Poslovna Inteligencija Bojan Ciric

POSLOVNA INTELIGENCIJA

I

Izdava data îcilu^ Beograd ww w. d a c as t a t u s. co. v u cei: 011/3017-832 fax: 011/3017-835 Za izdavaaPREDRAG URKOVI, DIPL. IN.

Autor

BOJAN IRI

Recenzenti:PROP, DR VOJ KAN VASKOVI, PROP, DR DRAGANA BPEJSKI VUJAKLIJA

Lektor

BEDRIJA ARSI

Tehniki urednik

VLADIMIR NEKOVI

Dizajn koricaGORAK IRKOVI

tampa SP PRINT, Novi Sad Tira 500 Beograd 2006ISBN 86-7478-013-0

POSLOVNA INRELIGENCIJASea prava zadrana. Ni jedan deo ove knjic no moe bici reprodukovan, snimljen, ili emitovan na bilo koji nain: elektronski, mehaniki, ioiokopiranjem iii drugim vidom, bez pisane dozvole izdavaa.

Ovu knjigu posveujem Anji, Milou i Bojani. Mi smo jedno srecna porodica.

Sadraj

Posebnu zahvalnost dugujem kompaniji Pexim Solutions. Ponosan sam to sam deo nje i deo vizije koja se ostvaruje.

Poglavlje 1 - Uvod u poslovnu Inteligenciju 9Ukratko o sadraju 9 Kome je knjiga namenjena 10 Terminologija 10 Znaaj poslovne informacije 11 Aspekti informacionih tehnologija u preduzeo 11 Razvoj informacionih tehnologija ukratko 13 Centralizovana arhitektura 14 Distribuirana arhitektura 15 Vieslojne arhitekture 16 Retrospektivni pogled na Data warehousing 18

Poglavlje 2 - Poslovna inteligencija 21ta je to poslovna inteligencija 21 Razvoj poslovnih informacionih sistema 21 Prva generacija - Host bazirani upiti i izvetavanje 21 Druga generacija - Data warehousing 22 Trea generacija - Poslovna inteligencija 23 Zato je potrebna poslovna inteligencija 24 ta je potrebno za poslovnu inteligenciju 25 Neki aspekti poslovne inteligencije 26 Menadment znanja 27 Poslovna inteligencija i menadment znanja 28 Putokaz za inteligentno poslovanje 29 Integracija poslovne inteligencije u preduzea 31 TehnikePoslovna inteligencija I 6 za integraciju poslovne inteligencije u preduzee 34 Tehnika broj 1: Integracija poslovne inteligencije u enterprise portale 34 Tehnika broj 2: Ugneenje analitikih metoda u operativne aplikacije 36 Tehnika broj 3: Web servisi 40 Tipovi aplikacija poslovne inteligencije 43 Izvetajne aplikacije 44 Ad hoc upiti i izvetavanje 44 Analitike aplikacije 44 Statistike analize i data mining 44 Aplikacije za planiranje 45 Kljuni indikatori performansi 46 Indikatori fokusirani na trokove 47 Indikatori fokusirani na proizvod 47 Indikatori orijentisani na kupca 48 Organizaciono barijere za primenu poslovne inteligencije 49 Pmrnene u strukturi moi 49 Kulturoloki imjterativi 50 Preraspodela autoriteta 50 Problemi s kadrovima 50 Poslovna inteligencija: uticaji, trendovi, inovacije 51 Uticaji na posloimu inteligenciju 51 Napredak u oblasti organizacije 52 Tehnoloki trendovi poslovne inteligencije 52 Budunost poslovne inteligencije 54

109 Zumiranje podataka 109 Centralizovan sistem sigurnosti 109 Poslovna pravih 109 Poredenje mukidimenzionalnih analiza sa SQL pristupom 110 Zadovoljavanje heterogenih potreba irokog kruga korisnika 110 Analitiari. auton izvetaja 1 1 1 Menaderi 1 1 1 Korisnici informacija 1 1 1 Kreiranje i implementacija OLAP izvetaja 112 Kreiranje i odravanje kocaka podataka (data cubes) 113 Upravljanje vremenskim kategorijama 113 Primana siandardiz' wanih poslovnih pravila 114 K( inverzija valu ta 1 1 4 Centralizovam sistem sigurnosti 1 1 4 implementacija kocaka podataka 114 Izrada OLAP izvetaja 115 Napredno formatir crnje 1 1 5 Upravljanje izuzecima 115 Distribucija OLAP izvetaja 116 Praktian primer izrade kocke podataka 116 Struktura tabela 116 Primena OLAP izvetavanja u preduzeu 119 Finansije 119 Prodaja 120 Marketing 1 2 1

Poglavlje 7 - Upravljanje poslovnim procesima (BPM) 123Uvod u upravljanje poslovnim procesima (BPM) 123 ta je BPM 123 Sta je potrebno za uspean BPM 124 Kako planirati, izabrati i implementirati BPM reenje 124 Prikupljanje informacija 125 Utvrivanje potreba 1 2 5 Izbor odgovarajueg softverskog reenja 1 2 6 Analiza efekta investicije (ROI, Return Of Investment) 126 Stuktura BPM reenja 127 Karakteristike i funkcionalnost 111 Razvojni alati i korisniki interfejsi 128 Nivo a)likativnih programskih interjejsa i okvira 128 Automatizacija procesa, workflow i mehanizam za utvrivanje pravila 128 Transformacija podataka 129 Servisi z.a pwezivanje 12 9 Upravljanje poslovnim aktivrujstima 129 Busines Process Automation 130 Projekat implementacije BPM 1 3 1 Uspenost BPM-a i kako je izmoriti 132 Ukupni trokovi 132 Operativna efikasnost 132 Smanjenje jedininih trokova 133 Obezbeenje kontinuiteta u razvoju BPM-a 133 Studije sluaja 135 Studija 1: US Bancorj) 135 Studija 2: Telenor 136 BPM Zakljuna re 137

Poglavlje 3 - Data warehouse 59Data warehouse - detaljnije 59 Daxa warehouse arhitektura 61 Operativne i eksterne baze podataka 62 Nivo za pristup informacijama 62 Nivo za pristup podacima 62 Nivo direktorijuma podataka (metadata) 62 Nivo za komunikaciju aplikacija 62 Nivo data warehouse 63 Nivo transformacije podataka 63 Neki aspekti data warehouse 63 Oblast koju pokriva data warehouse 64 Obim redundanse podataka 64 Tipovi krajnjih korisnika 65 Razvoj data warehouse sistema 65 Izbor data warehouse strategije 65 Projektovanje data warehouse sistema 66 Upravljanje data warehouse sistemom 66 Kritine take data warehouse sistema 67 Budui razvoj 67 Primer ponude za data warehouse projekat 67 Pregled postojeeg stanja 68 Uvod 68 Nedostaci postojeeg sistema 69 Prednosti novog sistema 70 Prcx:es razvoja i trokovi 70 Politiko" okruenje 71 Plan rada 71 Zakljuak (primera ponude) 72

Poglavlje 8 - ERP sistemi 139Neki aspekti strategije investicija u informacione tehnologijo 139 Poslovni infonruicioni sistem - Integralni, ERP? 141 Mosto i uloga kljunih faktora ERP sistema 143 Zato kupiti ERP reenje 143 Efekti implementacije ERP reenja 144 Uloga ERP sistemu u novim menadment pristupima 148 ERP sistemi - metodologija implementacije kao faktor uspene investicije 150 Prodaja orijentisana na ciljeve 1 5 1 Provera referenci dobavljaa trenutak istine 1 5 1 Razurnevanje metodologije implementacije 153 Faktori koji utiu na uspenost implementacije 154 Zakljune napomene 155

Cognos ReportNet 1 5 8 Cognos PowerPlay 159 Cognos Visualizer 162 Cogruis DecisUrnStream 163 Cognos NoticeCast i Cognos Performance Applications 164 Hyperion 165 Hyperion Essbase 165 Hyperion Metrics Builder 167 Hyperion Intelligence 168 Hyperion Performance Suite 170 Hyperion Reports 170 Hyperion Analyzer 1 7 1 Hyperion Essbase Spreadsheet Services 1 7 2 Hyperion SQL 173 Hyperion Application Builder 174 Hyperion Essbase Integration Services 175 Hyperion Essbase Administration Services 176 Microsoft 177 SQL Server 2000 - bazina platforma 177 SQL Server 2000 data warehouse i OLAP komponente 179 Servisi z.a izvetavanje (Reporting Services) 181 SharePoint Portal Server 2003 183 Komponente Microsoft poslovne inteligencije 184 Performanse sistema poslovne inteligencije baziranih na Microsoft SQL Server Accelerator tehnologiji 185 Microsoft SQL Server 2005 - Novi adut Microsofta 194 IBM 195 DB2 OLAP Server 195 DB2 Cube Poglavlje 5 - Balanced Scorecard 93 Views 197 DB2 Intelligent Miner for Data 198 DB2 Sta je to Balanced Scorecard? 93 Perspektiva uenja i Information Integraior 199 Query Management Faciliiy 199 razvoja 95 Perspektiva poslovnih proccsa 96 Websphere Portai for Mulliplatforms 199 ORACLE 201 Perspektiva kupaca 96 Finansijska perspektiva 96 Uvod 201 Balanced Scorecard - jo jedan projekat? 97 Faza 1: Konsolidacija podataka 202 Faza 2: Otkrivanje Menadment pristupi 97 informacija 203 Faza 3: Deljenje informacija 203 Alati za Definicija nekih termina 98 Pragmatina bri razvoj korisnikih aplikacija 206 Integrisani OLAP 206 poslovna inteligencija i Scorecarding 99 Data mining 206 Portal 206 SAP 207 ,,Korj)orativni data warehouse" Bottom Up pristup 101 Integracija i upravljanje podacima u Executive Dashboard TopDown pristup 101 Gde je pragmatini preduzeu 207 kompromis 102 Analiza i inter)retacija podataka radi izrade poskjvrdh informacija 207 Jedinstven pristup informacijama i alatima Poglavlje 6 - OLAP izvetavanje 207 Komunikacija unutar preduzeu i izvan njegovih u preduzeu 105 granica 207 Izvetaji o kljunim informacijama u preduzeu: Merenje i menadment poslovnih performansi 208 Kljune Tradicionalan nain 106 Izvetaji o vanim karakteristike SAP BI platforme 208 MicroStrategy 209 informacijama u preduzeu: OLAP nain 106 Enterprise izvetavanje 209 Muhidimenzionalna OLAP izvetaji - osnovni principi 106 OLAP kocke po analiza 2 1 0 Ad hoc upiti i analize 210 Statistika i Jataka (daia cubes) 107 Interaktivna analiza podataka data mining 2 1 1 Deljenje izvetaja i uzbunjivanje 108 Napredni formati podataka 108 MOLAP, ROLAP, 2 1 1 Indeks pojmova 213 Indeks slika 2 1 5 HOLAP 108 Lakoa korienja i preglednost podataka Ukratko 73 Data mining - ta sve moemo da uradimo? 73 Data mining i data warehousing 74 Data mining i OLAP 75 Data mining i statistika 76 Data mining i trendovi IT industrije 76 Data mining primene 76 Uspean data mining 7 7 Opis podataka za data mining 77 Klastering 77 Link analiza 78 Data mining prognoze 78 Hijerarhija izbora 78 Klasifikacija 79 Regresija 79 Data mining modeli i algoritmi 80 NeuroTiske mree 80 Stabla odluke S0 Data mining projekat 81 Definisanje poslovnog problema 82 Kreiranje data mining baze podataka 82 Istraivanje podataka 85 Priprema podataka za modeliranje 85 Kreiranje modela 86 Ocena i interpretacija 87 Implementacija modela i rezultati 88 Kategorije S9 Neke vanije karakteristike data mining proizvoda 89 Zakljuak 91

Poglavlje 4 - D*TA MINING i Knowledge Poglavlje 9 - Kljuni igrai na tritu 157 Cognos 157 discovery 73

Sadraj 7Literatura 2 1 7 Web saj tovi 2 1 7 O Peximu 219

Uvod u poslovnu inteligenciju iI '/..< i U-- i

>'. :

Vn

r.** ** r-. i::-? ss r. ii %I.

