Využití datového skladu jako zdroje pro Business Intelligence

Rozměr: px
Začít zobrazení ze stránky:

Download "Využití datového skladu jako zdroje pro Business Intelligence"

Transkript

1 UNICORN COLLEGE Softwarové inženýrství a informatika Management ICT projektů Využití datového skladu jako zdroje pro Business Intelligence Usage of a data warehouse as a source for Business Intelligence Bakalářská práce Autor: Lukáš Král Vedoucí práce: Mgr. Peter Buchlák Praha 2010

2 Unicorn College 2010 Unicorn College, V Kapslovně 2767/2, Praha 3, Název práce v ČJ: Název práce v AJ: Využití datového skladu jako zdroje pro Business Intelligence Usage of a data warehouse as a source for Business Intelligence Autor: Lukáš Král Akademický rok: 2010 Kontakt: Tel.: (+420)

3 Děkuji vedoucímu bakalářské práce Peterovi Buchlákovi za účinnou metodickou, pedagogickou a odbornou pomoc a další cenné rady při zpracování mé bakalářské práce.

4 Prohlašuji, že svou bakalářskou práci na téma Využití datového skladu jako zdroje pro Business Intelligence jsem vypracoval samostatně pod vedením vedoucího bakalářské práce a s použitím odborné literatury a dalších informačních zdrojů, které jsou v práci citovány a jsou též uvedeny v seznamu literatury a použitých zdrojů. Jako autor uvedené bakalářské práce dále prohlašuji, že v souvislosti s vytvořením této bakalářské práce jsem neporušil autorská práva třetích osob, zejména jsem nezasáhl nedovoleným způsobem do cizích autorských práv osobnostních a jsem si plně vědom následků porušení ustanovení 11 a následujícího autorského zákona č. 121/2000 Sb. V Praze dne 6. května 2010 Lukáš Král 4

5 5

6 Abstrakt Tato bakalářská práce se zabývá datovými sklady a jejich praktickým využitím pomocí Business Intelligence (BI). Kromě popisu obou technologií je hlavní důraz kladen na znázornění jejich vzájemného vztahu a také výhod, které z tohoto spojení pro BI vznikají. V souvislosti s tím je datový sklad nejprve definován z pohledu dvou nejdůležitějších osobností v oboru, Williama H. Inmona a Ralpha Kimballa, a poté srovnán s operační databází. Následně se již pozornost přesouvá na Business Intelligence. Postupně je zde rozebrána problematika reportů, OLAP analýzy a data miningu. V práci jsou také nastíněny možné směry, kterými se budou tyto systémy spolu s datovými sklady ubírat do budoucna. V praktické části je navrhnut a implementován funkční model datového skladu. Ten je následně použit jako zdroj pro jednotlivé BI nástroje a jsou tak názorným způsobem demonstrovány různé způsoby jeho využití. Klíčová slova Business Intelligence, datový sklad, data mart, normalizovaný model, dimenzionální model, hvězdicové schéma, reporty, OLAP, multidimenzionální databáze, data mining Abstract This bachelor thesis deals with data warehouses and their practical usage with Business Intelligence (BI). Apart from describing both technologies, the main emphasis is put on illustrating their relationship and also advantages that result for BI from this connection. Considering this a data warehouse is at first described from a perspective of the two most important people in this discipline, William H. Inmon and Ralph Kimball and then compared to an operational database as a possible source for BI tools. Afterwards the attention is moved towards Business Intelligence itself. This topic is divided into several categories, reporting, OLAP analysis and data mining. Aim of this thesis is also to outline possible future developments of these systems along with data warehouses. In practical part a functional model of a data warehouse is designed and implemented. It is consequently used as a source for individual BI tools and thus diferent ways of its usage are demonstrated. Keywords Business Intelligence, data warehouse, data mart, normalized model, dimensional model, star schema, reports, OLAP, multidimensional database, data mining 6

7 Obsah Zadání 5 Abstrakt 6 1 Úvod 8 2 Datové sklady Charakteristika datového skladu podle Williama H. Inmona Charakteristika datového skladu podle Ralpha Kimballa Normalizovaný a dimenzionální přístup k ukládání dat Business Intelligence Reporty Analýza (OLAP) Data Mining Současné trendy ve vývoji datových skladů a BI Návrh a využití datového skladu ve spojení s BI Návrh a implementace Vytvoření reportů Analýza (OLAP) Data mining Závěr 59 6 Conclusion 61 Literatura 63 Seznam obrázků 65 Seznam použitých symbolů a zkratek 66 Seznam příloh 67 Příloha 1 Příloha 2 I VIII 7

8 1 ÚVOD 1 Úvod Ještě před několika lety stačily firmám k úspěšnému konkurenčnímu boji znalosti a zkušenosti několika svých klíčových manažerů. V posledních letech se ale situace začíná zcela zásadně měnit. Hlavní podíl na tom má turbulentní a globalizované prostředí, které díky neustálým změnám nutí organizace k daleko rychlejšímu rozhodování než vdřívější době. Úsudek již nemůže vycházet ze zkušeností manažerů, ale musí se opírat o správné informační podklady. Spolu se změnou ekonomického prostředí je na firmy vyvíjen tlak také díky nárůstu konkurence či stále se zvyšujícím požadavkům zákazníků. V souvislosti s vývojem informačních technologií zároveň rapidním způsobem roste objem podnikových dat, přičemž velké množství z nich obsahuje cenné informace, které by se daly využít pro rozvoj dané firmy. Otázkou však zůstává, jak tyto informace z nashromážděných dat získat. Není proto divu, že se v posledních letech začínají prosazovat tzv. decision support systems (DSS), neboli systémy pro podporu rozhodování. Do této kategorie lze zařadit i nástroje Business Intelligence (BI) spolu s datovými sklady, které pro BI představují jakousi datovou základnu. Tyto systémy umožňují firmám spravovat svá data a získávat z nich strategické informace potřebné pro dosažení výhody na trhu a zvýšení šance na úspěšný boj v konkurenčním prostředí. S tím, jak stoupá obliba DSS systémů, se však pozornost přesouvá spíše na samotné získávání a prezentaci dat, než na formu jejich skladování. Pojmy Business Intelligence a datové sklady, byt se jedná o dva odlišné termíny, jsou v praxi často zaměňovány nebo se naopak označují pouze pomocí termínu Business Intelligence. Cílem této práce je tedy mimo jiné tyto pojmy jasně definovat a popsat. Hlavní důraz bude ale kladen na vzájemný vztah obou subjektů. Spíše než prokazovat nezbytnost datového skladu ve vztahu k BI si však tato práce klade za cíl demonstrovat veškeré možnosti a výhody, které z tohoto spojení pro BI vznikají. Budou zde tedy uvedeny jednotlivé kategorie BI nástrojů, pro které datový sklad představuje onen zdroj uvedený v názvu práce, přičemž u každé z nich bude dbáno na to, aby byla jasně znázorněna role datového skladu. V práci také zmíním současné trendy v oblasti datových skladů a BI nástrojů a nastíním jejich vývoj do budoucna. Kromě teoretického znázornění využití datových skladů ve spojení s BI se pokusím tento vztah demonstrovat také na praktické ukázce. V souvislosti s výše uvedenými cíly je práce rozdělena do dvou částí, teoretické a praktické, přičemž teoretická část dále obsahuje dvě kapitoly. V té první popisuji technologii datových skladů z pohledu dvou nejvýznamnějších osobností působících v tomto oboru, Williama H. Inmona a Ralpha Kimballa. Jsou zde uvedeny rozdíly i výhody a nevýhody obou přístupů. Zároveň zde porovnávám datový sklad s operační databází, jako dalším možným zdrojem pro BI. V druhé kapitole nejdříve definuji, co je to Business Intelligence, a poté se již zaměřím na popis jeho jednotlivých kategorií. Postupně se budu věnovat reportům, OLAP analýze a data miningu. Dále budou v této kapitole znázorněny jednotlivé výhody či možnosti, které spojení s datovými 8

