Business Intelligence. Adam Trčka
|
|
- Eduard Zdeněk Toman
- před 8 lety
- Počet zobrazení:
Transkript
1
2 Business Intelligence Adam Trčka
3 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
4 Co se dnes dovíme? Data informace znalost Business intelligence overview Proces BI Základy modelování Dolování dat
5 DATA INFORMACE - ZNALOSTI
6 Data Popis nebo vyjádření skutečnosti Zachycený obraz světa okolo nás Zachycení: Nominální, Ordinální, Kardinální,
7 DBMS/ SŘBD Database management systém (systém řízení báze dat) Nástroje (sw) pro ukládání a správu dat Používají se relační vazby Typický zástupci: MSSQL / Oracle DB MySQL, MS Access,
8 Uložení dat v DBMS Zákazník Jméno Sídlo 1 Microsoft Redmond 2 Apple Cupertino 3 Facebook SFO Objednávka Popis Zákazník 1 Konzultace 1 2 Školení 1 3 Školení 3
9 Uložení dat v DBMS #2 Zákazník Jméno Sídlo 1 Microsoft Redmond 2 Apple Cupertino 3 Facebook SFO ID Typ služby 1 Konzultace 2 Školení Objednávka Popis Zákazník
10 Informace Data, kterým byl dán význam Informace je to co si bereme z dat
11 Znalost Organizovaná (utříděná) informace určená k řešení problémů a rozhodování Vazba na konkrétního jednotlivce
12 Data informace - znalosti Význam Znalost Smysl Informace Data
13 Moudrost Schopnost aplikace znalostí v širším kontextu Abstrakce a generalizace znalostí Širší záběr (celá společnost)
14 Meta Předpona meta označuje přesah, něco za, Metadata: popis určitého objektu Slouží k rychlejšímu vyhledávání, kategorizaci, strukturovatelnosti, Příklad knížka v knihovně: Metadata: autor, počet stran, žánr,
15 Data ve společnosti V současné době jsme v tvz. Informačním věku => část ekonomiky tvoří právě obchod s informacemi, Na základě, některých výzkumů každé dva dny vytvoříme tolik dat co od začátku civilizace do roku 2003, Toto číslo se každý rok zdvojnásobí
16 Data v organizaci Mnoho navzájem nepropojených systémů ERP, CRM, SCM, Web, Wiki, Facebook Data vznikají neustále Nové objednávky, nové faktury, noví zákaznící Mnoho lidí je tzv. přehlceno daty
17 Problémy s daty Data jsou: Neúplná, Nepřesná, Nekonzistentní, V nevhodný čas, V nevhodné podobě, V nevhodné agregaci, V nevhodných rukou => Datová kvalita
18 Kontrolní otázky Co jsou to data? Co je to informace? K čemu slouží metadata? Jaké základní problémy s daty znáte?
19 Řešení? BUSINESS INTELLIGENCE
20 Definice Business intelligence (BI) jsou dovednosti, znalosti, technologie, aplikace, kvalita, rizika, bezpečnostní otázky a postupy používané v podnikání pro získání lepšího pochopení chování na trhu a obchodních souvislostech. Za tímto účelem provádí sběr, integraci, analýzu, interpretaci a prezentaci obchodních informací. Mohou zahrnovat samotné shromážděné informace nebo explicitní znalosti získané z informací. [Wikipedia]
21 Definice Business intelligence (BI) jsou dovednosti, znalosti, technologie, aplikace, kvalita, rizika, bezpečnostní otázky a postupy používané v podnikání pro získání lepšího pochopení chování na trhu a obchodních souvislostech. Za tímto účelem provádí sběr, integraci, analýzu, interpretaci a prezentaci obchodních informací. Mohou zahrnovat samotné shromážděné informace nebo explicitní znalosti získané z informací. [Wikipedia]
22 Definice Business intelligence (BI) jsou dovednosti, znalosti, technologie, aplikace, kvalita, rizika, bezpečnostní otázky a postupy používané v podnikání pro získání lepšího pochopení chování na trhu a obchodních souvislostech. Za tímto účelem provádí sběr, integraci, analýzu, interpretaci a prezentaci obchodních informací. Mohou zahrnovat samotné shromážděné informace nebo explicitní znalosti získané z informací. [Wikipedia]
23 Jinak tedy: BI je souhrn postupů a přístupů, nikoli jedna aplikace, Cílem BI je jednoduše zpřístupnit informace důležité pro rozhodování.
