Bài tập Kho dữ liệu: Hướng dẫn phân tích SSAS và truy vấn MDX (UIT)

Bài tập a13: Khám phá kho dữ liệu và OLAP. Phân tích dữ liệu quy trình với SSAS cùng ngôn ngữ truy vấn MDX. Tìm hiểu sâu hơn về Data Warehouse!

• Tác giả: Nguyễn Hữu Thắng
• Người hướng dẫn: ThS. Đỗ Thị Minh Phụng
• Trường học: Trường Đại Học Công Nghệ Thông Tin - Đại Học Quốc Gia TP. Hồ Chí Minh
• Chuyên ngành: Hệ Thống Thông Tin
• Đề tài: Phân Tích Kho Dữ Liệu (Quá Trình SSAS) Và Ngôn Ngữ Truy Vấn MDX
• Loại tài liệu: Bài Tập
• Năm xuất bản: 2022
• Địa điểm: TP. Hồ Chí Minh

Tóm tắt

I. Tổng quan về kho dữ liệu OLAP và quy trình SSAS

Trong lĩnh vực Business Intelligence, việc khai thác thông tin từ dữ liệu là yếu tố sống còn. Kho dữ liệu (Data Warehouse) đóng vai trò là nền tảng, một kho lưu trữ trung tâm, tích hợp dữ liệu từ nhiều nguồn khác nhau. Dữ liệu trong kho được cấu trúc để phục vụ cho mục đích phân tích và báo cáo, thay vì các giao dịch hàng ngày. Để phân tích hiệu quả kho dữ liệu này, công nghệ OLAP (Online Analytical Processing) được sử dụng. OLAP cho phép người dùng thực hiện các truy vấn đa chiều phức tạp một cách nhanh chóng. Công cụ hiện thực hóa điều này chính là SQL Server Analysis Services (SSAS), một dịch vụ của Microsoft SQL Server. SSAS cung cấp các công cụ để thiết kế data warehouse và xây dựng các khối dữ liệu, hay còn gọi là OLAP Cube. Một khối Cube cho phép người dùng nhìn dữ liệu từ nhiều góc độ khác nhau, ví dụ như doanh thu theo thời gian, sản phẩm và khu vực. Quá trình này bắt đầu bằng việc thu thập và chuyển đổi dữ liệu thông qua quy trình ETL (Extract, Transform, Load), sau đó xây dựng các khối Cube trong SSAS, và cuối cùng là sử dụng các ngôn ngữ như MDX để truy vấn, khai thác tri thức từ những khối dữ liệu này, mang lại giá trị to lớn cho việc ra quyết định kinh doanh.

1.1. Định nghĩa kho dữ liệu là gì và vai trò then chốt

Vậy kho dữ liệu là gì? Đây là một hệ thống lưu trữ dữ liệu được thiết kế đặc biệt cho việc truy vấn và phân tích, hoạt động như một kho lưu trữ duy nhất và nhất quán cho dữ liệu của một tổ chức. Khác với cơ sở dữ liệu giao dịch (OLTP), kho dữ liệu được tối ưu hóa cho việc đọc và tổng hợp lượng lớn dữ liệu. Vai trò của nó là cung cấp một "nguồn sự thật duy nhất" (single source of truth), giúp các nhà phân tích và quản lý có cái nhìn toàn diện về hoạt động kinh doanh. Dữ liệu từ các hệ thống khác nhau như CRM, ERP sẽ được trích xuất, làm sạch, và hợp nhất thông qua quy trình ETL (Extract, Transform, Load) trước khi được nạp vào kho dữ liệu. Điều này đảm bảo tính nhất quán và chất lượng của dữ liệu, tạo nền tảng vững chắc cho các hoạt động Business Intelligence và hỗ trợ ra quyết định chiến lược.

1.2. Tìm hiểu về OLAP Cube và công nghệ phân tích dữ liệu

Một OLAP Cube là cấu trúc dữ liệu cốt lõi trong công nghệ OLAP, cho phép phân tích dữ liệu nhanh chóng và phức tạp. Nó mở rộng cấu trúc bảng hai chiều của cơ sở dữ liệu quan hệ thành một cấu trúc đa chiều. Mỗi chiều của khối Cube đại diện cho một danh mục dữ liệu mà người dùng quan tâm, ví dụ như Thời gian, Địa điểm, Sản phẩm. Giao điểm của các chiều chứa các giá trị được tổng hợp, gọi là các số đo (measure) trong OLAP, ví dụ như tổng doanh thu hoặc số lượng bán. Sức mạnh của OLAP Cube nằm ở việc nó tính toán trước các giá trị tổng hợp này, giúp các truy vấn đa chiều được thực thi gần như tức thì. Người dùng có thể thực hiện các thao tác như "slice" (cắt lát), "dice" (cắt khối), "drill-down" (đi sâu chi tiết), và "roll-up" (tổng hợp lên) để khám phá dữ liệu từ nhiều góc nhìn khác nhau mà không cần viết các câu lệnh SQL phức tạp.