9 1 ÚVOD sklady BI umožňuje. V závěru ještě nastíním možnosti dalšího vývoje těchto systémů. Druhou část této práce tvoří praktická ukázka. Jejím cílem je nejprve vytvořit fungující model datového skladu a na něm poté s pomocí BI nástrojů demonstrovat možnosti jeho využití. Stejně tak jako v teoretické části, i zde se zaměřím na reporty, OLAP analýzu a data mining. 9

10 2 DATOVÉ SKLADY Teoretická část 2 Datové sklady The users of an operational system turn the wheels of the organization. The users of a data warehouse, on the other hand, watch the wheels of the organization turn. 1 Úvodní citace poměrně dobře naznačuje, čím se tato kapitola zabývá. V první části je vysvětlen pojem datový sklad a to z pohledu dvou nejznámějších osobností v tomto oboru, Williama H. Inmona a Ralpha Kimballa. Oba přístupy jsou zde podrobně popsány a vzápětí také porovnány. Druhá část se věnuje vztahu mezi dimenzionálním modelem, který tvoří základní strukturu datového skladu, a normalizovaným modelem, který je pro změnu základem provozních databází. Tyto modely jsou srovnány a s ohledem na využití pro BI jsou uvedeny jejich výhody či nevýhody. 2.1 Charakteristika datového skladu podle Williama H. Inmona Jako první definoval v roce 1991 termín Data Warehouse William H. Inmon a je také právem nazýván otcem datových skladů. 2 Ve své publikaci autor uvádí: Datový sklad je subjektově orientovaná, integrovaná, neměnná a trvale uložená kolekce dat sloužící pro podporu rozhodování. Datový sklad obsahuje granulární korporátní data. 3 Vzhledem k tomu, že se jeho pohled na datové sklady výrazně liší od druhého nejvýznamnějšího činitele v tomto oboru Ralpha Kimballa 4, považuji za důležité se nyní jednotlivým požadavkům uvedených v předchozí definici věnovat podrobněji. Subjektová orientace - datový sklad obsahuje data, která se týkají vlastního předmětu podnikání, nikoliv zápisy jednotlivých transakcí. V klasických provozních systémech jsou data shromažd ována okolo aplikací dané firmy. Inmon jako příklad uvádí pojišt ovací firmu, jejíž aplikace mohou být auto, nehoda atd. Hlavním předmětem zájmu organizace je však zákazník, odměna či nárok na pojistné. Integrovanost - tato vlastnost souvisí s tím, že do datového skladu mohou vstupovat data z různých nesourodých částí podnikového systému. Proto musí být nejprve zformátována do ucelené podoby - např. všechny jednotky délky jsou převedeny na cm atd. Ze všech aspektů datového skladu je právě tento nejdůležitější. Obrázek 1 ilustruje převod dat z provozních systému do datového skladu. 1 KIMBALL, Ralph; ROSS Margy. The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling. 2nd ed. Wiley Publishing. Canada str. 2 2 ANUPINDI, Nagesh V. Inmon vs. Kimball [online] , poslední revize [cit ]. Dostupné z: <http://www.nagesh.com/publications/technology/173-inmon-vs-kimball-an-analysis.html> 3 INMON, William Harvey. Building the Data Warehouse. 3rd ed. Wiley Publishing. Canada str Jeho definici a struktuře datového skladu se věnuje následující kapitola. 10

11 2.1 Charakteristika datového skladu podle Williama H. Inmona 2 DATOVÉ SKLADY The Data Warehouse Environment 33 Obrázek 1: Integrovanost integration operational appl A m,f appl B 1,0 appl C x,y appl D male, female encoding data warehouse m,f appl A appl B appl C appl D pipeline cm pipeline inches pipeline mcf pipeline yds attribute measurement pipeline cm multiple sources appl A appl B appl C appl D description description description description? description conflicting keys appl A key char(10) appl B key dec fixed(9,2) appl C key pic appl D key char(12) key char(12) Figure 2.2 The issue of integration. Zdroj: Inmon. Building the Data Warehouse. str. 33 Nízká proměnlivost encoding of -gender data is se, concerned, na rozdíl it od matters provozních little whether systémů, data in kde the warehouse is encoded as m/f or 1/0. What does matter is that regardless of method mohou být libovolně měněna, dor datových source application, skladů warehouse nahrají aencoding pak již is nemohou done consistently. být nijak If application modifikována. Ukládání data is encoded as X/Y, it is converted as it is moved to the warehouse. The probíhá většinou same consideration po většíchof dávkách consistency a představuje applies to all application tak jakýsi design snímek issues, datové such základny v určitý okamžik, veškerá data jsou tak přesná právě k tomuto bodu. Pokud se objeví nějaká as naming conventions, key structure, measurement of attributes, and physical characteristics of data. změna, je místo The third modifikace important characteristic již uložených of a data dat, warehouse vytvořenis athat uložen it is nonvolatile. další snímek (dochází Figure 2.3 illustrates nonvolatility of data and shows that operational data is k historizaci dat - viz. následující odstavec). Toto ukládání probíhá dle předem stanovené regularly accessed and manipulated one record at a time. Data is updated in the aktualizační operational strategie. environment as a regular matter of course, but data warehouse data Trvalost uložení dat (historizace) - jak již bylo uvedeno dříve, data se v datových skladech nepřepisují ani neodstraňují, jsou statická a určená pouze pro čtení. Díky tomu, že jsou průběžně načítána z provozních systémů (kde jsou vždy obsažena pouze aktuální data), je vytvářena historická sekvence událostí a aktivit. 5 V praxi to může vypadat tak, že v provozní databázi budou uloženy informace o aktuálním kurzu české koruny vůči euru, zatímco v datovém skladu budou uloženy všechny jeho hodnoty v posledních pěti letech. Díky tomu může datový sklad daleko lépe sloužit pro rozsáhlé analytické dotazy. Kromě těchto pojmů se v definici také vyskytuje termín granulární data. Co je to granularita, vysvětluje Inmon ve své publikaci. Granularita odkazuje na úroveň detailu nebo souhrnu dat v datových skladech. Čím více je detailu, tím méně je granularity. Čím méně je detailu, tím více je granularity. Jako příklad uvádí, že jednoduchá transakce má malou granularitu, zatímco souhrn 5 INMON, William Harvey. Building the Data Warehouse. 3rd ed. Wiley Publishing. Canada str

12 2.1 Charakteristika datového skladu podle Williama H. Inmona 2 DATOVÉ SKLADY všech transakcí za měsíc má naopak granularitu velkou. 6 Inmon věří, že obsah datového skladu by měl být granulární (zrnitý) co nejvíce. 7 První vlastností datového skladu, ve které se William H. Inmon od Ralpha Kimballa rozchází, je jeho skladba a následný vývoj. Inmon je zastáncem tzv. top-down 8 přístupu, který spočívá ve vytvoření jednotného datového skladu pokrývajícího celý podnik. Jeho filozofii vystihuje následující lehce nadnesená citace. Do not do anything until you have designed everything. 9 Jinými slovy Inmon doporučuje nejprve vytvořit centralizovaný datový sklad v rámci celého podniku a až poté začít budovat satelitní databáze, které budou přizpůsobeny potřebám jednotlivých oddělení ve firmě. Tyto databáze nazýváme data marty nebo také datovými tržišti. Odlišné je i pojetí struktury dat. Inmon navrhuje, aby byl centrální datový sklad vytvořen v normalizovaném datovém modelu a z něj odvozené data marty, obsahující data pro specifický business proces, byly vytvořeny za pomoci dimenzionálního přístupu. 10 Normalizovaný datový model můžeme chápat jako entitně relační schéma, kde se každý údaj vyskytuje pouze jednou. 11 Architekturu datového skladu tak, jak ji popisuje William H. Inmon, zobrazuje obrázek 2. Obrázek 2: Integrovaný datový sklad podle W.H. Inmona Zdroj: Vlastní úprava 6 INMON, William Harvey. Building the Data Warehouse. 3rd ed. Wiley Publishing. Canada str ANUPINDI, Nagesh V. Inmon vs. Kimball [online] , poslední revize [cit ]. Dostupné z: <http://www.nagesh.com/publications/technology/173-inmon-vs-kimball-an-analysis.html> 8 Data warehouse - Wikipedia, the free encyklopedia [online]. poslední revize [cit ]. Dostupné z: <http://en.wikipedia.org/wiki/data_warehouse> 9 Kimball vs. Inmon...or, How to build a Data Warehouse [online] [cit ]. Dostupné z: <http://it.toolbox.com/blogs/confessions/kimball-vs-inmonor-how-to-build-a-data-warehouse-10987> 10 Data warehouse - Wikipedia, the free encyklopedia [online]. poslední revize [cit ]. Dostupné z: <http://en.wikipedia.org/wiki/data_warehouse> 11 Blíže se vysvětlení normalizovanému modelu věnuje kapitola

