sistemi poslovne inteligencije sistemi podrške odlučivanja sistemi
TRANSCRIPT
am5 1
SSistemiistemi
PPoslovneoslovne
IInteligencijenteligencije
Bussines Intelligence SystemsBussines Intelligence Systems
Prof. dr Pere Tumbas
Doc. dr Predrag Matković
Sistemi podrške odlučivanjaSistemi podrške odlučivanja
• Istorijski gledano:
MIS – Management Information Systems
DSS – Decision Support Systems
EIS – Executive Information Systems
ES – Expert Systems
BI – Bussines Intelligence
• Naglašavaju menadžersku orijentaciju primene informatičkih tehnologija u organizacijama.
am5 2
Poslovna inteligencijaPoslovna inteligencija
Izraz “Business Intelligence” (BI) označava kategoriju sredstava analize podataka, izveštavanja, postavljanja upita, koja korisniku u procesu poslovanja mogu pomoći da iz ogromne količine podataka sintetizuju vredne informacije na kojima će zasnivati razborite poslovne odluke
(Gartner Group, septembar 1996)
Izraz “Business Intelligence” (BI) označava kategoriju sredstava analize podataka, izveštavanja, postavljanja upita, koja korisniku u procesu poslovanja mogu pomoći da iz ogromne količine podataka sintetizuju vredne informacije na kojima će zasnivati razborite poslovne odluke
(Gartner Group, septembar 1996)
Sistemi poslovne inteligencijeSistemi poslovne inteligencije
Označavaju kategoriju sredstava za:
• analizu podataka- on-line analitička obrada pod. (OLAP),- rudarenje podataka (Data Mining),- ...
• postavljanja upita (Querying Tools) i
• izveštavanja (Reporting Tools).
U središtu svakog sistema posl. inteligencije nalazi se Data Warehouse (DW), kao centralno analitičko skladište podataka.
am5 3
DData ata
WWarehousingarehousing
Analitička skladišta podatakaAnalitička skladišta podataka
Operativno naspram analitičkogOperativno naspram analitičkog
Operativni sistemi Sistemi podrške odlučivanja����
Karakteristika Operativni podaciPodaci za podršku
odlučivanju
Aktuelnost podataka Tekući podaci Istorijski podaci
Granularnost Elementarni i detaljni Agregirani
Nivo agregacije Nizak Visok, višenivovski
Šema baze podataka Normalizovana Nenormalizovana
Tip transakcija Pretežno ažuriranje Pretežno upiti
Učestalost ažuriranja Velika Periodična
Kritične transakcije Ažuriranje Pretraživanje
Učestanost upita Mala do srednja Velika
Obuhvatnost upita Uzan opseg podataka Širok opseg podataka
Kompleksnost upita Mala do srednja Veoma velika
Obim podataka MB do GB GB do TB
am5 4
Data WarehousingData Warehousing
”DW je kopija transakcionih podataka specifično
strukturirana za potrebe upita i izveštavanja.”
R.Kimball
”DW predstavlja kolekciju podataka dizajniranu za
potrebe podrške menadžerskog odlučivanja.”
http://www.webopedia.com
U središtu svakog sistema posl. inteligencije nalazi se Data Warehouse (DW), kao centralno analitičko skladište podataka.
IIzvorizvori podatakapodataka Upravljanje podacimaUpravljanje podacima(Data Warehouse & Data Mart)(Data Warehouse & Data Mart)
Pristup i Pristup i analizaanaliza
Operativni podaci
DataWarehouse(Preduzeće)
Istorijski podaci
Data Mart(Poslovna jedinica)
Operativni Datastore
The
Post
VISA
Eksterni izvori podataka
DW arhitekturaDW arhitektura
Data Mart(Poslovna jedinica)
ETLETL
am5 5
Martovi podataka (Data Mart)Martovi podataka (Data Mart)
• Za razliku od Data Warehouse čija je osnovnafunkcija da odražava procese i pravilaposlovanja celovite kompanije – organizacije,mart podataka odražava pravila poslovanjaunutar jedne funkcije, jednog poslovnogprocesa ili jedne poslovne jedinice, pri čemu tapravila treba da budu usaglašena sa pravilimaposlovanja celokupne organizacije.
• Martovi podataka mogu da budu upotrebljeni zaeksploraciju, data mining, upravljane upite ilionline analitičku obradu podataka (OLAP) ipredstavljaju direktni izvor podataka kojimakrajnji korisnici SPI pristupaju.
