Upload
biljana-rajkovic
View
693
Download
7
Embed Size (px)
DESCRIPTION
Sistemi poslovne inteligencije pruzaju podršku prilikom donošenja poslovnih odluka i prvenstveno su namijenjeni menadzmentu koji ucestvuje u procesu odlucivanja. Širok spektar analitickih mogućnosti koje pruzaju sistemi poslovne inteligencije samo je malim dijelom predstavljen ovom knjigom, ali smatramo ipak u dovoljnoj mjeri za sagledavanje njihovog znacaja i koristi koje mogu da donesu poslovnim sistemima. Ova knjiga je zamišljena kao prakticni prirucnik za sve one koji zele da se upoznaju sa osnovnim konceptima sistema poslovne inteligencije kao i implementacijom komponenti ovih sistema.
Citation preview
Biljana Rajković
Suzana Đukić Vukčević
Valentina Kastratović Bajčeta
Poslovna inteligencija
praktiĉni priruĉnik
Podgorica, 2012
S a d r ž a j
1. UVOD ............................................................................................................................ 6
1.1. POSLOVNA INTELIGENCIJA I NJENA ULOGA U UPRAVLJANJU ORGANIZACIJOM ......... 7 1.1.1. Pojam poslovne inteligencije ......................................................................... 7 1.1.2. Sistem poslovne inteligencije- uslov za opstanak i uspjeh ............................ 9 1.1.3. Uloga poslovne inteligencije u upravljanju organizacijom ............................ 9 1.1.4. Komponente poslovne inteligencije ............................................................. 11
1.2. DATA WAREHOUSE ............................................................................................... 12 1.2.1. Data Warehouse- pojam ............................................................................... 12 1.2.2. Uloga skladišta podataka ............................................................................. 13 1.2.3. Data Warehouse arhitektura ......................................................................... 15 1.2.4. Dimenziono i relaciono modelovanje .......................................................... 17
1.3. OLAP.................................................................................................................... 20 1.4. DATA MINING (RUDARENJE PODATAKA) ............................................................... 24
1.4.1. Definicija ..................................................................................................... 24 1.4.2. Faze razvoja i tehnologije DM-a .................................................................. 25 1.4.3. Veza DWH- OLAP- Data Mining ............................................................... 26
2. DATA MART .............................................................................................................. 28
2.1. DATA MART– POJAM ............................................................................................. 28 2.2. DEFINISANJE CILJEVA DATA MART-A ................................................................... 29 2.3. IMPLEMENTACIJA DATA MART-A .......................................................................... 29 2.4. DATA MART DIZAJN- IZBOR I SPECIFIKACIJA POSLOVNIH ĈINJENICA I DIMENZIJA . 31 2.5. REALIZACIJA DATA MART-A ................................................................................. 32
2.5.1. Faze realizacije Data Mart-a ........................................................................ 32 2.5.2. Izbor i opis alata ........................................................................................... 33 2.5.3. Faza definisanja (definisanje dimenzionalnih modela, agregacija, izvora
podataka i ETL procedura) ........................................................................................... 35 2.5.4. Faza generisanja (konfigurisanje, validacija, generisanje script-ova i
generisanje objekata) .................................................................................................... 41 2.5.5. Faza uĉitavanja (definisanje sekvence za izvršavanje skriptova ETL
procedura) ..................................................................................................................... 42
3. REALIZACIJA MODELA ODLUĈIVANJA.............................................................. 44
3.1. IZBOR I OPIS OLAP ALATA ................................................................................... 44 3.2. REALIZACIJA ADMINISTRATIVNE KOMPONENTE OLAP MODELA ........................... 46 3.3. REALIZACIJA KORISNIĈKE KOMPONENTE OLAP MODELA ..................................... 48
4. PRAKTIĈNI PRIMJERI MODELOVANJA SISTEMA POSLOVNE
INTELIGENCIJE (CASE STADY)....................................................................................... 50
4.1. MODEL SISTEMA POSLOVNE INTELIGENCIJE ZA ANALIZU KUPACA TRGOVINSKOG
PREDUZEĆA ........................................................................................................................ 50 4.1.1. Polazne pretpostavke ................................................................................... 51 4.1.2. Implementacija Data Mart- a ....................................................................... 52
4.1.2.1. Definisanje ciljeva Data Mart- a .................................................................. 52 4.1.2.2. Data Mart dizajn- izbor i specifikacija poslovnih ĉinjenica i dimenzija ...... 52 4.1.2.3. Realizacija Data Mart-a ............................................................................... 55 4.1.3. Realizacija i analiza modela odluĉivanja ..................................................... 72
4.2. MODEL SISTEMA POSLOVNE INTELIGENCIJE ZA ANALIZU PRODAJE TRGOVINSKOG
PREDUZEĆA ........................................................................................................................ 79 4.1.2. Polazne pretpostavke ................................................................................... 82 4.2.2. Implementacija Data Mart-a ........................................................................ 82 4.2.2.1. Definisanje ciljeva Data Mart-a ................................................................... 82 4.2.2.2. Data Mart dizajn- izbor i specifikacija poslovnih ĉinjenica i dimenzija ...... 83 4.2.2.3. Realizacija Data Mart- a .............................................................................. 84 4.2.3. Realizacija i analiza modela odluĉivanja ..................................................... 96
4.3. MODEL SISTEMA POSLOVNE INTELIGENCIJE U USLUŢNOJ DJELANOSTI RADIO-
TELELEVIZIJE ................................................................................................................... 101 4.3.1. Polazne pretpostavke ................................................................................. 106 4.3.2. Implementacija Data Mart-a ...................................................................... 106 4.3.2.1. Definisanje ciljeva Data Mart-a ................................................................. 106 4.3.2.2. Data Mart dizajn- izbor i specifikacija poslovnih ĉinjenica i dimenzija .... 107 4.3.2. Realizacija i analiza modela odluĉivanja ................................................... 125
ZAKLJUĈAK ...................................................................................................................... 134
LITERATURA .................................................................................................................... 135
POPIS SLIKA ...................................................................................................................... 141
POPIS TABELA .................................................................................................................. 144
POPIS OZNAKA ................................................................................................................. 145
Predgovor
U svijetlu stalnih promjena imati pravu informaciju u pravo vrijeme je postao
imperativ uspješnog poslovanja. Informacija je neiscrpan resurs, a one
kompanije koje pametno koriste informacije ostvaruju konkurentsku
prednost.
U moru podataka koji su smješteni u informacionim sistemima nalaze se
podaci koji se sistemima poslovne inteligencije prevode u korisne
informacije koje doprinose donošenju kvalitetnijih poslovnih odluka.
Sistemi poslovne inteligencije pruţaju podršku prilikom donošenja poslovnih
odluka i prvenstveno su namijenjeni menadţmentu koji uĉestvuje u procesu
odluĉivanja. Širok spektar analitiĉkih mogućnosti koje pruţaju sistemi
poslovne inteligencije samo je malim dijelom predstavljen ovom knjigom, ali
smatramo ipak u dovoljnoj mjeri za sagledavanje njihovog znaĉaja i koristi
koje mogu da donesu poslovnim sistemima.
Ova knjiga je zamišljena kao praktiĉni priruĉnik za sve one koji ţele da se
upoznaju sa osnovnim konceptima sistema poslovne inteligencije kao i
implementacijom komponenti ovih sistema.
Knjiga je struktuirana u okviru ĉetiri poglavlja.
U prvom poglavlju je predstavljen koncept poslovne inteligencije. Objašnjen
je pojam poslovne inteligencije, kao i koncepti, tehnike i tehnologije koje se
koriste u kreiranju sistema poslovne inteligencije kao što su Data Warehouse,
Data Mart, OLAP i Data Mining.
U drugom poglavlju je opisan naĉin implementacije Data Mart-a kroz
definisanje ciljeva Data Mart-a, dizajn i realizaciju. Ciljevi Data Mart-a su
postavljeni tako da zadovoljavaju prethodno identifikovane modele
odluĉivanja. Data Mart je dizajniran pomoću zvjezdastih šema, koje sadrţe
dimenzije i ĉinjenice u skladu sa postavljenim ciljevima Data Mart-a.
Realizacija obuhvata korake u kreiranju Data Mart-a, obuhvaćene kroz 3
faze:
faza definisanja (definisanje dimenzionalnih modela, agregacija, izvora
podataka i ETL procedura),
faza generisanja (konfigurisanje, validacija, generisanje script-ova i
generisanje objekata) i
faza uĉitavanja (definisanje sekvence za izvršavanje script-ova ETL
procedura).
U trećem poglavlju opisana je realizacija modela odluĉivanja, kroz realizaciju
administrativne i korisniĉke komponente OLAP modela. U okviru korisniĉke
komponente prikazan je postupak kreiranja workbook-ova.
U ĉetvrtom poglavlju su predstavljeni primjeri modelovanja sistema poslovne
inteligencije kroz tri studije sluĉaja, kojima će se pokazati svrsishodnost ovih
sistema u oblasti analize kupaca trgovinskog preduzeća, analize prodaje
trgovinskog preduzeća i analize usluga radio-televizije. Sva tri sistema su u
potpunosti realizovana upotrebom Oracle alata, kroz koje su realizovani
primjeri workbook-ova koji potvrĊuju da su identifikovani modeli
odluĉivanja podrţani pomoću realizovanih Data Mart-ova i OLAP modela.
Poslovna inteligencija kroz praktiĉne primjere Uvod
6
1. Uvod
U savremenoj trţišnoj ekonomiji povećava se frekvencija i stopa
difuzije promjena. Proces globalizacije doprinosi jaĉanju konkurencije,
a samim tim poslovni procesi postaju sloţeniji. U takvim uslovima
pravovremena i efikasna poslovna informacija je od primarnog znaĉaja
za poslovni uspijeh, budući da se upravo na osnovu informacija donose
poslovne odluke od ĉijeg kvaliteta direktno zavisi kvalitet poslovanja.
Pravovremena, potpuna i precizna informacija predstavlja jedan od
osnovnih resursa poslovanja i kljuĉ je za donošenje najboljih poslovnih
odluka. Tokom procesiranja podataka pronalaze se skrivene relacije,
uoĉavaju nove poslovne mogućnosti što doprinosi donošenju
kvalitetnijih upravljaĉkih odluka.
Kvalitetno upravljanje kompanijom i njenim procesima predstavlja
kritiĉni faktor uspjeha u poslu. Donošenje ispravne odluke direktno ili
indirektno zavisi od kvaliteta i pravovremenosti informacija kojima
donosilac odluke raspolaţe. Za dobijanje takvih informacija potrebno je
u svakom momentu raspolagati odgovarajućim podacima. Skup sirovih
podataka ne predstavlja rješenje problema odluĉivanja, a samim tim ni
kvalitetnog upravljanja. Velika koliĉina nestruktuiranih i neobraĊenih
podataka moţe predstavljati oteţavajuću okolnost prilikom donošenja
odluka, jer moţe vrlo lako dovesti do zamagljivanja suštine problema i
''gubljenja u moru podataka kojima se ne vidi svrha'' [1]. Operativni
informacioni sistemi su uglavnom orijentisani na obavljanje poslova i
transakcija, a manje na problematiku odluĉivanja. Informacije jednog
preduzeća su uglavnom nekonzistentne i nedostupne. Problem
predstavlja ne samo pronalaţenje potrebnih informacije već i
nesigurnost da su informacije koje se dobijaju taĉne, što rezultira lošim
poslovnim odlukama. Dodatni problem u upravljanju velikim
sistemima predstavlja i nemogućnost menadţera da samostalno i na
jednostavan naĉin pristupaju potrebnim podacima i sami ih oblikuju u
potrebne informacije. Ĉak i u sluĉajevima da traţena informacija
postoji, ĉesto je sakrivena u ogromnoj masi podataka i ne moţe se
iskoristiti. Dobijanje potrebnih podataka iz tako kompleksnih sistema je
vrlo skupo i ponekad neizvodljivo. Upravo zato, sve veći broj
kompanija razvija i koristi sisteme za poslovnu inteligenciju, kako bi
bolje i brţe iskoristili postojeće podatke u stvaranju informacija
potrebnih za odluĉivanje.
Poslovna inteligencija kroz praktiĉne primjere Uvod
7
Primjena koncepta poslovne inteligencije omogućava da se koriste
samo one informacije koje su u datom trenutku potrebne za donošenje
upravljaĉkih odluka. Prednost ovog koncepta je povećanje kvaliteta
informacija, prikazivanje na jednostavan naĉin kao i smanjenje velike
koliĉine informacija kojima su zaposleni ĉesto izloţeni.
Glavna svrha poslovne inteligencije je generisanje što kvalitetnijih
informacija koje će omogućiti donošenje najboljih mogućih poslovnih
odluka.
U nastavku će biti objašnjen pojam poslovne inteligencije, kao i
koncepti, tehnike i tehnologije koje se koriste u kreiranju sistema
poslovne inteligencije, kao što su Data Warehouse, Data Mart, OLAP i
Data Mining. TakoĊe, biće predstavljeni primjeri modelovanja sistema
poslovne inteligencije kroz tri studije sluĉaja kojima će se obuhvatiti
svrsishodnost ovih sistema u oblasti analize kupaca trgovinskog
preduzeća, analize prodaje trgovinskog preduzeća i analize usluga
radio-televizije.
1.1. Poslovna inteligencija i njena uloga u upravljanju
organizacijom
1.1.1. Pojam poslovne inteligencije
Po definiciji poslovna inteligencija (eng. Business Intelligence) je skup
alata i aplikacija za:
pristupanje podacima iz jednog ili više razliĉitih izvora
pregled podataka
analizu podataka
distribuciju znanja dobijenog analizama.
Sistemi poslovne inteligencije se definišu i kao infrastruktura koju ĉine
metode, softverski alati i aplikacije za efikasno pribavljanje neophodnih
informacija iz velike koliĉine podataka koji se nalaze u raznim bazama
podataka. Poslovna inteligencija se moţe definisati i kao sticanje i
eksploatisanje znanja baziranog na ĉinjenicama, u svrhu unapreĊivanja
strateške i taktiĉke poslovne prednosti na trţištu. Poslovna inteligencija
je pojam koji se odnosi na aplikacije i tehnologije koje omogućavaju
pristup i analizu podataka i informacija o poslovanju organizacije.
Poslovna inteligencija kroz praktiĉne primjere Uvod
8
Pojam poslovne inteligencije objedinjava metodologije, tehnologije i
platforme za skladištenje podataka (Data Warehouse), OLAP
procesiranje podataka (Online Analytical Processing) i rudarenje
podataka (eng. Data Mining) koje omogućavaju kompanijama kreiranje
korisnih upravljaĉkih informacija iz podataka o poslovanju koji se
nalaze na razliĉitim transakcionim sistemima i dolaze iz razliĉitih
internih i eksternih izvora.
Jedna od definicija pojam poslovne inteligencije predstavlja kao analizu
podataka, izvještavanje i alate za upite koji mogu da pomognu
poslovnim korisnicima probijanje kroz more podataka da bi
sintetizovali valjane informacije iz njih- danas ti alati zajedno spadaju u
kategoriju oznaĉenu izrazom poslovna inteligencija. [2]
Prema definiciji Larisse T. Moss i Shaku Atrea [3] poslovna
inteligencija predstavlja arhitekturu i kolekciju integrisanih operativnih
aplikacija, zatim aplikacija za podršku odluĉivanju i baza podataka koje
poslovnim sistemima omogućuju lagan pristup podacima.
Prema Ravi Kalakoti i Marciai Robinson [4], poslovna inteligencija
predstavlja skup novih aplikacija oblikovanih tako da mogu
organizovati i strukturirati podatke o poslovnim transakcijama na naĉin
koji omogućava analizu korisnu za podršku odluĉivanju i operativnim
aktivnostima kompanije. Ili jednostavnije reĉeno, poslovna inteligencija
predstavlja proces prikupljanja raspoloţivih internih i znaĉajnih
eksternih podataka i njihovo pretvaranje u korisne informacije koje
pomaţu poslovnim korisnicima pri donošenju odluka.
Razvoj IT-ija dovodi do definicije: Poslovna inteligencija je sposobnost
organizacije da pribavi informacije, istraţi ih, stekne uvid i
razumijevanje što dovodi do boljeg donošenja odluka.
Kao što vidimo postoje brojne i heterogene definicije poslovne
inteligencije ali meĊu njima postoje zajedniĉki elementi kao što su [5]:
Cilj stvaranja poslovne inteligencije je unaprijeĊenje postupaka
donošenja poslovnih odluka u kompanijama.
Poslovna inteligencija nastaje kao rezultat dobro upravljanog i
promišljenog procesa izvoĊenja novih ili prikrivenih znanja iz
podataka.
Poslovna inteligencija se moţe izvesti iz operativnih podataka
primjenom odgovarajućih logiĉko-raĉunskih metoda što zahtijeva
razvoj i primjenu odgovarajućih informatiĉkih sredstava i alata.
Poslovna inteligencija kroz praktiĉne primjere Uvod
9
Stvaranje poslovne inteligencije nalaţe uspostavljanje koherentnog
pristupa upravljanju podacima.
1.1.2. Sistem poslovne inteligencije- uslov za opstanak i uspjeh
Koncept poslovne inteligencije pruţa organizaciji mogućnost uoĉavanja
problema na vrijeme. Ovaj koncept, izmeĊu ostalog, omogućava:
analizu ponašanja kupaca i dobavljaĉa
smanjivanje operativnih troškova
unapreĊivanje upravljanja troškovima
realizaciju ciljeva prodaje
prepoznavanje kljuĉnih kupca i dobavljaĉa
analizu uspješnosti upravljanja
predviĊanje budućih trendova i sl.
Današnje vrijeme koje karakterišu stalne promjene potreba potrošaĉa
zahtijevaju brzo i efikasno pruţanje usluga. Da bi obezbijedile
konkurentsku prednost organizacije moraju zadovoljiti potrebe i
oĉekivanja potrošaĉa. Zbog sve jaĉe trţišne konkurencije, razvijenih
distributivnih kanala i ponude roba i usluga koja znatno nadmašuje
potraţnju potreba za uvoĊenjem i korištenjem sistema poslovne
inteligencije se javlja se kao poslovna potreba.
