Információrendszer-architektúrák 7.

Az előadások a következő témára: "Információrendszer-architektúrák 7."— Előadás másolata:

1 Információrendszer-architektúrák 7.
Az Üzleti Intelligencia architektúrái 1. Üzleti intelligencia: reporting és OLTP 2. Adattárház, OLAP 3. Adatbányászat 4. SAP, Comshare, SAS Eset: Adatbányászat, AmEx

2 Mit kíván a vezetés? Javítsuk az egyéni és a csoportos teljesítményeket úgy, hogy A/ Legyen „jobb” a rendszer kimenete B/ Legyenek hozzáférhető, a vezetői döntéseket támogató fejlesztői eszközök, eljárások

3 A/ A kimenetek kérdése A.1./ Megfogható kimenetek ICT támogatása
- a kimenet elkészítése hatékonyabb legyen - el kell tudni dönteni: kell ehhez ICT? - ha igen: ki kell választani a megfelelő rendszert - ki kell alakítani a megfelelő eljárásokat A.2./ Nem-megfogható kimenetek támogatása - Látnunk kell az Célok – Adat – Információ – Tudás vállalati sémáját - Látnunk kell a döntések minőségi információ-igényét - Mindehhez fejlesztő-eszközökre, eljárásokra van szükség CÉLOK Döntések Eljárások Információ Adat

4 B/ A vezetés kiszolgálása: az MIS-től elvárt minőség
Az MIS belső és külső kimenete adott minőségű kell legyen: TARTALOMBAN - IDŐBELISÉGBEN - FORMÁBAN Pontosság (adat, mértékegység, hivatkozás), hibamentesség Teljesség: az összes lényeges tényt tartalmazza Többféle célra rugalmasan felhasználható legyen Megbízható, hivatkozható, ellenőrzött legyen A döntéstámogató számára releváns legyen (megfelelőség) A megrendelő számára időben érkezzen (a döntési folyamat elvégezhető egyen) Igazolható, hiteles legyen (minőségbiztosítás, megszemélyesítés, külső hitelesítés) Elérhető, hozzáférhető legyen Megfelelős formátumú legyen (tiszta, részletezett, rendezett, bemutatott)

5 Igény a feldolgozásra Sun Tzu (i.e , A háború művészete): „Ismerd meg teljes bizonyossággal saját magad és az ellenség erősségeit és gyöngeségeit – bármelyik hiánya vereséghez vezet.” Adat: forrása bármi, aminek viselkedése, jellemzői formálisan rögzíthetőek Információ: értelmes kérdésre az adathalmaz alapján értelmes választ adunk Tudás: örökölt/szerzett képességek és készségek alternatívák felismerésére és közöttük történő döntéshozatalra Bölcsesség: széleskörű tudás, kreativitás, intuíció, nyitottság, a személyiség kiteljesítése INFORMÁCIÓ ADAT A CÉL MINDIG A DÖNTÉS, A TÚLÉLÉS, A SIKER DÖNTÉS

6 Adatok, információk és döntés: ‘2000
A begyűjthető adatmennyiségek hatalmasra nőttek, s az Internet mindezt felgyorsította, elérhetővé tette A mechanikusan növelhető állományok (pl. Web-szövegek!) hagyományos módszerekkel már nem szűrhetőek, nem elemezhetőek: az információ-kinyerés egyre nehezebb A tudás-vállalatok és a magasabb tudású alkalmazottak megkövetelik a releváns, jó minőségű információt A vezetői cselekvéshez ilyen, megbízható tudáson alapuló döntések szükségesek - az „üzleti intelligencia” támogatása, szintjének növelése a végső cél. Nyers, belső-külső Igényelt, releváns Meglévő tudás Döntés, adathalmazok információk tovább-építése cselekvés

