10. HÉT: ADATTÁRHÁZAK ÉS ÜZLETI INTELLIGENCIA

10. HÉT: ADATTÁRHÁZAK ÉS ÜZLETI INTELLIGENCIA Dr. Danyi Pál Egyetemi docens, BME

2015-16 I. FÉLÉV

DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT

1

MIS RENDSZEREK: ALKALMAZÁS-TECHNOLÓGIA-ADAT MIS rendszerek: DSS, EIS, AI, BI, BA, ACRM, riportolás

Technológiák: AI, BI, BA

Adatbázis technológiák: (Relációs) adatbázis rendszerek (DBMS), adattárház (DW), adatpiac 2015-16 I. FÉLÉV


2

AZ ADATTÁRHÁZAK DW (Data Warehouse), adatraktár: egy szervezet összes információs adatának összesített rendszere, ahol adatok  téma-orientált,  integrált,  időfüggő,  nem felejtő adatbázisa, ami támogatja a menedzsment döntéshozatali folyamatait. Olyan felépítésű, hogy segítse az üzleti intelligencia funkciók minél eredményesebb megvalósítását.

Nem feltétel a redundancia-mentesség Feladatok:     

Adatok gyűjtése különböző forrásokból Másolatok készítése Adatok tisztítása Adatok tárolása Kategorizálás

OLTP → DW → OLAP 2015-16 I. FÉLÉV


3

ADATTÁRHÁZAK ÉS ADATPIACOK CÉLJA 



Az adattárházak (adatraktárak) és adatpiacok segítenek megoldani azokat a problémákat, amikor hiányzó vagy inkonzisztens adatai vannak a szervezetnek. Segítenek továbbá szabványosítani az adatformátumokat a tranzakciós adatok és a külső féltől vásárolt adatok között is. Ezek az eszközök kifejezetten adatelemzések és adatbányászat számára készítenek elő, tárolnak és menedzselnek adatot.

Fig 9-15 Components of a Data Warehouse

OLTP

DW

OLAP

Forrás: http://www.slideshare.net/mgraham213/business-intelligence-systems 2015-16 I. FÉLÉV


4

ADATTÁRHÁZAK ÉS ADATPIACOK KÖZÖTTI KÜLÖNBSÉG 



Az adattárházak (DW) tranzakciós (működési) adatokat és vásárolt adatokat tárolnak. A DW megtisztítja és feldolgozza az adatokat, ha szükséges. Az egész szervezetet szolgálja. Az adatpiac kisebb, mint a DW, és egy üzleti szervezet vagy egy szűkebb területre vonatkozik. Funkcionalitásában megegyezik a DW-zal.

Fig 9-18 Data Mart Examples Forrás: http://www.slideshare.net/mgraham213/business-intelligence-systems DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT

2015-16 I. FÉLÉV

5

RAW DATA This figure shows raw data before any reporting operations are used.

2015-16 I.Forrás: FÉLÉV http://www.slideshare.net/mgraham213/business-intelligence-systems DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT

6

The figure on the left shows the raw sales data sorted by customer names. The figure on the right shows data that’s been sorted and grouped.

Sales Data Sorted by Customer Name

Sales Data, Sorted by Customer Name & Grouped by Number of Orders & Purchase Amount

2015-16 I.Forrás: FÉLÉV http://www.slideshare.net/mgraham213/business-intelligence-systems DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT

7

This figure shows even better information that’s been filtered and formatted according to specific criteria.

Fig 9-5 Sales Data Filtered to Show Repeat Customers 2015-16 I.Forrás: FÉLÉV http://www.slideshare.net/mgraham213/business-intelligence-systems DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT

8

RFM Analysis allows you to analyze and rank customers according to purchasing patterns as this figure shows. – R = how recently a customer purchased your products – F = how frequently a customer purchases your products – M = how much money a customer typically spends on your products

The lower the score, the better the customer.

Forrás: http://www.slideshare.net/mgraham213/business-intelligence-systems 2015-16 I. FÉLÉV


9

MIS RENDSZEREK: ALKALMAZÁS-TECHNOLÓGIA-ADAT MIS rendszerek: DSS, EIS, AI, BI, BA, ACRM, riportolás

Technológiák: AI, BI, BA

Adatbázis technológiák: (Relációs) adatbázis rendszerek (DBMS), adattárház (DW), adatpiac 2015-16 I. FÉLÉV


10

EGYES RENDSZEREK FUNKCIÓT ÉS TECHNOLÓGIÁT IS JELENTENEK AI rendszerek

BI rendszerek

Big Data

Funkció szerint

Fordító, képfelismerő, arcfelismerő alkalmazás, humán robot, kiterjesztett valóság, szakértői rendszer, stb.

Kereső rendszerek, OLAP, üzleti elemzés

Big data szolgáltatások, Nagy elemzések, Gyors adatfeldolgozás

Technológia szerint

Neuronhálók, Evolúciós (genetikai) algoritmusok, Fuzzy rendszerek, Logikai programozás

Riportolás Adatbányászat, Tudás menedzsment

NoSQL, Hadoop és MapReduce, Storm

2015-16 I. FÉLÉV


11

ÜZLETI INTELLIGENCIA (BI) ESZKÖZÖK ÉS TECHNOLÓGIÁK Az üzleti intelligencia (BI) rendszer egy olyan információrendszer, ami üzleti intelligencia (BI) eszközöket alkalmaz, hogy létrehozzon és szolgáltasson információt. A BI eszközök olyan számítógépes programok, amelyek bizonyos BI technikákat alkalmaznak. A technikákat 3 féleképpen kategorizáljuk:  Riportoló eszközök: adatot olvasnak be, feldolgozzák azokat, és olyan strukturált riportokba formázzák az adatokat, amelyeket a felhasználó látni kíván. Elsősorban értékelésre használják.  Adatbányász eszközök: statisztikai algoritmusokat használva dolgozzák fel az adatokat, mintákat és kapcsolatokat keresnek és előrejelzést tesznek az eredmények alapján.  Tudásmenedzselő eszközök: munkatársi tudást (folyamatleírásokat, kapcsolatokat, összefüggéseket, “okosságokat”) tárolnak, és elérhetővé teszik az érdeklődők számára. Itt az adatok forrása az emberi tudás. 2015-16 I. FÉLÉV


