Jak velká jsou? Obchodní analytici FB velké datové sady BI = business intelligence. OLAP = Online Analytical Processing. DWH = Data Warehouse
|
|
- Vladimíra Jandová
- před 5 lety
- Počet zobrazení:
Transkript
1
2 název B = Bajt KB = Kilobajt MB = Megabajt GB = Gigabajt TB = Terabajt PB = Petabajt EB = Exabajt ZB = Zettabajt YB = Yottabajt velikost 8 b 2^10 B 2^20 B 2^30 B 2^40 B 2^50 B 2^60 B 2^70 B 2^80 B Jak velká jsou? FB miliard fotografií = 9,3PB Obchodní analytici velké datové sady BI = business intelligence analytické systémy OLAP = Online Analytical Processing databáze DWH = Data Warehouse datové sklady
3 technologie uložení dat v databázi OLTP = Online Transaction Processing umožňuje snadno a bezpečně ukládat změny ve víceuživatelském (konkurenčním) prostředí data jsou neustále modifikována více uživateli data vždy aktuální nad daty jsou prováděny jednorázové dotazy SQL OLAP = Online Analytical Processing umožňuje uspořádat velké objemy dat pro následnou analýzu obchodních trendů a výsledků tzv. BI=Business Intelligence data jsou pravidelně nahrávána jednorázově v dávkách (denně, týdně) nemění se, pouze pribývají nad daty jsou prováděny složité dotazy
4 BI = Business Intelligence informační analytické systémy analýza minulých a současných aktivit > předpovídání budoucích událostí nepodporují provozní aktivity (zpracování objednávky) usnadňují hodnocení, analýzu, plánování, řízení, rozhodování vhodné jako podpora pro management provozní systémy zajišťují primární obchodní aktivity systémy prodeje, nákupu, řízení skladových zásob, průběžné záznamy obchodních aktivit spolupráce s DBS provozní databáze / transakční systémy / OLTP
5 zdroje dat systémů BI data z provozních databází načtení, zpracování provozní data nemění!!! POZOR: zpomalují chod provozní db (velká zátěž pro DBMS) údržba systému BI vyžaduje nástroje, které provozní systémy nemají provozní data nejsou vyčištěná data extrahovaná z provozních databází spravují pouze extrahovanou databázi jedná se o výtah z provozních dat data získaná od dodavatelů zakoupení
6 vykazovací systémy filtrace, třídění, seskupování, jednoduché výpočty SQL + extended SQL souhrny aktuálního stavu porovnání aktuálního stavu s minulým, s prognózou klasifikace entit klíčové sestavy doručení uživatelům včas, vhodný formát (tisk, graf, web, ) dolování dat (data mining) pokročilé matematické a statistické výpočty citlivostní analýza, předpovědi, rozhodování výsledky často součástí jiné sestavy
7 DWH = Data Warehouse zvláštní typ relační databáze umožňuje řešit úlohy zaměřené převážně na analytické dotazování nad rozsáhlými soubory dat William Inmon: Orientace na subjekt: RDB minimální redundance uložených dat + normalizace (3NF) + vnitřní provázání logických celků relace DWH vnitřní separace jednotlivých funkčních bloků pro zvýšení čitelnosti pro uživatele, vedoucí k vyšším paměťovým nárokům
8 DWH = data warehouse DWH = DBS + data + programy obsluhy specializující se na BI systémy ETL = Extract, Transform and Load načte data z provozních db do db DWH vyčistí a připraví data pro BI dost složitý proces - nečistá data» pohlaví zákazníka P, věk zákazníka 236, barva črvená,» chybějící hodnoty (null)» nekonzistentní data (změna telefonu zákazníka)» nesprávný formát (datum, čas)» neintegrovaná data (z více zdrojů)» redundantní data (nadbytečné atributy) datová transformace» CR na Česká Republika, CA na Kanada,
9 databáze DWH data načte systém ETL pomocí DBMS DWH POZOR: nemusí být od stejného dodavatele jako provozní DBMS!!! metadata databáze DWH info o zdroji, formátu, omezeních dat, nástroje BI získávají informace pro různé sestavy a data mining
10 DWH = data warehouse příjem dat od distributora vyčištění, zpracování, uložení DM = data mart získání dat z DWH pouze pro určitou obchodní aktivitu webové protokoly, skladová historie, maloobchodní prodej, EDW = Enterprise DWH architektura podnikového datového skladu EDW = DWH + DM provoz finančně náročný => mohou si to dovolit jen větší podniky
11 dimensional database = databáze dimenzí efektivní dotazování a analýza používají se historická data návrh musí podporovat časové změny dat datová dimenze dat a časová dimenze dat
12 Star schema = hvězdicové schéma tabulky faktů plně normalizované obsahují míry obchodní aktivity (kvantitativní, faktická data) tabulky dimenzí nemusí být normalizované obsahuje hodnoty atributů, které popisují míry faktů tabulka faktů funguje jako spojovací tabulka v relaci M:N
13 Snowflake schema = schéma sněhové vločky tabulky faktů plně normalizované tabulky dimenzí musí být normalizované do 3NF
14
15
16
17 OLAP = Online Analytical Processing poskytuje sestavy OLAP výpočet součtů, počtů, průměrů, spoustu dalších jednoduchých matematických výpočtů reprezentace ve 3 osách = zobrazováno jako krychle OLAP obsahuje míry (fakta) a dimenze (atribut, vlastnost míry) viz architektura databáze dimenzí mohou být generovány pomocí jazyka SQL MS SQL Server + MS Excel kontingenční tabulky MySQL + OpenOffice.Calc funkce DataPilot