24 px?guest=true DEMO
25 Samostatné cvičení BUSINESS CASE
26 Supermarket Albert Navrhněte základní reporty, které by vás zajímaly pro rozhodnutí o: 1. Umístění produktů v provozovně, 2. Reklamnímu cílení na zákazníky,
27 PROCESS BUSINESS INTELLIGENCE
28 High level pohled ERP CRM Web ETL DataWareHouse DWH DM 1 DM 2 Marketing Sales Reporting
29 Slovníček DWH: DataWareHouse ETL: Extract Transform LOAD DM: Data Mart OLTP: online transaction processing OLAP: online analytical processing
30 Zdroje dat Rozdílné systémy (ERP, CRM, HR, WEB), Nesourodé datové základny Rozdílné identifikátory (RČ, IČO, ), Rozdílná časová souslednost vzniku dat Některé systémy poskytují data online, jiná v dávkách Možnost vzniků nových zdrojů dat
31 Extract Transform Load Proces slouží k vyzvednutí dat, jejich modifikaci a uložení do cílového systému. E: T: L: Vytažení dat z různorodých systémů, Transformace dat na požadované struktury, Čistění dat, Uložení do DWH
32 Datový sklad Komplexní databáze, Slouží k ukládání analytických dat, Obsahuje vyčištěná a kategorizovaná data ve tvaru pro potřeby organizace, Data jsou agregována a předpočítána pro potřeby rozhodovacích procesů
33 Datamart Část DWH pro specifické potřeby Pro konkrétní oddělení, část zákaznického segmentu Může být vytvořen samostatně, nebo jako součást DWH
34 Hlavní výhody DWH Možnost provádění analýz, Sloučený pohled na data (one truth), Jednoduší přístup k datům, Přehledy z více systémů na jednom místě, Usnadnění rozhodování, Lepší adresace potřeb zákazníků (interních i externích), Výhody v konkurenčním prostředí
35 Budování datových skladů Inmnonův model: Shora-dolů, Buduje se jedno centrální tržiště (EDW). Kimballův model: zdola nahoru, Budují se postupně jednotlivé DM.
36 Inmonův přístup Budování jednoho skladu od začátku Centrální projekt Větší pozornost společnosti Finanční i časová náročnost Obtížnější získání business case
37 Kimballův přístup Budování perpartes Rychlejší výsledky Možnost lokálních DM Synchronizace napříč organizací Návrh může být uzpůsoben jednomu oddělení (DM)
38 Reporting Definovaný výstup (report) Často má grafickou podobu, Snadno se jím prochází na nižší úrovně / mění se pohled na data Čistě uživatelský přístup pro procházení daty Není nutný zásah administrátorů pro reporting Možnost vytažení základních statistik na tzv. dashboard.
39 DEMO DASHBOARD
40 Základní kroky pro implementaci BI Definice požadavků na reporty: Jak často, jaká data, jak kvalitní, jak agregovaná, Identifikace zdrojových systémů, Výběr vhodného SW a následně HW Vytvoření datového modelu, Nastavení ETL procesu, Definice reportů.
41 High level pohled ERP CRM Web ETL DataWareHouse DWH DM 1 DM 2 Marketing Sales Reporting
42 Kontrolní otázky Popište základní prvky BI procesů Definujte základní role na BI projektu Definujte základní přístupy k tvorbě DWH Rozdíl DWH a DM
43 DATOVÉ MODELOVÁNÍ
44 Proč datové modelování Základem je pochopit z jakých dat se report připravuje, Je nutné definovat jeho strukturu a možnosti.
45 Uložení dat OLTP: Klasické databáze Data jsou uložena způsobem, který akcentuje jejich rychlé vložení, nalezení, smazání. Nikoli jejich agregaci a zobrazení napříč více pohledy na tato data. Základní operace: select, insert, update, delete.
