ZARZĄDZANIE WIEDZĄ Z WYKORZYSTANIEM NARZĘDZI ORACLE

Transkrypt

1 Małgorzata Nycz, Barbar Smok Akademia Ekonomiczna we Wrocławiu ZARZĄDZANIE WIEDZĄ Z WYKORZYSTANIEM NARZĘDZI ORACLE 1. Wprowadzenie Rozwój technologii informatycznych wpływa m.in takŝe na elementy związane z funkcjonowaniem i zarządzaniem przedsiębiorstwem. Zarządzanie wiedzą koncentruje się na rozpoznawaniu i zarządzaniu wszystkimi zasobami intelektualnymi, które znajdują się w przedsiębiorstwie. Do kluczowych procesów zarządzania wiedzą naleŝą: lokalizowanie wiedzy, pozyskiwanie wiedzy, rozwijanie wiedzy, dzielenie się wiedzą i jej rozpowszechnianie, wykorzystanie wiedzy oraz jej zachowywanie. Współczesne technologie wykorzystywane są do tworzenia właściwej interakcji pomiędzy decydentami, klientami oraz pracownikami, gdyŝ przedsiębiorstwa zainteresowane są realizacją strategii globalnej, polegającej m.in. na orientacji na rynek i klientów (dąŝą do maksymalnego skrócenia czasu wejścia z produktem na rynek, czy realizacji zamówienia), ciągłej obserwacji rynków i trendów (powoduje potrzebę stałego dostępu do róŝnorodnych baz danych w czasie rzeczywistym). Przedsiębiorstwa mogą dopasować się do otoczenia m.in poprzez wykorzystanie nowych technologii informatycznych. Wiedza w przedsiębiorstwie jest zasobem, który ma wpływ m.in na utrzymanie się przedsiębiorstwa na rynku oraz jego rozwój.

2 Przedsiębiorstwo, które posiada właściwą wiedzę w odpowiednim czasie i potrafi ją wykorzystać w celu podjęcie optymalnych decyzji, ma szansę na osiągnięcie sukcesu poprzez wyprzedzenie konkurencji czy zwiększenie sprzedaŝy swych usług lub wyrobów. Obecnie firmy muszą stawić czoła wyzwaniu gwałtownej rozbudowy infrastruktury informatycznej. Nowoczesne systemy pozwalają uprościć środowisko informatyczne zmniejszając liczbę serwerów potrzebnych do uruchomienia aplikacji biznesowych, a zaoszczędzone koszty wykorzystać do rozwoju działalności przedsiębiorstwa. Większość współczesnych przedsiębiorstw zarządza heterogenicznym środowiskiem. Aby wykorzystać zawarte w nim dane naleŝy je zintegrować wykorzystując np. technologię hurtowni danych. Produkty firmy Oracle coraz częściej pojawiają się takŝe na rynku polskim. Spotykamy je m.in. w administracji publicznej, telefonii komórkowej, bankach, a takŝe w przedsiębiorstwach produkcyjnych i handlowych. Artykuł prezentuje zastosowanie przykładowych produktów, które mogą wspomagać zarządzanie wiedzą przedsiębiorstwa. 2. Zarządzanie wiedzą w przedsiębiorstwie Zarządzanie wiedzą koncentruje się na rozpoznawaniu wszystkich zasobów intelektualnych znajdujących się w organizacji i zarządzaniu nimi po to, by moŝna był lepiej osiągać cele biznesowe. Zatem zarządzanie wiedzą jest to podejście ujmujące identyfikację, pozyskiwanie, przechowywanie, rozwijanie i współuŝytkowanie materialnych i niematerialnych zasobów informacyjnych organizacji. Zarządzanie wiedzą jest wynikiem ewolucyjnego rozwoju cywilizacyjnego, przejawiającego się w ostatnim ćwierćwieczu w coraz