1.3. Giới thiệu SQL Server Analysis Services SSAS là gì

SSAS, hay SQL Server Analysis Services, là một công cụ phân tích dữ liệu trực tuyến và khai phá dữ liệu của Microsoft. Nó là một thành phần quan trọng trong bộ công cụ Business Intelligence của Microsoft SQL Server. SSAS cho phép các nhà phát triển xây dựng các mô hình dữ liệu (Cube) để phân tích dữ liệu từ nhiều nguồn khác nhau. SSAS hỗ trợ hai loại mô hình chính: Multidimensional (đa chiều) và Tabular (bảng). Mô hình đa chiều sử dụng OLAP Cube truyền thống và ngôn ngữ truy vấn đa chiều MDX. Quá trình phát triển một dự án SSAS thường được thực hiện trong môi trường SQL Server Data Tools (SSDT). Đây là nơi các nhà phát triển định nghĩa nguồn dữ liệu, thiết kế các khối Cube, xác định các kích thước (dimension) và số đo (measure), sau đó triển khai dự án Analysis Services lên máy chủ để người dùng cuối có thể truy cập và phân tích.

II. Thách thức chính trong quá trình phân tích kho dữ liệu

Việc xây dựng và phân tích kho dữ liệu là một quá trình phức tạp, đối mặt với nhiều thách thức kỹ thuật. Một trong những rào cản lớn nhất là giai đoạn ETL (Extract, Transform, Load). Dữ liệu thường phân tán ở nhiều hệ thống với các định dạng khác nhau, đòi hỏi nỗ lực lớn để làm sạch, chuẩn hóa và tích hợp. Bất kỳ sai sót nào trong giai đoạn này đều ảnh hưởng trực tiếp đến chất lượng của toàn bộ kho dữ liệu. Tiếp theo là việc thiết kế data warehouse. Lựa chọn giữa các mô hình như mô hình star schema và mô hình snowflake schema cần được cân nhắc kỹ lưỡng. Star schema đơn giản, dễ hiểu và cho hiệu năng truy vấn nhanh hơn, nhưng có thể dẫn đến dư thừa dữ liệu. Ngược lại, snowflake schema giảm dư thừa dữ liệu nhưng lại làm tăng độ phức tạp của các câu truy vấn. Cuối cùng, hiệu năng của các truy vấn đa chiều là một mối quan tâm hàng đầu. Khi khối OLAP Cube ngày càng lớn, việc tối ưu hóa thiết kế, định nghĩa các mức tổng hợp (aggregations) và sử dụng cú pháp MDX hiệu quả trở nên cực kỳ quan trọng để đảm bảo người dùng có trải nghiệm phân tích mượt mà và nhanh chóng.

2.1. Khó khăn trong quy trình ETL Extract Transform Load

Quy trình ETL (Extract, Transform, Load) là xương sống của bất kỳ dự án kho dữ liệu nào, nhưng cũng là nơi tiềm ẩn nhiều rủi ro. Thách thức đầu tiên là ở bước Trích xuất (Extract), khi phải kết nối và lấy dữ liệu từ các nguồn không đồng nhất (cơ sở dữ liệu, file, API). Bước Chuyển đổi (Transform) là phức tạp nhất, bao gồm các công việc như làm sạch dữ liệu (loại bỏ giá trị rỗng, trùng lặp), chuẩn hóa (đưa về cùng một định dạng), và làm giàu dữ liệu (kết hợp với các nguồn khác). Cuối cùng, bước Nạp (Load) dữ liệu vào kho dữ liệu cần được tối ưu hóa để không ảnh hưởng đến hiệu năng của hệ thống. Quản lý lỗi, theo dõi và đảm bảo tính toàn vẹn dữ liệu trong suốt quá trình ETL đòi hỏi các công cụ chuyên dụng và một chiến lược rõ ràng.

