Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Poslovna informatika 2: Podpora upravljanju in infomacijska analiza

481 views

Published on

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

Published in: Education
  • Login to see the comments

  • Be the first to like this

Poslovna informatika 2: Podpora upravljanju in infomacijska analiza

  1. 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. 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. 3. 2. sklop Podpora upravljanju in odločanju Informacijska analiza
  4. 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. 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. 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. 7. Osnova vsega: poslovni model Vir: http://en.wikipedia.org/wiki/File:Data_modeling_context.svg Podatkovni model
  8. 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. 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. 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. 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. 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. 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. 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. 15. Primer podatkovnega modela Entitete: ● stranka ● izdelek ● konkurent ● poslovna enota ● naše podjetje ● zaposleni
  16. 16. Primeri... Pripravi podatkovni model za: ● zdravniško ordinacijo ● nepremičninsko agencijo ● izobraževalno ustanovo ● trgovino ● banko ● občino
  17. 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. 18. Podatkovno modeliranje v Aris Express Zagon orodja in izbira tehnike modeliranja:
  19. 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. 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. 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. 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. 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. 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. 25. Večdimenzionalna analiza Podatkovna kocka prodaje
  26. 26. Večdimenzionalna analiza Excel - vrtilna tabela za večd. analizo
  27. 27. Večdimenzionalna analiza Primer: proClarity in drilldown RVC po vrsti storitve
  28. 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. 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. 30. Delavnica 2 3. podatkovni model 4. podatkovna baza a. glej prosojnice DOBA-Poslovna informatika 6
  31. 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

×