Pregledno gradivo za predmet "Poslovna informatika" 2. del: podpora upravljanju, podatkovno modeliranje, podatkovne kocke, informacijska analiza, OLAP Dodiplomski študij, DOBA Fakulteta za uporabne poslovne in družbene študije Maribor

1. doc. dr. Tomislav Rozman
tomislav.rozman@net.doba.si
tomislav.rozman@bicero.com
www.bicero.com
Twitter: @tomirozman
LinkedIn: http://si.linkedin.com/in/tomislavrozman
DOBA, Fakuteta za uporabne poslovne in družbene študije Maribor

2. Vsebina
1. Uvod v poslovno informatiko
2. Poslovni informacijski sistemi
3. Sistemi za podporo upravljanja
4. E-poslovanje
5. PIS in strateško načrtovanje v podetju
6. Razvoj PIS (1. del - inf. analiza)
7. Management poslovne informatike

3. 2. sklop
Podpora upravljanju in odločanju
Informacijska analiza

4. Odločanje
● racionalno-analitično
○ zavestno, sistematično, preučitev vseh alternativ
○ (-) ni možno preučiti vseh alternativ in posledic
○ (+) možna podpora IT
● intuitivno-emocionalno
○ izkušnje, nezavedno, brainstorming
○ težavno podpreti z IT
● vedenjsko-preudarno
○ upoštevanje pritiskov ljudi
○ zadovoljevanje velikega št. zahtev
○ kompromis
○ kombinacija 1. in 2. (analiza+ljudje)
Vir: [Laudon 1998, 133-139]

5. Upravljanje na podlagi
analitičnih informacij
● Direktorski IS = IS ki prikazuje KPI (key
performance indicators)
○ KPI = ključni kazalniki poslovanja
■ KPI pridobimo iz podatkovnega skladišča
● podatkovno skladišče = preoblikovana podatkovna baza
○ podatkovna baza = strukturirani podatki iz poslovanja
● Primeri KPI:
○ št. prodanih izdelkov / lokaciji, vrsti,
○ RVC po prodajalcu, projektu, poslovni enoti
○ povprečni časi: obdelave zahtevka stranke, izdelave
izdelka, izvedbe storitve
○ št. naročil,...

6. Od elementarnega podatka
do KPI
Direktorski (analitični IS)Transakcijski (operativni IS)
Podatkovna
baza (E-R)
Podatkovno skladišče
(zvezda, snežinka)
prenos podatkov,
denormalizacija
(dnevno ~ realni čas)
OLAP strežnik
analitična
povpraševanje
analitična
poročila
Odjemalci (PC, POS,
dlančniki, druge vhodne
naprave, proizvodnja)
Aplikativni strežnik (npr.
ERP, CRM, proizvodni, ...)
vhodnipodatki
preprostaporočila
povpraševanjai
vhodni podatki

7. Osnova vsega:
poslovni model
Vir: http://en.wikipedia.org/wiki/File:Data_modeling_context.svg
Podatkovni model

8. Informacijska analiza
● Cilj informacijske analize: priprava strukture
podatkovne baze
● Vhodni podatki v informacijsko analizo:
○ vsi podatki, povezani s poslovanjem:
■ stranke, izdelki, storitve in povezni podatki
○ ideje za vnosne obrazce
○ ideje za poročila
○ obstoječi obrazci in predloge (papirni)
● Rezultat: podatkovni model (E-R model),
podatkovna kocka (zvezdasta ali snežinkasta
struktura)

9. Osnova: E-R podatkovno
modeliranje
● Osnovni koncepti:
○ entiteta
■ atribut
● enolični identifikator
■ podatkovni tip atributa
● tekst, število, datum, naštevni, BLOB,...
○ relacija
■ kardinalnost
● 1:1, 1:m, n:m
● obvezno, opcijsko
● Primer:
○ 1 avtor izvaja več pesmi Vir: http://en.wikipedia.org/wiki/Entity_relationship_model

10. E-R, primeri
● Entitete:
○ oseba, kupec, izdelek, nepremičnina, bolezen,
storitev, transakcija, naslov,...
● Atributi:
○ oseba (ime, priimek, spol, datum rojstva, davčna,
emšo,...)
○ bolezen (kronična, datum pričetka, št. ponovitev,
zdravila)

