Mis02 Hc5

548 views
465 views

Published on

Published in: Technology
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
548
On SlideShare
0
From Embeds
0
Number of Embeds
4
Actions
Shares
0
Downloads
10
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Mis02 Hc5

  1. 1. MIS 02 Presentatie titel BI & OLAP Rotterdam, 00 januari 2007 Rotterdam, 00 januari 2007
  2. 2. inhoud Business Intelligence, data mining OLAP
  3. 3. Business Intelligence Is met name gericht inzicht te verschaffen op het verzamelen en analyseren van informatie over ‘klanten’, beslissingsprocessen, concurrentie, markttoestand en algemene economische, technologische trends, teneinde beslissingsondersteunende informatie (Intelligence) te verkrijgen.
  4. 4. BI Cyclus
  5. 5. BI cyclus Het verzamelen en registeren van data. Het analyseren van de data om te komen tot kennis en informatie. Het toepassen van de informatie en tot actie overgaan.
  6. 6. Waarom? hoeveelheid data kloof BI het belang BI- van BI zal blijven toenemen tijd om te beslissen jaar 0 20e eeuw nu
  7. 7. Waarvoor BI? O.a. voor: waarnemen van relevante veranderingen in de markt; monitoring van concurrenten; ondersteuning van productinnovaties; anticiperen op algemene omgevingstrends (o.a. t.a.v. overheid, macro- economische ontwikkelingen, technologie, etc.); inzicht in variabelen t.a.v. realisatie van de strategie (monitoring prestatie- indicatoren); ontdekken van patronen in klantgedrag (b.v. door datamining);
  8. 8. Dataminen “graven” in reeds beschikbare data (bv uit het MIS) om zo tot nieuwe informatie te komen. bv. trends (data over tijd) patronen (bv bestedingspatronen, seizoensgebondenheid) cases (patronen herkennen in een bepaald voorval) marktonderzoek
  9. 9. Voorbeelden Handel: juiste voorraden bestellen, distributiepatronen. Bank: voorspellen “bankroet gaan” Productie: proces stroomlijnen (opsporen bottlenecks) Verzekeringen: risico bepalen, fraude opsporen Gemeente: “probleemwijken” in kaart brengen
  10. 10. Query Vraag die je aan de database stelt. bv wat is er in de maand december verkocht?
  11. 11. Online Transaction Processing (OLTP) Is een groep programmaʼs om online transacties via bijvoorbeeld order verwerking, voorraad bijhouden te volgen en te bewaken. Een on-line transaction processing (OLTP) systeem is slecht in staat om analyses op de opgeslagen gegevens uit te voeren. De structuur van de gegevensopslag staat dit niet toe. De meest gebruikte oplossing om tóch tot zinvolle analyses te komen is het maken van een gegevensextract: een datawarehouse. = eigenlijk het systeem wat we in de BCM weergeven. probleem: hij is gemaakt voor operaties, niet voor onderzoek
  12. 12. OLAP Online analytical processing Analyse van grote hoeveelheden multidimensionele data typisch afkomstig van een data warehouse. Dit wordt meestal in een apart systeem gedaan, met data die gedupliceerd is vanuit het OLTP systeem.
  13. 13. OLAP Er moet iets worden berekend: omzet of verkochte hoeveelheden, winstmarges, wachttijden, klachten. De resultaten van de berekeningen worden uitgesplitst naar dimensies (conform de analyses die men wil maken) tijd product klant regio ... Dimensies kunnen een hiërarchische structuur hebben.
  14. 14. OLAP concept Stel je verkoopt iets. Op de bon staat de tijd. nu kun je iets zeggen over hetgeen wat verkocht is en de tijd waarop. Waarschijnlijk zie je daar niets in... Maar, wat als je meer dingen bijhoud? zoals: verkoper winkel betaalmethode bankrekening naam etc.
  15. 15. OLAP concepten onstaan rond een “fact” (bv. een sale, een productiehandeling, of een klacht) (vergelijk met “moments of truth” in diensten marketing...) Geven inzicht in dat fenomeen in de verschillende dimensies. waar komt het het meest voor? wanneer komt het het minst voor? bij wie allemaal? of bij wie niet?
  16. 16. OLAP cube Sales Atlanta Fact Verkopen Regio Chicago Dimensie Denver Cherries Miami Melons Apples Q1 Q2 Q3 Q4 Time Dimensie
  17. 17. Kenmerken afkomstig uit willekeurige databases (bv. CRM of ERP). Meerder dimensie (meer dan 3 ook mogelijk). Snel data combineren. Snel een inzicht voor een bepaalde vraag. OLAP cubes zijn vaak van te voren gemaakt. bevorderd de hoeveelheid vragen die gesteld kunnen worden.
  18. 18. OLTP vs. OLAP OLTP Jan Jansen uit Broek in Waterland heeft zojuist een veilingkist tomaten besteld; voer de levering van de tomaten uit vanuit onze locatie in Broek in Waterland, maak de factuur en geef aan voorraadbeheer door dat er minder tomaten zijn. OLAP Hoeveel kisten tomaten zijn er jaarlijks verkocht vanuit de magazijnen in Noord Holland?
  19. 19. Wat kun je doen? Drill down Total sales Total sales per city Roll-up Total sales per city per store Total sales per city per store per month ... Slicing Neem een horizontale of verticale snede van de kubus Sales data for product X Sales data for store A Dicing Sales data for products X and Y, in stores A and B, during the summer
  20. 20. Terug naar de opdracht: Geef 3 voorbeelden hoe Piter een OLAP cube kan gebruiken. werkwijze. Wat wil je weten? (denk als een marketeer) Welke dimensies wil je beschouwen? Wat laat een drill down, roll up, slice of dice zien? Hoe kun je met die informatie omgaan?
  21. 21. Voorbeeld PIVOT in excel Vragen tot nu toe?

×