13 2.2 Charakteristika datového skladu podle Ralpha Kimballa 2 DATOVÉ SKLADY Výhody i nevýhody přímo vyplývají jak z definice datového skladu, tak i z jeho schématu zachyceném na obrázku. Zřejmě největší výhodou tohoto modelu je možnost relativně jednoduchého a rychlého vytvoření jednotlivých data martů. S tím je navíc spojen fakt, že data marty zůstávají velmi konzistentní, což je samozřejmě zapříčiněno tím, že jsou generovány z jednotného datového skladu. Za druhou velkou výhodu lze označit jednodušší načítací proces dat z provozních systémů. Hlavním důvodem je opět fakt, že data jsou ukládána do stejného centrálního datového skladu. Naopak za největší nevýhody lze považovat složitou a mnohdy i velmi nákladnou realizaci tohoto modelu. Samotná implementace je navíc časově náročná, a tak firmy mohou na požadovaný výsledek čekat velmi dlouho. Vycházíme z Inmonova tvrzení, které je uvedeno výše, že při budování datového skladu nejdříve vytvoříme centrální úložiště aaž zněj se odvozují jednotlivé data marty. Je nutné dodat, že na tato negativní fakta upozorňuje William H. Inmon ve své knize v kapitole nazvané Day 1-Day n Phenomenon. Zde vysvětluje, že datový sklad není vytvořen najednou, ale že se do něj data ukládají postupně a tím pádem jsou spíše evoluční než-li revoluční. 12 Tím se snaží popřít tzv. big bang přístup, za který ho někteří autoři kritizovali. 13 Na druhou stranu se však lze domnívat, žeipřesto se dříve popsané problémy nepodaří úplným způsobem eliminovat. 2.2 Charakteristika datového skladu podle Ralpha Kimballa Druhou nejdůležitější osobou v této oblasti je bezesporu Ralph Kimball. Jako první definoval koncept data martů a popsal využití dimenzionálního modelování včetně star a snowflake datových struktur 14. Jestliže William H. Inmon je nazýván otcem datových skladů, Ralph Kimball může být bezesporu nazván otcem business intelligence. 15 Vzhledem k tomu, že se názory na budování datového skladu obou jeho zakladatelů poměrně hodně odlišují, věnuje se tato kapitola také přístupu Ralpha Kimballa. Ten ve své knize definuje datový sklad takto: Data Warehouse is a copy of transaction data specifically structured for querying and reporting. 16 Je vidět, že definice je daleko jednodušší a srozumitelnější než u jeho předchůdce. Přesto se však domnívám, že vyžaduje důkladnější vysvětlení. To lze nejlépe poskytnout pomocí rozboru jednotlivých částí datového skladu, které Kimball uvádí ve své publikaci INMON, William Harvey. Building the Data Warehouse. 3rd ed. Wiley Publishing. Canada str ANUPINDI, Nagesh V. Inmon vs. Kimball [online] , poslední revize [cit ]. Dostupné z: <http://www.nagesh.com/publications/technology/173-inmon-vs-kimball-an-analysis.html> 14 V českém jazyce mluvíme o schématech hvězdy a vločky. Oba termíny jsou vysvětleny v následující kapitole. 15 ANUPINDI, Nagesh V. Inmon vs. Kimball [online] , poslední revize [cit ]. Dostupné z: <http://www.nagesh.com/publications/technology/173-inmon-vs-kimball-an-analysis.html> 16 GREENFIELD, Larry. The Data Warehousing Information Center [online] poslední revize [cit ]. Dostupné z: <http://www.dwinfocenter.org/defined.html> 17 KIMBALL, Ralph; ROSS Margy. The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling. 2nd ed. Wiley Publishing. Canada str

14 2.2 Charakteristika datového skladu podle Ralpha Kimballa 2 DATOVÉ SKLADY Jak ukazuje obrázek 3, datový sklad by měl obsahovat čtyři samostatné a odlišné komponenty: 1. Operational source systems (provozní systémy) 2. Data staging area 3. Data presentation area 4. Data access tools (nástroje pro přístup k datům) Obrázek 3: Datový sklad podle Ralpha Kimballa Zdroj: Kimball, The Data Warehouse Toolkit. str. 7. Vlastní úprava Provozní systémy Provozní systémy zaznamenávají jednotlivé podnikové transakce. Je důležité si uvědomit, že v podstatě nejsou součástí datového skladu, nebot nad obsahem a formátem dat v nich obsažených máme velmi malou kontrolu. Za hlavní priority provozních systémů můžeme považovat výkon a dostupnost. Tyto systémy jsou častokrát tvořeny samostatnými aplikacemi, které nejsou optimalizovány na sdílení běžných dat mezi sebou, což vývoj datového skladu značně ztěžuje. Data staging area Za tuto oblast můžeme označit v podstatě vše mezi provozními systémy a data presentation area. Jedná se o místo, kde jsou data podrobena tzv. extract-transform-load (ETL) procesům.ty umožňují firmám získat data z různých zdrojů, následně je přeformátovat či očistit a nakonec je načíst do jiného úložiště. 14

15 2.2 Charakteristika datového skladu podle Ralpha Kimballa 2 DATOVÉ SKLADY Prvním krokem v tomto procesu je extrakce. Extrahováním je myšleno čtení a porozumění zdrojových dat a jejich kopírování do data staging area za účelem další manipulace. Jak již bylo řečeno, extrakce většinou probíhá z několika různých provozních systémů, a tak jsou získaná data často nesourodá. Proto musí následovat fáze transformace dat. Její součástí je například očišt ování dat (oprava pravopisných chyb, převod do standardního formátu), kombinování dat z různých zdrojů, de-duplikování dat a přidělování databázových klíčů. Posledním krokem ETL procesu je načítání dat do data presentation area. Tato fáze se liší podle toho, do jakého systému jsou data načítána. Pokud se jedná o provozní databázi či jiný normalizovaný systém, jsou data většinou přepsána, jedná-li se však o datový sklad, jsou neaktuální data zachována jako historická. Klíčovým požadavkem na tuto komponentu je, že musí být skryta před koncovým uživatelem a nesmí být používána k poskytování dotazovacích či prezentačních služeb. Data presentation area V data presentation area dochází k organizaci, uchovávání a zpřístupňování dat pro přímé dotazování uživateli či analytickými aplikacemi. Tato oblast je většinou tvořena několika integrovanými data marty. Jedním ze základních prvků této oblasti je, že data musí být prezentována, uložena a zpřístupněna v dimenzionálním schématu. Dimenzionální model sice obsahuje stejné informace jako model normalizovaný, ale v takové podobě, aby byly srozumitelné, vhodné pro dotazování a odolné vůči změnám. 18 Dalším důležitým prvkem je, že data marty musí obsahovat atomická data, tedy data s nejnižší úrovní detailu. Atomická data jsou nezbytná kvůli odolnosti datového skladu vůči náporu nepředvídatelných uživatelských dotazů. Data marty mohou také obsahovat sumarizovaná nebo agregovaná data za účelem zrychlení výkonu. Všechna datová tržiště se musí skládat ze společných dimenzí a faktů 19. Toto pravidlo Kimball nazývá jako conformed, neboli stav, kdy si všechna datová tržiště odpovídají. To je také základem data warehouse bus architecture 20. Bez sdílených dimenzí a faktů se data mart stává samostatnou aplikací. Tento fakt je nesmírně důležitý, nebot reálný systém v praxi se může skládat i z více než 20 různých data martů, a proto je jejich integrace za pomocí bus architektury nezbytná. Na tomto principu je v podstatě založen celý přístup a pohled Ralpha Kimballa na vývoj datových skladů. Nástroje pro přístup k datům Poslední z hlavních komponent datového skladu jsou nástroje pro přístup k datům. Termín se vztahuje ke všem schopnostem, které mohou být poskytnuty koncovým uživatelům na analytic- 18 Co je to dimenzionální a normalizované schéma bude vysvětleno v následující kapitolách. 19 Pojmy jsou vysvětleny v kapitole zabívající se dimenzionálním a normalizovaným přístupem. 20 Ve zbytku práce je používán termín bus architektura datového skladu. 15

