|
|
- Kateřina Burešová
- před 8 lety
- Počet zobrazení:
Transkript
1 ORGANIZACE DAT PRO JEJICH ANALYZU 1 Dusan H USEK a Hana REZANKOVA UIVT AV CR, VSE KSTP Abstract: In this paper problems of data storage and exploration in DataWarehouse are discussed. Basic variations of relational data model are described and comparison with multidimensional model are shown. Following schemes based on relational models are mentioned: Star Schema and Snowakes Schema. Rezme: V to rabote diskutirovany problemy hraneni dannyh i ih ispol~zovanie v sklade dannyh. Opisany osnovnye varianty relacionno modeli dannyh i pokazano sravnenie s mul~tidimenzional~no modele. Upomnuty sleduwie shemy osnovanye na relacionno modeli: Star scheme i Snowake scheme. Sobremenno prevoshodit podhod kombiniruwi relacionnu model~ dannyh vmeste s mul~tidimenzional~no modele. Klcova slova: Sber dat, tezba dat, organizace dat, datovy sklad, podnikovy informacn sklad, statisticke databaze, OLAP, ROLAP 1 Uvod Nove technologie v oblasti poctacovych ved (Computer Science) rozsiruj pojem statisticke vypocty\ (Statistical Computing) i na oblasti sberu dat a jejich sren (elektronicka vymena dat, ste), organizace dat a jejich spravy (statisticke systemy rzen baze dat), interpretace vysledku a vytvaren vystupnch sestav (metody umele inteligence). Vynoruj se tez nove perspektivy pro samotnou analyzu dat, zalozene na vyuzit poctacove graky a neuronovych st (viz [8]). Vsechny tyto oblasti lze zahrnout do statistickeho vypocetnho prostred. Na jedne strane tedy organizace dat a jejich sprava je soucast statisticke analyzy, na strane druhe byva statisticka analyza casto zarazovana jako soucast aplikac vytvarenych v ramci systemu rzen baze dat (S RBD). Jednm typem takovychto aplikac jsou podnikove informacn systemy (Enterprise Information Systems - EIS). EIS mohou byt rozcleneny do tr kategori. 1 Tato prace vychaz zvysledku grantu c.102/94/0728 GA CR
2 I. EIS zalozene na relacnm S RBD Univerzalnm rozhranm k tomuto S RBD je jazyk SQL (Structured Query Language), ktery dominoval databazove technologii temer 15 let. Konkretnm typem aplikac v tomto prostred jsou administrativn a provozn informacn systemy OLTP (On-line Transaction Processing), jez jsou urceny pro spravu obchodnch dat (uctovan), lze sem zaradit i systemy pro rezervaci jzdenek a letenek apod. Soucast techto systemu tedy jeste nemus byt statisticke zpracovan, i kdyz mohou byt poctany souhrnne charakteristiky. Vtomto prpadejeclem vypoctuzskat odpovedi na otazky typu: Kolik jsme dnes prodali vyrobku?\ II. EIS zalozene na multidimenzionalnm modelu Clem aplikac je vytvaret multidimenzionaln pohled na data. Tento typ aplikac je oznacovan jako OLAP (On-line Analytical Processing). Z hlediska organizace dat rozlisujeme ROLAP (Relational OLAP), kdy multidimenzionalita nespocva v ulo- zen dat, ale az v jejich prezentaci (pro ulozen je pouzvana relacn databaze) a MOLAP (Multidimensional OLAP), kdy je princip multidimenzionality uplatnovan i pri organizaci dat. V obou prpadech jsou hlavnm vystupem ruzne typy tabulek a grafu z oblasti popisne statistiky. Systemy, ktere jsou zalozeny na principu OLAP, jsou oznacovany jako EIS, pricemz tato zkratka vdanem prpade znamena Executive (manazersky) IS. Obecne mohou tyto systemy zahrnovat i prostredky pro rozsahlejs statistickou analyzu dat, proto je lze oznacit jako systemy pro podporu rozhodovan (DSS - Decision Suport Systems). Typickym dotazem v takovemto systemu je otazka typu: Kter jsou nejleps zakaznci pro produkt X v regionu Y?\ III. EIS zalozene na tezbe dat\ ci dolovan dat\ (Data Mining) Lepe by bylo charakterizovat cinnost techto systemu jako tezba informac z dat\. Jde v podstate o dukladnou statistickou analyzu zjist'ujc zavislosti v datech, trendy v casovych radach apod. Dalsm charakteristickym rysem v procesu Data Mining\ je vyuzvan neuronovych st. Typickymi dotazy v takovemto systemu jsou takove, jejichz clem je zskat odpovedi na otazky typu: Na jakydruhzakaznkubychom se meli zamerit?\ Jaky druh udalost zpusobil koupi produktu s temito zakaznky?\ Vstupem pro DSS jsou data zskavana casto z ruznych zdroju (zruznych operacnch systemu azruznych formatu dat). Obvykle jde o rozsahle datove