3 większym i coraz szybszym stosowaniu informacji i wiedzy tak w społeczeństwie, jak i w organizacji. Na zarządzanie wiedzą wpływają transformacje biznesowe dokonujące się w organizacji, posiadane przez nią rozwiązania innowacyjne czy racjonalizatorskie, zarządzanie informacją realizowane w organizacji, róŝnego rodzaju eksploatowane obecnie i w przeszłości systemy z bazami danych i bazami wiedzy, zasoby intelektualne znajdujące się w umysłach pracowników oraz realizacja podejścia do organizacji jako organizacji uczącej się. Rys. 1. Zakorzenienie zarządzania wiedzą w organizacji Źródło: opracowanie własne na podstawie Suresh 2003, Caldwell, Harris Oracle Designer Wyznacznikiem nowoczesnego podejścia do projektowania systemów informatycznych są narzędzia CASE, które powinny m.in. umoŝliwiać szybkie tworzenie złoŝonych systemów, ułatwiać prace zespołową, automatyzować rutynowe zadania, umoŝliwiać badanie kompletności i spójności efektów poszczególnych etapów tworzenia systemu. Narzędzia CASE firmy Oracle stanowią platformę pozwalającą budować i rozwijać wymagane modele przedsiębiorstwa. Jednym z narzędzi CASE do prowadzenia prac projektowych jest Oracle Designer,

4 który wykorzystuje CASE*Method, która jest produktem opatentowanym przez firmę Oracle. CASE*Metod związana jest z wszystkimi fazami budowy systemu zalecając współpracę z jego uŝytkownikami. Integralną częścią kaŝdej fazy są opinie uŝytkowników. Do cech charakteryzujących Oracle Designer moŝna zaliczyć: Elastyczność - projekt nie jest związany z aplikacją końcowego uŝytkownika, lecz jest dostosowany do róŝnych aplikacji i nie zaleŝy od typu projektowanego systemu (jak np.: finansowy, produkcyjny, diagnostyczny, usługowy), Niezawodność rozwiązania - projekt musi być dostosowany do potrzeb uŝytkownika, Wielodostęp umoŝliwia pracę wielu uŝytkownikom jednocześnie oraz wykorzystanie wszystkich jego zasobów, oparty jest na architekturze klient/serwer, a więc pozwala na kreowanie i szybkie dostarczenie skalowalnego, opartego na architekturze klient/serwer systemu, który moŝe być zaadaptowany do spełniania szybko zmieniających się potrzeb biznesowych. Oracle Designer wspiera m.in.: modelowanie procesów biznesowych, analizę systemu, informatycznego, projektowanie oprogramowania. Pozwala zarządzać konfiguracją oprogramowania, a więc procesem pozwalającym kontrolować poszczególne fazy rozwoju softwaru. UmoŜliwia równieŝ zapamiętywanie i raportowanie zmian, dotyczących komponentów systemu jak równieŝ spójnego środowiska pracy, w którym moŝe jednocześnie pracować wielu programistów. Oracle Designer jest zintegrowanym zestawem wielu narzędzi słuŝących do modelowania i budowy aplikacji w heterogenicznym środowisku klient-serwer. Jego struktura repozytorium oraz mechanizmy

5 tworzenia, zachowywania i porównywania poszczególnych wersji całych aplikacji lub ich fragmentów umoŝliwia wygodne i bezpieczne zarządzanie duŝymi projektami. MoŜliwość przechowania w repozytorium plików powoduje, ze cała definicja aplikacji, wraz z dokumentacją, skryptami uŝywanymi w fazie testowania i wdraŝania jest przechowywana w jednym miejscu i moŝe podlegać mechanizmom kontroli wersji. Cechy generatorów, które wynikają z realnych potrzeb uŝytkowników skracają m.in. czas tworzenia systemu. Oracle 10g Designer zawiera następujące komponenty, które wspierają poszczególne fazy cyklu Ŝycia oprogramowania: Model System Requirements (narzędzie pomocne projektantowi przy modelowaniu procesów; przeglądaniu metod wykorzystywanych przez firmę; tworzeniu przejrzystych diagramów reprezentujących procesy; opisywaniu szczegółowych wymagań; tworzenie diagramów encji, funkcji i przepływu danych (ERD - Entity Relationship Diagrammer), Transform Preliminary Designs (narzędzie generujące wstępne projekty na podstawie wcześniej zdefiniowanego modelu), Design and Generate (zawiera Design Editor, który wykorzystywany jest do projektowania systemu, który spełnia wymagania firmy; zapewnia środowisko rozwojowe dla inŝynierów oprogramowania i projektantów; generuje komponenty