16 2.2 Charakteristika datového skladu podle Ralpha Kimballa 2 DATOVÉ SKLADY kou podporu rozhodování. Toto je samozřejmě hlavní cíl a myšlenka datového skladu. Nástroj pro přístup k datům může býttřeba jednoduchý dotaz stejně tak jako složitá aplikace pro dolování dat. Jako součásti datového skladu lze označit i tzv. metadata nebo také operational data store (ODS) 21, které se ovšem nepočítají mezi jeho hlavní komponenty. Za metadata lze považovat vše z prostředí datových skladů, co nejsou data samotná. ODS představuje zvláštní databázi, která často integruje data z více zdrojů, a proto se také využívá za účelem provozního reportování. Často se umíst uje mezi datový sklad a provozní systém. Podle Kimballova přístupu by tedy mohl být ODS mezi data staging area a data presentation area. Druhým uplatněním je pro sklad provozních dat oblast CRM (Customer Relationship Management) systémů. Jak již bylo řečeno, datový sklad podle Ralpha Kimballa je založen na bus architektuře. Tu ve své knize definuje jako společnou strukturu, do které se vše zapojuje a ze které vše čerpá energii. Architektura je zároveň nezávislá na technologii a databázové platformě. 22 Kimball se však neliší pouze v architektuře datových skladů, ale také v přístupu k jeho budování. Stejně jako u Inmona i zde se nabízí shrnout autorovu teorii do jedné citace. Let everybody build what they want when they want it, we will integrate it all when and if we need to. 23 Kimball tedy doporučuje začít s vytvářením data martů pro jednotlivé podnikové oddělení, které se následně spojí za pomocí již zmíněné bus architektury. Proto se také tento přístup nazývá bottom-up. 24 Eventuálně může poté dojít ke sloučení datových tržišt dohromady a vytvoření jednoho datového skladu. V praxi mohou být jednotlivé data marty umístěny na jednom či několika jiných serverech v rámci celého podniku, zatímco datový sklad může být pouze virtuální entitou, která slučuje všechny data marty dohromady. Proto lze tvrdit, že, co se týče architektury datových skladů, tento model nabízí velmi dobrý kompromis mezi centralizovaným a decentralizovaným přístupem. Největší výhodou oproti Inmonově přístupu je ale bezesporu možnost rychlého inkrementálního vývoje, díky kterému se požadované výsledky dostaví daleko dříve než u implementace centralizovaného datového skladu. Kromě toho je také vývoj méně nákladný. Naopak za nevýhodu lze označit větší počet rozhraní mezi produkčními systémy a data marty stejně tak jako složitější integraci jednotlivých datových tržišt. Oba dva faktory mají za následek zvýšení nároků na správu datového skladu. Vzhledem k tomu, že jsou data marty přímo odvozeny z jednotlivých podnikových oddělení a nevycházejí ze společného datového úložiště, lze se také domnívat, že bude docházet k určité redundanci dat. 21 Lze přeložit jako sklad provozních dat. 22 KIMBALL, Ralph; ROSS Margy. The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling. 2nd ed. Wiley Publishing. Canada str Kimball vs. Inmon...or, How to build a Data Warehouse [online] [cit ]. Dostupné z: <http://it.toolbox.com/blogs/confessions/kimball-vs-inmonor-how-to-build-a-data-warehouse-10987> 24 ANUPINDI, Nagesh V. Inmon vs. Kimball [online] , poslední revize [cit ]. Dostupné z: <http://www.nagesh.com/publications/technology/173-inmon-vs-kimball-an-analysis.html> 16

17 2.3 Normalizovaný a dimenzionální přístup k ukládání dat 2 DATOVÉ SKLADY V úvodní části práce byl tedy definován datový sklad z pohledu dvou hlavních představitelů v tomto oboru, Williama H. Inmona a Ralpha Kimballa. Byly uvedeny rozdílné přístupy k výstavbě datových skladů i k jejich architektuře a zároveň byly odvozeny jejich výhody a nevýhody. Nyní se tedy nabízí otázka, zda-li je možné považovat jeden přístup za jednoznačně lepší či výhodnější. Z historického hlediska má jistě navrch filozofie Williama Inmona, nebot právě on byl tím, kdo jako vůbec první termín datový sklad definoval. Není proto divu, že se v 90. letech používal téměř výhradně tento přístup. V následujících letech se ale začala prosazovat Kimballova teorie. Zvláště pro malé či střední firmy představovala daleko jednodušší a méně nákladný způsob, jak do svého podniku datový sklad začlenit. 25 Lze usuzovat, že právě díky snazší implementaci a menším nákladům je i v dnešní době oněco častěji využíván přístup Ralpha Kimballa. Tyto dva faktory jsou navíc ještě umocněny současnou ekonomickou situací, kdy si žádná organizace nemůže dovolit vkládat velké částky peněz do dlouhotrvajících a předem nejistých projektů. Na závěr je však nutné říci, že cílem není vybrat si jeden přístup, podle kterého se pak budoucí vývoj datového skladu bude řídit. Daleko důležitější je ujasnit si potřeby a požadavky, které podnik k vytvoření datového skladu vedou a především soustředit se na jeho obsah a kvalitu dat. To, jestli se výsledné řešení bude více podobat jednomu či druhému přístupu, lze ponechat víceméně náhodě. 2.3 Normalizovaný a dimenzionální přístup k ukládání dat Vpředchozích kapitolách byl několikrát zmiňován normalizovaný a dimenzionální přístup, případně schéma či modelování. V této kapitole jsou všechny tyto pojmy vysvětleny a zároveň jsou určeny výhody a nevýhody obou přístupů s ohledem na jejich využití jako zdroje pro BI. Normalizovaný přístup Normalizovaný systém je takový systém, který prošel procesem normalizace a je tak optimalizovaný pro vkládání, upravování a mazání dat. Tyto operace se dají označit jedním slovem jako transakce. 26 Normalizace je proces, při kterém dochází k odstraňování redundantních dat za pomoci normalizačních pravidel 27. Rozlišuje se pět různých úrovní tzv. normálních forem, přičemž za normalizovaný systém lze označit systém, který splňuje třetí normální formu (3NF). Proces normalizace vede většinou k tomu, že jediná transakce je uložena v několika rozdílných databázových tabulkách. 25 ANUPINDI, Nagesh V. Inmon vs. Kimball [online] , poslední revize [cit ]. Dostupné z: <http://www.nagesh.com/publications/technology/173-inmon-vs-kimball-an-analysis.html> 26 Proto se také můžeme setkat s pojmem OLTP (online transaction processing) systémy. V souvislosti s datovými sklady je však častější termín operační databáze. 27 Normalizační pravidla definoval v roce 1970 Edgar F. Codd, proto se lze také setkat s názvem Coddova pravidla. V této práci nejsou dále rozebírána. 17

