Üzleti intelligencia

5/13/2018 zleti intelligencia - slidepdf.com

http://slidepdf.com/reader/full/uezleti-intelligencia 1/28

1

Üzleti intelligencia

Gyakran használt BI funkciók Gyakran használt üzleti intelligencia funkciók:

± a lefúrás (drill-down), vagyis az aggregát adatok elre def iniált dimenziók mentén

történ részletezése

± rendezés (sorting)

± a szrés (f iltering)

± a graf ik us f elhasználói f elület (GUI) és a

± vizualizáció.

± elrejelzési-elemzési lehetségek (predictive analytic capability).

Az üzleti analitika kihívásai

y Az adatok és a modellek mennyiségének növekszik

y Integráció más rendszerekkel

y Manuális folyamatok

y Szabályozási környezetnek való megf elelés

Napjaink BI igényei

y A BI megoldások f eleljenek meg a mai f elhasználói elvárásoknak (Consumerization of BI) y Az extrém adatf eldolgozási igények, a nagy mennyiség adatforrások kezelésének támogatása

(Support for Extreme Data Per formance; Emerging Data Sources)

y A BI termékek döntéstámogatási platformokként viselked jenek (BI as a Decision Platform)

Az üzleti intelligencia terület változásai a közelmúltban

A BI piac f ellendülése, növek v eladások

Open source megoldások terjedése

BI f ejlesztések: Micr osof t, Oracle

Felvásárlási hullám, a Änagyok´ irányítanak:SAP ± BO, IBM ± Cognos«

Az üzleti intelligenciát alkalmazó cégek jellemzi

Az elemzéseket, a BI-t minden funkció és részleg esetén alkalmazzák

Az alkalmazottak számára lehetvé teszik a BI megoldások használatát

A tény ala pú döntéshozatal a vállalati k ultúra része



2

A f els vezetés f elismeri az elemzések fontosságát és az ezt támogató megoldások f ejlesztését

karbantartását támogatja

A k ulcsfontosságú üzleti folyamatokra mértékrendszert használnak

Az adatokat és elemzéseket megosztják a beszállítókkal és az ügyf elekkel is

Az adatokat folyamatosan gyjtik és használják

Az elemzéseket megosztják a pénzügyi elemzkkel is

Az üzleti intelligencia projektek leggyakrabban elforduló nehézségei

Nem tudatosul a szer vezetben, hogy az üzleti intelligencia pr o jekt egy, a szer vezeti

egységeken átível kezdeményezés, ezért k ülönbözik a független megoldásoktól.

A pr o jekt nem ka p ja meg a szükséges üzleti támogatást.

A pr o jektszere plk üzleti oldalról nem hozzáf ér hetk, nem hajlandók tevékenyen részt venni a

f eladatokban.

A pr o jekttagok nem kellen szakké pzettek és/vagy nem állnak rendelkezésre; olyk or a pr o jekt résztvevit nem használják f el megf elelen egyes f eladatokban.

Nem használnak a szof tver f ejlesztésben módszertant.

Nincs munkalebontási str uktúra (workbreak down str ucture), nem alkalmaznak

pr o jektmenedzsment módszertant.

Nem végeznek üzleti elemzést, nem használják a szakter ület szabványait.

Az adatminséggel ka pcsolatos kér désekre nem for dítanak kell f igyelmet (nem veszik

számításba a ne megf elel minség adatok hatását az üzleti jövedelmezségre).

A metaadatok (egy másik adatot leíró, meghatár ozó adat, amely összefoglalja az adat

használatára vonatk ozó összes fontos tényt [Márk us 1994]) kezelése, használata nem

megf elel.

Túlságosan ragaszk odnak egy k onkrét módszertanhoz, vagy eszközhöz. [Shak u 2003]

Az üzleti intelligencia tevékenységek láthatatlanok a f elhasználó számára, csak a na pi

munkafolyamatok részeként jelennek meg.

Miért is van szükségünk üzleti intelligencia megoldásokra?Leginkább azért, hogy támogassa a jo bb döntéshozatalt és így hozzájár uljon a szer vezeti tudás

gyara pításához.

y Üzleti ri portok

y K PI-k

y Üzleti szituációk jo bb megértése

y Üzleti ter vezés elsegítésére



3

Üzleti intelligencia ± adatminség, adattárház, adatpiac

Az adatok

y Miért fontos az adatok elemzése?

y Az adat lehet

o bels adat (internal data)

alkalmazottakról nyilvántartott adatok,

A forgalmazott termékek adatai,

a vállalat folyamataihoz ka pcsolódó adatok,

a szolgáltatások adatai

o k üls adat (external data)

adatok a gazdasági környezetrl,

a versenytársakról,

az ügyf elekrl, stb.

o A k üls adatok forrása szeleskör: Internetes források, kereskedelmi adatbázisok,

statisztikai, k utatási adatok, stb.

