ZARZĄDZANIE WIEDZĄ Z WYKORZYSTANIEM NARZĘDZI ORACLE
|
|
- Halina Krawczyk
- 8 lat temu
- Przeglądów:
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.
Hurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu
i business intelligence Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl Wrocław 2005-2007 Plan na dziś : 1. Wprowadzenie do przedmiotu (co będzie omawiane oraz jak będę weryfikował zdobytą wiedzę
Bardziej szczegółowoHurtownie danych i business intelligence - wykład II. Zagadnienia do omówienia. Miejsce i rola HD w firmie
Hurtownie danych i business intelligence - wykład II Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl oprac. Wrocław 2005-2008 Zagadnienia do omówienia 1. 2. Przegląd architektury HD 3. Warsztaty
Bardziej szczegółowoOLAP i hurtownie danych c.d.
OLAP i hurtownie danych c.d. Przypomnienie OLAP -narzędzia analizy danych Hurtownie danych -duże bazy danych zorientowane tematycznie, nieulotne, zmienne w czasie, wspierjące procesy podejmowania decyzji
Bardziej szczegółowoZalew danych skąd się biorą dane? są generowane przez banki, ubezpieczalnie, sieci handlowe, dane eksperymentalne, Web, tekst, e_handel
według przewidywań internetowego magazynu ZDNET News z 8 lutego 2001 roku eksploracja danych (ang. data mining ) będzie jednym z najbardziej rewolucyjnych osiągnięć następnej dekady. Rzeczywiście MIT Technology
Bardziej szczegółowoHurtownie danych. Projektowanie hurtowni: modele wielowymiarowe. Modelowanie punktowe. Operacje OLAP na kostkach. http://zajecia.jakubw.
Hurtownie danych Projektowanie hurtowni: modele wielowymiarowe. Modelowanie punktowe. Operacje OLAP na kostkach. http://zajecia.jakubw.pl/hur UZASADNIENIE BIZNESOWE Po co nam hurtownia danych? Jakie mogą
Bardziej szczegółowoHURTOWNIE DANYCH I BUSINESS INTELLIGENCE
BAZY DANYCH HURTOWNIE DANYCH I BUSINESS INTELLIGENCE Akademia Górniczo-Hutnicza w Krakowie Adrian Horzyk horzyk@agh.edu.pl Google: Horzyk HURTOWNIE DANYCH Hurtownia danych (Data Warehouse) to najczęściej
Bardziej szczegółowoUsługi analityczne budowa kostki analitycznej Część pierwsza.
Usługi analityczne budowa kostki analitycznej Część pierwsza. Wprowadzenie W wielu dziedzinach działalności człowieka analiza zebranych danych jest jednym z najważniejszych mechanizmów podejmowania decyzji.
Bardziej szczegółowoHurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu
i business intelligence Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl Wrocław 2005-2012 Plan na dziś : 1. Wprowadzenie do przedmiotu (co będzie omawiane oraz jak będę weryfikował zdobytą wiedzę
Bardziej szczegółowoHurtownie danych a transakcyjne bazy danych
Hurtownie danych a transakcyjne bazy danych Materiały źródłowe do wykładu: [1] Jerzy Surma, Business Intelligence. Systemy wspomagania decyzji, Wydawnictwo Naukowe PWN, Warszawa 2009 [2] Arkadiusz Januszewski,
Bardziej szczegółowoWprowadzenie do metodologii modelowania systemów informacyjnych. Strategia (1) Strategia (2) Etapy Ŝycia systemu informacyjnego
Etapy Ŝycia systemu informacyjnego Wprowadzenie do metodologii modelowania systemów informacyjnych 1. Strategia 2. Analiza 3. Projektowanie 4. Implementowanie, testowanie i dokumentowanie 5. WdroŜenie
Bardziej szczegółowoWprowadzenie do technologii Business Intelligence i hurtowni danych
Wprowadzenie do technologii Business Intelligence i hurtowni danych 1 Plan rozdziału 2 Wprowadzenie do Business Intelligence Hurtownie danych Produkty Oracle dla Business Intelligence Business Intelligence
Bardziej szczegółowoHurtownie danych. Wstęp. Architektura hurtowni danych. http://zajecia.jakubw.pl/hur CO TO JEST HURTOWNIA DANYCH
Wstęp. Architektura hurtowni. Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/hur CO TO JEST HURTOWNIA DANYCH B. Inmon, 1996: Hurtownia to zbiór zintegrowanych, nieulotnych, ukierunkowanych
Bardziej szczegółowoHurtownie danych i business intelligence - wykład II. Zagadnienia do omówienia. Miejsce i rola HD w firmie
Hurtownie danych i business intelligence - wykład II Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl oprac. Wrocław 2005-2012 Zagadnienia do omówienia 1. Miejsce i rola w firmie 2. Przegląd architektury
