prodavnica filmova data warehouse - tfzr rad - vejnovic.pdf · podataka što se postiže...

UNIVERZITET U NOVOM SADU

Tehnički fakultet “Mihajlo Pupin“

Zrenjanin

Seminarski rad

Prodavnica filmova – data warehouse

predmet: Kompleksne baze podataka

Mentor: Prof. dr Biljana Radulović Student: Duško Vejnović

Broj indeksa: MIT 4/12 Smer:

Informacione tehnologije

- master

Zrenjanin, 2012.

Kompleksne baze podataka Prodavnica filmova

1

Sadržaj:

1. Uvod .......................................................................................................................................... 2

1.1. Skladište podataka .............................................................................................................. 2

1.2. Transakciono i analitičko procesiranje podataka ................................................................ 3

1.2.1. Transakciono procesiranje podataka ...................................................................... 4

1.2.2. Analitičko procesiranje podataka ........................................................................... 5

1.3. Razvoj skladišta podataka ................................................................................................... 6

1.3.1. Analiza izvora podataka ......................................................................................... 7

1.3.2. Opis kocke ............................................................................................................. 9

2. Projektovanje baze podataka ........................................................................................... 10

2.1.Opis baze podataka – Prodavnica filmova ......................................................................... 10

2.2. EER model podataka – Conceptual Data Model .............................................................. 10

2.3. Relacioni model podataka – Physical Data Model ........................................................... 11

2.4. Implementacija modela podataka u sistem za upravljanje bazama podataka ................... 11

3. Postavljanje SQL upita, operatori CUBE i ROLLUP ................................................ 13

4. Kreiranje skladišta podataka (Datawarehouse) ........................................................... 16

4.1. Analiza korisničkih zahteva kao osnova za analitički izvedenim podacima i izgradnju

skladišta podataka .................................................................................................................... 17

4.2. Projektovanje OLAP kocke .............................................................................................. 17

4.2.1. Dimenzije OLAP kocke ....................................................................................... 19

4.2.2. Šema OLAP kocke projektovana metodom “zvezde" (Star) ............................... 20

4.2.3. Šema OLAP kocke projektovana metodom “pahulje" (Snowflake) ..................... 21

4.3. Kreiranje OLAP kocke ..................................................................................................... 22

5. Analiza podataka i grafički prikazi ................................................................................. 25

5.1. Kreiranje izeštaja (Reporting Services) ............................................................................ 25

5.1.1. MDX upiti (MDX queries) ................................................................................... 28

5.2. Izvoz analitičkih podataka i kreiranje izvedenih (Pivot) tabela ....................................... 29

5.3. Izrada dijagrama i grafikona (Chart) ................................................................................ 31

5.4. Data mining ...................................................................................................................... 32

6. Zaključak .............................................................................................................................. 34

7. Literatura .............................................................................................................................. 35


2

1. Uvod Na tržištu koje se globalizuje vlada sve veća konkurencija. Takođe, kupci su sve

izbirljiviji. To tera proizvođače da stalno proveravaju svoju konkurentnost na tržištu i da

pronalaze uspešnu poslovnu strategiju. Strateška prednost nad konkurentima se može

ostvariti ispravnim planiranjem tržišta, inovacijama proizvoda, ispravnim odnosima s

kupcima, odnosno klijentima. Pritom je neophodno da poseduju pravovremene i

relevantne informacije o svim aspektima poslovanja i situaciji na tržištu.

Skladištenje podataka je važan koncept efikasnog odlučivanja, koji se intenzivno razvija

posljednjih godina. Donosi ideju aktivnog pronalaženja i nuđenja informacija

menadžeru, potrebnih u procesu odlučivanja. Skladištenje podataka koristi postupke

analitičke obrade, rudarenje podataka i otkrivanja znanja iz mnoštva podataka.

Spomenutim konceptima i metodama se želi postići "inteligentno" poslovanje poduzeća

u kompleksnim tržišnim uslovima. Za to se već ustalio naziv poslovna inteligencija. U

doba internetske ekonomije poslovna inteligencija počiva na podacima, koji se

transformišu u informacije potrebne za odlučivanje i upravljanje.

Poduzeće koje analizira ponašanje svojih kupaca ponaša se "inteligentno". Ono na

primer ima sve potrebne podatke o kupcu te u bazi podataka beleži svaku aktivnost koja

je s njim povezana. Analizom tih podataka, npr. analizom što je i kada kupac kupio,

koliko je reklamacija imao i na koje proizvode, izrađuje se profil kupca ili ga svrstava u

neku kategoriju. Dalje akcije prema kupcu određuju se na osnovu temeljne analize. To

na primer može biti nuđenje novog proizvoda specijalno napravljenog za potrebe jednog

kupca ili grupe kupaca. Skladištenje podataka radi na tome da analizom podataka

vlastitog poslovanja i spoljašnjih uticaja dobije informacije koje koristi u donošenju

optimalnih poslovnih odluka i na kraju ostvari profit i osigura dalju egzistenciju.

1.1 Skladište podataka

Sam pojam skladište podataka (Data Warehouse) podrazumeva zbirku podataka

izolovanih iz operativnih baza i spremljenih u posebne baze odnosno skladišta

podataka. Ralph Kimball u svojoj knjizi "The Data Warehouse Toolkit: Practical

Techniques for Building Dimensional Data Warehouses" definiše skladište podataka

kao kopiju transakcionih podataka specifično strukturiranih za upite i analize.

Skladište podataka je skup podataka na kojem se temelji sistem podrške u odličivanju.

Iz svrhe proizilazi da skladište podataka treba da podacima potpuno "pokrije" jedno ili

više poslovnih područja (npr. nabavke, prodaje), da podaci u skladištu trebaju da budu

sveobuhvatni. Podaci moraju da obuhvate duži vremenski period (pet, deset ili više

godina), jer su vremenske analize poslovno vrlo značajne. Orijentisanost prema

poslovnim analizama ne zahteva od skladišta da se podaci brzo ažuriraju kao u bazi

podataka. Manje skladište podataka koje obuhvata podatke samo jednog poslovnog

područja naziva se područnim skladištem podataka (data mart).

Skladište podataka namenjeno je menadžerima, ali i svima koji u svom poslu obavljaju

različite analitičke zadatke, kao što su poslovi praćenja i izveštavanja, koji se temelje na

primeni različitih poslovnih pravila.

Podaci u skladištu su stabilni i kad se jednom pohrane u skladištu po pravilu se ne

menjaju. Time se omogućuje da menadžement ili svako ko koristi skladište podataka

može biti siguran da će dobiti jednak odgovor nezavisno od vremena ili učestalosti


3

postavljanja upita. Postupak skladištenja podataka predstavlja kontinualan proces

planiranja, građenja, i prikupljanja podataka iz različitih izvora,njegovog korišćenja,

održavanja, upravljanja, i stalnog unapređenja. Među mnogim koracima u tom

kompleksnom kontinualnom procesu bitno je naglasiti važnost posedovanja vizije o

tome što se želi postići kreiranjem skladišta podataka. Jedna od uloga skladišta je

primer razvoja i korišćenje znanja zasnovanog na podacima (data-based knowledge).

Glavni cilj skladišta podataka je osloboditi informacije koje su "zaključane" u bazama

podataka i "pomešati" ih sa informacijama iz ostalih, po pravilu spoljnih izvora

podataka. Velike organizacije danas sve više traže dodatne podatke iz spoljašnjih

izvora, kao što su na primer podaci o konkurenciji, demografski trendovi, prodajni

trendovi i sl.

