데이터 웨어하우스 | OLAP |
---|---|
잠재적인 모든 유형의 질의 대처 | 특화된 분석용 |
Very Large, highly detailed data | Large, Lightly detailed data |
읽기 전용 | 읽기 / 쓰기(Planning, Budgeting) |
구분 | OLTP | OLAP |
---|---|---|
데이터의 구조 | 복잡 (운영 시스템 계산에 적합) | 단순(사업 분석에 적합) |
데이터의 갱신 | 순간적/동적 | 주기적/정적 |
응답 시간 | 2, 3 초 ~ 몇 초 이내 | 수 초 ~ 몇 분까지도 가능 |
데이터의 범위 | 과거 30 일 ~ 90 일 | 과거 5 년 ~ 10 년 |
데이터 성격 | 정규/핵심 업무 데이터, mission critical 데이터 | 비정규/read-only 데이터,index 에 의존 |
데이터의 크기 | 수 Giga Byte | 수 Tera Byte |
데이터의 내용 | 현재 데이터 | 기록 보관된, 요약/계산 데이터 |
데이터 특성 | 거래처리(transaction) 중심 | 주제(subject) 중심 |
데이터 액세스 | 빈도 높음 | 보통 혹은 낮음 |
데이터의 사용법 | 고도로 구조화된 연속 처리 | 고도로 비구조화 된 분석 처리 |
쿼리의 성격 | 예언 가능, 주기적 | 예측하기 어렵고, 특수하다 |
MOLAP | OLAP |
---|---|
다차원 OLAP(MDB기반의 OLAP), Real Data Cube | 관계형 OLAP(RDB기반의 OLAP), Virtual Data Cube |
다차원 data view를 미리 정의한 후 질의 수행 (예:영업실적을 제품/브랜드/계절 /가계별로 검색 후 질의 수행) | 강력하고 유연한 질의 기능 확장성 있는 다차원 구조 |
drill-down/pivoting/복잡한 회계연산 구현 가능 | 복잡한 회계연산 구현 불가 |
많은 공간 차지 (기본량의 5~10배 이상), 대용량 처리 불가 | 적은 공간 차지(기본량의 2배 이내), 대용량 처리 가능 |
차원 수와 값이 많아지면, 큐브(cube) 크기가 기하급수적으로 증가 | 차원 수와 관계없이 처리 |
그대로 다차원 분석 가능 | 다차원 분석을 위해서 데이터 모델링을 수행하는 스타 a.스키마(Star Schema), 스노우플레이크 b.스키마(Snowflake Schema) 필요 |
사용자 요구 변경 시 재 구축 | 사용자 요구 변경 시 쉽게 대처 |
재무 Application에 적합 | 끊임없이 데이터가 갱신되는 POS(Point Of Sales) S/W 등의 마케팅 애플리케이션(Application) 에 적합 |