3 soubory. Manipulace s daty, ktera zahrnuje jejich zskavan, modelovan a zpracovan do zakladnch informac dulezitych pro rzen, je oznacovana jako Data Warehousing\. Prostred, ktere tyto cinnosti umoznuje, je nazyvano datovym skladem (Data Warehouse). Jako prvky datoveho skladu jsou uvadeny i OLAP a EIS. V literature se ve vyse uvedenych pojmech vyskytuje znacna nejednotnost, a to i v ramci jedne rmy. Naprklad rma SAS drve zahrnovala veskerou moznou statistickou analyzu jako soucast datoveho skladu. Take Data Mining\ bylo uvadeno jako prvek datoveho skladu, a to jednak pri transformaci dat, jednak pri jejich vyuzit. Tento pojem byl spojen predevsm s vyuzitm neuronovych st. Nyn je Data Mining\ chapan jako komplexn proces, ktery vyuzva jak neuronove ste, tak klasicke statisticke metody. Datovy sklad tvor vstup do tohoto procesu. Je tedy urcen pouze ke zskavan dat z ruznych zdroju a k jejich preveden do formy vyuzitelne v procesu tezby dat\. 2 Data Warehouse (DW) Datovy sklad je tedy urcen predevsm k ukladan a integraci dat mimo provozn databazi a zajisten manipulace s temito daty. DW muze vyuzvat i nekolik modelu pro ukladan dat soucasne (fyzickych modelu). Mimo fyzickeho modelu dat v DW se pouzva jeste logicky model dat na urovni konceptualn a model transformac. Rozlisujeme tedy logicke modelovan dat, fyzicke modelovan dat a modelovan transformac. Clem modelovan dat v DW je urcit strukturu a obsah DW a denovat, jak prevest data do DW. Denice modelu je ukladana jako metadata v metabazi DW. Logicky model denuje entity, ktere budou vyzadovany vdw. Tento logicky model ma byt preveden do fyzickeho modelu dat, ktery denuje architekturu DW. Na urovni fyzickeho modelu by mely byt zohledneny i pozadavky vyplyvajc z funkcn analyzy na vybery ci sumarizace dat apodobne.
4 2.1 Fyzicky model dat V predeslem bylo receno, ze na fyzicke urovni se muze vyskytovat nekolik modelu dat. Prkladem DW, ktery podporuje takovou strategii, je DW od spolecnosti SAS. Relacn model dat Zakladnm elementem v tomto modelu je relace. Na urovni uzivatele pak je relace repezentovana tabulkou. Pro manipulaci s daty existuj neproceduraln jazyky, kterevsak vyzaduj, k zajistenintegrity dat a jejich neredundance, aby data byla ukladana v tzv. normalizovanem stavu. Standardem pro manipulaci s datyvtomto modelu se stava jazyk SQL (Structured Query Language). S RBD pracujc s tmto modelem jsou optimalizovany pro on-line transakcn zpracovan, na pomerne jednoduche dotazy a aktualizacn prkazy. Na konceptualn urovni lze k modelovan dat pouzt Entity-Relationship (E-R) model. polozka sdlo zakaznka dodava zakaznk prodej vyrobek prodejn oddelen oblast prodeje Obr.: E-R diagram Protoze v ramci DW je databaze vyuzvana uzivateli pouze pro dotazovan, je mozno ulozit data do databaze v nenormalizovane podobe. Dusledkem je vsak enormn narust diskoveho prostoru. Pomoci ma nasledujc resen. Model hvezda (Star schema) Model hvezda ma byt odpoved na problemy pouzit relacnho modelu v oblasti rzen, a tedy i na urovni agregovanych dat. Je zalozen na fyzickem aparatu relacnch S RBD, ale data nejsou ukladana v normalizovane podobe. V ramci tohoto modelu jsou oddelena fakta - vetsinou kvantitativn udaje - od kategorialnch dat neboli dimenz. Fakta jsou ulozena v centraln nenormalizovanych tabulkach. Takto je redukovan pocet tabulek a pritom je omezena potreba jejich spojovan (Join) v prubehu prace s databaz ve DW. Tmto zpusobem je zlepsena odezva systemu. Denormalizace ma za nasledek redundanci dat a tudz i vets pamet'ove naroky, integritu dat je nutne zajist'ovat proceduralnmi prostredky.