Adatgyjtéssel, adatminséggel kapcsolatos problémák általában

A hibák elfordulási pontjai

y megmagyarázhatatlan f luktuáció a cég kimutatott eredményességében;

y ügyf él-reklamáció, az ügyf elek számának csökkenése;

y a ri porting- es k ontr olling-osztályok mködési költségének növekedése;

y a jelentések összeállításának késése;

y Nem egyez adatok az egyes kimutatásokban



4

Az adatminségi hibák okai

y A vállalatok nagyon sok f ajta rendszert használnak

y R ossz minség adatok többf éle forrásból keletkezhetnek:

o adatf elviteli pr o blémák, hiányosságok;

o nem megf elel adatátvitel/inter f észek;

o mivel az adatokat legtöbbször több rendszerben, más str uktúrában tar oljak, nehézkessé

válik az adatok szinkr oniasa;

o Az üzleti folyamatk ontr olloknál jelentkez hiányosság;

o Hiányoznak megf elel adatvalidálási eszközök az egyes informatikai rendszerekben;

o A k ulcs pontoknál nem ellenriztek megf elelen az üzleti szabályokat, így a teljesség

nem biztosított;

o R endszermködési hiba;

o Hibás k orábbi migráció;

o Adatgazdák hiánya.

Adatminség

y Pontosság (accuracy): az adat hitelesen re prezentálja-e a valóságot, vagy az ellenrizhet

adatforrást?

y K onzisztencia (consistency): az adat elemeket következetesen, ellentmondások nélk ül (vagyis

k onzisztens módon) def iniáltak-e?

y Integritás, sértetlenség (integrity): az adatszerkezet, az entitások közötti ka pcsolatok és

attribútumaik karbantartása nem tartalmaz-e ellentmondást (vagyis, k onzisztens-e)? y Teljesség (com pleteness): valamennyi szükséges adat jelen van?

y Ér vényesség (validity): az adat az üzleti követelmények által meghatár ozott tartományba esik-

e?

y Idszerség (timeliness): az adat hozzáf ér het-e amik or szükséges?

y Elér hetség (accessibility): az adat elér het-e, megérthet-e, használható-e?

A Garantiqa Hitelgarancia Zrt adattárhaza - háttér

y Cél

o A hazai kis- es közé pvállalk ozások f ejldésének, az önk ormányzatok es

önk ormányzati vállalk ozások hitelf elvételeinek es kötvénykibocsátásainak elsegítése

y Meghatár ozó funkciók

o Ügyf élminsítés, k ockázatf elmérés és az üzleti döntések meghozatala

y K övetelmény

o Folyamatosan naprakész, hiteles es aktuális inf ormációk álljanak rendelkezésére



5

A Garantiqa Hitelgarancia Zrt adattárhaza - kihívások

y A szer vezet ügyviteli folyamatait többf éle informatikai rendszer segíti

y Az ügyviteli rendszerben, a pénzügyi tranzakciós rendszerben, az portfoliót kezel

rendszerben, a Micr osof t Excel táblákban es egyéb rendszerekben nyilvántartott adatok

k onszolidációja y K om plex (több rendszerben es eltér szerkezetben rendelkezésre álló adatokból állíthatok el)

jelentések elállítása a f elsvezetk számára

y Pénzügyi és számviteli ter ületen idközi mérleg- és eredmény kimutatások

y Ad-hoc pénzügyi elemzések

y K PI értékek alak ulásának nyomonkövetése

y Biztonságos ügyf él portál

A megoldás: Micr osof t ala pú adattár ház

Az adattárházak és üzleti intelligencia rendszerek kialakulásához vezet tényezk

y Gazdasági tényezk

o szabályozási környezet átalak ulása, dereguláció

o glo balizáció, ú j piacok, a gazdasági verseny ersödése

o Igényesebb ügyf elek - jo bb minség es testreszabott termékeket es szolgáltatásokat

varnak el

o integrált vállalatirányítási rendszerek szeleskör elterjedése

o üzleti hajtóerk

y Technológiai, informatikai f ejldés o Hálózati megoldások f ejldése

Miért van szükség adattárházra?

y Adatminségi pr o blémák, ügyf él reklamációk megnövekedett száma

y Az üzletágak közötti ri portozási folyamatok átfutási idtartama magas

y Az ETL es ri portolasi folyamatok nem szabványosak

y Nincs tudatos üzleti metaadatkezelés és egységes terminológia

y Az ad-hoc ri portok elkészítésének ideje túl hosszú

y A megrendeléstl az adat pu blikációig tartó folyamatok idtartama nem f elel meg az üzleti

követelményeknek



6

Miért nem elegendek az integrált vállalatirányítási rendszerek (ERP)?

y Nem lekér dezésre optimalizáltak

y A lekér dezések bonyolultak, drágák

y Hosszú válaszidk

y Összehasonlításhoz hiányoznak a történeti adatok

y R ugalmasság hiánya (csak str ukturált kér désekre adnak választ)

A megoldás

y A k ülönböz forrásokból származó ala p adatokat elre, egy menetben válogassuk le, az összes

szükséges szem pont szerint

y aggregáljuk olyan mertekben, amilyen lé ptekben döntéseinket hozzuk

y ezeket gyú jtsuk össze egy helyre, es rendezzük az ³üzleti´ gondolk odásnak megf elel ú j

str uktúrába, amelyet

y tegyük - on line - elér hetvé a vezetk és elemzk számára

y És tegyünk rá olyan eszközt vagy cél alkalmazást, amely az elemzéshez szükséges funkciókat

biztosítja.