Organizacije moraju raditi na razvijanju sistema poslovne inteligencije
da bi ostale u trendu i odgovorile spremno na buduće dogaĊaje.
1.1.3. Uloga poslovne inteligencije u upravljanju organizacijom
Poslovna inteligencija je kljuĉ i osnova savremenog shvatanja
upravljanja. Od menadţera se oĉekuje da donose ispravne odluke i u
situacijama kada nemaju dovoljno informacija. Na razliĉitim nivoima
menadţmenta donose se razliĉite vrste poslovnih odluka, pa se samim
tim razlikuje i priroda potrebnih informacija. ''Strategijski nivo
upravljanja zahtijeva informacije najvišeg nivoa opštosti o organizaciji
i njenom okruţenju, što podrazumjeva sumarne preglede, ĉesto
istorijskog karaktera, preteţno kvalitativne prirode i nerijetko u vidu
''ugrubljenih'' procjena. Potrebama operativnog nivoa upravljanja
odgovaraju specifiĉne informacije uskog domena, preteţno u vidu
sirovih podataka, vrlo aktuelnih, uglavnom kvantitativne prirode i
velike preciznosti i taĉnosti. Srednji nivo menadţmenta zahtijeva
Poslovna inteligencija kroz praktiĉne primjere Uvod
10
interne informacije, ponekad istorijskog karaktera, koje omogućavaju
analizu poslovanja, modelovanje procesa i predviĊanje.'' [1]. U cilju
zadovoljenja razliĉitih informacionih potreba menadţmenta svih nivoa
upravljanja nastali su sistemi poslovne inteligencije, kao informaciona
tehnologija koja je sposobna da adekvatno odgovori izazovima procesa
odluĉivanja savremenog poslovanja.
''Poslovna inteligencija je neka vrsta poslovnog radara. Upozorava na
prijetnje, ukazuje na poslovne šanse, predviĊa da će nešto da se dogodi,
adekvatno priprema za neizbjeţno, širi manevarski prostor odluĉivanja,
jednom rijeĉju, povećava kontrolabilnost uspjeha koji ţelite ostvariti
svojim poslovanjem.'' [6]
Alati poslovne inteligencije (eng. BI Tools) omogućavaju uspješnije
povezivanje zaposlenih sa njihovim poslovanjem, sa kupcima,
dobavljaĉima i partnerima. Osnovna prednost samih alata poslovne
inteligencije jeste da omogućava poslovnim korisnicima uvid u
ogromnu koliĉinu kompleksnih podataka. U alate poslovne inteligencije
ubrajaju se:
Alati za upite (eng. Query Tools) koji predstavljaju programske
pakete koji omogućavaju korisnicima postavljanje upita.
Softver za multidimenzionalne analize (eng. Online Analytical
Processing- OLAP) koji omogućava korisnicima analizu podatka sa
razliĉitih aspekata i dimenzija.
Alati za rudarenje podataka, koji omogućavaju automatsko
pronalaţenje skrivenih odnosa i obrazaca ponašanja meĊu podacima.
Podaci o poslovanju se nalaze u razliĉitim transakcionim sistemima, i
razliĉitim internim i eksternim izvorima. Vremenom, koliĉina
informacija se povećava. Tradicionalni informacioni sistemi sadrţe
ogromne koliĉine podataka za koje se ĉesto utvrdi da su nepovezane,
neblagovremene i nepotpune, pa menadţeri mnogo više vremena utroše
da doĊu do potrebnih informacija nego za samu analizu informacija na
osnovu kojih donose odluke. UvoĊenjem sistema poslovne
inteligencije, podaci iz postojećih sistema se primjenom posebnih
softvera, metoda i alata transformišu i unose u posebne baze podataka
koje mogu da daju informacije do kojih se inaĉe ne moţe doći iz
postojećih baza podataka i aplikacija. Sljedećom tabelom prikazane su
osnovne razlike izmeĊu transakcionih sistema i sistema poslovne
inteligencije:
Poslovna inteligencija kroz praktiĉne primjere Uvod
11
Funkcije Operativni transakcioni
sistemi Sistemi za podršku odlučivanju
Sadrţaj podataka Trenutni podaci Arhiviani, sumarni, izraĉunati podaci
Organizacija
podataka
Zavisi od aplikacije do
aplikacije Prema potrebama organizacije
Priroda podataka Dinamiĉki Statiĉki sve do obnavljanja
Struktura i format
podataka
Sloţena, pogodan za
operativne proraĉune
Jednostavna, pogodan za poslovne
analize
Mogućnosti
pristupa Visoke Smanjene
Promjena
podataka
Promjena po poljima baze
podataka Nije direktna promjena
Upotreba Visoko struktuirani
ponavljajući procesi
Visoko nestruktuirani analitiĉki
procesi Tabela 1.1.3.1. Razlike izmeĊu transakcionih sistema i sistema poslovne
inteligencije 1
(1)
Sistemi poslovne inteligencije omogućavaju organizacijama donošenje
konzistentnih poslovnih odluka zasnovanih na podacima, unapreĊuju
komunikaciju i koordinaciju izmeĊu sektora i omogućavaju
organizacijama da brzo reaguju na promjene u okruţenju.
Sistemi poslovne inteligencije omogućavaju organizacijama da
razmjenjuju odreĊene strateške podatke sa poslovnim partnerima.
Sistemi poslovne inteligencije omogućavaju multi dimenzionalnu
analizu, Online analitiĉku obradu podataka, kao i rudarenje podataka i
na taj naĉin obezbjeĊuju kvalitetne informacije koje daju prave
odgovore na prava pitanja. Sistemi poslovne inteligencije obezbjeĊuju
višestruke naĉine viĊenja podataka kao što su tabele, grafici,
standardizovani i ad hoc formati izvještaja.
1.1.4. Komponente poslovne inteligencije
U širem kontekstu arhitekturu sistema okruţenja za podršku
odluĉivanju ĉine multi dimenzionalna analiza, OLAP, click-stream
analiza, Data Mining, predviĊanje, poslovne analize, BSC (Balanced
Scorecard), upravljanje znanjem, upiti i izvještavanje, Mining tekstova,
sadrţaja i glasa, integralni Data Warehouse, korporativni portali,
operativna skladišta podataka, Web Warehouse, Mart podataka.
Poslovna inteligencija kroz praktiĉne primjere Uvod
12
U modernom poslovanju sa porastom standarada, automatizacije i
tehnologije za donošenje odluka se koriste sistemi poslovne
inteligencije koje saĉinjava Data Warehouse koji sluţi kao skladište
podataka, ETL alati koji povećavaju brzinu kolektovanja podataka, i
OLAP tehnologije izvještavanja koje omogućavaju brzo generisanje
izvještaja koji analiziraju podatke. Sistemi poslovne inteligencije danas
predstavljaju umjetnost prikupljanja i skladištenja velikog broja
podataka, ekstrakciju informacija iz mora podataka, pretvarajući te
informacije u znanje potrebno za preduzimanje konkretnih akcija.
Sistemi poslovne inteligencije ukljuĉuju rudarenje podataka, analizu i
izvještavanje. Sistemi poslovne inteligencije omogućavaju cross analize
i obezbjeĊuju temeljne analize podataka na individualnom nivou, na
nivou odreĊenog organizacionog dijela ili organizacije u cjelni.
1.2. Data Warehouse
1.2.1. Data Warehouse- pojam
Transakciono poslovanje u osnovi ima konvencionalnu bazu podataka
najĉešće sa relacionim modelom baze podataka koji podrazumijeva
maksimalno normalizovane podatke da bi se obezbijedila
konzistentnost i minimalno potreban prostor za smještanje podataka.
MeĊutim, veći stepen normalizacije podataka podrazumijeva i sporost u
izvršenju upita nad tim podacima.
Razlika izmeĊu operacionalne (transakcione) i analitiĉke obrade
podataka proistiĉe iz razliĉitih zahtjeva koji se se pred kompanijom
postavljaju. Sa jedne strane potrebno je obezbjediti normalan tok
svakodnevnog poslovanja, koji podrazumjeva brzinu i sveobuhvatnost
u procesiranju poslovnih transakcija, što omogućava operacionalna
obrada podataka. Sa druge strane potrebno je obezbijediti kvalitet u
odluĉivanju, koji podrazumjeva posjedovanje informacija neophodnih
za analizu razliĉitih poslovnih situacija i problema. Da bi se postigao
uspjeh u poslovanju potrebno je odgovoriti na oba pomenuta zahtjeva,
što je nemoguće postići organizovanjem podataka u okviru jedne baze
podataka, jer se isti podaci posmatraju na razliĉitim nivoima i koriste u
razliĉite svrhe. Zbog toga je neophodno kreirati dvije baze podataka,
operacionalnu (transakcionu) i analitiĉku, koja će se posebnim
metodama puniti iz operativnog sistema i eksternih izvora.
Poslovna inteligencija kroz praktiĉne primjere Uvod
13
Osnova sistema za podršku odluĉivanju jeste analitiĉka baza podataka
Data Warehouse (DW), ĉija je jedna od primarnih funkcija da odraţava
procese i pravila poslovanja organizacije u cjelini. Kao efektivna i
efikasna podrška menadţmentu, DW preĉišćava i agregira podatke iz
operacionalnih sistema i smješta ih u tzv. dimenzionalne baze podataka,
koje predstavljaju repozituru konzistentnih istorijskih podataka, lako
dostupnih i podloţnih efektivnom manipulisanju. Ovako organizovani
podaci koriste se za ocjenjivanje stanja poslovnih situacija, trendova,
projekcija i alternativa u svrhe podrške odluĉivanju. [1]
DW sadrţi veliku koliĉinu podataka koji su organizovani u manje
logiĉke cjeline koje se zovu Data Mart-ovi. DW sistemi koriste
denormalizovane podatke, što omogućava znatno brţe izvršavanje upita
nad takvim podacima.
Prema definiciji koju je postavio William H. Inmon [7] skladište
podataka predstavlja subjektno usmjeren (subject-oriented), integrisan
(integrated), vezan za vrijeme (time-variant) i sadrţajno nepromjenjiv
(non-volatile) skup podataka, a krajnji cilj mu je podrška menadţmentu
pri donošenju odluka:
Subjektno orjentisana- usmjerenost na odreĊene organizacione
aktivnosti ili procese odluĉivanja umjesto na tekuće operacije.
Integrisanost- centralizovana baza podataka koja sadrţi podatke iz
razliĉitih izvora internih, eksternih, liĉnih.
Nepromjenljivost- DW se ne mijenja permanentno, već se samo
periodiĉno dopunjava novim podacima u zavisnosti od poslovnih
potreba.
Moţe se reći da su kljuĉne karakteristike DW-a vremenska
dimenzija i mogućnost kvalitetne transformacije poslovnih,
operativnih i drugih podataka u skladište podataka.
1.2.2. Uloga skladišta podataka
DW je baza koja je oblikovana na takav naĉin da omogući korisnicima
razliĉitih nivoa rješavanje razliĉitih analitiĉkih zadataka. DW
omogućava:
izvještavanje i monitoring poslovnih procesa
analizu i postavljanje dijagnoze, pronalaţenjem informacija
interaktivnim putem postavljajući upite i analizirajući dobijene
rezultate
Poslovna inteligencija kroz praktiĉne primjere Uvod
14
planiranje i simulaciju, izradom i izvršavanjem modela plana ili
simulacije
krajnjem korisniku pristup velikom broju podataka
korisnici mogu kreirati i zahtijevati najrazliĉitije izvještaje o
trendovima kao što je npr. Koji je to proizvod koji je najprodavaniji
u poslednje dvije godine u odreĊenom regionu?
ekstrahovanje, transformaciju i smještanje velikog broja podataka
DW moţe biti moćan alat za komercijalne poslovne aplikacije.
Da bi skladište podataka moglo ispuniti cilj i svrhu svog postojanja,
mora prije svega ispuniti sljedeće preduslove:
Mora osigurati pristup svim zaposlenima kompanje, a ne samo
menadţerima, i to na pouzdan, brz i jednostavan naĉin.
Skladište treba sadrţati veliku koliĉinu detaljnih podataka. Uneseni
podaci trebaju biti konzistentni, npr. ako je sa dva razliĉita mjesta u
razliĉito vrijeme postavljen jednak upit i rezultat tih upita mora biti
isti.
Osvjeţavanje, odnosno aţuriranje novim podacima treba biti
kontinuirani proces, po mogućnosti treba se odvijati u stvarnom
vremenu odmah nakon što se neki poslovni dogaĊaj odigrao ili
odmah po završetku nekog procesa.
Mora biti uvijek raspoloţivo i oblikovano na naĉin da moţe
posluţiti svakoj svrsi koju nije uvijek moguće unaprijed predvidjeti.
Treba predvidjeti mogućnost izdvajanja i meĊusobnog povezivanja
podataka u smislu dobijanja svih mjera i pokazatelja poslovanja u
preduzeću (eng. slice and dice).
Podaci u skladištu koji se skupljaju iz razliĉitih izvora, ĉiste se uz
osiguravanje kvaliteta i samo takvi su dostupni korisnicima. Loši
ulazni podaci ne mogu davati dobre izlazne podatke.
Mora biti proširivo da bi moglo slijediti strategiju proširenja
poslovanja kompanije.
Mora udovoljavati odgovarajućim mjerama zaštite tajnosti
osjetljivih podataka.
Sa napretkom tehnologije i povećanjem dinamike poslovnog okruţenja
postavljaju se sve veći zahtjevi pred DW sistemom, baze podataka
postaju sve veće, a podaci sve sloţeniji.
Poslovna inteligencija kroz praktiĉne primjere Uvod
15
1.2.3. Data Warehouse arhitektura
Ralph Kimball u svojoj knjizi "The Data Warehouse Toolkit: Practical
Techniques for Building Dimensional Data Warehouses" definiše
skladište podataka kao kopiju transakcionih podataka specifiĉno
strukturiranih za upite i analize. [8]
DW je baza podataka specifiĉno dizajnirana za podršku odluĉivanju
koja fiziĉki razdvaja podatke koje koriste sistemi za podršku
odluĉivanju od izvorne baze "sirovih" podataka. DW sadrţi velike
koliĉine podataka koji nastaju periodiĉnom migracijom OLTP podataka
ili potiĉu iz eksternih izvora u skladu sa potrebama sistema za podršku
odluĉivanju.
Slika 1.2.3.1. DW i OLTP 1
Izvori podataka za DW mogu biti interni, eksterni i liĉni podaci. Interni
podaci pripadaju organizaciji i opisuju aktivnosti koje su se dogodile u
organizaciji. Ovi podaci su najĉešće generisani putem transakconog
OLTP sistema. U OLTP sistemu se moţe prepoznati veliki broj
razliĉitih transakcionih podsistema kao što su finansijski, logistiĉki,
prodaje, proizvodnje i sl. Korištenjem eksternih podataka organizacija
uoĉava šanse i prijetnje, što je od suštinske vaţnosti za donošenje
strateških odluka. Eksterne podatke moţemo klasifikovati na razliĉite
naĉine kao što su podaci konkurentnosti, ekonomski podaci,
Poslovna inteligencija kroz praktiĉne primjere Uvod
16
ekonometrijski podaci, psihometrijski podaci i dr. Integracija internih,
eksternih i liĉnih podataka je jedan od najvaţnijih ciljeva DW-a. Ovi
podaci mogu biti agregirani po razliĉitim nivoima, tako da stvaraju
nove podatke.
Postupak skladištenja podataka predstavlja kontinuirani proces
planiranja, graĊenja i prikupljanja podataka iz razliĉitih izvora kao i
njegovog korištenja, odrţavanja, upravljanja i stalnog unapreĊivanja.
DW arhitektura, koja se u toku izgradnje modifikuje u skladu sa
arhitekturom postojećeg sistema kako bi se obezbijedila efikasnija
podrška odluĉivanju, obuhvata sljedeće karakteristike:
Podaci se ekstrahuju iz izvornih sistema, baza podataka i datoteka.
U arhitekturi skladišta podataka se naglašava postojanje više izvora
podataka koji su najĉašće heterogeni. Podaci iz izvornih sistema se
transformišu prije unosa u skladište podataka. Potrebnim
informacijama je ĉesto teško pristupiti i njihova forma je ĉesto
nezadovoljavajuća. Integracijom podataka sa odvojenih sistema,
kao i njihovim transformisanjem pruţa se bolji pregled i lakša
analiza podataka za krajnjeg korisnika.
Skladište podataka je posebna read-only baza podataka specijalno
kreirana za podršku odluĉivanju. Osnovna ideja prilikom kreiranja
skladišta podataka je odvajanje procesa operativne obrade podataka
i podrške odluĉivanju. Operativna baza je projektovana da primi,
promjeni i izvještava o svakodnevnim podacima, dok baza podataka
sistema za podršku odluĉivanju treba da obezbijedi lak pristup
velikom broju podataka i analitiĉkih informacija.
DW predstavlja proces integracije podataka u jedinstven rjeĉnik iz koga
menadţeri mogu dobiti izvještaje i sprovoditi ad hoc analize podataka.
Projektovanje DW ukljuĉuje dimenzionalno modelovanje podataka u
kojem se podaci predstavljaju u standardnom obliku koji je intuitivno
jasan i koji omogućava veoma uspješnu realizaciju upita za svrhe
podrške odluĉivanju. Osnovna ideja dimenzionalnog modelovanja jeste
da se svaki tip podataka moţe predstaviti u više dimenzija koji se mogu
posmatrati iz hijararhijske perspektive. Ovim je omogućena
segmentacija u bazi, rotacija, agregacija i disagregacija
multidimenzionalnih podataka radi predstavljanja viših i niţih nivoa u
analitiĉkoj hijararhiji.
Razlikujemo dvije osnovne arhitekture skladištenja podataka:
Poslovna inteligencija kroz praktiĉne primjere Uvod
17
arhitektura ''od vrha prema dolje'' (eng. ''top down'')
arhitektura ''od dna prema gore'' (eng. ''bottom up'').