5 Casova dimenze udaje o prodeji dimenze produktu cas (klc) ;! cas (klc) den produkt (klc) ;! produkt (klc) mesc prodane mnozstv popis ctvrtlet cena v korunach znacka rok ostatn fakta kategorie oddelen dodavatel (udaje) atd. obdob vyrobek prodej odberatel geograe Obr.: Model hvezda Model snehova vlocka (Snowake schema) Sleduje stejne cle jako model hvezda, ale vychaz se zde z predpokladu, ze tabulky dimenz potrebuj alespon castecnou normalizaci, protoze denormalizace dimenz muze mt za nasledek stale vysokou redundanci udaju v databazi (a tudz i problemy s ukladanm dat a udrzbou databaze). Casova dimenze udaje o prodeji dimenze produktu cas (klc) ;! cas (klc) den produkt (klc) ;! produkt (klc) mesc prodane mnozstv popis ctvrtlet cena v dolarech znacka rok ostatn fakta kategorie oddelen dodavatel (klc) ;! atd.
6 obdob dodavatel vyrobek prodej odberatel zeme region Obr.: Model snehova vlocka Multidimenzionaln model dat (MDMD) Protoze stale roste pouzvan nastroju pro zpracovan dat technologi OLAP, kde zakladnm modelem pro pohled na data je multidimenzionaln kostka, je pravdepodobne, ze tento datovy model se prosad i na nejnizs fyzicke urovni (ted' se na situaci dvame z pohledu dodavatelu relacnchsrbd). Co stoj ukladan dat v multidimenzionalnm modelu dat Celkovou velikost multidimenzionaln databaze je dana vzorcem ny 8 Di i=1 kde n je pocet zakladnch dimenz a Di je kardinalita i-te zakladn dimenze. V realnych aplikacch tak muzeme dospet k neuveritelne velkym hodnotam potrebneho diskoveho prostoru. Tak naprklad jsou-li u spolecnosti sbrany po dobu peti let mescne udaje o 5000 zakazncch, 2000 vyrobcch v peti tovarnach, distribuovanych pres tri distribucn msta, pricemz chceme sledovat (a tudz i ukladat do Data Warehouse) 10 ukazatelu ve trech ruznych formach - planovane, aktualn a predikovane, pak velikost potrebneho diskoveho prostoru bude 8 (5 12) =2 16 PB (petabajtu) V realite pak mnoho z techto kombinac nebude existovat. Vetsina zakaznku bude nakupovat jenom nektere vyrobky a jen obcas, takze se bude jednat
7 o rdkou matici. V jednom konkretnm prpade z praxe velmi blzkemu vyse uvedenemu prkladu bylo pro ulozen dat potreba pouhych 800 MB. Multidimenzionaln model dat se vyznacuje exibilitou, ktera umoznuje uchovavat velke objemy rdkych\ dat, tzn. ze prazdne polozky se neukladaj. V soucasne dobe se vedou spory o to, zda je vubec nezbytne, pri vykonnosti soucasne vypocetn techniky vyuzvat specializovane modely dat pro jejich ukladan v DW a nasledne zpracovan v ramci OLAP. Kombinovany model dat Nicmenevprechodne dobe se zda, ze bude nejvhodnejspouzt kombinaci techto dvou technologi (Oracle), tzn. podrobna data mt ulozena v relacn databazi a agregovana neboli souhrnna data na multidimenzionalnm neboli OLAP serveru. Tento model vynika exibilitou, ktera umoznuje uchovavat velke objemy rdkych\ datanadruhe strane zase dovoluje, aby manipulace s udaji v ramci slozitych ekonomickych modelu, jako je hierarchie vyrobku, nebo organizac probhala v intuitivnejsm multidimenzionalnm prostred. znacka vyrobn rada vyrobek Obr.: Kombinace relacnho a multidimenzionalnho modelu Aby byla mozna koexistence techto dvou modelu, v DW mus existovat moznost tesne vazby jazyka SQL na MDMD. Zjednodusene receno je nezbytne, aby jazyk pro manipulaci s daty na urovni RMD mel tesnou vazbu na MDMD. V soucasnosti se u nekterych remnch vyrobku objevuj rozsren jazyka SQL, ktera si viditelne kladou za cl umoznit zskavat-predavat agregovaneudaje vyss- vrstve pracujcsmultidimenzionalnm modelem dat (viz rozsren jazyka SQL od spolecnosti Microsoft o prkazy CUBE a ROLLUP). Podle poslednch vyzkumu organizace pro pruzkum trhu Gartner Group bude klcovym trendem na trhu OLAP snaha o tesne pripojen multidimenzionalnch serveru relacnm DW.