Az adattárház

y ³Az adattár ház tárgyorientált, integrált, tartós es idfügg adatgyjtemény a vezeti

döntéstámogatás szolgálatában.´ Bill Inmon

y ÄAz adattár ház a szer vezet egy olyan adatgyjt, szolgáltató része, ahol a mködési adatok az

egyszeren végrehajtható, haték ony elemzés céljait szolgálják´ R al ph K imball y ³Az információszolgáltatás technológiai keretrendszere´

Az adattárház felépítése ± az adattár tágabb értelemben



7

Az adattárházak jellemzi

y Tárgy-orientált (su bject-oriented)

o Az adatok az adattár házban tárgyk or ala p ján es nem alkalmazások szerint vannak

rendezve.

y Integrált (integrated)

o Általában a vállalaton belül az adatok k ülönböz operatív részlegeknél es

üzletágakban keletkeznek, így egymásnak ellentmondok, ink onzisztensek. Az

adatintegráció során az egyik legfontosabb lé pes ezeknek az ink onzisztenciáknak a

megszüntetése Ugyanígy az ink onzisztens jelentéstartalmakat is megszüntetik (pl.

nettó eladás a marketing és a kereskedelmi részlegen mást-mást jelenthet).

y Tartós (nonvolatile)

o Azok az adatok, amelyek egyszer beker ültek a tár házba, utána már nem változnak

meg.

y Idfügg (time-variant)

o Az adattár ház olyan adatokat is tartalmazhat, amelyek 5 vagy akar 10 évnél is

régebbiek. Ezekre is szükség lehet összehasonlító elemzések, trendek vizsgálata során.

Az operatív rendszerek, mivel egyrészt nem céljuk a hosszú-távú adattar olás, másrészt

igen sok adat mozog bennük na p, mint na p, általában kis idtávú adathalmazt

tartalmaznak.

Az adattárházak további fontos jellemzi

y Összegzett (summarized)

o A tranzakciós adatok igény szerint összegzettek, aggregátak (esetleg pl. eladás

összesen, adott régióban, adott termékre vonatk oztatva)

y Nem normalizált (not normalized) (K imball es Inmon szerinti megközelítések

o Az adatok általában nem normalizáltak es redundánsak (K imball; adat piacokból

f ejlesztik ki az adattar hazat; bottom-up megközelítés)

o Az adatok általában normalizáltak (Inmon; top-down megk ozelites).

y Források (sources)

o Az adatok lehetnek k üls és bels adatok is, nincs megszorítás.

y Metaadatok (metadata)

o A metaadatok def iniálásra ker ülnek.



8

Adattárház folyamatok

y Extraction

o a szükséges adatokat a forrásadatbázisokban azonosítjuk, kinyerjük.

y Staging, Trans portation, Transformation, Cleansing

o A kinyert adatokat a célrendszerbe vagy egy átmeneti rendszerbe (staging arra) szállítjuk (Trans portation) ahol f eldolgozzuk, k onzisztens formára hozzuk

(Transformation)

y Loading (metadata - data)

o a f eldolgozott adatok adattar hazba töltéset takarja

y Aggregation

y Queries

Az adatpiac

y Nincs egységes meghatár ozás

y Az adat piac nem normalizált, aggregalt adatokat tartalmaz, es valamely szer vezeti egység

mködési, f elhasználói követelményei által meghatár ozott (Bill Izmon)

y Az adat piac az adattár ház egy tárgyter ülethez (pl. marketing) köthet része (Ef raim Turban)

o Az adat piac lehet egy önállóan létez, az adattár háztól független megoldás, vagy

annak része

Az adattárházak és az adatpiacok összehasonlítása



9

Az adattárház adatmodell

y Hár omszint modellezési megközelítés:

o Fels szint modell ± logikai adatmodell, egyed-ka pcsolat modell (ER D - entity

relationshi p design)

o közé p szint modell ± adatelem halmaz (data item set, DIS)

o Alsó szint modell ± f izikai modell

Az adattárház fejlesztési megközelítése

y iterativ f ejlesztés pref erált, a következ ok ok miatt:

o A f elhasználói követelményeket így könnyebb megragadni

o A menedzsmentet könnyebb meggyzni a tényleges eredményekrl a folytatás

szükségességérl

o Az eredmények a f ejlesztés k orai szakaszában hozzáf ér hetk

o Az i pari-üzleti visszajelzések támogatják

y A követelmények meghatár ozása is iteratív

y Az adatmodell szere pe nem egyértelm

o Végül egy egységes modellt célszer készíteni

Az adattárházak tervezése (Inmon)

y Az adattár házak ter vezése során gyakran a szokásos normalizált megközelítést támogatják,

mert:

o nincs elre optimalizálva valamely f eldolgozási követelmény szerint

o Jól illeszkedik az adatmodellekre ala puló megk ozelitesek hez

o R ugalmasságot, biztosit

y A f elhasználói igények ala p ján eltér hetünk a normalizált modelltl, de normalizálásra példa a

kreatív index használata is.

Csillagsema (Star Join)

y Az adat piacok ter vezésénél haszna latos

y Tartalmazza a tény táblát és dimenziókat

y Tényadatnak (v. mutatószámnak, keyf igure, K ennzahl) nevezzük azokat mer het, numerik us

adatokat, melyeket elemezni es ehhez tar olni szeretnénk

y Lehetnek hagyományos, vagy a közgazdaságtanból átvett merszámok. Ilyenek pl. az

árbevétel, súly, eladott darabszám, nyereség, raktárkészlet, stb. A tényadatok általában

additívak (pl. árbevétel), de lehetnek részben additívak vagy nem additívak is (pl.

haszonk ulcs).



