This work investigates the problem of company not able to handle it’s data analysis using Navision Attain tools alone. A more powerful system is needed, and Microsoft SQL Server OLAP tools are selected as such. The work carried out covers data extraction, transformation and loading (ETL) for analyzing Navision Attain data using OLAP data analysis tools. Different integration architectures, as well as needed transformations and most often encountered problems are covered, together with possible solutions to them.. After completing business process analysis, and identifying user roles and required data, four different data cube were created on data from Navision Attain. Namely cubes for sales analysis, purchase analysis, item inventory tracking and customer debt analysis. In addition, an example schedules for cube updating are created, and wider usage guidelines are provided. The complete system is then optimised to provide efficient performance and low main system load. The optimisation results are compiled into generic suggestions for further analysis system development.

Duomenų kubo konstravimas yra laikui ir kompiuteriniams resursams imlus procesas. Nepaisant to, šis darbas turi būti atliktas norint pasinaudoti greitų užklausų iš ypatingai didelių OLAP kubų teikiamais privalumais . Telekomunikacijų bendrovės surenka didelius duomenų kiekius apie įvykius telekomunikaciniuose tinkluose. Kiekviena duomenų porcija aprašo daug informacijos (pavyzdžiui: paslaugos tipą, iniciatorių, gavėją, pradžios laiką, trukmę, perduotų duomenų kiekį, skambučio kryptį, kainą, tinklo sąsajos adresą ir t.t.). Mobiliojo ryšio rinkoje yra įprasta apdovanoti kiekvieną abonentą tam tikru prizu (pinigais, nuolaidomis ar nauju mobiliuoju telefonu) mainais į 24 mėnesių sutartį naudotis konkretaus operatoriaus paslaugomis. Taigi kas 24 mėnesius abonentas turi galimybę pakeisti paslaugos teikėją. Tam, kad ryšio operatorius išlaikytų savo klientus, už sutarties pratęsimą taip pat turi pasiūlyti dovaną. Kad būtų galima tai atlikti nepatiriant finansinių nuostolių – mobiliojo ryšio operatorius privalo žinoti kiekvieno abonento naudojimosi paslaugomis statistiką. Šiame dokumente aprašoma pora būtų kaip pakeisti duomenų pirminį vaizdą (struktūrą ir sudėtį) siekiant pagreitinti duomenų kubų konstravimo procesą. Vienas šių metodų – duomenų agregavimas iki didžiausio, vis dar tinkamo analizei, lygio. Kitas metodas – tai lėtai kintančių kubo dimensijų sintezavimas taip sumažinant kubo dydį ir pagreitinant jo kūrimą. / Data cube pre computing is time and computer resources consuming task. In spite of this it needs to be done in order to construct an OLAP cube to take advantage of fast querying in data sets enormous in its sizes. Telecommunication industries collect huge amount of data about events in its networks. Every data portion holds a lot of information (i.e. service type, originator, receiver, time for start, duration, data volume, calling direction, cost, network interface address, etc.). In mobile telecommunication industries it is common to award each customer / subscriber by some prize (money, cell phone, discount to services and so on) in return of 24 month obligation to use one’s services. So, every 24 months subscriber gains ability to choose another telecommunication network. In order to maintain stable amount of subscribers’ service provider must offer something in return. In order to do that correctly, without financial loses, one must know exact usage statistics of each subscriber. This paper covers couple tips to arrange data in data warehouses (data marts) in order to achieve greater data cube pre processing speed. One of these methods covers partial data aggregation to highest degree, still sufficient to answer specific queries. Another method shows the ability to synthesize data cube dimensions in order to lower data volumes, that data cube pre calculation could take less time.