Komponenty BI

1.2. Komponenty BI
Spadají sem tyto aplikace a technologie:
 manažerské aplikace (EIS – Executive Information Systems) – často postavené na MOLAP. 1. vývojová etapa od pol. 70. let – firma Lockheed (speciální aplikace pro šéfy), u nás cca od 1993
 datové sklady (DW – Data WareHouse) – MOLAP byl omezený v rozsahu – velká režie (indexy apod.), nutnost jít na nižší úroveň detailu -> DW – nejsou tak rychlé, ale jsou podrobnější, využívají ROLAP (relační OLAP) – simulace multidimenzionality. Ovšem vznikl problém implementace – dlouhá doba, cena, integrace dat, sjednocení číselníků. Často se musí nejprve produkční DB vyčistit (bývají v hrozném stavu :o) – podrobněji níže
 datová tržiště (DM – Data Mart) – malý DW např. pro výrobu, finance apod. technologicky řešeno tak, aby je bylo možné později integrovat do DW. Bývají přehlednější, pružnější a koexistují vedle DW
 dolování dat (DMi – Data Mining) – velký analytický aparát, jedná se převážně o statistiku, sledování závislostí mezi daty, hledání vzorců, definování společných segmentů, tvorba časových řad apod. Učí se na IZI.
 inteligentní reporting – nad předchozími aplikacemi

Při práci se s kostkou otáčí a mění se dimenze, práce s časem (v transakčních systémech jsou jen aktuální údaje, v DW je celá historie). Jsou to aplikace Read-Only.

1.3. Strategické otázky k řešení BI (z pohledu zákazníka)
Proč budovat DW?
 potřeba analytických aplikací – neexistují či jsou neuspokojivé (jen 10% manažerů si to uvědomí)
 má to soused a my ne – mnohem častější důvod, zejména v podmínkách ČR
 má to strategický partner – rovněž časté

Kdy to budovat?
 když je v podniku vhodná doba – je politická vůle a ochota mít DW, jsou dostatečné fin. zdroje, existuje dostačující OLTP!, jsou alespoň částečně definované požadavky

Požadavky na DW
 komplexnost
 rychlost – nezávisle na objemu dat
 DW není samospasitelný
 komunikace nad několika primárními systémy, které normálně spolu nekomunikují – integrační efekt
 příležitost pro čištění dat

DMi – vyšší princip než DW
 automatické prohledání dat
 deskripce dat
 vyhledávání závislostí
 predikce (např. Market Basket Analysis – Nákupní koš – co lidé nakupují nejčastěji spolu, dát to vedle sebe. V sobotu večer se nejvíce prodávají dětské pleny a pivo)
 clustering – vyhledávání podobností, lidi, kteří se chovají stejně, segmentace do skupin