10

y Dimenziónak (v. egyszeren jellemznek) nevezzük azokat a jellemzket, tulajdonságokat,

melyek szerint a merszámokat csoportosítani, jellemezni tud juk. A dimenziók egymástól

független jellemzi egy-egy tényadatnak. Dimenziók lehetnek pl. id, hely, termek, ala panyag

y A tény tábla az összes tényadatot es azok jellemzit foglalja össze

y A mutatószám

o

k jellemzit dimenziók szerint dimenziótáblákban gyjtik össze - (ezeket kulcsok (általában Generált) azonosítják)

Csillagséma Hópehelyséma példa

A csillagséma elnyei és hátrányai

y A csillagsémának számos elnye van [Sidlo 2004]:

o egyszer, intuitív adatmodell

o használata kevés join adatbázis mveletet igényel

o Használata kevés tábla olvasását igényli

o könnyen megvalósítható, a modell metaadatai (adatokat leíró adat) egyszerek

y A csillagséma hátrányai:

o aggregaciok (összegek) ké pzése nehézkes

o Nagy dimenziótáblák eseten a hierarchiakezelés nagyon lassíthatja a lekér dezéseket

o a dimenzióadatok tar olása redundáns

Hópehelyséma

y Hopehelyéema (snowf lake scheme)

o Hasonlít a csillagsemara

o A különbség, hogy a hópehelyséma esetében a redundanciát csökkentik

(normalizáljak a dimenziotablakat)



11

A felhasználói csoportok

A jól mköd adattárház kritériumai

y Megf elel f eltöltési ka pacitás

y Jól mköd f eltöltési folyamat

o Nem egyszer másolási funkciót jelent

o Ide tartozik az adatok k onvertálása, szrések, formázás, az integritás vizsgálata, f izikai

tar olás, indexelés es a metaadatok f rissítése

y Az adatminség kezelése

o Az adattar haznak biztosítania kell a bels k onzisztenciát, a környezettel való

k onzisztenciát, és megf elel integritást

y Gyors sebesség lekér dezés o Egy bonyolultabb lekér dezés ideje másodpercekben kell, hogy mer het legyen, nem

pedig na pokban

y Méretnövekedés lehetsége

o Az adattár házak mérete ex ponenciálisan növekszik na p jainkban

o A százezer gigabájtos illetve néhány terrabajtos adatbázisok mára mar hetk ozna piva

kezdenek válni

o A moduláris f elé pítés es könny bvíthetség ala pvet

y Egy lekér dezés sebessége ne az adatbázis méretétl, hanem a lekér dezés bonyolultságától

függjön.



12

A jól mköd adattárház kritériumai

y Felhasználok szeles csoportjának támogatása

o A Ävállalati tudástár´ lehetsége

y Hálózati adattár ház k once pció

o Az adattár házak a legtöbb esetben több egymással hálózatban k ommunikáló egységbl állnak

y Adattár ház f lexibilis irányítása

o Az adattár házak szamara fontos a rendszeres es r ugalmas irányítás lehetsége:

A lekér dezések prioritásainak vizsgálata f elhasználói szint es a lekér dezés

fontossága ala p ján

Bizonyos k orlátozások es engedélyezések megadassanak lehetsége is

elengedhetetlen

y Integrált elemzési módszerek

o A többdimenziós (több szem pontú) lekér dezések es adatbázis nézetek gyak orlati

haszna tagadhatatlan

y Magas szint lekér dezési lehetségek

o ahhoz, hogy a f elhasználok a késbbikben jól hasznosítható, értékes információkat

szerezzenek az adattár házból, minél k om plexebb és pr of esszionálisabb elemz

eszközökre van szükségük.



13

Üzleti analitika ± döntéstámogató rendszerek

Üzleti analitika kategóriák

A döntéstámogató rendszerek

y DSS-ek azok a döntéshozatal folyamán használható számítógé pes rendszerek, amelyek a

str ukturált és kevéssé str ukturált f eladatok megoldásához is segítséget nyú jtanak a beé pített

döntési szabályok és modellek f elhasználásával, s ezeket a f elhasználó is módosíthatja, vagy

bvítheti.

y A DSS tehát k om plex döntési szituációk megoldásában segít, növelve a döntések hatásosságát

A problémakategóriák jellemzése

y Jól-str ukturált pr o blémák (well-str uctured pr o blems).

o Teljes mértékben ismertek mind a cél(ok), mind a mveletek; dönteni csak a

mveletek alkalmazásának sorrend jérl kell, még pedig r utinszeren

y Féligstr ukturált pr o blémák (semi-str uctured pr o blems).

o A kitzött cél(ok) teljesen, a mveletek viszont csak részben ismertek

vagyis a megoldási módszerek, eszközök és utak részben vagy teljesen

ismeretlenek. y Nemstr ukturált pr o blémák (unstr uctured pr o blems).

o Sem a kitzhet álla pot(ok), sem a mveletek nem ismertek eléggé. E pr o blémákat

nagyon általánosan megfogalmazható elvárások jellemzik

y Nemdef iniálható pr o blémák (undef ined pr o blems)

o A pr o bléma egyáltalán nem formalizálható



14

A döntéstámogató rendszerek által nyújtott támogatás

y Adatok, álla pot-jelentések szolgáltatása - What is «? (Mi a «?)

y Általános elemz lehetségek - What is«/Why «? (Mi a«/Miért «?)

y R e prezentációs modellek (pl. pénzügyi helyzet) - What will be «? (Mi lesz«?)

y Oksági modellek (elrejelzés, diagnózis) - Why «? (Miért«?)

y Megoldási javaslatok, kiértékelések - What if «? (Mi van akk or, ha ...?)

y Megoldások közötti választás - What is best «? (Mi a legjo bb «?), What is good enough «?