Arhitektura ''od vrha prema dolje'' zahtijeva da se prvo izgradi središnje
skladište podataka. Data Mart se zatim razvija iz skladišta podataka i
ĉini podskup skladišta podataka. U ovom sluĉaju Data Mart obiĉno
sadrţi samo sumirane podatke, dok osnovno skladište podataka sadrţi
detaljne podatke. Ovakvu arhitekturu karakteriše dugotrajna i skupa
izgradnja sistema.
Slika 1.2.3.2. Top Down (Bill Inmon) i Bottom Up (Ralph Kimball) DW
arhitektura 2
Arhitektura ''od dna prema gore'' podrazumijeva postupnu izgradnju
Data Mart skupova podataka gdje se na osnovu planirane sveobuhvatne
arhitekture izgraĊuje skladište podataka preduzeća. Ovdje Data Mart
sadrţi detaljne podatke. Prednost ovakve arhitekture je brza izgradnja
sistema, a nedostatak veća mogućnost nekonzistentnosti unutar sistema
i problem integracije sistema.
1.2.4. Dimenziono i relaciono modelovanje
DW dizajn moţe biti realizovan u okviru specijalnih
višedimenzionalnih baza podataka ili u okviru relacione baze podataka.
Metodologija projektovanja relacionog DW-a se u znaĉajnoj mjeri
razlikuje od projektovanja transakcionih baza podataka. Model
transakcionih sistema zasnovan je na objektima i njihovim relacijama.
Modeli podataka transakcionih sistema prikazuju poslovne objekte i
Poslovna inteligencija kroz praktiĉne primjere Uvod
18
njihove meĊusobne odnose koji proizlaze iz poslovnog procesa. Ovaj
model je prvenstveno namijenjen za praćenje i upravljanje poslovnim
procesom, a modeli skladišta podataka za izvještavanje o rezultatima
poslovnog procesa.
I dimenzioni i objektni model mogu opisati isti skup podataka i
generisati isti skup izvještaja i analiza, ali će prezentacija podataka biti
razliĉita. Objektni model je fokusiran je na objekte potrebne za voĊenje
poslovnog procesa dok je dimenzioni model fokusiran na postavljeno
poslovno pitanje.
Specijalne višedimenzionalne baze podataka su zasnovane na tzv.
hiperkub organizaciji podataka koja podrazumijeva da se jedna
poslovna pojava prati kroz razliĉite dimenzije. Ako se pojava prati u tri
dimenzije rijeĉ je o kocki, a u više dimenzija o hiperkocki. Svakoj
dimenziji kocke pripada jedan parametar pojave npr. pol, zanimanje,
godine starostini sl. Svaka taĉka u kocki ima taĉno odreĊene vrijednosti
svake posmatrane dimenzije npr. ukupan broj kupaca muškog pola koji
su izvršili kupovinu u sjevernoj regiji u januaru mjesecu. Izgradnja
hiperkubova je dosta kompleksna i traje dugo. Osnovna prednost ovog
pristupa je u brzom i efikasnom izvršavanju upita, a osnovni nedostatak
nefleksibilnost u pogledu dodavanja novih dimenzija i postavljanja ad
hoc upita.
U okviru relacione baze podataka razvijene su specijalne strukture
podataka tzv. zvjezdaste šeme, koje simuliraju višedimenzionalnost.
DW dizajniran u relacionoj bazi podataka poznat je pod imenom
relacioni DW. Osnovna prednost ovog pristupa je u tome što ne postoji
ograniĉenje u broju novih dimenzija i zadavanja ad hoc upita. Osnovni
nedostatak ovog pristupa je brzina izvršavanje upita, što dolazi do
izraţaja kada se radi o velikim bazama podataka.
Poslovna inteligencija kroz praktiĉne primjere Uvod
19
Slika 1.2.4.1. Zvjezdasta šema 3
DW predstavlja skup zvjezdastih šema koje su meĊusobno povezane
zajedniĉkim dimenzijama. Osnovni koncepti modela podataka
zasnovanog na zvjezdastim šemama su:
Ĉinjenica- predstavlja pokazatelj poslovanja izraţen numeriĉkom
vrijednošću. Ĉinjenica predstavlja središte zvjezdaste strukture koja
je preko relacija povezana sa dimenzijama. Atributi relacije
ĉinjenica su spoljni kljuĉevi naslijeĊeni od relacija dimenzija i
atributi koji predstavljaju determinante poslovne aktivnosti npr. broj
kupaca.
Dimenzije- predstavljaju karakteristike ĉinjenice koje je bliţe
odreĊuju. Primjeri dimenzija su pol, zanimanje, mjesto prebivališta
i sl.
Obiljeţja- atributi relacije dimenzija. Npr. obiljeţja dimenzije
mjesto prebivališta mogu biti adresa i naziv mjesta.
Hijerarhija obiljeţja- omogućava agregiranje i pretraţivanje
podataka na razliĉitim nivoima. Npr. hijerarhija dimenzije mjesto
prebivališta moţe biti definisana kao adresa-mjesto-opština-region.
Poslovna inteligencija kroz praktiĉne primjere Uvod
20
1.3. OLAP
Puni naziv OLAP grupe proizvoda proizlazi iz engleskih rijeĉi Online
Analytical Processing, kojeg je 1993. godine predloţio E. F. Codd,
tvorac relacionog modela baze podataka, da bi oznaĉio vrste softvera za
analizu poslovnih podataka. [9]
OLAP je snaţan alat koji omogućava veoma brze odgovore na
postavljane upite koji su po svojoj prirodi multidimenzionalni.
Multidimenzionalni model baze podataka koji koristi OLAP
omogućava kompleksne analitiĉke i ad hoc upite sa veoma kratkim
vremenom odziva. Nigel Pendese [10] sugeriše da je alternativni i
moţda precizniji opis za OLAP Fast Analysis of Shared
Multidimensional Information (FASMI):
Fast- sistem mora omogućiti odgovor na korisnikov upit, u pet
sekundi, sa odzivom od jedne sekunde za prostije upite i do najviše
dvadeset sekundi za najkomplikovanije zahtjeve.
Analysis- sistem mora podrţavati bilo koju poslovnu logiku i
statistiĉku analizu koja je relevantna za aplikaciju i krajnjeg
korisnika.
Shared- sistem obezbjeĊuje konzistentnost i sigurnost podataka u
sluĉaju višekorisniĉkog pristupa podacima.
Multidimensional- sistem obezbjeĊuje višedimenzionalni
konceptualni pogled na podatke, ukljuĉujući punu podršku za
hijerarhije i višestruke hijerarhije.
Information- ukazuje na sve podatke i informacije koje se dobijaju
iz njih, gdje god da se ovi nalaze i koliko god da su relevantni za
aplikaciju.
Pendese [10] definiše OLAP kao kategoriju softverske tehnologije koja
omogućava krajnjim korisnicima da steknu uvid u podatke kroz brz,
konzistentan, interaktivan pristup razliĉitim mogućim pogledima na
informacije transformisane iz sirovih podataka da bi odrazile stvarnu
dimenzionalnost poslovnja kako ga shvata korisnik. Transformišući
sirove podatke, tako da odraţavaju dimenzionalnost poslovanja, OLAP
obezbjeĊuje sagledavanje metrike po mnoštvu dimenzija
omogućavajući korisniku pronalaţenje trendova i izuzetaka i olakšava
sticanje odgovora na pitanja koja se tiĉu uzroka. Posredstvom OLAP-a
analitiĉar ima mogućnost da postavlja upite i da na osnovu odgovora na
njih postavlja nove upite, krećući se tako kroz veliku zbirku podataka
DW-a.
Poslovna inteligencija kroz praktiĉne primjere Uvod
21
Prema "The OLAP Report: Glossary" [11] skraćenica OLAP
podrazumijeva kategoriju aplikacija i tehnologije namijenjenu za
skupljanje, upravljanje, obradu i prezentaciju multidimenzionalnih
podataka namijenjenih analizama za potrebe upravljanja.
OLAP se moţe definisati i kao tehnologija koja korisniku omogućava
ad hoc pristup podacima iz poslovanja, pregled informacija dobijenih iz
tih podataka, analize prošlosti i sadašnjosti, statistiĉke analize,
komparativne analize prema razliĉitim kriterijumima, kao i izvoĊenje
poslovnih informacija pomoću ''šta-ako'' scenarija. OLAP aplikacije se
kreiraju za potrebe analitiĉara i menadţera kao podrška prilikom
donošenja odluka. Za analize koje takvi korisnici sprovode ĉesto su
potrebni pregledi visoko agregiranih podataka, kao što su ukupni
prihodi i rashodi, koliĉina prodaje po regionima, poslovnim jedinicama,
komitentima i sl. Analitiĉka baza podataka, pored podataka koji se
nalaze u transakcionoj bazi, sadrţi i podatke iz drugih izvora, budući da
se na nju oslanjaju donosioci odluka koje će uticati na preduzeće kako
interno, tako i eksterno (konkurencija, odnosi sa klijentima i dr).
Model OLAP alata se zasniva na sistemu multidimenzionalne analize,
pri ĉemu se podaci mogu istovremeno posmatrati kroz veći broj
dimenzija. OLAP alati su jednostavni za korištenje i ne zahtijevaju
posebnu obuku poslovnih korisnika. OLAP alati omogućavaju
korisniku pisanje jednostavnih formula koje će se primjenjivati duţ
nekoliko dimenzija.
Karakteristika OLAP alata je velika brzina rada što omogućava
postavljanje upita i dobijanja odgovora u najkraćem mogućem
vremenu, gotovo i trenutno, što nije sluĉaj kod drugih alata.
OLAP alati omogućavaju analizu velikog broja dimenzija, jednostavno
pretraţivanje, razliĉite kalkulacije, sofisticirane analize kao što su
vremenske serije i kompleksno modeliranje i sl.
Na trţištu OLAP alata se nudi nekoliko varijanti:
ROLAP alati
MOLAP alati
HOLAP alati
MOLAP (Multidimenzionalni OLAP) predstavlja tradicionalni naĉin
OLAP analize. Podaci su smješteni u multidimenzionalnu kocku
Poslovna inteligencija kroz praktiĉne primjere Uvod
22
podataka. Fiziĉka organizacija podataka nije u relacionom modelu baze
podataka već u odgovarajućim formatima.
Osnovne prednosti su:
o odliĉne performanse i mogućnost izvoĊenja sloţenih
kalkulacija koje su ugraĊene u samu kocku podataka
o manje prostora za skladištenje.
Nedostaci su:
o limitiranost podataka- ovo se odnosi na kalkulacije koje su
ugraĊene u kocku
o investiciono zahtjevan pristup.
ROLAP (Relacioni OLAP) je metodologija koja se oslanja na rad sa
podacima koji su smješteni u klasiĉnu relacionu bazu podataka uz
mogućnost da se podacima manipuliše u ''OLAP stilu''.
Osnovne prednosti su:
o mogu da rade sa velikim koliĉinama podataka
o mogu da iskoriste prednosti koje su ugnijeţĊene u relacioni
pristup.
Nedostaci su:
o performanse
o limitiranost funkcionalnosti SQL-a podataka.
HOLAP (Hibridni OLAP) kombinuje prednosti MOLAP i ROLAP
alata. HOLAP predstavlja hibridni proizvod pomoću kojeg je moguće
sprovoditi multidimenzionalne analize simultano iz podataka
uskladištenih u multidimenzionalnoj bazi i onih iz sistema upravljanja
relacijskim bazama podataka. Za informacije sumarnog tipa HOLAP se
oslanja na kocke podataka radi boljih performansi, dok se za detaljnije
podatke vrši uvid kroz relacione podatke.
Izbor alata zavisi od kriterijuma kao što su performanse izvršavanja
upita, performanse uĉitavanja podataka, analitiĉka sposobnost, veliĉina
skupa podataka, upravljanje dimenzijama, lakoća upravljanja i
odrţavanja.
Ako je DW veliki i višefunkcionalan, bolji je relacioni pristup. Ukoliko
je rijeĉ o jednoj ciljnoj analizi sa manjim brojem dimenzija i sa malim
potrebama za podacima na atomskom nivou, povoljniji je
višedimenzionalni pristup. Ova dva pristupa su komplementarna tako
da se najĉešće koriste hibridni sistemi, kod kojih se preko MOLAP
Poslovna inteligencija kroz praktiĉne primjere Uvod
23
alata vrše analize na visokim nivoima agregiranosti podataka, a analiza
na niţim nivoima ili atomskim podacima se vrši uz pomoć ROLAP
alata.
Postoje još neke vrste OLAP alata kao što su:
WOLAP- Web-based OLAP
DOLAP- Desktop OLAP
RTOLAP- Real-Time OLAP
SOLAP- Spatial OLAP.
OLAP alati podrţavaju višedimenzionalni i hijerarhijski pogled na
podatke što omogućava razliĉite tehnike pristupa podacima kao što su:
dicing- odreĊivanje podskupova podataka
data slicing- rotacija daje rotirani pregled informacija npr. pregled
kupovne moći po mjesecima ili mjeseĉni pregled kupovne moći
drill-up agregacija- kretanje po nivoima hijerarhije od najniţeg ka
najvišem nivou agregacije. Npr. pregled kupaca po adresi
prebivališta se prevodi u pregled po mjestu ili opštini, drţavi ili
regionu.
drill-down disagregacija- predstavlja obrnut proces od agregacije tj.
kretanje po nivoima hijerarhije od najvišeg ka najniţem nivou
agregacije.
Tipiĉne OLAP aplikacije se koriste u prodaji, marketingu,
menadţmentu, Business Process Management-u (BPM), budţetiranju i
planiranju, finansijskom izvještavanju i sl. OLAP upit moţe dati
odgovore na razliĉita pitanja kao što je npr. Koji je najpopularniji
proizvod koji naruĉuju kupci muškog pola starosti izmeĊu 30 i 45
godina?
Prezentacija OLAP upita je najĉešće u matriĉnom ili pivot formatu.
Dimenzije ĉine redove i kolone matrice, a mjere predstavljaju
vrijednosti.
OLAP sistem je zasnovan na konceptu OLAP kocke poznate kao
multidimenzionalna kocka ili hiperkocka. Sastoji se od numeriĉkih
vrijednosti koje predstavljaju dimenzije. Metapodaci kocke su kreirani
na osnovu zvjezdaste ili pahuljaste šeme tabele iz relacione baze. Mjere
su izvedene iz rekorda tabele ĉinjenica, a dimenzije iz tabele dimenzija.
Poslovna inteligencija kroz praktiĉne primjere Uvod
24
Na slici 1.3.1. prikazani su primjeri višedimenzionalne OLAP kocke.
Slika 1.3.1. Multidimenzionalna OLAP kocka 4
Osnovni mehanizam koji koristi OLAP, a koji omogućava dobre
perfomanse upita, je mogućnost agregacije. Agregacije se izgraĊuju iz
tabele ĉinjenica promjenom granularnosti specificiranih dimenzija i
agregiranjem podataka po nivoima ovih dimenzija. Broj mogućih
agregacija ograniĉen je brojem mogućih kombinacija nivoa granulacije
svih dimenzija.
Jedna od bitnih funkcionalnosti OLAP alata je mogućnost prikaza
izlaznih podataka kroz razliĉite tipove višedimenzionalnih grafiĉkih i
vizuelnih prikaza.
1.4. Data Mining (rudarenje podataka)
1.4.1. Definicija
Rudarenje podataka se moţe definisati kao netrivijalna ekstarakcija
implicitnih, prethodno nepoznatih i potencijalno korisnih informacija iz
podataka [12] ili kao nauka o ekstrakciji korisnih informacija iz
velikog broja setova podataka ili baza podataka [13].
TakoĊe jedna od definicija rudarenja podataka glasi: rudarenje
podataka je sistematiĉan, interaktivan i iterativan (ponavljajući) proces
izvoĊenja i prikazivanja korisnog, implicitnog i inovativnog znanja iz
podataka.
KupacKupac
StarosnaStarosna strukturastruktura
PodgoricaPodgoricaNiksicNiksic
Bijelo PoljeBijelo PoljeProdajno mjestoProdajno mjesto::
1111--2020 2121--3030 >30>30
KupovnaKupovna mocmoc00--1010
3131--3535
00--1414
1414--1818
1919--2525
2626--3030
PrihodPrihod
Profit Profit
TrosakTrosak
ProizvodProizvod
Dolce&GabbanaDolce&Gabbana
Elizabeth ArdenElizabeth ArdenCavalliCavalli
ProizvodjacProizvodjac::
2.Kv2.Kv 3.Kv3.Kv 4.Kv4.Kv
KvartalKvartal1.Kv1.Kv
KremeKreme zaza licelice
ParfemiParfemi
SamponiSamponi
RumenilaRumenila
RuzeviRuzevi
Poslovna inteligencija kroz praktiĉne primjere Uvod
25
Data Mining identifikuje trendove u podacima koji se ne mogu otkriti
jednostavnim analizama. Termin Data Mining se ĉesto koristi da oznaĉi
dva nauĉna pojma otkrivanje i predviĊanje. Otkrivanje predstavlja
obezbjeĊivanje eksplicitnih informacija koje su razumljive za korisnika,
dok predviĊanje predstavlja predviĊanje budućih dogaĊaja.
Osnovni razlog za definisanje Data Mining-a je da aplikacija sama
proizvodi neke realne analize. U većini sluĉajeva, ove analize su
voĊene do odreĊenog nivoa interakcijom sa korisnikom, ali se Data
Mining-om mora obezbijediti korisniku uvid u informacije koje nije
moguće uoĉiti standardnim OLAP alatima.
Razoj metoda u okviru pojma Data Mining zapoĉinje sedamdesetih i
osamdesetih godina prošlog vijeka. Od sredine devedesetih godina
pojam rudarenje podataka objedinjuje skup metoda i postupaka ĉiji je
zajedniĉki cilj otkrivanje zakonitosti u masi podataka.
Data Mining, zajedno sa DW i OLAP-om predstavlja osnovu
funkcionisanja sistema za podršku odluĉivanju.