18 systémy OLAP jsou odlišné obecné označení = písmena před zkratkou OLAP Příklady: MOLAP nejtypičtější ROLAP nejtypičtější HOLAP HTAP od r.2014 další typy OLAP méně časté / neexistující SOLAP DOLAP WOLAP Mobile OLAP
19 Relational OLAP jsou založené na schématu hvězdy mají přímý přístup k datům uloženým v relačních DB poskytují vícerozměrný pohled na relační data nevýhoda = zpomalují RDBMS mohou snadno získat transakční data i pro velmi rozsáhlé datové sady i při složitých výpočtech na základě transakčních dat jsou investičně výhodné pro organizace umožňují využít stávající investice do softwaru RDBMS přistupují k DB pomocí jazyka SQL následné zpracování může nastat jak v RDBMS, tak na straně serveru, který přijímá požadavky od klientů (přeloží je do SQL a předá RDBMS)
20 Relational OLAP poskytují grafické uživatelské rozhraní vytvářejí plány spouštění SQL koncový uživatel nemusí psát SQL dotazy včetně SQL pro vícerozměrnou analýzu Nevýhoda SQL je jazyk relačních databází slovní zásoba SQL je omezená gramatika SQL je málo pružná často nevyhovuje nejdokonalejšímu modelování pro multidimenzionální analýzy
21 Relational OLAP další nevýhody: strukturování vícerozměrného modelu pouze v relačních tabulkách než koncový uživatel předloží žádost musí být příslušná dimenze dat extrahována a přeformátována do denormalizovaných struktur (schéma hvězda, schéma sněhová vločka) tyto tabulkové struktury jsou nezbytné k zajištění přijatelného analytického výkonu promyšlené aplikace ROLAP vyžadují předběžně sestavené a udržované agregované tabulky eliminuje potřebu zpracování souhrnných dat za běhu
22 Relational OLAP výhody ROLAP: vůči ostatním analytických nástrojům OLAP je mnohem škálovatelnější při manipulaci s velkým množstvím dat sedí na relačních databázích => umožňuje využití několika funkcí, které relační databáze dokážou
23 Multidimensional OLAP založený na multidimenzionálních kostkách / krychlích umožňují koncovým uživatelům modelovat data v multidimenzionálním prostředí na rozdíl od ROLAP (vícerozměrný pohled na relační data) kostka / krychle = struktura multidimenzionálního modelu je modelovaná ve vícerozměrné databázi není to série tabulek (jako v relační databázi) buňka v tabulce představuje průnik dvou rozměrů (prodej produktu podle oblasti) rozšiřuje koncept spojený s tabulkami buňka v krychli představuje průnik nekonečného počtu dimenzovaných prvků (produkty, zákazníci, regiony, měsíce, ) hodnotu buňky můžeme vypočítat pomocí vzorce obsahující jiné buňky
24 Multidimensional OLAP umožňují uživatelům přidávat další dimenze přidávat další tabulky jako v ROLAP NELZE struktura krychle umožňuje velmi rychlé, flexibilní modelování dat a výpočtů lokalizace buněk je značně zjednodušená identifikace umístění buňky podle názvu (průsečík členů dimenze) vyhledávání pomocí indexu nebo celého modelu NELZE (SQL SELECT) pokročilé techniky zpracování pole algoritmy pro správu dat a výpočty tj. mohou velmi efektivně ukládat data a zpracovávat výpočty za zlomek času potřebného pro relační produkty
25 Multidimensional OLAP nevýhody MOLAP musí být přenášeny z relačních systémů "redundantní" opětovné vytvoření dat v jiné (vícedimenzionální) db u přenesených dat nemusí existovat jednoduchý způsob aktualizace jednotlivé transakce jsou zaznamenány v RDBMS jsou to obvykle proprietární systémy některá oddělení IT mají problém se zavedením nového databázového systému a to i když to znamená výrazně vyšší produktivitu při plánování, pro analýzu a reporting koncovým uživatelům
26 Hybrid OLAP pokus o sloučení nejlepších vlastností MOLAP a ROLAP architektur do jediné architektury pokouší se překlenout technologickou mezeru obou produktů umožňuje přístup a použití obou - multidimenzionální databáze (MDDB) a relační databáze (RDBMS) princip uchovávají větší množství podrobných dat v relačních tabulkách agregovaná data jsou uložena v předem vypočtených krychlích má schopnost "procházet" z krychle dolů do relačních tabulek pro dané údaje
27 Hybrid OLAP výhody lepší škálovatelnost rychlé zpracování dat větší flexibilita při přístupu k datovým zdrojům nevýhody jsou to hybridy tj. v nejlepším případě se podílejí na silných stránkách jiných systémů, v nejhorším případě se objevují slabiny každého z nich
28 Hybrid Transaction / Analytical Processing Hybridní transakčně analytické zpracování pojem vytvořil Gartner na začátku roku 2014 popsal nové datové systémy v paměti, které provádějí zpracování online transakcí (OLTP) a online analytické zpracování (OLAP) opírá se o novější a mnohem výkonnější, často distribuované zpracování někdy se jedná o nové hardwarové zařízení téměř vždy vyžaduje novou softwarovou platformu veškerá technologie je umístěna v relační databázi tj. neexistuje žádná replikace dat, nové transakční informace jsou součástí analytického modelu, a to v co nejkratší době (dle možností technologií)