7 Mi hajtja a BI rendszerek megjelenését?
Egyre több, sokféle üzleti alkalmazás A teljesítmények figyelése a lényeg: KPI, BPI mutatószámok BI platformok: SQL,OLAP, ETL Egyre több, valóban használható üzleti alkalmazás Az eredmény: hihetetlen mennyiségű, értékes adat Egyre igényesebb vállalati irányítás: „Az adatok fontosak” Egyre több, gyűjthető és gyűjtött adat BI megoldások Egyre jobb adatbázis- kezelők Hatóságok, tulajdonosok, partnerek info-igényei BI „csomagok”: „EBIS”,OLAP, BI portálok Egyre nagyobb, olcsóbb adattárak (hw) Info-technológiák Vállalat-irányítás BI fejlesztések

8 Üzleti intelligencia – az új alkalmazási boom
Történelme legnagyobb felvásárlását jelentette be az IBM, mikor 2007 november 13-án bekebelezte a Cognost: a BI szoftvereket fejlesztő vállalatért 5 milliárd dollárt fizettek A BI szoftverek globális piaca 2006-ban 12,5 milliárd dollárt tett ki (AMR Research), ezek a megoldások az inforendszerek kritikus elemévé válnak. A vállalati alkalmazások világpiacát mintegy 40 milliárd dollárra teszik. Az SAP 4,8 milliárd eurót fizetett 2007 őszén a francia Business Objects vállalatért: ez mintegy ötezer ügyfél… Ez válasz volt az Oracle márciusi akciójára, amikor a cég 3,1 milliárd dollárért kebelezte be a BI piac negyedik szereplőjét, a Hyperiont. Az ilyen jellegű szoftverek piaca az IDC alapján 2006-ban több, mint 11 százalékkal nőtt Az ok: az egyre duzzadó adathalmazokból a vezetőknek, döntéshozóknak értelmes, értékes információkat kell kinyerniük, és a szervezet tényleges teljesítményét nyomon kell követniük. A háttérben dolgozó adatbázis-kezelők piacának birtoklásáért is ádáz küzdelem folyik. A piac, 2006-ban: Business Objects 14,9 százalék SAS BI ,9 százalék (az AMR Research szerint 21%) Cognos ,0 százalék Microsoft 7 százalék ORACLE + Hyperionnal 8,5 százalék.

9 Definíciók Az ERP rendszerek a folyamatok, tranzakciók kezelésére készülnek A vezetés az ERP belső információit külső adatok feldolgozásával veti össze: Tudás-menedzsment „Üzleti intelligencia” módszerek Tartalom-menedzsment: szöveg-elemzések A BI olyan DSS változat, amely a vezetők komplex üzleti informálását támogatja

10 Adatkezelés: trendek A vezetés „Management” A szervezet „Operations”
Hagyományos adatfájlok, adatgyűjtés, nyomtatás. Szolgáltatói adatfeldolgozás ~1960 ~1970 ~1980 ~1990 ~2000 ~2010 A vezetés „Management” A szervezet „Operations” Saját kis/mikrogépes adatkezelés, funkcionális adathalmazok Vállalati nagygépes adatkezelés, funkcionális alkalmazások Igény: adatbázis. Elmélet, majd szoftverek Elemző táblázatkezelők Relációs adatbázisok, adatmodellezés, SQL Vizualizációs technikák, multimédia,„tudás-kezelés” Igény: OLTP tranzakció- kezelés, majd Web Igény: OLAP online elemzési lehetőség Adattárház-technológiák, adatbányászati eljárások Üzleti Intelligencia, új generáció: ERP II.

