एक OLAM सर्वर डेटा क्यूब में विश्लेषणात्मक खनन करता है, इसी तरह जैसे OLAP सर्वर ऑनलाइन एनालिटिकल प्रोसेसिंग करता है। एक एकीकृत OLAM और OLAP तंत्र, जहां OLAM और OLAP सर्वर दोनों एक ग्राफिकल यूजर इंटरफेस API के माध्यम से उपयोगकर्ता ऑनलाइन क्वेरी (या कमांड) स्वीकार करते हैं और क्यूब API के माध्यम से विश्लेषण में डेटा क्यूब के साथ काम करते हैं।
एक मेटाडेटा निर्देशिका का उपयोग डेटा क्यूब की पहुंच को निर्देश देने के लिए किया जा सकता है। डेटा क्यूब को MDDB API के माध्यम से कई डेटाबेस तक पहुंच और एकीकरण द्वारा और डेटाबेस API के माध्यम से डेटा वेयरहाउस को फ़िल्टर करके बनाया जा सकता है जो OLE DB या ODBC कनेक्शन प्रदान कर सकता है।
चूंकि एक OLAM सर्वर कई डेटा माइनिंग कार्य कर सकता है, जिसमें अवधारणा विवरण, सहसंबंध, वर्गीकरण, भविष्यवाणी, क्लस्टरिंग, समय-श्रृंखला विश्लेषण आदि शामिल हैं। इसमें आमतौर पर कई एकीकृत डेटा माइनिंग मॉड्यूल शामिल होते हैं और यह OLAP सर्वर की तुलना में अधिक परिष्कृत होता है।
एक OLAM इंजन कई डेटा माइनिंग कार्य कर सकता है, जैसे अवधारणा विवरण, सहसंबंध, वर्गीकरण, भविष्यवाणी, क्लस्टरिंग, और समय-श्रृंखला विश्लेषण। इसलिए, इसमें आमतौर पर कई एकीकृत डेटा माइनिंग मॉड्यूल होते हैं, जो इसे OLAP इंजन की तुलना में अधिक परिष्कृत बनाते हैं। OLAP के लिए आवश्यक डेटा क्यूब और OLAM के लिए आवश्यक डेटा क्यूब में कोई मौलिक अंतर नहीं है, हालांकि OLAM विश्लेषण के लिए अधिक शक्तिशाली डेटा क्यूब निर्माण और एक्सेस टूल की आवश्यकता हो सकती है।
यह मामला है जब OLAM में बेहतर ग्रैन्युलैरिटी के साथ अधिक आयाम शामिल होते हैं या डेटा क्यूब पर मल्टी-फीचर एग्रीगेशन की खोज-संचालित खोज शामिल होती है, जिससे OLAP विश्लेषण से अधिक की आवश्यकता होती है। इसके अलावा, जब खोजपूर्ण डेटा माइनिंग दिलचस्प स्थानों की पहचान करता है, तो OLAM इंजन को डेटा क्यूब से संबंधित रिलेशनल डेटाबेस में विस्तृत विश्लेषण के लिए ड्रिल-थ्रू करने की आवश्यकता हो सकती है।
यह मामला है जब OLAM में बेहतर ग्रैन्युलैरिटी के साथ अधिक आयाम शामिल होते हैं या डेटा क्यूब पर मल्टी-फीचर एग्रीगेशन की खोज-संचालित खोज शामिल होती है, जिससे OLAP विश्लेषण से अधिक की आवश्यकता होती है। इसके अलावा, जब खोजपूर्ण डेटा माइनिंग दिलचस्प स्थानों की पहचान करता है, तो OLAM इंजन को डेटा क्यूब से संबंधित रिलेशनल डेटाबेस में विस्तृत विश्लेषण के लिए ड्रिल-थ्रू करने की आवश्यकता हो सकती है।
इसके अलावा, एक डेटा माइनिंग प्रक्रिया यह प्रकट कर सकती है कि निर्मित क्यूब के आयाम या माप डेटा विश्लेषण के लिए उपयुक्त नहीं हैं। यहां, एक परिष्कृत डेटा क्यूब डिजाइन डेटा वेयरहाउस निर्माण की गुणवत्ता में सुधार कर सकता है।
प्रभावी डेटा माइनिंग के लिए खोजपूर्ण डेटा विश्लेषण की आवश्यकता होती है। उपयोगकर्ता अक्सर डेटाबेस के माध्यम से पार करना चाहते हैं, प्रासंगिक डेटा के भागों का चयन करते हैं, उन्हें विभिन्न ग्रैन्युलैरिटी पर विश्लेषण करते हैं, और ज्ञान/परिणामों को विभिन्न रूपों में प्रस्तुत करते हैं।
ऑनलाइन एनालिटिकल माइनिंग डेटा के विभिन्न उपसमुच्चयों पर और अमूर्तता के विभिन्न स्तरों पर डेटा माइनिंग के लिए सुविधाएं प्रदान करता है। यह डेटा क्यूब और मध्यवर्ती डेटा माइनिंग परिणामों पर ड्रिलिंग, पिवटिंग, फ़िल्टरिंग, डाइसिंग, और स्लाइसिंग द्वारा इसे प्राप्त कर सकता है। यह, डेटा/ज्ञान विज़ुअलाइज़ेशन टूल्स के साथ मिलकर, खोजपूर्ण डेटा माइनिंग की शक्ति और अनुकूलनशीलता को अत्यधिक बढ़ा सकता है।