Bardziej szczegółowoHurtownie danych. 31 stycznia 2017
31 stycznia 2017 Definicja hurtowni danych Hurtownia danych wg Williama Inmona zbiór danych wyróżniający się następującymi cechami uporządkowany tematycznie zintegrowany zawierający wymiar czasowy nieulotny
Bardziej szczegółowoHurtownie danych wykład 3
Hurtownie danych wykład 3 dr Sebastian Zając SGH Warszawa 7 lutego 2017 Architektura relacyjna i wielowymiarowa Ze względu na przechowywanie danych na serwerze możemy zdecydować się na relacyjną bazę danych
Bardziej szczegółowoHurtownie danych - przegląd technologii
Hurtownie danych - przegląd technologii Politechnika Poznańska Instytut Informatyki Robert.Wrembel@cs.put.poznan.pl www.cs.put.poznan.pl/rwrembel Biznesowe słowniki pojęć biznesowych odwzorowania pojęć
Bardziej szczegółowodr inż. Olga Siedlecka-Lamch 14 listopada 2011 roku Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Eksploracja danych
- Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska 14 listopada 2011 roku 1 - - 2 3 4 5 - The purpose of computing is insight, not numbers Richard Hamming Motywacja - Mamy informację,
Bardziej szczegółowodr inż. Paweł Morawski Informatyczne wsparcie decyzji logistycznych semestr letni 2016/2017
dr inż. Paweł Morawski Informatyczne wsparcie decyzji logistycznych semestr letni 2016/2017 KONTAKT Z PROWADZĄCYM dr inż. Paweł Morawski e-mail: pmorawski@spoleczna.pl www: http://pmorawski.spoleczna.pl
Bardziej szczegółowoSpis treści. Część I Wprowadzenie do pakietu oprogramowania Analysis Services
Spis treści Wstęp... ix Odkąd najlepiej rozpocząć lekturę?... ix Informacja dotycząca towarzyszącej ksiąŝce płyty CD-ROM... xi Wymagania systemowe... xi Instalowanie i uŝywanie plików przykładowych...
Bardziej szczegółowoHurtownie danych - opis przedmiotu
Hurtownie danych - opis przedmiotu Informacje ogólne Nazwa przedmiotu Hurtownie danych Kod przedmiotu 11.3-WI-INFD-HD Wydział Kierunek Wydział Informatyki, Elektrotechniki i Automatyki Informatyka / Zintegrowane
Bardziej szczegółowoEwelina Dziura Krzysztof Maryański
Ewelina Dziura Krzysztof Maryański 1. Wstęp - eksploracja danych 2. Proces Eksploracji danych 3. Reguły asocjacyjne budowa, zastosowanie, pozyskiwanie 4. Algorytm Apriori i jego modyfikacje 5. Przykład
Bardziej szczegółowoBusiness Intelligence
Business Intelligence Paweł Mielczarek Microsoft Certified Trainer (MCT) MCP,MCSA, MCTS, MCTS SQL 2005, MCTS SQL 2008, MCTS DYNAMICS, MBSS, MBSP, MCITP DYNAMICS. Geneza Prowadzenie firmy wymaga podejmowania
Bardziej szczegółowoBD2 BazyDanych2. dr inż. Tomasz Traczyk 14. Systemy przetwarzania analitycznego
BD2 BazyDanych2 dr inż. Tomasz Traczyk 14. Systemy przetwarzania analitycznego ³ Copyright c Tomasz Traczyk Instytut Automatyki i Informatyki Stosowanej Politechniki Warszawskiej Materiały dydaktyczne
Bardziej szczegółowoHurtownie danych - przegląd technologii Robert Wrembel Politechnika Poznańska Instytut Informatyki Robert.Wrembel@cs.put.poznan.pl
Hurtownie danych - przegląd technologii Robert Wrembel Politechnika Poznańska Instytut Informatyki Robert.Wrembel@cs.put.poznan.pl www.cs.put.poznan.pl/rwrembel Plan wykładów Wprowadzenie - integracja
Bardziej szczegółowoHurtownie danych - przegląd technologii
Hurtownie danych - przegląd technologii Robert Wrembel Politechnika Poznańska Instytut Informatyki Robert.Wrembel@cs.put.poznan.pl www.cs.put.poznan.pl/rwrembel Plan wykład adów Wprowadzenie - integracja
Bardziej szczegółowobo od managera wymaga się perfekcji
bo od managera wymaga się perfekcji MODELOWANIE PROCESÓW Charakterystyka modułu Modelowanie Procesów Biznesowych (BPM) Modelowanie procesów biznesowych stanowi fundament wdroŝenia systemu zarządzania jakością
Bardziej szczegółowoHurtownie danych. Wprowadzenie do systemów typu Business Intelligence
Hurtownie danych Wprowadzenie do systemów typu Business Intelligence Krzysztof Goczyła Teresa Zawadzka Katedra Inżynierii Oprogramowania Wydział Elektroniki, Telekomunikacji i Informatyki Politechnika
Bardziej szczegółowoCo to jest Business Intelligence?