46 Uložení dat #2 OLAP: Uložení dat je uzpůsobeno reportingovým potřebám, Dle nastavení může být část dat (jejich detail) dokonce odstraněn. Základní operace: slice, dice, drill down, drill up, Data jsou ukládána v tzv. kostkách
47 *OLAP MOLAP (Multidimensional OLAP) - specielní uložení dat v multidimenzionálních binárních OLAP kostkách, ROLAP (Relational OLAP) - řeší multidimenzionalitu uložením dat v relační databázi, HOLAP (Hybrid OLAP) - kombinace předchozích přístupů - detailní data v relační databázi a agregace v OLAP kostkách, DOLAP (Desktop OLAP) - umožňuje připojit se k centrálním úložišti OLAP dat a stáhnout si podmnožinu kostky na lokální počítač. Analytické operace - prováděny nad lokální kostkou - výhodné pro mobilní aplikace a podporu mobilních uživatelů WOLAP (WEB based OLAP) kombinace OLAP a web technologií.
48 další dimenze tabulky Kostka závod 1 organizační jednotky ukazatelé (např. prodej určité komodity, stav zaměstnanců, dosažené tržby) např čas PRVEK TABULKY vyjadřuje hodnotu stav zaměstnanců k v závodě 1 Novotný, O., Pour, J. (KIT VŠE), Slánský, D. (Adastra Corp.)
49 Slice / Dice
50 DEMO KOSTKA
51 Datový model Tabulky faktů Údaje v numerickém či symbolickém vyjádření, Odráží pozorování (reálného) světa. Tabulky dimenzí Obsahuje dimenze na základě, kterých jsou data v tabulce faktů agregována / sumarizována
52 Schéma star Centrální tabulka faktů (1) Obklopena tabulkami dimenzí (n) Nejjednodušší a nejběžnější přístup k budování DWH
53 Schéma star Dimenze: Čas Dimenze: Produkt Tabulka faktů: Objednávky Dimenze: Město Dimenze: Objednatel
54 Schéma snowflake Centrální tabulka faktů (1) Obklopena tabulkami dimenzí (n) Tabulky dimenzí se dále rozpadají do vzájemný vazeb Tzv. normalizace
55 Schéma star Tabulka faktů: Objednávky Dimenze: Stát Dimenze: Město Dimenze: Adresa Dimenze: Čtvrť Dimenze: Kontinent
56 Samostatný příklad Navrhněte základní datový model pro příklad reportů z předchozího příkladu Pokuste se o snowflake přístup
57 Kontrolní otázky OLAP vs. OLTP? Snowflake vs. star? Základní operace s kostkou?
58 DATAMINING
59 Definice dolování dat Označení procesu vyhledávání znalostí skrytých v rozsáhlých objemech dat popisující velká množství konkrétních jednotlivých pozorování. Metoda založená na statistice a průzkumu velkého množství dat
60 Co nám datamining umožnuje? Objevovat skryté vazby mezi různorodými veličinami, Generovat obecné poznatky na základě těchto zjištění, Zvýšení obratu / loajality zákazníků, Kreditní scoring, Odhalování podezřelého chování,
61 Využití Pojišťovnictví, Medicína, Automobilismus, Bankovnictví, Turismus, Reklama, TV, Facebook
62 Využití dataminingu (e)shop: Doporučování ( mohlo by se vám líbit / kupované spolu ), List přání (wish-list), Upsell (slevy, doporučení, sleva pokud, ), Cílená reklama, Kategorizace zákazníků / typických košů
63 Základní vzory Asociace vazby Predikce Předpověď dalšího kroku Shluky kategorizace Sekvenční vztahy Vztahy v čase
64 Proces CRISP - DM
65 Co je potřeba 1. Mít data (ideálně v DWH) 2. Znát svá data 3. Mít představu o tom co v datech hledm 4. Vědět jak výsledky využít