1.4.2. Faze razvoja i tehnologije DM-a
Data Mining proces se sastoji iz nekoliko faza:
Priprema podataka- podrazumijeva provjeru konzistentnosti i
taĉnosti podataka, eliminisanje null polja, odreĊena
izraĉunavanja i agregiranja podataka. Kao skup podataka za
istraţivanje moguće je koristiti DW.
Definisanje studije- podrazumijeva definisanje cilja, zavisnih i
nezavisnih varijabli, training set-a.
Ĉitanje podataka i izgradnja modela- podrazumijeva
pretraţivanje podataka i konstrukciju modela sa najboljim
performansama na osnovu kvalitativnih indikatora kao što su:
frekvencija pojavljivanja odreĊene vrijednosti, uticaj
pojedinaĉnih ulaza na izlaz, zajedniĉki uticaj više ulaza na izlaz
(konjukcija), kao i uporeĊivanje jaĉine uticaja pojedinaĉnih
ulaza na izlaz (diferencija).
Reprezentacija i analiza modela- podrazumijeva ispitivanje
relevantnosti kumulativnih indikatora, reprezentativnost i
validacija modela, profilisanje sluĉaja.
Izbor najboljeg izlaza (uporeĊivanje vjerovatnoće taĉnosti
predviĊanja modela).
Poslovna inteligencija kroz praktiĉne primjere Uvod
26
Osnovne tehnologije Data Mining-a su statistika, sistemi bazirani na
pravilima, neuronske mreţe, mašinsko uĉenje, vještaĉka inteligencija,
upravljanje bazama podataka i dr.
Korištenjem Data Mining-a je moguće utvrditi sljedeće vrste
informacija:
klase, postupkom klasifikovanja prema unaprijed definisanim
klasama
klastere odnosno kategorije, postupkom klasifikovanja bez
unaprijed zadatih klasa
prognoze, kojima se predviĊa budućnost iz postojećih podataka
asocijacije, koje su uslovljene dogaĊajima
sekvence, koje definišu dogaĊaje koji u odreĊenoj vjerovatnoći
slijede jedan za drugim i dr.
1.4.3. Veza DWH- OLAP- Data Mining
Kreiranje DW-a i korištenje OLAP alata omogućava agregaciju
istorijskih podataka i manipulaciju podacima kroz interaktivan pristup
višedimenzionalnim informacijama. Prethodnim modelima i metodama
dobija se odgovor na pitanja kao što su npr. koliki je bio prihod u
prethodnom mjesecu, kako se kretao u posmatranom periodu, u kojoj
regiji je postignut najveći rast itd. Identifikovanjem posmatrene
ĉinjenice (npr. prihoda) u odnosu na odreĊene predefinisane faktore
(mjesto, vrijeme, kupac, proizvod, cijena...), stvaraju se uslovi dalje
analize na osnovu kojih će se donijeti poslovna odluka.
Analizom se oĉekuje dobjanje odgovora zbog ĉega je došlo do takvog
stanja i na koji naĉin treba usmjeriti poslovne akcije u budućnosti kako
bi se unaprijedio poslovni rezultat. Data Mining je proces automatskog
pronalaţenja skrivenih odnosa i obrazaca ponašanja meĊu podacima,
koji podrazumijeva korištenje raznih satistiĉkih tehnika, vještaĉke
inteligencije i kreiranje prediktivnih modela na osnovu otkrivanja
relacija meĊu podacima. Data Mining pruţa mogućnosti dobijanja
odgovora na pitanje bez postavljenja bilo kakve pretpostavke o uticaju
odreĊenog faktora.
Kao izvor podataka koji se obraĊuju kroz Data Mining se koriste i baze
podataka i DW. DW nije neophodna za Data Mining, jer se Data
Mining tehnologija moţe primijeniti i nad operativnim transakcionim
bazama podataka.
Poslovna inteligencija kroz praktiĉne primjere Uvod
27
Data Mining i OLAP su dopunjujući pristupi jer prije nego što se utvrde
zakonitosti meĊu podacima (Data Mining), moraju se postaviti
odreĊene pretpostavke na bazi kojih se zakonitost izvodi (OLAP):
OLAP je dio alata sistema za podršku odluĉivanju i daje odgovore
na pitanja da li su neke pretpostavke koje su izdvojene iz baze
podataka istinite. OLAP analiza je u suštini deduktivan proces.
Data Mining pristup pokušava da pronaĊe neku zakonitost meĊu
podacima. Data Mining je induktivan proces.
Poslovna inteligencija kroz praktiĉne primjere Data Mart
28
2. Data Mart
2.1. Data Mart– pojam
Data Mart je skup podataka dizajniran i konstruisan radi podrške
odluĉivanju pri ĉijem se dizajniranju slijede principi dizajna skladišta
podataka s tim da taj skup podataka zadovoljava potrebe homogene
grupe korisnika. Data Mart, kao posebna verzija DW-a, sadrţi
snapshot-ove operacionalnih podataka koji omogućavaju korisnicima
donošenje strateških odluka zasnovanih na prošlim trendovima i
iskustvu.
Skladišta podataka donose poslovnu inteligenciju koja obuhvata velik
broj funkcija poslovanja nekog preduzeća, velik broj poslovnih grupa i
djelova preduzeća. Za razliku od toga, Data Mart je orijentisan na
pojedine funkcije poslovanja, na male usko specijalizovane poslovne
grupe, odnosno na poslovanje pojedinih djelova preduzeća kao što su
npr. prodaja, marketing i sl. [14] Drugim rijeĉima, DW je sastavljena iz
Data Mart-ova na osnovu kojih krajnji korisnici imaju pristup
podacima.
Ako su Data Mart-ovi dizajnirani korištenjem konformiranih ĉinjenica i
dimenzija, onda se oni mogu povezati sa ostalim Data Mart-ovima.
Postoji više šema za dizajn Data Mart-a. Zvjezdasta šema je najĉešći
izbor, i omogućava relacionoj bazi da simulira analitiĉke
funkcionalnosti multidimenzionalnih baza podataka.
Mart podataka moţe sluţiti istoj namjeni kao i DW: eksploraciji
podataka, Data Mining-u, analitiĉkoj obradi podataka i sl. Neki od
razloga za implementaciju Data Mart-a su:
jednostavan pristup ĉesto korištenim i potrebnim podacima
kreiranje kolektivnih view-ova za grupe korisnika
poboljšanje vremena odziva za krajnjeg korisnika
jednostavnost kreiranja
niţa cijena koštanja u odnosu na implementaciju kompletnog DW-
a.
Data Mart-ovi su podskupovi podataka skladišta podataka i mjesto gdje
se odvija najviše analitiĉkih aktivnosti. Podaci u svakom Data Mart-u
Poslovna inteligencija kroz praktiĉne primjere Data Mart
29
su modelirani za odreĊenu funkciju kao što je analiza profitabilnosti
proizvoda, demografske analize kupaca, itd.
Slika 2.1.1. Primjeri Data Mart-a 5
2.2. Definisanje ciljeva Data Mart-a
Ciljevi projektovanja Data Mart-a jesu da omogući menadţmentu
preduzeća kvalitetnije donošenje poslovnih odluka koje će bitno
doprijeniti kvalitetu analize pojedinih segmenata trţišta i donošenju
pravih poslovnih odluka.
Data Mart će biti projektovan na naĉin koji će omogućiti njegovu
potpunu integraciju u integralni DW i integraciju sa standardnim OLAP
alatima.
2.3. Implementacija Data Mart-a
Za implementaciju Data Mart-a koristićemo dizajn integralne (bus)
arhitekture DW-a, koja podrazumijeva poĉetak implementacije
definisanjem opšte arhitekture DW-a (top-down), a zatim sledeći ovu
arhitekturu, implementaciju posebnih Mart-ova podataka, pri ĉemu
svaka implementacija blisko slijedi tu arhitekturu tako da se
projektovani Mart-ovi podataka ''slaţu'' jedan uz drugi, vremenom
formirajući integrisani DW organizacije.
Osnovne pretpostavke DW bus arhitekture su:
Poslovna inteligencija kroz praktiĉne primjere Data Mart
30
definisanje organizacijskih ili funkcionalnih oblasti
zajedniĉke (konformirane) poslovne dimenzije
zajedniĉke definicije ĉinjenica
zajedniĉka metrika
zajedniĉka semantika.
Definisanje DW bus arhitekture se sastoji iz nekoliko faza:
izbor Mart-ova podataka (funkcionalnih oblasti)
odreĊivanje dimenzija
izgradnja matrice Mart-ovi podataka x Dimenzije
dizajn svake tabele ĉinjenica
dizajn dimenzija za svaku tabelu ĉinjenica.
Matrica DW bus arhitekture zahtijeva da se identifikuju i imenuju svi
Mart-ovi podataka ĉija gradnja dolazi u obzir i da se imenuju sve
dimenzuje implicirane tim Mart-ovima podataka.
Svaki Mart podataka mora biti predstavljen dimenzionalnim modelom.
TakoĊe svi Mart-ovi podataka unutar jednog DW-a moraju da budu
izgraĊeni od konformiranih dimenzija i konformiranih ĉinjenica.
Konfirmirana dimenzija je dimenzija koja ima isto znaĉenje u svim
mogućim tabelama ĉinjenica sa kojima je povezana i identiĉna je u
svakom Mart-u podataka. Konfirmirana dimenzija je identiĉna u
svakom Mart-u podataka.
Generisanje jedinstvenih izvještaja iz razliĉitih Data Mart-ova zahtijeva
definisanje konformiranih ĉinjenica koje moraju koristiti jedinstven
sistem jedinica mjera i iste konformirane dimenzije.
Prilikom detaljnog logiĉkog dizajna dimenzionalne šeme prije izbora
dimenzija potrebno je definisati nivo granularnosti tabele ĉinjenica koji
predstavlja osnovni, najsitniji nivo podataka koji treba da se
reprezentuju u tabeli ĉinjenica za dati poslovni proces. Izbor nivoa
granulacije dimenzija zavisi od izbora nivoa granulacije tabele
ĉinjenica, tj. ovi nivoi granulacije treba da budu usklaĊeni.
Za svaku dimenziju se identifikuje produkcioni kljuĉ i kreira surogatni
kljuĉ. Za razliku od ostalih identifikatora nivoa koji mogu biti
popunjeni vrijednostima prirodnih kljuĉeva, surogatni kljuĉ (eng.
warehouse key) je vještaĉki kljuĉ koji omogućava da se saĉuva istorija
dimenzije.
Poslovna inteligencija kroz praktiĉne primjere Data Mart
31
Tabela ĉinjenice se sa dimenzijama povezuje iskljuĉivo preko
surogatnih kljuĉeva koji se definišu za svaku dimenziju. Na ovaj naĉin
se poboljšavaju perfomanse izvršavanja upita, jer su surogatni kljuĉevi
obiĉno mnogo kraći od prirodnih kljuĉeva.
Strukturu tabela ĉinjenica ĉine kolone koje predstavljaju obiljeţja
ĉinjenice i kolone spoljnih kljuĉeva (eng. foreign keys) koje
predstavljaju vezu tabele ĉinjenice sa dimenzijama. Atributi ove tabele
predstavljaće kvantitativne pokazatelje poslovanja. Primarni kljuĉ
tabele ĉinjenica je definisan nad skupom kolona spoljnih kljuĉeva.
Podaci u tabelama dimenzija i tabelama ĉinjenica su denormalizovani
što omogućava izvršavanje analitiĉkih upita na velikoj koliĉini
podataka.
U sredini šeme se nalazi tabela ĉinjenica (eng. fact table) koja sadrţi
podatke za analizu i kljuĉeve za povezivanje sa tabelama dimenzija
(eng. dimension tables). Informacije smještene u tabelu ĉinjenica su
saţete, radi poboljšanja performansi dok tabele dimenzija imaju manji
broj zapisa, ali veće duţine. Njima se dopunjuju podaci smješteni u
tabeli ĉinjenica, pomoću opisa, naziva i drugih tekstualnih podataka.
Višedimenziona analiza ima dosta prednosti u odnosu na standardnu
analizu podataka uz pomoć upita. Podaci se na ovaj naĉin dublje
povezuju, pa je vrijeme koje je potrebno za sloţene obrade i analize
svedeno na minimum.
Ne moraju se pisati sloţeni upiti, već se traţene analize dobijaju na
mnogo jednostavniji naĉin. Ovakva skladišta podatka imaju strukturu
koja im omogućava lako proširivanje, tako da su ovakvi sistemi vrlo
fleksibilni i vrlo jednostavni za odrţavanje.
2.4. Data Mart dizajn- izbor i specifikacija poslovnih činjenica i
dimenzija
Obzirom da je koncept zasnovan na relacionoj bazi podataka, za
projektovanje Data Mart-a, u studijama sluĉaja koje će biti kasnije
opisane, kao tip modeliranja podataka će se koristiti zvjezdasta šema. U
osnovi ovog dimenzionalnog modela je zvjezdasta šema u kojoj je
Poslovna inteligencija kroz praktiĉne primjere Data Mart
32
tabela ĉinjenica preko relacija povezana sa tabelama dimenzija. Ovakav
dimenzionalni model će omogućiti analitiĉku obradu tipa ROLAP.
U okviru zvjezdaste šeme kreiraju se dvije vrste tabela:
tabele ĉinjenica kojima se kvantitativno predstavljaju poslovne
ĉinjenice
tabele dimenzija kojima se kvalitativno predstavljaju poslovne
dimenzije.
Kreirani Data Mart mora biti usklaĊen sa okruţenjem u kome će
funkcionisati. Iz osnovnih zahtjeva koji se postavljaju kao uslov za
ostvarenje ciljeva Data Mart-a, uoĉava se potreba povezivanja sa
izvornim tabelama OLTP sistema, mogućim eksternim tabelama, kao i
poslovnim korisnicima koji će OLAP alatima pronalaziti informacije
potrebne za donošenje kvalitetnih poslovnih odluka.
Izvorni podaci OLTP sistema se mogu javiti u raznim formama, na
razliĉitim medijima za ĉuvanje podataka, pokretani razliĉitim
sistemima za upravljanje bazama podataka, ponekad ĉak i u formi van
baza podataka (proste tabele i/ili fajlovi), i na razliĉitim operativnim
sistemima.
Krajnji cilj realizacije Data Mart-a je izvršavanje razliĉitih upita nad
podacima i dobijanje kvalitetnih informacija.
2.5. Realizacija Data Mart-a
2.5.1. Faze realizacije Data Mart-a
Realizacija Data Mart-ova koji će biti opisani u ĉetvrtom poglavlju se
sprovodi kroz sljedeće faze:
Faza definisanja- Ova faza podrazumijeva izradu definicija koje
opisuju logiĉku strukturu Data Mart-a, i formalno opisuju:
o ciljnu Warehouse šemu
o izvor podataka i
o operacije mapiranja, transformisanja i uĉitavanja podataka.
Faza generisanja- U okviru ove faze konfigurišu se definicije za
kreiranje fiziĉke instance Data Mart-a. Faza podrazumijeva:
o konfigurisanje skupa definicija za fiziĉku instancu
Poslovna inteligencija kroz praktiĉne primjere Data Mart
33
o validaciju skupa definicija
o generisanje script-ova
o generisanje objekata fiziĉke instance i smještanje script-ova
za mapiranje.
Faza učitavanja podataka- Ova faza podrazumijeva prethodno
generisane objekte fiziĉke instance i script-ove za inicijalno
punjenje i osvjeţavanje.
Svaka od faza sadrţi u sebi odgovarajuće procese i podprocese. Naĉin
realizacije moţe biti višestruk. Dizajniranje zvjezdastih šema u naĉelu
je moguće postići ruĉnim kreiranjem posebnih script-ova (SQL i/ili
PL/SQL), što vaţi i za ETL proces.
Preporuka je da se na samom poĉetku realizacije Data Mart-a izvrši
izbor alata kako bi se izbjegla opasnost od potrebe redizajniranja u
kasnijim fazama.
2.5.2. Izbor i opis alata
Na trţištu je moguće pronaći veći broj programskih alata koji su
pogodni za razvoj sistema poslovne inteligencije. Postoji veliki broj
automatizovanih alata za dizajniranje DW sistema. Naša namjera
prilikom pisanja ove knjige nije isticanje bilo kog alata poslovne
inteligencije već opisivanje metoda i tehnika za implementaciju sistema
poslovne inteligencije. Ipak u cilju boljeg razumijevanja sistema
poslovne inteligencije neophodno je opisati primjenu alata za njegovu
realizaciju.
U ovoj knjizi opisano je korištenje Oracle Warehouse Builder alata.
Oracle Warehouse Builder (OWB) je integrisana platforma za
dizajniranje, izradu i odrţavanje skladišta podataka i Data Mart-ova
koja omogućava integrisano dizajniranje i generisanje skladišta
podataka, ekstrakciju, transformaciju i transport podataka, generisanje
koda, upravljanje meta podacima, integrisanje analitiĉkih alata i
odrţavanje i upravljanje skladištem podataka. OWB omogućava:
import definicija izvornih podataka
dizajn i kreiranje ciljne šeme
dizajn i kreiranje transporta i manipulacije izmeĊu izvornih i ciljnih
meta
dodjeljivanje zavisnosti ETL procesima
upravljanje i update definicije izvora
Poslovna inteligencija kroz praktiĉne primjere Data Mart
34
upravljanje, razvoj i update ciljnih šema
okruţenje za dizajn i kreiranje ad hoc upita
okruţenje za dizajn i kreiranje OLAP-a.
OWB se sastoji od nekoliko komponenti od kojih je najvaţniji Oracle
Warehouse Builder Client. Warehouse Builder Client Application-
obezbjeĊuje user friendly grafiĉki interfejs za definisanje, dizajn i
razvoj sistema poslovne inteligencije. Generator koda generiše skripte
kao što su DDL i PL/SQL bazirane na meta podacima u repozitorijumu.