" Collaboration portletKUm n >>* t*>

B < iifaf

i m

a*

Business inteliigence portiets

Poenta je, u tome da se korisniku prezentira ono to je neophodno za njegov posao i da on ne mora da se bavi detaljima, na primer, koje konkretne aplikacije i alati obezbe- duju osobine poslovne inteligencije i slino. Na kraju treba naglasiti da se u portalu moe nalaziti vie stranica portala od kojih svaka ima skup portleta koji prikazuju sadraje iz razliitih sistema. Te portal stranice mogu da budu personalizovane ne samo sa aspekta uloge korisnika, nego i sa aspekta specifinih aktivnosti koje se obavljaju. Portali su takoe nezavisni i sa aspekta ureaja, tako da korisnici na primer mogu da ih koriste i pomou mobilnih ureaja.

Tehnika broj 2: Ugneenje analitikih metoda u operativne aplikacije

I

36 Poslovna inteligencija

Ugneenje analitikih metoda u operativne aplikacije odvija se u procesu razvoja samih aplikacija. Strunjaci u razvoju imaju izbor na koji nain e ovaj proces da obave. On moe da se uradi na aplikativnom nivou ili na nivou samih podataka. Ugneenje analitikih metoda u operativne aplikacije na aplikativnom nivou moe da se uradi oomou specifino utvrenog industrijskog standarda koji se zove aplikativni

Poglavlje 1 Uvod u poslovnu inteligenciju 37

programski interfejs (API, Application programming interface). Jedan od primera API industrijskog standarda je Java OLAP interjes - JOLAP Operativne aplikacije mogu da koriste taj pristup za pozivanje popularnih alata poslovne inteligencije ili prekodiranih komponenata poslovne inteligencije. Neki pozivi mogu da budu u formi zahteva za iz- vetajem, kockom podataka (cube), automatskom analizom, grafikonom i slino. Razvojni strunjaci mogu jednostavno da prilagode pozive tih alata svojim operativnim aplikacijama ili mogu da koriste gotove komponente iz biblioteke komponenata poslovne inteligencije u okviru svojih operativnih aplikacija. Tipovi komponenata ukljuuju OLAR data mining, navigaciju i vizuelizaciju. Proizvoai, kao to su Oracle (BI Beans), AlphaBlox i ProClarity (Analitytic Application

I


Sistem za upravljanje bazom podataka Slika 16

Korienje BI komponenata u operativnim aplikacijama.


development Platform) nude takve komponente sa mogunostima integracije u operativne aplikacije. Na nivou podataka, proizvoai sistema za upravljanje bazama podataka (DBMS) prosto su se prethodnih nekoliko godina utrkivali ko e obezbediti vie funkcionalnosti poslovne inteligencije u svom proizvodu. Te dodatne funkcionalnosti se pre svega ogledaju u : Proirenju SQL jezika novim agregatnim funkcijama Uvoenje tehnologija, kao to su materijalizovani pogledi OLAP u bazi podataka Data mining u bazi podataka U oblasti SQL jezika mnogi proizvoai su uveli dodatnu podrku za agregatne funkcije u svoje proizvode. SQL jezik sada podrava statistike i analitike funkcije, funkcije regresije i OLAP funkcije.

Statistica! 8; Analysis

Regression

OLAP : ^

. AVC, CORRELATION COUNT COU!MT_BIG CO VARIANCE MAX MIN RAND . STDDEV SUM VARIANCE

. REGR-COUNT REGR_INTERCEPT REGR R2 REGR SLOPE V REGRISXX, REGR SXY, REGR SYY-

LFLT RCLLUP GROUPING RANK DENSE.RANK ROW_NUMBER NTILE PIVOT UNPIVOT

.

.

-

-

Slika 17 SQL funkcije.

SQL funkcije koje slue kao podrka konceptu poslovne inteligencije predmet su i optimizacije baze podataka i paralelnog SQL izvravanja ukoliko verzija DBMS sistema to podrava. Data lista nije konana i sigurno je da e vremenom biti proirena novim funkcijama. Materijalizovani pogledi su mono sredstvo koje omoguava relacionim DBMS proizvodima podrku za sumarne podatke u formi pogleda na relacione podatke. Razlika u odnosu na kreiranje statikih sumarnih tabela" je u tome to materijalizovani pogledi imaju automatsko osveavanje i ne zahtevaju periodino izvravanje posebnih batch procedura za tu svrhu.

I


Slika 18 IBM DB2 materijalizovani upiti.

Podrka za OLAP razlikuje se kod raznih proizvoaa DBMS sistema. Ve ranije je pomenuto da su ekstenzije SQL jezika veoma vani i da su oneli novine u radu s podacima. Te ekstenzije se jo nazivaju i.relacioni OLAP (ROLAP, Relational OLAP). Nekoliko poslednjih verzija Oracle RDBMS uvode multidimenzionalne mehanizme kao funkcije nad tabelama koje se koriste za pristip kockama podataka (cube). Microsoft u najavi za svoj proizvod SQL Server Yucon nagovetava mehanizme za tenju integraciju komponenata s relacionim podacima koristei osobine, kao to su proactive caching i unified dimensional models (UDM). Proizvoai DBMS sistema takoc su aktivni u ukljuivanju podrka za data mining proces u svoje proizvode. Uvod u model data mining standarda pod imenom Predictive Modelling Mark-up Language (PMML), otvara nove mogunosti za poslovne analitiare, pre svega, za kreiranje data mining modela i zatim njihovu implementaciju kroz DBMS sisteme u obliku korisniki definisanih funkcija (UDF, User defined Functions) koje se zatim izvoze u PMML format i uvoze u DBMS. Nakon toga svaka operativna aplikacija moe da koristi data mining jednostavnim ukljuivanjem korisniki definisanih funkcija u SQL upite.


Busines s analyst BI tool or applicatio n

UD F

data warehouse DBMS

Tehnika broj 3 : Web servisita su web servisi? Web servisi omoguavaju dinamiku integraciju aplikacija korienjem Web tehnologija. Oni mogu da se koriste da obezbede pristup poslovnim procesima, aplikacijama kockama podataka poslovne inteligencije, izvetajima, upitima i funkcijama za integraciju podataka, bazama podataka i slino. Svaki web servis poseduje interfejs koji opisuje operacije koje su dostupne posredstvom standardizovanih XML poruka. Web servisi opisuju se pomou industrijskog standarda koji se naziva Web Service description Language (WSDL), koji predstavlja jednostavan skup XML tagova. Web servisi moraju da se objave i da se registruju u posebnim katalozima koji se nazivaju UDDI (Unified Description Descovery and Intvocation) registri. Veina preduzea koja isporuuje usluge web servisa ima svoje privatne UDDi registre. Postoje takode i javni UDDi registri koji se nalaze na javnom (public) Internetu. Korienje web servisa se odvija po sledeoj emi: aplikacija alje upit UDDI registru, pronalazi potreban Web servis i dinamiki se prikljuuje na njega aljui mu XML poruku poznatiju kao SOAP (Simple Object Access Protocol) poruka. Ta poruka inicira rad Web servisa i vraanje rezultata rada u XML formatu.

I


Portal, Process, Applicatio n, or DBMS Service Consum er

Slika 20 Proces

*

BI Web Service (OLAP, Reporting, Mining) BI Service Provider

3. Negotiation; Bind; Service Invocation SOAP

S ......................1. Register (WSDL)

2. Discover (UDDI)

Web servisi koji koriste na vie nivoa:

pokrivaju

UDDI Regist oblast ry poslovne inteligencije (BI) mogu da se

Aplikativni nivo BI web servisa Nivo podataka BI web servisa Nivo procesa BI web servisa Aplikativni nivo BI web servisa omoguava drugim aplikacijama i portletima da dinamiki pozivaju alate i analitike aplikacije poslovne inteligencije. Kao rezultat rada web servisi vraaju XML podatke koji se prosleduju aplikaciji koja koristi Web servis na prikaz ili dalje procesiranje. Alati i analitike aplikacije mogu da publikuju izvetaje, kocke podataka i modele data mining procesa kao web servise i da ih integriu direktno u enterprise portal kao Web Service Remote Portal (WSRP) portlete, tako da korisnik moe da im pristupi direktno preko korisnikog interfejsa.


Enterpr ise Portal

TOperationa l Applicaton

Operation al Data

:

BI Platform Queries Reports Cubes.. .

DW & Marts

I

DDI Regis try

I-'-i-, .c.;.* .

Slika 21 Bi platforma za web serviseI? ..................................... .............. ''* "

......

'" .................... '

Nekoliko platformi poslovne inteligencije sadre interfejse za rad s web servisima. Evo kako to radi Cognos:

: i^n^^mimmmmmmmmimi. to,?a>jtn.m 3;;;

I


jjrrjJ iss ir'Vi'ilt

Jlil i. GEEsmti".. ***./

rS" ! " prViV1 Wm r.-î-

rt ; ; iltwi iH S3 HV imm 1; irS

1 ..'. -- -., ' ^ ta? j^ri^ c-r:


a evo i kako to radi IBM:

y i'it 8&Cgftfc f, =-8 iir? iifr'isj! fe i'iEîfaf b irovi" 35t* v-ssi 'a s U5Di%?t c?ii:

* mnss-c*tm*TU** u:

>

i- risiintsiss

.... . .. .. < -..

- .......................

Integ

a webservisa kao udaljenih portleta na IBM VVebShere Portal Serveru.

Tipovi aplikacija poslovne inteligencijePreduzea danas koriste razne vrste aplikacija za poslovnu inteligenciju da bi izale u susret potrebama irokog kruga korisnika tih aplikacija. Sve aplikacije poslovne inteligencije generalno mogu da se svrstaju u jednu od sledeeh pet kategorija: Izvetajne aplikacije Ad hoc upiti i izvetavanje Multidimenzionalna analiza Statistike analize i data mining Planiranje

I


Izvetajne aplikacijeOvaj tip aplikacija obezbeuje statike ili parametrizovane izvetaje. Ciljna grupa treba da bude opta, na primer, svi menaderi prodaje u preduzeu. Aplikacije za izvetavanje, s minimalnim analitikim zahtevima, tipino su bazirane na relacionim bazama podataka i koriste SQL upitni jezik. S druge strane, upravljaki informacioni sistemi (engl. EIS, executive Information Systems) imaju mnogo sloenije analitike zahteve i koriste specijalizovane baze podataka. Menaderi prate kljune indikatore performansi poslovanja preko scorecard izvetaja na bazi kojih se u svakom trenutku kontrolie usklaenost tekueg stanja s definisanim stratekim ciljevima.

Ad hoc upiti i izvetavanjeAd hoc upiti pruaju korisniku najvii mogui stepen interakcije s podacima uz mogunost korienja velikog broj tehnika za odabir podataka i navigaciju. Taj tip aplikacija uglavnom je baziran na relacionim bazama podataka i nudi limitirane, ali veoma korisne, analitike mogunosti. Ad hoc upiti i izvetavanje koriste relacione baze podataka i SQL za podrku jednodimenzionalnih upita, kao to su daj mi najboljih 10 kupaca" ili uporedi prodaju iz tekue i prole godine

Analitike aplikacijeAnalitike aplikacije takoe podravaju ad hoc istraivanje podataka, ali pored toda one daju odgovor i na mnoga sloena pitanja. Na primer: Koji je procenat promene u totalu prodaje ako se uporedi s periodom od prole godine, za svaki od 10 top proizvoda, za svakog od 10 top kupaca, baziranog na procentu promene totala prodaje za sve kupce ove godine prema prodaji za isti period prethodne godine. Pri tom, taj upit je multidimenzionalan. Ima vremensku dimenziju, dimenziju proizvoda i dimenziju kupaca. Obino istraivanja u oblasti trita i finansija zahtevaju izvravanje znatno sloenijih upita, pa su shodno tome, nosioci tih funkcija u preduzeu najei korisnici tog tipa aplikacija.

Statistike analize i data miningAnalize predvianja uz korienje naprednih tehnika predstavljaju znaajan komple- ment ad hoc analizama. Predvianje dogaaja na tritu ili toga koji e novi proizvod biti izbaen moe znaajno da utie na ostvarenje stratekih ciljeva. U tu svrhu koriste se sloene analitike i statistike tehnike.