DimenzionalnomodelovanjeDimenzionalnomodelovanje
am5 6
Šta je dimenzionalno modelovanje?Šta je dimenzionalno modelovanje?
• Specifičan skup tehnika razvijen za potrebe izgradnje DW sistema
• Način prevođenja poslovnih procesa u model pogodan za analizu
• Tehnika identifikovanja (za svaki poslovni proces) značajnih činilaca kroz koje se mogu analizirati pokazatelji poslovanja
• Specifičan skup tehnika razvijen za potrebe izgradnje DW sistema
• Način prevođenja poslovnih procesa u model pogodan za analizu
• Tehnika identifikovanja (za svaki poslovni proces) značajnih činilaca kroz koje se mogu analizirati pokazatelji poslovanja
• Činjenice� Činjenice (Facts)
• Mere� Mere (Metrics)
• Dimenzije� Dimenzije (Dimensions)
• Hijerarhija dimenzije� Elementi dimenzije
• Opis dimenzije/Atributi� Atributi (Attributes)
• Činjenice� Činjenice (Facts)
• Mere� Mere (Metrics)
• Dimenzije� Dimenzije (Dimensions)
• Hijerarhija dimenzije� Elementi dimenzije
• Opis dimenzije/Atributi� Atributi (Attributes)
Terminologija dimenz. modelovanjaTerminologija dimenz. modelovanja
am5 7
• Podrazumevaju pokazatelje poslovanja• Prihod• Trošak• Neto profit
• Obično numeričke vrednosti
• Podrazumevaju pokazatelje poslovanja• Prihod• Trošak• Neto profit
• Obično numeričke vrednosti
ČinjeniceČinjenice
• Primenom funkcije (SUM, avg, count, ...) na činjenicu• Ukupan prihod• Ukupni troškovi• Broj kupaca
• Mogu biti proste i složene• Profit = Prihod - Troškovi
• Primenom funkcije (SUM, avg, count, ...) na činjenicu• Ukupan prihod• Ukupni troškovi• Broj kupaca
• Mogu biti proste i složene• Profit = Prihod - Troškovi
MereMere
am5 8
• Daju semantiku merama• Kakav profit smo ostvarili u POSLEDNJEM
KVARTALU?• Kakva je bila prodaja u svakoj PRODAVNICI?• Koji PROIZVODI su najbolje prodavani?
• Daju semantiku merama• Kakav profit smo ostvarili u POSLEDNJEM
KVARTALU?• Kakva je bila prodaja u svakoj PRODAVNICI?• Koji PROIZVODI su najbolje prodavani?
DimenzijeDimenzije
� Vreme- Meseci, kvartali, godine
� Geografija- Region, prodavnica, država
� Proizvod- Sva preduzeća imaju “proizvod” neke vrste
� ...
� Vreme- Meseci, kvartali, godine
� Geografija- Region, prodavnica, država
� Proizvod- Sva preduzeća imaju “proizvod” neke vrste
� ...
• Tipične dimenzije poslovnih procesa
Svaka dimenzija je (idealno) sastavljena od nizaelemenata i jedan-prema-više hijerarhijskih veza.
• Vremenska dimenzija• Dan• Mesec• Kvartal• Godina
• Dimenzija geografija• Prodavnica• Mesto• Opština• Region• Država• Grupa država
Svaka dimenzija je (idealno) sastavljena od nizaelemenata i jedan-prema-više hijerarhijskih veza.
• Vremenska dimenzija• Dan• Mesec• Kvartal• Godina
• Dimenzija geografija• Prodavnica• Mesto• Opština• Region• Država• Grupa država
Hijerarhija dimenzije (Elementi)Hijerarhija dimenzije (Elementi)
am5 9
• Način na koji korisnik vidi elemente dimenzije
• Jedan element dimenzije može imati 1 ili više atributa• Dan
• Datum
• Dan u sedmici
• Dan u mesecu
• Dan u godini
• ...
• Način na koji korisnik vidi elemente dimenzije
• Jedan element dimenzije može imati 1 ili više atributa• Dan
• Datum
• Dan u sedmici
• Dan u mesecu
• Dan u godini
• ...