Cykl: Cykl: Czwartki z Business Intelligence Sesja: Co Co to jest Business Intelligence? Bartłomiej Graczyk 2010-05-06 1 Prelegenci cyklu... mariusz@ssas.pl lukasz@ssas.pl grzegorz@ssas.pl bartek@ssas.pl
Bardziej szczegółowoZaawansowane systemy baz danych - ZSBD. Hurtownie danych 1. Problematyka hurtowni danych. Wykład przygotował: Robert Wrembel. ZSBD wykład 12 (1)
Hurtownie danych 1 Problematyka hurtowni danych Wykład przygotował: Robert Wrembel ZSBD wykład 12 (1) 1 Plan wykładu Problematyka integracji danych Integracja danych za pomocą hurtowni danych Przetwarzanie
Bardziej szczegółowoPrzepływy danych. Oracle Designer: Modelowanie przepływów danych. Diagramy przepływów danych (1) Diagramy przepływów danych (2)
Przepływy danych Oracle Designer: Modelowanie przepływów danych Cele: zobrazowanie funkcji zachodzących w organizacji, identyfikacja szczegółowych informacji, przetwarzanych przez funkcje, pokazanie wymiany
Bardziej szczegółowoTransformacja wiedzy w budowie i eksploatacji maszyn
Uniwersytet Technologiczno Przyrodniczy im. Jana i Jędrzeja Śniadeckich w Bydgoszczy Wydział Mechaniczny Transformacja wiedzy w budowie i eksploatacji maszyn Bogdan ŻÓŁTOWSKI W pracy przedstawiono proces
Bardziej szczegółowoHurtownie danych. Hurtownie danych. dr hab. Maciej Zakrzewicz Politechnika Poznańska Instytut Informatyki. Maciej Zakrzewicz (1)
Hurtownie danych dr hab. Maciej Zakrzewicz Politechnika Poznańska Instytut Informatyki Maciej Zakrzewicz (1) Plan wykładu Wprowadzenie do Business Intelligence (BI) Hurtownia danych Zasilanie hurtowni
Bardziej szczegółowoMetadane. Data Maining. - wykład VII. Paweł Skrobanek, C-3 pok. 323 pawel.skrobanek@pwr.wroc.pl oprac. Wrocław 2006
Metadane. Data Maining. - wykład VII Paweł Skrobanek, C-3 pok. 323 pawel.skrobanek@pwr.wroc.pl oprac. Wrocław 2006 Plan 1. Metadane 2. Jakość danych 3. Eksploracja danych (Data mining) 4. Sprawy róŝne
Bardziej szczegółowoBaza danych to zbiór wzajemnie powiązanych ze sobą i zintegrowanych danych z pewnej dziedziny.
PI-14 01/12 Baza danych to zbiór wzajemnie powiązanych ze sobą i zintegrowanych danych z pewnej dziedziny.! Likwidacja lub znaczne ograniczenie redundancji (powtarzania się) danych! Integracja danych!
