مکعب داده؛ دسته بندی و انواع عملیات اصلی آن

در دنیای امروز، سازمان‌ها با چالش‌هایی روبرو هستند که نیازمند استخراج بینش‌های معنادار از حجم عظیمی از داده‌ها است. برای پیشبرد در این راه، آن‌ها از تکنیک‌ها و ابزارهای پیشرفته بهره می‌برند که قادر به آشکار کردن الگوهای مخفی در داده‌های خود هستند. یکی از این ابزارهای بسیار قدرتمند، مکعب داده (Data Cube) است. این ساختار چند بعدی به سازمان‌ها امکان می‌دهد که دید کلی از داده‌های خود داشته باشند و تصمیم‌گیرندگان را قادر می‌سازد در اعماق اطلاعات فرو روند.
فرض کنید که یک سازمان خرده‌فروشی می‌خواهد داده‌های فروش خود را در طول ابعاد مختلفی مانند دسته‌بندی محصولات، بازه‌های زمانی و مناطق جغرافیایی تجزیه و تحلیل کند. روش‌های سنتی تجزیه و تحلیل داده‌ها اغلب در ارائه یک درک جامع از روابط پیچیده و روندهای موجود در داده‌ها ناتوان هستند. در اینجا مکعب داده به کمک می‌آید و روش‌های سنتی را به چالش می‌کشد.

مکعب داده چیست؟

مکعب داده (Data Cube) ساختار داده‌ای است که به‌منظور تجزیه و تحلیل سریع و کارآمد بهینه شده است. این ساختار به ما امکان می‌دهد داده‌های مرتبط را درون مکعب تجمیع و مجموعه‌بندی کنیم. سپس با استفاده از حفر کردن (عمیق‌تر شدن در داده‌ها)، برش زدن (انتخاب بخشی از داده‌ها بر اساس یک یا چند شرط) و پرتاب کردن داده (تغییر چشم‌انداز یا زاویه دید در مورد داده‌ها)، از زوایای مختلف آن را مشاهده کنیم.
دیتا کیوب همچنین مکعب هوش تجاری (Business Intelligence Cube) یا مکعب پردازش تحلیلی برخط (OLAP) نیز نامیده می‌شود.
به‌طور کلی، مکعب بخشی از داده‌هاست که با استفاده از جداول موجود در پایگاه داده ساخته شده و حاوی محاسبات است. مکعب‌های OLAP  معمولا براساس عملکرد تجاری گروه‌بندی می‌شوند و داده‌های مرتبط با هر عملکرد را در خود جای داده‌اند. این ساختار به تحلیل و فهم بهتر داده‌ها کمک می‌کند و برای ارائه گزارشات تجاری و اتخاذ تصمیمات استراتژیک مفید است.

دسته بندی مکعب داده

ماتریس داده می‌تواند به دو دسته تقسیم شود:

مکعب داده چند بعدی (Multidimensional data cube)

در این نوع مکعب، داده‌ها با استفاده از یک آرایه چندبعدی ذخیره می‌شوند. این آرایه شامل ابعاد مختلف است و با نگاه کردن به هر بعد، می‌توان به سرعت داده‌ها را بازیابی کرد. این نوع مکعب به‌طور معمول در برنامه‌هایی استفاده می‌شود که نیاز به تحلیل داده‌های بزرگ و چندبعدی دارند.

مکعب داده رابطه‌ ای (Relational data cube)

در این نوع مکعب، داده‌ها با استفاده از جداول رابطه‌ای ذخیره می‌شوند. هر جدول رابطه‌ای نشان‌دهنده ابعاد مکعب داده است. این نوع کاستول به‌طور معمول در برنامه‌هایی استفاده می‌شود که از پایگاه داده رابطه‌ای استفاده می‌کنند و نیاز به تحلیل داده‌های بزرگ و پیچیده دارند. اما نسبت به مکعب داده چندبعدی، این نوع مکعب کندتر است و زمان بیشتری برای بازیابی داده‌ها نیاز دارد.

عملیات مکعب داده

عملیات‌های مکعب داده برای دستکاری داده‌ها به‌منظور تأمین نیازهای کاربران استفاده می‌شود. این عملیات به انتخاب داده‌های خاص برای اهداف تحلیل کمک می‌کنند. در زیر، عملیات اصلی تعیین شده است:

عملیات جمع آوری (Roll-up)  

Roll-up یکی از عملیات اصلی در مکعب داده است. این عملیات برای تجمیع داده‌ها از سطوح پایین‌تر به سطوح بالاتر در ساختار مکعب استفاده می‌شود. با استفاده از این عملیات، می‌توان داده‌ها را براساس بُعدی خاص جمع‌آوری کرده و مقادیر مشابه را ترکیب کرد. به‌عنوان مثال، اگر مکعب داده درآمد روزانه یک مشتری را نشان دهد، می‌توان از عملیات Roll-up برای محاسبه مجموع درآمد ماهیانه او استفاده کنیم. در این صورت، داده‌ها از سطح روز به سطح ماه جمع‌آوری می‌شوند و مقادیر مربوط به روزها درون هر ماه جمع‌آوری و تجمیع می‌شوند.
این عملیات می‌تواند برای خلاصه‌سازی و تجمیع داده‌ها به منظور تحلیل‌های سطح بالاتر و استفاده‌های گوناگون دیگر مفید باشد.