Da bi skladište podataka moglo da ispuni cilj i svrhu svog postojanja, mora pre svega da

ispuni određene preduslove:

Mora osiguravati pristup svim zaposlenim u preduzeću, a ne samo menadžerima,

znači može služiti velikom broju ljudi. Taj pristup mora biti pouzdan, brz i

jednostavan,

Skladište treba sadržati veliku količinu detaljnih podataka. To znači da sve

poslovne transakcije relevantne za donošenje poslovnih odluka, koje su nastale u

procesima preduzeća moraju biti evidentirane u skladištu podataka. Uneseni

podaci trebaju biti konzistentni, npr. ako je sa dva različita mesta u različito

vreme postavljen jednak upit i rezultat tih upita mora biti isti,

Osvežavanje, odnosno ažuriranje novim podacima treba biti kontinualan proces,

po mogućnosti treba se odvijati u stvarnom vremenu praktično odmah nakon što

se neki poslovni događaj odigrao ili odmah po završetku nekog procesa,

Mora biti uvek raspoloživo i oblikovano na način da može poslužiti svakoj svrsi

koju nije uvek moguće unapred predvideti,

Treba predvideti mogućnost izdvajanja i međusobnog povezivanja podataka

u smislu dobijanja svih mera i pokazatelja poslovanja u poduzeću (slice and

dice),

Podaci u skladištu koji se skupljaju iz različitih izvora, se kontrolišu uz

osiguranje kvaliteta i samo takvi su dostupni korisnicima. Loši ulazni podaci ne

mogu davati dobre izlazne podatke,

Mora biti proširivo da bi moglo pratiti strategiju proširenja poslovanja

preduzeća,

I na kraju, mora da zadovolji odgovarajuće mere zaštite tajnosti osetljivih

podataka što se postiže sprovođenjem rigoroznih mera čuvanja tajnosti.

1.2 Transakciono i analitičko procesiranje podataka

Transakciono i analiticko procesiranje informacija zasnovano je na relacionim

bazama podataka upotrebi strukturnog upitnog jezika (SQL) i savremenih softverskih i

hardverskih platformama. Osnovna koncepcija vezana je za razvoj korisnickog

interfejsa nad izvorom podataka, koji pokriva potrebe poslovodstva i veoma je

delotvoran ukoliko su korisnicke potrebe dobro anticipirane i vremenski slabo

promenljive. Kako su cesto potrebe poslovodstva za informacijama veoma promenljive,

to transakciono mora da prerasta u analiticko procesiranje informacija.


4

Mogu se zahtevati i pristupi nerelacionim izvorima podataka, što je sa svoje strane

znacajno ogranicenje što ce opet usloviti razvoj i primenu skladišta podataka. SQL jezik

je standardan jezik i predstavlja kohezioni faktor sistema, narocito ako se radi sa

heterogenim podacima. Važan element je i graficki interfejs zbog mogucnosti

prezentacije podataka i poslovne grafike.

Transakcioni sistemi su dizajnirani tako da preuzimaju podatke, vrše izmene nad

postojecim podacima, daju izveštaje, održavaju integritet podataka i upravljaju

transakcijama što je brže moguce. Analiticki sistemi nisu predvideni da obavljaju ove

poslove. Oni se dizajniraju za veliki broj podataka namenjenih samo za citanje,

obezbedujuci informacije koje se koriste za donošenje odluka. Skladište podataka je

analiticka baza podataka namenjena samo za citanje i koristi se kao osnova sistema za

podršku odlucivanju.

U tabeli 1.1 su date neke razlike između transakcionih sistema i analitičkih sistema:

Transakcioni sistemi Analitički sistemi

Sadržaj

podataka

tekuce vrednosti arhivski podaci, sumarni

podaci, proracunati podaci

Struktura

podataka

složena i pogodna za

operaciona proracunavanja

jednostavna i pogodna za

poslovnu analizu

Verovatnoca

pristupanja

velika

srednja do mala

Vreme odziva reda sekunde reda minuta

Namena automatizacija

svakodnevnih operacija

nalaženje i analiza

informacija

Model

podataka

normalizovan dimenzionalan

Pristup SQL SQL i alati za poslovnu

analizu

Tip podataka podaci koji upravljaju

poslovima

informacije za poslovnu

analizu

Stanje

podataka

dinamicno (promenljivi

podaci)

staticno (istorijski i opisni

podaci)

Tabela 1.1 Karakteristike transakcionog i analitičkog procesiranja podataka

1.2.1 Transakciono procesiranje podataka

Kad god se spomene transakciono procesiranje, misli se na sisteme koji

izvršavaju svakodnevne poslove neke kompanije. To su OLTP (on line transaction

processing) sistemi koji se ažuriraju kontinualno tokom dana. Na primer, ako neko kupi

štampac iz jedne prodavnice racunarske opreme, transakcioni sistem ce odmah smanjiti

ukupni broj štampaca za jedan i to ce svaki korisnik sistema moci da zna. U slucaju da

se dopremi nova kolicina štampaca u prodavnice, transakcioni sistem ce to odmah

evidentirati. Ako se desi da se broj štampaca smanji na neki odredeni broj, transakcioni

sistem može automatski da generiše zahtev nabavljacima za novim štampacima.

Transakciono procesiranje informacija zasniva se na operaciji koja se zove transakcija i

kojom se izvodi serija izmena nad jednom ili više tabela, po principu "sve ili ništa", tj.

ili su sve aktivnosti uspešno obavljene ili je baza podataka ostala nepromenjena. Prvi

korak je informaciono modeliranje ili modeliranje podataka koji predstavlja proces


5

predstavljanja poslovnih koncepata oblikom dijagrama koji se na jednostavan nacin

može prevesti u fizicke strukture podataka, tj. šemu baze podataka.

Model podataka otvara "crnu kutiju", koja je buducim korisnicima uvek bila nepoznata,

jer nisu mogli da prate razmišljanja projektanata informacionog sistema. Prvi put

korisnici uzimaju aktivno ucešce i u ovom delu i prvi put projektanti informacionog

sistema crtaju ono što predstavlja njihovo iskustvo i saznanje o poslovanju konkretnog

preduzeca i što su oni osmislili u svojoj glavi. Kroz definisanje objekata od interesa za

posmatranje i definisanje veza definiše se ER model, postupkom odozgo nadole, tj.

intervjuom sa buducim korisnicima.

Model podataka obuhvata definisanje:

logickog modela, tj. definisanje entiteta, atributa, relacija, kardinalnosti i

kljuceva.

fizickog modela, tj. definisanje tabela, domena, tipova i velicina kolona za

izbranu SUBP,

dimenzionog modela podataka, koji obuhvata definisanje dimenzija, hijerarhija i

veza za definisanje OLAP kao osnove skladišta podataka.

CASE alat ERWin ugradio je za logicko modeliranje Information Engineering (IE) i

IDEF1X tehniku, a fizici model, pored prethodne dve, poseduje i tehniku dimenzionog

modeliranja.

1.2.2 Analitičko procesiranje podataka

Menadžment informacioni sistem zasnovan na interaktivnom analitickom

procesiranju pojavio se kao posledica:

potreba za pretvaranjem transakcionih podataka u informacije,

omogucavanja vece inicijative korisnicima, koji ne moraju da znaju SQL i

detalje o postavci informacionog sistema,

zahteva za automatizacijom rada analiticara, komercijalista i menadžera.

Kako je menadžment informacioni sistem zasnivan na interaktivnom analitickom

procesiranju u razvoju, to se smatra da se u kombinaciji sa MIS-om zasnovanim na

relacionim bazama podataka može doci do uspešnih rešenja, kako korisnika koji se bave

analitikom, tako imenadžera koji žele "brz pogled" na informacije bez upuštanja u

detalje.

Ovo je osnovni razlog za nastanak skladišta podataka, cija je osnovna namena

izveštavanje korišcenjem transakcionih podataka, istorijskih podataka, kao i podataka iz

drugih sistema. Rad sa velikim kolicinama podataka, tj.velikim brojem tabela, cini da

brzina odgovora SQL rapidno opada.

Ovo je uslovilo nadgradnju skladišta podataka OLAP sistemima i data mining. OLAP

(On Line Analytical Processing) je softverska tehnologija koja omogucava analiticarima

i menadžerima brz, interaktivan i konzistentan uvid u informacije, putem širokog

spektra mogucih pogleda na informacije.

Kako se za donošenje poslovnih odluka i ovo pokazalo nedovoljnim, pristupa se tzv.

traganju (rudarenju) kroz podatke (data mining – DM). DM se odnosi na automatsko

otkrivanje implicitno prisutnih zakonitosti, pravilnosti i indirektnih sadržaja u velikim

bazama podataka savremenih informacionih sistema.

