doc. dr. Tomislav Rozman

tomislav.rozman@net.doba.sitomislav.rozman@bicero.com

www.bicero.comTwitter: @tomirozman

LinkedIn: http://si.linkedin.com/in/tomislavrozman

DOBA, Fakuteta za uporabne poslovne in družbene študije Maribor

Vsebina

1. Uvod v poslovno informatiko2. Poslovni informacijski sistemi3. Sistemi za podporo upravljanja4. E-poslovanje5. PIS in strateško načrtovanje v podetju6. Razvoj PIS (1. del - inf. analiza)7. Management poslovne informatike

2. sklop

Podpora upravljanju in odločanju

Informacijska analiza

Odločanje

● racionalno-analitično○ zavestno, sistematično, preučitev vseh alternativ○ (-) ni možno preučiti vseh alternativ in posledic○ (+) možna podpora IT

● intuitivno-emocionalno○ izkušnje, nezavedno, brainstorming○ težavno podpreti z IT

● vedenjsko-preudarno○ upoštevanje pritiskov ljudi○ zadovoljevanje velikega št. zahtev○ kompromis○ kombinacija 1. in 2. (analiza+ljudje)

Vir: [Laudon 1998, 133-139]

Upravljanje na podlagi analitičnih informacij● Direktorski IS = IS ki prikazuje KPI (key

performance indicators)○ KPI = ključni kazalniki poslovanja

■ KPI pridobimo iz podatkovnega skladišča● podatkovno skladišče = preoblikovana podatkovna baza

○ podatkovna baza = strukturirani podatki iz poslovanja

● Primeri KPI:○ št. prodanih izdelkov / lokaciji, vrsti, ○ RVC po prodajalcu, projektu, poslovni enoti○ povprečni časi: obdelave zahtevka stranke, izdelave

izdelka, izvedbe storitve○ št. naročil,...

Od elementarnega podatka do KPI

Direktorski (analitični IS)Transakcijski (operativni IS)

Podatkovna baza (E-R)

Podatkovno skladišče (zvezda, snežinka)

prenos podatkov, denormalizacija(dnevno ~ realni čas)

OLAP strežnik

analitična povpraševanje

anal

itičn

a po

roči

la

Odjemalci (PC, POS, dlančniki, druge vhodne naprave, proizvodnja)

Aplikativni strežnik (npr. ERP, CRM, proizvodni, ...)

vhodni podatki

prep

rost

a po

roči

la

povpraševanjai

vhodni podatki

Osnova vsega: poslovni model

Vir: http://en.wikipedia.org/wiki/File:Data_modeling_context.svg

Podatkovni model

Informacijska analiza

● Cilj informacijske analize: priprava strukture podatkovne baze

● Vhodni podatki v informacijsko analizo: ○ vsi podatki, povezani s poslovanjem:

■ stranke, izdelki, storitve in povezni podatki○ ideje za vnosne obrazce○ ideje za poročila○ obstoječi obrazci in predloge (papirni)

● Rezultat: podatkovni model (E-R model), podatkovna kocka (zvezdasta ali snežinkasta struktura)

Osnova: E-R podatkovno modeliranje● Osnovni koncepti:

○ entiteta■ atribut

● enolični identifikator■ podatkovni tip atributa

● tekst, število, datum, naštevni, BLOB,...○ relacija

■ kardinalnost● 1:1, 1:m, n:m● obvezno, opcijsko

● Primer:○ 1 avtor izvaja več pesmi

Vir: http://en.wikipedia.org/wiki/Entity_relationship_model

E-R, primeri

● Entitete: ○ oseba, kupec, izdelek, nepremičnina, bolezen,

storitev, transakcija, naslov,...● Atributi:

○ oseba (ime, priimek, spol, datum rojstva, davčna, emšo,...)

