Datový sklad. Datový sklad
|
|
- Vlasta Křížová
- před 8 lety
- Počet zobrazení:
Transkript
1 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 dat a procesů
2 Hlavní cíle Hlavní momenty návrhu datového skladu z hlediska postavení a povahy datových skladů Modelování datového skladu multidimenzionální modelování - modely požadavky na modely datového skladu Postavení a povaha datových skladů
3 Architektura IS/ICT BI CRM ERP SCM Aplikace pro podporu základních řídících a administrativních operací podniku Obecná koncepce architektury BI Zdroj: Novotný, Pour, Slánský: Business Intelligence, Grada 2005
4 DW - definice je subjektově orientovaná, integrovaná, časově variantní a stálá kolekce dat pro podporu rozhodování manažerů subjektová orientace DW je organizován podle hlavních subjektů podniku (zákazníci, prodej, produkt..), ne podle procesů (aplikací) reflektuje potřeby uložení dat pro rozhodování v jedné databázi DW jsou uložena data pouze jednou (např. o produktu, zaměstnanci ) integrovaná do celku jsou vkládána data z různých aplikací - nekonzistentnost, různé formáty integrací těchto dat - prezentace unifikovaného pohledu B. Inmon časově variantní DW data v DW jsou platná a přesná jen v bodech, ne intervalech času uložení historie dat - hodnoty v časových bodech ( den, měsíc, Q, rok..) v DW vždy dimenze času stálá data v DW nevznikají, nedají se žádnými nástroji měnit aktualizace DW - jen přidávání dat v pravidelných časových intervalech (jako doplněk), integrace přírustků další definice - většinou zahrnují procesy spojené s přístupem k datům z původních zdrojů
5 Postavení DW v rámci IS/ICT z hlediska dat a procesů IS/ICT - vztahy mezi daty a procesy BI OLTP ETL OLAP, DM, Operativní data Datové sklady OLAM, EIS DATAWAREHOUSING
6 dotazy/reporting dotazy na to CO je v databázi OLAP PROČ jsou některé fakty pravdivé uživatel generuje hypotézu a OLAP slouží k jejímu ověření je závislý na schopnostech analytika, ten se iterací dostává k výsledku Dolování dat představuje nástroje, které generují hypotézy a pokračují v provádění objevování znalostí bez navádění uživatelem ANALÝZA OLAP - Online Analytical Processing definice Definovaná řada principů, které poskytují dimenzionální rámec pro podporu rozhodování. Dynamická syntéza, analýza a fúze velkého objemu multidimenzionálních dat.
7 OLAP On-line Analytical Processing = provádění analýz nad multidimenzionální databází, která je vybudovaná jako logickáči fyzická vrstva nad DW operace drilling: roll-up, drill-down (zvýšení snížení stupně agregace) slicing ( selekce) - provedenířezu v multidimenzionální databázi dicing - projekce pivoting - přeorientování vícerozměrného pohledu na data ANALÝZA OLAP Coddova pravidla pro OLAP 1. Multidimenzionální konceptuální pohled OLAP by měl poskytovat uživateli multidimenzionální model, který koresponduje s pohledem uživatele a je intuitivně analytický a snadný k užití 2. Transparentnost OLAP technologie, pod ní ležící databáze, architektura výpočtů i vstupní datové zdroje by měly být pro uživatele transparentní, aby si udržel svou odbornost i produktivitu při použití front-end nástrojů 3. Dostupnost OLAP by měl být schopen přistupovat k datům potřebným pro analýzu ze všech heterogenních podnikových zdrojů ( nezávisle na tom, odkud pocházejí )
8 ANALÝZA OLAP 4. Konzistentní vykazování I přes zvyšování počtu dimenzí, úrovní agregace a velikosti databáze by neměli uživatelé pocítit podstatné snížení výkonu 5. Architektura C/S OLAP musí odpovídat principům C/S architektury s přihlédnutím na max. cenu, výkon, flexibilitu 6. Generická dimenzionalita Každá dimenze musí být ekvivalentní jak ve struktuře, tak v operačních schopnostech ( tj. základní struktura, pravidla a reporting by neměly být zkresleny směrem k žádné dimenzi) ANALÝZA OLAP 7. Dynamické ošetřenířídkých matic OLAP by měl být schopen adaptovat své fyzické schéma na konkrétní analytický model, který optimalizuje řídkou matici, aby dosáhl a udržel požadovanou úroveň výkonu 8. Podpora pro více uživatelů OLAP musí být schopen podpořit skupinu uživatelů pracujících souběžně na tom samém, či odlišném modelu podnikových dat 9. Neomezené křížové dimenzionální operace OLAP musí rozeznat hierarchie dimenzí a automaticky provést asociované kumulované kalkulace v rámci dimenzí i mezi dimenzemi
9 ANALÝZA OLAP 10. Intuitivní manipulace s daty Slicing, dicing, drill down, roll-up a jiné manipulace by měly být provedeny prostřednictvím zachytit, uchopit a přemístit v buňkách kostky 11. Flexibilní vykazování Musí existovat schopnost uspořádat řádky, sloupce, buňky tak, aby byla umožněna analýza prostřednictvím vizuální prezentace analytických sestav 12. Neomezené dimenze a úrovně agregace analytický model může mít více dimenzí, každá dimenze může mít více hierarchií. OLAP by to neměl omezit Pozn.: časem byla formulována další pravidla; tato jsou základní FASMI test = Fast Analysis of Shared Multidimensional Information Uveden v roce 1995 FAST systém je navržen pro poskytování většiny požadovaných odpovědí na dotazy jeho uživatelů během 5 sekund, s tím, že by ty nejjednodušší analýzy neměly trvat více než 1 sekundu. Pouze několik dotazů může trvat více než 20 sekund