Na primer, analiticki sistem bi mogao da prikaže kako se odredena vrsta štampaca

prodaje u razlicitim delovima zemlje. Takode, mogao bi i da prikaže kako se jedna vrsta


6

proizvoda prodaje sada u odnosu na period kada se proizvod prvi put pojavio na tržištu.

Za analiticke sisteme razvijaju se analiticke baze podataka.

Analiticke baze podataka ne sadrže ažurirane podatke, vec cuvaju informacije iz

odredenog trenutka vremena. Takvi podaci su od izuzetnog znacaja za poredenja i

analizu trendova. Naprimer, moguce je utvrditi da je prodaja u jednom mesecu znatno

opala samo ako u sistemu postoje podaci o prodaji u prethodnim mesecima, tako da se

može vršiti poredenje. Ovakvo poredenje je skoro nemoguce izvesti u OLTP sistemima,

jer se u takvim sistemima podaci neprestano menjaju.

1.3 Razvoj skladišta podataka

Za razliku od transakcionih sistema (OLTP sistemi), koji su orjentisani

poslovnim procesima, skladišta podataka su subjektno orjentisana, što znaci da su

fokusirana na subjekte u poslovnim procesima, kao što su kupci, zaposleni i dobavljaci.

Integrisanost podataka u skladištima podataka obezbeduje da se podaci predstavljaju u

konzistentnim formatima korišcenjem konvencija pri zadavanju imena i ogranicenja nad

domenima, atributima i merama. Podaci u skladištima podataka su vremenski zavisni,

što znaci da je svaki podatak koji se nalazi u skladištu podataka u vezi sa nekim

vremenskim trenutkom. Na kraju, podaci u skladištima podataka su nepromenljivi, tj.

cim se neki podatak upiše u skladište podataka, moguce mu je samo pristupati. Na slici

1.1 su prikazani svi elementi potrebni za razvoj skladišta podataka.

Slika 1.1 Data warehouse i OLAP

Pri izgradnji skladišta podataka najbitniji su sami podaci, a ne poslovni procesi i

funkcije, kao što je to slucaj sa transakcionim sistemima. Baze podataka namenjene

sistemima za podršku odlucivanju mogu biti veoma velike (terabajtne), pri cemu neke

tabele mogu sadržati i gigabajt podataka. Zato se velicina baze podataka mora uzeti u

obzir pri planiranju skladišta podataka.

Za razvoj skladišta podataka potrebno je:

izvršiti analizu izvora podataka,


7

pripremiti podatake,

izgraditi skladište podataka.

1.3.1 Analiza izvora podataka

Izvori podataka za koncept skladišta podataka su operativni (transakcioni) OLTP

podaci, kao i spoljne informacije nastale kao istorija poslovanja. Analiza izvornih

podataka se smatra kljucnim elementom i oduzima 80% vremena, jer je potrebno

definisati odgovarajuca pravila za preuzimanje podataka iz izvornih podataka.

Analiza izvora podataka prolazi kroz sledece faze:

prikupljanje zahteva,

planiranje skladišta podataka,

izbor tehnike analize podataka.

U fazi prikupljanja zahteva razmatraju se poslovne potrebe i zahtevi buducih korisnika

sistema. Postoji mnogo metoda za prikupljanje poslovnih zahteva. U opštem slucaju,

ove metode mogu biti smeštene u dve kategorije:

prikupljanje izvornih zahteva je metoda bazirana na definisanju zahteva

korišcenjem izvornih podataka u produkciono operativnim sistemima. Ovo se

radi analiziranjem ER-modela izvornih podataka.

prikupljanje korisnickih zahteva je metoda bazira na definisanju zahteva

istraživanjem funkcija kojima korisnik teži, odnosno koje korisnik izvršava. Ovo

se obicno postiže kroz seriju sastanaka i/ili intervjua sa korisnikom.

Sve prikupljene podatke potrebno je dokumentovati jer broj intervjuisanih korisnika

može biti veliki, te se može desiti da se neki zahtevi i potrebe korisnika zaborave.

Dobijene podatke treba organizovati u nekoliko sekcija, kao što su:

podaci o analizi (podaci o svim vrstama analiza koje se trenutno koriste) i

zahtevi vezani za podatke (opis svih polja podataka koja se koriste, nivo detalja,

izvori).

Tako organizovane podatke treba proslediti svim ucesnicima intervjua da bi se culo i

njihovo mišljenje i da bi se izvršile potrebne korekcije.

Faza planiranje skladišta podataka obuhvata mnoge zadatke koji se javljaju i pri razvoju

bilo kojeg projekta. Planiranje skladišta podataka sastoji se od sledecih zadataka:

definisanje obima projekta,

kreiranje projektnog plana,

definisanje tehnickih uslova,

definisanje resursa, zadataka i vremenskih rokova.

Skladište podataka se gradi da bi se obezbedio lako pristupacan izvor podataka visokog

kvaliteta. Obicno postoji potreba da se vrše analize i donose odluke kroz korišcenje tog

izvora podataka. Postoji nekoliko tehnika analize podataka [Slika 1.2] koje su danas u

širokoj upotrebi. To su upiti i izveštaji, višedimenzionalne analize i data mining. One se

koriste za formulisanje i prikazivanje rezultata upita, analizu sadržaja podataka

njihovim posmatranjem iz razlicitih perspektiva i otkrivanje šablona i klasterisanih

atributa u podacima koji ce omoguciti dublji pogled u sadržaj podataka.


8

Slika 1.2 Izbor tehnike analize podataka

Tehnike analize podataka mogu uticati na tip odabranog modela podataka i njegov

sadržaj. Naprimer, ako je namera da se obezbedi jednostavna mogucnost upita i

izveštaja, model podataka koji struktuira podatke na normalizovani nacin verovatno ce

obezbediti najbrži i nalakši pristup podacima. Mogucnost upita i izveštavanja se

primarno sastoji od biranja povezanih elemenata podataka, eventualnog njihovog

sumiranja i grupisanja u neku kategoriju i prezentovanja rezultata. Izvršavanje ovog tipa

mogucnosti uglavnom može da dovede do korišcenja direktnijeg skeniranja tabela. Za

ovu vrstu mogucnosti, ER model sa normalizovanom i/ili denormalizovanom

strukturom podataka je najprikladniji.

Tehnika analize podataka upitima i izveštavanjem je proces postavljanja pitanja na koje

se traži odgovor, izdvajanje podataka od znacaja iz skladišta podataka, njihova

transformacija u odgovarajuci kontekst i prikazivanje u citljivom formatu. Ovim

procesom upravlja analiticar, koji mora postavljati pitanja da bi dobio odgovor.

Definicija upita je proces uzimanja poslovnih pitanja ili hipoteza i njihovo prevodenje u

format upita koji može koristiti odredeni alat za podršku pri odlucivanju. Kada se upit

izvrši, alat generiše odgovarajuce komande za dobijanje traženih podataka, koji se

smeštaju u skup odgovora. Analiticar podataka zatim obavlja potrebne kalkulacije i

manipulacije na skupu odgovora da bi dobio željene rezultate. Ovi rezultati se zatim

formatiraju da bi odgovarali obrascu prikaza ili izveštaja koji je odabran da krajnjem

korisniku olakša razumevanje. Ovaj obrazac se može sastojati od kombinacije teksta,

grafike, videa i audia. Na kraju, izveštaj se dostavlja krajnjem korisniku na željenom

izlaznom medijumu koji može biti papir, monitor, ili se može predstaviti zvukom.

Tehnika višedimenzionalne analize podataka je nacin da se prošire mogucnosti upita i

izveštaja. Ovo znaci da se umesto izvršavanja višestrukih upita podaci struktuiraju da bi

se omogucio brz i lak pristup odgovorima na pitanja koja se tipicno postavljaju.