8 2.2 Pozadavky na manipulace s daty Hlavn pozadavkem na manipulace s daty v DW je jejich intuitivnost v tom smyslu, ze se pouzva pojmovy aparat znamy spse z oblasti vyhodnocovan dat (nez z oblasti jejich ukladan): drill-down - zobrazen detailnch dat, ktera byla pouzita pro agregace, roll-up - zobrazen agregovanych hodnot na nejblizs vyss hierarchicke urovni, drill-everywhere - rozsren aktualn analyzy v libovolnem smeru, dicing - rotace nebo prevracen multidimenzionaln tabulky (hyperkostky), slicing - vyclenen jedne vrstvy z multidimenzionaln tabulky, pivoting - transpozice dvourozmerne tabulky (zamena sloupcu za radky a naopak), surng - navigovan v datech pomoc drag and drop\ operac, data mining - prosevanvelkychobjemudatsclem nalezen (skrytych) vztahu mezi nimi, join - spojovan podle odpovdajcch si dimenz. 3 ROLAP, OLAP a EIS Jako prklad multidimenzionalnho ulozen dat si uved'me prevod dat z relacnho modelu v systemu Media EIS pomoc specialnho programovacho jazyka. Mejme cselne promenne Naklady a Trzby a kategorialn promenne Typ vyrobku, Zeme, Mesto, Rok. V systemech EIS jsou pouzvany pojmy ukazatele, resp. promenne, pro sledovane ukazatele (Naklady, Trzby), kategorie, resp. dimenze, pro kategorialn promenne (Typ vyrobku, Oblast, Obdob) a
9 prvky kategori, resp. hodnoty dimenz pro hodnoty kategorialnch promennych, ktere mohou byt hierarchicky usporadany, napr. pro kategorii Oblast muzeme uvazovat prvky Ceska republika Praha Brno Ostrava Slovenska republika Bratislava Kosice... Pokud jsou v relacnm modelu ulozeny napr. denn udaje, je mozne v EIS ukladat pouze sumarizovane udaje za ctvrtlet, prp. rok apod. Vyhodou tohoto multidimenzionalnho ulozen je rychlejs prstup k datum, ktery se vyrazne projev prave v prpade sumarizace udaju. Prklad prevodu: Data: 93,10,1,1,Od, , , , ,10,1,1,Kl, , , , ,10,1,1,St, , , , ,10,1,1,Pr, , e-002, e-002, e ,10,1,1,Br, , , , ,10,1,1,Ko, , e-002, e-002, e ,10,1,1,Ru, , , , ,10,1,1,Ja, , , , e ,10,1,2,Od, , , e-002, e-002 Popis prevodu: LOADER Pro_Doba INPUT ASCII COMMA FILE = \uv{pro_doba.txt} rok kvartal pracov sektory papirny prodcas Cas1 Cas2 Cas3 SELECT Rok = rok Ctvrtleti = kvartal [ _1Ct. = _2Ct. = 04-06
10 _3Ct. = _4Ct. = ] Zdroje = pracovnici [ Delnici = 01 Technici = 02 Management = 03 ] Sektory = sektory [ Prejimka = 01 Vyroba = 02 Obchodnici = 03 Administrativa = 04 ] Papirny = papirny [ Klatovy = Kl Strakonice = St Prachatice = Pr Rumburk = Ru Jablonec = Ja Bruntal = Br Odry = Od Kosice = Ko ] OUTPUT ProduktivniCas = TOTAL (prodcas) ERASE NeproduktivniCas OF _Skoleni = Cas1 NeproduktivniCas OF Dovolena = Cas2 NeproduktivniCas OF NahradniPrace = Cas3 4 Zaver K ukladan dat v ramci technologie Data Warehouse jsou v soucastnosti pouzvany varianty relacnho modelu dat a model multidimezionaln. Posledne jmenovany model je blizs koncovemuuzivateli, umoznuje efektivne ukladat a pracovat s agregovanymi daty. Na druhe strane zdrojem dat pro data Warehouse jsou operativn data ulozena predevsm v relacnch databazch. Podle poslednch vyzkumu organizace pro pruzkum trhu Gartner Group bude klcovym trendem na trhu OLAP snaha o tesne pripojen multidimenzionalnch serveru relacnm DW.
