Робота присвячена розробці моделі вирішення задачі інтелектульного аналізу зведених показників, добутих із багатовимірних структур даних, а саме досягнення семантичної кластерізації і аналізу об’єктів, представлених агреговними показниками, з урахуванням внутрішньої диференціації фактів, на основі яких досягається агрегація. Розроблена модель включає в себе запропонований спосіб генерації вхідних даних із OLAP куба, адаптованих до кластерного аналізу, вибір оптимального алгоритму кластеризації, найбільш оптимального в контексті данної задачі, та систему показників оцінки якості кластерного аналізу для вибору найбільш семантичного варіанту розділення на групи. За допомогою лінійки продуктів Microsoft було створено програму ілюструючу практичну важливість запропонованих концепцій. Метою даної роботи є набуття практичних навичок роботи з інтелектуальним та оператиіним аналізом даних та їх сумісною інтеграцією. СИСТЕМИ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ, ІНТЕЛЕКТУАЛЬНИЙ І ОПЕРАТИВНИЙ АНАЛІЗ, БАГАТОВИМІРНІ СТРУКТУРИ ДАНИХ, ІЄРАРХІЧНА КЛАСТЕРІЗАЦІЯ, МЕТОД УОРДА The work is devoted to developing models for solving the problem of data mining on aggregated values, extracted from multidimensional data structures, namely the achievement of semantically deep clustering and analysis of objects presented by set of aggregated values with taking onto account internal differentiation of the facts on which the aggregation is built. The model includes a proposed method of generating input data from OLAP cube adapted to cluster analysis, the choice of optimal clustering algorithm the most suitable for the context of the problem, and a set of indicators to measure the quality of cluster analysis to select the best splitting case split into groups. Also there were built a program to illustrate the practical value of the proposed concepts. DECISION SUPPORT SYSTEM, DATA MINING, OLAP; DATA WAREHOUSE, MULTIDIMENSIONAL DATA STRUCTURES, DATA MINING; AGGREGATION; AGGLOMERATIVE HIERARCHICAL CLUSTERING, EVALUATION OF AGGREGATES
