Динамические сппр, напротив, ориентированы на обработку нерегламентированных, неожиданных (ad hoc) запросов аналитиков к данным. Наиболее глубоко требования к таким системам рассмотрел кодд (E. F. Codd), положив начало концепции оперативной аналитической

Динамические СППР, напротив, ориентированы на обработку нерегламентированных, неожиданных (ad hoc) запросов аналитиков к данным. Наиболее глубоко требования к таким системам рассмотрел Кодд (E. F. Codd), положив начало концепции оперативной аналитической обработки данных – OLAP. В её основе лежит многомерное представление данных. По Кодду, многомерное концептуальное представление (multi-dimensional conceptual view) является наиболее естественным взглядом управляющего персонала на объект управления. Оно представляет собой множественную перспективу, состоящую из нескольких независимых измерений, вдоль которых могут быть проанализированы определенные совокупности данных. Одновременный анализ по нескольким измерениям данных определяется как многомерный анализ. Каждое измерение включает направления консолидации данных, состоящие из серии последовательных уровней обобщения, где каждый вышестоящий уровень соответствует большей степени агрегации данных по соответствующему измерению.

Клиент-серверная архитектура также является необходимым атрибутом технологии data mining. Такой подход предоставляет возможность выполнять наиболее трудоемкие процедуры обработки данных на высокопроизводительном сервере как разработчикам проектов, так и пользователям. На этом же сервере могут храниться и по запросам клиентов выполняться корпоративные проекты data mining.

Методы data mining распространены во многих организациях, так как они могут сделать существенный вклад в увеличение доходов. Эти методы могут использоваться для управления взаимоотношениями с клиентами. Определяя характеристики клиентов, которые могут уйти к конкурентам, компания может предпринимать действия для их удержания, так как сохранить клиента всегда дешевле, чем приобрести нового.

Ключом к успешному применению методов data mining служит не просто выбор алгоритма, а мастерство человека, который проводит построение модели, и возможности программы проводить процесс моделирования. Информативность реализованного проекта data mining зависит от этих факторов в большей степени, чем от алгоритмов. Существуют две стороны успеха в поиске данных. Во-первых, это четкая и ясная формулировка задачи, которая подлежит решению. Во-вторых, это использование правильных данных. После выбора данных из всех доступных источников (или даже приобретения данных из внешних источников) необходимо их преобразовать или сгруппировать в определенном порядке.

Чем больше аналитик может «играть» с данными, строить модели и оценивать результаты (то есть больше работать с данными за единицу времени), тем лучше может быть результат. Работа с данными становится более эффективной, когда возможна интеграция следующих компонентов: визуализации, графического инструментария, средств формирования запросов, оперативной аналитической обработки, которые позволяют понять данные и интерпретировать результаты, и, наконец, сами алгоритмы, которые строят модели.

Интеллектуальный анализ данных(ИАД −Data Mining) − это процесс поддержки принятия решений, основанный на поиске в данных скрытых закономерностей (шаблонов информации). При этом накопленные сведения автоматически обобщаются до информации, которая может быть охарактеризована как знания.

В общем случае процесс ИАД состоит из трёх стадий:

1) выявление закономерностей (свободный поиск);

2) использование выявленных закономерностей для предсказания неизвестных значений (прогностическое моделирование);

3) анализ исключений, предназначенный для выявления и толкования аномалий в найденных закономерностях.

OLAP и  Data Mining − две составные части процесса поддержки принятия решений. Но в настоящее время большинство систем OLAP заостряет внимание только на обеспечении доступа к многомерным данным, а большинство средств ИАД, работающих в сфере закономерностей, имеют дело с одномерными перспективами данных. Эти два вида анализа должны быть тесно объединены, то есть системы OLAP должны фокусироваться не только на доступе, но и на поиске закономерностей. J. Han предложил простое название интеграции  OLAP и Data Mining – «OLAP Mining».

На рынке программных продуктов наряду с мощными серверами многомерных баз данных и ROLAP-серверами предлагаются клиентские OLAP-серверы, предназначенные, главным образом, для работы с небольшими объемами данных и ориентированные на индивидуального пользователя. Подобные системы были названы настольными или DOLAP-серверами (Desktop OLAP). В этом направлении работают фирмы Business Objects (Business Objects 5.0), Andyne (CubeCreator, PaBLO), Cognos, Brio Technology.