(Mi elég jó «?)

DSS hasznok

y Függ a DSS természetétl, a döntéshozótól és a döntési helyzettl

y Növeli a döntéshozók ismeretkezelési lehetségeit

y A döntéshozó olyan pr o blémákat is megoldhat, amelyet DSS nélk ül meg se kísérelt volna az

idráfor dítás nagysága és k om plexitása miatt

y Egyszerbb pr o blémák esetén gyorsabban és megbízhatóbban dolgozhat a döntéshozó DSS-

sel. Még ha a döntéshozó elé ker ül pr o blémát nem is siker ül a DSS-sel megoldani, de

stimulálja a döntéshozó gondolk odását (pl. kiterjesztési kísérletek; analízis; tanácsok; hasonló

esetek jelzése)

y A DSS k onstr uálás (a döntéshozó részvételével) lehetséget ad a pr o blémater ület ú j módon

való megközelítésére, a döntéshozatal egyes részeinek formalizálására

y A döntéshozó pozíciójának megersítése

y Versenyelny a megnövekedett bels pr oduktivitás miatt

A DTR felhasználói által vétett leggyakoribb hibák a következk

y túlhangsúlyozzák a DTR -ek szere pét;

y az adatok pontosságának és fontosságának f eltételezése;

y az o bjektivitásba vetett hamis illúzió

A döntési folyamat fázisai

Egy döntési folyamat f ázisai ([Turban 1998] szerint):

(1) f eladat-meghatár ozás és adatgyjtés f eladat-meghatár ozás

(2) ter vezés alternatívák

(3) választás megoldás

(4) megvalósítás im plementált megoldás



15

A döntési folyamat támogatása

DSS követelmények I.

y Végf elhasználói kezelés és interaktivitás

y K önny hozzáf érés a megf elel információk hoz

o Adatok és az adatok és változók jelentésének magyarázata

o Döntési modellek

o Statisztikai, elrejelzési és optimalizálási eszközök

o Prezentáció ( jelentések, graf ikák)

y Alkalmazk odás a növek v f elhasználói igények hez

y Hor dozhatóság és perif éria támogatás

y Megbízhatóság és teljesítmény

DSS követelmények II.

y Nem-str ukturált és f élig str ukturált f eladatok megoldásának támogatása

y K ülönböz vezeti szintek, egyének és csoportok támogatása

y Független és összefügg döntések sor ozatának támogatása

y A döntési folyamat minden f ázisának támogatása

y Ada ptivitás, visszacsatolás

y Végf elhasználói módosíthatóság

y Továbbf ejlesztési lehetség y K ísérletezési lehetség a modellekkel

y Tudásbázis k om ponensek

y K ényelmes elemzési és érzékenységi vizsgálatok



16

A döntéstámogató rendszerek komponensei

Az adatkezel alrendszer

y Az adatkezel alrendszer biztosítja

o a k üls és bels adatbázisok hoz való hozzáf érésen kívül a DTR saját adatainak

tár olását,

o az adatok kezelését, f eldolgozását (adatbáziskezel rendszerek),

o az adatok egységes és k onzisztens adatszótárba rendezését, végül

o az adatok lekér dezését.

A modellkezel alrendszer

y A modellkezel alrendszer ti pik us elemei:

o modellbázis,

o modellbázis-kezel rendszer,

o modellez nyelv,

o modellszótár,

o modellvégrehajtó-, integráló- és parancsvégrehajtó rendszer

Felhasználói felület vagy kommunikációs alrendszer

y biztosítja a f elhasználó és a rendszer ka pcsolatát,

y vezérli az interakciókat,

y f elels a használat kényelmességéért és haték onyságáért

y minsége meghatár ozója lehet egy DTR elterjedésének vagy háttérbe szor ulásának függetlenül

a többi k om ponens minségétl



17

A tudásmenedzsment alrendszer

y Biztosítja a pr o bléma megoldásához szükséges tudást és így növeli a többi DSS k om ponens

haték onyságát

y Az intelligens rendszerek integráláshoz és f elhasználásához szükséges f eladatokat támogatja

y Tartalmazhat neurális hálózatot, szakért rendszert, egyéb intelligens megoldásokat

y Ti pik usan szövegorientált DSS

y Lehetséges elnevezései: intelligens DSS, DSS/ES, szakérttámogató rendszer, vagy tudás-

ala pú DSS

y A szakért rendszerek lehetséges f elhasználási mód jai:

o A döntési folyamat tudás ala pú támogatása (pl. a modell kategória kiválasztásánál)

o A modell osztályok f elé pítésének, alkalmazásának és kezelésének támogatása

o A bizonytalanság kezelése a tudásbázisokban

A döntéstámogató rendszerek osztályozása (Holsapple)

y Szöveg-ala pú DTR :

o szövegesen tár olt információk f eldolgozásával támogatja a döntéshozatalt. Felhasznált

technológiák: Web-ala pú dok umentációf eldolgozás, hi pertext, intelligens ágensek.

y Adatbázis-ala pú DTR :

o haték ony jelentésgeneráló és lekér dez funkciókkal rendelkeznek.

y Döntésitábla-ala pú DTR :

o a végf elhasználó által generált DTR -ek nagy része döntési táblák on ala pul. Többségük

adatbázis-ala pú szolgáltatást is nyú jt. Számos rendszer rendelkezik Ämi van akk or, ha´ (Äwhat-if ́ ) és célkeres elemz (Ägoal-seeking analysis´) szolgáltatásokkal.

y Megoldás-ala pú DTR (solver-oriented DSS):

o s peciális pr o blémamegoldó algoritmusokat, eljárásokat tartalmazó rendszerek.