29 Hybrid Transaction / Analytical Processing představuje nový způsob, jak svázat data dohromady způsobem, který nebyl do té doby možný skutečné sjednocení relačních dat uložených v tabulkách s datovými modely, které jsou používány pro rozhodování vedoucími firmami příklad: produkt společnosti Olation od společnosti PARIS Tech název Olation = kombinace "OLAP" a relational" technologie
30 další typy OLAP existují, jsou méně populární nesetkáme se s nimi tak často některé z nich již neexistují (WOLAP) jsou zde uvedeny pro přehlednost vývoje technologií OLAP DOLAP SOLAP WOLAP Mobile OLAP
31 Desktop OLAP princip uživatel si může stáhnout část modelu OLAP z jiného zdroje a pak s touto částí dat může pracovat lokálně, např. na svém desktopu výhody jednodušší nasazení s potenciálně nižšími náklady nevýhody omezená funkčnost ve srovnání s jinými aplikacemi OLAP
32 Spatial OLAP prostorová OLAP vznikl v rámci projektu Spatial OLAP integruje schopnosti geografických informačních systémů (GIS) a OLAP do jednotného řešení usnadňuje správu prostorových i neprostorových dat poskytuje rychlý průzkum údajů ukazuje trendy a analýzy v geografickém kontextu např. názvy míst pocházející z GIS, nebo překrytí map ukazující chování zákazníků,
33 Web OLAP technologie OLAP založená na webovém prohlížeči je založena pouze na webu hlavní cíle dnes bez jakéhokoliv druhu lokální instalace nebo místního klienta pro přístup k datům podstatně nižší investice na straně klienta rozšířená dostupnost pro připojení k datům většina produktů OLAP poskytuje možnost připojení na web navíc umožňují robustnější datové modelování a další funkce, které nemůže webový klient poskytnout
34 Mobile OLAP pouze funkce OLAP určené pro bezdrátová nebo mobilní zařízení umožňují uživateli přístup a práci s daty i s aplikacemi OLAP vzdáleně důkladně využívají mobilní zařízení
35 nejnovější sw ve světě OLAP a BI kombinuje v reálném čase výhody relačních tabulek a multidimenzionálního modelování podnikových dat odstraňuje proprietární formát svých předchůdců MOLAP ukládá do zdrojových relačních tabulek (MySQL, SQL Server, ) udržuje konstantní spojení se stávajícími back-end systémy poskytuje okamžitě reagující zprávy a analýzy MS Excel a další front-end nástroje (dashboards, dotazovací nástroje) top business intelligens sw:
36 Super zdroj pro OLAP, DW, DM, KDD a Data Mining A vzorová data: Jazyk DMQL / GMQL / MSQL
AdventureWorksDW2014 SQL Server Data Tools Multidimenziona lnı model Tabula rnı model Multidimenziona lnı mo d Tabula rnı mo d MS SQL Server 2016 Tabula rnı mo d Azure Analysis Services 16 3.2 Dimenzionální
VíceZáklady business intelligence. Jaroslav Šmarda
Základy business intelligence Jaroslav Šmarda Základy business intelligence Business intelligence Datový sklad On-line Analytical Processing (OLAP) Kontingenční tabulky v MS Excelu jako příklad OLAP Dolování
Více10. Datové sklady (Data Warehouses) Datový sklad
10. Datové sklady (Data Warehouses) Datový sklad komplexní data uložená ve struktuře, která umožňuje efektivní analýzu a dotazování data čerpána z primárních informačních systémů a dalších zdrojů OLAP
VíceMarketingová komunikace. 3. soustředění. Mgr. Pavel Vávra 9103@mail.vsfs.cz. Kombinované studium Skupina N9KMK3PH (vm3bph)
Marketingová komunikace Kombinované studium Skupina N9KMK3PH (vm3bph) 3. soustředění Mgr. Pavel Vávra 9103@mail.vsfs.cz http://vavra.webzdarma.cz/home/index.htm Zdroje Studijní materiály Heleny Palovské
VíceBusiness Intelligence. Adam Trčka
Business Intelligence Adam Trčka 09:00 11:30: BI v kostce Navrhněme si sklad Ukázka BI Datamining 12:30 14:30: Pokračování kurzu 14:30 15:00: Q&A Agenda Co se dnes dovíme? Data informace znalost Business
VíceDatabáze Bc. Veronika Tomsová
Databáze Bc. Veronika Tomsová Databázové schéma Mapování konceptuálního modelu do (relačního) databázového schématu. 2/21 Fyzické ik schéma databáze Určuje č jakým způsobem ů jsou data v databázi ukládána
Více3 zdroje dat. Relační databáze EIS OLAP
Zdroje dat 3 zdroje dat Relační databáze EIS OLAP Relační databáze plochá dvourozměrná tabulková data OLTP (Online Transaction Processing) operace selekce projekce spojení průnik, sjednocení, rozdíl dotazování
VíceMarketingová komunikace. 2. a 3. soustředění. Mgr. Pavel Vávra 9103@mail.vsfs.cz. Kombinované studium Skupina N9KMK3PH (vm3aph)
Marketingová komunikace Kombinované studium Skupina N9KMK3PH (vm3aph) 2. a 3. soustředění Mgr. Pavel Vávra 9103@mail.vsfs.cz http://vavra.webzdarma.cz/home/index.htm Co nás čeká: 2. soustředění 16.1.2009
VíceObsah. Kapitola 1. Kapitola 2. Kapitola 3. Úvod 9
Obsah Úvod 9 Kapitola 1 Business Intelligence, datové sklady 11 Přechod od transakčních databází k analytickým..................... 13 Kvalita údajů pro analýzy................................................