10 FASMI test ANALYSIS systém umí zvládat jakoukoli obchodní logiku či statistickou analýzu, kterou požaduje uživatel nebo aplikace SHARED systém musí zabezpečit veškeré bezpečností požadavky na důvěrnost dat. Jestliže umožňuje změny dat, musí současně vyřešit problémy aktualizace u vícenásobného přístupu k datům. MULTIDIMENSIONAL klíčový požadavek. Systém musí poskytnout multidimenzionální konceptuální pohled na data, a to včetně plné podpory hierarchií resp. vícenásobných hierarchií tak, aby bylo možné analyzovat data přirozeným způsobem. INFORMATION pojem označuje veškerá data a odvozené informace, které jsou potřeba pro činnost aplikace. Měří se kapacita vstupních dat, která mohou být zpracována, ne kolik jich může být uloženo ROLAP, MOLAP a HOLAP souvisí s uložením dat v OLAP ROLAP (Relational( OLAP) pro práci s relační databází (RDBMS) výhoda: dynamický přístup k detailním informacím v DW nevýhoda při nárustu komplexnosti a objemu databáze výrazné zpomalení odezvy na dotazy; snížení použitelnosti MOLAP (Multidimensional( OLAP) pro práci s multidimenzionální databází výhoda: rychlá odezva na dotaz a velké analytické možnosti nevýhoda: orientace na práci s agregovanými hodnotami bez možnosti zpracování velmi detailních informací. HOLAP (Hybrid OLAP) kombinují přednosti obou technologií. klient OLAP zpracovává relativně malé objemy dat uložené v paměti, výpočty jsou prováděny většinou v reálném čase
11 Dolování dat (Data Mining) Dolování dat je proces výběru, prohledávání a modelování ve velkých objemech dat sloužící k odhalení dříve neznámých vztahů mezi daty za účelem získání obchodní výhody Cíl: obchodní výhoda řešení konkrétního problému nalezení cesty k zlepšení procesu předem definován, na jeho základě připravena data; není jednorázová analýza příprava podnikových procesů - aby umožnily využívání analýz (kontinuálně) a podporovaly zpětné vazby od uživatelů. Zpětné vazby ovlivňují proces sběru dat i definice nových cílů. Dolování dat a objevování znalostí v datech Knowledge Discovery in Databases ( KDD, objevování znalostí v datech ) obecně netriviální proces objevování platných, nových, potenciálně užitečných vzorů z dat. Dolování dat ( Data Mining) pouze krok v procesu KDD založený na aplikaci výpočetních technik, které na základě daných omezení poskytují vzory či modely nad danými daty
12 Dolování dat a objevování znalostí v datech vyhodnocení vzorů data relevantní pro úlohu dolování dat DW selekce čištění dat integrace dat DB fáze procesu KDD selekce výběr nebo segmentace dat podle kriteria, výběr vzorků dat předzpracování dat pro efektivní vyhodnocení dotazu čištění dat od nepotřebných dat, úprava formátů dat transformace pro obohacení použitelnosti dat data mohou být rozšířena o další atributy (např. demografické z externích zdrojů) dolování dat extrakce vzorů z dat interpretace a vyhodnocení identifikované vzory jsou interpretovány jako znalosti lze je použít k podpoře rozhodování
13 Cíle v procesu získávání znalostí verifikace - ověření hypotézy explorace - hledání nových znalostí predikce... prediktivní modely deskripce... deskriptivní modely cíle - pomocí modelů (odkrývání vzorů) prediktivní model předpovídá hodnoty určených atributů na základě známých hodnot jiných atributů. deskriptivní model popisuje vzory v existujících datech, jimi může ovlivňovat rozhodování. Hlavní rozdíl : v prediktivních modelech se provádí predikce explicitně pomocí deskriptivních modelů lze určit predikci implicitně Modely pro predikci klasifikace, regrese, časovéřady, shlukování pro deskripci asociační analýza, objevování posloupností, shlukování; charakterizace dat, porovnání
14 Hlavní momenty návrhu datového skladu Hlavní momenty návrhu datového skladu Návrh z hlediska procesů pro podporu rozhodování Návrh datového skladu z hlediska zdrojů dat Multidimenzionální modelování Přístup k budování datového skladu jako celku
15 Návrh z hlediska procesů pro podporu rozhodování OLTP ETL OLAP, DM Operativní data Datové sklady Granularita Dimenze Fakty Sledování ukazatelů Návrh z hlediska procesů pro podporu rozhodování Pro všechny procesy rozhodování je třeba stanovit zaměření, podrobnost a rozsah sledování (jednotlivé atributy vč. domén, které vyhovují požadavkům) dolování dat jedná se spíše o stanovení atributů jedné úrovně hierarchie OLAP určujícím z hlediska procesů je zejména jeho operace roll-up a drill down, eventuálně drill across u OLAP procesů se určují i atributy popisující více úrovní hierarchie, popřípadě vytvářející další hierarchie
16 Granularita datových skladů/tržišť Granularita datových skladů/tržišť Z hlediska charakteru sledování rozděleny do 3 základních typů (snímků): transakční snímek periodický časový snímek akumulační snímek. nejsou zcela odlišné, sdílí společné dimenze, pro poskytnutí kompletního vyhodnocení se mohou doplňovat.