Deployment Manager upravlja svim aspektima razvoja i generisanja
objekata. Moţe se selektovati objekat razvoja i definisati na koji će
naĉin biti generisan. Oracle Warehouse Builder podrţava prevoĊenje
podataka iz Oracle izvornih tabela, kao i iz ne-Oracle sistema (SAP,
MS SQL ...).
Slika 2.5.2.1 OWB arhitektura 6
Arhitektura OWB je sastavljena od dvije komponente:
Design enviroment (dizajn okruţenje)- Sastoji se od
repozitorija metapodataka, smještenih u Oracle bazi, i seta alata
za dizajniranje i pravljenje izvještaja, kreiranih u Java ili
HTML-u. Koristeći ove alate, metapodaci (podaci o objektima,
procesima i poslovima, unutar repozitorija) mogu biti sagledani
i manipulisani. OWB podrţava dizajn šema relacionih baza,
Poslovna inteligencija kroz praktiĉne primjere Data Mart
35
multidimenzionih šema, ETL procesa i sl. Umjesto ruĉnog
kreiranja metapodataka, OWB pruţa integrisane komponente za
kreiranje ETL procedura i import izvornih podataka u
repozitorij. Omogućene su i napredne tehnike izvještavanja,
kako u procesu validacije dizajniranih objekata/procesa, tako i u
procesu generisanja i izvršavanja kreiranih SQL script-ova.
Runtime enviroment (radno okruţenje)- Nakon kreiranja ETL
sistema na logiĉkom nivou, potrebno je ovaj sistem prevesti u
fiziĉko okruţenje baze. OWB generiše jezik za ekstrakciju,
potreban za proces ETL-a, kao i SQL/DDL naredbe za kreiranje
objekata baze. Izvršavanje ETL funkcija predstavlja pokretanje
kreiranih script-ova, u okruţenju baze podataka. Ovaj proces
pokretanja script-ova moţe se vršiti ruĉno, ili kroz Oracle
Enterprise Manager. Nakon ovoga, ETL proces povlaĉi izvorne
podatke i kroz proces transformacije, prevodi ih u ciljnu bazu
podataka. OWB podrţava prevoĊenje podataka iz Oracle
izvornih tabela, kao i iz ne-Oracle sistema (SAP, MS SQL i sl.).
2.5.3. Faza definisanja (definisanje dimenzionalnih modela,
agregacija, izvora podataka i ETL procedura)
Faza definisanja podrazumijeva definisanje dimenzionalnih modela,
izvora podataka i ETL procedura kojima će izvorni podaci biti
prevedeni u ciljne zvjezdaste šeme, koje ĉine jezgro Data Mart-a. Za
realizaciju ove faze, najprije je potrebno izvršiti identifikaciju izvora
podataka. Generalno govoreći, ovi podaci zavise od konkretnog sistema
posmatranja, odnosno naĉina implementacije istog. Izvorni podaci
mogu biti smješteni u relacionom ili nerelacionom sistemu za razvoj
baze podataka, kao i u fajlovima operativnog sistema (eng. flat files). U
smislu generalizacije predloţenog modela, pretpostavićemo da se
izvorni podaci nalaze u relacionom sistemu Oracle baze podataka.
Faza definisanja poĉinje definisanjem modula izvornih podataka i
ciljnog modula. OWB Builder vrši kreiranje ovih modula u okviru
design repozitorija. Objekat u koji se smještaju metapodaci o izvornim i
ciljnim modulima naziva se Builder Project.
Izvorni modul sadrţi podatke o objektima u kojima se nalaze izvorni
podaci. Najĉešće su to podaci OLTP sistema. Za pravilno dizajniranje
Data Mart-a, potrebno je ove izvorne podatke import-ovati u tabele
dimenzija odnosno ĉinjenica. Proces prevoĊenja podrazumijeva
kreiranje metapodataka o izvoru, što se postiţe pomoću jedne od
Poslovna inteligencija kroz praktiĉne primjere Data Mart
36
funkcija OWB-a- Import. Sadrţaj izvornog modula ĉine sve tabele iz
informacionog sistema, koje će se koristiti za kreiranje predloţenih
zvjezdastih šema. Ove tabele sadrţe podatke koji se tiĉu odreĊene
poslovne funkcije u okviru posmatranog sistema.
Osnovna svrha faze definisanja jeste proces definisanja ciljnog modula
(npr. KUPCI_T), koji sadrţi objekte prikazane na slici 2.5.3.1.
Slika 2.5.3.1 Struktura ciljnog modula 7
Shodno predloţenom rješenju, ciljni modul sadrţi metapodatke o
tabelama dimenzija, tabelama ĉinjenica, mapiranjima koja treba izvršiti
kako bi se podaci iz izvornog modula (izvornih tabela) preveli u tabele
dimenzija odnosno ĉinjenica.
Kreiranje definicije za dimenziju podrazumijeva kreiranje objekta
dimenzije i tabele dimenzije. Objekat dimenzije sadrţi definicije nivoa
agregiranja podataka i hijerarhiju meĊu ovim nivoima. Svaki nivo ima
odreĊen broj atributa od kojih je jedan automatski generisan od strane
OWB-a i predstavlja identifikator nivoa. Za svaki identifikator je
kreiran unique key constraint. Unique key najniţeg nivoa je ujedno i
primarni kljuĉ kreirane tabele dimenzije. Ovaj kljuĉ nazivamo
surogatni kljuĉ.
Treba napomenuti da je kreiranje dimenzija uraĊeno u skladu sa
ciljevima Data Mart-a. Dimenzije se kreiraju tako da ispunjavaju uslove
konformirane tabele, ĉime se uspostavlja njihova univerzalnost i
iskoristivost u svim ostalim Data Mart-ovima koji bi bili realizovani u
okviru DW sistema. Tipovi podataka su usklaĊeni sa tipovima podataka
izvornih tabela OLTP sistema, imena varijabli i organizacija hijerarhije
Poslovna inteligencija kroz praktiĉne primjere Data Mart
37
uzimaju u obzir zahtjeve koje postavljaju i drugi poslovni podsistemi
posmatranog sistema. Kao primjer posmatraćemo dimenziju Komitent.
Slika 2.5.3.2. Pikaz strukture dimenzije Komitent sa nivoima hjerarhije8
Slika 2.5.3.3. Obiljeţja dimenzije Komitenti 9
Slika 2.5.3.4. Constraints nad dimenzijom Komitenti 10
Poslovna inteligencija kroz praktiĉne primjere Data Mart
38
Podaci iz izvornih tabela, biće denormalizovani i mapirani u tabelu
dimenzija. Na ovaj naĉin, će se ostvariti mogućnost brze pretrage,
potrebne u OLAP sistemima, u kojima je broj podataka ogroman.
Denormalizacija će kao posljedicu imati odreĊeno povećanje prostora
potrebnog za smještaj podataka, ali će OLAP aplikacije i napredne
tehnike Data Mining-a, imati skraćeno vrijeme pronalaţenja
informacija potrebnih za donošenje kvalitetnih poslovnih odluka.
Realizacijom dimenzija stvoreni su uslovi za realizaciju tabele
ĉinjenica. Prethodno je reĉeno da tabela ĉinjenica sadrţi surogatne
kljuĉeve koji su u stvari unique kljuĉevi tabela dimenzija. Osim ovih
kljuĉeva, tabela ĉinjenica sadrţi i kvantitativne pokazatelje poslovanja
koje se posmatra.
Slijedi nekoliko primjera zvjezdastih šema.
Slika 2.5.3.5. Primjer zvjezdaste šeme ''Prodaja marketinških usluga''11
Slika 2.5.3.6. Primjer zvjezdaste šeme ''Trajanje marketinškog sadrţaja''12
Poslovna inteligencija kroz praktiĉne primjere Data Mart
39
Slika 2.5.3.7. Primjer zvjezdaste šeme ''Prodaja''13
Slika 2.5.3.8. Primjer zvjezdaste šeme za analizu kupaca14
Kreiranjem metapodataka o objektima izvornog modula, kao i tabela
dimenzija i ĉinjenica, stvoreni su uslovi za kreiranje objekata ciljnog
Warehouse modula. Ove objekte (tabele), potrebno je popuniti stvarnim
Poslovna inteligencija kroz praktiĉne primjere Data Mart
40
podacima. Naĉin na koji će to biti izvedeno odreĊuju metapodaci o
mapiranju. U ciljnom modulu, potrebno je definisati mapiranje za
svaku od tabela dimenzija, kao i svaku od tabela ĉinjenica. Mapiranja
će posluţiti za kreiranje script-ova (SQL, PL/SQL, DLL), ĉijim će se
izvršenjem podaci iz izvornih tabela prevesti u ciljne tabele Oracle
sistema.
Realizacija mapiranja korištenjem OWB alata je krajnje jednostavna.
UvoĊenjem izvornih objekata u šemu mapiranja i povlaĉenjem linija od
izlaznih podataka jednog objekta prema ulaznim podacima drugog
objekta, stvara se transformacioni link koji generiše jednu SQL naredbu
oblika INSERT INTO SELECT..., u fazi realizacije kreiranog script-a.
Kreiranje surogatnog kljuĉa obavlja se pomoću objekta sekvence, koji
generiše unique identifikator za posmatranu dimenziju. Podaci iz
izvornih tabela, koji su obiĉno normalizovani, u stanju treće normalne
forme, povezuju se Joiner operatorima. Zadatak Joiner-a je da ustanovi
pravilo povezivanja. Shodno definisanoj dimenziji, vrši se odabir
atributa izvornih tabela koji se Joiner-om spajaju. Nije neophodno
uvoditi u Jonier sve atribute izvornih tabela, već samo one koji su
potrebni za povezivanje, kao i atribute neophodne za realizaciju ciljne
dimenzije. Rezultat povezivanja je dimenzija u kojoj će se naći podaci
iz izvornih tabela ali u denormalizovanoj formi.
Slika 2.5.3.9. Primjer mapiranje dimenzije (Realizacija)15
Poslovna inteligencija kroz praktiĉne primjere Data Mart
41
2.5.4. Faza generisanja (konfigurisanje, validacija, generisanje
script-ova i generisanje objekata)
Nakon završetka faze definisanja u Oracle Warehouse repozitorijumu
nalaze se definicije logiĉke Warehouse šeme tj. definicije o izvoru
podataka i operacije mapiranja i transformisanja koje su potrebne za
kreiranje fiziĉke instance Warehouse-a. Faza generisanja se sastoji iz
konfigurisanja i validacije skupa definicija, generisanja skriptova i
objekata i smještanje skriptova za mapiranje.
Konfigurisanje skupa definicija za fizičku instancu- obezbjeĊuje
definisanje fiziĉkih karakteristika za objekte u ciljnom modulu. Postoji
veliki broj parametara koji se mogu konfigurisati kao što su tablespace-
ovi, particije, neki runtime parametri kao što su imena poslova, runtime
direktoriji i sl. Ove fiziĉke karakteristike se podešavaju u Configuration
Properties prozoru. Podešavanje fiziĉkih karakteristika je moguće za
svaki objekat pojedinaĉno npr. za tabele, dimenzije, view-ove,
mapiranja i sl. ili na nivou ciljnog modula.
Validacija skupa definicija- podrazumijeva proces provjere definicija
metapodataka i konfiguracionih podataka. Validacijom se vrši provjera
svih definicija i identifukuju se eventualni problemi ili moguće greške
koje se mogu desiti tokom generisanja. Ako objekti nisu validni,
generisanje objekata nije moguće. OWB pokreće serije validacionih
testova koje obezbjeĊuju potvrdu taĉnosti i kompletnosti definicija.
Kada su ovi testovi kompletirani mogu se vidjeti rezultati.
U cilju identifikovanja mogućih problema, proces validacije se moţe
pokrenuti nakon kreiranja definicija objekata kao i nakon
konfigurisanja kada proces validacije znatno duţe traje. Proces
validacija se takoĊe pokreće implicitno prilikom generisanja skriptova
ili objekata.
Generisanje skriptova- tokom ovog procesa OWB validira definicije
objekata i definiše skriptove koji su neophodni za kreiranje i
popunjavanje objekata ciljnog modula. Nakon generisanja skriptova oni
se mogu pregledati i saĉuvati u fajl sistemu.
Warehouse Builder generiše nekoliko tipova skriptova:
DDL skriptovi koji sluţe za kreiranje ili brisanje baznih objekata
kao što su dimenzije, ĉinjenice, sekvence i sl.
Poslovna inteligencija kroz praktiĉne primjere Data Mart
42
PL/SQL i SQL*Loader za kontrolu fajlova koji omogućavaju
ekstrakciju, transformaciju i transport izvornih podataka.
ABAP skriptovi koji omogućavaju ekstrakciju i smještanje
podataka iz SAP sistema.
TCL skriptove koji startuju uĉitavanje i osvjeţavanje sadrţaja
fiziĉke instance.
Nakon definisanja i konfiguracije logiĉke instance, vrši se razvoj i
kreiranje fiziĉke instance ciljnog modula, nakon ĉega se moţe izvršiti
inicijalno punjenje ili osvjeţavanje podataka ciljnog modula. Ako se
radi o već razvijenom sistemu moţemo pogledati njegovu istoriju i
razmišljati o nadgradnji. Ove procese omogućava komponenta OWB
Runtime Platform Service.
Nakon generisanja skriptova izvršićemo njihovu implementaciju u bazi
na osnovu unesene konekcije (Deployment). Proces kreiranja ciljnog
sistema iz logiĉkog dizajna ukljuĉuje generisanje skriptova kao što su
DDL skriptovi koji kreiraju objekte u bazi kao što su tabele, view-ovi, i
dimenzije. Ovaj proces takoĊe ukljuĉuje generisanje PL/SQL and
SQL*Loader skriptova koji smještaju podatke u svaki objekat.
U Runtime repozitorijumu smještaju se sve informacije o ovom
procesu, i predstavljaće default vrijednosti za implementacije u
budućnosti. Podaci o implementaciji mogu se vidjeti i pomoću
komponente Runtime Deploying and Upgrading Target Systems.
Za implementaciju ciljnog modula moţemo koristiti OWB komponentu
Deployment Manager ili deploy-irati objekat direktno iz navigacionog
stabla.
Rezultat ovog procesa su generisani objekti u ciljnom sistemu- runtime
repozitorijumu. Redosled deploy operacija je znaĉajan, i najĉešće kreće
od sekvenci, izvornih tabela, tabela dimenzija, materijalizovanih view-
ova, tabela ĉinjenica, do deploy-iranja mapiranja.
2.5.5. Faza učitavanja (definisanje sekvence za izvršavanje
skriptova ETL procedura)
Sa realizacijom faze uĉitavanja moţemo zapoĉeti nakon što su objekti
fiziĉke instance generisani, a skriptovi za inicijalno punjenje i
osvjeţavanje generisani.
Poslovna inteligencija kroz praktiĉne primjere Data Mart
43
Definisanje ETL procedura izvršeno je kroz proces mapiranja tabela
dimenzija i ĉinjenica. Izvršenjem generisanih script-ova podaci iz
izvornih tabela se ekstrahuju, transformišu i uĉitavaju u ciljne tabele.
Drugim rijeĉima, OLTP sistem se prevodi u OLAP sistem.
Izvršenje skriptova za uĉitavanje podataka moţe se ostvariti
korištenjem OWB komponente Deployment Manager. Za
implementaciju Data Mart-a kreirana su mapiranja koja definišu ETL
procese za tabele dimenzija, tabelu ĉinjenica i materijalizovane view-
ove. Izvršenjem generisanih PLS script-ova, podaci iz izvornih tabela
(npr. OLTP sistem) se ekstrahuju, transformišu i prebacuju u ciljne
tabele (OLAP sistem).
Poslovna inteligencija kroz praktiĉne primjere Realizacija modela odluĉivanja
44
3. Realizacija modela odlučivanja
Realizacija modela odluĉivanja podrazumijeva razvoj OLAP modela,
zasnovanih na arhitekturi Data Mart-ova. OLAP modeli će omogućiti
analitiĉku obradu podataka pomoću koje će menadţeri na jednostavan
naĉin realizovati komplikovane upite nad bazom podataka. Izlazi, koje
proizvodi ovakav pristup analitiĉkog procesiranja, predstavljaju korisne
informacije za menadţment i u velikoj mjeri će doprinijeti donošenju
kvalitetnijih poslovnih odluka, a samim tim i povećanju uspješnosti
poslovanja.
Razvoj modela odluĉivanja se odvija kroz dvije faze:
izbor OLAP alata
realizacija OLAP modela
3.1. Izbor i opis OLAP alata
Za potrebe implementacije primjera sistema poslovne inteligencije
opisanih u ovoj knjizi korišten je alat Oracle Discoverer. U cilju boljeg
razumijevanja implementacije sistema poslovne inteligencije
neophodno je reći par rijeĉi o ovom alatu. Oracle Discoverer je alat koji
omogućava generisanje sistema za podršku odluĉivanju. Zasnovan je na
relacionoj bazi podataka i sluţi za izvršavanje ad hoc upita i
generisanje izvještaja, kao i razliĉitih vrsta analiza koje omogućavaju
menadţmentu da dobije potrebne informacije o poslovanju. Prednost
alata, pored brzine i kvaliteta izlaza koje pruţa, jeste u jednostavnosti
upotrebe, što omogućava korisnicima da bez naprednog informatiĉkog
znanja manipulišu bazom podataka, a da pri tome ne moraju poznavati
njenu strukturu. Njegova namjena je da obezbijedi korisniku
jednostavan pristup podacima kao i da omogući analize i ad hoc upite.
Sa relativno kratkom obukom omogućava krajnjim korisnicima da
kreiraju workbook-ove sliĉne kao u Excel-u koji daju odgovore na
poslovna pitanja tipa "Koliko je prodaja nekog proizvoda unaprijeĊena
u juţnom regionu ove godine u odnosu na prošlu?"
Osnovne komponente Oracle Discoverer-a su:
Korisniĉka komponenta (User Edition)- predstavlja komponentu
Oracle Discoverer-a koja omogućava krajnjim korisnicima
Poslovna inteligencija kroz praktiĉne primjere Realizacija modela odluĉivanja
45
korisniĉki prilagoĊeno grafiĉko okruţenje za generisanje izvještaja
i analizu podataka.