VíceDatové sklady. Ing. Jan Přichystal, Ph.D. 1. listopadu 2011. PEF MZLU v Brně
PEF MZLU v Brně 1. listopadu 2011 Úvod Intenzivní nasazení informačních technologií způsobuje hromadění obrovské spousty nejrůznějších údajů. Příkladem mohou být informace z obchodování s cennými papíry
VíceDatabázové systémy. 10. přednáška
Databázové systémy 10. přednáška Business Intelligence Poprvé byl termín BI použit Gartnerem a dále pak popularizován Howardem Dresnerem jako: proces zkoumání doménově strukturovaných informací za účelem
Více4IT218 Databáze. 4IT218 Databáze
4IT218 Databáze Osmá přednáška Dušan Chlapek (katedra informačních technologií, VŠE Praha) 4IT218 Databáze Osmá přednáška Normalizace dat - dokončení Transakce v databázovém zpracování Program přednášek
VíceZákladní informace o co se jedná a k čemu to slouží
Základní informace o co se jedná a k čemu to slouží založené na relačních databází transakční systémy, které jsou určeny pro pořizování a ukládání dat v reálném čase (ERP, účetní, ekonomické a další podnikové
VícePodnikové informační systémy Jan Smolík
Podnikové informační systémy Jan Smolík Zobecněné schéma aplikační architektury Vlastníci, management Aplikační architektura podnikové informatiky Business Intelligence, manažerské aplikace Obchodní partneři
VíceInformační systémy 2006/2007
13 Vysoká škola báňská Technická univerzita Ostrava Fakulta strojní, Katedra automatizační techniky a řízení Informační systémy 2006/2007 Ivan Kedroň 1 Obsah Analytické nástroje SQL serveru. OLAP analýza
VíceBusiness Intelligence
Business Intelligence Skorkovský KAMI, ESF MU Principy BI zpracování velkých objemů dat tak, aby výsledek této akce manažerům pomohl k rozhodování při řízení procesů výsledkem zpracování musí být relevantní
VíceBusiness Intelligence
Business Intelligence Josef Mlnařík ISSS Hradec Králové 7.4.2008 Obsah Co je Oracle Business Intelligence? Definice, Od dat k informacím, Nástroj pro operativní řízení, Integrace informací, Jednotná platforma
Vícekapitola 2 Datové sklady, OLAP
Tomáš Burger, burger@fit.vutbr.cz kapitola 2 Datové sklady, OLAP Získávání znalostí z databází IT-DR-3 / ZZD Co je to datový sklad A data warehouse is a subjectoriented, integrated, time-variant and nonvolatile
VíceDatabázové systémy. Doc.Ing.Miloš Koch,CSc. koch@fbm.vutbr.cz
Databázové systémy Doc.Ing.Miloš Koch,CSc. koch@fbm.vutbr.cz Vývoj databázových systémů Ukládání dat Aktualizace dat Vyhledávání dat Třídění dat Výpočty a agregace 60.-70. léta Program Komunikace Výpočty
VíceMultidimenzionální pohled na zdravotnické prostředí. INMED Petr Tůma
Multidimenzionální pohled na zdravotnické prostředí INMED - 21.11.2003 Petr Tůma Koncepce multid pohledu Poskytování péče probíhá v multidimenzionálním světě; dimenze tento svět mapují podobně jako souřadnice
VíceObsah. Úvod do problematiky. Datový sklad. Proces ETL. Analýza OLAP
Petr Jaša Obsah Úvod do problematiky Data vs. informace Operační vs. analytická databáze Relační vs. multidimenzionální model Datový sklad Důvody pro budování datových skladů Definice, znaky Schéma vazeb
VíceIng. Roman Danel, Ph.D. 2010
Datový sklad Ing. Roman Danel, Ph.D. 2010 Co je to datový sklad a kdy se používá? Pojmem datový sklad (anglicky Data Warehouse) označujeme zvláštní typ databáze, určený primárně pro analýzy dat v rámci
VíceBI v rámci IS/ICT komponenty BI architektura. Charakteristika dat a procesů v IS/ICT. Datové sklady ukládání dat návrh datového skladu
BI v rámci IS/ICT komponenty BI architektura Charakteristika dat a procesů v IS/ICT Datové sklady ukládání dat návrh datového skladu BI CRM ERP SCM Aplikace pro podporu základních řídících a administrativních
VíceDatabáze. datum jmeno prijmeni adresa_ulice adresa_mesto cislo_uctu platba zustatek
Databáze datum jmeno prijmeni adresa_ulice adresa_mesto cislo_uctu platba zustatek 980103 Jan Novak Dlouha 5 Praha 1 9945371 100.00 100.00 980105 Jan Novak Dlouha 5 Praha 1 9945371 1500.00 1600.00 980106
VíceObsah. Kapitola 1. Kapitola 2. Kapitola 3. Kapitola 4. Úvod 11. Stručný úvod do relačních databází 13. Platforma 10g 23
Stručný obsah 1. Stručný úvod do relačních databází 13 2. Platforma 10g 23 3. Instalace, první přihlášení, start a zastavení databázového serveru 33 4. Nástroje pro administraci a práci s daty 69 5. Úvod
VíceDATABÁZOVÉ SYSTÉMY. Metodický list č. 1