18 2.3 Normalizovaný a dimenzionální přístup k ukládání dat 2 DATOVÉ SKLADY Obrázek 4: Normalizovaný přístup Zdroj: Rainardi. Building a Data Warehouse. str. 9. Vlastní úprava Vzhledem k optimalizaci těchto systémů pro transakční spracování jsou nejčastěji používány k integraci dat z několika rozdílných zdrojů. 28 Proto je v souvislosti s datovými sklady normalizovaný přístup využit v případě ODS nebo u Inmonova centralizovaného řešení. 29 Snížení redundance dat má za následek také snížení celkové velikosti normalizovaných systémů. Naopak největší nevýhodou tohoto přístupu je jeho pomalá odezva při rozsáhlých analytických dotazech. To je způsobeno nevhodnou strukturou a dodržováním normalizačních pravidel. Databáze pak musí za účelem dosažení výsledku dotazu spojovat velké množství tabulek, což je samozřejmě daleko méně efektivní než číst data z jedné i když velmi obsáhlé tabulky. Dalším velkým nedostatkem normalizovaného přístupu je jeho složitost pro běžné uživatele. 30 Podobu normalizované databáze zobrazuje obrázek Díky snížení redundance se data nemusí upravovat na více místech. 29 RAINARDI, Vincent. Building a Data Warehouse: With Examples in SQL Server. Apress. United States of America str UTLEY, Craig. Designing the Star Schema Database [online]. 1995, Ver. 1.1 poslední revize [cit ]. Dostupné z: <http://ciobriefings.com/publications/whitepapers/designingthestarschemadatabase/tabid/101/default.aspx> 18

19 2.3 Normalizovaný a dimenzionální přístup k ukládání dat 2 DATOVÉ SKLADY Dimenzionální přístup Dimenzionální přístup nebo modelování je technika, která je určena pro optimalizaci databází za účelem podpory rozhodování v rámci rozsáhlých dotazů či jiných analytických technologií. 31 Dimenzionální schéma musí být složeno z centrální faktové tabulky (či tabulek) a s nimi přidružených dimenzí. Každá faktová tabulka by přitom podle Ralpha Kimballa měla být v normalizovaném (typicky v třetí normální formě) zatímco dimenze v denormalizovaném stavu. 32 Denormalizovaná databáze je databáze s určitým obsahem redundantních dat, která ještě neprošla procesem normalizace. 33 Faktová tabulka Faktová tabulka je jádrem dimenzionálního modelu a jsou v ní uložená analyzovaná data podniku. Jedna řádka ve faktové tabulce vyjadřuje určitou míru či hodnotu. Tyto míry by měly být vyjádřeny v číselné podobě tak, aby mohly kvantifikovat rozsah analyzované události jako např. počet objednávek, množství prodaného zboží nebo také dobu hovoru. Velký význam má v dimenzionálních modelech granularita. Kimball ve své publikaci uvádí, že faktové tabulky by měly být navrhovány na nejnižší úrovni detailu, která je možná, tedy za pomoci atomických dat. Atomické faktové tabulky poskytují možnost jak data v budoucnu libovolně sumarizovat. Takto upraveným datům se někdy říká agregace. Kimball dále uvádí, že všechny faktové tabulky by měly být na stejné úrovni granularity, jinak by se mohly stát velmi nepřehledné. Jak již bylo řečeno, klade se u faktových tabulek velký důraz na to, aby hodnoty v nich uvedené byly vyjádřeny číselně. Na tomto základě se rozlišuje několik typů dat. Většina jich je tzv. aditivní (např. tržby, zisk), což znamená, že se dají navzájem sčítat napříč všemi dimenzemi. Tato vlastnost je velmi důležitá, nebot Business Intelligence aplikace jen zřídkakdy načítají data z jedné faktové tabulky. Většinou se jedná o stovky až tisíce záznamů napříč celým systémem. Další hodnoty mohou být tzv. semi-aditivní a neaditivní. Semi-aditivní mohou být přidávány pouze k určitým dimenzím (např. podíl na trhu) zatímco neaditivní hodnoty nemohou být přičteny nikam (jednotková cena). 34 Co se týče počtu sloupců jsou faktové tabulky velmi malé, avšak obsahují většinou velké množství řádek. Díky tomu mohou zabírat až 90% celkové velikosti dimenzionálních databází. 31 FIRESTONE, Joseph M. Dimensional Modeling and E-R Modeling In The Data Warehouse [online] , [cit ]. Dostupné z: <http://www.dkms.com/papers/dmerdw.pdf> 32 MUNDY, John; THORNWAITE, Warren; KIMBALL, Ralph et al. The Microsoft Data Warehouse Toolkit: With SQL Server 2005 and the Microsoft Business Intelligence Toolset. Wiley Publishing. Canada str RAINARDI, Vincent. Building a Data Warehouse: With Examples in SQL Server. Apress. United States of America str MUNDY, John; THORNWAITE, Warren; KIMBALL, Ralph et al. The Microsoft Data Warehouse Toolkit: With SQL Server 2005 and the Microsoft Business Intelligence Toolset. Wiley Publishing. Canada str

20 2.3 Normalizovaný a dimenzionální přístup k ukládání dat 2 DATOVÉ SKLADY Dimenze Dimenzionální tabulky jsou nedílným společníkem faktových tabulek. Na rozdíl od nich obsahují dimenze textové popisy podniku. 35 Dimenze si lze představit jako podstatná jména datového skladu, zatímco faktové tabulky představují slovesa nebo podnikové procesy, kterých se dimenze účastní. Každá dimenze musí být propojena se všemi podnikovými procesy, se kterými souvisí. Atributy dimenzí slouží jako hlavní zdroj dotazů či reportů a mají tak v datovém skladu nepostradatelnou roli. Jsou klíčovým prvkem pro vytvoření srozumitelného datového skladu. Robustní dimenzionální atributy zároveň poskytují také možnost rozsáhlého analytického dotazování. V dobře navrhnutém dimenzionálním modelu mají jednotlivé tabulky velký počet atributů, výjimkou nejsou ani tabulky obsahující 100 sloupců. I přesto jsou ale poměrně malé a nezabírají více než 10% celkové velikosti datového skladu. 36 Jak se Ralph Kimball ve své publikaci domnívá, dimenzionální modelování je nejlepší technikou, pomocí které lze prezentovat informace uživatelům. Dimenzionální přístup umožňuje splňovat základní cíle datového skladu a tím i BI: prezentovat uživatelům potřebné informace tím nejjednodušším způsobem reagovat na uživatelské dotazy co nejrychleji poskytovat relevantní informace, které vystihují základní podnikové procesy První bod lze vysvětlit tak, že dimenzionální model obsahuje daleko méně databázových tabulek než model normalizovaný. Informace jsou navíc spojeny do souvisejících podnikových kategorií, což má za následek to, že systém je mnohem jednodušší auživatelé se v něm lépe orientují. 37 Jednoduchost dimenzionálního modelu přináší také výkonnostní benefity. Databáze mohou tato schémata procházet daleko efektivněji díky nižší potřebě spojovat jednotlivé tabulky. Uživatelské dotazy tak v porovnání s normalizovaným přístupem trvají daleko kratší dobu. 38 Ipřesto, že termín Business Intelligence a jeho jednotlivé nástroje ještě nebyly definovány, lze se domnívat, že více výhod mu bude poskytovat spojení s datovým skladem a to právě díky jeho dimenzionální struktuře. Jedině ta, jak již bylo zmíněno, umožňuje vytváření rozsáhlých analytických dotazů, na jejichž funkci je princip BI založen. 35 KIMBALL, Ralph; ROSS Margy. The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling. 2nd ed. Wiley Publishing. Canada str KIMBALL, Ralph; ROSS Margy. The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling. 2nd ed. Wiley Publishing. Canada str MUNDY, John; THORNWAITE, Warren; KIMBALL, Ralph et al. The Microsoft Data Warehouse Toolkit: With SQL Server 2005 and the Microsoft Business Intelligence Toolset. Wiley Publishing. Canada str KIMBALL, Ralph; ROSS Margy. The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling. 2nd ed. Wiley Publishing. Canada str