Atributi dimenzijeAtributi dimenzije
GeographyGeography
Geography_CodeGeography_Code
Region_CodeRegion_Code
Region_ManagerRegion_Manager
State_CodeState_Code
City_CodeCity_Code
City_NameCity_Name
Zip_CodeZip_Code
TimeTime
Time_CodeTime_Code
Quarter_CodeQuarter_Code
Quarter_NameQuarter_Name
DateDate
Month_CodeMonth_Code
Month_NameMonth_Name
Day_CodeDay_Code
Day_Of_WeekDay_Of_Week
SeasonSeason
SalesSales
Geography_CodeGeography_Code
Time_CodeTime_Code
Account_CodeAccount_Code
Product_CodeProduct_Code
Dollar_AmountDollar_Amount
UnitsUnits
AccountAccount
Account_CodeAccount_Code
Key_Account_CodeKey_Account_Code
Key_Account_NameKey_Account_Name
Account_NameAccount_Name
Account_TypeAccount_Type
Account_MarketAccount_Market
ProductProduct
Product_CodeProduct_Code
Brand_CodeBrand_Code
Brand_ManagerBrand_Manager
Brand_NameBrand_Name
Product_Line_CodeProduct_Line_Code
Product_Line_NameProduct_Line_Name
Product_Line_MgrProduct_Line_Mgr
Product_NameProduct_Name
Product_ColorProduct_Color
Product_Model_NumProduct_Model_Num
Dimenzionalno modelovanje
Primer: Star šema
Dimenzionalno modelovanje
Primer: Star šema
am5 10
Dimenzionalno modelovanje
Primer: Model
Dimenzionalno modelovanje
Primer: Model
Proizvod/usluga
Ku
pa
c/k
orisn
ik
OLAPOLAP
Interaktivna analitička obrada pod.Interaktivna analitička obrada pod.
am5 11
• Interaktivna analitička obrada podataka predstavlja aktivnost interaktivnog postavljanja upita i prezentovanja brojčanih i tekstualnih pod. iz analitičke baze podataka organizovane po DW principu.
• OLAP sistemi su zasnovani na multidimen-zionalnom pogledu na podatke i omogućujuinteraktivno manipulisanje velikim količinama detaljnih i konsolidovanih podataka i njihovuanalizu iz različitih perspektiva.
• Interaktivna analitička obrada podataka predstavlja aktivnost interaktivnog postavljanja upita i prezentovanja brojčanih i tekstualnih pod. iz analitičke baze podataka organizovane po DW principu.
• OLAP sistemi su zasnovani na multidimen-zionalnom pogledu na podatke i omogućujuinteraktivno manipulisanje velikim količinama detaljnih i konsolidovanih podataka i njihovuanalizu iz različitih perspektiva.
OLAPOLAP
• Definisane hijerarhije dimenzija omogućuju
jednostavno izvođenje analitičkih operacija kao
što su:
• konsolidacija (Drill-Up) i
• dekompozicija (Drill-Down).
• Ugao posmatranja se određuje zadavanjem
uslova nad dimenzijama čime se preciznije
lociraju podaci koji se žele analizirati.
• Zadavanjem uslova nad merama iz lociranog
korpusa podataka se mogu izdvojiti samo one
vrednosti koje zadovoljavaju zadate kriterijume.
• Definisane hijerarhije dimenzija omogućuju
jednostavno izvođenje analitičkih operacija kao
što su:
• konsolidacija (Drill-Up) i
• dekompozicija (Drill-Down).
• Ugao posmatranja se određuje zadavanjem
uslova nad dimenzijama čime se preciznije
lociraju podaci koji se žele analizirati.
• Zadavanjem uslova nad merama iz lociranog
korpusa podataka se mogu izdvojiti samo one
vrednosti koje zadovoljavaju zadate kriterijume.
OLAPOLAP
am5 12
• Izgled izveštaja koji predstavlja rezultat analize
se lako opisuje odabirom i uređenjem atributa i
mera za prikaz.
• Manipulacije nad izveštajima kao što su:
• page-by,
• pivoting,
• sortiranje,
• filtriranje i druge
omogućuju analitičaru da od postojećeg izveš-
taja jednim potezom napravi novi koji će pružiti
potpuno nove informacije.
• Izgled izveštaja koji predstavlja rezultat analize
se lako opisuje odabirom i uređenjem atributa i
mera za prikaz.
• Manipulacije nad izveštajima kao što su:
• page-by,
• pivoting,
• sortiranje,
• filtriranje i druge
omogućuju analitičaru da od postojećeg izveš-
taja jednim potezom napravi novi koji će pružiti
potpuno nove informacije.