Naprimer, podaci su struktuirani tako da sadrže odgovore na pitanje: "Koja kolicina

svakog proizvoda je prodata odredenog dana, od strane odredenog prodavca u odredenoj

prodavnici?" Svaki deo ovog upita se naziva dimenzija. Racunanjem odgovora unapred

za svaki podupit u okviru veceg konteksta, mnogo odgovora može biti uvek dostupno

pošto se rezultati ne racunaju ponovo za svaki upit, vec im se lako pristupa i lako se

prikazuju. Višedimanzionalne analize omogucavaju korisnicima da sagledaju veliki broj

meduzavisnih faktora koji ucestvuju u poslovnom problemu i da pregledaju podatke u

složenim vezama. Krajnji korisnici su zainteresovani u istraživanju podataka na

razlicitim nivoima detaljnosti, koji se dinamicki odreduju. Složene veze mogu biti

analizirane kroz iterativni proces koji sadrži probijanje na niže nivoe detaljnosti ili

dizanje na više nivoe sumarizacije i agregacije. Kao kod upita i izveštavanja,

višedimenzionalne anlize se nastavljaju dokle god se vrše probijanja dole i vracanja

gore.


9

Data mining je relativno nova tehnika anlize podataka. Data mining traži odgovore na

pitanja koja ne moraju biti prethodno postavljana. Otkrivanje može imati formu

pronalaženja znacaja u vezama izmedu odredenih elemenata podataka, klasterisanja

odredenih elemenata podataka ili neki drugi obrazac u korišcenju odredenih skupova

elemenata podataka. Nakon iznalaženja ovih obrazaca, algoritmi mogu da iz njih izvedu

pravila. Ova pravila tada mogu biti korišcena da se generiše model koji ima željeno

ponašanje, identifikuje veze medu podacima, otkriva obrasce i grupiše klastere zapisa sa

slicnim atributima. Data mining je voden podacima. Postoji visok nivo složenosti u

uskladištenim podacima i medusobnim vezama podataka u skladištu podataka koje je

teško otkriti bez data mininga. Data mining nudi nove poglede na posao koji se ne mogu

ostvariti sa upitima i izveštajima ili višedimenzionalnom analizom. Data mining može

pomoci da ostvarimo nove poglede na posao dajuci nam odgovore na pitanja koja nikad

nismo mislili da postavimo.

1.3.2 Opis kocke

U menadžerskom zahevu "zanima me prodaja proizvoda po tržištima i mesecima

(vremenu)" prepoznajemo dimenzije proizvoda, tržišta i vremena, kroz koje se prati

prodaja. Slika 1.3 prikazuje podatke prodaje dimenzijski prikazane u obliku kocke.

Svaka dimenzija kocke odnosi se na jedno obilježje poslovne pojave. U prikazanom

slučaju radi se o tržištu, proizvodu i vremenu. Jedna ćelija (kockica) odgovara jednom

elementu svake dimenzije i sadrži vrednosti prodaje (npr. broj prodanih jedinica,

novčani iznos prodaje) za npr. proizvod Opel Astra, tržište Zrenjanin i vreme

25.01.2013. Neke su kockice prazne, jer za dotične proizvode na tim tržištima u tim

mesecima nije ostvarena prodaja.

Slika 1.3 Tri dimenzije prikazane u obliku kocke

Kocka (Cube) je kolekcija podataka grupisanih po više dimenzija da bi se upiti brže

izvršavali. Kocke su uređene po dimenzijama (Dimensions) i merama (Measures).

Dimenzije se dobijaju iz tabele dimenzija, a mere iz tabele činjanica.

Tabela dimenzija sadrži hijerarhijski uređene podatke po kojima želimo da radimo

sumiranja. Svaka kocka ima jednu ili više dimenzija od kojih se svaka zasniva na jednoj

ili više tabela dimenzija. Dimenzija predstavlja kategoriju za analiziranje poslovnih

podataka, a svaki tip sumiranja koji se može izvesti na osnovu jedne dimenzije naziva

se nivo (level).


10

Tabela činjenica sadrži osnovne podatke koje želimo da sumiramo i iz čega se može

dobiti prosečna vrednost. Svaka kocka može imati jednu ili više mera, od kojih se svaka

zasniva na koloni tabele činjenica koju analiziramo.

2. Projektovanje baze podataka

2.1 Opis baze podataka – prodavnica filmova

Prodavnica filmova je organizacija koja se bavi dobavljanjem i prodavanjem

filmova. Na početku radnog dana radnik dolazi u prodavnicu i prijavljuje se na sistem

preko korisničkog imena i lozinke. U sistemu se razlikuje statusi radnika, tj. običan

radniki ili administrator. Radnik ima mogućnosti evidentiranja novih filmova, novih

žanrova, evidentiranje dobavljača i prilikom prodaje filma ima mogućnost formiranja i

štampanja računa. Pored svih ovih mogućnosti administrator ima još mogućnost

evidentiranja novih radnika i ima uvid o svim radnicima koji su zaposleni. Prilikom

prodaje filma u tabelu prodaja evidentiraju se detalji prodaje, film koji se prodaje,

radnik koji u tom trenutku radi, što znači da se jedna prodaja odnosi na jedan naslov

filma i na jednog radnika. Ukoliko kupac kupuje više naslova filmova kreira se isto

toliko i prodaja, a sve te prodaje zajedno čine jedan račun. Šifarnik račun ima atribut

datum i popust koji je pri tome ostvaren.

Svaki film pripada jednom žanru i dobavljen je od jednog dobavljača. Za svakog

dobavljača i radnika se zna mesto stanovanja. Cene filmova su u režimu slobodnog

formiranja, odnosno dobijaju se sabiranjem nabavne cene koju formira dobavljač i

marže.

2.2 EER model podataka - Conceptual Data Model

Na slici 2.1 je prikazan konceptualni model podataka.

Slika 2.1 Konceptualni model podataka prodavnice filmova


11

Ovaj model podataka prikazuje strukturu baze podataka, koja je nezavisna od softvera

ili strukture skladištenja. Kreiran je u alatu Power Designer 15.

2.3 Relacioni model podataka – Physical Data Model

Fizički model podataka omogućava da se definiše struktura baze podataka sa

stanovišta fizicke implementacije. On uzima u obzir fizicke resurse: DBMS (sistem za

upravljanje bazom podataka), strukture za skladištenje podataka i softver kako bi opisao

strukturu baze podataka.

Fizicki dijagram se kreira na kraju procesa analize podataka, pre nego što se krene sa

programiranjem softvera. On omogucava da se definiše kako ce podaci iz

konceptualnog modela biti implementirani u bazi podataka.

Na slici 2.2 je prikazan fizički model, fizički model podatak se kreira iz prethodno

kreiranog konceptualnog modela: Tools->Generate Physical Data Model.

Slika 2.2 Fizički model podataka prodavnice filmova

2.4 Implementacija modela podataka u sistemu za upravljanje bazama

podataka

Fizički model podataka je implementira u Mirosoft SQL server 2008 preko

Power Designer-a. Preko naredbe Database->Generate Database se otvara dijalog [Slika

2.3]. Kao što se vidi na slici sistem za upravljanje bazom podataka je Microsoft SQL

Server 2008, fajl koji se kreira ima naziv crebas.sql, taj fajl predstavlja script za

generisanje baze podataka.


12

Slika 2.3. Database Generation dijalog

Potvrđivanjem dijaloga se kreira skript na izabranoj lokaciji. Zatim u New Query

Microsoft SQL Server Management Studio-ja kreiramo bazu podatka dodavanjem

create database ProdavnicaFilmova. Zatim u New Query unosimo use

ProdavnicaFilmova i kopiramo i nalepimo sadržaja prethodno kreirane datoteke

crebas.sql. Na taj način smo kreirali bazu podataka u Microsoft SQL server. Na slici 2.4

je prikazan dijagram prethodno kreirane baze podataka iz fizičkog modela podataka.

Slika 2.4. Fizička realizacija modela podataka u MS SQL Server 2008


13

3. Postavljanje SQL upita, operatori CUBE i ROLLUP

Prvi upit je upit bez primene operatora CUBE i ROLLUP, računa se broj

prodatih filmova i njihov iznos po žanrovima i dobavljačima.