2.2. So sánh mô hình star schema và mô hình snowflake schema

Khi thiết kế data warehouse, việc lựa chọn mô hình dữ liệu là quyết định nền tảng. Mô hình star schema (lược đồ hình sao) là mô hình phổ biến nhất. Nó bao gồm một bảng fact (bảng sự kiện) ở trung tâm, chứa các số đo (measure), và được bao quanh bởi các bảng dimension (bảng chiều). Các bảng dimension không được chuẩn hóa, giúp giảm số lượng kết nối (join) khi truy vấn, từ đó tăng tốc độ xử lý. Ngược lại, mô hình snowflake schema (lược đồ bông tuyết) là một biến thể của star schema. Trong mô hình này, các bảng dimension được chuẩn hóa thành nhiều bảng nhỏ hơn. Điều này giúp giảm dư thừa dữ liệu và tiết kiệm không gian lưu trữ, nhưng lại làm cho các câu truy vấn trở nên phức tạp hơn và có thể chậm hơn do cần nhiều phép join. Lựa chọn mô hình nào phụ thuộc vào sự cân bằng giữa hiệu năng truy vấn và yêu cầu về quản lý dữ liệu.

III. Hướng dẫn xây dựng OLAP Cube với SQL Server Analysis Services

Xây dựng một khối OLAP Cube là bước trung tâm trong việc triển khai giải pháp phân tích kho dữ liệu. Quá trình này được thực hiện chủ yếu bằng công cụ SQL Server Data Tools (SSDT). Tài liệu nghiên cứu "Bài tập A13" đã minh họa chi tiết các bước này thông qua dự án SSAS_OlympicGames. Bước đầu tiên là tạo một dự án mới thuộc loại Analysis Services Multidimensional and Data Mining Project. Sau đó, cần định nghĩa Data Sources để kết nối SSAS với kho dữ liệu đã được chuẩn bị trước đó, trong trường hợp này là Olympic_DW. Tiếp theo, Data Source Views (DSV) được tạo ra để chọn các bảng cần thiết từ kho dữ liệu, bao gồm các bảng dimension (DIM_Athlete, DIM_Country,...) và bảng fact (FACT_Olympic). DSV hoạt động như một lớp trừu tượng, cho phép thêm các tính toán hoặc định nghĩa mối quan hệ logic mà không làm thay đổi cơ sở dữ liệu gốc. Cuối cùng, trình hướng dẫn Cube Wizard sẽ giúp tạo khối Cube bằng cách chọn bảng fact để xác định các số đo (measure) và tự động đề xuất các kích thước (dimension) từ các bảng liên quan. Sau khi Cube được tạo, cần phải xử lý (Process) nó để nạp dữ liệu và tính toán các giá trị tổng hợp, sẵn sàng cho việc truy vấn đa chiều.

3.1. Các bước tạo dự án trong SQL Server Data Tools SSDT

Việc triển khai dự án Analysis Services bắt đầu trong môi trường SQL Server Data Tools (SSDT), một phần của Visual Studio. Người dùng khởi tạo một dự án mới và chọn template Analysis Services Multidimensional and Data Mining Project. Bước này tạo ra một cấu trúc thư mục chuẩn, bao gồm các mục cho Data Sources, Data Source Views, Cubes, và Dimensions. Như trong tài liệu tham khảo, dự án được đặt tên là SSAS_OlympicGames. Việc thiết lập này tạo ra một không gian làm việc có tổ chức để quản lý tất cả các đối tượng liên quan đến mô hình phân tích, từ kết nối dữ liệu ban đầu đến khối OLAP Cube hoàn chỉnh.

3.2. Thiết kế OLAP Cube Định nghĩa Dimensions và Measures

Đây là bước quan trọng nhất trong việc xây dựng mô hình. Sau khi tạo Data Source View, trình Cube Wizard được sử dụng để thiết kế OLAP Cube. Đầu tiên, cần chọn bảng sự kiện (measure group table), ví dụ FACT_Olympic, từ DSV. Hệ thống sẽ tự động nhận diện các cột số trong bảng này và đề xuất chúng làm số đo (measure) trong OLAP, ví dụ Games Participations. Tiếp theo, trình hướng dẫn sẽ xác định các bảng liên quan đến bảng fact và đề xuất tạo các kích thước (dimension) trong OLAP tương ứng, như DIM_Athlete, DIM_Time, DIM_Location. Mỗi dimension chứa các thuộc tính (attributes) mô tả dữ liệu, ví dụ dimension DIM_Athlete có thể có các thuộc tính như Athlete Name, Year Birth. Việc định nghĩa chính xác các dimension và measure là nền tảng để thực hiện các truy vấn đa chiều có ý nghĩa.