11 A vezetők igényei: új megoldások
A vezetői információrendszer (EIS) a felső szinten dolgozó menedzserek döntéshozatali munkáját támogató alrendszer. Viszonylag kevés elsődleges input adattal dolgozik, s ezek nagy része külső forrásból származik. A döntési szint aggregált információk kezelését feltételezi, ezek minősége nagyon fontos tényező, s a döntések hosszú távra szólnak, átfogó kérdésekre adnak választ. Megoldásaiban ezért különbözik az operatív (TPS) rendszerek technológiájától, s eltér a közvetlen adatbevitelt feltételező VIR (MIS) menedzseri szinteknél megszokott rendszerektől is: üzleti intelligencia Business Intelligence „A BI elterjedtségben ma ott tart, ahol a szövegszerkesztők álltak 20 évvel ezelőtt. Mindenkinek hozzáférhetővé kell tennünk ezeket az eszközöket. ” Jeff Raikes, Microsoft

12 Információs rendszerek: a változás
EIS MIS KWS/OAS TPS/SOP BI OLAP OLTP adattisztítás átalakítás betöltés OLTP adatbázis OLAP adattárház F adat- piacok F adat- piacok F adat- piacok A ’80-as évektől uralkodó, relációs adatbázis-kezelőkre épített vállalati rendszerek megújulnak: az operatív adatkezelési szint automatikussá válik, ugyanakkor ezzel az elemezhető adattömeg jelentősen megnő Egységes szemléletű, „multi-dimenzionális” adatkezelés jelenik meg a leválogatott-megtisztított adathalmazokon: az ERP II rendszerek kiegészülnek OLAP / BI elemző modulokkal, s minden távolról, online módon kezelhetővé válik

13 Nézzük a technikai hátteret!
Az adattárház (DW: data warehouse) tárgyorientált, integrált, tartós és időfüggő adatgyűjtemény a vezetői döntéstámogatás szolgálatában (Bill Immon) • Tárgyorientált (témaorientált): témának, fogalomnak megfelelően gyűjtjük az adatokat a DW-ben. • Integrált: az adatrendszer több helyről származó, integrált adatokat és kapcsolataikat tartalmazza • Tartós: Az adatok egy „pillanatot” rögzítenek, további tranzakciós, vagy módosító változás nem történik Időfüggő: Gyakorlatilag idősorokat kezel.

14 Az adattárház (DW) – egy példa
Tárgyra-orientált: a különböző platformok, adatbázis- kezelők által gondozott állományokból egy adott téma érdekében válogatunk Jutalék Ügyfél Integrált: egyidőben kezeli a téma elemzéséhez tartozó, különböző formátumú, eredetű, minőségű adatokat DW: „Gépkocsi- biztosítások Ügynök Kár Tartós: az összeállított DW újra és újra elemezhető, tartalma (szokásosan) nem változik Időfüggő: az ETL folyamat a tranzakciós adatbázis egy adott állapotát tükrözi: ez a dátum jellemzi az adattárházat

15 Az adatbázis és az adattárház
(Sidló Csaba)

16 Az információs folyamat
Extract Transfer Load

17 Az OLAP technikák Mire használhatjuk az adattárházat?
Újfajta adatkezelési technikák Adat-elemzési módszerek új kombinációja, OL hozzáférés

18 OLTP és On-Line Analytical Processing: lenn automatizálás, fenn elemzés
Tulajdonságok OLTP OLAP Orientáció tranzakciók adatanalízis Felhasználó vállalat adminisztrációt döntéshozók és őket végző alkalmazottai információval támogató alkalmazottak Feladat napi folyamatok követése döntéstámogatás, hosszútávú információ gyűjtés és szolgáltatás Adatbázis Egyed-Kapcsolat modell, csillagséma alkalmazás orientált tárgy-orientált Adatok aktuális, up-to-date történeti adatok, időben archiválva Aggregált adatok nem jellemző; részletes felbontás összegzett, egyesített adatok Adatok nézete részletezett, relációs összegzett, multidimenzionális Felhasználók hozzáférése olvasás/írás legtöbbször olvasás, adattárház adatait nem módosítják Hangsúly adatbevitelen információkinyerésen van Rekordszám tízes nagyságrendű rekord alkalmanként akár milliós rekordszám Felhasználók száma viszonylag sok kevés, közép és felsővezetők Prioritás állandó rendelkezésre állás rugalmasság, felhasználói önállóság