Pr o blémamegoldó eljárások pl.: mennyiségek (gazdasági szem pontból) optimális

rendezése, trend-kidolgozó lineáris regresszió.

A döntéstámogató rendszerek osztályozása (Holsapple)

y Szabály-ala pú DTR : az ismeretala pú k om ponens tartalmaz tanácsadó szakért rendszert,

amelynek szabályai lehetnek k vantitatív vagy k valitatív jellegek.

y Összetett vagy hibrid DTR : az elz döntéstámogató rendszerekbl 2±5 f ajta összeé pítve alk ot

egy hibrid DTR -t. Pl. pénzügyi jelentéskészít, döntéstámogató és f elsvezeti elrejelz

rendszer.

y Intelligens vagy ismeretalapú DTR szakért rendszert, vagy egyéb intelligens rendszert

tartalmaz



18

Adatvizualizáció

Az adatok és az adatelemzés eredményének graf ik us, animációt és videót tartalmazó re prezentációja.

y Lehetvé teszi a vállalati trendek és az üzleti elnyhöz juttató adatok gyors azonosítását.

y A prediktív modellek segítségével ellenrizhetvé válnak a trendek jellemzi, ezáltal is

támogatva az alkalmazások tartalom, tranzakció és folyamat f ejlesztését Ú j irányzatok az adatvizualizációban 1990-tl

y Az adatvizualizáció beé pítésre ker ül a döntéstámogató rendszerekbe és alkalmazásokba, a

Ämainstream com puting ́része lesz

y Megjelenik az intelligens adatvizualizáció, amely adat/információ inter pretációt is tartalmaz

Ú j irányzatok az adatvizualizációban:

y Dash boar dok és scorecar dok

y Vizuális elemzés

y Pénzügyi adatok vizualizációja

Vezeti információrendszerek OLAP

Új igények az adatkezelés területén

y Nagy adatmennyiségek közötti gyors ka pcsolatteremtés igénye

y Analitik us mveleteket tartalmazzon

y Támogassa a bonyolultabb lekér dezéseket

y Az ú j tí pusú adatkezelés neve: OLAP (On Line Analitical Pr ocessing, 90-es évek)

y A hagyományos adatkezelés: OLTP (On Line Transaction Pr ocessing)

OLTP és OLAP



19

Üzleti folyamat szerinti különbség

Technológia szerinti különbség

Az OLAP által nyújtott új lehetségek

y m

ulti-

dimenzi

onális

adatbázis

(f el

váltja

a relációs

adatbázist)

o k om plex lekér dezések

több változó ka pcsolatát, a változók on értelmezett aggregációs értékeket, azok

ka pcsolatát vizsgálja

a klasszik us elsdleges k ulcs - idegen k ulcs szerkezettel ez hosszadalmas

mvelet

o heter ogén forrás

y drill-down és annak graf ik us követése

y szakért rendszerek egyes elemeinek beé pítése

y egyes DSS elemek beé pítése (elemz és szimulációs eszközök)



20

Az adatkocka dimenziói, mérete

y Példa:

y Fogyasztók

o Ország (2)

K örzet (8)

y Vár os (50)

y Termékek

o Termékcsoport (3)

Termékcsalád (3)

y Termék (250)

y Id

o Év (5)

Hóna p (12)

y Hét(4)

Az adatkocka megjelenítése

y K étdimenziós táblázatok (szeletelés)

y Bármilyen dimenziókkal (forgatás)

Az adatkocka dimenziói, mérete

Adatkocka tervez (szerkeszt)



21

A klasszikus DBMS-t át kell alakítani az OLAP igényeknek megfelelen

y A legfontosabb OLAP funkciók nem részei a DBMS-nek (alkalmazásfüggk is lehetnek)

y az OLAP analitik us mveletek idszükséglete nagy a hagyományos DBMS tár olási str uktúra

mellett

y a klasszik us DBMS-t át kell alakítani az OLAP igényeknek megf elelen

y cél: OLAP igények hez igazított DBMS rendszer kialakítása

Adatbázis konverzió

OLAP igények Codd szerint

y Idszak os és online adatelérés

o az OLAP rendszereknek rendelkezniük kell egy saját adatbázissal és él hozzáf érést

kell biztosítaniuk k üls adatforrások hoz is

y OLAP elemzési eszközök

o Paraméterezhet statik us jelentéskészítés

o Lefúrás (drill down) adatelérési lehetség

o Mi lenne ha? (What-If ) elemzés

o Cél-keres (Goal seeking) modellezés

Az OLAP jellemzi Codd nyomán 1-3.

y Sok dimenziós fogalmi megközelítés (Multi-dimensional Conce ptual View)

y Átláthatóság, áttekinthetség (Trans parency)

o a f elhasználó tisztában lehessen a rendszer mködésével, ké pességeivel, f elé pítésével

y Hozzáf ér hetség (Accessability)

o az elemzések hez szükséges adatok hoz a f elhasználók hozzáf érését biztosítani kell