OLAPOLAP
OLAP alatiOLAP alati
Vendor2005
Rank
2005
Share
2004
Rank
2004
Share
2003
Rank
2003
Share
Microsoft 1 28.0% 1 27.4% 1 26.1%
Hyperion 2 19.3% 2 20.7% 2 21.9%
Cognos 3 14.0% 3 14.1% 3 14.2%
Business Objects 4 7.4% 4 7.2% 4 7.7%
MicroStrategy 5 7.3% 5 7.1% 5 6.2%
am5 13
Data
Mining
Data
Mining
Rudarenje podatakaRudarenje podataka
� Data Mining je proces eksploracije i analize,
automatskim ili poluautomat-skim sredstvima,
velikih količina podataka radi otkrivanja
smisaonih složajeva i pravila.
(M. Berry i G. Linoff)
� IBM definiše Data mining kao “proces
ekstrahovanja prethodno nepoznatih, valjanih
i delotvornih informacija iz velikih baza
podataka i korišćenje tih informacija za
donošenje ključnih poslovnih odluka”.
� Data Mining je proces eksploracije i analize,
automatskim ili poluautomat-skim sredstvima,
velikih količina podataka radi otkrivanja
smisaonih složajeva i pravila.
(M. Berry i G. Linoff)
� IBM definiše Data mining kao “proces
ekstrahovanja prethodno nepoznatih, valjanih
i delotvornih informacija iz velikih baza
podataka i korišćenje tih informacija za
donošenje ključnih poslovnih odluka”.
Data MiningData Mining
am5 14
� Data mining se koristi tehnikama i algoritmima
iz oblasti statistike, veštačke inteligencije i dr.,
da bi se u velikim skupovima podataka otkrili
značajni “skriveni” složajevi.
� Tumačenje i razumevanje tih složajeva
omogućava bolje dijagnostikovanje stanja
stvari, bolje predviđanje i samim tim, bolje
odlučivanje.
� Data mining se koristi tehnikama i algoritmima
iz oblasti statistike, veštačke inteligencije i dr.,
da bi se u velikim skupovima podataka otkrili
značajni “skriveni” složajevi.
� Tumačenje i razumevanje tih složajeva
omogućava bolje dijagnostikovanje stanja
stvari, bolje predviđanje i samim tim, bolje
odlučivanje.
Data MiningData Mining
• Osnovna razlika između OLAP i DM je uoperisanju podacima.
• OLAP obavlja multidimenzionalne analizepodataka - omogućava sumarizovanje idrill-down.
• OLAP se koristi agregiranjem, u osnovi suoperacije adicije – sabiranja: npr. OLAPmože kazati ukupni broj proizvodaodređene vrste, prodatih u određenomperiodu u određenom regionu.
• Osnovna razlika između OLAP i DM je uoperisanju podacima.
• OLAP obavlja multidimenzionalne analizepodataka - omogućava sumarizovanje idrill-down.
• OLAP se koristi agregiranjem, u osnovi suoperacije adicije – sabiranja: npr. OLAPmože kazati ukupni broj proizvodaodređene vrste, prodatih u određenomperiodu u određenom regionu.
Razlika između OLAP i Data MiningRazlika između OLAP i Data Mining
am5 15
• DM kazuje o odnosima i složajevima uskupu podataka.
• DM može kazivati o činiocima koji utiču naprodaju proizvoda određene vrste uodređeno vreme na određenom regionu.
• OLAP i DM se mogu zajedno koristiti radiuviđanja značajnih odnosa i sticanjaneophodnih informacija sadržanih umartovima podataka i DW.
• DM kazuje o odnosima i složajevima uskupu podataka.
• DM može kazivati o činiocima koji utiču naprodaju proizvoda određene vrste uodređeno vreme na određenom regionu.
• OLAP i DM se mogu zajedno koristiti radiuviđanja značajnih odnosa i sticanjaneophodnih informacija sadržanih umartovima podataka i DW.
Razlika između OLAP i Data MiningRazlika između OLAP i Data Mining
• Agregiranje i induktivno zaključivanje mogu da budu komplementarni.
• Npr., DM može otkriti važne odnose u skupu atributa, a OLAP može da generiše izveštaj koji detaljno prikazuje doprinos tih otkrivenih odnosa.
• Agregiranje i induktivno zaključivanje mogu da budu komplementarni.
• Npr., DM može otkriti važne odnose u skupu atributa, a OLAP može da generiše izveštaj koji detaljno prikazuje doprinos tih otkrivenih odnosa.
Razlika između OLAP i Data MiningRazlika između OLAP i Data Mining
am5 16
BI je “sveto trojstvo” za izgradnju DSS.
� Data Warehouse,
� OLAP-a i
� Data mining
BI je “sveto trojstvo” za izgradnju DSS.
� Data Warehouse,
� OLAP-a i
� Data mining
Hvala
na
pažnji!
Hvala
na
pažnji!