6 Rys. 2. Narzędzia Oracle Designer strony serwera i aplikacje strony klienta na podstawie definicji zawartych w repozytorium), Repository Tools (narzędzia słuŝące do wprowadzania i wymiany informacji w repozytorium; pokazują ich zaleŝności; generują predefiniowane i dopasowywane raporty o zawartości repozytorium; umoŝliwiają administrowanie repozytoriami. KaŜda z ww grup składa się z szeregu narzędzi. Przykładowy diagram związków encji (ERD) przedstawia rys. 3. Rys. 3. Przykładowy diagram związków encji (ERD) w Oracle Designer Zaprojektowany system informatyczny w Oracle Designer moŝe zostać wczytany do hurtowni danych (HD) za pomocą narzędzia Oracle Warehouse Builder (OWB).

7 4. Oracle Warehouse Builder Oracle Warehouse Builder jest narzędziem do projektowania HD i zarządzania jej pracą. Strukturę OWB tworzą dwa środowiska: projektowe - składające się z metadanych (a więc informacji wspomagających projektowanie, uŝytkowanie oraz zasilanie HD), narzędzi projektowych, repozytorium (najwaŝniejszy element HD) oraz wykonawcze (to bazy danych - z fizycznymi danymi źródłowymi - w oparciu o które działa HD). Hurtownie danych stanowią kompendium wiedzy i działalności przedsiębiorstwa umoŝliwiają dokonywanie długoterminowych analiz biznesowych. Natomiast Data Mart (minihurtownia, składnica danych, tematyczna HD) obejmuje swoim obszarem zainteresowań tylko wycinek jego działalności. Hurtownie danych nie są to typowe systemy baz danych, poniewaŝ róŝnią się od nich modelami danych, metodami wprowadzania informacji, modelami przetwarzania, algorytmami optymalizacji zapytań, technikami wizualizacji zawartości, itd. HD wykorzystują wielowymiarowe struktury danych jak np. schematy gwiazdy, czy płatka śniegu. W strukturach tych informacje ilościowe - miary opisane są przy pomocy wymiarów. Dane w HD mogą pochodzić m.in. z heterogenicznych, rozproszonych i autonomicznych operacyjnych baz danych.

8 Rys. 4. Struktura systemu Oracle Warehouse Builder Źródło: na podstawie Projektując wymagania biznesowe naleŝy podejmować waŝne, a czasem nawet strategiczne decyzje. Musimy wiedzieć, jakiego typu decyzji są nam potrzebne. Wymagania biznesowe są zbiorem informacji, które menedŝer chciałby otrzymać np. w postaci raportu. Zbiór ten naleŝy wybrać z danych źródłowych, wykorzystać narzędzia ETL, wykonać odpowiednie operacje i zmapować do odpowiednich tabel. Hurtownia jest wtedy przydatna, gdy zawiera potrzebne, wiarygodne informacje. Narzędzia ETL równieŝ sprawdzają poprawność i kompletności wprowadzanych do hurtowni danych.

9 Rys. 5. Architektura hurtowni danych Aby zaprojektowana hurtownia była biznesowi przydatna, musi dostarczać nie tylko spójnych i kompletnych danych, ale musi je dostarczać na czas i w odpowiedniej postaci czytelnej dla zarządzającego wiedzą. OWB oferuje narzędzia sprawdzające jakość i kompletność danych w repozytorium (walidatory). W procesie tworzenia i działania HD moŝna wyróŝnić: ekstrakcję (Extraction - wydobywanie danych z jednego lub wielu źródeł i przenoszenie ich do HD), transformację (Transformation - dane są transformowane, konwertowane do jednego formatu, agregowane, ujednolicane; jest to najwaŝniejszy etap przenoszenia danych ze źródeł do HD) oraz ładowanie (Loading) danych do HD (por. rys. 3). Jedną z technik, która gwarantuje poprawę efektywności analizy HD jest wstępne przeprowadzenie obliczeń i zmaterializowanie otrzymanych wyników w HD. Obliczenia agregatów są bardzo czasochłonne. NaleŜałoby zatem podjąć decyzję, które z agregatów materializować, a które wykorzystywać w trybie on-line. Popularnym modelem w HD jest model wielowymiarowy (zwany teŝ kostką danych, tablicą trójwymiarową) zapewnia odpowiednią wydajność zapytań. W wielowymiarowym modelu istnieje zbiór miar metrycznych, które są przedmiotem analizy. Kostkę moŝna przedstawić jako zbiór komórek, które określa się mianem faktów i reprezentujących elementarne jednostki informacji, które są przedmiotem analiz (np. sprzedaŝ produktu). Ich atrybutami są miary, które są najczęściej wartościami numerycznymi (np. cena jednostkowa sprzedaŝy). Miary, które znajdują się w tej samej kostce, mają identyczne powiązania z innymi logicznymi obiektami schematu wielowymiarowego, a więc mogą