SELECT nazivZanra as Zanr, Dobavljac.naziv as Dobavjac,

SUM(kolicina) as [Broj prodatih filmova],

SUM(kolicina*cenaFilma) as Iznos

FROM Film, Zanr, Prodaja, Radnik, Dobavljac

WHERE Zanr.idZanra=Film.idZanra

and film.sifraFilma=Prodaja.sifraFilma

and Film.idDobavljaca=Dobavljac.idDobavljaca

and Prodaja.idRadnika=Radnik.idRadnika

GROUP BY Dobavljac.naziv, nazivZanra

Zanr Dobavjac Broj prodatih

filmova

Iznos

akcioni film d.o.o 15 2550

akcioni filmovizija 16 2960

animirani movietrade 5 875

drama filmovizija 11 2035

horor film d.o.o 12 2040

horor moviein 5 895

komedija moviein 14 2506

komedija movietrade 7 1225

krimi film d.o.o 2 338

krimi nsmovie 9 1593

naucna fantastika kraljevofilm 10 1880

ratni filmovizija 1 180

ratni nsmovie 11 1947

romanse filmovizija 3 555

romanse kraljevofilm 3 535

romanse moviein 4 720

Na primer prvi red nam govori da je prodato 15 akcionih filmova od dobavljača pod

nazivom film d.o.o i ukupna cena tih filmova je 2550 novčanih jedinica (dinara). Drugi

red nam govori da je prodato 16 akcionih filmova od dobavljaca filmovizija i ukupna

cena je 2960 i tako za svaki red.

Sledeći upit je sa ROLLUP operatorom, upit je isti kao i prethodni samo sto je dodat

operator rollup.









GROUP BY Dobavljac.naziv, nazivZanra with rollup


14

Zanr Dobavjac Broj prodatih

filmova

Iznos




NULL film d.o.o 29 4928



krimi filmovizija 2 360



NULL filmovizija 33 6090

.

.

.

.

.

.

.

.

.

.

.

.



romanse nsmovie 4 742

NULL nsmovie 24 4282

NULL NULL 199 35617

Sumarne vrste u GROUP BY su prikazane kao NULL, a to predstavlja indikator za

ALL (sve) vrednosti. Dobija se nešto više redova negu u prethodnom upitu (ukupno 34

reda). U ROLLUP operatoru grupe su sumirane u hierarhiskom redu od najnižeg nivoa

u grupi do najvišeg. Menjanje redosleda grupisanih kolona (u GROUP BY odeljku)

može se uticati na promenu broja vrsta u rezultujućem setu. Vidimo da u nekim poljima

imamo NULL vrednosti, tako na primer u četvrtom redu imamo NULL vrednost u

koloni žanr, što nam daje podatak da je od dobavljača film d.o.o prodato ukupno 29

filmova i da je njihov iznos 4928 novčanih jedinica. U zadnjem redu imamo NULL

vrednost i u koloni žanr i u koloni dobavljač što nam govori da je ukupno prodato 199

filmova sa iznosom od 35617 novčanih jedinica.

Sledeći primer je sa CUBE operatorom:









GROUP BY Dobavljac.naziv, nazivZanra with cube

Zanr Dobavjac Broj prodatih Iznos


15

filmova



akcioni movietrade 9 1575

akcioni NULL 40 7085

animirani movietrade 5 875

animirani NULL 5 875


drama NULL 11 2035


horor moviein 5 895

horor NULL 17 2935

komedija moviein 14 2506

komedija movietrade 7 1225

komedija NULL 21 3731


krimi filmovizija 2 360

krimi kraljevofilm 8 1436

krimi moviein 2 380

krimi movietrade 3 540


krimi NULL 26 4647

naucna fantastika kraljevofilm 10 1880

naucna fantastika NULL 10 1880


ratni moviein 6 1062

ratni movietrade 9 1530

ratni newmovie 12 2124


ratni NULL 39 6843


romanse kraljevofilm 3 535

romanse moviein 4 720

romanse newmovie 16 3034

romanse nsmovie 4 742

romanse NULL 30 5586

NULL NULL 199 35617

NULL film d.o.o 29 4928

NULL filmovizija 33 6090

NULL kraljevofilm 21 3851

NULL moviein 31 5563

NULL movietrade 33 5745

NULL newmovie 28 5158

NULL nsmovie 24 4282

U zavisnosti od uobičajenog broja vrsta dobijenih sa GROUP BY, sumarne vrste se

vraćaju (kao rezultat) za svaku moguću kombinaciju grupa i podgrupa u rezultujućem

setu. U CUBE operatoru broj sumarnih vrsta je određen brojem kolona uključenih u

GROUP BY uslov. Svaki operand (kolona) u GROUP BY uslovu je prikazana kao


16

NULL vrednost a grupisanje je primenjeno na sve ostale operatore (kolone). Iz razloga

što CUBE vraća sve moguće kombinacije grupa i podgrupa, broj vrsta je isti,

zanemarujući redosled po kojem su grupisane kolone.

Kao što vidimo primenom operatora ROLLUP nismo mogli da vidmo koliko je filmova

prodato po žanrovima već samo po dobavljačima. Ukoliko bi zamenili mesta kolona u

GROUP BY odeljku mogli bi da vidimo ukupan broj prodatih filmova po žanru, ali ne i

po dobavljačima. U CUBE operatoru možemo i jedni i drugo. Tako na primer u

četvrtom redu imamo NULL vrednost kod dobavljača i iz toga možemo da zaključimo

da je ukupno prodato 40 akcionih filmova u vrednosti od 7085 novčanih jedinica.

4. Kreiranje skladišta podataka (Datawarehouse)

Skladište podataka je kreirano u alatu za datawarehouse Microsoft Business

Intelligence Mangement Studio 2008 i na osnovu podataka iz transakcione SQL Server

2008 baze podataka.

Nakon pokretanja SQL Server Business Intelligence Development Studio-a biramo novi

projekat i iz listi template-a biramo Analysis Services Project.

U solution explorer-u desnin klikom na naziv projekta biramo properties i kad se otvori

prozor u kartici deployment podešavamo naziv servera.

Za dodavanje data source-a potrebno je u solution explorer-u desnim klikom odabrati

new data source i nakon toga se otvara data source wizard. Dodajemo novi data source,

za dodavanje je potrebno uneti naziv servera i bazu podataka na koju vršimo

povezivanje (baza ProdavnicaFilmova).

Sličan postupak je i za dodavanje data source view-a. Desnim klikom bramo new data

source view. Iz dostupnih tabela koje nam program ponudi potrebno je uključiti one

koje su na potrebne za naš data source view. Na slici 4.1 je prikazan data source view.

Slika 4.1 Data source view prodavnice filmova


17

4.1 Analiza korisničkih zahveta kao osnova za analitički izvedenim

podacima i izgradnju skladišta podataka

Analizom podataka u formi skladišta podataka, potrebno je dati odgovore na

sledeće korisničke zahteve:

Koliko je filmova prodato?

Koliko filmova je prodato po žanrovima?

Koliko filmova je prodato po dobaljacima?

Kako se kretala prodaja po godinama, mesecima, kvartalima?

Deset najprodavanijih filmova?

Koji radnik je najviše prodao filmova?

Prikazati ponudu po žanrovima, filmovima, dobavljačima?

4.2 Projektovanje OLAP kocke

U zavisnosti od predstave dimenzija na modelu, govorimo o normalizovanom ili

denormalizovanom modelu. Kod denormalizovanog modela dimenzije su organizovane

u šemu zvezde, a kod normalizovaog u šemu snežne pahuljice [Slika 4.2]. Postoje

situacije u kojima šema zvezde nije pogodna za skladištenje podataka. Osnovni razlozi

za to su: denormalizovana šema zvezde može zahtevati previše memorijskog kapaciteta

i veoma velike dimenzione tabele mogu uticati na pad performansi sistema.

Ovi problemi se mogu rešiti normalizacijom dimenzija. Time se šema zvezde prevodi u

šemu pahulje. Glavni nedostatak šeme pahulje je njena složenost u odnosu na šemu

zvezde, cime se otežava održavanje skladišta podataka. Zato je potrebno vršiti

normalizaciju samo onih dimenzija koje sadrže mnogo redova podataka i koje imaju

mnogo atributa.