Лидером пока считается компания Cognos, поставляющая продукты PowerPlay, Impromptu и Scenario. PowerPlay − это настольный OLAP-сервер. Для извлечения данных из реляционных баз данных (Paradox, dBase, Clipper), «плоских» файлов и электронных таблиц (Microsoft Excel) используется генератор запросов и отчетов Impromptu. Затем специальный компонент, называемый Transformer, помещает извлеченные данные в клиентскую многомерную базу, которая называется PowerCube. Потребителям предоставляются широкие возможности по управлению PowerCube: передавать ее от пользователя к пользователю по запросу и принудительно, помещать на сервер для разделения доступа к ней или пересылать по электронной почте. Cognos постаралась сделать свой продукт максимально открытым: во-первых, PowerCube может быть помещен в реляционные базы Oracle, Informix, Sybase, MS SQL Server на платформах UNIX, HP/UX, Sun Solaris, IBM AIX, во-вторых, сам PowerPlay способен анализировать содержимое не только PowerCube, но и других многомерных баз данных.

Стоит отметить, что все эти фирмы объединяет стремление включить в свои продукты компоненты, предназначенные для Интеллектуального Анализа Данных (Data Mining, ИАД). Усилия Business Objects и Cognos, например, направлены на подготовку окончательных версий компонентов Business Miner и Scenario, предназначенных именно для ИАД.

Системы начального уровняшироко распространены среди предприятий небольшого размера, которые успешно используют их в своей повседневной деятельности. Отличительной чертой таких информационных систем является ограниченный охват бизнес-процессов предприятия.

Программные продукты данного класса могут сильно отличаться друг от друга по целевому назначению: сюда можно отнести как бухгалтерские, так и складские, и торговые системы. Но, тем не менее, эти системы имеют много общего:

- невысокая требовательность к выделяемым ресурсам. Системы данного класса могут работать под управлением современных промышленных СУБД, однако, могут эксплуатироваться и на небольших предприятиях. Количество возможных пользователей такой системы колеблется от одного до нескольких десятков;

- подразумевается, что пользователь может приобрести, установить и начать эксплуатацию самостоятельно, однако, разработчики стараются делать программы с как можно более широкими возможностями, что позволяет интегрировать такие системы с другими системами этого и более высокого классов.

 Системы среднего уровня.Появление систем среднего уровня обусловлено потребностью в программном продукте с более широкими возможностями, нежели системы начального уровня. Таким образом, некоторые производители на основе современных способов и средств разработки создали готовые решения для довольно широкого круга потребностей предприятия. В состав таких систем обычно входят следующие подсистемы:

- бухгалтерский учет;

- управление производством;

- материально-техническое снабжение и сбыт;

- планирование;

- производство.

Несмотря на способность данных систем вести учет практически по всем направлениям деятельности предприятия, некоторые подсистемы реализованы в них в весьма усеченном виде. Тем не менее, количество различных параметров настройки у такой системы достигает значительного числа, что приводит потребителя к неспособности самостоятельно установить продукт. Зачастую большую часть стоимости программного продукта среднего уровня составляют услуги по установке и настройке системы, сервисное обслуживание. Дороговизна этих систем делает их недоступными для небольших фирм.

Большим минусом подобной системы является то, что успех её внедрения во многом зависит от качества выполнения анализа деятельности предприятия.

Системы высшего класса.Современные версии систем высшего уровня обеспечивают планирование и управление всеми ресурсами организации. Количество различных параметров настроек достигает десятков тысяч. Однако одновременно возрастает и стоимость внедрения подобной системы.

Следует также учитывать следующий набор минусов, возникающих при введении в строй подобной системы:

- может потребоваться привлечение внешних консультантов, что приведет к значительному росту затрат;

- внедрение сложной системы зачастую требует некоторой реорганизации деятельности;

- необходимо наличие специального подразделения, которое бы перенастраивало систему под требования бизнеса.

Но все же руководители организации  и её персонал получают великолепный инструмент, позволяющий планировать и управлять производством.