3.3. Xử lý Process và triển khai dự án Analysis Services

Sau khi thiết kế OLAP Cube và các dimension, chúng chỉ là các định nghĩa metadata. Để có thể truy vấn, khối Cube cần được xử lý (Process). Quá trình xử lý sẽ đọc dữ liệu từ nguồn (Data Source), nạp vào cấu trúc đa chiều của Cube, và tính toán trước các giá trị tổng hợp (aggregations) theo thiết kế. Trong SSDT, người dùng có thể nhấp chuột phải vào đối tượng Cube và chọn Process. Quá trình này có thể mất một khoảng thời gian tùy thuộc vào khối lượng dữ liệu. Sau khi xử lý thành công, bước cuối cùng là triển khai dự án Analysis Services lên một máy chủ SSAS. Việc triển khai sẽ đẩy tất cả các đối tượng (Cube, dimensions, roles) lên server, cho phép các công cụ client như Excel hoặc Power BI kết nối và thực hiện phân tích.

IV. Phương pháp làm chủ ngôn ngữ truy vấn MDX cho người mới

MDX (Multidimensional Expressions) là ngôn ngữ truy vấn MDX chuyên dụng để lấy dữ liệu từ các khối OLAP Cube. Nó được thiết kế để làm việc với dữ liệu đa chiều, khác biệt hoàn toàn so với SQL làm việc với dữ liệu dạng bảng. Một truy vấn MDX cơ bản có cấu trúc SELECT ... ON COLUMNS, ... ON ROWS FROM [CubeName] WHERE .... Thay vì chọn các cột, MDX chọn các tập hợp (sets) thành viên của các dimension để đặt lên các trục (axes) như COLUMNS và ROWS. Ví dụ, để xem số lần tham gia Olympic theo từng vận động viên, người ta sẽ đặt tập hợp các vận động viên lên trục ROWS. Cú pháp MDX có vẻ phức tạp ban đầu, nhưng việc hiểu rõ các khái niệm cốt lõi như kích thước (dimension), hệ thống phân cấp (hierarchy), cấp độ (level), và thành viên (member) là chìa khóa để làm chủ nó. Các hàm như CrossJoin cho phép kết hợp các thành viên từ nhiều dimension khác nhau, trong khi các hàm như TopCount hay Filter giúp lọc và xếp hạng dữ liệu hiệu quả, tạo ra những báo cáo phân tích mạnh mẽ mà SQL khó có thể thực hiện được.

4.1. Tìm hiểu cú pháp MDX cơ bản và cấu trúc câu truy vấn

Để bắt đầu với ngôn ngữ truy vấn MDX, cần nắm vững cấu trúc cơ bản của một câu lệnh. Một truy vấn MDX điển hình bao gồm: SELECT <Axis specification> FROM [<Cube Name>] WHERE <Slicer specification>. Phần SELECT định nghĩa những gì sẽ được hiển thị trên các trục. Ví dụ, SELECT [Measures].[Games Participations] ON COLUMNS, [DIM Athlete].[Athlete Name].Members ON ROWS sẽ hiển thị số lần tham gia (measure) trên các cột và danh sách tên vận động viên (members của dimension Athlete) trên các hàng. Mệnh đề FROM chỉ định khối OLAP Cube cần truy vấn, ví dụ FROM [Olympic DW]. Mệnh đề WHERE hoạt động như một bộ lọc toàn cục, giới hạn phạm vi dữ liệu cho toàn bộ truy vấn, còn được gọi là slicer.

4.2. Phân biệt kích thước dimension và số đo measure

Trong phân tích kho dữ liệu và MDX, việc phân biệt rõ hai khái niệm này là bắt buộc. Kích thước (dimension) trong OLAP đại diện cho các khía cạnh mô tả của dữ liệu, là cơ sở để phân tích. Chúng trả lời cho các câu hỏi "Ai?", "Cái gì?", "Khi nào?", "Ở đâu?". Ví dụ trong dữ liệu Olympic, các dimension là [DIM Athlete], [DIM Country], [DIM Time]. Mỗi dimension chứa các thành viên (members). Ngược lại, số đo (measure) trong OLAP là các giá trị số, định lượng mà người dùng muốn phân tích, tổng hợp. Chúng trả lời câu hỏi "Bao nhiêu?". Ví dụ điển hình là [Games Participations]. Các measure thường được tổng hợp (SUM, COUNT, AVG) theo các dimension được chọn trong câu truy vấn MDX.