66 CO JSME SE DNES NAUČILI?
67 Otázky Co je to BI? Co je to informace? Jaké problémy mohou být s daty? Základní komponenty BI? Datamart vs DWH Přístupy k návrhu Star vs. Snowflake Datamining
68 Nárožní 2600/9a,158 00, PRAHA 5 tel info@vsem.cz
Podnikové 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
VíceDATABÁZOVÉ SYSTÉMY. Vladimíra Zádová, KIN, EF TUL - DBS
DATABÁZOVÉ SYSTÉMY Současné aplikace IS/ICT Informační systémy a databázové systémy Databázová technologie Informační systémy Aplikační architektura Vlastníci, management Business Intelligence, manažerské
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
VíceJak velká jsou? Obchodní analytici FB velké datové sady BI = business intelligence. OLAP = Online Analytical Processing. DWH = Data Warehouse
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
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
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
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
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
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
VíceAdventureWorksDW2014 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
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
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
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
VíceVyužití moderní self-service BI technologie v praxi
Vysoká škola ekonomická v Praze Fakulta informatiky a statistiky Katedra informačních technologií Studijní program: Aplikovaná informatika Obor: Informační systémy a technologie Využití moderní self-service
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
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
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
VíceDatabázové systémy I. 1. přednáška
Databázové systémy I. 1. přednáška Vyučující a cvičení St 13:00 15:50 Q09 Pavel Turčínek St 16:00 18:50 Q09 Oldřich Faldík Čt 10:00 12:50 Q09 Jan Turčínek Pá 7:00 9:50 Q08 Pavel Turčínek Pá 10:00 12:50
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
VíceObsah Úvod 11 Jak být úspěšný Základy IT
Obsah Úvod 11 Jak být úspěšný 13 Krok 0: Než začneme 13 Krok 1: Vybrat si dobře placenou oblast 14 Krok 2: Vytvořit si plán osobního rozvoje 15 Krok 3: Naplnit osobní rozvoj 16 Krok 4: Osvojit si důležité
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
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
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
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
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. 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
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
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
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
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
VíceNávrh ROLAP databáze v zemědělském podniku: Transformace ekonometrického modelu do konceptuálního modelu dat
Návrh ROLAP databáze v zemědělském podniku: Transformace ekonometrického modelu do konceptuálního modelu dat Tyrychtr Jan 1, Buchtela David 2, Havlíček Zdeněk 3 Česká zemědělská univerzita, Provozně ekonomická
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ FACULTY OF INFORMATION TECHNOLOGY ÚSTAV INFORMAČNÍCH SYSTÉMŮ DEPARTMENT OF INFORMATION SYSTEMS ANALÝZA VEŘEJNĚ
VíceVýuka integrovaných IS firem a institucí na vysokých školách (zkušenosti, nové příležitosti, omezení)
Výuka integrovaných IS firem a institucí na vysokých školách (zkušenosti, nové příležitosti, omezení) Milena Tvrdíková Katedra aplikované informatiky Ekonomická fakulta VŠB Technická univerzita Ostrava
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
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)
VíceInstitut biostatistiky a analýz MU. Zkušenosti s vyhodnocováním telemedicínských technologií
Institut biostatistiky a analýz MU Zkušenosti s vyhodnocováním telemedicínských technologií 1 O IBA hlavní oblasti zájmu Faculty of Science, Masaryk University Faculty of Medicine, Masaryk University Analýza
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................................................
VíceGIS jako důležitá součást BI. Jan Broulík, Petr Panec ARCDATA PRAHA, s.r.o.
GIS jako důležitá součást BI Jan Broulík, Petr Panec ARCDATA PRAHA, s.r.o. ARCDATA PRAHA, s.r.o. THE GEOGRAPHIC ADVANTAGE Motto Sladit operační taktiku s organizační strategií Strategie bez taktiky je
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
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
VíceKvalita dat v datovém skladu nezbytný předpoklad reportingu
Bankovní institut vysoká škola Praha Katedra matematiky, statistiky a informačních technologií Kvalita dat v datovém skladu nezbytný předpoklad reportingu Diplomová práce Autor: Vedoucí práce: Bc. Jana
VíceAnalýza a modelování dat 5. přednáška. Helena Palovská
Analýza a modelování dat 5. přednáška Helena Palovská Historie databázových modelů Multidimenzionální model Kvantitativní typ faktu s určitými hledisky např.: Kdo komu kdy jak moc čeho prodal. kdo, komu,
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
VíceNÁVRH APLIKACE BUSINESS INTELLIGENCE PRO SPOLEČNOST BREX S. R. O.
NÁVRH APLIKACE BUSINESS INTELLIGENCE PRO SPOLEČNOST BREX S. R. O. Bakalářská práce Studijní program: Studijní obor: Autor práce: Vedoucí práce: B6209 Systémové inženýrství a informatika 6209R021 Manažerská
VícePattern Datový sklad. RNDr. Ondřej Zýka
Pattern Datový sklad RNDr. Ondřej Zýka 1 Datový sklad Speciální logické modely Dimenzionální modelování Speciální datové servery Teradata Sloupcové ukládání dat OLAP databáze Speciální oblast Data Managementu
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
VícePerformance Management What if?