Aplikacije za planiranjeAplikacije za planiranje omoguavaju korisnicima da predvide rezultate poslovanja. Taj tip aplikacija obino daje odgovor na pitanja: Koliko e preduzee biti profitabilno u ovom kvartalu? Kako e promena cene proizvoda uticati na njegovu prodaju? Koliki treba da je obim proizvodnje da bi se zadovoljile potrebe trita? Kako e nestabilnost valute uticati na profit? Taj tip aplikacija se razlikuje od drugih zato to on generie nove podatke koristei analitike metode tipa modela, prognoza, specijalizovanih agregacija i alata za upravljanje scenarijem. Aplikacije ovog tipa ukljuuju analize korporativnog budeta, finansijske analize i slino. Sledea tabela ilustruje primenu odredenih tipova aplikacija poslovne inteligencije u razliitim granama industrije.

Tip BI aplikacije Enterprise Izvetavanje

Finansijske usluge

Trgovina

Telekomunikacij Farmacija e Da li se razvoj novih lekova odvija po ranije definisanom koji je planu? Kakav je trend prodaje po regionima za novu vrstu leka? Kako se razliite cene po regionima odraavaju na profitabilnost? Istraiti kako e novi nain prepisivanja recepta uticati na prodaju u pojedinim regionima

Koliko je ukupno Da li je obrt u Koji procenat nevraenih skladu sa zapolenih je proao kredita? Kolika je planiranim? trening na njihova ukupna najnovijim vrednost? tehnologijama? Kakav je trend aktivnosti kupaca nakon najnovije marketinke kapmanje? Koji je najprofitabilniji segment?Kakva je relacija izmeu planirane prodaje i profitabilnosti kupaca?

Multidimen* zionalne analize

Koja su 3 najprodavanija proizvoda na jugoustoku zemlje? Kakav je odnos izmeu ove prodaje i prodaje u ostalim regionima? Ad-hoc analize Definisati kako e Odrediti kako je partnere uticati poveanje obima pojava domaeg odloenog ili plaanja uticati na internacionalnog prodaju terorizma

Prikazati grafiki studiju o broju linkova za spore pakete u cilju optirnizacije saobraaja na mrei

I


Statistika i Data Mining

Koliki je rizik

Koliko su

Kako struktuirati meugradske pozive i mobilnu telefoniju kako bi zadrali lojalnost klijenata i optimalno iskoristili postojeu mreu?

Da li regresiona analiza moe odgovori da li prei sa fermentacije na hemijsku sintezu?

za reinvesticiju ispravne nae ostvarene dobiti? prognoze prodaje u poslednjih 12 meseci?

Kljuni Indikatori performansiUpravljanje performansama preduzea (CPM, Corporate Performance Manag- ment) omoguava uvid u to koliko je preduzee u fokusu svojih stratekih ciljeva. Razvoj strategije preduzea je nuan korak za definisanje svrhe preduzea i njegove uloge na tritu. Kada se strategija definie, preduzee mora da kontolie na koji nain i u kojoj meri ostvaruje zacrtane ciljeve tokom vremena. Kljuni indikatori performansi (KPI, Key Performance Indicators) omoguavaju preduzeu da sagleda ispunjenje strategije u pojedinim oblastima. Ukoliko vrednosti indikatora odstupaju od vrednosti utvrenih strategijom, korisnicima se to signalizira u cilju preduzimanja korektivnih mera. Prvi uslov za poetak procesa merenja performansi jeste dobro razumevanje utvrene strategije preduzea. Generalno, strategija preduzea se usmerava na: trokove, proizvode i kupce. Strategija trokova podrazumeva orijentaciju preduzea na standardni proizvod s minimalnim moguim trokovima koji zadovoljavaju veinu potreba kupaca, bez potrebe da se prilagoavaju. Strategija proizvoda orijentie preduzee na specifine proizvode i usluge koji zadovoljavaju potrebe kupaca. Strategija kupaca svoj naglasak stavlja na usluge koje se pruaju kupcima. Da bi se uspeno uporedile pefrormanse preduzea sa utvrjenim stratekim ciljevima, moraju da se se kreiraju kljuni indikatori performansi. Ti indikatori predstavljaju merila rada preduzea i mogu biti utvrjeni za celo preduzee ili za neki njegov deo. Kljuni indikatori performansi moraju da sadre indikatore za tekue" i budue" poslovanje da bi se precizno utvrdilo koliko se dobro poslovalo i u kojim oblastima i kako odluke donesene danas utiu na performanse poslovanja u budunosti. Tekui indikatori ukazuju na performanse poslovanja preduzea danas", dok budui indikatori pokazuju prognoze buduih performansi. Neki kljuni indikatori dati su u sledeoj tabeli:


Trokovi Merenje trokova Vreme ciklusa Standard Kvalitet Kvantitet

Proizvod Novi proizvodi Budet za razvoj i istraivanje Biti prvi na tritu Prilagoavanje proizvoda

Kupac Znanje o kupcima Menadment primedbi Poznavanje proizvoda

Indikatori fokusirani na trokoveMerenje trokova. Trokovi proizvodnje i isporuke moraju da se svedu na minimum uz obavezan uslov odranja standarda kvaliteta. Trajanje ciklusa. Trajanje ciklusa predstavlja vreme od trenutka kad kupac pokae interesovanje za proizvod, pa do trenutka dok mu se taj proizvod ne isporui. Smanjenje trajanja ciklusa doprinosi poveanju produktivnosti. Pravilna implementacija infika- tora kljunih performansi moe da smanji trajanje ciklusa i do 60%. Standard. Standard efinie u kojoj meri mogu da se zadovolje oekivanja kupca proizvodnjom standardnog proizvoda. Standardni proizvod je proizvod koji zadovoljava predefinisane kriterijume. Proizvodnja proizvoda koji odudaraju od oekivanja kupaca moe da uzrokuje nezadovoljstvo kupaca. Tu se pre svega meri skup standarda koje proizvod mora da zadovolji da bi bio prihvatljiv za kupce. Kvantitet. Preduzea stalno trae nain kako da proizvedu to veu koliinu proizvoda uz to manje trokove. Jedna od inovacija koje u najboljoj meri odslikava ostvarenje tog cilja jeste uvoenje beskonanih montanih traka. Henri Ford je 1913. godine uveo te trake i drastino poveao proizvodnju automobila (Model T) sa istim brojem radnika. To je povealo produktivnost u nesluenim granicama: ranije je proizvodnja jednog automobila trajala dan i po, a sa tom inovacijom samo 90 minuta. Taj indikator ima uticaj i na indikator trajanja ciklusa. Kvalitet. Da bi preduzee bilo uspeno, mora da ima proizvode koji zadovoljavaju utvrene standarde kvaliteta. Redukcija trokova u proizvodnji moe da donese znaajne utede, ali esto moe da dovede do pada kvaliteta proizvoda, to opet moe u krajnjoj liniji da dovede do poveanja trokova zbog poveanih potreba za servisiranjem proizvoda.

Indikatori fokusirani na proizvodNovi proizvodi. Klju za uspeh preduzea koja su fokusirana na proizvod jeste da izbaciju to vie novih proizvoda u granicama svojih mogunosti. Pri tom treba imati u vidu da se u zavisnosti od grane industrije razlikuje period za koji je mogue izbaciti novi proizvod na trite. Tako u oblasti informacionih tehnologija taj period iznosi od 6 do 12 meseci, dok u farmaceutskoj

I


industriji moe da se traje i do 10 godina. Krai razvojni ciklus proizvoda podrazumeva bre zastarevanje" proizvoda i namee veu dinamiku u izbacivanju novih proizvoda na trite. Budet za razvoj i istraivanje. Da bi se ispratio potpun razvojni ciklus proizvoda, preduzea koje su fokusirana na proizvode moraju puno da ulau u razvoj i istraivanje. U ukupnom budetu preduzea, stavka u budetu namenjena razvoju i istraivanju treba da zauzima primarno mesto. U skladu sa sredstvima koja se troe na razvoj i istraivanje, potrebno je i praenje performansi tog procesa da bi ulaganje bilo svrsishodno. Biti prvi na tritu. Posebno je vano za preduzee da s novim proizvodom izae na trite prvo, pre konkurencije. Radi toga je potrebno koliko god je to mogue smanjiti vreme od poetka procesa razvoja i istraivanja da trenutka kada se proizvod pojavi na tritu. Taj indikator je posebno vaan u farmaceutskoj industriji, u kojoj se preduzea utrkuju oko patentnih prava. Konkurentska preduzea istovremeno rade na razvojno-istraivakim projektima i onaj ko bude prvi dobija patentna prava i pobe- nik je u trci. Prilagoavanje proizvoda. Mnoge preduzea koja su fokusirana na proizvod imaju mogunost da prilagoavaju karakteristike svojih proizvoda zahtevima specifinih kupaca, na isti nain kao i da proizvode na hiljade identinih proizvoda. Taj razvoj proizvodnih mogunosti omoguila je automatizacija tako da iste maine koie serijski proizvode identine proizvode, mogu da proizvode i pojedinane komade s razliitim karakteristikama bez dodatnih trokova. U tom sluaju, kljuni indikator za uspeh jeste smanjenje vremena koje je potrebno za prilagoavanje proizvoda.

Indikatori orijentisani na kupcaPoznavanje kupaca. Najvaniji princip za preduzea koja su fokusirana na kupca jeste upoznati svoje kupce". Ako preduzee ne poznaje svoje kupce, kako e biti u stanju da zadovolji njihove potrebe? Iz tih razloga uspene preduzea poseduju veoma velike data warehouse baze podataka koje sadre podatke o kupcima. Ti podaci moraju biti paljivo uvani jer uvek postoji potencijalna opasnost da dou ,,u ruke" konkurenciji, ime preduzee gubi konkurentsku prednost. uvajui tajnost prikupljenih podataka kompanija moe da izgradi vrstu vezu" s kupcima. Menadment primedaba. ivimo u nesavrenom" svetu i primedbe kupaca su sastavni deo posla. Preduzea fokusirana na kupce moraju veoma paljivo da postupaju s primedbama svojih kupaca. Kupci plaaju proizvode i usluge i oekuju da se problemi koji se eventualno pojave ree brzo i efikasno. Uspena preduzea a bi izala u susret takvim oekivanjima kupaca, dozvoljavaju svojim slubenicima da reavaju promedbe kupaca bez posebne odluke menadmenta (naravno, u dozvoljenim granicama). Druga preduzea, pak, prihvataju povraaj proizvoda od kupaca bez ikakvih pitanja. Implementacija merila koja mere broj primedaba kupaca, nain na koji se one reavaju, kao i vreme za koje se reavaju deo je ukupnih merila za zadovoljstvo kupaca.


Poznavanje proizvoda. Preduzee koje je orijentisano na kupca obino ima mali broj proizvoda ili usluga. Tako limitirana ponuda omoguava zaposlenima da se veoma dobro upoznaju s proizvodima i uslugama koje preduzee nudi. Kupci oekuju najvii nivo od preduzea od kojeg kupuju, tako da zaposleni moraju na inteligentan nain da predstave svoje proizvode i usluge. Taj indikator se pre svega odnosi na to u kom stepe - nu zaposleni poznaju proizvod i usluge.

Preduzea posluju u uslovima promenljive ekonomske klime, promene zakonske regulative, novih zahteva kupaca i slino. Razlog zato mnogi projekti poslovne inteligencije nisu bili uspeni uglavnom nisu tehnoloke prirode. Oni se pre mogu potraiti u organizacionim, kulturolokim i infrastrukturnim slabostima. Tehnologija nam kae kako" neto uraditi. Meutim, poremeaji nastaju pre toga, kada treba nai odgovor na pitanje ,,ta" teba da se uradi. Kada se utvrde slabosti, potrebno je utvrditi promene koje je potrebno sprovesti da bi se te slabosti uklonile. Vei izazov od samog utvrivanja promena jeste njihova implementacija. Promene obino donose neto nepoznato, a u naoj prirodi je da se plaimo nepoznatog.