Osnovna karakteristika šeme pahulje jeste da se ne vrši denormalizacija dimenzionih

tabela, cime se poboljšavaju performanse sistema. Šema zvezde obezbeduje najbolje

performasne kada se radi sa agregacionim podacima. Nedostatak šeme pahulje je što se

moraju kreirati dodatne veze, koje pri procesiranju upita mogu pogoršati performanse

sistema. Takode, održavanje šeme pahulje je relativno složeno s obzirom da u bazi

podataka postoji veci broj tabela i da meta podaci više nisu jednostavni.

Slika 4.2. Šema zvezde i pahulje


18

Fizicka arhitektura dimenzionog modela opisana je pomocu šeme zvezde definisane sa

dve vrste tabela – dimenzione tabele (dimension table) i tabele cinjenica (fact table).

Tabela cinjenica sadrži kvantitativne podatke o poslovima, tj. podatke koje korisnici

analiziraju. Ovi podaci su najcešce numerickog tipa i mogu se sastojati i od nekoliko

miliona redova i kolona.

Dimenzione tabele su znatno manje i sadrže podatke koji opisuju dati posao, tj. one

podatke po kojima se vrši analiziranje. Ti podaci se nazivaju atributi.

Osnovna karakteristika šeme zvezde jeste da su dimenzione tabele denormalizovane.

Denormalizacija je pristup gde se podaci u bazi podataka ponavljaju zbog

pojednostavljenja dizajna i karakteristika. Denormalizacija je proces kombinovanja

tabela da bi se poboljšale performanse sistema. Ovim postupkom se smanjuje broj

potrebnih veza koje se moraju procesirati zadavanjem upita. Time se direktno utice na

poboljšanje performansi sistema, jer što je manji broj veza, to sistem brže nalazi tražene

podatke.

MOLAP (više dimenzioni OLAP) baze podataka imaju ogranicenje fizicke velicine

skupa podataka sa kojima mogu da barataju. Takode, postoji i ogranicenje na broj

dimenzija koje još uvek obezbeduju dobre performanse sistema. Da bi se vršila bilo

kakva analiza, potrebno je prvo ucitati podatke u višedimenzione strukture. Pri tome se

vrše razni proracuni da bi se kreirale agregacije i popunili podaci, što vremenski može

trajati relativno dugo. Po završenom procesu, korisnik može zapoceti analizu. Prednost

MOLAP sistema je što obezbeduju odlicne performanse sistema kada se radi sa vec

sracunatim podacima (agregacijama). Nedostatak MOLAP sistema je teškoca dodavanja

novih dimenzija. Prema tome, MOLAP sisteme je pogodno koristiti u slucajevima kada

je moguce podeliti veliki skup podataka na više manjih skupova podataka.

ROLAP (relacioni OLAP) sistemi pristupaju podacima direktno iz skladišta podataka i

rade sa relacionim bazama podataka. Ovi sistemi mogu da rade sa velikim skupovima

podataka. Cim se odredi izvor podataka, korisnik može zapoceti analizu. S obzirom da

se radi direktno nad bazom podataka, korisniku su uvek na raspolaganju tekuci podaci.

Takode, kod ROLAP sistema ne postoje ogranicenja po pitanju broja dimenzija koja

postoje u slucaju MOLAP sistema.

Nakon što se definiše model podataka za skladište podataka, podaci iz transakcionih

sistema se ucitavaju u skladište podataka. Višedimenziona analiza, koju korisnik

zahteva, dinamicki se transformiše u niz SQL naredbi koje se dalje prenose na relacionu

bazu podataka. ROLAP sistemi su optimizovani za pristupanje podacima, dok su

MOLAP sistemi optimizovani za prikupljanje podataka. Prednost ROLAP sistema je što

su sumarne tabele kreirane direktno u RSUBP-u, cime se obezbeduje kratko vreme

odziva sistema na upit, i što su tabele veoma čitljive.

Evo nekih karakteristika MOLAP i ROLAP sistema:

višedimenziona analiza moguca je korišcenjem ROLAP i MOLAP sistema,

za manje kolicine podataka ROLAP sistemi imaju skoro iste performanse kao i

MOLAP sistemi,

MOLAP sistemi nisu pogodni za rad sa velikim skupom podataka,

MOLAP sistemi su manji od ROLAP sistema, te je potrebno manje U/I

operacija pri pribavljanju podataka, što uslovljava da su MOLAP sistemi brži.


19

Dimenzije se smeštaju u tabele dimenzija koje sadrže nazive svakog člana dimenzije, a

svaki član dimenzije naziva se atribut. U svetu skladišta podataka ključni atribut u tabeli

dimenzija mora da sadrži jedinstvenu vrednost za svakog člana dimenzije. Jedna

dimenzija može da sadrži više atributa. Atributi mogu da budu:

Grupišući i

Negrupišući

Ne grupišući mogu da se nazivaju i osobinama člana dimenzije a grupišući atributu

mogu da se kombinuju u hijerarhije. Hijerarhije predstavljaju put kojim se u izradi

analiza sistem kreće po dubini kroz vrednosti.

Mere se smestaju u tabele kojima nazivamo tebele činjenica. Svaka kolona u tabeli

činjenica je ključna kolona uli kolona činjenica. Kolona može da sadrži podatke o

referencama. Tabela činjenica za svakog člana radije koristi šifru numeričkog tipa nego

naziv člana. Ukoliko se za označavanje članova dimenzije koriste celobrojni podaci,

tada se za opisane podatke članova dimenzije kreiraju tabele dimenzija, što sustinski

možemo shvatiti kao šifarnik.

4.2.1 Dimenzije OLAP kocke

Standardne dimenzije kocki koje će biti kreirane su podaci iz tabela:

Film – Naziv filma,

Film – Naziv rezisera,

Dobavljac – Naziv dobavljaca,

Zanr – Naziv zanra,

Radnik – Radnik (ime, prezime, status),

Vreme – vremenska dimenzija (datumProdaje)

Na slikama 4.3 i 4.4 su prikazane dimenzije:

Slika 4.3. Dimenzije OLAP kocke (metoda Pahulja)


20

Slika 4.4. Dimenzije OLAP kocke (metoda zvezde)

4.2.2. Šema OLAP kocke projektovana metodom “zvezde“ (Star)

Slika 4.5 Šema OLAP kocke

Na slici 4.6 su prikazane mere OLAP kocke projektovane na bazi zvezde:

Slika 4.6 Mere OLAP kocke

Vidimo sa slike da imamo jedno izračunljivo polje (Calculated Member) a to je Cena

filma, ovo izračunljivo polje jednostavno sabira nabavnu cenu i marzu.

CREATE MEMBER CURRENTCUBE.[Measures].[Cena filma]

AS [Measures].[Marza]+[Measures].[Nabavna Cena],

VISIBLE = 1 , ASSOCIATED_MEASURE_GROUP = 'Ponuda filmova' ;


21

4.2.3. Šema OLAP kocke projektovana metodom “pahulje“ (Snowflake)

Slika 4.7. Šema OLAP kocke

Na slici 4.8 su prikazane mere OLAP kocke projektovane na bazi metode pahulje.

Slika 4.8. Mere OLAP kocke

Kreirenje pogleda/upita za izračuniljivo polje Iznos = cenaFilma*kolicina - (cenaFilma*

kolicina* popust/100)

CREATE VIEW [Iznosi racuna sa popustom]

AS

SELECT Prodaja.sifraFilma, Prodaja.idRacuna, Prodaja.idRadnika,

idProdaje, cenaFilma, kolicina, popust, datumProdaje,

CASE

WHEN popust is not null

THEN (cenaFilma*kolicina)-(cenaFilma*kolicina*popust

/ 100)

ELSE cenaFilma*kolicina

END as Iznos

FROM Prodaja INNER JOIN Racun

ON Prodaja.idRacuna=Racun.idRacuna


22

sifraFilma idRacuna idRadnika idProdaje cenaFilma kolicina popust datumProdaje Iznos

1 1 1 1 175 5 20 2011-02-12 700.000000

11 1 1 2 185 2 20 2011-02-12 296.000000

15 1 1 3 185 3 20 2011-02-12 444.000000

23 1 1 4 190 2 20 2011-02-12 304.000000

12 2 2 5 185 3 20 2012-01-01 444.000000

Prilikom kreiranje data source view-a u SQL Server Business Intelligence Development

Studio-u ovaj prethodno kreirani pogled (Iznosi racuna sa popustom) nam predstavlja

novu tabelu koju je potrebno povezati sa tabelama Radnik i Film preko odgovarajuch

ključeva kao što se vidi na slici 4.1.