Performance Management What if? Ondřej Bothe, IT Specialist ondrej_bothe@cz.ibm.com Agenda: Koncept PM s What if nástroji Ukázka tvorby What if modelu (Ukázka pokročilejší What if aplikace) Performance
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
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
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
VíceKIV/SI. Přednáška č.8. Jan Valdman, Ph.D. jvaldman@dns.cz
KIV/SI Přednáška č.8 Jan Valdman, Ph.D. jvaldman@dns.cz 19.4.2011 Business Intelligence (BI) The Top Challenges of Midsize Companies Improve efficiency, reduce costs Strengthen customer relationships,
VíceCPM/BI a jeho návaznost na podnikové informační systémy. Martin Závodný
CPM/BI a jeho návaznost na podnikové informační systémy Martin Závodný Agenda Význam CPM/BI Aplikace CPM/BI Projekty CPM/BI Kritické body CPM/BI projektů Trendy v oblasti CPM/BI Diskuse Manažerské rozhodování
Více2013 IBM Corporation
2013 IBM Corporation Connections v praxi Jak vypadá nasazení Social software v praxi MICHAL HOLOUBEK Social Business konzultant, oxy Online, s.r.o. 2013 IBM Corporation Agenda Úvod Zadání a specifikace
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
VíceModerní metody automatizace a hodnocení marketingových kampaní
Moderní metody automatizace a hodnocení marketingových kampaní SAS CI Roadshow 2014 24/09/2014 Vít Stinka Agenda Představení společnosti Unicorn Systems Aliance Unicorn Systems a SAS Celkový koncept Customer
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
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
VíceAplikace moderních informaèních technologií v øízení firmy Nástroje ke zvyšování kvality informaèních systémù
Edice Management v informaèní spoleènosti Edièní rada: Prof. Ing. Josef Basl, CSc. Vysoká škola ekonomická v Praze pøedseda Ing. Kateøina Drongová Grada Publishing, a.s. místopøedseda Prof. Ing. Jan Ehleman,
VíceModelování a návrh datových skladů
Modelování a návrh datových skladů Doc. Ing. B. Miniberger, CSc. BIVŠ Obsah 1. Přednáška I. Základy modelování datových skladů (DW) 2. Přednáška II. ETL procesy III. Data Mining IV. Kvalita dat a BI Literatura
VíceMgr. Jan Folbrecht Senior softwarový inženýr, softwarový architekt, manažer
Mgr. Jan Folbrecht Senior softwarový inženýr, softwarový architekt, manažer SPECIALIZACE Konzultace a školení v oblastech softwarového inženýrství Zavádění vývojových metodik do projektů a vývojových týmů
VíceBusiness Intelligence - principy, efekty, předpoklady. OKsystem, 26/11/2009
Business Intelligence - principy, efekty, předpklady OKsystem, 26/11/2009 Jan Pur katedra IT, VŠE / ITG, s.r.. (pur@vse.cz, pur@itg.cz ) Snímek 1 Agenda 1. Prč Business Intelligence? 2. Základní principy
VíceDatabázové systémy trocha teorie
Databázové systémy trocha teorie Základní pojmy Historie vývoje zpracování dat: 50. Léta vše v programu nevýhody poměrně jasné Aplikace1 alg.1 Aplikace2 alg.2 typy1 data1 typy2 data2 vytvoření systémů
VíceDátové sklady Prehľad
Dátové sklady Prehľad Jana Dvořáková 1.10.2010 Pokročilé databázové technológie, FIIT STU Obsah Prevádzkové systémy Analytické dotazy Čo je dátový sklad Architektúra Front end, data mining Zhrnutie a diskusia
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
VíceFINANČNÍ KONSOLIDACE TEORIE A PRAKTICKÁ REALIZACE PROSTŘEDNICTVÍM INFORMAČNÍCH SYSTÉMŮ
FINANČNÍ KONSOLIDACE TEORIE A PRAKTICKÁ REALIZACE PROSTŘEDNICTVÍM INFORMAČNÍCH SYSTÉMŮ Ing. Milan Bartoš Capgemini Sophia s.r.o. member of the Capgemini Group Abstrakt Cílem článku je představit teoreticky
VíceOndřej Bothe, Richard Dobiš
Portfolio PM - "What-if" analýza v plánovací aplikaci Ondřej Bothe, Richard Dobiš 2.2.2011 PM systém : Je to systém, zajišťující komplexní proces práce s daty pro koncového uživatele 1. Plánuj Plán nákladů