○ bolezen (kronična, datum pričetka, št. ponovitev, zdravila)

E-R podatkovni tipi

● Podatkovni tipi:○ besedilo (ime), številka (hišna številka), boolean

(da/ne), datum (1.1.2012), naštevni tip (rdeč, črn, zelen), BLOB - Binary Large OBject (datoteka, priponka, slika)

● Relacije:○ mrežna struktura○ glagol, glagolnik (ima, proda, stanuje, zaposluje,

zdravi,...)○ tudi relacije imajo lahko atribute (glej naslednjo

prosojnico - performs)!

E-R model, pretvorba iz konceptualnega v fizični model

ID Artist

Ime Priimek

1 Bob Dylan

2 Bob Marley

ID Song

Naslov Zvrst

1 Blowing in the wind blues

2 I shoot the ... reggae

3 No woman no .. reggae

ID Artist ID Song koncert

1 1 Woodstock '69

2 2 Jamaica 81'

2 3 Jamaica 81'

Tabela Artist (pevec)Tabela Song (pesem)

Tabela Performs (izvaja)

pretvorba iz konceptualnega

v fizični podatkovni

model

entitete in relacije postanejo tabele

E-R vzorci: atribut ali entiteta?Primer: "Naslov"Je to atribut entitete 'kupec' ali je to ločena entiteta?Oseba

+ID Osebe+Ime+Priimek+Ulica+Hišna ševilka+Pošta

Oseba

+ID Osebe+Ime+Priimek

Naslov

+ID Naslova+Ulica+Hišna ševilka+Pošta+Stalni (da/ne)+Sedež (da/ne)+Dostava (da/ne)

E-R model, kardinalnosti

Kardinalnost = udeleženost entitete v relaciji (število primerkov)

● (0,1,n) -------------- (0,1,n)

● Primer:○ avtor izvede 0 ali več pesmi○ pesem ima 1 (in samo 1) avtorja

12

3

smer branja

smer branja

123

Primer podatkovnega modela

Entitete:● stranka● izdelek● konkurent● poslovna enota● naše podjetje● zaposleni

Primeri...

Pripravi podatkovni model za:● zdravniško ordinacijo● nepremičninsko agencijo● izobraževalno ustanovo● trgovino● banko● občino

Podatkovne baze

● Zakaj E-R model?○ prevorba v fizično podatkovno bazo (MS Access,

Oracle, MS SQL, MySQL, PostGreSQL...)○ standardiziran povpraševalni jezik: SQL

■ SELECT * FROM Oseba WHERE Starost>20■ INSERT■ UPDATE

● Naslednji korak?○ uporabniški vmesnik za polnjenje PB

■ ... da ne vnašamo podatkov ročno (insert) ali kot pri Excelu

○ Poročila - povpraševanja po PB■ ... da ne pišemo ročno povpraševanj (select)

Podatkovno modeliranje v Aris ExpressZagon orodja in izbira tehnike modeliranja:

Podatkovno modeliranje v Aris Express

Aris Express delovna površina

delovna površina

orodjarna (entitete, atributi, povezave)

klasične MsOffice kontrole

drag &

drop

podatkovni model (ali najdeš napako?)

Večdimenzionalna analiza 1

● Poanta:○ pretvorba iz E-R modela v večdimenzionalno

podatkovno kocko○ Zakaj? Hitrejše branje podatkov,

povpraševanja in izdelava analize. Samo zato.● Postopek:

○ E-R model denormaliziramo:■ 1 tabela z dejstvi, nanjo vežemo 'dimenzije'

● Osnovni pojmi:○ dejstvo○ dimenzija○ hierarhija

Razlika med podatkovno bazo in podatkovnim skladiščem

Vir: http://wiki.fmf.uni-lj.si/wiki/OLAP

Baza podatkov Skladišče podatkov

- podpira delo s podatki - podpira analizo s podatki

- vnos in branje podatkov - branje podatkov

- dinamično spreminjanje vsebine - podatki so statični, le občasno ažuriranje

- struktura se redko spreminja - strukturo prilagajamo potrebam

- veliko uporabnikov - malo uporabnikov

- transakcijske obdelave - analitične in sintetične obdelave

- vnaprej določeni izpisi ali poizvedovanja s SQL - za analize, korelacije, statistike, OLAP