10 być razem analizowane i prezentowane. Krawędzie kostki tworzą wymiary (informacje referencyjne), które określają kontekst analiz miar. W modelu wielowymiarowym kaŝda miara jest powiązana z kilkoma wymiarami. KaŜda wartość miary jest określana przez kilka wystąpień (instancji) wymiarów. Wymiar często posiada strukturę hierarchiczną, która określa sposób agregacji wartości skojarzonych z nim miar. Rys. 6. Przykład trójwymiarowej tablicy Dane są przechowywane na dedykowanym serwerze wielowymiarowej bazy danych. Działające w oparciu o serwery MDDB (ang. Multidimensional Database) systemy MOLAP mogą wizualizować tablice danych o wielu wymiarach. Architektura MOLAP zapewnia OLAP wielowymiarowy do prowadzania analiz wykorzystując serwer wielowymiarowej bazy danych MDDB. W tej architekturze dane muszą być przechowywane wielowymiarowo, gdyŝ mają być wielowymiarowo analizowane i prezentowane. Cechą charakterystyczną tych baz danych jest pełna agregacja danych. Architektura MOLAP opiera się na predefiniowanych wielowymiarowych tablicach zawierających zagregowane dane załadowane z róŝnych zasobów danych. Dane są agregowane wg róŝnych hierarchii i wymiarów, tak by uŝytkownik mógł otrzymać wymagany widok danych przechowywanie danych zagregowanych i przeliczonych w postaci predefiniowanej kostki, gotowych do zaawansowanych analiz, wykorzystanie moŝliwości MDDB na stacjach uŝytkowników,

11 zarówno zaawansowane rozwijanie danych zagregowanych (ang. drill data), jak i korzystanie z gotowych raportów dzięki serwerowi MDDB, uzyskiwanie odpowiedzi wciąŝ na te same dobrze zdefiniowane i po powtarzane pytania analityczne oraz brak odpowiedzi na zapytania niestandardowe. rozwijanie i raportowanie danych atomowych w stopniu niedostatecznym. HD umoŝliwia inteligentne przetwarzanie pozyskiwanych z wielu heterogenicznych źródeł oraz dokonywanie na ich podstawie analiz strategicznych, jak równieŝ podejmowanie decyzji na wszystkich szczeblach zarządzania przedsiębiorstwem. UmoŜliwia elastyczne przetwarzanie danych historycznych i zagregowanych. Większość operacji realizowanych przez tego typu aplikacje obejmuje złoŝone zapytania wykorzystujące łączenie, filtrowanie, agregowanie wymagające dostępu do milionów rekordów tabel bazy danych. HD umoŝliwia inteligentne przetwarzanie pozyskiwanych z wielu heterogenicznych źródeł oraz dokonywanie na ich podstawie analiz strategicznych jak równieŝ podejmowanie decyzji na wszystkich szczeblach zarządzania przedsiębiorstwem. UmoŜliwia elastyczne raportowanie i wielowymiarowe analizy, którą wspomagają specjalne operatory, do których zaliczamy takie, jak: Agregacja przykładem moŝe być łączna sprzedaŝ w poszczególnych sklepach i w róŝnych latach, Pivoting (wyznaczanie punktu centralnego) - wskazanie miary i wybór 2 wymiarów, za pomocą których ma być reprezentowana (sprzedaŝ w poszczególnych latach),