Promene u strukturi moiJedna od najbolnijih promena jeste promena u strukturi moi. Svaki zaposleni eli da radi na projektima koji su u ii interesovanja, koji imaju najvei znaaj u preduzeu, da rade s najnovijim tehnologijama i na mestima gde moe lino najvie da se profitira. Lina dobit se pre svega ogleda u unapreenjima i poveanju plate, pa ak i u dodeli posebnih bonusa. Inicijativa poslovne inteligencije esto zalazi u sferu linih interesa zaposlenih.

Kulturoloki imperativi

Korisnici utvruju granice projekta. Korisnici uvek imaju diskreciono i implicitno pravo da definiu granice projekta poslovne inteligencije ispostavljajui svoje zahteve. Meutim, korisnicima treba eksplicitno dozvoliti da u pregovorima s menaderima projekta utvrde ogranienja u samom projektu. U emu je razlika? Implicitna uloga korisnika svaljuje potpunu odgovornost na IT projekt menadera. Eksplicitna uloga korisnika omoguava da se taj teret odgovornosti ravnomerno podeli. Korisnici biraju podatke koji su im potrebni. Korisnici uvek najbolje znaju koji su im podaci potrebni. Na sesije na kojima se utvruju zahtevi oni donose gomilu materijala da bi analitiarima

I


predoili svoje potrebe za podacima. Nakon toga, programeri i analitiari preuzimaju odgovornost oko isporuke traenih podataka. Ta odgovornost podrazumeva pronalaenje podataka, analiziranje sadraja podataka, potragu za boljim izvorima podataka, uvid u postojeu dokumentaciju, utvrivanje podataka s velikim znaajem i odreivanje algoritama za ispravljanje podataka i pronalaenje nedostajuih veza meu podacima. Korisnici moraju da zadre odgovornost za utvrivanje poetnih zahteva i svoju poziciju primarnih analitiara u projektima poslovne inteligencije. Korisnici testiraju aktivnosti. Testiranje se oduvek smatralo tehnolokom aktivnou za koju je odgovoran IT odeljak, osim krajnje ocene prilikom isporuke projekta koju obavljaju korisnici. Takav pristup davao je neku vrstu psiholokog vlasnitva nad projektom IT odeljku sve dok projckat ne ue u produkciju, kada vlasnitvo prelazi u ruke korisnika. Ako bi se vlasnitvo dodelilo korisnicima u samom poetku, oni bi pokazali mnogo vie interesovanja u procesu testiranja prijekta. Korisnici mogu i, u krajnjem sluaju, trebalo bi da kreiraju podatke za trestiranje, kao i da prate rezultate testiranja.

Preraspodela autoritetaVlasnitno i odgovornost nad projektima poslovne inteligencije prebaeno je na poslovnu stranu. To nije komforna pozicija ni za jednu stranu zbog toga to ulazi u sferu preraspodele strukture moi. IT menaderi nerado preputaju odgovornost i psiholoko" vlasnitvo nad projektima zbog toga to se mogu osetiti manje vanim faktorom u preduzeu. S druge strane poslovni menaderi takoe nerado preuzimaju odgovornost i psiholoko" vlasnitvo nad projektima zbog toga to je ona delegirana iz IT odeljka.

Problemi s kadrovimaInterni rekruting za potrebe projekata poslovne inteligencije moe biti veoma teak zbog toga to neki projekti mogu da imaju sledee karakteristike: Zgusnut raspored - raspored je utvren na takav nain da je nemogue uklopiti se u njega ako se imaju u vidu realne procene Manjak resursa - nema dovoljno strunih kadrova za izvrenje aktivnosti Nedostatak sredstava nema dovoljno novca u budetu za angaovanje spoljnih konsultanata ili saradnika po ugovoru ili za kupovanje alata. Nema sredstava za intenzivnu obuku. Angaovanje spoljnih saradnika nosi odreene probleme. Naime, interno osoblje moe da se ali na preplaenost spoljnjih saradnika i na to da rade nove i izazovne poslove, dok se oni bave starim sistemima zato to su upoznati s njima. Takva frustracija esto se zavrava i otkazom internog radnika.


'

" V ' ' - .................... . ^^ 9

...... ,0

...................

..................

Poslovna inteligencija: utieaji, trendovi, inovacije.

Budunost primene poslovne inteligencije u svetskim razmerama obeavajua je. Sve vie preduzea proiruje svoje poslove u oblasti korienja poslovne inteligencije ili je na dobrom putu da to uini. Oekuje se da e trite poslovne inteligencije rasti 10-15% godinje.

Utieaji na poslovnu inteligencijuDo 2000. godine preduzea su kupovala reenja poslovne inteligencije radi stvaranja profita ili reavanja problema. Nakon recesije, postalo je jasno da sektor poslovne inteligencije zajedno s jo nekoliko tehnolokih sektora nije previe otporan na ogromno smanjivanje trokova. Prodajni ciklus reenja je postao znatno dui, dok su potencijalni kupci eleli brzo da osete poboljanja, povraaj uloenih sredstava (engl. ROI, Return of Investment) i TCO (engl. total cost of ownership) reenja poslovne inteligencije. Produeni ciklus prodaje i limitirana sredstva oterala su mnoge proizvoae reenja poslovne inteligencije u bankrot. Meutim, danas jo ne postoji dominantno reenje na tom polju, tako da trite nudi velik broj opcija potencijalnim kupcima. U takvoj situaciji, postoji mogunost dogovora malih" i velikih proizvoaa". Slino je bilo 1980-ih godina na tritu spreadsheet softvera. Tada je na tritu postojalo mnotvo proizvoda te vrste, sve do ukljuivanja velikih", kao to su IBM i Microsoft. A rezultat na kraju trine utakmice" bio je sledei: kao pobednik je izaao Microsoft Excel, kao dominantan proizvod na tom polju i taj primat dri i danas. Trite aplikacija poslovne inteligencije danas je podeljeno, ba kao to je nekad bilo trite spreadsheet softvera. Nekoliko proizvoaa e imati priliku da se izbore da njihovi proizvodi postanu standardni i dominantni. S tim ciljem svaki proizvoa se trudi da ugradi to vie funkcionalnosti u svoj proizvod s nadom da e ba on postaviti industrijski standard na tritu. Smer razvoja reenja poslovne inteligencije takoe je evaluirao tokom poslednjih nekoliko godina. Na poetku su sami proizvoai diktirali razvoj proizvoda. Danas, pak, sami kupci i njihove potrebe imaju presudan uticaj na razvoj reenja poslovne inteligencije, a uspena preduzea iz oblasti poslovne inteligencije shvatila su tu promenu i na toj osnovi grade razvoj svojih novih proizvoda. Na razvoj poslovne inteligencije takoe znaajno mogu da utiu i zakonski propisi. Kao primer moemo navesti propis u SAD pod nazivom Serbanes-Oxley Act of 2002, koji utvruje nov oblik javnosti u oblasti trita kapitala i koji propisuje nove obaveze i kazne za njihovo nepotovanje javnim preduzeema i njihovim elnicima.

I


Napredak u oblasti organizacijeRecesija koja je nastala pre nekoliko godina, uslovila je poveanje potreba za informacijama. Svaki menader bio je prinuen da do detalja istrai mogunosti koje bi unapredile performanse poslovanja. Najbolji nain da se donese prava odluka jeste da se njeno donoenje bazira na pravovremenim, tanim i potpunim informacijama. U tu svrhu kompanije moraju da dovedu svoje informacione sisteme na zadovoljavajui nivo za svrhe praenja performansi poslovanja, izvetavanja, analize i procesa donoenja odluka. Meutim, tehnologija sama po sebi nije reenje za poslovne probleme. Pre svega, preduzee mora do detalja da bude upoznato sa svim aspektima svojih poslovnih problema. Nakon toga, treba da ispita mogunost da uvede nove tehnologije koje e posluiti kao sredstvo za reavanje problema. Sam prelazak, na primer, s runih spreadsheet izvetaja na informacioni potral iziskuje znaajne promene, pre svega u oblasti novih oblika ponaanja, novih procedura i prihvatanja nove tehnologije.

Tehnoloki trendovi poslovne inteligencijeSpoljni faktori na tritu, kao i reagovanje na njih iz preduzea, utvruju trendove razvoja buduih reenja u oblasti poslovne inteligencije. Menadment performansi. Wayne Eckerson iz The Data warehousing Istitute efinie menament poslovnih performansi (engl. BPM, business performance management) kao seriju procesa i aplikacija projektovanih radi optimizacije izvravanja poslovne strategije. Procena je da e do kraja 2005. godine 40% preduzea usvojiti pristup menadmenta performansi. Uloga BPM-a je da pojedincima obezbedi informacije za obavljanje aktivnosti koje su u njihovoj nadlenosti. Kroz kombinaciju poslovnih procesa, transakcionih sistema, data warehousing i poslovne inteligencije, BPM kreira zatvoren ciklus za proces podrke u odluivanju. BPM proces poinje utvrivanjem stratekih ciljeva, a zatim utvrivanjem planova i aktivnosti za njihovu operativnu realizaciju. Te aktivnosti se prate, a rezultati se koriste radi mogueg redefinisanja strategije, planova i izvrenja da bi se poslovanje preduzea kretalo u odgovarajuem pravcu. Integrisane platforme. U velikim preduzeima postoji mogunost da se paralelno koristi vie reenja poslovne inteligencije. Svako preduzee nastoji da taj segment stan- dardizuje i da se odlui za standardno reenje. Meutim, taj proces je relativno teko sprovesti jer razne struje" imaju svoje favorite na tom polju. Takoe, razliiti proizvodi nose razliite osobine, tako da ne postoji jedan koji je najbolji po svim parametrima. Imajui u vidu te injenice prilikom izbora reenja treba voditi rauna da se ono uklapa u potpun okvir poslovne inteligencije preduzea, a ne da se koristi kao izolovano reenje. Taj problem generalno nee biti reen dok se na tritu ne utvrdi dominantno reenje u oblasti poslovne inteligencije.


Strukturirani i nestrukturirani podaci. Veina proizvoda u oblasti poslovne inteligencije radi sa strukturiranim podacima koji vode poreklo iz transakcionih (operaci- onih) i raznih drugih sistema. Trend je da se ti proizvodi evaluiraju (neki ve jesu) u smislu mogunosti rada i s nestrukturiranim podacima, kao to su dokumenti, e-mailovi ili slike. META Group iznosi procenu a 70% informacionog potencijala preduzea ine nestrukturirani podaci. Vrednost nestrukturiranih podataka u direktnoj je vezi s mogunou njihovog povezivanja sa strukturiranim podacima. Kvalitet podataka. Lo kvalitet podataka uzrokuje neuspeh projekata poslovne inteligencije. Loi podaci prave barijeru izmeu korisnika informacija i sistema poslovne inteligencije. Proizvoai reenja poslovne inteligencije treba da pomognu preduzeema da, kada utvrde uzroke problema, sprovedu korektivne mere i dovedu nivo kvaliteta podataka na zadovoljavajui nivo. Analize predvianja. Sofisticirani korisnici poslovne inteligenicije imaju potrebe za analizama predvianja po principu ,,ta e biti ako... ". Na primer, neko analizira prodaju u odreenom geografskom regionu u prvom kvartalu, a rezultati te analize mogu se iskoristiti za predvianje prodaje za predstojei period na bazi ranijih podataka. U tom smislu, mogunosti reanja poslovne inteligencije treba prirodno da budu proirene funkcijama za analize predvianja. Rafinirane mogunosti i funkcionaknost. Spreadsheet programi se p,uno koriste u preduzeema svih veliina zato to su veoma intuitivni i jednostavni za korienje. Veina korisnika poslovne inteligencije spada u grupu obinih korisnika informacija" koji se zadovoljavaju standardnim izvetajima i spreadsheet funkcionalnou. Naalost, mogunosti aplikacija poslovne inteligencije su daleko ispred nivoa svesti" zaposlenih o njihovim stvarnim mogunostima. U tom smislu potrebno je klasifikovati korisnike prema njihovim potrebama za odredenim funkcionalnostima reenja poslovne inteligencije. Na taj nain efikasnost korienja tih reenja bie daleko vea.