Metodický list č. 1 Cíl: Cílem předmětu je získat přehled o možnostech a principech databázového zpracování, získat v tomto směru znalosti potřebné pro informačního manažera. Databázové systémy, databázové
VíceAnalýza a modelování dat. Přednáška 8
Analýza a modelování dat Přednáška 8 OLAP, datová kostka, dotazování nad kostkou Motivace většina DB relační zaznamenání vztahů pomocí logicky provázaných tabulek jakou mají velmi často vztahy povahu vztah
VíceDatový sklad. Datový sklad
Datový sklad Postavení v rámci IS/ICT Specifika návrhu Modelování Datový sklad POSTAVENÍ NÁVRH Postavení datového skladu (DW) v IS/ICT z hlediska aplikací jako součást Business Intelligence z hlediska
VíceMETODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1
METODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1 DOLOVÁNÍ V DATECH (DATA MINING) OBJEVUJE SE JIŽ OD 60. LET 20. ST. S ROZVOJEM POČÍTAČOVÉ TECHNIKY DEFINICE PROCES VÝBĚRU, PROHLEDÁVÁNÍ A MODELOVÁNÍ
VíceInfor Performance management. Jakub Urbášek
Infor Performance management Jakub Urbášek Agenda prezentace Stručně o produktu Infor PM 10 Komponenty Infor PM - PM OLAP a PM Office Plus Reporting Analýza Plánování / operativní plánování Infor Performance
VíceData Warehouses. Jaroslav Bayer 1. Fakulta informatiky Masarykova univerzita
PV005 Služby počítačových sítí: Data Warehouses Jaroslav Bayer 1 Fakulta informatiky Masarykova univerzita 28. 11. 2012 1 CVT FI MU, B310, email: xbayer@fi.muni.cz Jaroslav Bayer (FI MU) PV005 Služby počítačových
VíceZáklady databází. O autorech 17 PRVNÍ ČÁST. KAPITOLA 1 Začínáme 19
3 Obsah Novinky v tomto vydání 10 Význam základních principů 11 Výuka principů nezávisle na databázových produktech 12 Klíčové pojmy, kontrolní otázky, cvičení, případové studie a projekty 12 Software,
Vícepředměty: ukončení: Zápočet + Zkouška / 5kb např. jméno, název, destinace, město např. student Jan Novák, narozen 18.5.1974
základní informace Databázové systémy Úvodní přednáška předměty: KI/DSY (B1801 Informatika - dvouoborová) KI/P502 (B1802 Aplikovaná informatika) ukončení: Zápočet + Zkouška / 5kb ki.ujep.cz termínovník,
VíceMarketingová komunikace. 2. soustředění. Mgr. Pavel Vávra 9103@mail.vsfs.cz. Kombinované studium Skupina N9KMK1aPH/N9KMK1bPH (um1a1ph/um1b1ph)
Marketingová komunikace Kombinované studium Skupina N9KMK1aPH/N9KMK1bPH (um1a1ph/um1b1ph) 2. soustředění Mgr. Pavel Vávra 9103@mail.vsfs.cz http://vavra.webzdarma.cz/home/index.htm Minulé soustředění úvod
VíceBIG DATA. Nové úlohy pro nástroje v oblasti BI. 27. listopadu 2012
BIG DATA Nové úlohy pro nástroje v oblasti BI 27. listopadu 2012 AGENDA 1. Úvod 2. Jaké jsou potřeby? 3. Možné řešení 2 Jaké jsou potřeby? Dopady Analýza dat potřeba nového přístupu Jak na nestrukturovaná
VícePV005 Služby počítačových sítí: Data Warehouses
PV005 Služby počítačových sítí: Data Warehouses Jaroslav Bayer 1 Fakulta informatiky Masarykova univerzita 26. 11. 2015 1 CVT FI MU, B310, email: xbayer@fi.muni.cz Jaroslav Bayer (FI MU) PV005 Služby počítačových
VíceAplikace IS, outsourcing, systémová integrace. Jaroslav Žáček
Aplikace IS, outsourcing, systémová integrace Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Kontext Dodavatelé Strategická Zákazníci Taktická Operativní Kategorie ERP - zaměřeno na řízení
VíceDistanční opora předmětu: Databázové systémy Tématický blok č. 3: OLAP, operátory CUBE a ROLLUP Autor: RNDr. Jan Lánský, Ph.D.
Distanční opora předmětu: Databázové systémy Tématický blok č. 3: OLAP, operátory CUBE a ROLLUP Autor: RNDr. Jan Lánský, Ph.D. Obsah kapitoly 1 OLTP a OLAP 1.1 Datový sklad 1.2 Datová kostka 2 OLAP dotazy
VíceDatabázové systémy úvod
Databázové systémy úvod Michal Valenta Katedra softwarového inženýrství Fakulta informačních technologií České vysoké učení technické v Praze c Michal Valenta, 2016 BI-DBS, LS 2015/16 https://edux.fit.cvut.cz/courses/bi-dbs/
VícePřehled systému Microsoft SQL Server. Komu je kniha určena Struktura knihy Nejvhodnější výchozí bod pro čtení knihy Konvence a struktura knihy
Komu je kniha určena Struktura knihy Nejvhodnější výchozí bod pro čtení knihy Konvence a struktura knihy Konvence Další prvky Požadavky na systém Ukázkové databáze Ukázky kódu Použití ukázek kódu Další
VíceNÁSTROJE BUSINESS INTELLIGENCE
NÁSTROJE BUSINESS INTELLIGENCE Milena Tvrdíková VŠB Technická univerzita Ostrava, Ekonomická fakulta, Katedra informatiky v ekonomice, Sokolská 33, 701021 Ostrava1, ČR, milena.tvrdikova@vsb.cz Abstrakt
VíceDatabázové systémy úvod