Administrativna komponenta (Administration Edition)- predstavlja
administrativnu komponentu koja sadrţi set alata koji se koriste za
dizajn i prezentaciju hijerahija finansijskih podataka tj. poslovnih
oblasti (eng. business area) kojim pristupaju krajnji korisnici preko
User Edition-a.
End User Layer (EUL)- predstavlja meta nivo koji sakriva
kompleksnost baze podataka iz koje Oracle Discoverer preuzima
podatke. Konceptualno EUL razdvaja rjeĉnik baze podataka tj.
definicije tabela baze od krajnjeg korisnika i User Edition. Fiziĉki
EUL predstavlja tabele i view-ove organizovane u poslovne oblasti
kao što su HR, Prodaja i sl.
EUL generiše SQL skriptove na klijentskoj strani i komunicira sa
bazom podataka koristeći SQL*Net. Kada korisnik izabere objekat iz
posmatrane poslovne oblasti EUL generiše odgovarajući SQL skript sa
definisanim izabranim tabelama, view-ovima ili kolonama. Kada
korisnik postavi upit EUL izvršava SQL skript i šalje ga u bazu, koja
vraća rezultat upita preko User Edition-a do krajnjeg korisnika. Ovo
znaĉi da EUL omogućava krajnjem korisniku pristup podacima u bazi
podataka i bez poznavanja SQL-a.
Navešćemo samo neke od osnovnih karakteristike Discoverer-a:
Zasniva se na relacionom DW konceptu.
Omogućava definisanje formula, filtera i logiĉkih grupisanja item-a,
olakšavajući na taj naĉin upotrebu za krajnjeg korisnika.
Automatski definiše vremensku hijerarhiju za sve datumske item-e i
liste vrijednosti za item-e tekstualnog i datumskog tipa.
Omogućava definisanje alternativnih sortova, item hijerarhija za
drills analize, hiperdrills tj. drills u terminima kako je to sam
korisnik definisao, a ne po nivoima neke hijerarhije.
Omogućava automatsko i kontrolisano kreiranje i osvjeţavanje
materijalizovanih view-ova kao i korištenje eksternih.
Omogućava rad sa drugim relacionim bazama (ne Oracle-ovim).
Omogućava jednostavno kreiranje workbook-ova tj. ad hoc upita od
strane korisnika kao i izradu izvještaja na osnovu workbook
rezultata.
Poslovna inteligencija kroz praktiĉne primjere Realizacija modela odluĉivanja
46
Korisnik ne mora ništa znati o strukturi baze podataka, već koristi
njemu bliske business areas, kreirane od strane administrativne
komponente. Podatke prikazuje u familijarnom formatu za
korisnika, jednostavnom za ĉitanje i razumijevanje.
Omogućava OLAP analizu sa drill, pivot, condition, rang, sort,
what-if tehnikama.
Pored kalkulacija zasnovanih na formulama i standardnim
funkcijama, omogućava rad sa analitiĉkim funkcijama za
kompleksne matematiĉko-statistiĉke analize.
3.2.Realizacija administrativne komponente OLAP modela
Realizaciju modela zapoĉećemo kreiranjem EUL-a uz pomoć Oracle 9i
Discoverer Administrator-a. Administrativni pogled na EUL, koji
predstavlja korisnikovu kolekciju tabela, se naziva Work Area (WA). U
okviru WA ćemo kreirati i odrţavati business area (BA) npr. kupci_TP.
Osnovne karakteristike BA su:
Zadovoljavaju specifiĉne potrebe korisnika.
Obiĉno sadrţe podatke iz više razliĉitih tabela ili view-ova.
Sadrţe tabele ili view-ove i njihove kolone predstavljene folder-ima
i item-ima.
Mogu sadrţati foldere iz jedne ili više fiziĉkih baza.
Omogućavaju filtriranje, spajanje, kalkulacije, formatiranje,
uspostavljanje hijerarhija.
Mogu biti dostupni jednom ili više korisnika.
Jedan korisnik moţe imati pravo pristupa za više business areas.
Omogućava pristup podacima bez poznavanja strukture baze
podataka.
U okviru BA, ili preciznije u okviru Data Page-a (DP), DW objekti su
predstavljeni konceptima kao što su folder-i, item-i, joins, conditions. U
okviru WA su kreirani folderi koji reprezentuju tabele i view-ove. Item-
i reprezentuju kolone u tabelama i view-ovima, joins predstavljaju
master-detail veze izmeĊu item-a iz razliĉitih foldera, dok conditions
predstavljaju uslov kreiran nad item-ima nekog foldera kojim se
restrikuje rezultat upita. U okviru foldera se mogu definisati specijalne
vrste item-a kalkulacije. Item-i koji predstavljaju Warehouse Keys
(WK), definisani su kao axis items, a item-i koji predstavljaju obiljeţja
kao datapoints.
Poslovna inteligencija kroz praktiĉne primjere Realizacija modela odluĉivanja
47
EUL objekat Hijerarhija (eng. Hierarchy) definiše drill putanje za
analizu. Automatski je kreirana datumska hijerarhija. Korisnik moţe
definisati dodatne hijerarhije.
Slika 3.2.1. BA KUPCI_TP- Hijerarhije16
EUL objekat klase item-a (eng. Item Class) se sastoji od lista
vrijednosti, item-a koji koriste taj item class, kao i hyperdrill-ova i
alternativnih sortova.
EUL objekat Summary definiše materijalizovane view-ove (agregacije,
sumarijumi), za poboljšanje performansi izvršavanja upita. Ovi objekti
se u bazi realizuju u vidu materijalizovanih view-ova u cilju
poboljšanja efikasnosti upita.
Oracle 9i Discoverer takoĊe posjeduju alate koji omogućavaju
upravljanje folder-ima koji reprezentuju tabele.
Identifikovanjem korisniĉkih zahtjeva identifikuje se kojim korisnicima
su potrebne odreĊene vrste informacija. Npr. razliĉiti pristupi
informacijama su potrebni menadţeru jednog prodajnog mjesta i
generalnom menadţeru. Na osnovu prepoznatih korisniĉkih potreba će
se odrediti prava pristupa odreĊenim korisnicima i/ili grupama, i
mijenjati njihove privilegije po potrebi.
Discoverer omogućava dodjeljivanje BA korisnicima, kao i
dodjeljivanje korisnika BA. TakoĊe Oracle Discoverer Administartor
posjeduje alat za upravljanje privilegijama koji omogućava
dodjeljivanje privilegija korisniku/roli ili dodjeljivanje rola
korisnicima.
Poslovna inteligencija kroz praktiĉne primjere Realizacija modela odluĉivanja
48
3.3. Realizacija korisničke komponente OLAP modela
Nakon dodjeljivanja korisniĉkih prava i privlegija, kreirani OLAP
model je spreman za upotrebu od strane poslovnog korisnika.
Identifikovani modeli odluĉivanja se mogu podrţati uz pomoć analiza
koje će se sprovesti pomoću Oracle-ovog alata Discoverer Desktop.
Discoverer Desktop omogućava korisnicima da na jednostavan naĉin
pristupaju podacima iz dodijelenih BA u formi, rasponu, nivou
agregiranosti i prema uslovima koji sami odaberu. U zavisniosti od
informacije koju ţele dobiti i vrste analize koju sprovode, menadţeri
pomoću ovog alata dobijaju veoma širok spektar pogleda na podatke.
Jedan od naĉina pripreme podataka za analizu jeste kreiranje
workbook-ova. Za analizu tako dobijenih podataka previĊen je veliki
broj tehnika kao što su:
Driling up/drilling down koji omogućavaju pogled na podatke sa
razliĉitih nivoa agregiranosti. Na primjer, ukoliko je definisana
hijerarhija klijent-grad-region-drţava i postavljen upit o visini
prihoda po klijentu, postupkom drill up podatak o prihodu se moţe
agregirati na nivo grada, a zatim i na nivo regiona i drţave. TakoĊe,
ako se uporedo sa klijentom visina prihoda posmatra i kroz
vremensku dimeziju, postupak ''drilovanja'' je istovremeno moguć
nad obje dimenzije i to u oba smjera.
Zadavanje uslova i raspona pretraţivanja omogućava korisniku da
prilagodi rezultate upita analizi koju sprovodi. Npr. korisnik moţe
zahtijevati da dobije iznos prihoda iz tekuće godine razvrstan po
gradovima sjeverne regije, ili spisak emisija u kojima je emitovano
manje od 1000 sekundi reklama mjeseĉno itd.
Sortiranje podataka omogućava raspored ţeljenih podataka u okviru
workbook-a po opadajućem ili rastućem nizu, abecednom redu,
datumu i sl. Na primjer lista najprofitabilnijih emisija, lista klijenata
sa najkraćim trajanjem emitovanih reklamnih spotova itd.
Kompariranje omogućava sprovĊenje uporenih analiza podataka
kao što su npr. komparacija prihoda iz tekuće i prethodne godine po
mjesecima i kvartalima ili uporeĊivanje prihoda iz tekućeg sa
prihodima iz prethodnog mjeseca ili kvartala u okviru iste godine i
sl.
Zadavanje preraĉuna omogućava korisnicima da definišu razliĉite
kalkulacije nad atributima u tabelama. Npr. za numeriĉke
vrijednosti kao što je prihod moţe se zadati formula za rast prihoda
u periodu ili izraĉunati procentualno uĉešće prihoda pojedinih
poslovnih jedinca u odnosu na ukupan prihod i sl. TakoĊe, pored
Poslovna inteligencija kroz praktiĉne primjere Realizacija modela odluĉivanja
49
numeriĉkih, alat posjeduje mogućnosti izvršavanja širokog spektra
drugih funkcija.
Izvršavanje ''šta-ako'' scenarija omogućava korisniku da
pretpostavlja moguća stanja sistema i analizira podatke u skladu sa
tako dobijenim rezultatima. Npr. kako će se ukidanje emitovanja
propagandnih poruka u emisijama informativnog karaktera odraziti
na ukupne prihode od emitovanja reklama, ili koliko će sekundi
emitovanja biti spremni da plate pojedini klijenti ako im se ukine
mogućnost emitovanja u EPP blokovima prije emisije na raĉun
emitovanja u sjeĉama u toku emisije, uz pretpostavku da se za jednu
sekundu emitovanja u sjeĉi plaća 3 puta više nego za emitovanje u
bloku reklama prije emisije i sl.
U Discoverer Desktop-u moguće je kreirati kalkulacije koje se koriste u
okviru modela. Discoverer Desktop omogućava editovanje postojećih
kalkulacija ili kreiranje novih. TakoĊe, pored tabelarnih prikaza
workbook-ova, svaki izvještaj se na jednostavan naĉin moţe predstaviti
i grafiĉki.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
50
4. Praktični primjeri modelovanja sistema poslovne
inteligencije (Case Stady)
4.1. Model sistema poslovne inteligencije za analizu kupaca
trgovinskog preduzeća
Trţište se sastoji od svih potencijalnih kupaca koji dijele neku odreĊenu
potrebu ili ţelju, a koji bi mogli biti spremni i sposobni da se angaţuju
u razmjeni za zadovoljenje takve promjene ili ţelje. [15]
Centralno mjesto današnje ekonomije zauzima kupac. Kupac nije samo
potrošaĉ proizvoda i usluga, kupac postaje podatak. Podatak o tome ko
je kupio proizvod je vaţniji od same kupovine. Segmentacija trţišta
odnosi se na podjelu cjelokupnog trţišta na segmente koji imaju
zajedniĉke osobine. Prepoznavanje specifiĉnih potreba svakog
segmenta omogućava organizacijama da razviju za njih specifiĉne
marketinške programe. Analiza kupca omogućiće donošenje najboljih
poslovnih odluka prije svega u marketingu; zatim prema starosnoj grupi
i geografskom poloţaju prodajnog mjesta moţe se donijeti odluka o
otvaranju novih porodajnih mjesta (npr. ako se procjeni da veliki broj
srednjoškolaca kupuje proizvode moţe se donijeti odluka o otvaranju
novog prodajnog mjesta u blizini nekog školskog centra ili npr. ako se
utvrdi da iz neke gradske ĉetvrti na osnovu adrese prebivališta kupca
postoji dovoljan broj profitabilnih kupaca moţe se razmisili o otvaranju
novog prodajnog mjesta u toj ĉetvrti ili nekoj drugoj opštini i sl.).
Ne postoji jedinstven naĉin za segmentaciju trţišta već se za definisanje
ciljnog trţišta koristi kombinacija više strategija segmentacije kao što
su:
Geografska segmentacija- predstavlja alokaciju kupaca po
razliĉitim geografskim jedinicama kao što su gradske ĉetvrti,
opštine, gradovi, regioni, drţave, poštanski broj, gustina
stanovništva, klima i sl.
Demografska segmentacija- predstavlja podijelu kupaca na osnovu
demografskih varijabli kao što su pol, godine starosti, obrazovanje,
zanimanje, religija, veliĉina porodice, prihodi, rasa, nacionalnost i
sl.
Psihografska segmentacija- predstavlja podijelu kupaca na osnovu
karakteristika ţivotnog stila kupca kao što su pripadnost odreĊenom
društvenom sloju, naĉinu ţivota ili liĉnim karakteristikama.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
51
Bihevioristiĉka segmentacija- predstavlja podijelu kupaca na
osnovu njihovih znanja, stava, upotrebe ili reakcije prema
proizvodu ili usluzi.
Segmentacija prema statusu korisnika- predstavlja podijelu kupaca
na tri kategorije: stalni kupci, potencijalni kupci i bivši kupci.
Geodemografska segmentacija- zasniva se na pretpostavci da ljudi
dijele demografske karakteristike, ukuse, sisteme vrijednosti,
kupovne navike i sl. sa svojim najbliţim susjedima. Rezultat
segmentacije sadrţi demografske informacije sumirane po
prostornim jedinicama kao što su grad, opština, regija i sl.
Segmentacija prema korisnosti- predstavlja podijelu kupaca na
osnovu pogodnosti pri kupovini koje odreĊeni kupci ţele i dr.
Analizu kupaca trgovinskog preduzeća moţemo izvršiti na više naĉina
kombinovanjem više starategija segmentacije. U ovoj studiji sluĉaja,
imajući u vidu podatke sa kojima raspolaţemo za konkretan primjer
trgovinskog preduzeća, akcenat je stavljen na analizu kupaca na osnovu
geografskih i demografskih varijabli. Sistem poslovne inteligencije za
analizu kupaca u ovoj studiji sluĉaja treba da da ogovore na sljedeća
pitanja: Ko su naši kupci? Gdje ţive? Gdje kupuju? Kojeg su pola i
zanimanja? Kakva je kupovna moć kupaca? Kakva je starosna struktura
kupaca? i sl. Sve ove analize kupaca mogu biti izvršene po vremenskoj
i geografskoj dimenziji obavljene kupovine.
4.1.1. Polazne pretpostavke
Za analize su korišteni podaci iz finansijskog knjigovodstva
trgovinskog preduzeća koje u svom asortimanu nudi nekoliko tipova
proizvoda kao što su kozmetiĉki proizvodi za odrasle i djecu,
kozmetiĉki make-up proizvodi, pelene za djecu i odrasle, proizvodi za
zaštitu zdravlja i sl. U posmatranom periodu tj. u vremenu kada je
postavljan model preduzeće je imalo lanac maloprodajnih objekata.
Trgovinsko preduzeće je u toku dvije godine organizovalo u
maloprodajnim objektima nagradnu igru za kupce sa ciljem
marketinške prezentacije kompanije i sa ciljem prikupljanja podataka o
kupcima. Ovi podaci su se u svim maloprodajnim objektima
evidentirali u aplikativnom podsistemu maloprodaja. Za potrebe
realizacije Data Mart-a korišteni su podaci iz ovog perioda, preko
40,000 slogova.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
52
4.1.2. Implementacija Data Mart- a
4.1.2.1. Definisanje ciljeva Data Mart- a
Ciljevi projektovanja Data Mart-a jesu da omogući menadţmentu
preduzeća kvalitetnije donošenje poslovnih odluka u procesu analize
kupaca, koje će bitno doprijeniti kvalitetu analize pojedinih segmenata
trţišta i donošenju pravih poslovnih odluka u ovoj oblasti. Cilj
projektovanja Data Mart-a je da obezbijedi potrebne uslove za
realizaciju modela odluĉivanja tj. OLAP modela koji će omogućiti:
analizu kupaca prema demografskim varijablama: pol, godine
starosti, zanimanje
analizu kupaca prema geografskim varijablama: ulica, mjesto,
opština, gradovi, regioni, poštanski broj
analizu kupaca prema geodemografskim varijablama sumiranjem
demografskih vrijednosti po geografskim jedinicama
analizu kupaca u zadatom vremenskom periodu i komparativne
vremenske analize
analizu navika kupaca u odnosu na prodajna mjesta, vrijeme
kupovine, kupovnoj moći (gdje kupuju, kada, i koliko troše)
mix analize navika kupaca u kombinaciji sa demografskim i
geografskim dimenzijama.
Data Mart će biti projektovan na naĉin koji će omogućiti njegovu
potpunu integraciju u integralni DW i integraciju sa standardnim OLAP
alatima.
4.1.2.2. Data Mart dizajn- izbor i specifikacija poslovnih činjenica i
dimenzija
Izabrani Data Mart će omogućiti analizu kupaca trgovinskog
preduzeća, sa ciljem donošenja najboljih poslovnih odluka u ovoj
oblasti, i samim tim doprinjeti unaprijeĊenju poslovanja preduzeća.