Budunost poslovne inteligencijeZa pet godina, 100 miliona ljudi e svakodnevno koristiti alate za vizuelizaciju informacija. Vrednost softverskih proizvoda koji istiu vizuelizaciju kao jedno od svoje tri kljune karakteristike bie preko milijardu dolara. Ramana Rao, founder and chief technology officer, Inxight Software Inc., Sunnyvale, Calif Za tri godine korisnici e traiti real time analize za poslove koje obavljaju - na isti nain na koji se danas prate kvote na berzi. Meseni ili ak dnevni izvetaji nee vie biti dovoljni".

_ . , ' , ..................................... ... ..... .......... . ' , .. ................... .. 2

2 Izvor: ComputerWorld, April 14, 2003 by Mitch Betts

I


Poslovna inteligencija vie e biti fokusirana na vertikalne industrije, kao na modeliranje predvidanja umesto na ad hoc upite. Thomas Chesbrough, executive vice president of Thazar, a Skywire Software company, Frisco, Texas. Kao to u proizvodnji postoje standardi za kvalitet proizvoda, sertifikat za podatke" e postati vaan standard u naredne tri godine koji e proizvoaima, kupcima i dobavljaima. koji meusobno dele podatke, obezbediti da izmere kvalitet podataka pre nego to ih kupe ili koriste. S formalnom metodologijom, objavljenim skupom kriterijuma i testova za sertifikaciju, kupci informacija e moi da analiziraju podatke i da zahtevaju popuste za svaku nepravilnost. Frank Dravis, vice president of information quality, Firstlogic Inc., La Crosse, Wis. U sledee tri godine kompanije (i njihovi poslovni menaderi) postae zavisni od real time poslovnih informacija na isti nain kao to sada ljudi oekuju da dobiju informacije preko Interneta s dva pritiska miem. To instant Internet iskustvo", kreirae novi okvir za poslovnu inteligenciju, ali e i poslovni procesi morati da se prilagode real time tokovima podataka. Nigel Stokes, CEO, DataMirror Corp., Toronto. U pojedinim kompanijama postoje terabajti podataka. S namerom da se istrai taj okean podataka, poslovanje e biti fokusirano na poslovnu inteligenciju, koja e naredne tri godine pre potroiti na analizu neefikasnosti smetanja podataka nego na poboljanje ve i danas monih analitikih mogunosti. Foster Hinshaw, chief technology officer, Netezza Corp., Framingham, Mass. U naredne dve godine, mogunosti poslovne inteligencije postae demokratinije, sa znaajno veim brojem krajnjih korisnika u preduzeu koji e koristiti alate da bi imali bolji uvid u performanse koje se tiu njihovog segmenta posla. Steve Molsberry, senior consultant, Stonebridge Technologies Inc., Dallas. Podaci koji potiu iz poslovne inteligencije omoguavaju kompanijama rast i razvoj i kao takvi mogu da postanu meta industrijske pijunae, kompjuterskog kriminala i terorizma. Kraa informacija jednoj kompaniji onemoguava njene razvojne planove za budunost. U narednim godinama kompanije moraju da se zapitaju ta ine da zatite svoje informacije, to e prouzrokovati vie potroenog novca na IT sigurnost i zatitu 2004. i 2005. godine. Ryon Packer, vice president, Intrusion Inc., Richardson, Texas. Unapreujui efekte marketinkih poruka, tehnologije poslovne inteligencije mogu da utede vie od 200 milijardi dolara godinje. Data mining u kombinaciji s marketinkom automatizacijom menjaju fundamentalne osnove marketinga i verovatno e poveati efikasnost marketinkih kampanja za 20% do 2007. godine.


Dave Morgan, CEO, Tacoda Systems Inc., New York. U sledee tri ili pet godina poslovna inteligencija postae stand-alone trite, kao to je to danas Microsoft. Proizvoai baza podataka i aplikacija posmatrae analitike mogunosti kao ekstenzije njihovih ponuda. Ponuai integrisanih reenja, korienje Web servisa i standardi za razmenu poruka, olakae kretanje informacija i obezbedie pravovremen pristup svakom izvoru podataka. Bob Zurek, vice president of advanced technology, Ascential Software Corp., Westboro, Mass. Biznis je rati Kao u svakom ratu, preivljavanje zavisi od mogunosti da se brzo reaguje u neprekidno dinaminom okruenju. Poslovna inteligencija ima ulogu poslovnog komandnog i kontrolnog centra. Na isti nain na koji centri za lansiranje raketa mere daljine i ciljeve u ratu, poslovna inteligencija meri varijable poslovanja, kao to su operativne performanse, stanja trita i performanse konkurencije i sve to u realnom vremenu. Sol Klinger, director, Sterling Management Solutions Inc., Princeton, N. ]. Do 2006. godine polovina data warehouse baza podataka bie zamenjena novim ahitekturama koje nazivam bulevar prodavnica podataka". One e sadrati skupove podataka koji su prilagoeni za korienje u svakoj poslovnoj jedinici i omoguavaju menaderima tih poslovnih jedinica analiziranje podataka iz njihove oblasti interesovanja. Craig Branning, senior vice president, Tallan Inc., Glastonbury, Conn. Analitiari znanja analiziraju podatke u izolaciji poto su alati koje koriste napravljeni iskljuivo za tu namenu. Meutim, analitiari podataka moraju da prevaziu poziciju specijalizovanih analitiara podataka. To znai ukomponovanje analitikih aplikacija u portal interfejse kojima obini korisnici mogu da pristupe on-line, da dele s drugim korisnicima kako statike izlaze, tako i dinamiko analitiko iskustvo kroz on-line saradnju. Takav pristup e postati mainstream do 2005. godine. Andrew Coutts, CEO, Databeacon Inc., Ottawa. Za dve ili tri godine kompanije e napustiti tradicionalni model poslovnih ispravki baziranih na kvartalnom nivou. Umesto toga, oni e pomou alata poslovne inteligencije i menadmenta performansi ispravke uvoditi u realnom vremenu, kao odgovor na promenu na tritu. Rob Ashe, president and chief operating officer, Cognos Inc., Burlington, Mass. Proizvoai koji obeavaju poslovnu inteligenciju i koji samo hvataju" istorijske podatke iz baza podataka u preuzeu postae prolost - jer jednostavno ne mogu da isporue poslovnu inteligenciju u realnom vremenu. Poslovna inteligencija u realnom vremenu ne

I


podrazumeva samo analizu dokumenata, baza podataka, e-mailova ve i druge izvore podataka koji se stalno menjaju, kao to su Web sadraji, PDF fajlovi, In- ternet-bazirane diskusije. Mahendra B. Vara, chairman and CEO, Intelliseek Inc., Cincinnati. Za pet godina, nestae termini, kao to su poslovna inteligencija ili data mining. Oni e biti zamenjeni poslovnim akcijama koje e automatski okidati sistemi bazirani na analizama predvianja. Umesto da ih koristi od ogranien broj tehnikih analitiara, te tehnologije bie primenjene na svim nivoima. Colin Shearer, vice president of customer analytics, SPSS Inc., Chicago. Korisnici trae vei stepen integracije cifara i komentara koji ih prate. Iz tog razloga sve aplikacije poslovne inteligencije ukljuie alate za upravljanje sadrajima i znanjem. Brian Harden, senior vice president, Comshare Inc., Ann Arbor, Mich. U narednih pet godina mnogo e porasti (40%) broj korisnika alata poslovne inteligencije. Monolitne data warehouse strategije bie zamenjene tehnologijama koje prave virtuelne take pristupa podacima bazirane na zahtevima koje postavljaju krajnji korisnici. U tim takama e se dinamiki prikupljati podaci iz razliitih izvora ukljuujui data mart, data warehouse, produkcione sisteme i eksterne izvore i na taj nain e prezentovati jedinstven personalizovan pogled na podatke. Frank Gelbart, CEO, Appfluent Technology Inc., Arlington, Va.

Data warehouse j Poglavlje. ..-:.->- .-.. .f.-.". Hi * . .i.v .v.:.*

3(BHH BK!!!^;!***?^^ :. -.V r* i---.;.:

Data warehouse - detaljnijeData warehouse je definisan kao skup informacija organizovanih tako da se mogu lako analizirati, izdvojiti, spojiti i na druge naine koristiti da bi se razumela njihova osnovna sutina. Transakciono (operativno) poslovanje u osnovi ima konvencionalnu bazu podataka koja, ukoliko je dobro projektovana, podlee ralacionom modelu baze podataka. To podrazumeva maksimalno normalizovane podatke da bi se obezbedila konzistentnost i minimalno potreban prostor za smetanje podataka. Meutim, vei stepen normalizacije podataka podrazumeva i sporost u izvrenju transakcija i upita. Nad tim podacima radi skup aplikacija koje su transakciono orijentisane, uglavnom za unos ili uitavanje podataka (engl. data entry and retrival). Za takav reim rada u komjuterskoj terminologiji (a i u naem jeziku kad je upitanju IT terminologija) prihvaen je naziv On Line Transaction Processing (OLTP). Data warehouse takode predstavlja neku vrstu baze podataka, s tim to su podaci u njoj organizovani na poseban nain. Data warehouse sadri veliku koliinu podataka, koje su organizovane u manje logike jedinice koji se nazivaju data martovi. Data warehouse sistemi koriste denormalozovane (relaksirane) podatke. Izvravanje upita nad tako organizovanim podacima znatno je bre. Osim toga, takvim pristupom bitno se pojednostavljuje ema baze podataka, tako da je olakano pretraivanje i osoblju koje nije tehniko, tj. krajnjim korisnicima. Takav reim rada se naziva OLAP (On Line Analitycal Processing). Alati koji podravaju takav reim rada projektovani su da rade s denormalizovanim bazama podataka, mada ima i alata koji rade sa specijalnim data warehouse semama u teoj normalnoj formi (baza ije se sve veze nalaze u treoj normalnoj formi praktino se smatra normalizovanom). Shodno razlikama izmeu konvencionalnih baza podataka i data warehouse, razlikujemo i dve vrste informacionih sistema. Takozvani transakcioni operacioni" informacioni sistemi pruaju podrku svakodnevnom poslovanju tipa fakture, otpremnice, proizvodnje itd. S druge strane, analitiki" informacioni sistemi fokusirani su na analizu podataka kao podrka u donoenju odluka u poslovnim procesima. Podacima koji su smeteni u data warehouse obino se pristupa preko data martova. Data mart obino predstavlja podskup logiki povezanih podataka iz data warehouse

59

I


koji se odnosi na odredenu oblast. Data martovi se dizajniraju s namerom da budu osnova potencijalnih upita od krajnjih korisnika.' Data warehouse ne sadri on line" tekue podatke iz poslovanja. Ona je odvojena od transakcione operativne (OLTP) baze podataka i puni se periodino novim podacima. Transfer podataka podrazumeva i proces denormalizacije podataka. Osim transformisanih podataka iz operativne baze data warehause mogu da se nadu i informacije iz spoljnih izvora, ijim se povezivanjem sa informacijama iz transakcione baze podataka dobij a mono sredstvo za predvianje trendova i donoenje dobrih" poslovnih odluka.

Operational Systems Marketing Sales Accounting Finance Human Resources Sales

SS* I *** I -ifs^s? ; KS ' rC i g

Finance sJ si liu/ll (c

Siika 24 Koncept data warehouse.

Poglavlje 3 Data warehouse 61

Arhitektura data warehouse sistema je slojevita i sastoji sa iz sledeih nivoa: Operativna baza podataka i eksterne baze podataka Nivo za pristup informacijama Nivo za pristup podacima Nivo direktorijuma podataka (metadata) Nivo za upravljanje procesima Nivo za komunikaciju aplikacija (messaging) Nivo data warehouse Nivo za transformaciju podataka

Transformacija podataka

0oRenik podata ka Pristup podaci ma

Pristu p^ informacija ma ^ Data warehous e

Pristup podaci ma

Operaciona eksterna DB

Funkcije direktorijuma podataka Upravljanje procesima

;... . \ SvsS

I


Operativne i eksterne baze podatakaOperativne transakcione baze podataka se kreiraju da bi zadovoljile potrebe tekueg poslovanja. Takve baze podataka nisu pogodne za pristup i analizu podataka sa aspekta menadera i onih koji donose odluke. Kljuni cilj data warehouse je da se uine dostupnim informacije iz operativnih baza podataka i da se zatim povezu s drugim informacijama iz spoljnih izvora i baza podataka. Takve informacije ukljuuju i demografske, ekonometrijeske, uporedne i trine trendove.