19 Codd kritériumai: Az adatkezelés „OLAP”, ha…
Sokdimenziós világnézet, több mint kettős relációk Átláthatóság (tudja hogyan működik, értse mit csinál) Hozzáférhetőség (any time, anywhere, adatbányászat) Egyenletes lekérdezési teljesítmény (összegyűjtött adatok) Kliens/szerver architektúra (nagyméretű OLAP szerver) Többdimenziós felépítés, kiválasztható dimenziók Dinamikus ritkamátrix kezelés (gyorsaság – nagy adattömeg) Többfelhasználós üzemmód Korlátlan többdimenziós műveletvégzés, bármilyen adattal Intuitív adatkezelés (egér, beszéd, minimális billentyű vezérlés) Rugalmas megjelenítés Korlátlan dimenziószámok (15-19 adat dimenzió, összegzések,…)

20 Multi-dimenzionális OLAP „adatkocka”
Műveletek: Aggregáció (roll-up): egy dimenzió mentén összegzést végzünk Lefúrás (drill-down): az előző ellentéte, pl. havi adat lebontása Forgatás (pivoting): dimenzió felcserélése: más nézet Szelekció (filtering): egy dimenzióban értékre szűrünk Szeletelés (slicing): egy dim-t lekötünk; (dicing): részkocka kivágása

21 „Sokdimenziós” adatbázis: az OLAP kocka
– Cella: a vizsgált adatmennyiséget tartalmazó tárolási egység. Pl. Egy konkrét eladás forgalmi adatait tartalmazza (érték, darabszám). – Változó: a cella leírására szolgáló összetett adatstruktúra egy eleme (pl. eladott mennyiség, ár). – Dimenziók: a kocka éleihez rendelt mennyiségek, amitől függnek a cella értékek (pl. idő, hely adatok). – Jellemzők: a dimenziók leíró adatai (pl. termék-dimenzió esetén a terméket leíró adatok, mint terméknév, egységár, stb.). – Tag: a dimenzió egy érték-előfordulása.

22 A DW elérése adatkockából
Háromféle adatbázis technológia (az OLAP szerverben): • ROLAP (Relational OLAP): hagyományos relációs adatbázis kezelő; a többdimenziós megjelenést (adatkocka) speciális relációs adatbázis sémák biztosítják. • MOLAP (multidimensional OLAP). Olyan adatbázis kezelő, amely közvetlenül egy többdimenziós adatkockában tárolja az adatokat. • HOLAP (Hybrid OLAP). Olyan hibrid megoldás, amely mind a relációs, mind a többdimenziós adatkocka-tárolás lehetőségét megengedi.

23 OLAP: amit a vezető el tud képzelni („vizualizációs – dashboard - technikák”)
RadarSoft SAS Dundas charting

24

25 Adatbányászati technikák
A probléma: tudáskinyerési hatalmas adatmennyiségből úgy, hogy a kérdések nagy része előre nem ismert – mintákat, összefüggéseket keresünk az adattárházban A folyamat iteratív lépései: - adatpreparálás: adatok minőségének javítása - adatbányászat: kiszűrni, formalizálni a tudást, „mintákat” találni - tudás ellenőrzése: elvárások ellenőrzése Alapfeladatok: – osztályozás, klaszterezés, függőség modellezés, minőség mérés – adatbányászati eljárások: döntési fa, szabályképzés, NH neurális hálók, EA evolúciós algoritmusok, példa alapú tanulás, … – utófeldolgozás: szabályok egyszerűsítése, érdekes szabályok kiemelése, minták értelmezése