Databázové systémy úvod Michal Valenta Katedra softwarového inženýrství FIT České vysoké učení technické v Praze c Michal Valenta, 2011 BI-DBS, ZS 2011/12 https://edux.fit.cvut.cz/courses/bi-dbs/ Michal
VíceBu B sin i e n s e s s I n I te t l e lig i en e c n e c Skorkovský KA K M A I, E S E F MU
Business Intelligence Skorkovský KAMI, ESF MU Principy BI zpracování velkých objemů dat tak, aby výsledek této akce manažerům pomohl k rozhodování při řízení procesů výsledkem zpracování musí být relevantní
VícePostgreSQL jako platforma pro datové sklady
PostgreSQL jako platforma pro datové sklady Vratislav Beneš benes@optisolutions.cz 1. Co to jsou datové sklady? 2. Požadavky na datový sklady 3. Technické řešení datového skladu 4. PostgreSQL a datové
VíceGeografické informační systémy ArcGIS Pavel Juška (jus011) 4. března 2010, Ostrava
Geografické informační systémy ArcGIS Pavel Juška (jus011) 4. března 2010, Ostrava Charakterisitka ArcGIS Geografický informační systém. Integruje mnoho součástí v jednom systému. Integrované sady aplikací
VíceStručný obsah. K2118.indd 3 19.6.2013 9:15:27
Stručný obsah 1. Stručný obsah 3 2. Úvod 11 3. Seznamy a databáze v Excelu 13 4. Excel a externí data 45 5. Vytvoření kontingenční tabulky 65 6. Využití kontingenčních tabulek 81 7. Kontingenční grafy
VíceTM1 vs Planning & Reporting
R TM1 vs Planning & Reporting AUDITOVATELNOST? ZABEZPEČENÍ? SDÍLENÍ? KONSOLIDACE? PROPOJITELNOST???? TM1?? COGNOS PLANNING IBM COGNOS 8 PLANNING Cognos Planning Podpora plánovacího cyklu Jednoduchá tvorba
VíceDobývání znalostí z databází. Databáze. datum jmeno prijmeni adresa_ulice adresa_mesto cislo_uctu platba zustatek
Databáze datum jmeno prijmeni adresa_ulice adresa_mesto cislo_uctu platba zustatek 980103 Jan Novak Dlouha 5 Praha 1 9945371 100.00 100.00 980105 Jan Novak Dlouha 5 Praha 1 9945371 1500.00 1600.00 980106
VíceBusiness Intelligence a datové sklady
Business Intelligence a datové sklady Ing Jan Přichystal, PhD Mendelova univerzita v Brně 2 prosince 2014 Ing Jan Přichystal, PhD Úvod Intenzivní nasazení informačních technologií způsobuje hromadění obrovské
VíceMožnosti analýzy podnikových dat
Možnosti analýzy podnikových dat Business Data Analyses Possibilities Bc. Dagmar Pokorná Diplomová práce 2010 UTB ve Zlíně, Fakulta aplikované informatiky, 2010 4 ABSTRAKT Dnešní doba je charakterizována
VíceNová dimenze rozhodovacího procesu
Nová dimenze rozhodovacího procesu Marek Matoušek Pavel Mašek Data, nebo INFORMACE Využití dostupných firemních dat Několik systémů, mnoho různých dat Různé divize, různé potřeby Potřeba integrace dat
VíceTovek Server. Tovek Server nabízí následující základní a servisní funkce: Bezpečnost Statistiky Locale
je serverová aplikace určená pro efektivní zpracování velkého objemu sdílených nestrukturovaných dat. Umožňuje automaticky indexovat data z různých informačních zdrojů, intuitivně vyhledávat informace,
VíceData v informačních systémech
Data v informačních systémech Vladimíra Zádová, KIN 6. 5. 2015 Obsah přednášky informační systémy (IS) vztah dat a informačních systémů databáze, databázový systém základní dělení IS, trendy pojmy (terminologie)
VíceDatový sklad KGI/APGPS. RNDr. Vilém Pechanec, Ph.D. Univerzita Palackého v Olomouci
Datový sklad KGI/APGPS RNDr. Vilém Pechanec, Ph.D. Univerzita Palackého v Olomouci Univerzita Palackého v Olomouci INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Environmentální vzdělávání rozvíjející uplatnění v praxi
Vícepowerful SAP-Solutions
We deliver powerful SAP-Solutions to the World! Praktický průvodce novými SAP technologiemi Září 2015 Martin Chmelař itelligence, a.s. Milníky: 2002: založení společnosti 2008: společnost členem itelligence
VíceDatabázové a informační systémy
Databázové a informační systémy doc. Ing. Miroslav Beneš, Ph.D. katedra informatiky FEI VŠB-TUO A-1007 / 597 324 213 http://www.cs.vsb.cz/benes Miroslav.Benes@vsb.cz Obsah Jak ukládat a efektivně zpracovávat
VíceDatové sklady ve školství
Datové sklady ve školství aneb evaluace procesu výuky jinak Jana Šarmanová Obsah Business Intelligence a školní výuka Databáze a datové sklady Analýza datového skladu Studie DS pro studijní agendu VŠ Studie
VíceArchitektury Informačních systémů. Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/
Architektury Informačních systémů Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Nutné pojmy Co je to informační systém? Jaké oblasti zahrnuje? Jaká je vazba IS na podnikovou strategii?