17 Granularita datových skladů/tržišť Transakční snímek granularita vztažena ke konkrétní události je nejpodrobnější, je zaměřen na sledování chování reprezentuje transakce (události), které se staly v určitém konkrétním bodě - jen pokud událost nastane, bude záznam v tabulce faktů dimenze čas (může být vztaženo na datum a hodinu/část dne) obsahuje čas, kdy událost nastala k transakcím nemusí docházet pravidelně Granularita datových skladů/tržišť Periodický časový snímek jednotlivé záznamy odrazem všech aktivit v dané periodě (den, týden, měsíc) snímek reprezentuje agregaci transakčních aktivit na konci stanovené periody, neuvádí žádné podrobné informace na úrovni jednotlivých aktivit, které nastaly mezi dvěma po sobě následujícími časovými úseky menší počet dimenzí proti transakčnímu snímku v daném záznamu je uvedeno datum konce sledovaného období
18 Granularita datových skladů/tržišť Akumulační snímek pokrývá více procesů jednotlivé prvky se vkládají, ale stávající prvky se i aktualizují - na počátku nejsou známy všechny hodnoty atributů rozdíl od předchozích snímků typickým příkladem je zachycení výrobku jako toku od objednávky přes výrobu až po fakturaci, platbu, případě reklamaci jeden prvek obsahuje neurčitéčasové rozpětí čas je obsažen v několika rolích, reprezentuje hlavní milníky procesů jednotlivé aktualizace prvků typicky znamenají umísťování aktivit Dimenze
19 Dimenze Dimenze agregační hierarchie atributy agregační úrovně vlastnosti atributů specifické dimenze změny v dimenzích D 1 Základní představa D 2 F 1 D 3 D 4
20 Dimenze subjekt důležitý pro činnost organizace (posouzeníčinnosti organizace) určena atributy na různých úrovních podrobnosti nejvyšší granularita = nejjemnější úroveň podrobnosti atributy dimenzionální atributy (atributy agregační úrovně (aggregation level), úrovně dimenze (dimension level) nedimenzionální (non-dimensional atribute), vlastnosti prvků (property members), vlastnosti atributů (property attribute) Atributy dimenzí dimenzionální atributy (atributy agregační úrovně (aggregation level), úrovně dimenze (dimension level) určují agregační úrovně agregační úroveň je dána množinou svých instancí mezi atributy vyjadřujícími agregační úrovně existuje vztah 1:N, nebo M:N je-li 1:N, lze agregační úrovně mezi sebou porovnat, patří ke stejné agregační hierarchii je-li vztah M:N - agregační úrovně jsou mezi sebou neporovnatelné, patří do různých agregačních hierarchií operace roll-up, drill-down probíhají v rámci jedné agregační hierarchie
21 Atributy dimenzí nedimenzionální (non-dimensional atribute), vlastnosti prvků (property members), vlastnosti atributů (property attribute) blíže charakterizují jednotlivé úrovně, ale nevymezují je jsou volitelné (doména může obsahovat NULL) mohou být užity pro omezení výstupů při dotazování v žádném případě neslouží k určení hodnoty faktů vzhledem k dané agregační úrovni Agregační hierarchie pro agregační hierarchii se používá i termín agregační cesta (aggregation path) dimenze má alespoň 1 agregační hierarchii má-li jich více určuje se implicitní (hlavní) agregační hierarchie; ostatní jsou alternativní nejčastěji má dimenze pouze jednu minimální agregační úroveň a jednu maximální agregační úroveň tj. i v případě více agregačních cest všechny začínají i končí v jedné společné agregační úrovni atribut, který určuje nejvyšší úroveň granularity, je kandidátem na klíč dimenze, ale nejčastěji klíč dimenze umělý pokud je atribut, který určuje nejjemnější úroveň granularity, klíčem dimenze, je obsažen i v tabulce faktů
22 Agregační hierarchie jednoduché hierarchie dimenze (simple dimension hierarchy) pouze jedna hierarchie všechny agregační úrovně povinné násobné hierarchie dimenze (multiple dimension hierarchy) má alespoň dvě hierarchie hierarchie mohou být povinné i volitelné Volitelná agregační cesta (málo častá) závisí na hodnotě instance povinné agregační úrovně existují dvě povinné agregační úrovně úroveň štěpení (split level), úroveň spojení (join level), mezi kterými jsou volitelné agregační úrovně z úrovně štěpení dochází k rozdílnému sledování, které končí v úrovni spojení» na konkrétní hodnotě instance úrovně spojení závisí zvolení jedné z volitelných úrovní- této hodnotě se říká kontext vyhodnocení pro volitelnou úroveň (context of validity) (kontext závislosti (context of dependency) je pak dán volitelnou úrovní, úrovní spojení a kontextem vyhodnocení) Př. je zákazník, který je buď fyzická osoba, nebo právnická osoba. V závislosti na typu zákazníka je pak volena agregační úroveň sledování v případě právnické osoby odvětví, jinak profese. Konzistence v návrhu