26 DM technikák Az adatpreparálás során a kiindulási adatok minőségét javítjuk: tisztítás, ellenőrzés A második lépés a tulajdonképpeni adatbányászat, mely kiszűri, formalizálja a tudást. A harmadik lépés, a tudás ellenőrzés, leginkább szubjektív ellenőrzése az eredménynek. A tudáskinyerési folyamat során többféle alapfeladatot alkalmazunk: osztályozást, klaszterezést, függőség vizsgálatot, minőségmérést. Osztályozás esetén az adatok közül kiválasztunk egy céljellemzőt és a többi adattal jósoljuk a céljellemző értékét /osztályát. A klaszterezést mint csoportosítási technikát használjuk a jellemzők kiválogatására. Az adatok közt lehetnek belső függőségi viszonyok. A függőség vizsgálat során szabályokkal írjuk le az adatok közti függőségeket. A minőség mérésénél a kapott tudás pontosságát (pl. az osztályozás helyessége), egyszerűségét, érdekességét vizsgáljuk.

27 DM lépések Adatpreparálás. A legfőbb tevékenysége a jellemzők szelektálása. Általában többféle adatból, jellemzőből kell kiválasztatni azt a részhalmazt, amely megfelelően jellemezni tudja az adatok összességét. Két elterjedt technika a szelektálásra a szűrő és a wrapper-alapú részhalmaz kiválasztás. A szűrő alapúnál az adatok közti belső függőségeket vizsgáljuk, és így választjuk ki a legjobb részhalmazt.A wrapper alapúnál egy osztályozás hatékonyságát vizsgáljuk. Kiválasztva egy részhalmazt, a hozzá tartozó jellemzők alapján osztályozunk egy teszt példasort. Mérjük az osztályozás hatékonyságát és azt a részhalmazt választjuk, amelynél a legsikeresebb az osztályozás. Adatbányászat. A tényleges tudáskinyerés többféle módszerrel lehetséges: döntési fa, szabályképzés, neurális hálózat, evolúciós algoritmus stb. Döntési fa esetén az adatok lehetséges értékei alapján olyan fastruktúrát írhatunk fel, amelynek egyes útvonalai (ágai) egy-egy példacsoporthoz tartoznak, és így osztályozni tudják a példákat. A szabályképzés „IF … Then …”formájú összefüggéseket keres az adatok közt. Az MI neurális háló módszere a példákból megtanulhat egy osztályozási feladatot. Az MI evolúciós algoritmus módszere a legkülönbözőbb feladatokra használható: akár döntési fa, akár osztályozás előállítására, generálására felhasználható. Utófeldolgozás (a tudás ellenőrzése). Tipikus feladatai közé tartozik a szabályok egyszerűsítése. Csökkenthetjük a szabályok vagy a feltételek számát, ill. az érdekes, új összefüggéseket feltáró szabályokat kiemelhetjük.

28 „Üzleti Intelligencia”
Howard Dresner (Gartner Group, 1989): „A BI olyan módszerek, fogalmak halmazát jelenti, melyek a döntéshozás folyamatát javítják adatok és ún. tényalapú rendszerek használatával.” A "tényalapú rendszer" a következő alrendszereket foglalja magába: Vezetői információs rendszerek (Executive Information Systems EIS) Döntéstámogató rendszerek (Decision Support Systems, DSS) Vállalati információs rendszerek (Enterprise Information Systems ERP) Adattárház-technikákra épülő vezetői célú adatelemző eljárások Online Analytical Processing (OLAP) Adat- és szöveg-bányászati eljárások, heurisztikus, neurális és evolúciós „mesterséges-intelligencia” módszerek (Data Mining, AI) Adat-vizualizáció, változatos megjelenítési technikák Tér-információs rendszerek (Geographic Information Systems, GIS) Az ún. adattárház megoldásokat az üzleti intelligencia megoldások egy szeletének lehet tekinteni.

