เซิร์ฟเวอร์ OLAM ดำเนินการ Analytical Mining ใน Data Cubes อย่างไร้รูปแบบเดียวกับ OLAP Server ที่ทำ Online Analytical Processing กลไก OLAM และ OLAP ที่บูรณาการ (Integrated) โดยที่ OLAM และ OLAP Servers ทั้งคู่รับคำขอ/คำสั่งออนไลน์ของผู้ใช้ (User Online Queries/Commands) ผ่าน Graphical User Interface API และทำงานกับ Data Cube ในการวิเคราะห์ข้อมูลผ่าน Cube API
Metadata Directory 可用于 指导 Data Cube 的存取 Data Cube 可以通过 MDDB API 访问和集成多个数据库 并通过 Database API 过滤 Data Warehouse 该 API 可以提供 OLE DB 或 ODBC 连接
เนื่องจาก OLAM Server สามารถดำเนินการ Data Mining Tasks หลายอย่าง เช่น Concept Description, Association, Classification, Prediction, Clustering, Time-series Analysis ฯลฯ มันโดยทั่วไปรวมโมดูล Data Mining หลายโมดูลที่บูรณาการ และซับซ้อนกว่า OLAP Server
OLAM Engine สามารถดำเนินการ Data Mining Tasks หลายอย่าง เช่น Concept Description, Association, Classification, Prediction, Clustering, Time-series Analysis ดังนั้น มักประกอบด้วย Data Mining Modules หลายๆ ที่บูรณาการ ทำให้ซับซ้อนกว่า OLAP Engine ไม่มีความแตกต่างพื้นฐานระหว่าง Data Cube ที่ต้องการสำหรับ OLAP และ OLAM แม้ OLAM Analysis อาจต้องการ Data Cube Construction และ Accessing Tools ที่ทรงพลังมากกว่า
กรณีนี้เกิดขึ้นเมื่อ OLAM เกี่ยวข้องกับมิติมากกว่า (More Dimensions) ที่มี Granularity ละเอียดกว่า (Finer Granularities) หรือเกี่ยวข้องกับ Discovery-driven Exploration ของ Multi-feature Aggregations บน Data Cube ซึ่งต้องการมากกว่า OLAP Analysis อีกด้วย เมื่อ Exploratory Data Mining ระบุจุดน่าสนใจ (Interesting Spots) OLAM Engine อาจต้อง Drill-through จาก Data Cube เข้าไปใน Relational Databases ที่สอดคล้อง เพื่อวิเคราะห์รายละเอียดของส่วนเฉพาะของข้อมูล
กระบวนการ Data Mining อาจเปิดเผยว่า Dimensions หรือ Measures ของ Cube ที่สร้างขึ้น ไม่เหมาะสมสำหรับการวิเคราะห์ข้อมูล ที่นี่ Refined Data Cube Design อาจปรับปรุงคุณภาพการสร้าง Data Warehouse
Data Mining ที่มีประสิทธิภาพต้องการ Exploratory Data Analysis ผู้ใช้มักต้องการ: Traverse ผ่าน Database, Select ส่วนข้อมูลที่เกี่ยวข้อง, Analyze ที่ Granularities ต่างๆ, และ Present Knowledge/Results ในรูปแบบต่างๆ
Online Analytical Mining ให้สิ่งอำนวยความสะดวกสำหรับ Data Mining บน Subsets ต่างๆ ของข้อมูล และที่ Levels of Abstraction ต่างๆ สามารถทำได้โดย Drilling, Pivoting, Filtering, Dicing, และ Slicing บน Data Cube และผลลัพธ์ Data Mining ระหว่างทาง ร่วมกับ Data/Knowledge Visualization Tools สามารถเพิ่มพลังและความยืดหยุ่นของ Exploratory Data Mining ได้อย่างมาก
