1. MIS 02
Presentatie titel
BI & OLAP
Rotterdam, 00 januari 2007
Rotterdam, 00 januari 2007
maandag 10 januari 2011
2. inhoud
Business Intelligence, data mining
OLAP
maandag 10 januari 2011
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.
maandag 10 januari 2011
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.
maandag 10 januari 2011
6. Waarom?
hoeveelheid data
kloof
BI
het belang
BI-
van BI
zal blijven
toenemen
tijd om te beslissen
jaar 0 20e eeuw nu
maandag 10 januari 2011
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);
maandag 10 januari 2011
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
maandag 10 januari 2011
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
maandag 10 januari 2011
10. Query
Vraag die je aan de database stelt.
bv. wat is er in de maand december verkocht?
maandag 10 januari 2011
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
maandag 10 januari 2011
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.
maandag 10 januari 2011
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.
maandag 10 januari 2011
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.
maandag 10 januari 2011
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?
maandag 10 januari 2011
16. OLAP cube
Sales
Atlanta
Fact
Verkopen Regio
Chicago
Dimensie
Denver
Cherries
Miami Melons
Apples
Q1 Q2 Q3 Q4
Time Dimensie
maandag 10 januari 2011
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.
maandag 10 januari 2011
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?
maandag 10 januari 2011
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
maandag 10 januari 2011
20. Terug naar de opdracht:
Geef 3 voorbeelden hoe jouw bedrijf 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? -> zie ook
pointdexter
maandag 10 januari 2011