12 Roll-up (zwijanie) - nawigacja dla danego wymiaru w górę hierarchii w celu prezentacji większych agregatów, Drill-down (rozwijanie) - nawigacja wzdłuŝ hierarchii danego wymiaru w celu rozbicia agregatu na agregaty składowe, Slice and dice (wycinanie) operacja redukcji liczby wymiarów (projekcja danych na wybranym ich podzbiorze dla wybranych wartości innych wymiarów, Rotating (obracanie) prezentowanie danych w róŝnych układach, Ranking wybór pierwszych n elementów. Rys. 7. Przykład rozwijania drill down Rozwijanie (roll down, drill down) to przechodzenie z wyŝszego do niŝszego poziomu uogólniania informacji. Rozwijanie moŝe przechodzić przez kolejne poziomy hierarchii danego wymiaru. MoŜna przedstawiać wielkość sprzedaŝy określonej grupy produktów z podziałem na poszczególne miesiące (dane szczegółowe). Obracanie (pivot, rotate) związane jest ze zmianą kolejności wymiarów kostki danych w celu analizy danych pod kątem określonego poziomu wymiaru traktowanego jako zmienna niezaleŝna. W wyniku obracania moŝna otrzymać zamianę miejscami kolumn i wierszy,

13 przeniesienia określonego wymiaru z wierszy do kolumn, zamiana wymiaru na inny wymiar. Wynikiem obracania moŝe być np. zamiana kolumn i wierszy. Filtrowanie danych to wybór podczas nawigacji - podzbioru danych, które spełniają dany warunek na jednym z wymiarów, złoŝony z danych uporządkowanych względem wszystkich pozostałych wymiarów. Z punktu widzenia uŝytkownika końcowego najczęstszy przykład operacji selekcji to wycięcie dwuwymiarowej strony z trójwymiarowej kostki danych. Selekcja danych (slicing) podczas filtrowania tworzony jest przekrój kostki zdefiniowany poprzez warunek (wybór wartości) na jednym z wymiarów, złoŝony z danych uporządkowanych względem wszystkich pozostałych wymiarów. Nawigacja (navigation), selekcja (slicing) i projekcja (dicing) są operacjami, które umoŝliwiają uŝytkownikom interaktywne przeglądanie wielowymiarowych danych zgromadzonych w kostkach. Agregacja (aggregation), konsolidacja (consolidate), zwijanie (rollup) zapytania związane z podsumowaniem danych. Aby poprawić efektywność działania HD stosuje się wiele technik, jak np.: materializowanie agregatów, przetwarzanie równoległe, partycjonowanie danych, indeksowanie danych. Materializowanie to m.in. wstępne przeprowadzenie obliczeń i materializowanie otrzymanych wyników w HD w celu ich późniejszego wykorzystania. Aby dokonać materializacji agregatów oraz ich perspektyw naleŝałoby ustalić: (1) które z agregatów materializować, a które agregaty pozostawić do obliczeń w trybie on-line, (2) w jaki sposób pielęgnować materializowane agregaty (ponowne obliczanie agregatów,

14 inkrementalna pielęgnacja), (3) czy materializować pośrednie wyniki obliczeń (nie tylko agregatów), np. niektórych operacji połączeń, które są wspólne dla wielu agregatów. Tak przygotowana hurtownia danych moŝe słuŝyć uŝytkownikom do generowania wiedzy tak potrzebnej w zarządzaniu. 5. Oracle Data Mining Pod pojęciem eksploracji często rozumie się proces badania i analizy - za pomocą zautomatyzowanych lub półautomatycznych narzędzi - duŝych ilości danych, w celu odkrycia znaczących wzorców i reguł. Metodologia CRISP-DM proponuje cykl Ŝycia projektu eksploracji danych, na który składają się [LARO06, s.5-8]: zrozumienie uwarunkowań biznesowych (lub badawczych) wykorzystanie celów i wymagań do opracowania definicji problemu eksploracji, zrozumienie danych (zebranie danych, wstępna ich analiza, ocena jakości) przygotowanie danych (przygotowanie zbioru danych, wybór przypadków i zmiennych do analizowania, czyszczenie danych), modelowanie (wybór technik modelujących), ewaluacja (ocena modelu pod względem jakości i efektywności, czy wykorzystano cele biznesowe lub badawcze, podjęcie decyzji co do wykorzystania wyników eksploracji), wdroŝenie (wykorzystanie modeli, sporządzenie raportu). Algorytmy Oracle Data mining moŝna zaklasyfikować do dwóch grup ze względu na sposób nauki: z nauczycielem (supervised) do przewidywania wartości na podstawie wcześniej przetworzonej próbki