11
12 References [1] Anderson,S., Walker,E.: Building a SAS Data Warehouse. A SAS Institute White Paper, SAS Institute Inc., [2] Bannister,F.E.: OLAP - A Question of Denition. DATASEM'96, Brno , CS-Compex, a.s., str [3] Codd,E.F., Codd,S.B., Salley,C.T.: Providing OLAP (On-line Analytical Processing) to User-Analyst. E. F. Codd & Date, Inc., [4] Emmerich,T., Walker,E.: SAS Institute's Rapid Warehousing Methodology. A SAS Institute White Paper, SAS Institute Inc., [5] Greenberg,H.: OLAP, nebo ROLAP? ComputerWorld, VII(1996), c.30, str.16. [6] Held,G., Neville,P.: Data Mining with the SAS System: From Data to Business Advantage. A SAS Institute White Paper, SAS Institute Inc., [7] Kozak,J.: Pouzita data nevyhazovat! ComputerWorld, VII(1996), c.30, str.16. [8] Lauro,C.: Computational Statistics or Statistical Computing, is that the question? Daily Bulletin of COMPSTAT'96, 29th August 1996, Barcelona. [9] Lhotak,M., Benesovsky,M.: Data Warehousing aneb nic noveho pod sluncem? DATASEM'96, Brno , CS-Compex, a.s., str [10] Linthicum,D.S.: Spoluprace clienta se serverem v praxi. PC Magazine Czech Edition, rocnk IV (1996), cslo 5, str [11] Media EIS. Dokumentace k programovemu systemu, Speedware, [12] Mena,J.: Vytezte vlastn data. ComputerWorld, VII(1996), c.36, str.14. [13] Morton,S., Anderson,A.: Requirements-driven Data Modelling for the SAS Data Warehouse. A SAS Institute White Paper, SAS Institute Inc., [14] Oracle Warehouse. Firemn material, Oracle, [15] SYBASE - Interactive Warehouse. PC Magazine Czech Edition, rocnk IV (1996), cslo 9, str (Specialn inzertn sekce). [16] Stverka,I., Havlena,V.: Zmente vase data v konkurencn vyhodu (1.). ComputerWorld, VII (1996), c.38, str [17] Stverka,I., Havlena,V.: Zmente vase data v konkurencn vyhodu (2.). ComputerWorld, VII (1996), c.39, str [18] Weber,J.: Data Warehouse, ano? Proc? A jak? DATASEM'96, Brno , CS-Compex, a.s., str
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
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
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
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
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
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
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
VíceMarketingová komunikace. 2. a 3. soustředění. Mgr. Pavel Vávra 9103@mail.vsfs.cz. Kombinované studium Skupina N9KMK3PH (vm3aph)
Marketingová komunikace Kombinované studium Skupina N9KMK3PH (vm3aph) 2. a 3. soustředění Mgr. Pavel Vávra 9103@mail.vsfs.cz http://vavra.webzdarma.cz/home/index.htm Co nás čeká: 2. soustředění 16.1.2009
VíceMarketingová komunikace. 3. soustředění. Mgr. Pavel Vávra 9103@mail.vsfs.cz. Kombinované studium Skupina N9KMK3PH (vm3bph)
Marketingová komunikace Kombinované studium Skupina N9KMK3PH (vm3bph) 3. soustředění Mgr. Pavel Vávra 9103@mail.vsfs.cz http://vavra.webzdarma.cz/home/index.htm Zdroje Studijní materiály Heleny Palovské
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
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
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
VíceIng. Roman Danel, Ph.D. 2010
Datový sklad Ing. Roman Danel, Ph.D. 2010 Co je to datový sklad a kdy se používá? Pojmem datový sklad (anglicky Data Warehouse) označujeme zvláštní typ databáze, určený primárně pro analýzy dat v rámci
VíceBI v rámci IS/ICT komponenty BI architektura. Charakteristika dat a procesů v IS/ICT. Datové sklady ukládání dat návrh datového skladu
BI v rámci IS/ICT komponenty BI architektura Charakteristika dat a procesů v IS/ICT Datové sklady ukládání dat návrh datového skladu BI CRM ERP SCM Aplikace pro podporu základních řídících a administrativních
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
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
VíceDatový sklad. Datový sklad
Datový sklad Postavení v rámci IS/ICT Specifika návrhu Modelování Datový sklad POSTAVENÍ NÁVRH Postavení datového skladu (DW) v IS/ICT z hlediska aplikací jako součást Business Intelligence z hlediska
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
VíceDistanční opora předmětu: Databázové systémy Tématický blok č. 3: OLAP, operátory CUBE a ROLLUP Autor: RNDr. Jan Lánský, Ph.D.