23 Agregační cesta a operace roll-up, drill down pro zajištění konzistentních výsledků těchto operací je třeba přijmout omezení pro jednoduchou agregační cestu, či alternativní agregační cestu v dimenzi musí být splněno instance nižší úrovně agregace musí být přiřazeny právě k jedné instanci vyšší agregační úrovně (nikoli nejvýše jedné) tj. v případech, kdy po sobě následující agregační úrovně jsou povinné, je omezena funkční závislost nemůže být uvažována NULL hodnota v doméně vyšší úrovně» pokud pro instance nižší úrovně agregace není možné určit konkrétní instanci úrovně vyšší, nelze agregovat - přiřadí se do množiny instancí vyšší úrovně instance ostatní Agregační cesta a operace roll-up, drill down volitelné agregační cesty dosažení konzistence: - každá instance úrovně štěpení musí náležet právě k jedné volitelné agregační úrovni - pro volitelnou úroveň musí být splněno, že každá její instance (NOT NULL) náleží k jedné instanci úrovně spojení
24 Specifické dimenze přidané dimenze dimenze čas degenerované junk dimenze parent-child dimenze Specifické dimenze přidané dimenze dimenze získávané mimo produkční systémy dimenze čas (kalendář ) často obsahuje násobnou hierarchií většinou obsahuje datum a z něho odvozené atributy pořadí dne v měsíci, v roce, dny v týdnu, týden, čtvrtletí, může být vložen např. atribut teplota, druh dne v souvislosti s prázdninami, svátky
25 Specifické dimenze čas/kalendář atributy (např.: prázdniny, svátky) se mohou lišit v různých zemích pro sledováníčinnosti ve více zemích se uvedou atributy do podřízené tabulky národního kalendáře (primární klíč je identifikátor dne a země, vztah k základní dimenzi času je N:1) je-li sledován datum i čas, pak vhodnější do návrhu zařadit dvě dimenze jednu s minimální agregační úrovní den, druhou s minimální agregační úrovní specifikujícíčást dne Pokud nebudou uvedeny vlastnosti atributů, mohou být uvedeny části dne jako degenerovaná dimenze Specifické dimenze degenerované dimenze neexistuje pro ně tabulka dimenzí dimenze charakterizována jednou úrovní podrobnosti, neobsahuje vlastnosti atributů většinou primárníči alternativní klíče z transakčních systémů Pozn.: degenerovaná dimenze ovlivňuje podobu primárního klíče v tabulce faktů
26 Specifické dimenze seskupené dimenze (Junk dimension) je vhodné uskupení nesouvisících atributů, které jsou vyjmuty z tabulky faktů a dány do vhodného dimenzionálního rámce Atributy tvořící dimenzi významné z pohledu datového skladu (proto vybrány ze zdrojových systémů) nepatří k jednomu subjektu ke spojení do této abstraktní dimenze vede to, že patří do jedné transakční oblasti parent-child dimenze Specifické dimenze pomocí těchto dimenzí je vyjádřen rekurzivní vztah (strom), kdy nejnižší úroveň, list, nemá podřízenou úroveň, nejvyšší úroveň nemá nadřízenou úroveň tedy k vyjádření hierarchie s proměnlivou délkou atributy tvořící dimenzi obsahují atributy, které jsou spolu ve vztahu nadřízenosti (parent) a podřízenosti (child) často používány v oblasti řízení lidských zdrojů k vyjádření organizační hierarchie
27 Klíče v dimenzionálním schématu Náhradní klíč (surrogate key; umělý klíč, generovaný klíč, syntetický klíč) celočíselný klíč, který je přiřazen sekvenčně při vkládání do tabulek dimenzí slouží pouze ke spojení tabulky dimenzí a tabulky faktů výhoda při integraci dat z více zdrojů (pokud nekonzistence) menší nároky na paměť ( hlavně v tabulce faktů) chrání před změnami v původních transakčních systémech nutný při řešení typ 2 aktualizace měnících se dimenzí (viz dále) Změny v tabulce dimenzí
28 Dimenze a změny změny hodnot atributů dimenzí mohou probíhat rychle i pomalu, odlišení: pomalu se měnící dimenze (většina) rychle se měnící dimenze pro každý atribut třeba stanovit strategii pro vyjádření změn třeba již při i analýze zjistit od managementu jaké změny hodnot atributů jsou možné jaký výstup (informace) budou s ohledem na tyto změny požadovat Pomalé změny atributů dimenzí a jejich řešení tyto dimenze se blíží konstantním dimenzím atributy se mění v čase pomalu techniky pro vyjádření změn základní nahrazení hodnoty přidánířádku dimenzí přidání sloupce dimenzí hybridní předvídatelné změny s více verzemi překrytí nepředvídatelné změny s více verzemi překrytí
29 nahrazení hodnoty jinou Typ 1: nahrazení hodnoty atribut vždy zobrazuje aktuální hodnotu charakteristika: nejčastěji použita výhoda: jednoduchá k implementaci nevýhoda: možnost změn v agregovaných datech (reakce na změny) ztráta historie změn vhodnost: změna hodnoty atributu je korekcí Typ 2: přidánířádku dimenzí původnířádek se ponechá dalšířádek nová hodnota PK ( nový profil), změna hodnoty atributu/ů přibude řádek v tabulce faktů - při události (např. koupě výrobku) charakteristika: výhoda: žádné změny v agregovaných datech reprezentace historie - lepší analýza a vysvětlení změn lze sledovat počet změn dimenzí nevýhoda: nutnost použití umělého klíče růst tabulky dimenzí