Bardziej szczegółowoWprowadzenie do Hurtowni Danych. Mariusz Rafało
Wprowadzenie do Hurtowni Danych Mariusz Rafało mariusz.rafalo@hotmail.com WPROWADZENIE DO HURTOWNI DANYCH Co to jest hurtownia danych? Hurtownia danych jest zbiorem danych zorientowanych tematycznie, zintegrowanych,
Bardziej szczegółowoData mininig i wielowymiarowa analiza danych zgromadzonych w systemach medycznych na potrzeby badań naukowych
Temat: Data mininig i wielowymiarowa analiza danych zgromadzonych w systemach medycznych na potrzeby badań naukowych Autorzy: Tomasz Małyszko, Edyta Łukasik 1. Definicja eksploracji danych Eksploracja
Bardziej szczegółowoUWARUNKOWANIA WDROśEŃ HURTOWNI DANYCH W ORGANIZACJACH GOSPODARCZYCH
UWARUNKOWANIA WDROśEŃ HURTOWNI DANYCH W ORGANIZACJACH GOSPODARCZYCH Jacek Maślankowski Wprowadzenie Niniejszy artykuł ma na celu przybliŝenie wiedzy na temat wdroŝeń systemów hurtowni danych w polskich
Bardziej szczegółowoAlicja Marszałek Różne rodzaje baz danych
Alicja Marszałek Różne rodzaje baz danych Rodzaje baz danych Bazy danych można podzielić wg struktur organizacji danych, których używają. Można podzielić je na: Bazy proste Bazy złożone Bazy proste Bazy
Bardziej szczegółowoHurtownie danych. Rola hurtowni danych w systemach typu Business Intelligence
Hurtownie danych Rola hurtowni danych w systemach typu Business Intelligence Krzysztof Goczyła Teresa Zawadzka Katedra Inżynierii Oprogramowania Wydział Elektroniki, Telekomunikacji i Informatyki Politechnika
Bardziej szczegółowoCzęść I Istota analizy biznesowej a Analysis Services
Spis treści Część I Istota analizy biznesowej a Analysis Services 1 Analiza biznesowa: podstawy analizy danych... 3 Wprowadzenie do analizy biznesowej... 3 Wielowymiarowa analiza danych... 5 Atrybuty w
Bardziej szczegółowoRELACYJNE BAZY DANYCH
RELACYJNE BAZY DANYCH Aleksander Łuczyk Bielsko-Biała, 15 kwiecień 2015 r. Ludzie używają baz danych każdego dnia. Książka telefoniczna, zbiór wizytówek przypiętych nad biurkiem, encyklopedia czy chociażby
Bardziej szczegółowoModele danych - wykład V. Zagadnienia. 1. Wprowadzenie 2. MOLAP modele danych 3. ROLAP modele danych 4. Podsumowanie 5. Zadanie fajne WPROWADZENIE
Modele danych - wykład V Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl oprac. Wrocław 2006 Zagadnienia 1. Wprowadzenie 2. MOLAP modele danych 3. modele danych 4. Podsumowanie 5. Zadanie fajne
Bardziej szczegółowoSystemy baz danych i hurtowni danych
Krzysztof Dembczyński Instytut Informatyki Zakład Inteligentnych Systemów Wspomagania Decyzji Politechnika Poznańska Technologie Wytwarzania Oprogramowania Semestr zimowy 2005/06 Celem wykładu jest przypomnienie
Bardziej szczegółowoSylabus modułu kształcenia na studiach wyższych. Nazwa Wydziału. Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia.
Załącznik nr 4 do zarządzenia nr 12 Rektora UJ z 15 lutego 2012 r. Sylabus modułu kształcenia na studiach wyższych Nazwa Wydziału Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia Wydział Matematyki
Bardziej szczegółowodr inż. Paweł Morawski Informatyczne wsparcie decyzji logistycznych semestr letni 2018/2019
dr inż. Paweł Morawski Informatyczne wsparcie decyzji logistycznych semestr letni 2018/2019 KONTAKT Z PROWADZĄCYM dr inż. Paweł Morawski e-mail: pmorawski@spoleczna.pl www: http://pmorawski.spoleczna.pl
Bardziej szczegółowoJAK HURTOWNIA DANYCH MOśE WSPOMAGAĆ MENEDśERA W PRACY?
JAK HURTOWNIA DANYCH MOśE WSPOMAGAĆ MENEDśERA W PRACY? Małgorzata Nycz, Barbara Smok Wprowadzenie Podstawą funkcjonowania przedsiębiorstwa w dzisiejszych warunkach jest posiadanie zasobów informacyjnych.
Bardziej szczegółowoSpis tre±ci. Przedmowa... Cz ± I
Przedmowa.................................................... i Cz ± I 1 Czym s hurtownie danych?............................... 3 1.1 Wst p.................................................. 3 1.2 Denicja
Bardziej szczegółowoPODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu "Podstawy baz danych"
PODSTAWY BAZ DANYCH 19. Perspektywy baz danych 1 Perspektywy baz danych Temporalna baza danych Temporalna baza danych - baza danych posiadająca informację o czasie wprowadzenia lub czasie ważności zawartych
Bardziej szczegółowoModele danych - wykład V
Modele danych - wykład V Paweł Skrobanek, C-3 pok. 323 pawel.skrobanek@pwr.wroc.pl oprac. Wrocław 2006 Zagadnienia 1. Wprowadzenie 2. MOLAP modele danych 3. ROLAP modele danych 4. Podsumowanie 5. Zadanie
Bardziej szczegółowoAnaliza danych i data mining.