10. Datové sklady (Data Warehouses) Datový sklad

10. 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

Více

Základy business intelligence. Jaroslav Šmarda

Základy 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

Více

Marketingová komunikace. 2. a 3. soustředění. Mgr. Pavel Vávra 9103@mail.vsfs.cz. Kombinované studium Skupina N9KMK3PH (vm3aph)

Marketingová 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

Více

Databáze Bc. Veronika Tomsová

Databáze 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

Více

Marketingová komunikace. 3. soustředění. Mgr. Pavel Vávra 9103@mail.vsfs.cz. Kombinované studium Skupina N9KMK3PH (vm3bph)

Marketingová 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

Více

Datové sklady. Ing. Jan Přichystal, Ph.D. 1. listopadu 2011. PEF MZLU v Brně

Datové 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

Více

Znalostní systém nad ontologií ve formátu Topic Maps

Znalostní systém nad ontologií ve formátu Topic Maps Znalostní systém nad ontologií ve formátu Topic Maps Ladislav Buřita, Petr Do ladislav.burita@unob.cz; petr.do@unob.cz Univerzita obrany, Fakulta vojenských technologií Kounicova 65, 662 10 Brno Abstrakt:

Více

Business Intelligence

Business 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

Více

DATABÁZOVÉ SYSTÉMY. Metodický list č. 1

DATABÁZOVÉ 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

Více

Ing. Roman Danel, Ph.D. 2010

Ing. 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

Více

3 zdroje dat. Relační databáze EIS OLAP

3 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

Více

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 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

Více

ARCHITEKTURA INFORMAČNÍCH SYSTÉMŮ PODLE ÚROVNĚ ŘÍZENÍ

ARCHITEKTURA 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

Více

Základní informace o co se jedná a k čemu to slouží

Základní 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

Více

kapitola 2 Datové sklady, OLAP

kapitola 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

Více

Architektury 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/ 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?

Více

4IT218 Databáze. 4IT218 Databáze

4IT218 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

Více

Zdroje 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 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

Více

Marketingová komunikace. 2. soustředění. Mgr. Pavel Vávra 9103@mail.vsfs.cz. Kombinované studium Skupina N9KMK1aPH/N9KMK1bPH (um1a1ph/um1b1ph)

Marketingová 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

Více

Business Intelligence. Adam Trčka

Business 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

Více

Od klasického reportingu k SAP BO Design studio na BW power by HANA Pavel Strnad

Od klasického reportingu k SAP BO Design studio na BW power by HANA Pavel Strnad Od klasického reportingu k SAP BO Design studio na BW power by HANA Pavel Strnad CIO PIA5 NSC Prague Obsah Představení firmy Migrace BW to HANA BI architektura ve Wincor Nixdorf Migrační varianty z BW

Více

Obsah. Úvod do problematiky. Datový sklad. Proces ETL. Analýza OLAP

Obsah. 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

Více

8.2 Používání a tvorba databází

8.2 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

Více

Analýza dat skoro zadarmo možnosti rozborů pro malé organizace

Analýza dat skoro zadarmo možnosti rozborů pro malé organizace Analýza dat skoro zadarmo možnosti rozborů pro malé organizace Martin Hess Microsoft Office Specialist Master Certification katedra informačních technologií VŠE Praha hess@vse.cz Abstrakt Článek se zabývá

Více

Nová dimenze rozhodovacího procesu

Nová 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

Více

T T. Think Together 2012. Martin Závodný THINK TOGETHER. Business Intelligence systémy Business Intelligence systems

T 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

Více

Systémy pro podporu. rozhodování. 2. Úvod do problematiky systémů pro podporu. rozhodování

Systémy 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

Více

Databázové systémy. Doc.Ing.Miloš Koch,CSc. koch@fbm.vutbr.cz

Databázové 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

Více

Business Intelligence a datové sklady

Business 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

Více

Tento materiál byl vytvořen v rámci projektu Operačního programu Vzdělávání pro konkurenceschopnost.

Tento materiál byl vytvořen v rámci projektu Operačního programu Vzdělávání pro konkurenceschopnost. Tento materiál byl vytvořen v rámci projektu Operačního programu Vzdělávání pro konkurenceschopnost. Projekt MŠMT ČR Číslo projektu Název projektu školy Klíčová aktivita III/2 EU PENÍZE ŠKOLÁM CZ.1.07/1.4.00/21.2146

Více

Databáze. datum jmeno prijmeni adresa_ulice adresa_mesto cislo_uctu platba zustatek

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

Více

v praxi Rizika a přínosy zavádění BI jako nástroje pro řízení podnikání

v praxi Rizika a přínosy zavádění BI jako nástroje pro řízení podnikání Podpora rozhodování v praxi Rizika a přínosy zavádění BI jako nástroje pro řízení podnikání HanušRais Business DevelopmentManager SAS Institute ČR s.r.o. Agenda Úvod - Profil SAS Institute Pojem Business

Více

Na co se můžete s Oracle BI těšit

<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

Více

Datový sklad. Datový sklad

Datový 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

Více

CPM/BI a jeho návaznost na podnikové informační systémy. Martin Závodný

CPM/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

Více

Základy databází. O autorech 17 PRVNÍ ČÁST. KAPITOLA 1 Začínáme 19

Základy 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,

Více

Vývoj 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 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

Více

TM1 vs Planning & Reporting

TM1 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

Více

Analýza a modelování dat. Helena Palovská

Analýza a modelování dat. Helena Palovská Analýza a modelování dat Helena Palovská Analýza a modelování pro SW projekt Strukturovaný přístup Dynamická část (procesy, aktivity, funkce) Statická část (data) Objektově orientovaný přístup use case

Více

STÁTNÍ POKLADNA. Integrovaný informační systém Státní pokladny (IISSP)

STÁTNÍ POKLADNA. Integrovaný informační systém Státní pokladny (IISSP) POKLADNA Integrovaný informační systém Státní pokladny (IISSP) Ing. Miroslav Kalousek ministr financí Praha 17.12.2012 Page 1 Integrovaný informační systém Státní pokladny (IISSP) Centrální systém účetních

Více

Podnikové informační systémy Jan Smolík

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

Více

Trendy v IS/ICT přístupy k návrhu multidimenzionální modelování

Trendy 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

Více

Dobývání znalostí z databází. Databáze. datum jmeno prijmeni adresa_ulice adresa_mesto cislo_uctu platba zustatek

Dobývání 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

Více

Česká zemědělská univerzita v Praze

Česká zemědělská univerzita v Praze Česká zemědělská univerzita v Praze Provozně ekonomická fakulta Katedra informačních technologií Teze diplomové práce Operační systém Google Android Petr Koula 2011 ČZU v Praze Souhrn Diplomová práce zahrnuje

Více

Datové 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. 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

Více

MIS. Manažerský informační systém. pro. Ekonomický informační systém EIS JASU CS. Dodavatel: MÚZO Praha s.r.o. Politických vězňů 15 110 00 Praha 1

MIS. Manažerský informační systém. pro. Ekonomický informační systém EIS JASU CS. Dodavatel: MÚZO Praha s.r.o. Politických vězňů 15 110 00 Praha 1 MIS Manažerský informační systém pro Ekonomický informační systém EIS JASU CS Dodavatel: MÚZO Praha s.r.o. Politických vězňů 15 110 00 Praha 1 Poslední aktualizace dne 5.8.2014 MÚZO Praha s.r.o. je certifikováno

Více

Wonderware Information Server 4.0 Co je nového

Wonderware Information Server 4.0 Co je nového Wonderware Information Server 4.0 Co je nového Pavel Průša Pantek (CS) s.r.o. Strana 2 Úvod Wonderware Information Server je výrobní analytický a reportní informační portál pro publikaci výrobních dat