4.3 Kreiranje OLAP kocke

U ovom radu autor je kreirao dve kocke, prva kocka predstavlja ponudu filmova

kupcima, po nazivu filma, zanrovima i dobavljačima (cbZvezda). Druga kocka

predstavlja analizu prodaje filmova, najprodavaniji filmovi po zanrovima,

dobavljačima, radnicima, a i analiza prodaje filmova po godinama, mesecima,

kvartalima itd (cbPahulja).

Postoje dva načina za kreiranje kocke, prvi način je kreiranje prazne kocke, a nakon

toga se naknadno dodaju dimenzije i mere. Drugi način je preko wizard-a, u okviru

wizard-a se biraju dimenzije i mere.

Kreiranje kocke se započinje desnim klikom na čvor Cubes,a zatim se bira New cube

[Slika 4.9].

Nakon što potvrdimo kreiranje nove kocke otvara se

wizard, nakon potvrde na dugme Next biramo opciju

Create an empty cube (kreiranje prazne kocke – prvi

načina) zatim biramo odgovarajući data source view i

tako smo kreirali praznu kocku.

Slika 4.9. Kreiranje kocke

Sledeće što je potrebno je kreiranje dimenzija. Na čvoru Dimenzions desnim klikom se

otvara padajući meni na kome je potrebno izabarti New Dimenzion [Slika 4.10].

Nakon potvrde na dugme Next biramo opciju Use an

existing tabel, zatim biramo Main table, odnosno

tabelu koja će nam predstavljati podatke koju opisuju

neki posao. Na primer ukoliko želimo činjenicu naziv

filma naša tabela će biti film. Na kraju dajemo naziv

kocki i kocka je kreirana.

Slika 4.10 Kreiranje dimenzije


23

Kada smo kreirali potrebne dimenzije, sledeće što

je potrebno jeste uključivanje dimenzija kocki.

Dvostrukim klikom na kocku otvaramo kocku i u

kartici Cube Structure primećujemo deo za mere i

deo za dimenzije. U delu za dimenzije desnim

klikom se otvara padajući meni u kom biramo Add

Cube Dimenzion [Slika 4.11].

Slika 4.11 Dodavanje dimenzija

U kocku je takođe potrebno uključiti mere [slika 4.12], u delu za mere desnim klikom

otvaramo meni i biramo New Measure. U novo otvorenom prozoru biramo tabelu

činjenica (Source Table) i agregatnu funkciju (Sum, Count of rows, Minimum,

Maximum itd).

Slika 4.12. Dodavanje mere OLAP kocki

Prilikom kreiranje kocke wizard-om (Use existing tables) u wizard-u biramo tabele koje

će nam predstavljati činjenice i zatim program sam daje neke mere koje se mogu

iskoristiti ili ne i listu dimenzija od kojih se mogu izabrati sve ili pojedine, zavisno od

analize. Kreiranjem kocke wizard-om nije potrebno naknadno dodavati dimenzije jer su

već uključene u kocku.

Jedna od najvaznijih primena Business Intelligence Development Studio-a jeste analiza

podataka u zavisnosti od vremene, što znači da je potrebno dodati i vremensku

dimenziju.

Kada se otvori wizard za kreiranje dimenzije biramo Generate a time table in the data

source. Nakon toga je potrebno izabrati period za koji se vrši analiza i vremenske

intervale [Slika 4.13]. Nakon kreiranja vremenske dimenzije u našem data source view-

u se pojavljuje tabela sa nazivom dimenzije. Tu tabelu je potrebno povezati sa tabelom

koja ima atribut tipa DataTime [Slika 4.1].


24

Slika 4.13. Podešavanje perioda za vremensku dimenziju

Slika 4.14 prikazuje editor i čitač kocke za analizu prodaje filmova po zanrovima,

dobavljačima, radnicima, godinama, mesecima, kvartalima (šema pahulje).

Slika 4.14. Čitač kocke cbPahulja


25

Slika 4.15 prikazuje editor i čitač kocke za prikaz ponude filmova po zanrovima i

odbavljačima (šema zvezde).

Slika 4.15. Čitač kocke cbZvezda

5. Analiza podataka i grafički prikazi

5.1. Kreiranje izveštaja (Reporting Services)

Izveštaj je takođe kreiran u alatu Microsoft Business Intelligence Mangement

Studio 2008. Nakon pokretanja programa biramo novi projekat i iz listi template-a

biramo Report Server Project.

Zatim u Solution Explorer-u na čvor Reports desnim klikom miša biramo Add New

Report [Slika 5.1].

Slika 5.1 Kreiranje novog Izveštaja

Nakon toga nam se otvara wizard za kreiranje izveštaja, prvo što je potrebno jeste

kreiranje izvora podataka (data source-a) [Slika 5.2]


26

Slika 5.2. Kreiranje izvora podataka

Kada kreiramo izvor podataka u Query Designer-u je potrebno kreirati upit za

izvlačenje podataka koji će nam se pojaviti u izveštaju, detaljnije o ovim upitima u

poglavlju 5.1.1 MDX upiti.

Kada kreiramo MDX upit za isčitavanje podataka potrebno je dizajnirati izgled tabele

[Slika 5.3].

Slika 5.3. Dizajniranje izgleda tabele


27

Tabela 5.1 predstavlja izveštaj prodaje filmova.

Prodaja filmova

Calendar 2010

Naziv Zanra Naziv filma Cena filma Broj prodatih filmova

Popust Iznos sa popustom

akcioni

Ghost Ride

175 1 0 175

The Amazing Spider Man

185 5 10 832.5

The Courier

170 5 5 824.5

Vampire

Hunter

170 4 10 612

animirani

Wreck-It Ralph

175 2 0 350

drama

Young Adult

185 2 0 370

Tabela 5.1. Izveštaj prodaje filmova

U tabeli 5.2 je prikazan izveštaj o ponudi filmova

Ponuda filmova

akcioni

Naziv

dobavljaca film d.o.o filmovizija movietrade

Naziv filma Naziv rezisera Broj

filmova na

lageru

Cena

filma Broj

filmova na

lageru

Cena

filma Broj

filmova na

lageru

Cena

filma

Ghost Ride Mark

Neveldine 20 175

The Amazing Spider Man

Marc Webb 13 185


28

The Courier Hany Abu-Assad

10 170

The Expendables

2

Simon West 14 185

Total Recall Len Wiseman 10 175

Vampire

Hunter Timur

Bekmambetov 11 170

Tabela 5.2. Ponuda filmova

5.1.1. MDX upiti (MDX queries)

Višedimenzionalni izrazi (eng. Multidimensional Expressions) ili MDX je upitni

jezik koji se koristi za rad i preuzimanje višedimenzionalnih podataka u Analysis

Service-u. MDX je zasnovan na XML for Analysis (XMLA) specifikaciji sa posebnim

dodacima za SQL Server Analysis Services. MDX je površno sličan SQL sintaksi koja

se koristi u relacionim bazama podataka, ali ipak nije produžetak SQL jezika i

razlikuju se međusobno. Za kreiranje MDX upita koristimo aplikaciju „MDX Sample

Application“ koja je sastavni deo MS SQL Server Analysis Services sistema.

Kreiranje MDX upita [Slika 5.4] je relativno jednostavno, u query designer-u

prevlačimo mere i dimenzije koje su nam potrebne za izveštaj iz odgovarajuće kocke.