عملیات تفکیک (Drill-down)

این عملیات برعکس Roll-up است و به ما امکان می‌دهد مجموعه اطلاعات خاص را به درجات یا سطوح کوچک‌تر تقسیم کنیم تا به تجزیه و تحلیل با دقت بیشتر بپردازیم. با استفاده از این عملیات، می‌توان به جزئیات بیشتری از داده‌ها وارد شد و اطلاعات را به سطوح متفاوتی تفکیک کرد.
برای مثال، اگر "هند" به عنوان یکی از مقادیر ممکن در ستون "کشور" وجود داشته باشد، با استفاده از عملیات تفکیک می‌توانیم به تفکیک استان‌ها، مناطق، شهرها، روستاها و جزئیات بیشتری از هند بپردازیم. در این صورت، هند به سطوح کوچکتری تقسیم می‌شود و اطلاعات مربوط به هر سطح جزئی تفکیک شده را نمایش می‌دهد.

عملیات برش (Slicing)

این عملیات به کاربر امکان می‌دهد بخش‌های غیرضروری از داده‌ها را فیلتر کند و تنها به اطلاعات مورد نیاز خود دسترسی پیدا کند. به‌عنوان مثال، اگر در یک بُعد خاص، مقدار "جامائیکا" برای ویژگی "کشور" تعیین شده باشد (country=”jamaica”)، عملیات برش فقط اطلاعات مربوط به جامائیکا را نمایش می‌دهد و تنها سایر کشورهای موجود در لیست کشورها را نشان می‌دهد.
این عملیات می‌تواند برای تمرکز بر اطلاعات مهم و مربوط در تحلیل داده‌ها و حذف اجزاء غیرضروری و غیرمورد نیاز مفید باشد.

عملیات تکه ‌تکه ‌کردن (Dicing)

عملیات Dicing یکی از روش‌های تحلیل چندبُعدی در مکعب داده است. در این عملیات، می‌توان به برش زدن چندین بُعد از داده‌ها پرداخت و محدوده‌های خاصی از هر بُعد را برش زد. به این ترتیب، یک زیرمکعب کوچکتر از کل مکعب داده به‌وجود می‌آید. برای نمونه، اگر کاربر می‌خواهد حقوق سالیانه کارمندان ایالت جارکند را مشاهده کند، با استفاده از عملیات دیسینگ، می‌تواند به بُعد "استان" برود و مقدار "جارکند" را انتخاب کند و سپس به بُعد "حقوق سالیانه" برود و محدوده مربوط به آن را انتخاب کند. در نتیجه، فقط داده‌های مربوط به حقوق سالیانه کارمندان ایالت جارکند را مشاهده می‌کنیم و سایر بُعدها را برش‌زده‌ایم.
این عملیات می‌تواند در بررسی روابط و الگوهای پیچیده‌تر داده‌ها مفید باشد و امکان مشاهده ارتباطات بین بُعدها را فراهم کند.

عملیات تغییر نمایش داده‌ها بر اساس نیازهای کاربر (Pivot)

عملیات پیوت یکی دیگر از عملیات مهم در تحلیل داده‌هاست که از نظر مشاهده‌گری بسیار مهم است. این عملیات امکان تغییر دیدگاه و دیدن داده‌ها از زوایای مختلف را فراهم می‌کند، اما داده‌های موجود در مکعب داده را تغییر نمی‌دهد. به‌طور ساده‌تر، ممکن است کاربر در ابتدا داده‌ها را بر اساس دو بُعد مختلف (مثلا سال و شعبه) مشاهده کند. اما با استفاده از عملیات پیوت، می‌تواند نقطه نظر را تغییر داده و حالا داده‌ها را براساس دو بُعد دیگر (مثلا شعبه و نوع محصول) مشاهده کند.
این عملیات می‌تواند در کشف ارتباطات جدید و مقایسه‌های مختلف در داده‌ها مفید باشد. 

