Systémy pro podporu rozhodování. Datové sklady, OLAP

Rozměr: px

Začít zobrazení ze stránky:

Download "Systémy pro podporu rozhodování. Datové sklady, OLAP"

Miroslav Kadlec
před 8 lety
Počet zobrazení:

1 Systémy pro podporu rozhodování Datové sklady, OLAP 1

2 4. Datový management: sklady, přístup a vizualizace Principy MSS Nové koncepce Objektové databáze Inteligentní databáze Datové sklady On-line analytické zpracování (OLAP) Multidimensionalita Dolování v datech (Data mining) Internet / Intranet / Web 2

Datové sklady On-line analytické zpracování (OLAP)

3 4.8 Datové sklady Fyzická separace operačního prostředí a prostředí na podporu rozhodování Účel: vytvořit úložiště dat umožňující přístup k operačním datům Transformace operačních dat do relačního tvaru Z TPS přicházejí pouze data potřebná pro podporu rozhodování Data jsou transformována a integrována do konzistentní struktury Datové skladování (nebo skladování informací): řešení problému přístupu k datům Koncoví uživatelé provádějí ad hoc dotazování, analýzu reportů a vizualizaci dat 3

pro podporu rozhodování Data jsou transformována a integrována do konzistentní struktury Datové skladování (nebo

4 Výhody datových skladů Zvýšení produktivity znalostních pracovníků Podporují všechny požadavky rozhodovatelů na data Zabezpečují okamžitý přístup ke kritickým datům Izolují operační databáze od ad hoc zpracování dat Dávají souhrnné informace na vysoké úrovni Zabezpečují možnosti detailních pohledů 4

přístup ke kritickým datům Izolují operační databáze od ad hoc zpracování

5 Výhody datových skladů Datové sklady poskytují: Zvýšenou podnikovou inteligenci (business intelligence) Konkurenční výhodu Zlepšené služby zákazníkům a jejich spokojenost Možnost tvorby rozhodnutí Pomoc při usměrňování podnikových procesů 5

výhodu Zlepšené služby zákazníkům a jejich spokojenost

6 Architektury datových skladů Dvojúrovňová (two-tier) architektura Tříúrovňová (three-tier) architektura ( 6

7 7 Dvouúrovňový DS

8 8 Tříúrovňový DS

9 9 Jednoúrovňový DS

10 Velká fyzická databáze Logický datový sklad Datový trh (data mart) Složky datového skladu a aplikace: Systémy pro podporu rozhodování (DSS) a exekutivní informační systémy (EIS) 12

11 Vhodnost použití datových skladů Pro organizace, ve kterých Data se nacházejí v různých systémech Management využívá řídící přístupy založené na informacích (information-based) Velká báze zákazníků různého typu Některá data mají různou reprezentaci v různých systémech Data jsou ukládána ve vysoce technické a těžko dekódovatelné formě 13

(information-based) Velká báze zákazníků různého typu Některá data mají různou

12 Charakterizace datového skladování Data jsou organizována dle konkrétního typu subjektu a obsahují pouze informace relevantní konkrétní podpoře rozhodování (např. zákazník, obor činnosti apod.) Data jsou integrovaná z různých formátů v různých zdrojích do konzistentního tvaru Časově proměnná data za období 5-10 let Po vstupu do skladu se data už nemění ani neaktualizují 14

13 Výhody struktury datových skladů Integrita dat Konzistence v časových dimenzích Vysoká efektivnost Nízké provozní náklady Lze uchovávat data na různých úrovních sumarizace Poskytuje zákazníkům rychlý přehled 15

Nízké provozní náklady Lze uchovávat data na různých

14 Digitální obrázky 4.9 Vizualizace dat a multidimensionalita Technologie pro vizualizaci dat Geografické informační systémy Grafická uživatelská rozhraní Multidimenzionální prezentace Tabulky a grafy Virtuální realita Prezentace Animace 16

15 Multidimenzionalita 3-D + tabulky Data mohou být organizována způsobem, jakým je chtějí vidět spíše manažeři než systémoví analytici Lze lehce a rychle dosáhnout různých způsobů prezentace stejných dat Dimenze: výrobky, prodejci, segmenty trhu, obchodní jednotky, geografické lokality, distribuční kanály, země, průmysl Jednotky: peníze, objemy prodeje, propočty na hlavu, majetkový profit, aktuální versus předpověděné Čas: denně, týdně, měsíčně, čtvrtletně nebo ročně 17

segmenty trhu, obchodní jednotky, geografické lokality, distribuční kanály, země, průmysl Jednotky: peníze, objemy

16 Omezení multidimenzionality Až o 40% více paměti počítače než odpovídající relační databáze Vyšší cena až o 50% Navýšení spotřeby systémových prostředků a času Složitější rozhraní a údržba Multidimenzionalita je obzvláště populární u exekutivních informačních a podpůrných systémů 18

systémových prostředků a času Složitější rozhraní a údržba

17 4.10 OLAP: Přístup k datům, dolování, dotazování a analýza Online Analytical processing (OLAP) DSS a EIS výpočty prováděné koncovými uživateli pomocí online systémů V protikladu je online zpracování transakcí (online transaction processing OLTP) Generování dotazů Aktivity OLAP Požadování ad hoc reportů Provádění statistických analýz Konstrukce multimediálních aplikací 19