11. E-R podatkovni tipi
● Podatkovni tipi:
○ besedilo (ime), številka (hišna številka), boolean
(da/ne), datum (1.1.2012), naštevni tip (rdeč, črn,
zelen), BLOB - Binary Large OBject (datoteka,
priponka, slika)
● Relacije:
○ mrežna struktura
○ glagol, glagolnik (ima, proda, stanuje, zaposluje,
zdravi,...)
○ tudi relacije imajo lahko atribute (glej naslednjo
prosojnico - performs)!

12. E-R model, pretvorba iz
konceptualnega v fizični model
ID
Artist
Ime Priimek
1 Bob Dylan
2 Bob Marley
ID
Song
Naslov Zvrst
1 Blowing in the wind blues
2 I shoot the ... reggae
3 No woman no .. reggae
ID Artist ID Song koncert
1 1 Woodstock '69
2 2 Jamaica 81'
2 3 Jamaica 81'
Tabela Artist (pevec)
Tabela Song (pesem)
Tabela Performs (izvaja)
pretvorba iz
konceptualnega
v fizični
podatkovni
model
entitete in relacije
postanejo tabele

13. E-R vzorci: atribut ali
entiteta?
Primer: "Naslov"
Je to atribut entitete 'kupec' ali je to ločena
entiteta?
Oseba
+ID Osebe
+Ime
+Priimek
+Ulica
+Hišna ševilka
+Pošta
Oseba
+ID Osebe
+Ime
+Priimek
Naslov
+ID Naslova
+Ulica
+Hišna ševilka
+Pošta
+Stalni (da/ne)
+Sedež (da/ne)
+Dostava (da/ne)

14. E-R model, kardinalnosti
Kardinalnost = udeleženost entitete v relaciji
(število primerkov)
● (0,1,n) -------------- (0,1,n)
● Primer:
○ avtor izvede 0 ali več pesmi
○ pesem ima 1 (in samo 1) avtorja
1
2
3
smer branja
smer branja
12
3

15. Primer podatkovnega modela
Entitete:
● stranka
● izdelek
● konkurent
● poslovna enota
● naše podjetje
● zaposleni

16. Primeri...
Pripravi podatkovni model za:
● zdravniško ordinacijo
● nepremičninsko agencijo
● izobraževalno ustanovo
● trgovino
● banko
● občino

17. Podatkovne baze
● Zakaj E-R model?
○ prevorba v fizično podatkovno bazo (MS Access,
Oracle, MS SQL, MySQL, PostGreSQL...)
○ standardiziran povpraševalni jezik: SQL
■ SELECT * FROM Oseba WHERE Starost>20
■ INSERT
■ UPDATE
● Naslednji korak?
○ uporabniški vmesnik za polnjenje PB
■ ... da ne vnašamo podatkov ročno (insert) ali kot
pri Excelu
○ Poročila - povpraševanja po PB
■ ... da ne pišemo ročno povpraševanj (select)

18. Podatkovno modeliranje v
Aris Express
Zagon orodja in izbira tehnike modeliranja:

19. Podatkovno modeliranje v
Aris Express
Aris Express delovna površina
delovna površina
orodjarna
(entitete,
atributi,
povezave)
klasične
MsOffice
kontrole
drag&
drop
podatkovni model (ali najdeš napako?)

20. Večdimenzionalna analiza 1
● Poanta:
○ pretvorba iz E-R modela v večdimenzionalno
podatkovno kocko
○ Zakaj? Hitrejše branje podatkov,
povpraševanja in izdelava analize. Samo zato.
● Postopek:
○ E-R model denormaliziramo:
■ 1 tabela z dejstvi, nanjo vežemo 'dimenzije'
● Osnovni pojmi:
○ dejstvo
○ dimenzija
○ hierarhija