12

ÜZLETI INTELLIGENCIA (BI) FUNKCIÓK  Információkeresés – lekérdezéseken keresztül  Riportolás: teljesítménymérés, mutatószámok (KPI-k)

 Online analitikus feldolgozások (OLAP)  Üzleti elemzés (analitika): magyarázó és előrejelző modellezés főleg statisztikai alapokon  Figyelmeztető (“alert”) eszköz

2015-16 I. FÉLÉV


13

OLAP FUNKCIÓK ÉS AZ OLAP ADATKOCKA-MODELL Aggregáció: dimenziók mentén összegzés Lefúrás: az aggregáció ellentéte, pl. havi bontás (DRILL DOWN) Forgatás: dimenzió felcserélése (más nézet) Szelekció: egy dimenzióban értékre szűrés Szeletelés: egy dimenzió lekötése, részkocka kivágása

2015-16 I. FÉLÉV


14

OLAP VS OLTP OLTP (On-line Transaction Processing) 

Napi üzletmenet működése



Repülőgépes helyfoglaló rendszerek

OLAP (On-line Analytical Processing) 

Féléves, éves trendek alapján előre jelezni



Döntéshozatal Jellemzők Felhasználó Időszerűség Gyakoriság Rekordszám Teljesítmény Kívánt adatok Művelet

2015-16 I. FÉLÉV

OLTP Adminisztrátorok Aktuális állapot Folyamatos ~ 10 Gyors Meghatározott Adatmódosítás

OLAP Menedzserek Korábbi állapot Alkalomszerű ~ 100-1000 Lassabb Bizonytalan Adatlekérdezés DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT

15

•

Dimensions which are characteristics of a measure. In the figure below a dimension is Product Family.

Fig 9-7 OLAP Product Family by Store Type Forrás: http://www.slideshare.net/mgraham213/business-intelligence-systems 2015-16 I. Félév Dr. Danyi Pál - Információmenedzsment

16

• A presentation like what you saw in the prior slide is often called a OLAP cube or a cube. • Know that an OLAP cube and a OLAP report are the same thing

• Users can alter the format of a report • Its possible to Drill down into the available data

Forrás: http://www.slideshare.net/mgraham213/business-intelligence-systems 2015-16 I. Félév Dr. Danyi Pál - Információmenedzsment

17

Drilled down by store location and store type


18

Further drilled down to just stores in California


19

ADATBÁNYÁSZAT (DATA MINING) Definíció  Előre nem sejthető minták, törvényszerűségek, összefüggések keresése nagy adatbázisokban (“TUDÁS” feltárás) Módszerek  Asszociációk  Tej és kenyér; Skoda és Philips. Minek van értelme?

 Szekvenciák keresése  Benzin és hús; alkohol és bébiétel?

 Csoportok keresése  Szakácskönyvek: 20-40 év közötti nők

Feltétel  Adat – forrás adat (kiválasztás) – tisztított adat – transzformált adat – minták (adatbányászat) – értékelés - tudás

2015-16 I. FÉLÉV


20

ADATBÁNYÁSZATI TECHNIKÁK – 1. Klaszteranalízis  Nem jellemző egyedek elhagyása  Korreláló változók elhagyása (életkor születési idő helyett)  Változók összevonása (1 főre eső árbevétel)

“Ultra kommunikatívak” fogadott hívások [perc]

“Nem kommunikálók” 2015-16 I. FÉLÉV

indított hívások [perc]


21

ADATBÁNYÁSZATI TECHNIKÁK – 2. Döntési fa eljárás  Regressziós eljárás  Neurális hálók

Példa: 35 év feletti, jól kereső, régi ügyfél

nem vásárolt

teljes minta <35

életkor

vásárolt

>35

<200000

>200000

jövedelem <16 hónap

>24 hónap

mióta ügyfél? 2015-16 I. FÉLÉV


22

ADATBÁNYÁSZATI TECHNIKÁK – 3. Mesterséges intelligencia technikák, pl. gépi tanulás technikák:  Neurális hálók

Big Data technikák? (A technikák, módszerek keverednek, ahogy újabb és újabb problémák, igények merülnek fel.)

2015-16 I. FÉLÉV


23

BI RENDSZEREK SPECIÁLIS FAJTÁI Analitikus ügyfélkapcsolat rendszer – CRM  „Nem termékhez vevőt, hanem vevőhöz terméket”  Adatbányászati alkalmazásai:  Ügyfél szegmentáció és ügyfélmegtartás

BI

ACRM CRM

 Kockázatmenedzsment  Csalások felderítése és megakadályozása  Direkt marketing

 Keresztértékesítés

Vállalati teljesítménymenedzsment – EPM (Enterprise Performance Mgmt)  Olyan rendszer, mely a vállalati teljesítmény mérésére használt mutatók alakulását követi nyomon. Pl.:  Eladások egy időszakban  Befektetett tőke megtérülése – ROI  Befektetés megtérülési ideje

2015-16 I. FÉLÉV


24

Köszönöm a figyelmet!

2015-16 I. FÉLÉV


25

10. HÉT: ADATTÁRHÁZAK ÉS ÜZLETI INTELLIGENCIA

Recommend Documents