(online transaction processing OLTP) Generování dotazů Aktivity OLAP Požadování ad hoc reportů Provádění

18 OLAP využívá datový sklad a soubor nástrojů Nástroje pro dotazování Tabulky Nástroje pro dolování v datech Nástroje pro vizualizaci dat 20

19 Data Sou rc e s Busin ess Com m unica tion Qu erying Internal Da ta Sou rces E xtern al Da ta Sou rces Da ta Acquisition, E xtraction, Deliver y Tra nsformation Da ta Wa rehou se Repor t Gen era tion Sprea dsheet Forecastin g Analysis Modelin g Da ta Presen ta tion a nd Visualiza tion Mu ltim edia E IS, Others On line Analytica l Processin g FIGURE 4.1 Data Warehousing and Online Analytical Processing (OLAP).

dsheet Forecastin g Analysis Modelin g Da ta Presen ta tion a nd Visualiza tion Mu ltim edia E IS,

20 Architektura multidimenzionálního OLAP (MD-OLAP)

21 Architektura relačního OLAP (ROLAP)

22 OLAP Packages DSS Web (MicroStrategy, Inc.) Oracle Express Server (Oracle Corp.) DataFountain (Dimensional Insight Inc.) Pilot Internet Publisher (Pilot Software, Inc.) WebOLAP (Information Advantage Inc.) Focus Fusion (Information Builders, Inc.) Business Objects Inc. (Business Objects) InfoBeaconWeb (Platinum Technology, Inc.) BrioQuery (Brio Technology Inc.) Data multidimensionality - In Touch/ Pilot personal cubes 24

23 Data Mining - dolování v datech Pojem pokrývající odkrývání znalostí v databázích extrakci znalostí datová archeologie explorativní analýza dat zpracování obrazců dat bagrování v datech rozsáhlý sběr informací ( žně ) 25

24 Hlavní charakteristiky a cíle dolování v datech Data jsou často hluboko zahrabána Architektura klient/server Účinné nové nástroje -- zahrnují pokročilé vizualizační nástroje -- pomáhají odstranit nánosy na informacích Úprava a synchronizace dat Užitečnost měkkých dat (obvykle textové soubory) Koncový uživatel, provádějící dolování, mívá k dispozici nástroje pro detailizaci pohledů na data (data drills) a jiné mocné dotazovací nástroje bez potřeby znalostí programování Často zahrnuje nálezy neočekávaných výsledků Nástroje jsou často kombinovány s tabulkovými procesory atd. Paralelní zpracování pro dolování v datech 26

25 Aplikační oblasti pro dolování v datech Marketing Bankovnictví Prodej Výroba Obchodování na burze Pojišťovnictví Počítačový hardware a software Vláda a obrana Letectví Péče o zdraví Rozhlasové a televizní vysílání Kriminalistika 27

26 4.11 Inteligentní databáze a dolování v datech Vývoj aplikací pro MSS vyžaduje přístup do databází AI technologie (ES, ANN) pomáhají při řízení databáze Propojení ES s velkými databázemi Příklad: optimalizace dotazů Rozhraní v přirozeném jazyce 28

27 Inteligentní dolování v datech Použití inteligentního prohledávání k nalézání informací v datových skladech, které dotazy a reporty nejsou schopny efektivně objevit Nalézání obrazců v datech a na jejich základě odvozování pravidel Použití obrazců a pravidel k návodům při rozhodování a předpovědích Dolováním v datech lze získat pět obecných typů informací: 1) asociace, 2) posloupnosti, 3) klasifikace, 4) shluky a 5) předpovědi 29

28 Hlavní nástroje používané v inteligentním dolování v datech Případové uvažování (Case-based Reasoning) Neurální výpočty (Neural Computing) Inteligentní agenti (Intelligent Agents) Jiné nástroje rozhodovací stromy indukce pravidel vizualizace dat 30

29 Inteligentní databáze jako integrace ES a databáze

30 4.12 Souhrn Data pro rozhodování přicházejí z interních a externích zdrojů Systém pro řízení báze dat (SŘBD) je jednou z hlavních složek většiny systémů na podporu managementu Znalost nejnovějšího pokroku v této oblasti je velmi důležitá Data jsou zlatým dolem informací, pokud je dokážeme vydolovat Organizace skladují data a dolují v nich Nástroje pro multidimenzionální analýzu a nové podnikové architektury systémů jsou velmi užitečné Užitečné jsou rovněž nástroje OLAP 32

31 Souhrn (pokrač.) Objektový přístup k analýze systémů, k jejich návrhu a implementaci může být velmi vhodný Nové formáty dat pro multimediální SŘBD Internet a intranety použitím Webovských prohlížečů pro přístup SŘBD Zabudované metody umělé inteligence v SŘBD 33

32 35 Konec

Podobné dokumenty

Systémy pro podporu rozhodování. Datový management

Systémy pro podporu rozhodování Datový management 1 Připomenutí obsahu minulé přednášky Systémy pro podporu rozhodování - hlubší pohled Konfigurace DSS Definice DSS Charakterizace a možnosti DSS Komponenty