30 Typ 3: přidání sloupce dimenzí umožňuje sledovat fakty v souvislostech - nové a předchozí (původní) hodnoty simultánně charakteristika: řídké užití nevýhoda: pokud více nepredikovatelných změn u jednoho prvku (řádku) je pak lepší typ 2, či hybridní strategie vhodnost: pokud chci sledovat obě hodnoty současně hybridní kombinuje základní techniky pro pomalu se měnící dimenze jsou flexibilnější, ale složitější předvídatelné změny s více verzemi překrytí nepředvídatelné změny s jedinou verzí překrytí další. nejčastěji v praxi typ 2
31 Rychle se měnící dimenze změny atributů probíhají s denní i častější periodicitou řešení závisí na velikosti dimenzí povaze rychle se měnících atributů Rychle se měnící dimenze pro malé dimenze nejčastěji užití typ 2 pro pomalu se měnící dimenze pro rozsáhle dimenze oddělení rychle se měnících atributů do jiné tabulky dimenzí výhoda sledování změn
32 Fakty Návrh z hlediska procesů pro podporu rozhodování = neklíčové atributy v tabulce faktů fakty, ukazatele, metriky aditivita faktů Specifika v tabulkách faktů kardinalita vztahu M:N tabulky bez faktů Specifika v tabulkách faktů tabulky bez faktů Tabulky bez faktů (factless fact tables) jsou preferovanou metodou pro záznam události v datovém skladu, kde neexistuje žádný přirozený numerický ukazatel spojený s událostí. Tabulky jsou také užity pro zabezpečení pokrytí Tabulka faktů obsahuje pouze klíčové atributy důvody 1. v datovém skladu je třeba evidovat jisté události, které nejsou vázány k žádnému ukazateli pouze zaznamenávají, že k uvedené události došlo jedná se o vztah mezi dimenzemi 2. tabulka bez faktů je doplňující tabulkou k tabulce faktů pokrývající tabulky (coverage table) dávají odpověď na to, co nenastalo
33 Specifika v tabulkách faktů kardinalita vztahu M:N Kardinalita vztahu mezi tabulkou dimenzí a tabulkou faktů obvykle kardinalita vztahu 1:N v některých případech je kardinalita vztahu M:N Specifika v tabulkách faktů kardinalita vztahu M:N jsou přesně známé všechny kombinace, které mohou nastat Př. dimenze podpora prodeje existuje několik druhů podpory, které působí jednotlivě i současně více podpor v jeden den na jednotlivý produkt nejsou přesně známé všechny kombinace, které mohou nastat nebo uvedení kombinací by nemělo smysl vzhledem k rozsahu Př. diagnóza na straně subjektu a fakty vztažené k jednomu pacientovi (pacient může mít jednu i více různých diagnóz, jejich kombinace se nemusí vyskytovat u více pacientů) řešení: vložení pomocné tabulky mezi tabulku dimenzí a tabulku faktů (převedení vztahu M:N na dva vztahy M:1 a 1:N
34 Návrh z hlediska procesů pro podporu rozhodování Sledování ukazatelů agregační funkce agregační vzory sled ukazatelů U ukazatele Sledování ukazatelů určit dimenze, k jakým je sledován v rámci dimenze určit nejvyšší granularitu v dané dimenzi další agregační úrovně sledování jaké agregační úrovně mají smysl jaké agregační funkce mají smysl u numerických ukazatelů uvést způsob výpočtu jednotný v rámci organizace (konformní fakty) Pozn.: způsob výpočtu a závislost mezi ukazateli ovlivňuje uložení ukazatelů do faktů pokud bude sledováno více ukazatelů ke stejným dimenzím na stejné nejvyšší úrovni podrobnosti, je možné je uložit do stejné tabulky faktů vhodnost vytvoření jedné tabulky faktů třeba zvážit s ohledem na další agregační úrovně
35 Sledování ukazatelů agregační funkce pro nenumerické ukazatele absolutníči relativníčetnost pro numerické ukazatele průměr, maximum, minimum, počet, popřípadě další statistické funkce, součet s ohledem na smysluplnost součtu je stanovena aditivita faktu Fakt je aditivní k dimenzi, pokud jeho hodnoty mohou být sčítány podle hierarchie dané dimenze Sledování ukazatelů Omezení množiny dotazů DO = {(Fi, Dj, Ag1,Ag2,...),... }, kde Fi - název faktu Dj - jméno dimenze Ag1 Agn - výčet agregačních funkcí, které nemají smysl
36 Sledování ukazatelů Agregační vzory (aggregation pattern) Každý fakt je funkčně určen agregačními úrovněmi dimenzí Odlišují se: Primární fakt (primary fact; elementární fakt) je funkčně určen minimálními agregačními úrovněmi všech dimenzí Sekundární fakty ty fakty, které jsou funkčně určeny z jiné než minimální agregační úrovně alespoň v jedné dimenzi kumulativnosti agregačních funkcí pro určení instancí sekundárních faktů je důležitá vlastnost kumulativnost agregační funkce provádění operace roll-up s kumulativní agregační funkcí hodnoty faktů vyšší agregační úrovně lze určit z hodnot faktů předchozí agregační úrovně provádění operace roll-up u nekumulativní funkce lze určit instance faktů jen z minimální agregační úrovně Obdoba při provádění agregace ve více než jedné dimenzi současně Agregační funkce součet, která se pro agregace nejčastěji používá, je kumulativní agregační funkcí.