VíceAnalýza a modelování dat. Přednáška 9
Analýza a modelování dat Přednáška 9 Další dotazování nad kostkou Rozšíření SQL99 rozšíření SQL99 (minulá přednáška): seskupovací operátory za GROUP BY CUBE statistiky dle řezů ROLLUP statistiky dle rolování
VíceDatabázové systémy úvod
Databázové systémy úvod Michal Valenta Katedra softwarového inženýrství FIT České vysoké učení technické v Praze c Michal Valenta, 2012 BI-DBS, ZS 2012/13 https://edux.fit.cvut.cz/courses/bi-dbs/ Michal
VíceArchivace relačních databází
Archivace relačních databází Možnosti, formát SIARD, nástroje, tvorba, prohlížení, datové výstupy Martin Rechtorik 30.11.2018 Archivace relačních databází 1. Možnosti archivace relačních databází 2. Formát
VíceQAD Business Intelligence
QAD Business Intelligence Vladimír Bartoš, Pavel Němec Konzultanti 13.6.2012 Komponenty QAD BI Analytické tabule pro podporu rozhodování Spolupráce uživatelů nad analyzovanými daty Reporty Generátor analytických
VíceAnalýza a modelování dat 6. přednáška. Helena Palovská
Analýza a modelování dat 6. přednáška Helena Palovská Historie databázových modelů Jak je řešena temporalita? Temporalita v databázích Možnosti pro platnost faktu (valid time): platí nyní, je to aktuální
VíceZdroje informací v organizaci IS/ICT BI v rámci IS/ICT historie architektura OLTP x DW ukládání dat
Zdroje informací v organizaci IS/ICT BI v rámci IS/ICT historie architektura OLTP x DW ukládání dat Vladimíra Zádová BI CRM ERP SCM Aplikace pro podporu základních řídících a administrativních operací
VíceHardware Různé počítačové platformy (personální počítače, pracovní stanice, víceuživatelské systémy) Požadavek na konkrétní vstupní a výstupní zařízen
Základy teorie GIS Tomáš Řezník Vymezení pojmů Kartografie je věda, technologie a umění tvorby map, včetně jejich studia jako vědeckých dokumentů a uměleckých prací (International Cartographic Association,
VíceT T. Think Together 2012. Martin Závodný THINK TOGETHER. Business Intelligence systémy Business Intelligence systems
Česká zemědělská univerzita v Praze Provozně ekonomická fakulta Doktorská vědecká konference 6. února 2012 T T THINK TOGETHER Think Together 2012 Business Intelligence systémy Business Intelligence systems
VíceGeografické informační systémy p. 1
Geografické informační systémy Slajdy pro předmět GIS Martin Hrubý hrubym @ fit.vutbr.cz Vysoké učení technické v Brně Fakulta informačních technologií, Božetěchova 2, 61266 Brno akademický rok 2004/05
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Úvod do problematiky Doc. RNDr. Iveta Mrázová,
VíceOn line analytical processing (OLAP) databáze v praxi
On line analytical processing (OLAP) databáze v praxi Lukáš Matějovský Lukas.Matejovsky@CleverDecision.com Jan Zajíc Jan.Zajic@CleverDecision.com Obsah Představení přednášejících Základy OLAP Příklady
VíceTrendy v IS/ICT přístupy k návrhu multidimenzionální modelování
Trendy v IS/ICT přístupy k návrhu multidimenzionální modelování Aplikace IS/ICT BI SCM e-business ERP ERP CRM II e-business Aplikace pro podporu základních řídících a administrativních operací 1 Informační
VíceVývoj moderních technologií při vyhledávání. Patrik Plachý SEFIRA spol. s.r.o. plachy@sefira.cz
Vývoj moderních technologií při vyhledávání Patrik Plachý SEFIRA spol. s.r.o. plachy@sefira.cz INFORUM 2007: 13. konference o profesionálních informačních zdrojích Praha, 22. - 24.5. 2007 Abstrakt Vzhledem
VíceAplikace IS, outsourcing, systémová integrace. Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/
Aplikace IS, outsourcing, systémová integrace Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Kontext Dodavatelé Strategická Zákazníci ERP Taktická Operativní Kategorie ERP - zaměřeno na
VíceManažerský informační systém na MPSV. Mgr. Karel Lux, vedoucí oddělení koncepce informatiky MPSV
Manažerský informační systém na MPSV Mgr. Karel Lux, vedoucí oddělení koncepce informatiky MPSV Konference ISSS-2009 Hradec Králové Aldis 6. dubna 2009 MIS na MPSV časové údaje projektu Vytvoření MIS MPSV
VícePRODUKTY. Tovek Tools
jsou desktopovou aplikací určenou k vyhledávání informací, tvorbě různých typů analýz a vytváření přehledů a rešerší. Jsou vhodné pro práci i s velkým objemem textových dat z různorodých informačních zdrojů.
VíceJádrem systému je modul GSFrameWork, který je poskytovatelem zejména těchto služeb:
Technologie Marushka Základním konceptem technologie Marushka je použití jádra, které poskytuje přístup a jednotnou grafickou prezentaci geografických dat. Jádro je vyvíjeno na komponentním objektovém
Více<Insert Picture Here> Na co se můžete s Oracle BI těšit
Na co se můžete s Oracle BI těšit Tomáš Pospíšil, Oracle Czech Olomouc, 6.3.2014 Oracle BI Ukázka Oracle BI Možnosti platformy Oracle Business
VíceProfitabilita klienta v kontextu Performance management
IBM Technical specialist team Pre Sale 26/10/2010 Profitabilita klienta v kontextu Performance management Co všechno řadíme do PM? Automatická data Běžný reporting Pokročilé statistické modely Včera What
VíceAnalýza nestrukturovaných dat pomocí Oracle Endeca Information Discovery
Analýza nestrukturovaných dat pomocí Oracle Endeca Information Discovery Petr Podbraný Oracle Business Intelligence Sales Consultant 1 2012 Oracle Corporation Co znamená Information Discovery? Zjednodušeně
VíceAnalýzou dat k efektivnějšímu rozhodování
Analýzou dat k efektivnějšímu rozhodování Chytrá řešení pro veřejnou správu Václav Bahník, ECM Solution Consultant Marek Šoule, ECM Software Sales Representative 8.4.2013 Řízení efektivního poskytování