مثالی از کاربرد مکعب داده

بیایید مثالی از مکعب داده را در نظر بگیریم که نماینده داده‌های فروش یک فروشگاه خرده‌فروشی است. مکعب داده سه بُعد دارد: محصول، زمان و منطقه. هر بُعد شامل چندین سطح جزئی است.
بُعد محصول:

سطح 1: دسته بندی (مثلا الکترونیک، لباس، لوازم خانگی)
سطح 2: زیردسته (مثلاً لپ تاپ، تی‌شرت، یخچال)
سطح 3: محصول خاص (مثلاً مک‌بوک پرو، پولوشرت، یخچال سامسونگ)

بُعد زمان:

سطح 1: سال
سطح 2: سه‌ماهه
سطح 3: ماه

بُعد منطقه:

سطح 1: کشور
سطح 2: ایالت/استان
سطح 3: شهر

حالا فرض کنید ما داده‌های فروش برای سه سال گذشته (2019، 2020، 2021) را داریم، به همراه تقسیم‌بندی سه‌ماهه و ماهانه. همچنین داده‌های فروش برای دسته بندی‌های مختلف محصول، زیردسته‌ها و محصولات خاص در مناطق مختلف را داریم.
مکعب داده شامل اندازه‌های تجمعی مثل مجموع مبلغ فروش، تعداد فروش، و میانگین قیمت در تلاقی این بُعدها خواهد بود. به عنوان مثال، ممکن است در یک سلول خاص که محصول = "لپ تاپ"، زمان = "سه‌ماهه دوم 2020" و منطقه = "کالیفرنیا" باشد، اطلاعات زیر را داشته باشیم:

• مجموع مبلغ فروش: ۱۰۰٬۰۰۰ دلار
• تعداد فروش: ۱۵۰ واحد
• میانگین قیمت: ۶۶۶٫۶۷ دلار

این بدان معنی است که در سه‌ماهه دوم سال ۲۰۲۰، فروشگاه خرده‌فروشی مبلغ فروشی به ارزش ۱۰۰٬۰۰۰ دلار از لپ تاپ‌ها داشته است. تعداد کل فروش ۱۵۰ واحد بوده است و میانگین قیمت هر واحد برابر با ۶۶۶٫۶۷ دلار بوده است. این اطلاعات به‌طور خاص برای منطقه "کالیفرنیا" در نظر گرفته شده است.

مزایا و معایب مکعب‌های داده

در زمانی که توان محاسباتی محدود بود، مکعب داده راه‌حل بسیار مناسبی برای جلوگیری از زمان پردازش طولانی در تجزیه و تحلیل داده‌های پیچیده بود. اما آنها مزایا و معایب خود را دارند.

مزایای مکعب داده

1.    به علت تجمیع داده‌های مرتبط، پرس‌وجوها سریعتر انجام می‌شوند، که به کاربران این امکان را می‌دهد که به سرعت به اطلاعات مورد نیاز دسترسی پیدا کنند. 
2.    رابط کاربری مکعب‌های داده معمولاً به عنوان رابطی ساده‌تر و کاربرپسندتر نسبت به انبارهای داده سنتی شناخته می‌شوند و این امر به کاربران این اجازه را می‌دهد که به سرعت با داده‌ها کار کنند.

معایب مکعب داده

1.    برای هر تحلیل جدید که شامل ابعاد جدید یا متفاوت است، نیاز است مکعب داده جدید ایجاد شود یا مکعب موجود تغییر کند. این ممکن است زمان‌بر و پیچیده باشد و نیازمند تغییر در ساختار و سازماندهی داده‌ها در انباره داده باشد.
2.    به دلیل اینکه هربار که نیاز به گزارش جدیدی پیش می‌آید، باید یک مکعب ایجاد یا اصلاح شود، داده‌ها باید در انباره داده به‌صورتی سازماندهی شوند که به‌سرعت بتوان به آن‌ها دسترسی و آن‌ها را در مکعب قرار داد. به‌همین دلیل، تکنیک‌های مدل‌سازی داده زمان‌بری را نیازمند می‌کند.
3.    در کیوب دیتا، شما نمی‌توانید به جزئیات سطح معامله دسترسی پیدا کنید. مکعب‌هاهمواره شامل اطلاعات خلاصه شده هستند، بنابراین برای دسترسی به جزئیات معامله، باید از مکعب خارج شده و مستقیما به پایگاه داده متصل شوید. این فرآیند پیچیده است و در بسیاری از موارد هدف استفاده از مکعب را بی‌اعتبار می‌کند.

خلاصه کلام

در پایان، می‌توانیم بگوییم که مکعب داده به عنوان یکی از ابزارهای قدرتمند تجزیه و تحلیل داده در دنیای مبتنی بر داده، نقش بسیار مهمی دارد. این ساختار چند بعدی به سازمان‌ها امکان می‌دهد تا در اطلاعات خود عمیق‌تر حفره کنند و الگوها و روابط پنهان در داده‌ها را کشف کنند. با استفاده از مکعب داده، می‌توان اطلاعات بیشتری از داده‌های خود به دست آورد و تصمیم‌گیری‌های بهتری انجام دهد.

این ابزار، به سازمان‌ها این امکان را می‌دهد تا در مسیر توسعه و رشد خود پیش بروند و تصمیم‌های استراتژیک را با اطمینان بیشتری بگیرند. از این رو، مکعب داده به عنوان یکی از ابزارهای برجسته تجزیه و تحلیل داده در دنیای امروز به‌حساب می‌آید.