Více

Inovace výuky prostřednictvím ICT v SPŠ Zlín, CZ.1.07/1.5.00/34.0333 Vzdělávání v informačních a komunikačních technologií

Inovace výuky prostřednictvím ICT v SPŠ Zlín, CZ.1.07/1.5.00/34.0333 Vzdělávání v informačních a komunikačních technologií VY_32_INOVACE_33_02 Škola Název projektu, reg. č. Vzdělávací oblast Vzdělávací obor Tematický okruh Téma Tematická oblast Název Autor Vytvořeno, pro obor, ročník Anotace Přínos/cílové kompetence Střední

Více

Analýza a Návrh. Analýza

Analýza a Návrh. Analýza Analysis & Design Návrh nebo Design? Design = návrh Není vytváření použitelného uživatelského prostředí (pouze malinká podmnožina celého návrhu) Často takto omezeně chápáno studenty nedokáží si představit,

Více

Návrh 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 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

Více

NÁSTROJE BUSINESS INTELLIGENCE

NÁSTROJE 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

Více

Úvod do datového a procesního modelování pomocí CASE Erwin a BPwin

Úvod do datového a procesního modelování pomocí CASE Erwin a BPwin Úvod do datového a procesního modelování pomocí CASE Erwin a BPwin (nově AllFusion Data Modeller a Process Modeller ) Doc. Ing. B. Miniberger,CSc. BIVŠ Praha 2009 Tvorba datového modelu Identifikace entit

Více

MBI - technologická realizace modelu

MBI - technologická realizace modelu MBI - technologická realizace modelu 22.1.2015 MBI, Management byznys informatiky Snímek 1 Agenda Technická realizace portálu MBI. Cíle a principy technického řešení. 1.Obsah portálu - objekty v hierarchiích,

Více

GTL GENERATOR NÁSTROJ PRO GENEROVÁNÍ OBJEKTŮ OBJEKTY PRO INFORMATICA POWERCENTER. váš partner na cestě od dat k informacím

GTL GENERATOR NÁSTROJ PRO GENEROVÁNÍ OBJEKTŮ OBJEKTY PRO INFORMATICA POWERCENTER. váš partner na cestě od dat k informacím GTL GENERATOR NÁSTROJ PRO GENEROVÁNÍ OBJEKTŮ OBJEKTY PRO INFORMATICA POWERCENTER váš partner na cestě od dat k informacím globtech spol. s r.o. karlovo náměstí 17 c, praha 2 tel.: +420 221 986 390 info@globtech.cz

Více

METODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1

METODY 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

Více

Aplikace 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/ 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

Více

ROZDÍLY V NÁVRZÍCH RELAČNÍCH A OBJEKTOVÝCH DATABÁZÍ A JEJICH DŮSLEDKY PRO TRANSFORMACI MODELŮ

ROZDÍLY V NÁVRZÍCH RELAČNÍCH A OBJEKTOVÝCH DATABÁZÍ A JEJICH DŮSLEDKY PRO TRANSFORMACI MODELŮ ROZDÍLY V NÁVRZÍCH RELAČNÍCH A OBJEKTOVÝCH DATABÁZÍ A JEJICH DŮSLEDKY PRO TRANSFORMACI MODELŮ RELATIONAL AND OBJECT DATABASES DESIGN DIFFERENCES AND IT S IMPLICATIONS TO MODEL TRANSFORMATION Vít Holub

Více

KIS A JEJICH BEZPEČNOST-I

KIS 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.:

Více

Databázové patterny. MI-DSP 2013/14 RNDr. Ondřej Zýka, ondrej.zyka@profinit.eu

Databázové patterny. MI-DSP 2013/14 RNDr. Ondřej Zýka, ondrej.zyka@profinit.eu Databázové patterny MI-DSP 2013/14 RNDr. Ondřej Zýka, ondrej.zyka@profinit.eu Obsah o Co je databázový pattern o Pattern: Přiřazení rolí o Pattern: Klasifikace Databázové patterny o Odzkoušené a doporučené

Více

PostgreSQL jako platforma pro datové sklady

PostgreSQL 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

Více

Konceptuální modely datového skladu

Konceptuální 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

Více

1 Strukturované programování

1 Strukturované programování Projekt OP VK Inovace studijních oborů zajišťovaných katedrami PřF UHK Registrační číslo: CZ.1.07/2.2.00/28.0118 1 Cíl Seznámení s principy strukturovaného programování, s blokovou strukturou programů,

Více

Efektivní řízení pomocí Business Intelligence. Ján Zajíc (Clever Decision) Robert Havránek (Microsoft)

Efektivní 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

Více

Klasické metodiky softwarového inženýrství I N G M A R T I N M O L H A N E C, C S C. Y 1 3 A N W

Klasické metodiky softwarového inženýrství I N G M A R T I N M O L H A N E C, C S C. Y 1 3 A N W Klasické metodiky softwarového inženýrství I N G M A R T I N M O L H A N E C, C S C. Y 1 3 A N W Osnova přednášky Co to je softwarové inženýrství Softwarový proces Metodika a metoda Evoluce softwarových

Více

Systémy pro podporu rozhodování. Datové sklady, OLAP

Systémy 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

Více

PŘÍLOHA Č. 4 K ZADÁVACÍ DOKUMENTACI VEŘEJNÉ ZAKÁZKY MALÉHO ROZSAHU. Tvorba software pro reportování stavu projektů (dále jen IS)

PŘÍLOHA Č. 4 K ZADÁVACÍ DOKUMENTACI VEŘEJNÉ ZAKÁZKY MALÉHO ROZSAHU. Tvorba software pro reportování stavu projektů (dále jen IS) PŘÍLOHA Č. 4 K ZADÁVACÍ DOKUMENTACI VEŘEJNÉ ZAKÁZKY MALÉHO ROZSAHU Tvorba software pro reportování stavu projektů (dále jen IS) VERZE: finální DATUM: 6.9. 2013 1 ÚVOD Popis reportů potřebných pro sledování

Více

Samovysvětlující pozemní komunikace

Samovysvětlující pozemní komunikace Samovysvětlující pozemní komunikace Ing. Petr Pokorný, Centrum dopravního výzkumu, v.v.i, duben 2013 Abstrakt Dopravní inženýři v ČR se stále častěji, ve shodě s vývojem v zahraničí, setkávají s termínem

Více

Analýza a návrh datového skladu pro telekomunikační společnost. Bc. Josef Jurák

Analýza a návrh datového skladu pro telekomunikační společnost. Bc. Josef Jurák Analýza a návrh datového skladu pro telekomunikační společnost Bc. Josef Jurák Diplomová práce 2006 ABSTRAKT Business Intelligence a Data warehouse jsou základní prostředky pro podporu rozhodování, které

Více

Projektové řízení jako základ řízení organizace

Projektové řízení jako základ řízení organizace Projektové řízení jako základ řízení organizace Aleš Chudý, ředitel divize IW ales.chudy@microsoft.com Technický seminář Bratislava 6.10.2008 Obsah Potřeby byznysu a IT Řešení EPM Microsoft EPM Optimalizační

Více

INFORMAČNÍ SYSTÉMY (IS) Ing. Pavel Náplava Katedra počítačů K336, ČVUT FEL Praha 2004/2005

INFORMAČNÍ SYSTÉMY (IS) Ing. Pavel Náplava Katedra počítačů K336, ČVUT FEL Praha 2004/2005 INFORMAČNÍ SYSTÉMY (IS) Ing. Pavel Náplava Katedra počítačů K336, ČVUT FEL Praha 2004/2005 AGENDA definice IS, zavedení pojmů možnosti a rozdělení typická struktura technologie nasazení praktická ukázka

Více

BI & DWH & MIS nástroj 2. generace

BI & DWH & MIS nástroj 2. generace Pavel Seibert KOMIX s.r.o. Avenir Business Park Radlická 751/113e, 158 00 Praha 5 tel.: +420 257 288 211 Úvod Pro oblast Business Intelligence je na trhu celá řada osvědčených produktů osvědčených firem

Více

Distanční 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. 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

Více

VÝVOJOVÉ TENDENCE V MĚŘENÍ FINANČNÍ VÝKONNOSTI A JEJICH

VÝVOJOVÉ TENDENCE V MĚŘENÍ FINANČNÍ VÝKONNOSTI A JEJICH VÝVOJOVÉ TENDENCE V MĚŘENÍ FINANČNÍ VÝKONNOSTI A JEJICH REFLEXE V MANAŽERSKÉM ÚČETNICTVÍ 1 Developmental Tendencies in Financial Performance Measurements and Its Impact on Management Accounting Úvod Zbyněk

Více

Business Intelligence 2015. Hlavní témata, která budou v roce 2015 určovat vývoj business intelligence řešení a služeb.