V. Cách ứng dụng SSAS MDX phân tích dữ liệu Olympic Games

Tài liệu nghiên cứu đã cung cấp nhiều ví dụ thực tiễn về việc sử dụng ngôn ngữ truy vấn MDX để phân tích kho dữ liệu Olympic. Các ví dụ này cho thấy sức mạnh của truy vấn đa chiều trong việc khai thác thông tin chi tiết. Chẳng hạn, truy vấn liệt kê số lần tham gia của các vận động viên sinh năm 1900 được thực hiện bằng cách lọc trên dimension [DIM Athlete] với điều kiện năm sinh. Một ví dụ khác phức tạp hơn là tìm 10 quốc gia có số vận động viên tham gia nhiều nhất. Truy vấn này sử dụng hàm TopCount để lấy ra 10 thành viên hàng đầu từ dimension [DIM Country], dựa trên giá trị của số đo (measure) [Games Participations], và sắp xếp chúng theo thứ tự giảm dần. Ngoài ra, việc sử dụng hàm CrossJoin cho phép kết hợp các điều kiện từ nhiều dimension khác nhau, ví dụ như liệt kê số lần tham gia của vận động viên theo mùa giải (Summer) và năm (2016) từ dimension [DIM Time]. Những ví dụ này không chỉ minh họa cú pháp MDX mà còn cho thấy khả năng của OLAP Cube trong việc trả lời các câu hỏi kinh doanh phức tạp một cách linh hoạt và hiệu quả.

5.1. Ví dụ truy vấn đa chiều số VĐV theo năm sinh quốc gia

Một ví dụ điển hình được trình bày là truy vấn số lần tham gia của các vận động viên từ một quốc gia cụ thể tại các địa điểm tổ chức khác nhau. Truy vấn SELECT [DIM Location].[Game Location].Members ON ROWS FROM [Olympic DW] WHERE [DIM Country].&[Argentina] cho thấy cách sử dụng mệnh đề WHERE để lọc toàn bộ dữ liệu chỉ cho quốc gia Argentina. Kết quả trả về một bảng liệt kê tất cả các địa điểm tổ chức và số lần tham gia của các vận động viên Argentina tại đó. Đây là một truy vấn đa chiều đơn giản nhưng mạnh mẽ, giúp nhà phân tích nhanh chóng có được cái nhìn tổng quan về sự hiện diện của một quốc gia qua các kỳ thế vận hội. Câu lệnh này minh họa cách MDX tập trung vào các khía cạnh (dimension) của dữ liệu.

5.2. Phân tích xếp hạng với hàm TopCount trong cú pháp MDX

Để thực hiện các báo cáo xếp hạng, cú pháp MDX cung cấp các hàm mạnh mẽ như TopCount. Truy vấn 10 quốc gia có số lượng vận động viên tham gia nhiều nhất là một ví dụ xuất sắc: SELECT TopCount([DIM Country].[Country Name].Members, 10, [Measures].[Games Participations]) ON ROWS FROM [Olympic DW]. Hàm TopCount nhận vào ba tham số: tập hợp các thành viên cần xếp hạng ([DIM Country].[Country Name].Members), số lượng kết quả mong muốn (10), và số đo (measure) dùng để xếp hạng ([Games Participations]). Kết quả là một danh sách được sắp xếp gọn gàng, cung cấp thông tin giá trị một cách nhanh chóng. Chức năng này rất hữu ích trong Business Intelligence để xác định các sản phẩm bán chạy nhất, nhân viên xuất sắc nhất, hoặc thị trường tiềm năng nhất.

Trích đoạn nội dung tài liệu

ĐẠI HỌC QUOC GIA TP.HO CHI MINH TRUONG DAI HOC CONG NGHE THONG TIN KHOA HE THONG THONG TIN £ BÀI TẬP A13 KHO DỮ LIỆU VÀ OLAP PHAN TICH KHO DU LIEU (QUA TRINH SSAS) VA NGON DU TRUY VAN MDX Giảng viên hướng dẫn: ThS. Đỗ Thị Minh Phụng Sinh viên thực hiện: Nguyễn Hữu Thắng 19522209 Trân Dương Thùy Ngân 19521889 TP. Hồ Chí Minh, tháng 2 năm 2022 * AL MUC LUC MUC LUC iii PHAN TICH KHO DU LIEU (QUA TRINH SSAS) VA NGON DU TRUY VAN MDX 1 1.1 Tạo project SSAS trong SQL Server Business Intelligence.- 1 IVAII II), iiệc lại. 2 IN II) ái, (cai.5 Thực hiện truy vấn.