29 Az OLAP és az „üzleti intelligencia”
Az OLAP vezetői szintű adatelemzést szolgáló, valós idejű rendszer, amely lehetővé teszi jelentések készítését, ad-hoc jellegű kérdések megválaszolását, összefüggések feltárását, intelligens „mintakeresést” Az OLAP a már meglévő adatokból (tranzakciós adatbázis) olyan információkat hoz létre, amelyek segítséget nyújtanak a döntésekhez. A többdimenziós adatmodellben az elemző tetszőleges szempontok szerint, különböző nézetekből vizsgálhatja adatait. Az OLAP adat-háttere a tranzakciós adatbázisból időről időre elkészített adattárház (data warehouse), s ennek speciális lekérdezésekkel készített metszetei (data-mart). Példa: Az értékesítést online tranzakciók kísérik; az OLTP adatbázis frissül. Az adatbázisból naponta kivonat készül a vezetés számára (adatkockák, akár történeti adatokkal, idősorokkal) ezt speciális BI szoftverek kezelik (adatbányászati technikák). A marketing-elemző OLAP rendszerével marketing adatszeletet, „piacot” (data mart) készít, ezen elemzéseket végez, vizuálisan megjeleníti. Az OLAP rendszereket BI (Business Intelligence) szoftverek támogatják: adat-integrálás, konvertálás többféle rendszerből, adatok áttöltése (ETL), gyors lekérdezés, majd változatos „intelligens elemzés” 

30 A BI architektúra-megoldások
Adattárház „legacy” adatbázisok OLTP architektúrákkal DM adatbányászati technikák OLAP technikák

31 Az információszolgáltatás formája és időzítése
- Ugyanakkor, ugyanazt, ugyanúgy: regular time, standard form" - Ugyanazt, ugyanúgy, de csak akkor, ha szükséges - Exception Reporting: "standard reporting, any time" - Sokféle ugyanazt, azonnali válasszal, kérésre on-line szolgáltatások - Tetszőleges igényre elegendően jó válasz: interaktív számítógépes rendszer, "any time, any form": OLAP Döntés Adatforrások Adattárház DSS Eredmények DM K D D: Knowledge Detection from Databases

32 A BI megoldások tipikus struktúrája
Teljesítmény-menedzsment (BPM): döntések Mutatószámok Teljesítmény-menedzsment alkalmazások Jelentések, reporting Más rendszerekbe beágyazott és vállalati aggregált jelentések Lekérdezések, elemzések Interaktív elemzések Ad hoc lekérdezések Üzleti intelligencia – platform BI portál elérése – Információterjesztés – Együttműködés Elemző motorok – Metaadatok – Biztonság – Fejlesztői szolgáltatások Adat-integrációs szint A leggyakoribb módszerek: mutatószám-rendszerek (scorecard); kulcsfontosságú jellemzők megjelenítése (dashboarding); egyéb vizualizáció; teljesítmény-menedzsment; adatbányászat; adattárház-építés; DSS; dokumentum-tárházak; EIS / VIR; OLAP analitika; térinformatika; szövegbányászat, stb. Sántáné et al.; „Business Object” szoftver nyomán

33 Példa: Az SAP BI megoldása

34

35 Az SAP BW felhasználása
„Üzleti Tartalom” rendszer: – Adatkinyerő programok, adatkockák, beszámolók, lekérdezések (170 adatkocka, 800 Excel beszámoló,…) – Lekérdezési lehetőségek különböző beosztásokhoz (szerepközpontú). • Standard területek: pénzügy, beszerzés, termelés, marketing, emberi erőforrás. • Speciális iparági területek: bank, egészségügy, … - Az SAP BW további döntéstámogató rendszereknek lehet az alapja: ilyen az SAP Stratégiai vállalatvezetés (SEM: Strategic Enterprise Management) termék.