Naziv Mart- a
podataka Opis Mart- a podataka
Analiza kupca Kupci trgovinskog preduzeća sa liĉnim
karakteristikama i detaljima vezanim za kupovinu Tabela 4.1.2.2.1. Mart podataka 2 (2)
Poslovna inteligencija kroz praktiĉne primjere Case Stady
53
Dimenzije koje će biti implementirane, a koje će se odnositi na svaki
zapis u tabeli ĉinjenica su:
Naziv dimenzije Opis dimenzije
Datum Svi atributi povezani sa datumom kada se aktivnost
desila Vrijeme Svi atributi o vremenu kada se aktivnost desila Pol Informacija o polu kupca Zanimanje Svi atributi o zanimanju kupca Mjesto prebivališta Svi atributi o adresi prebivališta kupca Prodajno mjesto/
organizaciona jedinica Svi atributi o prodajnom mjestu gdje se aktivnost
desila Starost Informacija o godinama starosti kupca Raĉun Svi atributi o raĉunu kupovine
Tabela 4.1.2.2.2. Dimenzije 3
Za potrebe izgradnje DW bus arhitekture definisaćemo matricu Mart-
ovi podataka x Dimenzije u kojoj će biti dat prikaz potencijalnih Mart-
ova podataka i dimenzija koje smo definisali za potrebe projektovanja
konkretnog Mart-a podataka.
Mart podataka/ Dimenzije
Datu
m
Vrijem
e
Pol
Zan
iman
je
Mjesto
preb
ivališta
Org
an
izacio
na jed
inica
Sta
rost
Raču
n
Analiza kupaca x x x x x x x x
Prodaja x x x x
Marketing x x x
Nabavka x x x x
Proizvodnja x x x
Kvalitet x x x
Zalihe x x x
Ljudski resursi x x x x x x x
Zarade x x x x x x x
Osnovna sredstva x x x
...... x x x
Tabela 4.1.2.2.3. Matrica Martovi podataka x Dimenzije 4
Poslovna inteligencija kroz praktiĉne primjere Case Stady
54
Projektovani Data Mart je baziran na podacima. U osnovi ovog
dimenzionalnog modela je zvjezdasta šema u kojoj je tabela ĉinjenica
preko relacija povezana sa tabelama dimenzija. Ovakav dimenzionalni
model će omogućiti analitiĉku obradu tipa ROLAP.
Centralno mjesto u zvjezdastoj šemi zauzima tabela ĉinjenica Kupac
koja je preko relacija povezana sa tabelama dimenzija.
Slika 4.1.2.2.1. Zvjezdasta šema17
Dimenzija Vrijeme Vrijeme_kljuc Cas Drugi atributi
Cinjenica Kupac Datum_kljuc Vrijeme_kljuc Mjesto_Prebivalista_kljuc Prodajno_ mjesto _kljuc Racun_kljuc Starost_kljuc Pol_kljuc Zanimanje_kljuc Kupac_id
Dimenzija Starost Starost_kljuc Godine_starosti Drugi atributi
Dimenzija Mjesto prebivalista Mjesto_Prebivalista_kljuc Mjesto_Prebivalista_opis Drugi atributi
Dimenzija Prodajno mjesto Prodajno_mjesto_ kljuc Prodajno_ mjesto_opis Drugi atributi
Dimenzija Racun Racun_kljuc Iznos Drugi atributi
Dimenzija Datum Datum_kljuc Dan Drugi atributi
Dimenzija Zanimanje Zanimanje_kljuc Zanimanje_opis Drugi atributi
Dimenzija Pol Pol_kljuc Pol Drugi atributi
Poslovna inteligencija kroz praktiĉne primjere Case Stady
55
4.1.2.3. Realizacija Data Mart-a
Nakon definisanja ciljeva Data Mart-a, izbora ĉinjenica i dimenzija
zapoĉećemo realizaciju Data Mart-a koji će modelovati segment
poslovanja za analizu kupaca trgovinskog preduzeća. Realizacija Data
Mart-a je proces koji podrazumijeva fazu definisanja, fazu generisanja i
fazu uĉitavanja.
Fazu definisanja zapoĉećemo definisanjem modula izvornih
podataka i ciljnog modula. Objekat u kojem smještamo
metapodatke o izvornim i ciljnim modulima naziva se Builder
Project, i dodjelićemo mu naziv ANALIZA_KUPACA. U okviru
projekta ANALIZA_KUPACA definišemo izvorni moldul pod
nazivom KUPCI_S. Izvorni modul sadrţi podatke o objektima u
kojima se nalaze izvorni podaci. U konkretnom primjeru podaci su
preuzeti iz OLTP sistema prodaje trgovinskog preduzeća. Za
pravilno dizajniranje Data Mart-a, potrebno je ove izvorne podatke
import-ovati u tabele dimenzija odnosno ĉinjenica. Proces
prevoĊenja podrazumijeva kreiranje meta podataka o izvoru, što se
radi kroz jednu od funkcija OWB-a- Import. Za potrebe realizacije
Data Mart-a importovano je 9 tabela u kojima se nalaze izvorni
podaci. To su podaci o kupcima i obavljenim kupovinama, šifarnici
opština, mjesta i regiona, tabele u kojima je sadţana organizaciona
struktura, šifranik zanimanja.
Realizovani izvorni modul prikazan je na sledećoj slici:
Slika 4.1.2.3.1. Izvorni modul KUPCI_S18
Poslovna inteligencija kroz praktiĉne primjere Case Stady
56
Sledeći korak u fazi definisanja je kreiranje cilnjog modula KUPCI_T.
U ciljnom Warehouse modulu se mogu definisati dimenzije, ĉinjenice,
tabele, mapiranja, operacije transformisanja, materijalizovani view-ovi
(agregacije) i sekvence. Na slici 4.1.2.3.2. su prikazani objekti koji ĉine
ciljni Warehouse modul KUPCI_T.
Slika 4.1.2.3.2. Objekti ciljnog modula KUPCI_T19
U nastavku se detaljno opisuje naĉin realizacije svih dimenzija i
ĉinjenica, kao i
realizacija mapiranja i materijalnih view-ova.
U studiji sluĉaja za potrebe realizacije projektovanog Data Mart-a
definisaćemo 8 dimenzija: datum, vrijeme, pol, zanimanje, prodajno
mjesto, mjesto prebivališta, starosna struktura i raĉun. Kreirane su
posebne dimenzije za datum i vrijeme.
Na slici je prikazana dimenzija za datum: Kalendar
Poslovna inteligencija kroz praktiĉne primjere Case Stady
57
Slika 4.1.2.3.3. Objekat i tabela dimenzije Kalendar20
Dimenzija Kalendar predstavlja vremensku dimenziju koja omogućava
vremenske analize i komparativne vremenske analize. Tipiĉna
dimenzija za datum moţe sadrţati pet nivoa (dan, sedmica, mjesec,
kvartal i godina) i više hijerarhija.
Na slici je prikazana dimenzija za vrijeme CAS.
Slika 4.1.2.3.4. Objekat i tabela dimenzije CAS21
Dimenzija Cas predstavlja vremensku dimenziju koja omogućava
analizu vremenske strukture kupovine. Unakrsnom analizom sa ostalim
dimenzijama moţe se analizirati u koje doba dana koji segmenti kupaca
najĉešće kupuju i sl, i na osnovu tih analiza donositi odluke npr. o
Poslovna inteligencija kroz praktiĉne primjere Case Stady
58
najboljem dnevnom rasporedu marketinških promocija odreĊenih vrsta
proizvoda po radnjama.
Na slici je prikazana dimenzija za prodajno mjesto.
Slika 4.1.2.3.5. Objekat dimenzije PRODAJNO_MJ22
Dimenzija Prodajno mjesto je odreĊena strukturom trgovinskog
preduzeća. Hijerarhija ove dimenzije omogućava agregirane analize po
organizacionim jedinicama, mjestu, opštini i regionu.
Dimenzija Pol omogućava demografsku analizu kupaca po polu.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
59
Slika 4.1.2.3.6. Objekat i tabela dimenzije POL23
Na slici je prikazana dimenzija RACUN.
Slika 4.1.2.3.7.Objekat i tabela dimenzije RACUN24
Dimenzija Raĉun omogućava analizu kupovne moći kupaca kao i
analizu prodaje po vremenskoj i prostornoj dimenziji. Kupovna moć
potrošaĉa utiĉe na realizaciju liĉne potrošnje. Kupovna moć predstavlja
dohodak koji potrošaĉ moţe da odvoji za kupovinu odreĊene koliĉine
proizvoda po odreĊenim cijenama. Hijerarhija grupa-iznos omogućava
analitiĉaru da prati agregirane podatke o kupovnoj moći po razliĉitim
kategorijama koje su od interesa za analizu: S1(0-10 EUR-a), S2 (11-20
EUR-a), S3 (21-30 EUR-a), (S4: >30 EUR-a).
Na slici je prikazana dimenzija za mjesto prebivališta kupaca
PREBIVALISTE.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
60
Slika 4.1.2.3.8. Objekat i tabela dimenzije PREBIVALISTE25
Dimenzija Mjesto prebivališta omogućava analizu kupaca po
geografskim varijablama. Hijerarhija omogućava agregaciju podataka
po mjestu, opštini i regionu prebivališta.
Na slici je prikazana dimenzija STAROSNA_S.
Slika 4.1.2.3.9. Objekat i tabela dimenzije STAROSNA_S26
Dimenzija Starosna struktura omogućava analizu kupaca po
demografskoj varijabli starost. Hijerarhija grupa-godište omogućava
agregaciju podataka po starosnim grupama. Za analizu kupaca
posmatranog trgovinskog preduzeća izabrane su sledeće kategorije:
S1(0-6), S2 (7-14), S3 (15-19), S4 (20-25), S5 (26-30), S6 (31-35), S7
(36-40), S8 (41-45), S9 (46-50), S10 (51-60), S11>65.
Na slici je prikazana dimenzija ZANIMANJE.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
61
Slika 4.1.2.3.10. Objekat i tabela dimenzije ZANIMANJE27
Dimenzija ZANIMANJE omogućava demografsku analizu kupaca.
Sledeći korak u realizaciji Data Mart-a je definisanje tabele ĉinjenice
KUPCI. Tabela ĉinjenice sastoji se od kolona koje predstavljaju
obiljeţja ĉinjenice i kolona spoljnih kljuĉeva koje predstavljaju vezu
tabele ĉinjenice sa dimenzijama. Tabela ĉinjenice se sa dimenzijama
povezuje preko warehouse kljuĉeva koji se definišu za svaku
dimenziju.
Slika 4.1.2.3.11.Tabela ĉinjenice KUPCI28
Poslovna inteligencija kroz praktiĉne primjere Case Stady
62
Slika 4.1.2.3.12. prikazuje zvjezdastu šemu za analizu kupaca u ĉijem
se centru nalazi tabela ĉinjenice KUPCI. Obiljeţje tabele ĉinjenice
KUPCI je id kupca.
\
Slika 4.1.2.3.12. Zvjezdsta šema za analizu kupaca29
Slika 4.1.2.3.13. Constraint-i nad tabelom ĉinjenice KUPCI30
Na ovaj naĉin je definisana osnovna DW struktura za analizu kupaca. U
cilju poboljšanja upitnih performansi npr. za geodemografske analize
kupaca, nad osnovnom tabelom ĉinjenice kreiran je materijalizovani
view KUPCI_DEM koji server koristi za redefinisanje upita (query
rewrite).
Poslovna inteligencija kroz praktiĉne primjere Case Stady
63
Slika 4.1.2.3.14. Materialized view KUPCI_DEM31
Za potrebe mapiranja neophodno je kreirati sekvence koje će sluţiti kao
generator podataka za werhouse kljuĉeve. Sekvence se kreiraju za sve
dimenzije.
Slika 4.1.2.3.15. Pregled sekvenci32
Nakon logiĉkog definisanja ciljne Warehouse šeme i njenog izvora
podataka kreiraju se definicije koje opisuju naĉin ekstrakcije,
transformisanja i uĉitavanja izvornih podataka tj. mapiranja. Prvo su
izvršena mapiranja za sve tabele dimenzija, a zatim i mapiranje za
tabelu ĉinjenice.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
64
Slika 4.1.2.3.16. Mapiranja33
Slijedi nekoliko primjera mapiranja
. Slika 4.1.2.3.17. Mapiranje dimenzije CAS34
Poslovna inteligencija kroz praktiĉne primjere Case Stady
65
Slika 4.1.2.3.18. Mapiranje dimenzije POL35
Slika 4.1.2.3.19. Mapiranje dimenzije PREBIVALIST36
Preko prvog Join-a izvršeno je spajanje tabela Flic i Mjesto na osnovu
šifre mjesta, koja je primarni kljuĉ u tabeli Mjesto, a spoljni kljuĉ u
tabeli Flic.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
66
Slika 4.1.2.3.20. Prvi join za mapiranje dimenzije PREBIVALISTE37
Preko drugog Join-a izvršeno je spajanje tabela Opstina i Mjesto na
osnovu šifre opštine, koja je primarni kljuĉ u tabeli Opstina, a spoljni
kljuĉ u tabeli Mjesto.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
67
Slika 4.1.2.3.21. Drugi join za mapiranje dimenzije PREBIVALISTE38
Preko trećeg Join-a izvršeno je spajanje tabela Regioni i Opstina na
osnovu šifre regiona, koja je primarni kljuĉ u tabeli Regioni, a spoljni
kljuĉ u tabeli Opstina.
Slika 4.1.2.3.22. Treći join za mapiranje dimenzije PREBIVALISTE39
Poslovna inteligencija kroz praktiĉne primjere Case Stady
68
Na slici je prikazano mapiranje dimenzije PRODAJNO_MJ.
Slika 4.1.2.3.23. Mapiranje dimenzije PRODAJNO_MJ40
Na slici je prikazano mapiranje dimenzije Raĉun.
Slika 4.1.2.3.24. Mapiranje dimenzije RACUN41
Poslovna inteligencija kroz praktiĉne primjere Case Stady
69
Slika 4.1.2.3.25. Ulazni mapping parametri dimenzije RACUN42
Slika 4.1.2.3.26. Prvi join za mapiranje dimenzije RACUN43
Poslovna inteligencija kroz praktiĉne primjere Case Stady
70
Slika 4.1.2.3.27. Prvi set operator za mapiranje dimenzije RACUN44
Na slici je prikazano mapiranje dimenzije ZANIMANJA.
Slika 4.1.2.3.28. Mapiranje dimenzije ZANIMANJA45
Poslovna inteligencija kroz praktiĉne primjere Case Stady
71
Na slici je prikazano mapiranje ĉinjenice Kupci.
Slika 4.1.2.3.29. Mapiranje ĉinjenice KUPCI46
Na slici je prikazano mapiranje za materijalizovani view KUPCI_DEM
koji je dobijen eliminisanjem duplih redova iz ĉinjenice KUPCI.
Slika 4.1.2.3.30. Mapiranje materijalizovanog view-a KUPCI_DEM47
Nakon završetka faze definisanja u Oracle Warehouse repozitorijumu
nalaze se definicije logiĉke Warehouse šeme tj. definicije o izvoru
Poslovna inteligencija kroz praktiĉne primjere Case Stady
72
podataka i operacije mapiranja i transformisanja koje su potrebne za
kreiranje fiziĉke instance Warehouse-a. Faza generisanja se sastoji iz
konfigurisanja i validacije skupa definicija, generisanja skriptova i
objekata i smještanje skriptova za mapiranje. Sa realizacijom faze
uĉitavanja moţemo zapoĉeti nakon što su objekti fiziĉke instance
generisani, a skriptovi za inicijalno punjenje i osvjeţavanje generisani.
Uĉitavanje podataka u Oracle relacionu bazu je izvršeno sa podacima
koji su dobijeni u export flat fajlovima iz Oracle baze trgovinskog
preduzeća. U lokalnu Oracle relacionu bazu su uĉitani pomoću
SQLoader-a. Rijeĉ je o oko 40,000 slogova tj. transakcija u toku dvije
fiskalne godine.
Izvršenje ETL procedura- poštujući sekvencu uĉitavanja podataka za
Warehouse modul kupci_TP, startovani su PL/SQL skriptovi za
ekstrakciju, transformisanje i uĉitavanje podataka u definisane
dimenzije i ĉinjenicu. Sve procedure mapiranja su uspješno završene
ĉime je inicijalno popunjena ciljna Warehouse šema. Provjera tj.
uspješnost postupka inicijalnog punjenja je provjerena pomoću
SQLPlus-a.
4.1.3. Realizacija i analiza modela odlučivanja
Implementirani Data Mart predstavljao je osnovu za generisanje
modela u Oracle Discoverer-u. Pri tome je korištena BA KUPCI_TP.
Modeli nad tabelom ĉinjenice kupci_TP, koja ima 33,158 zapisa, su u
prosjeku generisani za vrijeme manje od 3 sec. Sve opercije drill-down
drill-up i pivot izvršavaju se odmah.
Automatski je kreirana datumska hijerarhija. Korisnik moţe definisati
dodatne hijerarhije. Za potrebe realizacije modela za analizu kupaca
kreirane su još 3 hijerarhije:
Prebivalište: region- opština- mjesto- adresa
Prodajno mjesto: region- opština- mjesto- radnja
Kupovna moć: kategorija- iznos.
Sledeći korak je izgradnja modela na osnovu definisane BA Kupci_TP.
Kreiranje Workbook-ova realizovano je kroz Oracle Discoverer
Desktop. Rijeĉ je o modelima za analizu kupaca trgovinskog
Poslovna inteligencija kroz praktiĉne primjere Case Stady
73
preduzeća, koji treba da omoguće analizu kupaca po geografskim i
demografskim karakteristikama, analizu kupovne moć i sl.
Na slici 4.1.3.1. prikazan je višedimenzionalni model za analizu
kupovne moći kupaca trgovinskog preduzeća, po prodajnim mjestima
na mjeseĉnom nivou. Iz modela se moţe uoĉiti da je najveći broj
kupaca najveće kupovne moći (iznos > 30) kupovao u marketu u Budvi,
u martu mjesecu. Ovo ukazuje na znaĉajan porast prodaje u martu
mjesecu najvjerovatnije zbog 8. marta, imajući u vidu da preduzeće
uglavnom prodaje kozmetiĉke proizvode. TakoĊe moţe se vidjeti da
market u Budvi ima veći broj kupaca od marketa u Podgorici, što moţe
ukazivati na veću konkurenciju u Podgorici ili pak nedovoljnu
pokrivenost u geografskom smislu opštine Podgorica uzimajući u obzir
da je Podgorica znaĉjano veća od Budve. Moţe se pretpostaviti da je
najveća kupovna moć kupaca u Budvi u vezi sa prodajom i rastom
cijena nekretnina na primorju u posmatranom periodu.