Analiza danych i data mining. mgr Katarzyna Racka Wykładowca WNEI PWSZ w Płocku Przedsiębiorczy student 2016 15 XI 2016 r. Cel warsztatu Przekazanie wiedzy na temat: analizy i zarządzania danymi (data
Bardziej szczegółowoWielowymiarowy model danych
Plan wykładu Wielowymiarowy model danych 1. Model danych 2. Analiza wielowymiarowa 3. Model wielowymiarowy: koncepcja wymiarów i faktów 4. Operacje modelu wielowymiarowego 5. Implementacje modelu wielowymiarowego:
Bardziej szczegółowoSecurity Master Class
Security Master Class Platforma kompleksowej analizy zdarzeń Linux Polska SIEM Radosław Żak-Brodalko Senior Solutions Architect Linux Polska sp. z o.o. Podstawowe problemy Jak pokryć lukę między technicznym
Bardziej szczegółowoWprowadzenie do Hurtowni Danych. Mariusz Rafało
Wprowadzenie do Hurtowni Danych Mariusz Rafało mrafalo@sgh.waw.pl WARSTWA PREZENTACJI HURTOWNI DANYCH Wykorzystanie hurtowni danych - aspekty Analityczne zbiory danych (ADS) Zbiór danych tematycznych (Data
Bardziej szczegółowoTechnologia informacyjna
Technologia informacyjna Pracownia nr 9 (studia stacjonarne) - 05.12.2008 - Rok akademicki 2008/2009 2/16 Bazy danych - Plan zajęć Podstawowe pojęcia: baza danych, system zarządzania bazą danych tabela,
Bardziej szczegółowoKURS ACCESS 2003 Wiadomości wstępne
KURS ACCESS 2003 Wiadomości wstępne Biorąc c udział w kursie uczestnik zapozna się z tematyką baz danych i systemu zarządzania bazami danych jakim jest program Microsoft Access 2003. W trakcie kursu naleŝy
Bardziej szczegółowoHurtownie danych. Przetwarzanie zapytań. http://zajecia.jakubw.pl/hur ZAPYTANIA NA ZAPLECZU
Hurtownie danych Przetwarzanie zapytań. Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/hur ZAPYTANIA NA ZAPLECZU Magazyny danych operacyjnych, źródła Centralna hurtownia danych Hurtownie
Bardziej szczegółowoSchematy logiczne dla hurtowni danych
Schematy logiczne dla hurtowni danych 26 Plan rozdziału 27 Model biznesowy, logiczny i fizyczny hurtowni danych Podstawowe pojęcia w modelu logicznym, logiczny model wielowymiarowy Implementacje ROLAP/MOLAP
Bardziej szczegółowoPodstawowe zasady projektowania w technice
Podstawowe zasady projektowania w technice Projektowanie w technice jest działalnością twórczą z określonym udziałem prac rutynowych i moŝe dotyczyć głównie nowych i modernizowanych: produktów (wyrobów
Bardziej szczegółowoPLAN ZARZĄDZANIA KONFIGURACJĄ OPROGRAMOWANIA PROJEKT <NAZWA PROJEKTU> WERSJA <NUMER WERSJI DOKUMENTU>
Załącznik nr 4.6 do Umowy nr 35-ILGW-253-.../20.. z dnia... MINISTERSTWO FINANSÓW DEPARTAMENT INFORMATYKI PLAN ZARZĄDZANIA KONFIGURACJĄ OPROGRAMOWANIA PROJEKT WERSJA
Bardziej szczegółowoSystemy OLAP I. Krzysztof Dembczyński. Instytut Informatyki Zakład Inteligentnych Systemów Wspomagania Decyzji Politechnika Poznańska
Krzysztof Dembczyński Instytut Informatyki Zakład Inteligentnych Systemów Wspomagania Decyzji Politechnika Poznańska Technologie Wytwarzania Oprogramowania Semestr zimowy 2007/08 Studia uzupełniajace magisterskie
Bardziej szczegółowoZapewnij sukces swym projektom
Zapewnij sukces swym projektom HumanWork PROJECT to aplikacja dla zespołów projektowych, które chcą poprawić swą komunikację, uprościć procesy podejmowania decyzji oraz kończyć projekty na czas i zgodnie
Bardziej szczegółowoSTRATEGICZNE ZARZĄDZANIE KOSZTAMI
STRATEGICZNE ZARZĄDZANIE KOSZTAMI dr Marek Masztalerz Uniwersytet Ekonomiczny w Poznaniu 2011 EKONOMICZNY CYKL śycia PRODUKTU 1 KOSZTY CYKLU śycia PRODUKTU OKRES PRZEDRYNKOWY OKRES RYNKOWY OKRES POSTRYNKOWY
Bardziej szczegółowoStawiamy na specjalizację. by CSB-System AG, Geilenkirchen Version 1.1
