relational Model! URL: http://www.dbdebunk.com (accessed: September 1, 2011).

76. Date C. Why Relational? // C.J. Date. Relational Database Writings 1985-1989. Reading: Addison-Wesley, 1990. 528 pp.

77. Datta A., Thomas H. A Conceptual Model and Algebra for On-Line Analytical Processing in Decision Support Databases // Proceedings of the Seventh Annual Workshop on Information Technologies and Systems. Atlanta, 1997.

78. Davies D., Bouldin D. Cluster Separation Measure // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1979. № 2, P. 95-104.

79. Doran G. There's a S.M.A.R.T. way to write management's goals and objectives // Management Review. 1981. № 11. P. 35-36.

80. Dyreson C. Information Retrieval from an Incomplete Data Cube // Proceedings of the Twenty-Second Conference on Very Large Databases. Bombay, 1996. P. 532-543.

81. Ferrari A., Russo M., Webb C. Expert Cube Development with Microsoft SQL Server 2008 Analysis Services. Packt Publishing, 2009. 342 pp.

82. Floyd R. Assigning Meaning to Programs // Proceedings of Symposium on Applied Mathematics. 1967. P. 19-32.

83. Fukuyama Y., Sugeno M. A new method for choosing the number of clusters for the fuzzy c-means method // Proc. 5th Fuzzy System Symposium, 1989. P. 247-250.

84. Gath I., Geva A. Unsupervised optimal fuzzy clustering // IEEE Trans, on Pattern Analysis and Machine Intelligence. 1989. № 7. P. 773-781.

85. Gorman M. Great News The Relational Model is Dead. URL: http://www.tdan.com/view-articles/5093 (accessed: September 1, 2011).

86. Gray J., Bosworth A., Layman A., Pirahesh H. Data Cube: A Relational Aggregation Operator Generalizing Group-By, Cross-Tabs, and Sub-Totals // Proceedings of ICDE '96. New Orleans, 1996. P. 29-53.

87. Gyssens M., Lakshmanan L. A foundation for multi-dimensional databases // Proceedings of VLDB'97. Athens, 1997. P. 106-115.

88. Gyssens M., Lakshmanan L. A Foundation for Multi-Dimensional Databases // In Proceedings of the 23rd Conference on Very Large Databases. Athens, 1997. P. 106-115.

89. Han J., Kamber M. Data Mining: Concepts and Techniques. 2nd Edition. Morgann Kaufmann, 2006. 743 pp.

90. Hand D., Mannila H., Smyth P. Principles of Data Mining. Cambridge: The MIT Press, 2001. 546 p.

91. Hoare C. An axiomatic basis for computer programming // Communications of the ACM. 1969. № 10. P. 576-583.

92. IDC. A Survey of the Financial Impact of Data Warehousing. International Data Corporation. URL: http://www.idc.ca/sitemap.html (accessed: September 1, 2011).

93. Inmon W. Building The Data Warehouse. New York: John Wiley & Sons, 1992. 576 pp.

94. Inmon W., Hackathorn R. Using the Data Warehouse. New York: John Wiley & Sons, 1994.285 pp.

95. Kimball R. A Trio of Interesting Snowflakes. URL: http://www.kimballgroup.com/html/articlessearch/articles2001/0106IE.html?TrkI D=IE200106 (accessed: September 1, 2011).

96. Kimball R. Letting the Users Sleep Part 1: Nine Decisions in the Design of a Data Warehouse. DBMS Online. URL: http://www.rkimball.com (accessed: September 1, 2011).

97. Kimball R. Letting the Users Sleep Part 2: Nine Decisions in the Design of a Data Warehouse. DBMS Online. URL: http://www.rkimball.com. (accessed: September 1, 2011).

98. Kimball R. The Data Warehouse Toolkit. New York, N.Y.: John Wiley & Sons, 1996. 421 pp.

99. Kimball R. What Not to Do URL: http://www.kimballgroup.com/html/articlessearch/articles2001/0110IE.html?TrkI D=IE200110 (accessed: September 1, 2011).

100. Kuhns J. Answering Questions by Computer: A Logical Study // Report RM-5428-PR, Rand Corp. Santa Monica, 1967.

101. Lacroix M., Pirotte A. Domain-Oriented Relational Languages // Proc. 3rd Int. Conf. on Very Large Data Bases. Tokyo, 1977. P. 370-378.

