OLAM ย่อมาจาก Online Analytical Mining เรียกอีกอย่างว่า OLAP Mining บูรณาการ Online Analytical Processing กับ Data Mining และการทำเหมืองความรู้ในฐานข้อมูลหลายมิติ (Multi-dimensional Databases) มีหลาย Paradigms และโครงสร้างของระบบ Data Mining
เครื่องมือ Data Mining หลายอย่าง ต้องทำงานบนข้อมูลที่ Integrated, Consistent, และ Cleaned ซึ่งต้องการ Pre-processing ที่มีต้นทุนสูงสำหรับ Data Cleaning, Data Transformation, Data Integration ดังนั้น Data Warehouse ที่สร้างโดย Pre-processing ดังกล่าว ทำหน้าที่เป็นแหล่งข้อมูลคุณภาพสูง (High-quality Data) ที่มีค่าสำหรับ OLAP และ Data Mining ทั้งคู่ Data Mining ยังสามารถเป็นเครื่องมือที่มีค่าสำหรับ Data Cleaning และ Data Integration ได้
เหตุผลที่ OLAM สำคัญ
1. คุณภาพข้อมูลสูงใน Data Warehouses
เครื่องมือ Data Mining ส่วนใหญ่ต้องทำงานบนข้อมูล Integrated, Consistent, Cleaned ต้องการ Data Cleaning, Integration, Transformation ที่มีต้นทุนสูงเป็น Pre-processing Data Warehouse ที่สร้างโดย Pre-processing เหล่านี้ ทำหน้าที่เป็นแหล่งข้อมูลคุณภาพสูงที่มีค่าสำหรับ OLAP และ Data Mining Data Mining ยังเป็นเครื่องมือมีค่าสำหรับ Data Cleaning และ Integration
2. โครงสร้างพื้นฐานการประมวลผลข้อมูลรอบๆ Data Warehouses
โครงสร้างพื้นฐานการประมวลผลและวิเคราะห์ข้อมูลที่ครอบคลุม (Comprehensive) ได้ถูกสร้างหรือจะสร้างอย่างเป็นระบบ รอบๆ Data Warehouses ซึ่งรวมถึง: การเข้าถึง (Accessing), การบูรณาการ (Integration), การรวมศูนย์ (Consolidation), การแปลง (Transformation) ของฐานข้อมูล Heterogeneous หลายๆ แห่ง, ODBC/OLE DB Connections, Web-accessing และ Service Facilities, การรายงาน (Reporting) และเครื่องมือ OLAP Analysis ควรใช้ประโยชน์จากโครงสร้างพื้นฐานที่มีอยู่ให้เต็มที่ แทนที่จะสร้างทุกอย่างจากศูนย์
3. OLAP-based Exploratory Data Analysis
Data Mining ที่มีประสิทธิภาพ ต้องการ Exploratory Data Analysis ผู้ใช้จะต้อง: Traverse ผ่าน Database, Select พื้นที่ข้อมูลที่เกี่ยวข้อง, Analyze ที่ Granularities หลายระดับ, และ Present Knowledge/Results ในหลายรูปแบบ
Online Analytical Mining ให้สิ่งอำนวยความสะดวกสำหรับ Data Mining บน Subsets หลายๆ ของข้อมูล และที่ Levels of Abstraction หลายระดับ โดย Drilling, Pivoting, Filtering, Dicing, Slicing บน Data Cube และ Intermediate Data Mining Results
4. On-line Selection of Data Mining Functions
รองรับผู้ใช้ที่ไม่เข้าใจว่าต้องการทำเหมืองความรู้ประเภทไหน โดยบูรณาการ OLAP กับ Data Mining Functions หลายอย่าง Online Analytical Mining ให้ความยืดหยุ่นแก่ผู้ใช้ในการเลือก Data Mining Functions ที่ต้องการ และสลับ Data Mining Tasks แบบไดนามิก (Dynamically)