Nivo za pristup informacijamaNivo za pristup informacijama je u direktnoj interakciji s krajnjim korisnicima. Taj nivo u sutini predstavlja aplikacije i alate koje korisnici koriste svakodnevno (Exel, Lotus, Access...). S razvojem tehnologije ti alati postaju sofisticiraniji i pruaju velike mogunosti za manipulaciju, analizu i prezentaciju informacija, uz obavezno intuitivan, jednostavan i vizuelno atraktivan korisniki interfejs.

Nivo za pristup podacimaNivo za pristup podacima omoguava komunikaciju izmeu nivoa za pristup informacijama i operativnih eksternih baza podataka. U svetu baza podataka, standardni jezik za manipulaciju podacima je SQL (engl. Structured Query Language). U skorije vreme, procesi komunikacije i razmene podataka nezamislivi su bez XML (engl. Extended Markup Language) standarda za razmcnu podataka. Taj nivo u sutini predstavlja neku vrstu interfejsa.

Nivo direktorijuma podataka (metadata)Meta baza podataka je baza podataka o bazi podataka. U njoj se uvaju informacije o tome kako su podaci ureeni i kakve su veze izmeu njih. Tipina meta baza podataka (naziva se jo i renik podataka, respozitorijum) sadri informacije o tabelama, kljuevima, korisniki definisanim tipovima, indeksima, vezama izmeu tabela...

Nivo za komunikaciju aplikacijaNivo za komunikaciju aplikacija predstavlja srednji" sloj u arhitekturi data warehouse sistema. On sadri protokole za komunikaciju svih navedenih nivoa. Vei deo tog nivoa ine mreni protokoli, ali osim njih on moe da sadri i druge komponente, kao to su izolatori aplikacija ili sistema za razmenu poruka.

Poglavlje 3 Daia warehouse 63

Nivo data warehouseOvaj nivo prestavlja fiziki" nivo arhitekure data warehouse sistema. On sadri kopije" podataka iz operativnih baza podataka i spoljnih izvora koji su smeteni u formatu pogodnom za brz i efikasan pristup i za razne vrste analiza. Sto se same tehnologije tie, data warehouse moe biti smeten i na mainframe i na klijent server sistemima.

Nivo transformacije podatakaPoslednja komponenta u arhitekturi data warehouse sistema jeste nivo transformacije podataka. Taj nivo se takode naziva copy menadment ili menadment replikacije. Taj nivo ukljuuje procese koji podatke iz operativnih i spoljnih izvora podataka transformi- u podatke u oblik pogodan za smetanje u data warehouse bazu podataka.

Postoji mnogo naina da se implementira data warehouse u preduzeu. Pri tom implementaciju moemo posmatrati s nekoliko aspekata:-'

Slika 26 Data warehouse aspek

Data warehotise

Tipovpaajnjih korisnika

Oblast koju pokriva


t

Oblast koju pokriva data warehouse Obim redundanse podataka Tipovi krajnjih korisnika

Oblast koju pokriva data warehouseData warehouse moe da sadri sve informacije jednog preduzea ili odreene njegove logike celene i to za period od vie godina. Takoe, data warehouse moe biti personalnog karaktera za konkretnog menadera i moe sadrati informacije iz kraeg vremenskog perioda, recimo jedne godine. Sto je data warehouse optiji, obimniji i ako se odnosi na dui period, to je cena njegove implementacije vea i odravanje zahtevnije. Iz tih razloga preduzea esto poinju s vie manjih data warehouse sistema koji su podeljeni po funkcionalnom, organizacionom ili nekom drugom principu, a kasnije ih ire ili integriu prema potrebama krajnjih korisnika.

Obim redundanse podatakato se tie redundanse podataka, postoje tri nivoa redundanse podataka koje preduzee treba da razmotri prilikom projektovanja sopstvenog data warehouse: Vitruelni ili Point to Point" data warehouse Centralni data warehouse Distribuirani date warehouse Nijedno od navedenih reenja ne moe da se izdvoji kao najbolje ". Zavisno od potreba preduzea bira se neko od ponuenih reenja, uz napomenu da se ti modeli mogu i kombinovati. Virtuelni ili point to point" data warehouse podrazumeva direktnu vezu krajnjih korisnika sa operativnom (OLTP) bazom uz upotrebu posebnih namenskih alata. Taj pristup je izuzetno fleksibilan, redundasa je svedena na minimum. Taj pristup je posebno pogodan za preduzea koja jo nemaju jasno utvrene potrebe i koja tek oslukuju" potrebe svojih korisnika. Centralni dala warehouse je pristup koji predstavlja samu sutinu data warehouse koncepta. Taj pristup podrazumeva fiziku bazu podataka koja sadri sve informacije potrebne jednom preduzeu ili organizacionoj jedinici ili funkciji... Taj pristup je posebno pogodan za situacije u kojima velik broj korisnika iz raznih delova preduzea ima potrebe za istim ili slinim informacijama. Podaci koji se nalaze u bazi mogu se odnositi na proizvoljan period i potiu iz raznih delova preduzea. Taj model podrazumeva implementaciju na nekim naprednim sistemima za upravljanje bazama podataka (engl. RDBMS, Relational Database Management System) ili na nekom multiimenzionalnom serveru baza podataka. Distribuirani data warehouse pristup je u skladu sa svojim prefiksom u imenu. ine ga delovi data warehouse sistema koji su distribuirani u vie fizikih baza podataka. Taj model


podrazumeva veu redundansu podataka, a kao propratni efekat sloenije procese uitavanja i auriranja podataka.

Tipovi krajnjih korisnikaKada data warehouse posmatramo sa aspekta krajnjih korisnika, moemo da utvrdimo tri kategorije korisnika: Izvrni direktori i menaderi Moni" korisnici (poslovni i finansijski analitiari, ininjeri...) Korisnici za podrku (operativno i administrativno osoblje} Svaka od navedene tri grupe korisnika ima svoje potrebe i zahteve za odreenom vrstom informacija, za nainom pristupa informacijama, stepenom fleksibilnosti i za nainom korienja.

Razvoj data warehouse sistemaRazvoj dobrog reenja u oblasti data warehouse ne razlikuje se od razvoja bilo kog drugog IT projekta. Proces razvoja zahteva paljivo planiranje, utvrivanje potreba, projektovanje, izradu prototipa i na kraju implementaciju. Prvi i najvaniji korak je planiranje procesa u kome e se definisati strategija data warehouse sistema koji e biti implementiran u preduzeu.

Izbor data warehouse strategijePre nego to se razvije data warehouse sistem, potrebno je odabrati strategiju koja u najveoj moguoj meri garantuje da e krajnje reenje zadovoljiti zahteve koji su pred njega postavljeni. Ko su krajnji korisnici? Koje oblasti pokriti? Koje vrste informacija data warehouse treba da obezbedi? To su samo neka pitanja koja se postavljaju prilikom izbora strategije implementacije data warehouse u preduzeu. Postoji vie tipova strategija za koje preduzee moe da se odlui. Jedna od njih je prethodno uspostavljanje takozvanog virtuelnog" data warehouse sistema. Nakon postavljanja odgovarajuih alata za pristup podacima, obuke korisnika i praenja u nekom odredenom periodu, kao rezultat dobie se jasno utvrene potrebe za informacijama, na bazi kojih se moe kreirati fiziki data warehouse baze podataka. Druga strategija je da se jednostavno napravi kopija" operativne baze podataka (OLTP) i obezbede odgovarajui alati za pristup podacima. Prednost te strategije je da je jednostavna i brza za implementaciju. Meutim, naalost, podaci u kopiji" operativne baze podataka nisu


t

organizovani na nain kako to zahtevaju principi data warehouse metodologije, pa je korienje oteano i manje efikasno. Konano, optimalan izbor strategije za data warehouse sistem je kao prvo da se utvrdi ko e ga koristiti, a zatim da se utvrde i potrebe korisnika za informacijama. Na bazi utvrenih potreba izrauje se prototip reenja i poinje eksperimentalna faza. U eksperimentalnoj fazi korisnici mogu da osete" rad sistema i da po potrebi izmene ili dopune svoje zahteve koji su postavljeni u fazi analize. Kada sve strane usaglase zahteve, poinje se s izradom pravog" sistema uz prethodno punjenje data warehose sistema podacima iz operativne baze podataka i spoljnih izvora. Na kraju, potrebno je istai da ne postoji univerzalno" reenje koje e biti najbolje za svako preduzee. U skladu sa svojim potrebama i mogunostima svako preduzee bira reenje za data warehouse sistem koje e na najbolji nain zadovoljiti zahteve koji su postavljeni pred njega.

Projektovanje data warehouse sistemaProjektovanje data warehouse baze podataka bitno se razlikuje od projektovanja klasinih operativnih (OLTP) baza podataka. Pre svega, korisnici data warehouse sistema su mnogo manje upueni u ono to im treba od korisnika operativnih baza podataka. U tom smislu, projektanti moraju da daju sve od sebe da bi u komunikaciji s krajnjim korisnicima otkrili" sutinske zahteve koji se stavljaju pred sistem. Uloga prototipa u tom sluaju je kljuna. Drugo, mnogo je tee utvrditi poslovne koncepte za potrebe data warehouse sistema nego za klasine operativne baze podataka.

Upravljanje data warehouse sistemomData warehouse sistem zahteva paljivo upravljanje i marketinki pristup. Takav sistem predstavlja dobru investiciju jedino ukoliko krajnji korisnici kroz njega mogu da dou do bitnih informacija koje su potrebne za poslovanje ili donoenje odluka. U tom smislu, upravljanje takvim sistemom predstavlja proces velike vanosti i menadment to treba da ima u vidu prilikom raspodele prioriteta. Posebno, to je sam razvoj data warehouse sistema neprekidan proces i uvek postoje novi zahtevi za novim, boljim, usaglaenijim drugaijim podacima.

Kljune take data warehouse sistemaVeina data warehose sistema, ukoliko uopte negde krahira", to ini u jednoj od sledee tri kategorije:


Dostupnost - dobro reenje mora da bude uvek (24x7) raspoloivo krajnjim korisnicima. Naravno, treba uzeti u obzir vreme koje je potrebno za neke administrativne poslove koji moraju da se obavljaju u administratorskom" modu, tj. koji onemoguavaju korisnicima pristup sistemu. Vreme odziva - podrazumeva da i na najsloenije zahteve korisnika izraene u obliku raznih upita sistem odgovori u razumnom periodu". U suprotnom, odgovore treba pre svega potraiti u podeavanju opcija i parametara baze podataka, kao i reviziji samog modela. Osim toga, na performanse moe da utie i poaee- nost i kvalitet front-end aplikacija. ubre podaci - to su podaci koji ostaju u memorijama raunara i nakon to prestane potreba za njima. Obino su to neki privremeni podaci, podaci o korisnicima i slino. Oni obaraju performase sistema, troe nepotrebno memorijske resurse i procesorko vreme. Reenje ovog problema treba potraiti u kvalitetnim algoritmima za ienje takvih podataka i procesa (engl. garbrige collection).

Budui razvojS napretkom tehnologije i poveanjem dinamike poslovnog okruenja postavljaju se sve vei zahtevi pred data warehouse sisteme. Baze podataka postaju sve vee, podaci sve sloeniji, a multimedijalni podaci su ve neto to se podrazumeva. S druge strane, pojava paralelnih servera mnogo ubrzava pristup podacima. U svetu novih tehnologija, projektanti data warehouse sistema moraju i dalje da oslukuju potrebe krajnjih korisnika i da primenom tih novih tehnologija obezbede najbolje mogue reenje za preduzee koje e biti funkcionalno za tekue poslovanje, ali i fleksibilno ubudue.

- .................. .................................. .............................................. ....................................................... -'.:

Primer ponude za data warehouse projekatU ovom primeru e biti prikazana ponuda za izradu data warehouse sistema za virtuelno" preduzee. Taj sistem e biti namenjen za podrku izvetavanju, ad hoc upitima, sistemu za podrku odluivanju i izvrnom informacionom sistemu. Sam primer je napisan o obliku pogodnom za prezentaciju izvrnim menaderima koji treba da donesu odluku o investiciji.