22


y Egyenletes ri porting teljesítmény (Consistent R e porting Per formance)

y K liens-szer ver architektúra

y Többdimenziós f elé pítés (Generic Dimensionality)

o az adatdimenziók egyenértékek legyenek, str ukturális és mködési szem pontból is

y Dinamik us ritka mátrix kezelés (Dinamic S parse Matrix Handling)

y Sok f elhasználó támogatása (Multi-User Support)


y K orlátlan többdimenziós mveletek (Unrestricted Cr oss-Dimensional Operations)

y Intuitív adatkezelés (Intuitive Data Mani pulation)

o az adatok elérését, kezelését, elemzését a f elhasználó számára a lehet legegyszerbbé

kell tenni

y R ugalmas megjelenítés (Flexible R e porting)

y K orlátlan számú dimenzió és összegzési szint (Unlimited Dimension and Aggregation Levels)

Az OLAP speciális jellemzi Codd nyomán

S peciális jellemzk:

y Denormalizált adatok kezelése

o integráció az OLAP adatmotor és a nem normalizált adatforrások között

y Az OLAP adatok elk ülönítése az él adatforrásoktól

o az OLAP rendszereket nem lehet közvetlenül él tranzakciós adatokra é píteni y Hiányzó értékek megk ülönböztetése és kezelése

o a hiányzó (nem értelmezett) értékeket meg kell különböztetni a 0 értéktl és

f igyelmen kívül kell hagyni



23

Web-bányászat és szövegbányászat

y Internetes adatok gyjtése es elemzése webes eszközökkel (web mining) y A web-bányászat tehát az adatbányászat alkalmazása a webes forrásokra

Fajtai:

Webtartalom- bányászat---Web content mining, ter ületei ( Nyeki, 2007): y web szövegbányászat, y intelligens keresügynökök, y információ-szrés es y kategorizálás, y web lekér dez rendszerek;

Webstruktura- bányászat---Web str ucture mining ter ületei ( Nyeki, 2007): y látogatási str uktúra elemzése, y klikkelés-sor ozatok elemzése, y web site-ok ter vezési stratégiája; y példa: Google Page R ank

Web használat elemzése Pl. Google Analytics

y Internetes adatok gyjtése és elemzése a web használat jellegzetességeinek megértése és optimalizálása céljából

y Megállapítható, hogy az egyes tranzakciókat mely kampányok és kulcsszavak eredményezték,

vizsgálhatók a hségi és a lappangási mutatok, és azonosíthatok a legjobb bevételi f orrások.

A web-bányászat alkalmazásai

y Az ügyf él életciklus/érték meghatározása

y Marketing stratégia tervezése

y Marketing kampányok kiértékelése

y Hirdetések testreszabása

y Felhasználói viselkedés elrejelzése

y Ügyf él tájékoztatás támogatása

Web-bányászat példa: Amazon

y webes kosár: együttesen vásárolt termékekre vonatkozó adatok -aktuális kattintás utáni

a jánlatok,

y bejelentkezett f elhasználók múltbeli cselekedeteinek (vásárlás és keresés) adatai - hasonló ú j termékek a jánlata,

y elzmények: elzleg meglátogatott (akar más szerveren lév) lapok adatai,

y keresések adatai -kif inomult keresés/kevés találat: öntudatos vásárló, illetve elnagyolt

keresés/sok találat: útmutatásra, támogatásra szoruló látogató,

y kérdívek válaszai és valós cselekedetek összevetése - miért vásárolt az, akinek nem volt szándékában és miért nem vásárol az, aki tervezte.



24

Privacy kérések

y adatszerzés webbuggal,

y hálózati befolyás: azon f elhasználók jellemzése, akik képesek másokat vásárlásra ösztönözni,

y megadott vásárlói adatok f elhasználása (szavatosság, vásárlásösztönzés).

Szövegbányászat

A szövegbányászat meghatározása

y A szövegbányászat strukturálatlan inf ormációkat elemez (mint pl. e-mail-ek,

dokumentumok), hogy

o adatokat (pl. tényállításokat) és

o _ metaadatokat, inf ormációkat (pl. kategorizálás) nyerjen ki bellük nyelvi vagy

statisztikai technikákkal

y Lehetvé teszi legalábbis részlegesen a meg strukturálatlan adatok strukturálttá

alakítását, amit aztán nyomon lehet követni, lehet mérni és be lehet építeni további

analitikus modellekbe

Milyen hatással van a kormányzati kommunikáció a blogoszf érára?

Milyen trendek f igyelhetk meg az elmúlt években a különböz nagy szövegállományokban?Hogyan változnak egy tudományterület kedvenc témái, illetve milyen hatással van a kormányzati

kommunikáció a blogoszf érára?Cél: döntéstámogatása a kutatásf ejlesztési pályázatok kiirásában

A szövegbányászat

y A strukturalizáló (kivonatoló) megoldások nemcsak szövegekre, hanem más kevessé

strukturált adattí pusra is alkalmazhatok (pl. hanglenyomatok azonositása f elvételeken, arcf elismerés videókon, képeken)

y A ma szövegbányászata ilyen módon a strukturálatlan adatokban megtalált minták,

kategóriák, illetve ezek trendjeinek a meglév, strukturált adatokkal való összevetési f eladatává, valamint az ilyen módon kapott adatok hagyományos adatbányászati

módszerekkel való további elemzésévé alakul át

Véleményfeltárás

Komplex kutatási terület

o NLP, text mining, andWeb mining

o Számítástudomány --- menedzsment

Mi a vélemény?

y Mi a vélemény? (Opinion def inition)

o Tudunk-e strukturált def iniciót adni?