nh HH HH HH HH ghe rao 18 DĐ 5. nh ha ääẽaiR 21 6. nnnnnHnH HH HH HH HH He ra 26 I5. in nh hs.

ch nh nh HH HH HH ke 38 PHAN TICH KHO DU LIEU (QUA TRINH SSAS) VA NGON DU TRUY VAN MD 1.1 Tao project SSAS trong SQL Server Business Intelligence Qua trinh SSAS Create a new project — Recent project temp Py tats All languages All platfomns x All project types EẦ_ Integraticn Sarvices Prcject lig? PMEDIBE Services Multidimensional and Date Mining Project BN or creating muttidim al and deta mining mo PREIMHE Services Tabular Project ect for creating tabular models. Import from Server (Multidimensional and Data Mining) amultidir and data mining proj e multi TUCK naar kes) G800 1 00000111.100 Query Language Azure Cloud is Steud Configure your new project Analysis Services Multidimensional and Data Mining Project eye teats SSAS_OlympicGames So (C:\Users\Administrator\source\repos $olution name @ SSAS_OlympicGames Place solution and project in the same directory 1.2 Tao Data Sources Xã New Data Source.— ta) Dimensions fa) Mining Structures ta) Roles 6Ì Assembilies fa) Miscellaneous Click chuột phai vao Data Sources, chon New Data Source. Select how to define the connection [J You can select from a number of ways in which your data source will define its connection string. > © Create a data source based on another object © Create a data source based on an existing or new connection Data connections: Data connection properties: Property Value New.

elete ẩ\ A valid connection must be selected. S Chon Data Connections là Data Warehouse đã trích xuất dữ liệu ở bài tập AI.2, Click Next bước tiếp theo §8 Connection Manager Provider: | Native OLE DB\SQL Server Native Client 11.0 | J Server name: THỊ —* | |Zera v Refresh % Log on to the server in A Sree i X: wyED Authentication: | Windows Authentication w All Username | Password; | | Save my password Connect to a database © Select or enter a database name: fOtympic DW] vị O Attach a database file: Browse. Logical name; Test Connection Cancel Help r = Data Source Wizard Select how to define the connection @) You can select from a number of ways in which your data source will define its connection string. © Create a data source based on another object © Create a data source based on an existing or new connection Data connections: Data connection properties: Property Value Data Source Zera Initial Catalog Olympic_DW Integrated Sec.

SSPI Provider SQLNCLI11. Delete < Back fw Data Source Wizard tion Information You can define what Windows credentials Analysis Services will use to connect to the data © Use a specific Windows user name and password User name Password © Use the service account © Use the credentials of the current user O Inherit < Back 1.3 Tao Data Source Views Solution Explorer @ 4ñ 6-7 #1 Ƒ. FT Solution 'SSAS_OlympicGames' (1 of1 project) 4 gia SSAS OlympicGames 4 Km] Data Sources fg Olympic DW.ds Ec Hản fal Cubes * ] New Data Source View. 6Ì Dimensi 6Ì Mining Structures rae Vitra 00.

Click chuột phai vao Data Source Views, chon New Data Source View. oO Data Source View Wizard 0 x Select a Data Source Select an existing relational data source or create a new one. Relational data sources: Data source properties: Prpety Value Data Source Zera Initial Catalog Olympic_DW Integrated Sec. SSPI Provider SQLNCLI11.1 New Data Source.

a — Cnc Chon Data Source vita tao 6 muc 2.2 [ O® Data Source View Wizard 0 x Select Tables and Views Select objects from the relational database to be included in the data source view. Available objects: Included objects: Name Type Name EB sysdiagrams (dbo) Table ? | FEDIM_Athlete (dbo) FB DIM_Country (dbo) < EA DIM_Game (dbo) FEA DIM_Host (dbo) FE DIM_Location (dbo) »> | FDIM_Time (dbo) << Add Related Tables {| Show svstem obiects < Back Finish Cancel ( Add table Fact, sau đó click Add Related Tables r LỀ Data Source View Wizard 0 x Completing the Wizard vs Provide a name, and then click Finish to create the new data source view. 1 < s & Name: < Back Next Cancel Debug Fo ‘ Ũ Window - Help De erred es 1.4 Tao Cubes ye) ~ F Solution 'SSAS_OlympicGames' (1 of1 project) 4 a SSAS_OlympicGames GÌ Data Sources @ Olympic DW.ds GÌ Data Source Views r# Olympic DW.dsv ta) Cubr rite „4 New Cube. =A rar tal Roles ta) Assemblies 6Ì Miscellaneous Click chuột phải vào Cubes, chọn New Cube.