Pregled postojeeg stanjaPotojei produkcioni sistemi su raeni mnogo godina unazad. Moderni alati i sistemi za upravljanje bazama podataka daju deset puta bolje performanse od postojeih sistema. Postojei sistemi nisu fleksibilni kad je u pitanju integracija s modernim tehnologijama (Internet), razvoj novih aplikacija (sistemi za podrku odluivanju) ili kad krajnjim korisnicima treba obezbeiti direktan pristup informacijama (ad hoc upiti).


t

Najbolje reenje bi bilo da se postojei sistemi zamene novim reenjima koja e biti bazirana na modernim sistemima za upravljanje bazama podataka. Meutim, takvo reenje bilo bi skupo, a njegova implementecija bi trajala nekoliko godina. Imajui sve to u vidu, kao reenje namee se varijanta u kojoj bi se iskoristile prednosti modernih tehnologija, a da se u isto vreme zadre aplikativna reenja postojeih sistema (bez njihove reimplementacije). Najbolji nain za postizanje tog cilja jeste da se implementira data warehouse sistem. Data warehouse e u tom sluaju biti kopija" operativne baze, podeena tako da se op- timizuje izvetavanje i drugi naini pristupa podacima. Predloeni data warehouse ad hoc izvetajni sistem e doneti sledee koristi preduzeu: Skratie se vreme za izradu i najsloenijih izvetaja Pruie se korisnicima mogunost da izrauju sopstvene izvetaje i ad hoc upite za bazu podataka Olakae se implementacija upravljakog informacionog sistema Olakae se implementacija sistema za podrku odluivanju Produie se ivotni vek postojeih sistema tako to e se prebaciti funkcija izvetavanja u zaseban sistem Novi izvetajni sistem moe biti izraen fazno, tako da se poboljane verzije izvetaja ili novi izvetaji mogu isporuivati svakih nekoliko meseci. Novi data warehouse sistem bie dizajniran tako da zadovolji potrebe preduzea u duem periodu, uz maksimalnu fleksibilnost kad su u pitanju krajnji korisnici.

UvodPostojei informacioni sistem je dizajniran tako da zadovolji osnovne operativne poslove u preduzeu. Implementiran je uz korienje zastarelih tehnologija, a da bi zao- voljio i transakcione i izvetajne potrebe. Meutim, postojei informacioni sistem nije u stanju da odgovori na napredne zahteve za upravljanje podacima. Najnovije tehnologije donose i nove mogunosti za bre izvetavanje i efikasan pristup podacima i na taj nain su u stanju da potpunije zadovolje potrebe krajnjih korisnika. U tu svrhu potrebno je izraditi kopiju operativne baze i smestiti je na poseban sistem. Taj sistem se naziva data warehouse. Meutim, samo kopiranje operacione baze ne predstavlja implementaciju data warehouse sistema. Potrebna je paljiva analiza potreba za informacijama koje uestvuju u procesu donoenja odluka. Na bazi te analize, potrebno je napraviti strukturu baze podataka koja e na najefikasniji nain produkovati takve informacije. Uz takav pristup, data warehouse e nadiveti produkcioni sistem (koji se u krajnjoj liniji moe zameniti i tehnoloki savrenijim sistemom, a da se ne utie na data warehouse sistem) i nee biti zavisan od njega. U postojeem sistemu rada potrebne su, u proeku, dve nedelje da bi se realizovao neki izvetaj. Tako dugaak period negativno utie i na donoenje odluka koje je ukljuivalo opis problema, planiranje izvetaja, prikupljanje informacija, izradu izvetaja i na bazi njega konano


donoenje odluke. Sto je odluka vanija i to zahteva vie informacija, to je potrebno vie analiza, testiranja i vraanja na neki od koraka radi raznih prilagoavanja i ispravki. Novi sistem rada nije samo prosto unapreenje efikasnosti postojeeg sistema. Predloeni sistem podrava tehnologije koje sutinski menjaju donoenje odluka. On omoguava preduzeu da razvije i implementira izvetaj preko noi". Takoe, omoguava krajnjim korisnicima da sami kreiraju izvetaje bez pomoi IT personala. Koristei novi sistem, odluke e biti donoene na bazi povezanih izvetaja, dok su se korienjem starog sistema obijali izvetaji koji su bili zasebni, svaki za sebe. Taj iterativni postupak znaajno e unaprediti donoenje odluka.

Nedostaci postojeeg sistemaVelike promene u okruenju negativno utiu na performanse postojeeg sistema. Postojei sistem izvetavanja nije u stanju da adekvatno i dovoljno brzo odgovori na postavljene zahteve. Takav sistem nije u stanju da podri postojanje sistema za podrku odluivanju i upravljakog informacionog sistema. Data warehouse reava taj problem. Takoe, veliina baze podataka preduzea je ##GB. Bazirano na dosadanjoj pro- ceni rasta, kolika e biti njena veliina za nekoliko godina? Da li je potrebno planirati nove investicije u hardver da bi se ouvale performanse sistema? Vea koliina podataka automatski znai i vie vremena za odravanje softvera. Aplikacije moraju da prou kroz prilagoavanje za rad s velikom koliinom podataka. Narastanje koliine podataka onemoguava performantno izvravanje izvetaja, pa e oni morati da se putaju nou da ne bi ruili" performanse itavog sistema.

Prednosti novog sistemaNovi sistem, baziran na data warehouse, unapredie funkcionalnost postojeeg sistema na sledee naine: Novi razvojni alati - postojea platforma na kojoj je instalirana baza podataka, bie zamenjena nekim od vodeih sistema za upravljanje bazama podataka (Oracle, Mocrosoft SQL Server, IBM. UDB DB2). U okviru njih sadrani su i visoko- sofisticirani razvojni alati. Aplikacije razvijene tim alatima na najbolji nain e iskoristiti prednosti tih sistema za upravljanje bazama podataka. Bri izvetaji - izvetaji e se izvravati mnogo bre u data warehouse sistemu jer je on projektovan za tu svrhu. Laki razvoj izvetaja - struktura podataka i njihova organizacija u data warehouse sistemu je prilagoena izradi izvetaja. Takoe, alati koji se koriste puno su ' napredniji od onih u postojeem sistemu. Ad hoc upiti - novi sistem dozvoljava korisnicima da direktno pristupe podacima u realnom vremenu, ime oni sami mogu da zadovolje veinu svojih potreba. S postojeim sistemom to nije mogue.


t

Sistem za podrku odluivanju (DSS, Decision Support System) i upravljaki informacioni sistem (EIS, Exeutive Information System) - produkcija ovih sistema je daleko laka nad organizacijom podataka kakva je u novom sistemu Data mining - omoguava izvravanje data mining procesa, koji u sutini na bazi zadatih parametara pronalazi statistike veze izmeu podataka. Unapreenje produkcionog sistema - novi sistem e znaajno produiti vek tekueg produkcionog sistema uz jo jednu prednost - oslobodie produkcioni sistem obaveze da podri napredne sisteme izvetavanja

Proces razvoja i trokoviKljuna stvar za uspenan razvoj i implementaciju novog sistema jeste razumevanje potreba korisnika. Da bi se u tome uspelo, potrebno je postati deo okruenja korisnika. Da bi se efikasno dizajnirao data warehouse sistem, potrebno je razumeti nain na koji se odluke donose, to je prilino veliki izazov. Potrebno je razgovarati sa sluajno odabranim korisnicima iz svih delova i svih novoa preduzea. Priblino, svakom od njih potrebno je posvetiti 5-10 sati. Najvei deo vremena za projektovanje novog sistema bie utroen na analizu potreba korisnika. To podrazumeva razgovor s buduim korisnicima sa svih nivoa preduzea da bi se saznalo kakve su njihove potrebe i oekivanja vezana za novi sistem. Treba imati u vidu da e dobro uraen posao u toj fazi znatno smanjiti vreme i mogue probleme u kasnijim fazama projektovanja. Meutim, to ne znai da e se vreme projekta odgaati do neprihvatljivih granica. Novi sistem moe se projektovati na bazi postojeih potreba za izvetavanjem (iz starog sistema), a kasnije odrediti kako bi se zadovoljile potrebe raznih korisnika. ak i da se oslukivanje" potreba korisnika odgodi, itav projekat se moe podeliti u potprojekte koji se mogu jedan za drugim implementirati. Treba imati u vidu da je projektovanje data warehouse sistema slian tradicionalnom nainu projektovanja. Osnovna razlika je u tome sto se mora posvetiti posebna panja migraciji podataka koji se moraju povremeno osveavati" iz produkcione baze podataka. Ukupni trokovi projekta procenjeni su na $####.

Politiko" okruenjeUspena realizacija projekta podrazumeva uee na svim nivoima. Operativni slubenici, menaderi srednjih nivoa i top menaderi poseduju informacije koje se moraju ukljuiti u razvoj data warehouse projekta. Zaposleni u preduzeu treba da budu na raspolaganju projektantima sistema za razgovore i druge kljune delove projekta. Bez odgovarajue saradnje sistem nee moi da zadovolji zahteve koji su postavljeni pred njega: bie nepotpun i manje efikasan. Sve faze projekta moraju podrati i odobriti najvie strukture u preduzeu.


Plan radaPre projektovanja novog sistema, logino je da ve postoji odreen skup zahteva koji stoje pred njim. Ukoliko su zahtevi obimni, struktura data warehouse sistema moe da se razlikuje od one s malobrojnim zahtevima. U tom smislu, pre poetka projektovanja, potrebno je prikupiti i utvrditi dovoljnu koliinu" zahteva da bismo bili sigurni da emo dobiti zadovoljavajuu strukturu data warehouse sistema. Koraci u planu rada: Analiza potreba korisnika - paljiva i sveobuhvatna analiza potrebna je pre poetka projektovanja. Projektovanje data warehouse struktura - na bazi zahteva korisnika prave se strukture koje e zadovoljiti te zahteve. Migracija podataka - podaci iz starog sistema moraju da se prebace u data warehouse sistem Validacija skripta za migraciju - presipanje" podataka iz starog sistema u novi sistem mora biti testirano. Podaci koji se prebacuju iz produkcione baze podataka u data warehouse moraju da budu tani. Taj proces nije namenjen samo novom sistemu ve i ispravljnju greaka u postojeem (starom) sistemu. Sumarne i agregirane tabele - Da bi se optimizovale performanse za najee ko- riene podatke, treba napraviti posebne strukture. Migracija produkcionog izvetajnog sistema - produkcioni izvetaji bie izvravani i na novom sistemu. Koristei sofisticirane izvetajne alate, dobie se vea funkcionalnost nego u produkcionom sistemu. S novim sistemom, korisnici e biti u mogunosti da dobiju sloene varijacije osnovnih izvetaja, a da nee morati da trae pomo od IT personala. Ad hoc podrka - korisnici esto zahtevaju mogunost da prave sopstvene upite i na taj nain direktno pristupaju odreenom logikom segmentu data warehouse baze podataka.

Zakljuak (primer ponude)Predloeni projekat e u velikoj meri poboljati izvetajne mogunosti preduzea. Novi sistem e zadovoljiti mnogobrojne korisnike potrebe za izvetavanjem na svim nivoima preduzea. Greke i nedostaci u postojeem produkcionom sistemu bie otkrivene i otklonjene. Novi sistem obezbeuje bre, preciznije i fleksibilnije izvetaje koji e zadovoljiti izvetajne potrebe preduzea.