36 Példa: A Microsoft új, integrált üzleti intelligencia platformja

37 Példa: A ComShare BI rendszer
Comshare Menedzsment Tervezés és Kontrol (MPC: Management Planning and Control System)

38 Példa: a SAS integrált adatplatform

39 A SAS BI elemei Lekérdező, jelentéskészítő eszközök – OLAP
– SAS/EISZ: fejlesztőeszköz OLAP alk. fejlesztésére – SAS/Enterprise Guide: stat. elemzések, leválogatások Adatbányászat: klaszter elemzés, asszociáció szabályok alapján, modellek (NH, döntési fa, regresszió,…) Statisztikai elemzések – E-csatorna (SAS e-intelligence). Web látogatók elemzése

40 Miért „éri meg” az információ-elemzés?
Tipikus alkalmazások: tervezési, teljesítmény-követési, eltérés-elemzési, szimulációs, adatbányászati, előrejelzési, kontrolling feladatok – az „üzleti intelligencia” ismeretszerzése, bármely céllal Példák: Web-oldalak szöveg-bányászata, visszakeresés Hitelkérelem összetett paraméter-vizsgálata; Sarbanes-Oxley! Marketing adatpiac elemzésével ügyfél-szegmentáció: kisebb költség, nagyobb hatékonyság Kritikus teljesítmény-mutatók (KPI) elemzése nagy szervezetekben Web-oldalon történő mozgás és előzetes értékesítés alapján személyre szabott ajánlatkészítés (PC kiegészítők) Vásárlások alapján „bevásárlókosár-minták” készítése, vevőprofilok alapján együttes értékesítési akciók, akár személyre szabottan (elektronika, utazások, biztosítások) Felsőoktatás: lemorzsolódás, felvételik, munkahelyek összefüggései

41 Néhány adatbányászati alkalmazási terület

42 Néhány BI termékről Microsoft: „Hagyja el az Excelt, lépjen feljebb!” Office Performance Point Server 2007 (az Office 2007 csomag utolsó tagjaként, a MS SQL Server 2005-re építve). A szokásos alkalmazásokon (Excel, Outlook, Sharepoint) keresztül kimutatások, jelentések, scorecardok, benchmarkok készíthetők, az adatok „összeszedése” Office és MS Dynamics környezetben folyik. Az OPPS 2007 szerverenként 20 ezer dollár, felhasználónként 195 dollár: árverseny! ORACLE: Business Intelligence Standard Edition One integrált üzleti adatelemzési és adattárház rendszer KKV-k számára ( felhasználói licenc): interaktív műszerfal-nézet (dashboard), formázott kimutatások, eseti lekérdezések és adatelemzések, adatkinyerést, átalakítását, betöltését végző ETL-technológia, Orcel adatbáziskezelő. A cél a maximális kezelési egyszerűség. Licenc: 1,000 dollár/munkahely. A nagyobb licenc: Oracle Business Intelligence Suite EE SAS Intelligence Architecture; Enterprise Business Intelligence Server: integráló platform, riportolás, lekérdezések, bonyolult elemzések, OLAP kockák, képi megjelenítés, MS Office környezet. Az importálást az intelligens platform (SAS Enterprise Intelligence Platform) biztosítja (adat-integráció, adattárolás, elemző intelligencia, üzleti intelligencia) . Enterprise Miner: Hatalmas portfolió, funkcionális alkalmazásokkal. SAP /Business Objects: a két termékcsalád integrációja következik OpenOffice / Sun: Az OpenOffice.org nyílt szoftvercsomagba integrálták a Pentaho nevű jelentéskészítő eszközt. Base, OLAP, XML forrásokból importálhatók adatok. SPSS – Clementina: előrejelző adatbányászati megoldások a statisztikai adatbázisra alapozva Más cégek: Actuate, Applix, Business Objects, Cognos, Comshare, Eclipse BIRT, Dat Allegro, Greenplum, Hyperion, Informatica, Jaspersoft, Netezza, Panorama,Par Accel, Pentaho, SPSS Clementina, Teradata, DBMiner, Mineset Silicon Graphics, IBM Intelligent Miner, …