37 požadavek uživatelů na zjištění konkrétní hodnoty faktu vzhledem k různým instancím agregačních úrovní dimenzí lze vždy vyjádřit pomocí operací projekce, selekce, agregační funkce Agregační vzor musí obsahovat: fakt, jehož hodnota má být určena agregační funkci výčet agregačních úrovní dimenzí vyjádření podmínek selekce. agregační vzor Jméno faktu (seznam agregačních úrovní dimenzí; podmínky výběru) Ωi kde Ωi agregační funkce z množiny agregačních funkcí, která bude použita při transformaci na vyšší úroveň agregace. Legálnost agregačního vzoru je posuzována přes agregovatelnost sledovaného faktu k uvedeným dimenzím
38 Ukazatel sled Při určování hodnot faktu, kdy ve více než jedné dimenzi jsou zvyšovány agregační úrovně z výchozí úrovně je postupně dosaženo úrovně cílové stanovení sledu je nutné u nekumulativní funkce Správně navržené multidimenzionální schéma Pro správný návrh schématu musí být splněny podmínky : pro dimenze: dimenze patřící k jednomu schématu jsou na sobě nezávislé vlastnosti atributů jsou v dimenzi přiřazeny právě k jedné agregační úrovni dimenze musí mít pouze jednu minimální agregační úroveň pro ukazatele: možnost získat ukazatele z faktů správnost určení k nejvyšší granularitě požadavky uživatelů na sledování ukazatelů k různým granularitám dimenzí.
BI 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
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
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
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
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
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
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
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. 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
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
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
VíceBusiness Intelligence
Business Intelligence BI jako součást IS/ICT IS/ICT BI v rámci IS/ICT BI architektura, komponenty procesy v BI data v IS/ICT organizace dat v DW (Multi)dimenzionální modelování budování DW Pro další informace
VíceKonceptuální modely datového skladu
Vladimíra Zádová Katedra informatiky, TU Liberec, e-mail: vladimira.zadova@tul.cz Abstrakt: Příspěvek je zaměřen na modely datového skladu pro konceptuální úroveň návrhu. Existující modely pro tuto úroveň
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................................................
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
VíceDatové sklady. Multidimenzionální modelování Modely datového skladu Návrh datového skladu v rámci návrhu IS/ICT. Vladimíra Zádová, KIN, EF, TUL
Datové sklady Multidimenzionální modelování Modely datového skladu Návrh datového skladu v rámci návrhu IS/ICT Multidimenzionální modelování (Multi)dimenzionální modelování speciální technika určená pro
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
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
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
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
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
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
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
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
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
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
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
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.:
VíceInformační systémy 2008/2009. Radim Farana. Obsah. Obsah předmětu. Požadavky kreditového systému. Relační datový model, Architektury databází
1 Vysoká škola báňská Technická univerzita Ostrava Fakulta strojní, Katedra automatizační techniky a řízení 2008/2009 Radim Farana 1 Obsah Požadavky kreditového systému. Relační datový model, relace, atributy,
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
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
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
VíceEtapy tvorby lidského díla
Systém Pojem systém Obecně jej chápeme jako seskupení prvků spolu s vazbami mezi nimi, jejich uspořádání, včetně struktury či hierarchie. Synonymum organizace či struktura. Pro zkoumání systému je důležité
VíceZvyšování výkonnosti firmy na bázi potenciálu zlepšení
Nakladatelství a autor dìkují za podporu pøi vydání této knihy spoleènostem: SAP ÈR, spol. s r. o. MICROSOFT, s.r.o. ŠKODA AUTO, a.s. Ing. Pavel Uèeò, CSc. Zvyšování výkonnosti firmy na bázi potenciálu
VíceNávrh datového skladu z hlediska zdrojů
Návrh datového skladu Návrh datového skladu OLTP ETL OLAP, DM Operativní data Datové sklady Zdroje dat Transformace zdroj - cíl Etapy realizace 1 Návrh datového skladu Hlavní úskalí analýzy a návrhu spočívá
VíceDOPLNĚK. Projekt Informační systém základních registrů je spolufinancován Evropskou unií z Evropského fondu pro regionální rozvoj.