Slika 5.4. Kreiranje MDX upita


29

MDX upit izveštaja o prodaji filmova (metoda pahulje):

SELECT NON EMPTY { [Measures].[Iznos sa popustom], [Measures].[Broj prodatih

filmova], [Measures].[Popust], [Measures].[Cena filma] } ON COLUMNS, NON

EMPTY { ([Naziv zanra].[Naziv Zanra].[Naziv Zanra].ALLMEMBERS * [Naziv

filma].[Naziv filma].[Naziv filma].ALLMEMBERS *

[Vreme].[Year].[Year].ALLMEMBERS ) } DIMENSION PROPERTIES

MEMBER_CAPTION, MEMBER_UNIQUE_NAME ON ROWS FROM [cbPahulja]

CELL PROPERTIES VALUE, BACK_COLOR, FORE_COLOR,

FORMATTED_VALUE, FORMAT_STRING, FONT_NAME, FONT_SIZE,

FONT_FLAGS

MDX upit izveštaja o ponudi filmova (metoda zvazde):

SELECT NON EMPTY { [Measures].[Broj filmova na lageru], [Measures].[Cena

filma] } ON COLUMNS, NON EMPTY { ([Naziv filma].[Naziv filma].[Naziv

filma].ALLMEMBERS * [Naziv rezisera].[Naziv Rezisera].[Naziv

Rezisera].ALLMEMBERS * [Naziv zanra].[Naziv Zanra].[Naziv

Zanra].ALLMEMBERS * [Naziv dobavljaca].[Naziv dobaljvaca].[Naziv

dobaljvaca].ALLMEMBERS ) } DIMENSION PROPERTIES MEMBER_CAPTION,

MEMBER_UNIQUE_NAME ON ROWS FROM [cbZvezda] CELL PROPERTIES

VALUE, BACK_COLOR, FORE_COLOR, FORMATTED_VALUE,

FORMAT_STRING, FONT_NAME, FONT_SIZE, FONT_FLAGS

5.2. Izvoz analitičkih podataka i kreiranje izvedenih (Pivot) tabela

Microsoft Excel je profesionalni alat namenjen za obradu tabelarno sređenih

podataka. Veoma je koristan u savremenom poslovanju gde se traži brza i kvalitetna

informacija. Prednost Excel-a je u tome što omogućava interaktivan tj. neposredan rad

sa podacima, tako da ga mogu koristiti ljudi različitog nivoa i vrste obrazovanja za

automatizaciju pre svega svog ličnog poslovanja i to bez ikakvog programerskog

znanja.

Pivot tabela je dinamička tabela sa objedinjenim podacima iz nekog izvora podataka.

Za ovaj primer autor je koristio Microsoft Office 2007.

U kartici Insert biramo PivotTable, nakon toga je potrebno odabrati izvor podatka (Data

Source) biramo combo box Use an external data source i zatim pritiskamo dugme

Choose Connection -> Browse for more -> New Source, kao što je prikazano na slici

5.5.


30

Slika 5.5 Kreiranje pivot tabele

Kada kliknemo na New Source otvara se Data Connection Wizard [Slika 5.6] u kome je

potrebno označiti Microsoft SQL Server Analysis Services, pa upisati naziv SQL server

i odabrati kocku za koju kreiramo pivot tabelu.

Slika 5.6. Data Connection Wizard


31

Na slici 5.7 je prikazana pivot tabela prodaje filmova.

Slika 5.7. Pivot tabela prodaje filmova

5.3. Izrada dijagrama i grafikona (Chart)

Za kreiranje krafikona u kratici Insert biramo PivotChart, zatim biramo combo

box Use an external data source i program ce nam ponuditi prethodno kreirani data

source koji smo koristili za pivot tabelu. Ukoliko želimo drugi izvor podataka postupak

je isti kako i kod kreiranja pivot tabele (Slike 5.5 i 5.6).

Na slici 5.8. je slikovito prikazana prodaja filmova po godinama i žanrovima. Kreiranje

je jednostavno, kad se povežemo na izvor podataka u polje Legend prevlačimo godine,

u polje Axis prevlačimo naziv žanra i u polje za vrednosti prevlačimo broj prodatih

filmova [Slika 5.9].

Slika 5.8. Grafikon prodaje filmova po godinama i žanrovima

0

5

10

15

20

25

30

Calendar 2010

Calendar 2011

Calendar 2012


32

Na slici 5.9 je grafički prikazana prodaja filmova po dobavljačima u zavisnosti od

vremena. U polje Legend prevlačimo naziv dobavljača, u polje Axis prevlačimo godine

i u polje Values prebacujemo broj prodatih filmova.

Slika 5.9. Prodaja filmova po dobavljačima

5.4. Data mining

Za razliku od upita, izveštaja i više dimenzionalnih analiza, gde korisnik

izvršava upite zasnovane na hipotezama, data mining traži odgovore na pitanja koja ne

moraju prethodno biti postavljena. Otkrivanje može imati formu pronalaženja značaja u

vezama između određenih elemenata podataka, klasterisanju određenih elemenata

podataka ili drugi obrazac u korišćenju drugih elemenata podataka.Iz ovih obrazaca

algoritmi izvode pravila, koja mogu biti korišćena za generisnaje modela željenog

ponašanja, identifikuje veze među podacima otkriva obrasce i grupiše klastere zapisa

sličnih atributa.

Data mining se koristi za statističke analize podataka i otkrivanje znanja. Data mining je

vođen podacima, može omogući da ostvarimo nove poglede na posao dajući odgovore

na pitanja koja nismo mislili da postavimo.

Kreiranje data mining strukture započinjemo desnim klikom miša na čvor Mining

Structures i biramo New Mining Structure. Nakon toga nam se otvara Data Mining

Wizard. U ovom primeru vršićemo kreiranje strukture iz postojeće kocke (From

existing cube), zatim biramo Microsoft Decision Trees kao tehnologiju data mining

strukture. Sledeći korak [Slika 5.10] je odabir dimenzije iz predhodno kreirane kocke, to

je dimenzija Film, nakon toga biramo atribute i mere koje ćemo uključiti u mining

strukturu, u sledećem koraku biramo kolonu za koju ćemo vršiti predviđanje, to je

kolona naziv žanra.

0

5

10

15

20

Calendar 2010 Calendar 2011 Calendar 2012

film d.o.o

filmovizija

kraljevofilm

moviein

movietrade

newmovie

nsmovie


33

Slika 5.10. Kreiranje data mining strukture

Na slici 5.11 je prikazana data mining struktura, na slici 5.12 model mining strukture i

na 5.13 mining legend.

Slika 5.11. Data mining struktura

Slika 5.12. Data mining model


34

Slika 5.13. Data mining legend

6. Zaključak

Skladište podataka je posebno projektovano tehnološko okruženje koje

omogućuje objedinjavanje srodnih podataka u oblik pogodan za analizu čime se

olakšava proces donošenja odluka i daje nov pristup sistemima za podršku odlučivanju.

Ovaj koncept obezbeđuje fleksibilan i efikasan način raspolaganja podataka u formatu

pogodnom za savremene poslovne aplikacije. Uvođenjem koncepta skladišta podataka,

operativne baze prestaju da budu opterećene složenim upitima, pa ceo informacioni

sistem koji se sad sastoji od dva dela, operativnog i skladišta podataka, postaje

produktivniji i lakše se kontroliše i restrukturira.

Data Warehouse je revolucionaran prilaz koriščenju podataka i kreiranja informacija,

koji kao deo poslovne inteligencije je brzo preovladao stare metode dolaska do

informacija. Danas kao što se dosta ulaže u ovu tehnologiju od strane svih srednjih i

većih preduzeda takođe se ulaže dosta u razvijanje alata koji omogućuju ovu snagu

informacija da iskoriste i obični korsinici.


35

7. Literatura

[1] Doc. dr Gordana Radić, Upravljanje poslovnim informacionim sistemima,

Panevropski univerzitet “APEIRON“ Banja Luka (2009).

[2] Varga Mladen, Upravljanje podacima, Element Zagreb (2012).

[3] Alempije Veljović, Miroslav Radojičić, Jasmina Vesić, Menadžment informacioni

sistemi u praksi, Kompjuter biblioteka Čačak, 2002.

prodavnica filmova data warehouse - tfzr rad - vejnovic.pdf · podataka što se postiže...

Documents