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
VíceManažerský reporting a finanční plánování Targetty
Manažerský reporting a finanční plánování Targetty v O2 Milan Štoček Milan.Stocek@CleverDecision.com Agenda Představení Clever Decision a Uniwise Targetty - Enterprise Performance Management Planning Architektura
VícePilotní projekt implementace Business Intelligence ve studijní agendě VŠE v Praze
Úvod Pilotní projekt implementace Business Intelligence ve studijní agendě VŠE v Praze Ota Novotný, Lukáš Hrnčíř katedra informačních technologií VŠE v Praze email: novotnyo@vse.cz Business Inteligence
Více1.1. Správa a provozní podpora APV ROS, HW ROS a základního SW
Příloha č. 4 - Specifikace a informace o předmětu veřejné zakázky Předmětem veřejné zakázky je řízení projektu, správa a údržba programového vybavení pro informační systém Základní Registr osob (dále rovněž
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
VíceNasazení CA Role & Compliance Manager
Nasazení CA Role & Compliance Manager Michal Opatřil Junior Solution Architect Agenda Popis typické situace v rozsáhlých organizacích Řešení Identity Lifecycle Management Úrovně vyspělosti integrace ILM
VíceIntegrace dat. RNDr. Ondřej Zýka
Integrace dat RNDr. Ondřej Zýka 1 Obsah Kategorizace integračních přístupů Kroky integrace a řešení problematických stavů Master Data Management 2 2 Datová integrace Synchronní Akceptovaný požadavek na
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
VíceAplikace pro podporou manažerského rozhodování
Mendelova univerzita v Brně Provozně ekonomická fakulta Aplikace pro podporou manažerského rozhodování Diplomová práce Vedoucí práce: Ing. Pavel Turčínek, Ph.D. Bc. Jiří Nevídal Brno 2015 Rád bych tímto
VíceŘešení IS/IT - produkty a služby. ERP systém
Struktura IS podniku Řešení IS/IT - produkty a služby Internet klient CRM Integrace dokumentů Databáze ERP systém E/Business Groupware Datové Sklady ; Speciální ng SW aplikace MS Exch Lotus N Doc Čáro
VíceVysoká škola ekonomická v Praze
Vysoká škola ekonomická v Praze Fakulta informatiky a statistiky Katedra informačních technologií Studijní program: Aplikovaná informatika Obor: Informační systémy a technologie Diplomant: Petr Okleštěk
VíceAnalýza a vizualizace dat
Analýza a vizualizace dat Business intelligence Jednou z dalších oblastí, která spadá do sféry systémové integrace, je návrh a implementace řešení, spadajících do oblasti nazývané Business Intelligence
VíceSnadný a efektivní přístup k informacím
Snadný a efektivní přístup k informacím 12. 4. 2010 Hradec Králové Petr Mlejnský Siemens Protection IT Solutions and Services, notice s.r.o.2010. / Copyright All rights notice reserved. Agenda Přístup
VíceŘÍZENÍ OBCHODU (N_ROb)
Katedra řízení podniku ŘÍZENÍ OBCHODU (N_ROb) Pavla Břečková pavla.breckova@vsfs.cz Vedoucí Katedry řízení podniku Fakulta ekonomických studií ŘÍZENÍ OBCHODU struktura 5 řízených konzultací 1. Podnik a
VíceRELAČNÍ DATABÁZOVÉ SYSTÉMY
RELAČNÍ DATABÁZOVÉ SYSTÉMY VÝPIS KONTROLNÍCH OTÁZEK S ODPOVĚDMI: Základní pojmy databázové technologie: 1. Uveďte základní aspekty pro vymezení jednotlivých přístupů ke zpracování hromadných dat: Pro vymezení
VíceData Cube. Luboš Kulič Tomáš Kuthan
Data Cube Luboš Kulič Tomáš Kuthan 31.10.2007 Osnova Motivace Použití DWH, analýza dat Operátory CUBE a ROLLUP teorie Podpora v reálných (SŘBD) Motivace Většina souč. DB relační => zaznamenání vztahů Velmi
VíceKIS A JEJICH BEZPEČNOST-I
KIS A JEJICH BEZPEČNOST-I INFORMAČNÍ SYSTÉMY POUŽÍVANÉ V MANAŽERSKÉ PRAXI pplk. Ing. Petr HRŮZA, Ph.D. Univerzita obrany, Fakulta ekonomiky a managementu Katedra vojenského managementu a taktiky E-mail.:
VíceIng. Petr Kalčev, Ph.D.