43 BI szoftverek Árbevétel (millió USD) Piaci részesedés (%) Oracle Corp.
1639,5 12,3 IBM 1388,9 10,4 SAS Institute 1073,2 8,0 Microsoft Corp. 716,3 5,4 Business Objects 700,7 5,2 Hyperion Solutions 512,7 3,8 Cognos Inc. 506,0 SAP AG 345,3 2,6

44 A vezető termékek értékesítése
Az üzleti intelligencia piac polarizálódása: milliárd dolláros üzlet! Forrás: The OLAP market grew faster than predicted in 2006 )

45 A vezetői info-input architektúrája
A d a T V Á S R L i A É G I „Terasz- ugrás” inputok A D T É R K P Vezető Adat- vásárlók OLAP Spontán informálódás, adat-transzfer DW Belső adat-”közmű” input szolgáltatásai Ötévenként át kell építeni az adatgyűjtési rendszert, forrásokat, csatornákat! Z. Karvalics

46 Vállalat, vezetés, információ
A vezetés informatikai támogatása üzleti cselekvés üzleti döntés, tervezés üzleti információ üzleti adathalmaz Komplex „üzleti intelligencia”- támogatás: „Mit kellene még tudnunk?” Vezetői elemző- rendszer, VIR/EIS/DSS/OLAP „Mi lenne, ha…?” Integrált vállalat- irányítás, ERP, lekérdezés, jelentés: „Miért történt?” Üzemirányítás, irodai rendszerek, információ-elemzés: „Mi történt?” Adatforrások, adatfeldolgozás

47 Új fogalmak, kulcsszavak
Adatfájl, adatállomány: egyetlen folyamat egyetlen résztvevő elemének egyedeit leíró állomány – egyedi tervezés, egyedi alkalmazás, egyedi struktúra Adatbázis: matematikai szigorúságú modellezés alapján felépített komplex adatszerkezet, amelyet önálló manipulációs-lekérdező szoftver (DBMS) segítségével kezelünk OLTP: hálózati (távoli) hozzáféréssel üzleti tranzakció végrehajtása (regisztrálás-ellenőrzés, adatbevitel, visszaigazolás, akár végrehajtás is) Adattárház: operatív adatbázisokból legyűjtött cél-orientált adathalmazok, amelyek időfüggőek, változatlanok, tematikusak és integráltak (Bill Inmon, 1992); az ezekhez kapcsolódó új adatkezelési technikák (adatbányászat) Adatpiac: az adattárház funkcionális igényt kielégítő része OLAP: közvetlen hozzáféréssel végezhető üzleti elemző szolgáltatások (ld. Adattárház) Adatbányászat: speciálisan felépített „adatkockákon” végzett kutató-mintakereső műveletek (lefúrás, aggregálás, szeletelés, forgatás, mintakeresések, osztályozási eljárások, stb.) Adatbányászati eszközök: speciális lekérdezési, adat-tisztítási, áttöltési, lekérdező szoftverek, speciális „mesterséges intelligencia” algoritmusok Adatbányászati alkalmazások: az eszközökre épített üzleti intelligencia – rendszerek, iparág, vagy probléma-specifikusan, rugalmas, kész eszközválasztékot kínálva Tudásmenedzsment, KM: a tudás megszerzését, feltárását, közzétételét, értékelését és fejlesztését szolgáló emberi és gépi eljárások összessége – a tudás, mint vállalati erőforrás hatékony kihasználása, menedzselése Tudásfeltárás adatbázisokból: KDD meglévő adatbázisok intelligens algoritmusokkal történő elemzése, új összefüggések keresése céljából Üzleti intelligencia, BI: a vállalati (egyéni és csoportos) döntéseket elősegítő újszerű információ- és tudás-menedzselési eljárások, speciális adatszervezési megoldások komplex összessége

48 A technikák fejlődése