1 Business Intelligence Jak najlepiej wykorzystać dostępne źródła informacji, czyli Business Intelligence w zarządzaniu III Konferencja i warsztaty dla branży mięsnej Potencjał rynku potencjał firmy 2
Bardziej szczegółowoSystemy OLAP I. Krzysztof Dembczyński. Instytut Informatyki Zakład Inteligentnych Systemów Wspomagania Decyzji Politechnika Poznańska
Systemy OLAP I Krzysztof Dembczyński Instytut Informatyki Zakład Inteligentnych Systemów Wspomagania Decyzji Politechnika Poznańska Technologie Wytwarzania Oprogramowania Semestr zimowy 2008/09 Studia
Bardziej szczegółowoLaboratorium modelowania oprogramowania w języku UML. Ćwiczenie 1 Wprowadzenie do narzędzia CASE. Materiały dla nauczyciela
Zakład Elektrotechniki Teoretycznej i Informatyki Stosowanej Wydział Elektryczny, Politechnika Warszawska Laboratorium modelowania oprogramowania w języku UML Ćwiczenie 1 Wprowadzenie do narzędzia CASE
Bardziej szczegółowoRACHUNKOWOŚĆ ZARZĄDCZA
RACHUNKOWOŚĆ ZARZĄDCZA wykład XI dr Marek Masztalerz Uniwersytet Ekonomiczny w Poznaniu 2011 EKONOMICZNY CYKL śycia PRODUKTU 1 KOSZTY CYKLU śycia PRODUKTU OKRES PRZEDRYNKOWY OKRES RYNKOWY OKRES POSTRYNKOWY
Bardziej szczegółowoBudowa modeli wymagań dla Regionalnych Systemów Informacji Medycznej opartych o hurtownie danych
Dr Jerzy ROSZKOWSKI Management Systems Consulting Budowa modeli wymagań dla Regionalnych Systemów Informacji Medycznej opartych o hurtownie danych TIAPiSZ 09 Definiowanie wymagań Główny problem: Jak definiować
Bardziej szczegółowoModel referencyjny doboru narzędzi Open Source dla zarządzania wymaganiami
Politechnika Gdańska Wydział Zarządzania i Ekonomii Katedra Zastosowań Informatyki w Zarządzaniu Zakład Zarządzania Technologiami Informatycznymi Model referencyjny Open Source dla dr hab. inż. Cezary
Bardziej szczegółowoSpecjalizacja magisterska Bazy danych
Specjalizacja magisterska Bazy danych Strona Katedry http://bd.pjwstk.edu.pl/katedra/ Prezentacja dostępna pod adresem: http://www.bd.pjwstk.edu.pl/bazydanych.pdf Wymagania wstępne Znajomość podstaw języka
Bardziej szczegółowoPlan wykładu. Hurtownie danych. Problematyka integracji danych. Cechy systemów informatycznych
1 Plan wykładu 2 Hurtownie danych Integracja danych za pomocą hurtowni danych Przetwarzanie analityczne OLAP Model wielowymiarowy Implementacje modelu wielowymiarowego ROLAP MOLAP Odświeżanie hurtowni
Bardziej szczegółowo1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie
Wykaz tabel Wykaz rysunków Przedmowa 1. Wprowadzenie 1.1. Wprowadzenie do eksploracji danych 1.2. Natura zbiorów danych 1.3. Rodzaje struktur: modele i wzorce 1.4. Zadania eksploracji danych 1.5. Komponenty
Bardziej szczegółowoORACLE 9i DATA MINING NARZĘDZIEM DO EKSTRAKCJI WIEDZY Z BAZ DANYCH
ORACLE 9i DATA MINING NARZĘDZIEM DO EKSTRAKCJI WIEDZY Z BAZ DANYCH Streszczenie Małgorzata Nycz, Barbara Smok Akademia Ekonomiczna we Wrocławiu {malgorzata.nycz,barbara.smok}@ae.wroc.pl Artykuł prezentuje
Bardziej szczegółowoHURTOWNIE DANYCH Dzięki uprzejmości Dr. Jakuba Wróblewskiego
HURTOWNIE DANYCH Dzięki uprzejmości Dr. Jakuba Wróblewskiego http://www.jakubw.pl/zajecia/hur/bi.pdf http://www.jakubw.pl/zajecia/hur/dw.pdf http://www.jakubw.pl/zajecia/hur/dm.pdf http://www.jakubw.pl/zajecia/hur/
Bardziej szczegółowoPortale raportowe, a narzędzia raportowe typu self- service
Portale raportowe, a narzędzia raportowe typu self- service Bartłomiej Graczyk Kierownik Projektów / Architekt rozwiązań Business Intelligence E mail: bartek@graczyk.info.pl Site: www.graczyk.info.pl Agenda
Bardziej szczegółowoBazy danych. Plan wykładu. Rodzaje baz. Rodzaje baz. Hurtownie danych. Cechy hurtowni danych. Wykład 14: Hurtownie danych