Ing. Petr Kalčev, Ph.D. 17.10.2017 24.10.2017 31.10.2017 7.11.2017 14.11.2017 21.11.2017 28.11.2017 5.12.2017 12.12.2017 19.12.2017 Úvod do manažerský informačních systémů Typy informačních systémů Příklady
VíceReportingová platforma v České spořitelně
Reportingová platforma v České spořitelně Agenda Implementované prostředí Cognos 8 v ČS Marek Varga, Česká spořitelna, a.s. Využití platformy Cognos z pohledu businessu Petr Kozák, Česká spořitelna, a.s.
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
VíceArchitektury Informačních systémů. Jaroslav Žáček
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?
VíceKIV/SI. Rozílová témata. Jan Valdman, Ph.D. jvaldman@dns.cz
KIV/SI Rozílová témata Jan Valdman, Ph.D. jvaldman@dns.cz 13.6.2011 Integrace Datová vrsta Přesouvání informací mezi DB Databová pumpa, SQL procedura... Problém: pouze relační integrita, záruka za aplikaci
VíceAdvanced SQL Modeling in RDBMS - SQL Spreadsheet part1. Your Organization (Line #1)
Advanced SQL Modeling in RDBMS - SQL Spreadsheet part1 2005-12-31 1.12.2009 Your Daniel Name Vojtek Jakub Your Valčík Title Your Organization (Line #1) Your Organization Query Languages (Line #2) I Agenda
VíceNabízíme řešení. v oblastech: integrací zdrojů dat:
v oblastech: Nabízíme řešení integrací zdrojů dat: statutární a manažerský finanční reporting finanční plánování a forecasting rekonciliace, finanční konsolidace prodejní reporting, podpora obchodních
VíceNabídka manažerských simulátorů z EF JU
Nabídka manažerských simulátorů z EF JU Na EF JU jsou od roku 2009 soustavně vyvíjeny online počítačové manažerské simulátory, které jsou využívány interně pro trénink manažerského rozhodování v oblastech
VíceTVORBA DATABÁZOVÉ APLIKACE A ŘEŠENÍ PRO BUSINESS INTELLIGENCE
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA PODNIKATELSKÁ ÚSTAV INFORMATIKY FACULTY OF BUSINESS AND MANAGEMENT INSTITUTE OF INFORMATICS TVORBA DATABÁZOVÉ APLIKACE A ŘEŠENÍ PRO BUSINESS
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
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?
VíceÚVOD DO DATABÁZÍ. Metodické listy pro předmět
Metodické listy pro předmět ÚVOD DO DATABÁZÍ Cíl: Cílem tohoto předmětu je získat základní znalosti v oblasti databází, naučit se dotazovací jazyk SQL a naučit se zásady dobrého navrhování databází. Převážná
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
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
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA PODNIKATELSKÁ ÚSTAV INFORMATIKY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA PODNIKATELSKÁ ÚSTAV INFORMATIKY FACULTY OF BUSINESS AND MANAGEMENT INSTITUTE OF INFORMATICS ZHODNOCENÍ BUSINESS INTELLIGENCE SYSTÉMU
VíceŘízení správy rolí v rozsáhlých organizacích. Michal Opatřil Corinex Group
Řízení správy rolí v rozsáhlých organizacích Michal Opatřil Corinex Group Agenda Popis typické situace v rozsáhlých organizacích Řešení Identity Lifecycle Management Úrovně vyspělosti integrace ILM Požadavky
VíceZískávání znalostí z dat
Získávání znalostí z dat Informační a komunikační technologie ve zdravotnictví Získávání znalostí z dat Definice: proces netriviálního získávání implicitní, dříve neznámé a potencionálně užitečné informace
Více