15 lub bez nauczyciela (unsupervised) do wyszukiwania struktur, relacji, czy podobieństw zawartych w danych. Na podstawie [ORAC01] moŝemy podzielić algorytmy na: klasyfikacja z nauczycielem (classsifation); pozwala zaklasyfikować obiekty do kilku klas; posiadając sklasyfikowane obiekty uczymy model, który automatycznie będzie klasyfikował nowe obiekty; kaŝdy obiekt posiada atrybuty oraz jeden dodatkowy, który określa jego przynaleŝność do klasy analiza skupień - bez nauczyciela (clustering) umoŝliwia wyszukiwanie nieznanych grup w danych; grupy (skupienia) zawierają obiekty podobne do siebie reguły kojarzące - bez nauczyciela (association rules) pozwalają wyszukiwać związki miedzy danymi, przykładem moŝe być analiza koszykowa stopień waŝności atrybutów - z nauczycielem (attribute importance) automatycznie wyszukują atrybuty, które najmocniej wpływają na wynik. Eksploracja danych (Knowledge Discovery in Databases, Data Mining) zwane teŝ odkrywaniem wiedzy z baz danych to proces efektywnego znajdowania nowych, nieznanych, uŝytecznych wzorców, zaleŝności, czy związków między danymi np. w HD. Odkrywanie wiedzy często w literaturze występuje jako synonim data mining. Odkrywanie wiedzy [4] dotyczy zazwyczaj całego procesu pozyskiwania uŝytecznej wiedzy, a proces eksploracji odnosi się do jednego z jego etapów do generowania reguł. Do metod eksploracji moŝemy zaliczyć m.in.:

16 analizę skupień świetnie nadaje się do wstępnych analiz, w przypadku gdy niewiele wiemy o naszej bazie danych i trudno nam sprecyzować pytanie; w takich sytuacjach zawsze moŝemy poszukiwać skupień, które mogą być dla nas interesujące i znaczące, sieci neuronowe są algorytmami przetwarzania danych bazującymi na konstruowaniu i rozpoznawaniu wzorców, nie ekstrahują wiedzy, nadają się do klasyfikowania danych i są niemal idealnym narzędziem do prognozowania sekwencji czasowych, drzewa decyzyjne dostarczają zrozumiałej wiedzy o danych, ich algorytmy prowadzą do rozdrobnienia danych, wyłonienia klas i przypadkowych reguł; aby tego uniknąć przycina się drzewa wykorzystując odpowiednie techniki, w przypadku analizy skupień metodę k-uśrednień oraz inne parametry jak ilość skupień, czy współczynnik metryki. Przewidywanie (predykcja) dobrze nadaje się do przewidywania cen akcji, np. po upływie 3 miesięcy, przewidywanie zwycięzcy mistrzostw świata w piłce noŝnej na podstawie porównania statystyk druŝyn. Klasyfikacja - ocena stopnia ryzyka przyznawania kredytu hipotetycznego, diagnoza występowania danej choroby. Grupowanie (clustering) rekordów, obserwacji w klasy podobnych obiektów. Odkrywanie reguł (asociation rules) najczęściej stosowane w biznesie. Zadanie odkrywania reguł szuka nie odkrytych reguł do ilościowego określenia relacji pomiędzy dwoma lub więcej atrybutami.

