10. HÉT: ADATTÁRHÁZAK ÉS ÜZLETI INTELLIGENCIA

Méret: px

Mutatás kezdődik a ... oldaltól:

Download "10. HÉT: ADATTÁRHÁZAK ÉS ÜZLETI INTELLIGENCIA"

Etelka Mezeiné
7 évvel ezelőtt
Látták:

1 10. HÉT: ADATTÁRHÁZAK ÉS ÜZLETI INTELLIGENCIA Dr. Danyi Pál Egyetemi docens, BME I. FÉLÉV DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT 1

2 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 I. FÉLÉV DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT 2

3 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 I. FÉLÉV DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT 3

ADATTÁRHÁZAK ÉS ADATPIACOK CÉLJA Az adattárházak (adatraktárak) és adatpiacok segítenek megoldani azokat a problémákat, amikor hiányzó vagy inkonzisztens adatai vannak a szervezetnek.

4 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. OLTP Fig 9-15 Components of a Data Warehouse DW OLAP Forrás: I. FÉLÉV DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT 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.

5 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: I. FÉLÉV DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT 5

RAW DATA This figure shows raw data before any reporting operations are used. 2015-16 I.

6 RAW DATA This figure shows raw data before any reporting operations are used I. Forrás: FÉLÉV DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT 6

7 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 Forrás: I. FÉLÉV DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT 7

8 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 I. Forrás: FÉLÉV DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT 8

9 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: I. FÉLÉV DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT 9

10 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 I. FÉLÉV DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT 10

11 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 I. FÉLÉV DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT 11

12 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 I. FÉLÉV DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT 12

13 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 I. FÉLÉV DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT 13

14 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 I. FÉLÉV DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT 14

15 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 OLTP OLAP Felhasználó Adminisztrátorok Menedzserek Időszerűség Aktuális állapot Korábbi állapot Gyakoriság Folyamatos Alkalomszerű Rekordszám ~ 10 ~ Teljesítmény Gyors Lassabb Kívánt adatok Meghatározott Bizonytalan Művelet Adatmódosítás Adatlekérdezés I. FÉLÉV DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT 15

16 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: I. Félév Dr. Danyi Pál - Információmenedzsment 16

17 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: I. Félév Dr. Danyi Pál - Információmenedzsment 17

Drilled down by store location and store type Forrás: http://www.slideshare.

18 Drilled down by store location and store type Forrás: I. Félév Dr. Danyi Pál - Információmenedzsment 18

Further drilled down to just stores in California Forrás: http://www.slideshare.

19 Further drilled down to just stores in California Forrás: I. Félév Dr. Danyi Pál - Információmenedzsment 19

20 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: év közötti nők Feltétel Adat forrás adat (kiválasztás) tisztított adat transzformált adat minták (adatbányászat) értékelés - tudás I. FÉLÉV DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT 20

21 ADATBÁNYÁSZATI TECHNIKÁK 1. Klaszteranalízis Nem jellemző egyedek elhagyása Korreláló változók elhagyása (életkor születési idő helyett) Változók összevonása (1 főre eső árbevétel) fogadott hívások [perc] Ultra kommunikatívak Nem kommunikálók indított hívások [perc] I. FÉLÉV DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT 21

22 ADATBÁNYÁSZATI TECHNIKÁK 2. Döntési fa eljárás Regressziós eljárás Neurális hálók Példa: 35 év feletti, jól kereső, régi ügyfél teljes minta <35 >35 nem vásárolt vásárolt életkor jövedelem < > <16 hónap >24 hónap mióta ügyfél? I. FÉLÉV DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT 22

23 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.) I. FÉLÉV DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT 23

24 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 I. FÉLÉV DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT 24

25 Köszönöm a figyelmet! I. FÉLÉV DR. DANYI PÁL - INFORMÁCIÓMENEDZSMENT 25

Hasonló dokumentumok

Adattárházak és Üzleti intelligencia (2. HÉT, 4. óra) Dr. Danyi Pál, Egyetemi docens, BME,

Adattárházak és Üzleti intelligencia (2. HÉT, 4. óra) Dr. Danyi Pál, Egyetemi docens, BME, danyi@mvt.bme.hu Információrendszerek: Alkalmazás-Technológia-Adat Az információrendszerek többféleképpen csoportosíthatók.