Distanční opora předmětu: Databázové systémy Tématický blok č. 3: OLAP, operátory CUBE a ROLLUP Autor: RNDr. Jan Lánský, Ph.D. Obsah kapitoly 1 OLTP a OLAP 1.1 Datový sklad 1.2 Datová kostka 2 OLAP dotazy
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
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
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
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
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
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
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,
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
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
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
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
VíceSystémy pro podporu rozhodování. Datové sklady, OLAP
Systémy pro podporu rozhodování Datové sklady, OLAP 1 4. Datový management: sklady, přístup a vizualizace Principy MSS Nové koncepce Objektové databáze Inteligentní databáze Datové sklady On-line analytické
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
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
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
VíceMarketingová komunikace. 2. soustředění. Mgr. Pavel Vávra 9103@mail.vsfs.cz. Kombinované studium Skupina N9KMK1aPH/N9KMK1bPH (um1a1ph/um1b1ph)
Marketingová komunikace Kombinované studium Skupina N9KMK1aPH/N9KMK1bPH (um1a1ph/um1b1ph) 2. soustředění Mgr. Pavel Vávra 9103@mail.vsfs.cz http://vavra.webzdarma.cz/home/index.htm Minulé soustředění úvod
VíceDotazovací jazyky I. Datová krychle. Soběslav Benda
Dotazovací jazyky I Datová krychle Soběslav Benda Obsah Úvod do problematiky Varianty přístupu uživatelů ke zdrojům dat OLTP vs. OLAP Datová analýza Motivace Vytvoření křížové tabulky Datová krychle Teorie
VíceMETODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1
METODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1 DOLOVÁNÍ V DATECH (DATA MINING) OBJEVUJE SE JIŽ OD 60. LET 20. ST. S ROZVOJEM POČÍTAČOVÉ TECHNIKY DEFINICE PROCES VÝBĚRU, PROHLEDÁVÁNÍ A MODELOVÁNÍ
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
VíceObsah. Kapitola 1. Kapitola 2. Kapitola 3. Kapitola 4. Úvod 11. Stručný úvod do relačních databází 13. Platforma 10g 23
Stručný obsah 1. Stručný úvod do relačních databází 13 2. Platforma 10g 23 3. Instalace, první přihlášení, start a zastavení databázového serveru 33 4. Nástroje pro administraci a práci s daty 69 5. Úvod
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,
VíceOperátory ROLLUP a CUBE
Operátory ROLLUP a CUBE Dotazovací jazyky, 2009 Marek Polák Martin Chytil Osnova přednášky o Analýza dat o Agregační funkce o GROUP BY a jeho problémy o Speciální hodnotový typ ALL o Operátor CUBE o Operátor
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
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?
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
VíceMultidimenzionální pohled na zdravotnické prostředí. INMED Petr Tůma
Multidimenzionální pohled na zdravotnické prostředí INMED - 21.11.2003 Petr Tůma Koncepce multid pohledu Poskytování péče probíhá v multidimenzionálním světě; dimenze tento svět mapují podobně jako souřadnice
VíceObsah. 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................................................
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
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)
VíceDatabázové a informační systémy
Databázové a informační systémy doc. Ing. Miroslav Beneš, Ph.D. katedra informatiky FEI VŠB-TUO A-1007 / 597 324 213 http://www.cs.vsb.cz/benes Miroslav.Benes@vsb.cz Obsah Jak ukládat a efektivně zpracovávat
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
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,
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
VícePOKROČILÉ POUŽITÍ DATABÁZÍ
POKROČILÉ POUŽITÍ DATABÁZÍ Barbora Tesařová Cíle kurzu Po ukončení tohoto kurzu budete schopni pochopit podstatu koncepce databází, navrhnout relační databázi s využitím pokročilých metod, navrhovat a
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
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
VíceDatabáze II. 1. přednáška. Helena Palovská palovska@vse.cz
Databáze II 1. přednáška Helena Palovská palovska@vse.cz Program přednášky Úvod Třívrstvá architektura a O-R mapování Zabezpečení dat Role a přístupová práva Úvod Co je databáze Mnoho dat Organizovaných
Více8.2 Používání a tvorba databází
8.2 Používání a tvorba databází Slide 1 8.2.1 Základní pojmy z oblasti relačních databází Slide 2 Databáze ~ Evidence lidí peněz věcí... výběry, výpisy, početní úkony Slide 3 Pojmy tabulka, pole, záznam
VíceModely datové. Další úrovní je logická úroveň Databázové modely Relační, Síťový, Hierarchický. Na fyzické úrovni se jedná o množinu souborů.