© Cube Wizard Select Creation Method Cubes can be created by using existing tables, creating an empty cube, or generating tables in the data source. How would you like to create the cube? © Use existing tables ©) Create an empty cube © Generate tables in the data source Template: Non ne Description: Create a cube based on one or more tables in a data source. "“¬n¬ © Cube Wizard o x Select Measure Group Tables Select a data source view or diagram and then select the tables that will be used for measure groups. Data source view: Olympic DW v < Back Finish Cancel.

Chon Measure Group Tables © Cube Wizard Oo x Select Measures Select measures that you want to include in the cube. oa Measure Bi) [951172 {Bl FACT Olympic Count < Back Finish Cancel. 4 Chon Measures Chọn các Dimensions thực hiện câu truy van © Cube Wizard o Select New Dimensions Select new dimensions to be created, based on available tables. < Back Finish Cancel © Cube Wizard D Completing the Wizard Name the cube, review its structure, and then click Finish to save the cube.

BH [ul] FACT Olympic all FACT Olympic Count ©) ta] Dimensions UZ DIM Location IZ DIM Athlete DIM Time IZ DIM Host DIM Game Z DIM Country IZ FACT Olympic < Back Next Cancel Dat tén Cube Ð Caiolxtom ee ee eal rk pasa Hi d eT BH rau 'SSAS_OlympicGames' (1 of 1 project) Pin [ @e = 4 esc eTBe 4 Km Data Sources Ø8 Olympic DW.d= rT 4 &j Data SourceViews r# Olympic DW.dsv 1IÐ 4 KmÌ Cubes saBueu © Olympic DW.cube Pee aaa L⁄.dim Open DIM Time.dim Browse DIM Game.dim DIM Country.dim View Code (6/0220) 220) ⁄2 FACT Olympic.dim l View Designer Shift+F7 fal Mining Structures Add Business Intelligence. fal Roles 6Ì Assembiies Scope to This PsA ites oi. New Solution Explorer View Exclude From Project Cut Chay cac Dimentions: "1. = = oD atiete ic atiete_fl_nne aniete_yex_jeett ee ng _—=" “=——— Teen E ete eee pants) TT DỊ mm.

WN Te dim Desig —.—~ eee country coe any 3 ktter code mes S Slane) Ð Translations A Cl p- ‘1 Solution 'SSAS_OlympicGames' (1 of 1 project) 4 | Data5S [ EditDatabase “No, i Generate Relational Schema. 4 Km] DataS Show Deployment Progress IS AI) 4 fm) Cubes Process. Q Oh VI! la chớ L¿ DI Rebuild L¿ ĐI Deploy L¿ DI s PP A Scope to This L DI Z Dit EP New Solution Explorer View ý Dit Add Z FA. pee Manage NuGet Packages.

Pasi Se) (ors Boece Rae cat rae et Debug P= Sra Cut Ctrl+X Remove ar laa @ Process Cube - Olympic DW n x Object list: Object Name Type Process Options Settings [2] Obmpicow Cae CC MRRRM CC Remove Impact Analysis. Batch Settings Summary Processing order: Parallel Transaction mode: (Default) Dimension errors: (Default) Dimension key error log path : (Default) Process affected objects: Do not process Change Settings. @ Process Progress — o le oO Command = & Processing Cube ‘Olympic DW’ completed. b, Start time: 4/24/2022 4:05:49 PM; End time: 4/24/2022 4:05:49 PM; Duration: 0:00:00 | = [ul] Processing Measure Group 'FACT Olympic’ completed.