Podatkovna kockaPrenos podatkov iz PB v PS:● 1x dnevno● 1x /uro● v NRT (near-real time)

Primer:○ dejstva prodaje (1 entiteta z atributi kot npr: količina, cena, vrednost,

popust, davek, RVC,...)○ dimenzije / entitete:

■ čas (leto, polletje, kvartal, mesec, dan, ura,...)■ lokacija (kontinent, država, regija, mesto,...)■ izdelek (skupina, podskupina, posamezni izdelek)

■ dobavitelj (skupina, podskupina, posamezni)

Vir: http://wiki.fmf.uni-lj.si/wiki/OLAP

Shema pod. skl. - zvezda

Prodaja

+ID Lokacija+ID Obdobje+ID Kupec+ID Izdelek

+Količina+Vrednost+RVC

Lokacija

+ID Lokacija+Celina++Država+++Regija++++Mesto

Obdobje

+ID Obdobje+Leto++Kvartal+++Mesec++++Dan

Kupec

+ID Kupec+Spol++Starost

Izdelek

+ID Izdelek+Model++Tip+++Barva++++Dobavitelj

Tabela dejstev

Tabela dimenzij

1

m

Hierarhija dimenzij

Shema pod. skl. - snežinka

Prodaja

+ID Lokacija+ID Obdobje+ID Kupec+ID Izdelek

+Količina+Vrednost+RVC

Lokacija

+ID Lokacija+Celina++Država+++Regija++++Mesto

Obdobje

+ID Obdobje+Leto++Kvartal+++Mesec++++Dan

Kupec

+ID Kupec+Spol++Starost

1

m

Izdelek

+ID Izdelek+Model++Tip+++Barva++++ID Dobavitelj

Dobavitelj

+ID dobavitelj+Država+Mesto+Dobavni rok

Večdimenzionalna analiza

Podatkovna kocka prodaje

Večdimenzionalna analiza

Excel - vrtilna tabela za večd. analizo

Večdimenzionalna analiza

Primer: proClarity in drilldown RVC po vrsti storitve

IT podpora

● Primeri BI orodij:○ ProClarity○ OLAP (MS Analysis Services, Oracle...)○ Podatkovno rudarjenje (MS Analysis Services, SAS

Analytical Intelligence, SAS Enterpriser Miner Clementine (SPSS), Oracle9i Data Mining, IBM DB2 Intelligent Miner

○ Preglednice (MS Excel, Quattro Pro Corel, Lotus 1-2-3 IBM, Open Office.org Calc

○ Statistična analiza SPSS, SAS, StatGraph○ Specializirana orodja za modeliranje @Risk,

Precision Tree, What's Best!○ Vodenje projektov MS Project, Super project

Delavnica 2

1. Informacijska analiza posl. in inf. problemaa. = POSLOVNI CILJ

i. zmanjšanje proizv. stroška na izdelek, 2. 3 informacijske potrebe

a. = metrike, KPIi. št/izdelkov/časovno enoto

ii. poraba sredstev/časovno enotoiii. poraba sredstev/izdelek

3. podatkovni viria. = od kod prihajajo podatki?

Delavnica 2

3. podatkovni model

4. podatkovna bazaa. glej prosojnice DOBA-Poslovna informatika 6

Viri● OLAP (SLO) http://wiki.fmf.uni-lj.si/wiki/OLAP● BUSINESS INTELLIGENCE: http://en.wikipedia.org/wiki/Business_intelligence● BUSINESS INTELLIGENCE:

http://cacm.acm.org/magazines/2011/8/114953-an-overview-of-business-intelligence-technology/fulltext