Modely datové Existují různé úrovně pohledu na data. Nejvyšší úroveň je úroveň, která zachycuje pouze vztahy a struktury dat samotných. Konceptuální model - E-R model. Další úrovní je logická úroveň Databázové
VíceMichal Krátký, Miroslav Beneš
Databázové a informační systémy Michal Krátký, Miroslav Beneš Katedra informatiky VŠB Technická univerzita Ostrava 5.12.2005 2005 Michal Krátký, Miroslav Beneš Databázové a informační systémy 1/24 Obsah
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
VíceDatabázové systémy úvod
Databázové systémy úvod Michal Valenta Katedra softwarového inženýrství FIT České vysoké učení technické v Praze c Michal Valenta, 2011 BI-DBS, ZS 2011/12 https://edux.fit.cvut.cz/courses/bi-dbs/ Michal
VíceMultidimenzionální modelování v rámci analýzy a návrhu IS/ICT
Multidimenzionální modelování v rámci analýzy a návrhu IS/ICT Abstrakt: Vladimíra Zádová Katedra informatiky, TU Liberec, e-mail: vladimira.zadova@tul.cz Strukturovaný a objektový přístup jsou klasické
VíceKapitola 1: Úvod. Systém pro správu databáze (Database Management Systém DBMS) Účel databázových systémů
- 1.1 - Kapitola 1: Úvod Účel databázových systémů Pohled na data Modely dat Jazyk pro definici dat (Data Definition Language; DDL) Jazyk pro manipulaci s daty (Data Manipulation Language; DML) Správa
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
VíceArchitektury Informačních systémů. Jaroslav Žáček
Architektury Informačních systémů Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Nutné pojmy Co je to informační systém? Jaké oblasti zahrnuje? Jaká je vazba IS na podnikovou strategii?
VíceKolaborativní aplikace
Kolaborativní aplikace Michal Máčel Vema, a. s. Okružní 3a, 638 00 Brno - Lesná, macel@vema.cz Tomáš Hruška Fakulta informačních technologií Vysokého učení technického v Brně, Ústav informačních systémů,
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
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
VíceÚvod do databází. Modelování v řízení. Ing. Petr Kalčev
Úvod do databází Modelování v řízení Ing. Petr Kalčev Co je databáze? Množina záznamů a souborů, které jsou organizovány za určitým účelem. Jaké má mít přínosy? Rychlost Spolehlivost Přesnost Bezpečnost
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
VíceData Warehouses. Jaroslav Bayer 1. Fakulta informatiky Masarykova univerzita
PV005 Služby počítačových sítí: Data Warehouses Jaroslav Bayer 1 Fakulta informatiky Masarykova univerzita 28. 11. 2012 1 CVT FI MU, B310, email: xbayer@fi.muni.cz Jaroslav Bayer (FI MU) PV005 Služby počítačových
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
VíceDatabáze v MS ACCESS
1 z 14 19.1.2014 18:43 Databáze v MS ACCESS Úvod do databází, návrh databáze, formuláře, dotazy, relace 1. Pojem databáze Informací se data a vztahy mezi nimi stávají vhodnou interpretací pro uživatele,
VíceStručný obsah. K2118.indd 3 19.6.2013 9:15:27
Stručný obsah 1. Stručný obsah 3 2. Úvod 11 3. Seznamy a databáze v Excelu 13 4. Excel a externí data 45 5. Vytvoření kontingenční tabulky 65 6. Využití kontingenčních tabulek 81 7. Kontingenční grafy
VíceDatabázové systémy úvod
Databázové systémy úvod Michal Valenta Katedra softwarového inženýrství Fakulta informačních technologií České vysoké učení technické v Praze c Michal Valenta, 2016 BI-DBS, LS 2015/16 https://edux.fit.cvut.cz/courses/bi-dbs/
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
VíceDatabázové systémy úvod
Databázové systémy úvod Michal Valenta Katedra softwarového inženýrství FIT České vysoké učení technické v Praze c Michal Valenta, 2012 BI-DBS, ZS 2012/13 https://edux.fit.cvut.cz/courses/bi-dbs/ Michal
VíceDatové modelování II
Datové modelování II Atributy Převod DM do schématu SŘBD Dotazovací jazyk SQL Multidimenzionální modelování Principy Doc. Miniberger, BIVŠ Atributy Atributem entity budeme rozumět název záznamu či 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
VíceDatabáze SQL SELECT. David Hoksza http://siret.cz/hoksza
Databáze SQL SELECT David Hoksza http://siret.cz/hoksza Osnova Úvod do SQL Základní dotazování v SQL Cvičení základní dotazování v SQL Structured Query Language (SQL) SQL napodobuje jednoduché anglické
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
Více01. Kdy se začala formovat koncept relačních databází (Vznik relačního modelu, první definice SQL)? a) 1950 b) 1960 c) 1970 d) 1980
01. Kdy se začala formovat koncept relačních databází (Vznik relačního modelu, první definice SQL)? a) 1950 b) 1960 c) 1970 d) 1980 02. Kdy přibližně vznikly první komerční relační databázové servery?