GLOBÁLNÍ ARCHITEKTURA ZÁKLADNÍCH REGISTRŮ DOPLNĚK Projekt Informační systém základních registrů je spolufinancován Evropskou unií z Evropského fondu pro regionální rozvoj. Obsah 1 Cíle dokumentu...3 2
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
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
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)
VícePráce s velkými sestavami
Práce s velkými sestavami Číslo publikace spse01650 Práce s velkými sestavami Číslo publikace spse01650 Poznámky a omezení vlastnických práv Tento software a související dokumentace je majetkem společnosti
VíceŘízení ICT služeb na bázi katalogu služeb
Řízení ICT služeb na bázi katalogu služeb Jiří Voř katedra IT, IT, VŠE vorisek@vse.cz nb.vse.cz/~vorisek 1 Služby fenomén současné etapy rozvoje společnosti 2 Vlastnosti služeb služby se od produktů liší
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
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
VíceInfrastruktura UML. Modelování struktury v UML. Superstruktura UML. Notace objektů. Diagramy objektů
Infrastruktura UML v UML Karel Richta listopad 2011 Richta: B101TMM - v UML 2 Superstruktura UML Směr pohledu na systém dle UML Diagramy popisující strukturu diagramy tříd, objektů, kompozitní struktury,
VíceProf. Ing. Miloš Konečný, DrSc. Nedostatky ve výzkumu a vývoji. Klíčové problémy. Tyto nedostatky vznikají v následujících podmínkách:
Podnik je konkurenčně schopný, když může novými výrobky a službami s vysokou hodnotou pro zákazníky dobýt vedoucí pozice v oboru a na trhu. Prof. Ing. Miloš Konečný, DrSc. Brno University of Technology
Více2. Konceptuální model dat, E-R konceptuální model
2. Konceptuální model dat, E-R konceptuální model Úvod Databázový model souhrn prostředků, pojmů a metod, jak na logické úrovni popsat data a jejich strukturu výsledkem je databázové schéma. Databázové
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
VíceObsah. Seznam obrázků. Seznam tabulek. Petr Berka, 2011
Petr Berka, 2011 Obsah... 1... 1 1 Obsah 1... 1 Dobývání znalostí z databází 1 Dobývání znalostí z databází O dobývání znalostí z databází (Knowledge Discovery in Databases, KDD) se začíná ve vědeckých
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
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
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
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,
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
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
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
VíceTRANSFORMACE RELAČNÍHO DATOVÉHO MODELU NA OBJEKTOVÝ TRANSFORMATION OF RELATIONAL TO OBJECT DATA MODEL
TRANSFORMACE RELAČNÍHO DATOVÉHO MODELU NA OBJEKTOVÝ TRANSFORMATION OF RELATIONAL TO OBJECT DATA MODEL Vít Holub Anotace Článek poskytne čtenáři základní přehled v datových modelech, ukáže výhody a nevýhody
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,
VíceKatalog služeb a podmínky poskytování provozu
Příloha č. 1 Servisní smlouvy Katalog služeb a podmínky poskytování provozu Část P2_1 P2_1_Katalog služeb a podmínky poskytování provozu 1 Obsah 1 OBSAH... 2 2 DEFINICE POJMŮ... 3 3 DEFINICE SLUŽEB, KOMPONENT
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
VícePodíl zdrojů informací
Podíl zdrojů informací 80% nestrukturovaných (10 -) 20 % strukturovaných 80% vnitřní informační zdroje 20% vnější informační zdroje Současný stav Business Intelligence Procesy: dolování dat (Data Mining)
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
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
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,
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
VíceELEKTRONICKÁ PORODNÍ KNIHA POPIS APLIKACE Michal Huptych, Petr Janků, Lenka Lhotská
ELEKTRONICKÁ PORODNÍ KNIHA POPIS APLIKACE Michal Huptych, Petr Janků, Lenka Lhotská Anotace Tento příspěvek popisuje aplikaci, která je převodem tzv. porodní knihy do elektronické podoby. Aplikace vzniká
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
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
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
VíceOn line sledování, plánování a řízení výroby - MES HYDRA
On line sledování, plánování a řízení výroby - MES HYDRA Josef Černý, ICZ a. s. 9.10.2012 www.i.cz 1 Agenda Informační podpora podnikových procesů Výrobní informační systémy MES HYDRA Základní charakteristika
VíceZPRACOVÁNÍ NEURČITÝCH ÚDAJŮ V DATABÁZÍCH
0. Obsah Strana 1 z 12 VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA STROJNÍHO INŽENÝRSTVÍ ÚSTAV AUTOMATIZACE A INFORMATIKY FACULTY OF MECHANICAL ENGINEERING INSTITUTE OF AUTOMATION
VíceIS SEM - informační systém pro správu a evidenci nemovitého majetku hlavního města Prahy
IS SEM - informační systém pro správu a evidenci nemovitého majetku hlavního města Prahy Martin Diviš, Martin Vimr DELTAX Systems a.s. Jankovcova 1569/2c 170 00 Praha 7 martin.divis@deltax.cz, martin.vimr@deltax.cz
VíceDatové sklady a využití datové struktury typu hvězda pro prostorová data