Business Intelligence 2015. Hlavní témata, která budou v roce 2015 určovat vývoj business intelligence řešení a služeb. Business Intelligence 2015 Hlavní témata, která budou v roce 2015 určovat vývoj business intelligence řešení a služeb. Leden 2015 Téma č. 1: Cloudové služby budou využívat lokální data V roce 2015 se zvýší

Více

INFORMAČNÍ SYSTÉM VIDIUM A VYUŽITÍ MODERNÍCH TECHNOLOGIÍ

INFORMAČNÍ SYSTÉM VIDIUM A VYUŽITÍ MODERNÍCH TECHNOLOGIÍ INFORMAČNÍ SYSTÉM VIDIUM A VYUŽITÍ MODERNÍCH TECHNOLOGIÍ Michal Brožek, Dominik Svěch, Jaroslav Štefaník MEDIUM SOFT a.s., Cihelní 14, 702 00 Ostrava, ČR Abstrakt Neustále rostoucí význam sběru dat, možnost

Více

Koncept architektury reportovacích a datově analytických systémů

Koncept architektury reportovacích a datově analytických systémů Koncept architektury reportovacích a datově analytických systémů Martin Závodný Katedra informačního inženýrství Provozně ekonomická fakulta České zemědělské univerzity Kamýcká 129, 165 21 Praha 6 Suchdol

Více

VYSOKÁ ŠKOLA HOTELOVÁ V PRAZE 8, SPOL. S R. O.

VYSOKÁ ŠKOLA HOTELOVÁ V PRAZE 8, SPOL. S R. O. VYSOKÁ ŠKOLA HOTELOVÁ V PRAZE 8, SPOL. S R. O. Návrh konceptu konkurenceschopného hotelu v době ekonomické krize Diplomová práce 2013 Návrh konceptu konkurenceschopného hotelu v době ekonomické krize Diplomová

Více

2. 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

2. 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

Více

SenseLab. z / from CeMaS. Otevřené sledování senzorů, ovládání zařízení, nahrávání a přehrávání ve Vaší laboratoři

SenseLab. z / from CeMaS. Otevřené sledování senzorů, ovládání zařízení, nahrávání a přehrávání ve Vaší laboratoři CeMaS, Marek Ištvánek, 22.2.2015 SenseLab z / from CeMaS Otevřené sledování senzorů, ovládání zařízení, nahrávání a přehrávání ve Vaší laboratoři Open Sensor Monitoring, Device Control, Recording and Playback

Více

Datové sklady a možnosti analýzy a reportování dat ve výuce

Datové sklady a možnosti analýzy a reportování dat ve výuce Vysoká škola ekonomická v Praze Fakulta informatiky a statistiky Vyšší odborná škola informačních služeb v Praze Datové sklady a možnosti analýzy a reportování dat ve výuce Autor bakalářské práce: David

Více

předměty: ukončení: Zápočet + Zkouška / 5kb např. jméno, název, destinace, město např. student Jan Novák, narozen 18.5.1974

předměty: 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,

Více

Přehled modelů reputace a důvěry na webu

Přehled modelů reputace a důvěry na webu Přehled modelů reputace a důvěry na webu Jiří Vaňásek Ing. Ladislav Beránek Školní rok: 2008-09 Abstrakt V online systémech se musíme spoléhat na mechanismy implementované v rámci daného systému, na reputační

Více

Moderní metody automatizace a hodnocení marketingových kampaní

Moderní 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

Více

Manažerský 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 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

Více

Databázové systémy úvod

Databázové 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

Více

Risk management in the rhythm of BLUES. Více času a peněz pro podnikatele

Risk management in the rhythm of BLUES. Více času a peněz pro podnikatele Risk management in the rhythm of BLUES Více času a peněz pro podnikatele 1 I. What is it? II. How does it work? III. How to find out more? IV. What is it good for? 2 I. What is it? BLUES Brain Logistics

Více

Aplikace pro podporou manažerského rozhodování

Aplikace 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

Více

FINANČNÍ KONSOLIDACE TEORIE A PRAKTICKÁ REALIZACE PROSTŘEDNICTVÍM INFORMAČNÍCH SYSTÉMŮ

FINANČNÍ 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

Více

3. Očekávání a efektivnost aplikací

3. Očekávání a efektivnost aplikací VYUŽÍVANÍ INFORMAČNÍCH SYSTÉMŮ V ŘÍZENÍ FIREM Ota Formánek 1 1. Úvod Informační systémy (IS) jsou v současnosti naprosto nezbytné pro úspěšné řízení firem. Informačním ním systémem rozumíme ucelené softwarové

Více

Novinky SQL Serveru 2005 v oblasti Business Intelligence

Novinky SQL Serveru 2005 v oblasti Business Intelligence Novinky SQL Serveru 2005 v oblasti Business Intelligence Seminární práce na předmět Business Intelligence (4IT435) Vypracoval Borek Bernard, leden 2006 1 Abstrakt Microsoft SQL Server 2005 je po mnoha

Více

Hyperion a vazba na reportovací nástroje

<Insert Picture Here> Hyperion a vazba na reportovací nástroje Hyperion a vazba na reportovací nástroje Martin Grof Senior Konzultant, Oracle Czech Agenda Enterprise Performance management Představení funkčních oblastí realizace úspor Priority

Více

Operátory ROLLUP a CUBE

Operátory 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

Více

Metadata. MI-DSP 2013/14 RNDr. Ondřej Zýka, ondrej.zyka@profinit.eu

Metadata. 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

Více

powerful SAP-Solutions

powerful 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

Více

Ukládání a vyhledávání XML dat

Ukládání a vyhledávání XML dat XML teorie a praxe značkovacích jazyků (4IZ238) Jirka Kosek Poslední modifikace: $Date: 2014/12/04 19:41:24 $ Obsah Ukládání XML dokumentů... 3 Ukládání XML do souborů... 4 Nativní XML databáze... 5 Ukládání

Více

Relační databáze. V dnešní době existuje řada komerčních DBMS, nejznámější jsou:

Relační databáze. V dnešní době existuje řada komerčních DBMS, nejznámější jsou: Relační databáze Pojem databáze, druhy databází Databází se myslí uložiště dat. V době začátků využívání databází byly tyto členěny hlavně hierarchicky, případně síťově (rozšíření hierarchického modelu).

Více

VÝZNAM A POZICE CRM V ŘÍZENÍ FIREM THE IMPORTANCE AND POSITION OF CRM IN FIRM MANAGEMENT. Jaroslav Novotný

VÝZNAM A POZICE CRM V ŘÍZENÍ FIREM THE IMPORTANCE AND POSITION OF CRM IN FIRM MANAGEMENT. Jaroslav Novotný VÝZNAM A POZICE CRM V ŘÍZENÍ FIREM THE IMPORTANCE AND POSITION OF CRM IN FIRM MANAGEMENT Jaroslav Novotný Abstract Most companies are trying to find and apply to their business and marketing processes

Více

RELAČNÍ DATABÁZOVÉ SYSTÉMY

RELAČNÍ 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

Více

Aplikace 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/ 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

Více