Plan wykładu Bazy Wykład 14: Hurtownie Bazy operacyjne i analityczne Architektura hurtowni Projektowanie hurtowni Małgorzata Krętowska, Agnieszka Oniśko Wydział Informatyki PB Bazy (studia dzienne) 2 Rodzaje
Bardziej szczegółowoBudowa systemu wspomagającego podejmowanie decyzji. Metodyka projektowo wdrożeniowa
Budowa systemu wspomagającego podejmowanie decyzji Metodyka projektowo wdrożeniowa Agenda Systemy wspomagające decyzje Business Intelligence (BI) Rodzaje systemów BI Korzyści z wdrożeń BI Zagrożenia dla
Bardziej szczegółowoSystemy baz danych w zarządzaniu przedsiębiorstwem. W poszukiwaniu rozwiązania problemu, najbardziej pomocna jest znajomość odpowiedzi
Systemy baz danych w zarządzaniu przedsiębiorstwem W poszukiwaniu rozwiązania problemu, najbardziej pomocna jest znajomość odpowiedzi Proces zarządzania danymi Zarządzanie danymi obejmuje czynności: gromadzenie
Bardziej szczegółowoMarcin Adamczak Jakub Gruszka MSP. Business Intelligence
Marcin Adamczak Jakub Gruszka MSP Business Intelligence Plan Prezentacji Definicja Podział Zastosowanie Wady i zalety Przykłady Historia W październiku 1958 Hans Peter Luhn pracownik działu badań w IBM
Bardziej szczegółowoZarządzanie systemami produkcyjnymi
Zarządzanie systemami produkcyjnymi Efektywności zarządzania sprzyjają: samodzielność i przedsiębiorczość, orientacja na działania, eksperymenty i analizy, bliskie kontakty z klientami, produktywność,
Bardziej szczegółowoIndeksy w bazach danych. Motywacje. Techniki indeksowania w eksploracji danych. Plan prezentacji. Dotychczasowe prace badawcze skupiały się na
Techniki indeksowania w eksploracji danych Maciej Zakrzewicz Instytut Informatyki Politechnika Poznańska Plan prezentacji Zastosowania indeksów w systemach baz danych Wprowadzenie do metod eksploracji
Bardziej szczegółowoCharakterystyka oprogramowania obiektowego
Charakterystyka oprogramowania obiektowego 1. Definicja systemu informatycznego 2. Model procesu wytwarzania oprogramowania - model cyklu Ŝycia oprogramowania 3. Wymagania 4. Problemy z podejściem nieobiektowym
Bardziej szczegółowoOdświeŜanie hurtownie danych - wykład IV. Zagadnienia do omówienia. Wprowadzenie
OdświeŜanie hurtownie danych - wykład IV Paweł Skrobanek, C-3 pok. 323 pawel.skrobanek@pwr.wroc.pl oprac. Wrocław 2006/2007 Zagadnienia do omówienia 1. Wprowadzenie 2. Klasyfikacja źródeł danych 3. Wymagania
Bardziej szczegółowoWidzenie komputerowe (computer vision)
Widzenie komputerowe (computer vision) dr inż. Marcin Wilczewski 2018/2019 Organizacja zajęć Tematyka wykładu Cele Python jako narzędzie uczenia maszynowego i widzenia komputerowego. Binaryzacja i segmentacja
Bardziej szczegółowoKARTA PRZEDMIOTU. Hurtownie i eksploracja danych D1_5
KARTA PRZEDMIOTU 1. Informacje ogólne Nazwa przedmiotu i kod (wg planu studiów): Nazwa przedmiotu (j. ang.): Kierunek studiów: Specjalność/specjalizacja: Poziom kształcenia: Profil kształcenia: Forma studiów:
Bardziej szczegółowoProces ETL. Katedra Inżynierii Oprogramowania Wydział Elektroniki, Telekomunikacji i Informatyki Politechnika Gdańska {kris,
Proces ETL Krzysztof Goczyła Teresa Zawadzka Katedra Inżynierii Oprogramowania Wydział Elektroniki, Telekomunikacji i Informatyki Politechnika Gdańska {kris, tegra}@eti.pg.gda.pl - 1 - Proces ETL - 2 -
Bardziej szczegółowoProjektowanie oprogramowania cd. Projektowanie oprogramowania cd. 1/34
Projektowanie oprogramowania cd. Projektowanie oprogramowania cd. 1/34 Projektowanie oprogramowania cd. 2/34 Modelowanie CRC Modelowanie CRC (class-responsibility-collaborator) Metoda identyfikowania poszczególnych
Bardziej szczegółowoOracle Designer. Oracle Designer jest jednym z głównych komponentów pakietu Oracle Developer Suite. Oracle Designer wspiera :