DATA MINING I Poglavlje

i

s

UkratkoVeliina baza podataka danas se meri u terabajtima - vie od 1 000 000 000 000 baj- tova podataka. U toj ogromnoj koliini podataka kriju se informacije strateki znaajne za preduzee

Kako ih pronai?Odgovor je u novoj tehnologiji po imenu data mining. Inovativne organizacije u svetu ve koriste data mining da bi pronale vane kupce, ponovo sastavile svoje ponude da bi poveale prodaju ili smanjile gubitke usled nedostataka u proizvodnji. Data mining je proces koji koristi razliite vrste alata za analizM podataka da bi se otkrile zakonitosti i veze medu podacima koje se mogu iskoristiti za izradu validnih projekcija. Prvi i najjednostavniji analitiki korak u data mining tehnologiji jeste opis podataka, koji u sutini predstavlja sume statistikih atributa (kao to je oekivanje i standardna devijacija), njihovu grafiku interpretaciju i pronalaenje uzajamnih veza izmeu varijabli (na pri me r, utvrivanje vrednosti koje se esto pojavljuju zajedno). Meutim, iz opisa podataka nije mogue napraviti akcioni plan. Prethodno mora da se napravi model projekcije baziran na zakonitostima koje su utvrene u opisu podataka, a zatim i da se testira tako napravljen model. Ma koliko model bio dobar, ne treba ga nikad zameniti s realnim sistemom (auto karta nikad nije savren prikaz pravog puta), ali moe da poslui kao dobar vodi za razumevanje poslovnih procesa u preuzeu. Na kraju, kao poslednji korak, sledi praktina provera modela.

Data Mining - ta sve moemo da uradimo?Data mining je tehnologija, alat nije magini tapi! Data mining ne moe da nadgleda bazu podataka, posmatra ta se deava i potom poalje e-mail da bi nekome

'Raeno na bazi materijala [7] i: reference.

72

skrenuo panju na to da se pojavila interesantna zakonitost. Ta tehnologija ne ukida potrebu da se poznaje sopstveno poslovanje, razumeju podaci i analitiki metodi. Data mining pomae sistem analitiarima da pronau zakonitosti, meusobne veze i ablonV

ska ponaanja u gomili podataka. Cak i kada se zakonitostiMINING i Knowledge discovery proveru na Poglavlje 4 DATA utvrde, moraju da prou 73 realnom sistemu. Treba imati u vidu da veze izmeu podataka ne predstavljaju neophodno uzroke nekih ponaanja ili akcija. Na primer, data mining moe da uoi zakonitost da mukarci s mesenom platom od 50 000 do 65 000 dinara, koji su pretplaeni na neke asopise predstavljaju znaajne kupce nekog proizvoda u preduzeu. Ako se posmatra ta zakonitost, ipak ne moemo sa sigurnou da tvrdimo da je njihova plata i pretplata na odreene asopise razlog zbog kojeg oni kupuju proizvode preduzea. Da bi se dobili tani rezultati, neophodno je razumeti sopstvene podatke. Data mining ne zamenjuje poslovne analitiare i menadere, ve im daje moan alat da bi bolje i efikasnije obavljali svoj posao.

Data mining i data warehousingPodaci koji se obrauju kroz data mining vrlo esto potiu iz baze podataka preduzea koja je organizovana po modelu data warehouse. Postupci organizovanja podataka za data warehouse i data mining veoma su slini. To znai da ako su podaci organizovani po modelu data warehouse, nema potrebe za dodatnom organizacijom podataka jer se tako organizovani podaci mogu koristiti i za data mining. Data mining baza podataka predstavlja logiki podskup (ne fiziki podskup) data warehouse baze podataka.

Meutim, data warehouse nije neophodna (ne predstavlja zahtev) za data mining. Razvoj velike t data warehouse baze podataka koja usklauje podatke iz vie izvora, reava probleme integriteta podataka i uitava podatke u bazu za upite, moe biti mukotrpan, dug i veoma skup poduhvat. Meutim, data mining tehnologija se moe primeniti i nad operativnim transakcionim bazama podataka. Da bi se to realizovalo, potrebne podatke treba izdvojiti u posebnu read only bazu podataka (formiranje data mining data marta).74 Poslovna inteligencija Data Sources i __________ Data Mining Data Mart

Slika 28 Data mining data mart izdvojen iz operativne baze podataka.

Data mining i OLAPKada se posmatraju data mining i OLAP pristupi, mogu se primetiti znaajne razlike meu njima, ali i da se u velikom stepenu dopunjuju. OLAP je deo alata sistema za podrku odluivanju. Tradicionalni sistemi upita i izvetavanja daju odgovor na pitanje ta se nalazi u bazi podataka. OLAP ide korak dalje i ulazi u sferu znaenja podataka i daje odgovore na pitanje da li su neke pretpostavke koje su izdvojene iz baze podataka istinite. Drugim recima OLAP stvara seriju hipotetikih zakonitosti i veza izmeu podataka i koristi sisteme upita da ih potvrdi ili opovrgne. OLAP analiza je sutinski deduktivan proces. Meutim, ta se dogaa ako se broj varijabli koji se analiziraju meri stotinama ili hiljadama? U tom sluaju je jako teko, a zahteva i prilino mnogo vremena, postaviti odgovarajue hipoteze i potvrditi ih ili opovrgnuti primenjujui OLAP analize nad bazom podataka. Data mining pristup se tu razlikuje od OLAP pristupa jer on ne pokuava da potvrdi ili opovrgne postavljene hipoteze, nego pokuava da pronae neku zakonitost meu podacima. Sutinski to predstavlja induktivan proces. U tom smislu, data mining i OLAP

Poglavlje 4 DATA MINING i Knowledge discovery 75

su dopunjujui pristupi jer se pre nego to se utvrde zakonitosti medu podacima (data mining), moraju postaviti odreene pretpostavke na bazi kojih se zakonitost izvodi (OLAP).

Data mining i statistikaData mining obilato koristi statatistika dostignua. To sc pre svega odnosi na utvrivanje i klasifikaciju zakonitosti. Meutim, data mining ne zamenjuje statistike metode, ve predstavlja njihovu nadgradnju. Rastua snaga raunarskih sistema i pad njihove cene u kombinaciji s potrebom da se obrauje i analizira ogromna koliina podataka zahtevaju i razvoj novih tehnika za analizu podataka. Nove tehnike analize podataka obuhvataju relativno nove algoritme, kao to su neuronske mree (engl. neural networks) i stabla odlike (engl. decision trees), kao i nove pristupe starim algoritmima kao to je diskriminaciona analiza (engl. discriminant analysis). U tom smislu data mining predstavlja alat koji mnogo poveava produktivnost ljudi koji se bave modelima predvianja (projekcijama).

Data mining i trendovi IT industrijeKljuna stvar koja je omoguila iru primenu data mining metodologije jeste velik pad cena hardvera i poveanje performansi raunarskih sistema. Velik pad cena ureaja i sistema za smetanje podataka omoguio je jeftino smetanje ogromne koliine podataka po prihvatljivim cenama. Na primer, po ceni od $10 po megabajtu, za terabajt podataka potrebno $10 000 000. Ako cena padne na 10c po megabajtu, za istu koliinu podataka trebae vam $100 000. Slino je i s procesorskom snagom i operativnom memorijom. Pojava paralelnih kompjuterskih sistema omoguila je da analiza podataka postane efikasnija, bra i jeftinija i otvorila je mogunost za razvoj novih algoritama.

Data mining primeneMnoga preduzea koriste data mining kao pomo u upravljanju u svim fazama ivotnog ciklusa vezanog za kupca, ukljuujui manipulaciju novim kupcima, poveanje efekata kad su u pitanju postojei kupci ili za klasifikaciju kupaca. Odreivanjem varijabli koje karakteriu dobre" kupce (profilisanje) koji kupuju odreeni proizvod, panja se moe fokusirati na kupce koji ne kupuju taj proizvod (unakrsna analiza prodaje). Profilisanjem bivih kupaca, preduzee se moe fokusirati na kupce, kod kojih postoji potencijalan rizik da preu u kategoriju bivih". Data mining pristup je primenljiv u brojnim razliitim industrijama. Telekomunika- ciona preduzea, na primer, rado koriste taj pristup da otkriju naine korienja usluga koje pruaju.


t

Osiguravajua i berzanska preduzea koriste data mining da bi smanjila rizik poslovanja. U medicini se data mining moe iskoristiti za predvidanje efikasnosti hi- rurkih procedura ili medicinskih testova. Farmaceutska preduzea opet koriste velike baze podataka hemijskih komponenata i genetskog materijala da bi pronale kandidate kao agense za tretman odredenih bolesti. Preduzea koja su aktivna na finansijskim tritima koriste ovaj pristup da otkriju karakteristike trita ili performansi konkretnih preduzea s kojima nameravaju da posluju.

Uspean data miningDva su kljuna faktora za uspean data mining su precizno formulisanje problema koji treba reiti i to da se u reavanju utvrenog problema koriste pravi podaci. Da bi se napravili dobri modeli predvianja, moraju se prethodno razumeti podaci. Podaci mogu biti kontinualni (na primer, koliina prodatih proizvoda) i kategorijski (na primer, crvena, bela, plava). Kategorijski podaci mogu biti uporedivi (na primer,visok, srednji, nizak) ili neuporedivi (na primer: potanski brojevi). Grafika predstava i vizuelizacija podataka veoma pomae u pripremi podataka i kasnije u njihovoj analizi.

Opis podataka za data miningKlasteringKlastering (engl. clustering) deli bazu podataka u razliite grupe podataka. Osnovni cilj klasteringa jeste pronalaenje grupa podataka koje su meusobno veoma razliite, a podaci unutar jedne grupe veoma slini. Za razliku od klasifikacije, u klasteringu nisu poznati klasteri na poetku proseca, kao ni atributi podataka koji e biti klasterovani. Samim tim, poslovni analitiari moraju da budu u stanju da interpretiraju klastere. Ponekad je potrebno da se klasterovanje izmeni tako to e se iskljuiti neke varijable koje nisu bitne ili znaajne za problem koji se reava. Cesto se pojam klasteringa mesa s pojmom segmentacije. Segmentacija se odnosi na generalni problem utvrivanja grupa podataka koji imaju sline karakteristike. Klastering se odnosi na grupisanje podataka u grupe koje nisu prethodno ustanovljene, dok klasifikacija grupie podatke u ponovo ustanovljene grupe podataka.

Link analizaLink analiza (engl. link analysis) jeste opisni pristup istraivanja podataka koji pomae da se utvrde veze izmeu podataka u bazi podataka. Dva najea pristupa kad je u pitanju link analiza jesu identifikacija asocijacija i identifikacija sekvenci. Identifikacija asocijacija pronalazi pravila izmeu podataka koji se pojavljuju zajedno u okviru nekog dogaaja, kao to su

Poglavlje 4 DATA MINING i Knowledge discovery 77

transakcije prodaje. Identifikacija sekvenci je veoma slina i predstavlja asocijaciju kojoj je pridodata i vremenska dimenzija.

-.-"-r ..... .. - . v ; . . . . . . . . . . . . . . . . x . . . . . . . . . . . . . . . ..-. i; . ... .- . -

Slika 29 Dijagram link analize.'.-&FJ&;}..:'. .................................................. . ..; .

; - f . . r - - - . : . . . . - , -;r.~-r- -sr ss sg? / .. .- . - ' - - -. -- --------------- ..........................

...-.iz-:

1::..

Data min ng prognoze^ W~

..............

-v

Hijerarhija izborajedan od globalnih ciljeva data mining metodologije jeste produkcija novih znanja koje korisnici mogu da iskoriste u reavanju svojih poslovnih problema. Taj cilj se ostvaruje preko modela realnog sistema baziranog na prikupljenim podacima iz razliitih izvora koji ukljuuje poslovne transakcije, podatke o kupcima, demografske informacije, informacije o kontroli procesa i bitne spoljne informacije. Rezultat je opis zakonitosti i veza izmeu podataka koji se mogu koristiti u modelima predvianja. Da bi se izbegla zbrka prilikom razmatranja razliitih aspekta data mining pristupa, treba razmotriti hijerarhiju izbora i odluka koje se donose na samom poetku: Poslovni ciljevi Tipovi predvianja Tipovi modela Algoritmi Proizvodi


t

Na najviem nivou su poslovni ciljevi: koja je osnovna svrha primene datra mining metodologije? Na primer, utvrivanje zakonitosti izmeu podataka moe da pomogne da se pronau znaajni kupci, profitabilnost kupaca ili kupci koji potencijalno mogu postati bivi. Sledei korak je izbor tipa predvidanja koji najvie odgovara problemu koji se reava: klasifikacij

Documents

Poslovna Inteligencija Bojan Ciric