102. Lehner W. Modeling Large Scale OLAP Scenarios // 6th International Conference on Extending Database Technology (EDBT'98). Valencia, 1998. P. 153-167.

103. Levene G. Why is the Snowflake Schema a Good Data Warehouse Design? URL: http://www.dcs.bbk.ac.uk/~mark/download/star.pdf (accessed: September 1, 2011).

104. Li C., Wang X. A Data Model for Supporting On-Line Analytical Processing // Proceedings of the Fifth International Conference on Information and Knowledge Management. New York, 1996. P. 81-88.

105. Mangisengi O., Tjoa, A. Wagner R. Multidimensional Modelling Approaches for OLAP // Proceedings of the Ninth International Database Conference "Heterogeneous and Internet Databases" 1999. Hong Kong, 1999.

106. MS SQL Server 2005 Analysis Services. OLAP и многомерный анализ данных / Бергер А. Б., Меломед Э. Л., Щербинин В. А., Степаненко В. П. Под. общ. ред. А.Б.Бергера, И. В. Горбач. Спб.: БХВ-Петербург, 2007. 928 с.

107. Nguyen Т., Tjoa A., Wagner R. An Object Oriented Multidimensional Data Model for OLAP // Proc. of 1st Int. Conf. on Web-Age Information Management (WAIM). Springer, 2000. P. 83-94.

108. OLAP Council (2001), OLAP Council White Paper. URL: http://www.olapcouncil.org/research/resrchly.htm (accessed: September 1, 2011).

109. Pal N., Bezdek J. On cluster validity for the fuzzy c-means model // IEEE Transactions on Fuzzy Systems In Fuzzy Systems IEEE Transactions. 1995. № 3. P. 370-379.

110. Parmenter D. Key performance indicators : developing, implementing, and using winning KPIs. New Jersey: John Wiley & Sons, 2007. 256 pp.

111. Pedersen T. Aspects of Data Modeling and Query Processing for Complex Multidimensional Data. Aalborg, 2000.

112. Pendse N. What is OLAP? URL: http://www.bi-verdict.com/fileadmin/dltemp/lfl 18b 1 cbd45195aa6af496a5227e48f/fasmi.htm (accessed: 20.08.11).

113. Rafanelli M., Ricci F. A functional model for macro-databases, SIGMOD // Record. 1991. № 1. P 29-54.

114. Rafanelli M., Shoshani A. STORM: A Statistical Object Representation Model // Proceedings of the Fifth International Conference on Statistical and Scientific Database Management. Charlotte, 1990. P. 14-29.

115. Red Brick Systems (1996). Specialized Requirements for Relational Data Warehouse Servers. Red Brick Systems Inc. URL: http://www.thefreelibrary.com/RED+BRICK+SYSTEMS+AS+DATA+WAREHO USING+ADVOCATE+DOCUMENTS+10.-a017551969 (accessed: 20.08.11).

116. Rittman M. Business Intelligence: Quickly Define KPIs and Scorecards That Use Them // Oracle Magazine, 2011. №1. URL: http://www.oracle.com/technetwork/issue-archive/2011/11-jan/ol lbi-195122.html (accessed: 12.01.2012)

117. Shoshani A. OLAP and Statistical Databases: Similarities and Differences // Proc. of XVI ACM. 1997. P. 185-196.

118. Ullman J. Principles of Database and Knowledge-Base Systems: Volume I. Computer Science Press, 1988.

119. Vasiljev S. Cardinal Voting: The Way to Escape the Social Choice Impossibility URL: http://ssrn.com/abstract=l 116545 (accessed: September 1, 2011).

120. Vassiliadis P. Modeling Multidimensional Databases, Cubes, and Cube Operations // Proceedings of the Tenth International Conference on Statistical and Scientific Database Management. Capri, 1998. P. 53-62.

121. Wataru H., Tetsuya N., Sadaaki M. Comparison and Evaluation of Different Cluster Validity. Measures Including Their Kernelization // Journal of Advanced Computational Intelligence and Intelligent Informatics. 2009. № 3. P. 204-205.

122. Whitney H. On the abstract properties of linear dependence // Armer. J. Math. 1935. № 57. P. 509-533.

123. Xie X., Beni G. A Validity measure for Fuzzy Clustering // IEEE Trans, on Pattern Analysis and Machine Intelligence. 1991. № 4. P. 841-846.