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
VíceAnalýza a modelování dat 3. přednáška. Helena Palovská
Analýza a modelování dat 3. přednáška Helena Palovská Historie databázových modelů Relační model dat Codd, E.F. (1970). "A Relational Model of Data for Large Shared Data Banks". Communications of the ACM
VíceZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ
metodický list č. 1 Dobývání znalostí z databází Cílem tohoto tematického celku je vysvětlení základních pojmů z oblasti dobývání znalostí z databází i východisek dobývání znalostí z databází inspirovaných
VíceVytvořil Institut biostatistiky a analýz, Masarykova univerzita J. Jarkovský, L. Dušek, M. Cvanová. 5. Statistica
Vytvořil Institut biostatistiky a analýz, Masarykova univerzita J. Jarkovský, L. Dušek, M. Cvanová 5. Statistica StatSoft, Inc., http://www.statsoft.com, http://www.statsoft.cz. Verze pro Mac i PC, dostupná
VíceUkládání 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
VíceZáklady databází. O autorech 17 PRVNÍ ČÁST. KAPITOLA 1 Začínáme 19
3 Obsah Novinky v tomto vydání 10 Význam základních principů 11 Výuka principů nezávisle na databázových produktech 12 Klíčové pojmy, kontrolní otázky, cvičení, případové studie a projekty 12 Software,
VíceDolování asociačních pravidel
Dolování asociačních pravidel Miloš Trávníček UIFS FIT VUT v Brně Obsah přednášky 1. Proces získávání znalostí 2. Asociační pravidla 3. Dolování asociačních pravidel 4. Algoritmy pro dolování asociačních
VíceGeografické informační systémy p. 1
Geografické informační systémy Slajdy pro předmět GIS Martin Hrubý hrubym @ fit.vutbr.cz Vysoké učení technické v Brně Fakulta informačních technologií, Božetěchova 2, 61266 Brno akademický rok 2004/05
VíceSTÁTNÍ 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
VíceDatové sklady ve školství
Datové sklady ve školství aneb evaluace procesu výuky jinak Jana Šarmanová Obsah Business Intelligence a školní výuka Databáze a datové sklady Analýza datového skladu Studie DS pro studijní agendu VŠ Studie
VíceAplikace pro podporou manažerského rozhodování
Mendelova univerzita v Brně Provozně ekonomická fakulta Aplikace pro podporou manažerského rozhodování Diplomová práce Vedoucí práce: Ing. Pavel Turčínek, Ph.D. Bc. Jiří Nevídal Brno 2015 Rád bych tímto
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
VíceÚvod do databázových systémů. Ing. Jan Šudřich
Ing. Jan Šudřich jan.sudrich@mail.vsfs.cz 1. Cíl předmětu: Úvod do databázových systémů Poskytnutí informací o vývoji databázových systémů Seznámení s nejčastějšími databázovými systémy Vysvětlení používaných
VíceDnešní témata Informační systém, informační služba Podnikový informační systém
Dnešní témata Informační systém, informační služba Podnikový informační systém VOŠIS UIM 5 1 Rekapitulace Kde jsou dokumenty? Osobní informační systém Informace v organizaci Veřejné informační systémy
VíceData Cube. Luboš Kulič Tomáš Kuthan
Data Cube Luboš Kulič Tomáš Kuthan 31.10.2007 Osnova Motivace Použití DWH, analýza dat Operátory CUBE a ROLLUP teorie Podpora v reálných (SŘBD) Motivace Většina souč. DB relační => zaznamenání vztahů Velmi
VíceDATOVÉ SKLADY A OLAP V PROSTŘEDÍ MS SQL SERVERU
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV INFORMAČNÍCH SYSTÉMŮ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF INFORMATION SYSTEMS DATOVÉ SKLADY
Více