Datové sklady a využití datové struktury typu hvězda pro prostorová data Jiří Horák 1, Bronislava Horáková 2 1 Institut geoinformatiky, HGF, VŠB-TU Ostrava, 17.listopadu 15, 70833, Ostrava-Poruba, ČR jiri.horak@vsb.cz
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
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
VíceBudování informačních systémů pro komunitní plánování
Ústí nad Labem 1 Budování informačních systémů pro komunitní plánování Ústí nad Labem Zpracoval: MUDr.Miroslav Seiner Obsahová část materiálu vznikla za finanční podpory projektu Komunitní plánování jako
VíceARCHITEKTURA INFORMAČNÍCH SYSTÉMŮ PODLE ÚROVNĚ ŘÍZENÍ
ARCHITEKTURA INFORMAČNÍCH SYSTÉMŮ PODLE ÚROVNĚ ŘÍZENÍ Podle toho, zda informační systém funguje na operativní, taktické nebo strategické řídicí úrovni, můžeme systémy rozdělit do skupin. Tuto pyramidu
VíceData v počítači EIS MIS TPS. Informační systémy 2. Spojení: e-mail: jan.skrbek@tul.cz tel.: 48 535 2442 Konzultace: úterý 14 20-15 50
Informační systémy 2 Data v počítači EIS MIS TPS strategické řízení taktické řízení operativní řízení a provozu Spojení: e-mail: jan.skrbek@tul.cz tel.: 48 535 2442 Konzultace: úterý 14 20-15 50 18.3.2014
Více10. blok Logický návrh databáze
10. blok Logický návrh databáze Studijní cíl Tento blok je věnován převodu konceptuálního návrhu databáze na návrh logický. Blok se věnuje tvorbě tabulek na základě entit z konceptuálního modelu a dále
VíceEfektivní řízení pomocí Business Intelligence. Ján Zajíc (Clever Decision) Robert Havránek (Microsoft)
Efektivní řízení pomocí Business Intelligence Ján Zajíc (Clever Decision) Robert Havránek (Microsoft) Kde najdete nejefektivnějšího manažera? Hierarchie řízení a informační potřeby High level, agregované
VíceSlaďování pracovního a rodinného života a rovné příležitosti žen a mužů mezi mosteckými zaměstnavateli
Slaďování pracovního a rodinného života a rovné příležitosti žen a mužů mezi mosteckými zaměstnavateli Analýza stavu a potřeb členů místního uskupení Společné příležitosti 2012 Autorky: PhDr. Kamila Svobodová,
VíceMEZINÁRODNÍ AUDITORSKÝ STANDARD ISA 530 VÝBĚR VZORKŮ
MEZINÁRODNÍ AUDITORSKÝ STANDARD VÝBĚR VZORKŮ (Účinný pro audity účetních závěrek sestavených za období počínající 15. prosincem 2009 nebo po tomto datu) OBSAH Odstavec Úvod Předmět standardu... 1 2 Datum
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
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
VíceMINISTERSTVO VNITRA ČR
Standard agendy 20.3.2016 A 3 Verze 1.0 (Návrh standardu) Úroveň: ústřední správní úřady Odbor egovernmentu MINISTERSTVO VNITRA ČR OBSAH 1 STANDARDIZACE AGEND... 2 1.1 CÍLE A DŮVODY PRO VYTVÁŘENÍ STANDARDŮ...
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
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
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
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
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
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?
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
VíceMEZINÁRODNÍ AUDITORSKÝ STANDARD ISA 700 FORMULACE VÝROKU A ZPRÁVY AUDITORA K ÚČETNÍ ZÁVĚRCE
Úvod MEZINÁRODNÍ AUDITORSKÝ STANDARD FORMULACE VÝROKU A ZPRÁVY AUDITORA K ÚČETNÍ ZÁVĚRCE (Účinný pro audity účetních závěrek sestavených za období počínající 15. prosincem 2009 nebo po tomto datu) OBSAH
VíceElektronická spisová služba
Univerzitní informační systém Univerzita Konštantína Filozofa v Nitre Elektronická spisová služba Svazek 19 Verze: 0.49 Datum: 11. března 2016 Autor: Jitka Šedá, Martin Tyllich Obsah Seznam obrázků 5
VíceJedno globální řešení pro vaše Mezinárodní podnikání
Jedno globální řešení pro vaše Mezinárodní podnikání Obsah 2 Známe váš svět, jsme jeho součástí 4 Správné řešení pro vaše mezinárodní podnikání 6 Standardní řešení s jedinečnými výhodami 8 Jedno globální
VíceCompetitive Intelligence 24.11.2006
Competitive Intelligence 24.11.2006 Bitevní pole trhu je poseto padlými firmami, jejichž vedení dávalo pozor na všechno, kromě dynamicky se měnící strategie konkurentů. W.L. Sammon Business Competitor
VíceOSOBNÍ ANGAŽOVANOST SOCIÁLNÍHO PRACOVNÍKA
OSOBNÍ ANGAŽOVANOST SOCIÁLNÍHO PRACOVNÍKA Tomáš Kocyan OBSAH PREZENTACE Představení výzkumu Popis analyzovaných dat Analýza Asociace Fundovaná implikace Interpretace výsledků Rozhodovací stromy Výběr atributů
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
VíceRámcové indikátory inkluzívního hodnocení
Rámcové indikátory inkluzívního hodnocení Předmluva Inkluzívní hodnocení je přístup k hodnocení v podmínkách vzdělávání v hlavním vzdělávacím proudu, jehož koncepce i praxe sledují cíl podpořit do nejvyšší
VíceInTouch 8.0 Subsystém distribuovaných alarmů
InTouch 8.0 Subsystém distribuovaných alarmů Pavel Průša Pantek (CS) s.r.o. Strana 2 Obsah Úvod Úvod Subsystém distribuovaných alarmů Ukládání alarmů do relační databáze Zobrazování, potvrzování a potlačování
VíceDATA CUBE. Mgr. Jiří Helmich
DATA CUBE Mgr. Jiří Helmich Analytické kroky formulace dotazu analýza extrakce dat vizualizace Motivace n-sloupcová tabulka v Excelu vs. sloupcový graf Dimensionality reduction n dimenzí data obecně uspořádána
Více