17 Wg Gartner Group 1 eksploracja danych jest procesem odkrywania znaczących nowych powiązań, wzorców, trendów przez przeszukiwanie duŝych ilości danych zgromadzonych w hurtowniach danych przy wykorzystywaniu metod rozpoznawania wzorców jak równieŝ metod statystycznych i matematycznych. D.Hand 2 uwaŝa, Ŝe eksploracja jest analizą (często ogromnych) zbiorów danych obserwacyjnych w celu znalezienia nieoczekiwanych związków i podsumowania danych w oryginalny sposób tak, aby były przydatne i zrozumiałe dla ich właścicieli. Zdaniem P.Cabena 3 eksploracja jest międzydyscyplinarną dziedziną, która łączy techniki uczenia maszynowego, rozpoznawania wzorców, statystyki, baz danych i wizualizacji w celu uzyskania informacji z duŝych baz danych. Analizy danych wspierane metodami Data Mining mogą przynieść przedsiębiorstwu wymierne korzyści, takie jak: pozyskiwanie informacji o bieŝącym lub potencjalnym rynku, stworzenie profilów klientów i modelowanie ich zachowań, przewidywanie trendów, wykrywanie błędów i nieprawidłowości w danych. pozyskiwanie informacji o bieŝącym lub potencjalnym rynku, stworzenie profilów klientów i modelowanie ich zachowań, przewidywanie trendów, wykrywanie błędów i nieprawidłowości w danych Hand D., Mannila H., Smyth P.: Eksploracja danych, WNT, Warszawa Cabena P., Hadjiniam P., Stadler R., Zanasi A.: Discovering Data Mining: From Concept Implementation, Prentice Hall, Upper Sadle River, NJ 1998

18 6. Podsumowanie Zarządzanie wiedzą jako dyscyplina naukowa rozwija się bardzo szybko. W ostatnich latach coraz częściej wzrasta znaczenie wykorzystywania baz danych do wspomagania podejmowania decyzji. Odpowiedzią na rosnące wymagania funkcjonalne i efektywnościowe tego typu zastosowań jest nowa technologia, jak np. hurtownia danych, która gromadzi dane pochodzące z wielu heterogenicznych źródeł z scentralizowanych lub rozproszonych relacyjnych baz danych, obiektowych, relacyjno-obiektowych i innych, jak np. arkusze kalkulacyjne. Zgromadzone w nich dane słuŝą róŝnego rodzaju analizom dostarczającym informacji o rynku, popycie i sprzedaŝy towarów, jak równieŝ o trendach i anomaliach na rynku. Technologia informatyczna w zarządzaniu wiedzą moŝe przyjmować róŝne formy, jak np. tworzenie i obsługa repozytoriów wiedzy, wspomaganie komunikacji między ludźmi, e learningu, baz danych, hurtowni danych, eksploracji danych, hipermedialnego zapisu, czy przekazywania informacji. Literatura R. Suresh, Knowledge Management An Overview, Microsoft Press 2003 F. Caldwell, K. Harris, Cykl popularności metod zarządzania wiedzą w roku 2002, [w:] Knowledge Management. Zarządzanie wiedzą w organizacji, ComputerWorld Custom Publishing, maj 2002 S.W. Day, Oracle 9i Designer: Technical Overview, Oracle Corporation 2002 J. Gnybek, Oracle łatwiejszy niŝ przypuszczasz, Helion, Gliwice 2006 R. Kimball, J. Caserta, The Data Warehouse ETL Toolkit: Practical Techniques for Extracting, Cleaning, Conforming, and Delivering Data, John Wiley & Sons, 2004

19 R. Kimball, R. Merz, The Data Webhouse Toolkit: Building the Web-Enabled Data Warehouse, John Wiley & Sons, R. Kimball, M. Ross, The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling, 2nd Edition, John Wiley & Sons, 2002 D.T. Larose, Odkrywanie wiedzy z danych. Wprowadzenie do eksploracji, PWN, Warszawa 2006 J. Michałowski, Oracle Designer od podszewki, Software 2.0 nr 13, 2005 A.R. Simon, S.L. Shaffer, Hurtownie danych i systemy informacji gospodarczej, Oficyna Ekonomiczna, Kraków 2002 C.H. Todman, Projektowanie hurtowni danych, WNT, Warszawa 2003 M. Wykes, Oracle Designer Tutorial, Oracle Corporation 1999 Summary The paper has been devoted to the knowledge management in enterprise using Oracle tools. It consists of 6 parts. After the short introduction, in part 2, knowledge management within enterprise has been characterized. Then some Oracle tools used in knowledge management have been presented: part 3 describes Oracle Designer, part 4 Oracle Warehouse Builder, part 5 Oracle Data Mining. Brief summary ends the paper.