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!