VíceGIS a Business Intelligence
GIS pre územnú samosprávu GIS a Business Intelligence (pohled ze strany GIS) Rudolf Richter, BERIT services s.r.o. 1 Východiska pro rozhodování Data existují, ale jsou fragmentována v různorodých produkčních
VíceKMA/PDB. Karel Janečka. Tvorba materiálů byla podpořena z prostředků projektu FRVŠ č. F0584/2011/F1d
KMA/PDB Prostorové databáze Karel Janečka Tvorba materiálů byla podpořena z prostředků projektu FRVŠ č. F0584/2011/F1d Sylabus předmětu KMA/PDB Úvodní přednáška Základní terminologie Motivace rozdíl klasické
VíceKritéria hodnocení praktické maturitní zkoušky z databázových systémů
Kritéria hodnocení praktické maturitní zkoušky z databázových systémů Otázka č. 1 Datový model 1. Správně navržený ERD model dle zadání max. 40 bodů teoretické znalosti konceptuálního modelování správné
VíceMetadata. MI-DSP 2013/14 RNDr. Ondřej Zýka, ondrej.zyka@profinit.eu
Metadata MI-DSP 2013/14 RNDr. Ondřej Zýka, ondrej.zyka@profinit.eu Co to jsou metadata Chybějící metadata Doplněná metadata Co o metadatech říkají autority Řízení metadata je nepochybně nejdůležitější
Více8.2 Používání a tvorba databází
8.2 Používání a tvorba databází Slide 1 8.2.1 Základní pojmy z oblasti relačních databází Slide 2 Databáze ~ Evidence lidí peněz věcí... výběry, výpisy, početní úkony Slide 3 Pojmy tabulka, pole, záznam
VíceModerní systémy pro získávání znalostí z informací a dat
Moderní systémy pro získávání znalostí z informací a dat Jan Žižka IBA Institut biostatistiky a analýz PřF & LF, Masarykova universita Kamenice 126/3, 625 00 Brno Email: zizka@iba.muni.cz Bioinformatika:
VíceSystémy pro podporu. rozhodování. 2. Úvod do problematiky systémů pro podporu. rozhodování
1 Systémy pro podporu rozhodování 2. Úvod do problematiky systémů pro podporu rozhodování 2 Připomenutí obsahu minulé přednášky Rozhodování a jeho počítačová podpora Manažeři a rozhodování K čemu počítačová
Více2. Modelovací jazyk UML 2.1 Struktura UML 2.1.1 Diagram tříd 2.1.1.1 Asociace 2.1.2 OCL. 3. Smalltalk 3.1 Jazyk 3.1.1 Pojmenování
1. Teoretické základy modelování na počítačích 1.1 Lambda-kalkul 1.1.1 Formální zápis, beta-redukce, alfa-konverze 1.1.2 Lambda-výraz jako data 1.1.3 Příklad alfa-konverze 1.1.4 Eta-redukce 1.2 Základy
VíceSystémy pro podporu rozhodování. Datové sklady, OLAP
Systémy pro podporu rozhodování Datové sklady, OLAP 1 4. Datový management: sklady, přístup a vizualizace Principy MSS Nové koncepce Objektové databáze Inteligentní databáze Datové sklady On-line analytické
VíceDatabáze 2013/2014. Konceptuální model DB. RNDr. David Hoksza, Ph.D.
Databáze 2013/2014 Konceptuální model DB RNDr. David Hoksza, Ph.D. http://siret.cz/hoksza Osnova Organizace Stručný úvod do DB a DB modelování Konceptuální modelování Cvičení - ER modelování Náplň přednášky
VíceOperátory ROLLUP a CUBE
Operátory ROLLUP a CUBE Dotazovací jazyky, 2009 Marek Polák Martin Chytil Osnova přednášky o Analýza dat o Agregační funkce o GROUP BY a jeho problémy o Speciální hodnotový typ ALL o Operátor CUBE o Operátor
VíceAplikace IS, outsourcing, systémová integrace. Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/
Aplikace IS, outsourcing, systémová integrace Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Kontext Dodavatelé Strategická Zákazníci ERP Taktická Operativní Kategorie ERP - zaměřeno na
Více7. Geografické informační systémy.
7. Geografické informační systémy. 154GEY2 Geodézie 2 7.1 Definice 7.2 Komponenty GIS 7.3 Možnosti GIS 7.4 Datové modely GIS 7.5 Přístup k prostorovým datům 7.6 Topologie 7.7 Vektorové datové modely 7.8
VíceBPC 10.1 on HANA Classic. Ondra Klouček
BPC 10.1 on HANA Classic Ondra Klouček BPC 10.1 - Verze 10.1 přináší možnost využití BPC on HANA a tedy přínosy in-memorytechnologie v oblasti plánování - Funkčně se verze 10.0 a 10.1 Classicnijak významně
Více04 - Databázové systémy
04 - Databázové systémy Základní pojmy, principy, architektury Databáze (DB) je uspořádaná množina dat, se kterými můžeme dále pracovat. Správa databáze je realizována prostřednictvím Systému pro správu
VíceMapový server Marushka. Technický profil
Technický profil Úvodní informace Mapový aplikační server Marushka představuje novou generaci prostředků pro publikaci a využívání dat GIS v prostředí Internetu a intranetu. Je postaven na komponentové
VíceWonderware Historian 10.0
Wonderware Historian 10.0 Příklady vícevrstvých architektur Jiří Nikl Pantek (CS) s.r.o. Strana 2 Wonderware Historian 10.0 využití vícevrstvé architektury Nová verze historizační databáze Wonderware Historian
VícePodpora manažerského rozhodování užitím Business Intelligence Ing. Jan Klimeš, ORTEX spol. s r.o., Hradec Králové
Podpora manažerského rozhodování užitím Business Intelligence Ing. Jan Klimeš, ORTEX spol. s r.o., Hradec Králové I ve vodohospodářských společnostech platí pravidlo, že objem dat potřebných pro rozhodování
VíceProfilová část maturitní zkoušky 2013/2014
Střední průmyslová škola, Přerov, Havlíčkova 2 751 52 Přerov Profilová část maturitní zkoušky 2013/2014 TEMATICKÉ OKRUHY A HODNOTÍCÍ KRITÉRIA Studijní obor: 78-42-M/01 Technické lyceum Předmět: TECHNIKA
VíceData v informačních systémech
Informatika 2 Data v informačních systémech EIS MIS TPS strategické řízení taktické řízení operativní řízení a provozu Spojení: e-mail: jan.skrbek@tul.cz tel.: 48 535 2442 Konzultace: pondělí 10 30-11
Více