Status: @ Process succeeded. Reprocess Copy Close Help 1.5 Thực hiện truy vấn 1.1 Truy vẫn 1 Liệt kê số lần tham gia thế vận hội Olympic Games các vận động viên có năm sinh bằng 1900.Members on Rows From [Olympic Dw] Where [DIM Athlete].&[1900]; 110% + BiH Messages fH Results vo Al Aame Aatami PEUSSA Achille SOUCHARD Adolfo SCHLEGEL Albert AESCHMANN Alberto CAVALLERO Alfred Harold HOPKINS Affredo DINALE Alfredo PORZIO Amaury DE LA MOUSSAYE André LAUSEIG Anton ZWERINA Antoni CEJZIK Antonin SVOBODA Antonio MARTINS GUIMARAES Amas Rikkarti KINNUNEN Arthur PORRITT Arthur REINMANN Atturs MOTTMILLERS Arvo HAAVISTO 1.3 Pivot Excel Athlete Year Birth 1900 WT Nhãn Hàng xi Games Participations Aarne Aatami PEUSSA MB Achille SOUCHARD B Adolfo SCHLEGEL ee 0Ð B Albert AESCHMANN Alberto CAVALLERO Alfred Harold HOPKINS Alfredo DINALE Alfredo PORZIO Amaury DE LA MOUSSAYE André LAUSEIG Anton ZWERINA Antoni CEJZIK ® Antonin SVOBODA M Antonio MARTINS GUIMARAES — AD Armas Rikkarti KINNUNEN wWOrRArRNN F&F WK AH Arthur PORRITT Arthur REINMANN Arturs MOTTMILLERS Arvo HAAVISTO Asanosuke MATSUI AF Beatrix LOUGHRAN Bertil FASTEN Bino BINI Bohumil STINNY Brutus Kerr HAMILTON Carlos ABARCA GONZALEZ Cecil Charles MCMASTER Charles JEWTRAW Charles PADDOCK e PrPAOrRRN Christopher HUDSON Clarence PINKSTON e Constant BUCHER @ Cornelis HEEREN lễ Dialma BASEGLIA es 1.2 Truy vin 2 Liệt kê số lần tham gia thế vận hội Olympic Games mùa hè của các vận động viên trong năm 2016 1.1 Manual Hererchy Operator Fiter Expression co Game Season Equal {Summer} = đŠ Gane vear Equal {2016} * “Select dmension> “All> i3 cược cu GaneSeason Gemes Participations = eal Measures 2 Ie FACT. Clype: Agron ROYLE 2 adj Games Participations babe! YESHANEH 1 Abad HaDIS 1 Abbas QA 2 Abbey WEITZEIL = Summer 4 Abbos RAKHWO. Summer 1 Abdsiaati IGUIDER Summer 3 Abdel AZZ ME+E.

Summer 1 Abdelhafid BENC. Summer 4 Abdekader CHADT Summer 3 Abdallebir CUA. Summer 2 Ahdalatf Moha. Summer 1 bi ÙỂ FACT Qua Abd Hakin ULAD — Summer 2 Abd NAGEEYE Summer 2 Abdou Khadre M.

Summer 2 Abdi OMAR Summer 1 Abduaziz ALSHA. Summer 1 Abdukedit ABOU. Summer 1 Abdullah ALRAS Summer 6 1.Members on Rows From [Olympic Dw] Where CrossJoin([DIM Time]. RAHUL A Baser WASIQI A.

MILLER Aage Avaldorff MEYER Aage Ingvar ERIKSEN Aage JUSTESEN Aage MYHRVOLD Aage RASMUSSEN Aage RUBAEK-NIELSEN Aage STEEN Aage STORHAUG Aagje Ada KOK Aagje VANWALLEGHEM Aagot NORMANN 1. Abdelkhalek ELBANNA Summer 7 2016 WT xi Games Participations DN Bi BR NY eR WwW HY PB Ww em Abdelkebir OUADDAR NYDN W Abdelkhalek ELBANNA | ee Abdellatif Mohamed Ahmed MOHAMED L®) RNY IÑ Abdelmajid EL HISSOUF tem Abderrahmane BENAMADI RB ee Abderrahmane MANSOURI RP s5 Abdii Hakin ULAD NY te Abdi NAGEEYE NY RP ez™ Abdoulrazak ISSOUFOU ALFAGA NY a Abdul OMAR RFP em Abdulaziz ALSHATTI FP 8 Abdulkadir ABDULLAYEV PP im Abdullah ALRASHIDI Œ cu Abdullah Hel BAKI kì EEÄ Abdullo TANGRIEV + 1.3 Truy vẫn 3 Tổng số vận động viên đã tham gia vào thế vận hội Olympic Games 2020 tại Nhật Bản 1.1 Manual DIM Athicte.dim [Design] PHI © rÍt Calculations KPIS ÿ# Aclons 2° Aggrecations (9) Perso=cles ế?