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 i umiejętności) 2. 3. Przykłady systemów Wprowadzenie do przedmiotu Strona WWW z informacjami: http://pawel.skrobanek.staff.ict.pwr.wroc.pl (kopia: http://www.equus.wroc.pl/studia.html) Zaliczenie: kolokwium/egzamin zestaw pytań do opracowania (będzie zmodyfikowany do końca października) (oprócz terminu podstawowego będzie dodatkowy) ocena z laboratorium moŝe podnieść o jeden stopień ocenę końcową (jeśli jest wyŝsza od otrzymanej z egzaminu) UWAGA: z egzaminu moŝna otrzymać umowne 0. 1
Wprowadzenie do przedmiotu Bibliografia: R. Kimball, The Data Warehouse Toolkit, John Wiley & Sons, 1996 M.Jarke, M.Lenzerini, Y.Vassiliou, P.Vassiliadid HURTOWNIE DANYCH. Podstawy organizacji i funkcjonowania, WSiP, Warszawa2003 S.Kozielski, B.Małysiak, P.Kasprowski, D.Mrozka, BAZY DANYCH. Modele, technologie, narzędzia, WKŁ 2005 Poe V., Klauer P., Brobst S.: Tworzenie hurtowni danych. WNT, Warszawa 2000. http://www.dwinfocenter.org/ Źródła Internetowe oraz uzupełnienie będą podawane. Hurtownia danych (ang. data warehouse) 1) jako wyŝszy stopień abstrakcji niŝ relacyjna baza danych, 2) jako platforma integrująca dane pochodzące z róŝnych źródeł, przy czym: - dane mogą być w postaci zagregowanej lub wybiórcze, - architektura optymalizowana pod kątem określonych kryteriów, np. szybkości dostępu do informacji (przetwarzania), analizy zawartości 3) zestaw danych i narzędzi do wspomagania decyzji biznesowych PRZETWARZANIE OLTP (Online Transaction Processing) - przetwarzanie transakcyjne OLAP (Online Analytical Processing) - przetwarzanie analityczne 2
Eksploracja danych (ang. data mining) zautomatyzowany proces odkrywania wiedzy oraz zaleŝności występujących w danych, konstrukcja tego procesu z wykorzystaniem: metod statystycznych, sieci neuronowych, sztucznej inteligencji, algorytmów ewolucyjnych, logiki rozmytej, itd. problem: właściwe zaplanowanie oraz ocena jakości Eksploracja danych (ang. data mining) Zastosowania: wspomaganie diagnostyki medycznej, wspomaganie sprzedaŝy (np. odkrywanie zaleŝności typu: jeśli klient kupuje szampana, to często takŝe bombonierkę lub jeśli kupi pampersy i jest męŝczyzną, to kupi piwo), analiza operacji bankowych dostosowanie oferty do określonych grup klientów, ustalanie profilu np. nieuczciwego klienta (np. energetyka), Bussines intelligence Oprogramowanie wspomagające procesy podejmowania decyzji poprzez analizę danych zgromadzonych w systemach informatycznych. SłuŜy do ekstrapolacji przyszłości i estymacji stanu obecnego. [źródło: http://pl.wikipedia.org pl.wikipedia.org/wiki wiki/business_intelligence] 3
właściwe i dogłębne zrozumienie problemu i celu analizy (analiz) zrozumienie modelowanej rzeczywistości (m.in. zrozumienie dostępnych danych, właściwa identyfikacja potrzeb, budowa modelu), dobór narzędzi, róŝnorodność źródeł informacji (zarówno baz danych, jak i sprzętu, parametrów transmisji itp.), opracowanie właściwej architektury (np. opracowanie wielopoziomowych agregacji, właściwe zasilanie HD, kontrola nadmiarowości i/lub brakujących danych, problemy z ograniczeniami czasowymi) opracowanie mechanizmów oraz formy prezentacji wyników często dla osób nie będących informatykami 4
Wybrane zastosowania: prezentacja bieŝącego stanu firmy, wspomaganie decyzji biznesowych dostarczanie danych oraz mechanizmów do szybkiego pozyskiwania informacji oraz podejmowania działań, wykrywanie oszustw, przewidywanie zachowań rynku (np. zarządzanie zapasami), Lepsze dostosowanie oferty do klienta, Analiza ryzyka, np. kredytowego. Przykłady systemów MTERIAŁY na CD. 5