Oracle Designer Oracle Designer jest jednym z głównych komponentów pakietu Oracle Developer Suite. Oracle Designer wspiera : - modelowanie procesów biznesowych - analizę systemu informatycznego - projektowanie
Bardziej szczegółowoData Mining Wykład 1. Wprowadzenie do Eksploracji Danych. Prowadzący. Dr inż. Jacek Lewandowski
Data Mining Wykład 1 Wprowadzenie do Eksploracji Danych Prowadzący Dr inż. Jacek Lewandowski Katedra Genetyki Wydział Biologii i Hodowli Zwierząt Uniwersytet Przyrodniczy we Wrocławiu ul. Kożuchowska 7,
Bardziej szczegółowoIMPLEMENTATION OF WDROŻENIE COMARCHW MINISTERSTWIE FINANSÓW SINDBAD RAPORTY ANALIZY BADANIA PROGNOZY CASE STUDY 1
IMPLEMENTATION OF WDROŻENIE COMARCHW MINISTERSTWIE FINANSÓW M2M SINDBAD PLATFORM RAPORTY ANALIZY BADANIA PROGNOZY CASE STUDY 1 MINISTERSTWO FINANSÓW Ministerstwo Finansów zapewnia obsługę Ministra Finansów
Bardziej szczegółowoSzczegółowy opis przedmiotu zamówienia
ZP/ITS/19/2013 SIWZ Załącznik nr 1.1 do Szczegółowy opis przedmiotu zamówienia Przedmiotem zamówienia jest: Przygotowanie zajęć dydaktycznych w postaci kursów e-learningowych przeznaczonych dla studentów
Bardziej szczegółowoRola analityki danych w transformacji cyfrowej firmy
Rola analityki danych w transformacji cyfrowej firmy Piotr Czarnas Querona CEO Analityka biznesowa (ang. Business Intelligence) Proces przekształcania danych w informacje, a informacji w wiedzę, która
Bardziej szczegółowoSpis treúci. 1. Wprowadzenie... 13
Księgarnia PWN: W. Dąbrowski, A. Stasiak, M. Wolski - Modelowanie systemów informatycznych w języku UML 2.1 Spis treúci 1. Wprowadzenie... 13 2. Modelowanie cele i metody... 15 2.1. Przegląd rozdziału...
Bardziej szczegółowoPLAN ZARZĄDZANIA WYMAGANIAMI PROJEKT <NAZWA PROJEKTU> WERSJA <NUMER WERSJI DOKUMENTU>
Załącznik nr 4.4 do Umowy nr 35-ILGW-253-.../20.. z dnia... MINISTERSTWO FINANSÓW DEPARTAMENT INFORMATYKI PLAN ZARZĄDZANIA WYMAGANIAMI PROJEKT WERSJA numer wersji
Bardziej szczegółowoPojęcie bazy danych. Funkcje i możliwości.
Pojęcie bazy danych. Funkcje i możliwości. Pojęcie bazy danych Baza danych to: zbiór informacji zapisanych według ściśle określonych reguł, w strukturach odpowiadających założonemu modelowi danych, zbiór
Bardziej szczegółowoProcesowa specyfikacja systemów IT
Procesowa specyfikacja systemów IT BOC Group BOC Information Technologies Consulting Sp. z o.o. e-mail: boc@boc-pl.com Tel.: (+48 22) 628 00 15, 696 69 26 Fax: (+48 22) 621 66 88 BOC Management Office
Bardziej szczegółowoDOKUMENT INFORMACYJNY COMARCH BUSINESS INTELLIGENCE:
DOKUMENT INFORMACYJNY COMARCH BUSINESS INTELLIGENCE: JAKIE PROBLEMY ROZWIĄZUJE BI 1 S t r o n a WSTĘP Niniejszy dokument to zbiór podstawowych problemów, z jakimi musi zmagać się przedsiębiorca, analityk,
Bardziej szczegółowoSystem zarządzania bazą danych SZBD (ang. DBMS -Database Management System)
Podstawowe pojęcia Baza danych Baza danych jest logicznie spójnym zbiorem danych posiadających określone znaczenie. Precyzyjniej będzie jednak powiedzieć, Ŝe baza danych jest informatycznym odwzorowaniem
Bardziej szczegółowoBazy danych. wprowadzenie teoretyczne. Piotr Prekurat 1
Bazy danych wprowadzenie teoretyczne Piotr Prekurat 1 Baza danych Jest to zbiór danych lub jakichkolwiek innych materiałów i elementów zgromadzonych według określonej systematyki lub metody. Zatem jest
Bardziej szczegółowoOracle Log Analytics Cloud Service
ORACLE DANE TECHNICZNE Zastrzeżenie: Niniejszy dokument służy wyłącznie celom informacyjnym. Nie stanowi on zobowiązania do dostarczenia żadnych materiałów, kodu ani funkcjonalności i nie należy go brać
Bardziej szczegółowo