o Ha nem tudunk, nem értjük a problémát

Összehasnlító vélemény (Comparative opinion) iPhone is better than Blackberry. A véleményeket összegezni kell



25

Kapcsolódó informatikai területek

y inf ormációkinyerés

y adatbányászat

y gépi tanulás

y statisztikay szöveg klaszterizálása

y tartalom kiemélése

y számítógépes nyelvezet, morf ológiai és szemantikai elemzés

Hasznosítása

y inf ormáció inteníiv nagyipari ágazatok

y piaci inf ormációk rendszerezése

y online üzleti hírszerzés és üzleti elny megszerzése

y célorientált online hírf igyelés

y blog elemzés

y gyógyszeripar, telekommunikáció, banki-pénzügyi szf éra, autógyártás

A szövegbányászat sajátosságai

y a szövegbányászat során olyan tudásra, ismeretekre is szert kívánunk tenni, ami explicit

módon nem volt benne a rendelkezésre álló dokumentum állományban (korpuszban), csak

indirekt módon, rejtve, latensen

y nagy mértékben épít az adatbányászat eredményeire (minták f elismerése, adatreprezentáció

elrejelzés, statisztikai összef üggések kimutatás)

Adatbányászat

A döntések minségének változása

Intuíció alapú döntések

Ösztön, elérzet

Hüvelykujj

Korábbi tapasztalaton alapuló

Szabályozott döntéshozatal

Tudás, szabályok és rutin az üzleti szabályokban A döntések hatékonyak es konzisztensek

Ob jektív

Prediktív döntéshozatal

Pontos, optimalizált döntések tapasztalati mintákon Minden elérhet adat hasznosul

Rugalmas, tény alapú döntések

Változó környezetben is robusztus a legf rissebb adatok alap ján ú jratanuló modellek reagálnak a

trendekre

Ha a döntéshozó képes lenne gyorsan, minden elérhet adat f igyelembevételével optimalizáltandönteni az adott helyzetben külön elemz szakért támogatása nélkül



26

Mi az adatbányászat ?

y Inf ormációk elállítása nyers adatokból

y Eljárás, f olyamat

y Nagy mennyiség adat leválogatása, vizsgálata, modellezése, korábban ismeretlen jellemzk, összef üggések f eltárása üzleti elnyök kiaknázása céljából

y Jiawei Han: a tudás nagy mennyiség adatból történ kinyerése, kibányászása

y Az adatbányászat egy szervezetben található vagy más f orrásból származó, nagy mennyiség adatból történ hatékony inf ormáció, illetve tudáskinyerés, üzleti elnyök szerzése

érdekében.

y Multidiszciplinális tudományág

Jellemzk és célok

y Az adatok nagy száma miatt gyakran alkalmaznak párhuzamos f eldolgozást

y A f eldolgozás során többf éle technikát használnak

y Az adatok f orrása gyakran adattárház, vagy adatpiac

y Az eljárás gyakran nem várt értékes eredményekhez vezet

y Végf elhasználói alkalmazás



27

Adatbányászat folyamata

SEMMA - az adatbányászat módszertana (SAS)

y Sampling mintavétel

tanuló minta (train), ellenrz minta (validation), teszt minta

y Exploring - f eltárás

vizuális és analitikus

y Manipulating - módosítások

leválogatás, transzf ormáció, pótlás

y Model - modellezés neurális hálózatok, statisztikai elemz eszközök, döntési fa, idsorok

y Assesment - értékelés tesztek, graf ikonok

Adatbányászati tanuló algoritmusok

y Nem f elügyelt

o Mintázatot, csoportokat keres.

o Nincs elre kitüntetett változó

o Példa, bolthálózat: keressünk jellemz ügyf élcsoportokat a

o vásárolt termékeik alap ján

y Felügyelt

o Egy adott változó minél pontosabb elrejelzése a cél

o A megjóslandó változó a célváltozó o Amit használhatunk az elrejelzésre, az a magyarázó változó

o Példa: csalásf elderítés



28

Adatbányászati eszközök

SPSS PASW Modeler (Clementine)

SAS Enterprise Miner

IBM Intelligent Miner Microsof t SQL Server

Oracle Data Mining Nepszersegi lista

Adatbányászati-feladatok

gyakori minták kinyerése asszociációs szabályok keresése, gyakori elemhalmazok keresése,

elrejelzés és osztályozás ellenrzött tanulás (supervised learning), predikció, klasszif ikáció

klaszterezés halmaz elemeinek csoportokba sorolása, valamely hasonlósági / távolsági f üggvény alap ján;

f elügyelet nélküli tanulás (unsupervised learning) eredmények

összef üggések f eltárása, osztály

ozás, cs

o

portosítás, elrejelzés, s

orrend kialakítása

+ egyéb speciális f eladatok, eltér megf ogalmazások

Az adatbányászat felhasználási területei

inf ormatikai visszaélések megelzése tiltott tartalmak publikálásának monitorozása

jogosultságokkal való visszaélések kiszrése

kereskedelem:

o f ogyasztói szokások f eltárása, f ogyasztói viselkedés elemzése

o bevétel elrejelzése

o célz

o

tt marketing o kapcsolódó áruk f eltárása

o direkt marketing

biztositok, bankok:

o hitelminsítés

o visszaélések kiszrése (pl. hitelkártya esetén) telekommunikáció:

o lemorzsolódás vizsgálat

o nézettségi mutatok elrejelzése

o energiaf ogyasztás elrejelzése

Documents

Üzleti intelligencia