21. Razlika med podatkovno bazo in
podatkovnim skladiščem
Vir: http://wiki.fmf.uni-lj.si/wiki/OLAP
Baza podatkov Skladišče podatkov
- podpira delo s podatki - podpira analizo s podatki
- vnos in branje podatkov - branje podatkov
- dinamično spreminjanje vsebine - podatki so statični, le občasno ažuriranje
- struktura se redko spreminja - strukturo prilagajamo potrebam
- veliko uporabnikov - malo uporabnikov
- transakcijske obdelave - analitične in sintetične obdelave
- vnaprej določeni izpisi ali poizvedovanja s SQL - za analize, korelacije, statistike, OLAP

22. Podatkovna kocka
Prenos podatkov iz PB v PS:
● 1x dnevno
● 1x /uro
● v NRT (near-real time)
Primer:
○ dejstva prodaje (1 entiteta z atributi kot npr: količina, cena, vrednost,
popust, davek, RVC,...)
○ dimenzije / entitete:
■ čas (leto, polletje, kvartal, mesec, dan, ura,...)
■ lokacija (kontinent, država, regija, mesto,...)
■ izdelek (skupina, podskupina, posamezni izdelek)
■ dobavitelj (skupina, podskupina, posamezni)
Vir: http://wiki.fmf.uni-lj.si/wiki/OLAP

23. Shema pod. skl. - zvezda
Prodaja
+ID Lokacija
+ID Obdobje
+ID Kupec
+ID Izdelek
+Količina
+Vrednost
+RVC
Lokacija
+ID Lokacija
+Celina
++Država
+++Regija
++++Mesto
Obdobje
+ID Obdobje
+Leto
++Kvartal
+++Mesec
++++Dan
Kupec
+ID Kupec
+Spol
++Starost
Izdelek
+ID Izdelek
+Model
++Tip
+++Barva
++++Dobavitelj
Tabela
dejstev
Tabela
dimenzij
1
m
Hierarhija
dimenzij

24. Shema pod. skl. - snežinka
Prodaja
+ID Lokacija
+ID Obdobje
+ID Kupec
+ID Izdelek
+Količina
+Vrednost
+RVC
Lokacija
+ID Lokacija
+Celina
++Država
+++Regija
++++Mesto
Obdobje
+ID Obdobje
+Leto
++Kvartal
+++Mesec
++++Dan
Kupec
+ID Kupec
+Spol
++Starost
1
m
Izdelek
+ID Izdelek
+Model
++Tip
+++Barva
++++ID
Dobavitelj
Dobavitelj
+ID dobavitelj
+Država
+Mesto
+Dobavni rok

25. Večdimenzionalna analiza
Podatkovna kocka prodaje

26. Večdimenzionalna analiza
Excel - vrtilna tabela za večd. analizo

27. Večdimenzionalna analiza
Primer: proClarity in drilldown RVC po vrsti storitve

28. IT podpora
● Primeri BI orodij:
○ ProClarity
○ OLAP (MS Analysis Services, Oracle...)
○ Podatkovno rudarjenje (MS Analysis Services, SAS
Analytical Intelligence, SAS Enterpriser Miner
Clementine (SPSS), Oracle9i Data Mining, IBM DB2
Intelligent Miner
○ Preglednice (MS Excel, Quattro Pro Corel, Lotus
1-2-3 IBM, Open Office.org Calc
○ Statistična analiza SPSS, SAS, StatGraph
○ Specializirana orodja za modeliranje @Risk,
Precision Tree, What's Best!

29. Delavnica 2
1. Informacijska analiza posl. in inf. problema
a. = POSLOVNI CILJ
i. zmanjšanje proizv. stroška na izdelek,
2. 3 informacijske potrebe
a. = metrike, KPI
i. št/izdelkov/časovno enoto
ii. poraba sredstev/časovno enoto
iii. poraba sredstev/izdelek
3. podatkovni viri
a. = od kod prihajajo podatki?

30. Delavnica 2
3. podatkovni model
4. podatkovna baza
a. glej prosojnice DOBA-Poslovna informatika 6

31. Viri
● OLAP (SLO) http://wiki.fmf.uni-lj.si/wiki/OLAP
● BUSINESS INTELLIGENCE: http://en.wikipedia.org/wiki/Business_intelligence
● BUSINESS INTELLIGENCE:
http://cacm.acm.org/magazines/2011/8/114953-an-overview-of-business-intelligence-technology
/fulltext