Slika 4.1.3.1. Višedimenzionalni model za analizu kupovne moći kupaca48
Na slici 4.1.3.2. prikazana je grafiĉka prezentacija modla za analizu
kupovne moći kupaca.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
74
Slika 4.1.3.2. Grafiĉka prezentacija modela za analizu kupovne moći kupaca
po regionima49
Na slici 4.1.3.3. prikazan je višedimenzionalni model za analizu polne
strukture kupaca preduzeća po mjestu prebivališta. Iz modela se moţe
uoĉiti da su kupci ţenskog pola u mnogo većem broju, kada se radi o
kupcima sa prebivalištem na teritoriji Crne Gore. Kada se analiziraju
kupci koji nisu iz Crne Gore moţe se vidjeti da su istoj mjeri
zastupljeni kupci i muškog i ţenskog pola. Iz ovoga se moţe zakljuĉiti
da su stalni kupci ţenskog pola sa teritorije Crne Gore, dok su
povremeni ili jednokratni kupci koji predstavljaju strane drţavljane
najĉešće turisti i muškog i ţenskog pola.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
75
Slika 4.1.3.3. Model za analizu polne strukture kupaca po mjestu prebivališta
(regionu)50
Na slici 4.1.3.4. je prikazana grafiĉka prezentacija analizu polne
strukture kupaca.
Slika 4.1.3.4. Grafiĉka prezentacija modela za analizu polne strukture kupaca
po regionu51
Poslovna inteligencija kroz praktiĉne primjere Case Stady
76
Na slici 4.1.3.5. je prikazan višedimenzionalni model za analizu polne
strukture kupaca preduzeća po prodajnom mjestu. Iz modela se moţe
uoĉiti da kupci muškog pola (%) najĉešće kupuju u Nikšiću:-).
Slika 4.1.3.5. Model za analizu polne strukture kupaca po prodajnom mjestu
i grafiĉka prezentacija52
Na slici 4.1.3.6. je prikazan višedimenzionalni model za analizu
vremenske strukture kupovine preduzeća po prodajnim mjestima. Iz
modela se moţe zakljuĉiti da u Nikšiću kupci najĉešće kupuju u 18h i
19 h, u Bijelom Polju u 13h i 14 h, u Budvi 17h i 18 h, u Podgorici u
12h i 20h, u Beranama 14 h.... Ovi zakljuĉci se mogu iskoristiti za
optimizovanje uposlenosti zaposlenih, marketinške promocije novih
proizvoda i sl. Na osnovu ovih zakljuĉaka moţe se planirati i radno
vrijeme, u jednoj smjeni, u dvije smjene ili dvokratno. Ovaj model
omogućava komparativne vremenske analize i donošenje najboljih
poslovnih odluka u domenu taktiĉkog menadţmenta. Model
omogućava organizaciju radnog vremena, planiranje godišnijh odmora i
sl.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
77
Slika 4.1.3.6. Grafiĉka prezentacija modela za analizu vremenske strukture
kupovine po prodajnom mjestu53
Na slici 4.1.3.7. je prikazan višedimenzionalni model za demografsku
analizu kupaca preduzeća po polu i starosnoj kategoriji. Iz modela se
moţe zakljuĉiti da najveći segment ĉine kupci ţenskog pola starosti 20-
25 godina. Na osnovu ovog zakljuĉka moţe se donijeti odluka o potrebi
otvaranja novog prodajnog mjesta u blizini neke univerzitetske jedinice
i sl. Na osnovu zakljuĉaka mogu se donijeti odluke bitne za skladištenje
i nabavku većih koliĉina proizvioda koje koriste najveći segmenti.
TakoĊe moţe se donijeti odluka o konkretnim marketinškim
aktivnostima koje će biti usmjerene na odreĊene segmente u cilju
njihovog pridobijanja ili zadrţavanja.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
78
Slika 4.1.3.7. Model za demografsku analizu kupaca po polu i strosnoj
kategoriji54
Na slici 4.1.3.8. je prikazan višedimenzionalni model za demografsku
analizu kupaca preduzeća po zanimanju i geografskom regionu. Iz
modela se moţe zakljuĉiti npr. da je u svim regionima najveći segment
ĉine studenti na osnovu ĉega se moţe donijeti odluka o potrebi
otvaranja novog prodajnog mjesta u blizini neke univerzitetske jedinice
i sl.
Slika 4.1.3.8. Model za demografsku analizu kupaca po zanimanju i
regionu55
Poslovna inteligencija kroz praktiĉne primjere Case Stady
79
Na slici 4.1.3.9. je prikazan višedimenzionalni model za analizu kupaca
preduzeća po mjestu prebivališta i mjestu kupovine. Iz modela se moţe
zakljuĉiti gdje kupci ţive, a gdje kupuju. Npr. u sluĉaju da se
posjedjuju podaci o tome koja adresa pripada kojoj gradskoj ĉetvrti
ovaj model bi omogućio da se donesu odluke o otvaranju novih
prodajnih mjesta u onim ĉetvrtima gdje ţive kupci, a ne postoje radnje.
Slika 4.1.3.9. Model za analizu kupaca po mjestu prebivališta i mjestu
kupovine56
4.2. Model sistema poslovne inteligencije za analizu prodaje
trgovinskog preduzeća
''Pojam prodaje obiĉno izaziva brojne asocijacije. Prodaja kao ĉin,
prodaja kao organizaciona jedinica unutar preduzeća, prodaja kao
poslovna funkcija, prodaja kao rezultat poslovanja, prodaja kao
kriterijum poslovne uspješnosti, prodaja kao poslovni proces i sl.
Povezivanje pojma prodaje sa bilo kojim od ovih aspekata ispravno je,
Poslovna inteligencija kroz praktiĉne primjere Case Stady
80
ukoliko se vodi raĉuna o kontekstu u okviru kojeg se pojam prodaje
koristi. Ukoliko se proizvodnja tumaĉi kao svrsishodna djelatnost ljudi
koja nije sama sebi svrha, već proizvodnja dobara za prodaju, onda
prodaja postaje mjerilo svrsishodnosti proizvodnje'' [16].
U današnje vrijeme trţiste se odlikuje jakom konkurencijom, a roba i
usluga je više nego što je to potrebno. Kada ponuda znatno premašuje
potraţnju, potrebno je povećati znanje i informacije da bi se proizveli
što kvalitetniji proizvodi koji imaju šansu na trţistu gde je kupac postao
dominantan faktor.
Vaţnost dobijanja blagovremenih informacija je od presudnog znacaja
prilikom pregovora sa kupcima ili dobavljacima, analize trţišta ili
njegovih djelova kao i procjenjivanja konkurencije.
Analiza prodaje predstavlja idealan problem za OLAP izvještavanje.
Podaci za tu vrstu multidimenzionalne analize se nalazi u prodajnim
fakturama preduzeća. Analizom je moguće utvrditi faktore koji utiĉu na
poboljšanje prodaje. Lako je uoĉiti ko su glavi kupci, šta su
najprodavaniji proizvodi kao i mnoge trendove koji ranije nisu bili lako
vidljivi.
Profit je najvaţnija kategorija koja reguliše ponašanje u biznisu. On
predstavlja vrhovni ''test'' efikasnosti jedne firme kao i faktor opstanka.
Rijeĉ vuĉe svoje korijene još iz latinskog jezika, gdje je znaĉila
"pravljenje (ostvarivanje) napretka". Samim tim jasna je neophodnost
njegovog prisustva u većini realizovanih modela koji su predmet
analize.
Za menadţera koji se bavi analizom prodaje sistem poslovne
inteligencije će dati dragocjene informacije, brz i efikasan pregled
realizacije u zadatom periodu, uporedivo s bilo kojim razdobljem u
prošlosti, kao i o tome koje grupe proizvoda donose najveći profit i na
kojim prodajnim mjestima. To će omogućiti stavljanje akcenta u
kasnijoj nabavci od proizvoĊaĉa odreĊene grupe proizvoda kao i
praćenje dinamike profitabilnosti po godinama. IzmeĊu ostalog ova
analiza moţe se koristiti i kod uvoĊenja novih grupa proizvoda i
praćenju njegove profitabilnosti kroz vrijeme i isplativosti dalje
nabavke. TakoĊe, vremenska dimenzija omogućava praćenje trenda
ulaska u modu odreĊenih proizvoda ili opadanja interesovanja za iste.
Ako postoji u preduzeću funkcija planiranja moguće je praviti analize
planiranog i ostvarenog profita kao i donošenja tekućih kao i
strateških odluka vezanih za proizvode.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
81
Osim brige o prihodima preduzeća moraju paţljivo da prate i
troškove, jer svaka dodatna jedinica troškova smanjuje profit
preduzeća. TakoĊe su bitni i zato što preduzeća donose odluke o
proizvodnji i prodaji, na osnovu troškova i cijena dobara.
U jednom od ponuĊenih modela analiziraju se prihod, profit i trošak.
Date kategorije su analizirane po vremenu, regionima i proizvodima.
Ovaj model sluţi upravljanju organizacionim performansama i koristi
se za brz i jednostavan pregled, poreĊenje i integraciju pokazatelja
prodaje. Da li je poslovanje preduzeća bolje ili lošije u odnosu na
prethodnu godinu/godine, kvartal, mjesec, je pitanje na koje treba dati
odgovor. Na osnovu gore pomenutog modela mogu se vršiti
predviĊanja budućih kretanja parametara. Zahvaljujući ovoj analizi,
menadţeri mogu da shvate odnose izmeĊu svih kritiĉnih elemenata
organizacije (troškovi, prihodi i profit). Dobro razumijevanje ove
analize omogućava menadţerima da modifikujući ove elemente
smanjuju devijacije koje nastaju (ili mogu nastati) izmeĊu planiranog i
ostvarenog nivoa profita.
Model koji prati po mjesecima u odabranoj godini prihod od pojedinih
proizvoda omogućava praćenje i poreĊenje trendova, oscilovanja i
pokazuje koji proizvod iz prodajnog asortimana donosi više prihoda u
poreĊenju sa na primjer istim mjesecom prethodne godine. Moguće je
praviti paralele izmedju sliĉnih proizvoda iz iste linije u istom
vremenskom periodu, što pokazuje koje marke na trţištu su traţenije od
strane kupaca. Na taj naĉin preduzeće moţe da napravi realan plan
prodaje ili pruţanja usluga.
Pri provoĊenju svih ovih analiza neophodno je dati što je moguće
precizniji odgovor na nekoliko (samo naizgled) jednostavnih pitanja:
Ko, Šta, Zašto, Kada, Kako i Gdje kupuje ili će kupovati odreĊene
proizvode?
Analize moraju dati rezultate koji direktno utiĉu na kompetitivnost
preduzeća.
Prihod koji firma ostvari zavisi takodje od traţnje koja utiĉe na cijene
za koje proizviodi mogu biti prodati na trţišti.
Ovi podaci se mogu koristiti i za donošenje odluke o marketing
strategiji i odabiru jedne od tri osnovne strateške alternative sa kojima
se postiţe konkurentska prednost na trţištu, a to su:
Poslovna inteligencija kroz praktiĉne primjere Case Stady
82
Postati cjenovni lider, tj. imati dosta niţe troškove od konkurenata i
na taj naĉin se pozicionirati na trţištu.
Diferencirati se od konkurenata superiornim proizvodom, koji ima
takve osobine da kupci prihvataju i višu cijenu.
Fokusirati se na samo jedan trţišni segment i bolje od konkurenata
se prilagoditi njegovim specifiĉnim potrebama.
Ako na primjer menadţer nabavke ide na pregovore s jednim od svojih
dobavljaĉa sa i pokušava da ugovori što bolje uslove, od velike pomoći
će mu biti informacije : koliko je ukupno prometa s dobavljaĉem
napravljeno, koji proizvodi najbolje idu, ko su mu konkurenti?.
Ĉitav taj proces je podrţan sistemom poslovne inteligencije koja ga
olakšava, ubrzava i pomaţe u donošenju najboljih poslovnih odluka u
odreĊenom trenutku poslovanja.
4.1.2. Polazne pretpostavke
Za analize u okviru studije sluĉaja, korišteni su podaci trgovinskog
preduzeća koje se bavi prodajom (maloprodajom i veleprodajom)
proizvoda hemijske industrije. Podaci su izmijenjeni i ni na koji naĉin
ne odraţavaju stvarno stanje poslovanja posmatranog preduzeca.
Case Study podaci- za potrebe realizacije Data Marta, korišteni su
podaci pomenutog preduzeća i importovano je više od 2,000,000
redova.
4.2.2. Implementacija Data Mart-a
4.2.2.1. Definisanje ciljeva Data Mart-a
Mart podataka koji odraţava poslovanje jednog segmenta trgovinskog
preduzeća omogućiće nam realizaciju OLAP modela koji će
obezbijediti sledeće analize:
Analizu prodatih koliĉina po proizvoĊaĉima, prodajnim mjestima i
godinama.
Analizu profita po mjesecima i prodajnim mjestima u odabranim
godinama.
Analize prihoda, profita i troška po proizvodima, prodajnim
mjestima, regionima i godinama.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
83
Analize prihoda u uzastopnim kvartalima.
Analize prihoda po mjesecima, proizvodima u izabranim godinama.
4.2.2.2. Data Mart dizajn- izbor i specifikacija poslovnih činjenica i
dimenzija
Izabrani Data Mart će omogućiti analizu prodaje trgovinskog
preduzeća, sa ciljem donošenja najboljih poslovnih odluka u ovoj
oblasti.
Slika 4.2.2.2.1. Zvjezdasta šema57
Izrada tabela dimenzija za naš primjer vezuje se za ukljuĉivanje
kalendara, komitenata, proizvoĊaĉa, proizvoda i radnji.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
84
Naziv dimenzije Opis dimenzije
Dimenzija
Kalendarp
Dimenzija kalendar je standarna dimenzija koja treba
da odrazi hijerarhiju vremena Hijerarhija: Godina- Kvartal- Mjesec- Nedelja- Dan
Dimenzija
Komitenti
Ovom dimenzijom stiĉemo uvid o kupcima asortimana
proizvoda
Hijerarhija: Region- Opština- Mjesto- Komitent
Dimenzija
ProizvoĊaĉi
Dimenzijom ProizvoĊaĉi dolazimo do relevantnih
podataka o proizvoĊaĉima proizvoda koje kompanija
prodaje
Hijerarhija: ProizvoĊaĉ- Artikli
Dimenzija
Proizvodi
Podaci u ovoj dimenziji nas upoznaju sa prodajnim
asortimanom kompanije
Hijerarhija: Grupa- Naziv- Artikli- Naziv
Dimenzija Radnje
U ovoj dimeziji se nalaze atributi koji daju informacije
o svim prodajnim mjestima posmatrane kompanije
Hijerarhija: Region- Opština- Mjesto- Org_jed- Radnja
Tabela 4.2.2.2.1. Pregled dimenzija 5
4.2.2.3. Realizacija Data Mart- a
Za potrebe realizacije Data Mart-a za analizu prodaje u okviru design
repozitorija kreirani su modul izvornih podataka PRODAJA_S i ciljni
modul PRODAJA_T. Na slici 4.2.2.3.1. se vide tabele koje su
importovane za potrebe realizacije Data Mart-a u kojima se nalaze
izvorni podaci. Izvorni modul sadrţi podatke o objektima u kojima se
nalaze izvorni podaci. U konkretnom primjeru podaci su preuzeti iz
OLTP sistema prodaje trgovinskog preduzeća. Za pravilno dizajniranje
Data Mart-a, potrebno je ove izvorne podatke import-ovati u tabele
dimenzija odnosno ĉinjenica. Realizovani izvorni modul prikazan je na
sledećoj slici.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
85
Slika 4.2.2.3.1. Organizacija izvornog modula58
Ono što ĉini srţ faze definisanja je proces definisanja ciljnog modula.
Sledeća slika prikazuje stablo kreiranog ciljnog modula.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
86
Slika 4.2.2.3.2. Organizacija ciljnog modula59
U nastavku se detaljno opisuje naĉin realizacije svih dimenzija i
ĉinjenica, kao i
realizacija mapiranja potrebnih za punjenje ciljnih podataka. Dimenzija
Komitenti sadrţi sledeće nivoe hijerarhije: Region- Opstina- Mjesto-
Komitent.
Slika 4.2.2.3.3. Nivoi hijerarhije dimenzije Komitenti60
Poslovna inteligencija kroz praktiĉne primjere Case Stady
87
Slika 4.2.2.3.4. Tabela dimenzije Komitenti- kolone61
Slika 4.2.2.3.5. Tabela dimenzije Komitenti- Constraints62
Realizacija dimenzije Kalendar izvedena je iz tipske dimenzije koju
OWB paket sadrţi. Nivoi hijerarhije u realizovanom objektu vremenske
dimenzije su: godina, kvartal, mjesec, sedmica i dan.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
88
Slika 4.2.2.3.6. Dimenzija Kalendar i dimenzija Proizvodi63
Slika 4.2.2.3.7. Tabela dimenzije Proizvodi- kolone64
Poslovna inteligencija kroz praktiĉne primjere Case Stady
89
Slika 4.2.2.3.8. Dimenzija ProizvoĊaĉi65
Slika 4.2.2.3.9. Tabela dimenzije dimenzija ProizvoĊaĉi – kolone66
Slika 4.2.2.3.10. Dimenzija Radnje67
Poslovna inteligencija kroz praktiĉne primjere Case Stady
90
Slika 4.2.2.3.11. Tabela dimenzije dimenzija Radnje – kolone 68
Na sledećoj slici prikazana je zvjezdasta šema, gdje se vidi tabela
ĉinjenica oko koje se nalaze tabele kreiranih dimenzija.
Slika 4.2.2.3.12. Zvjezdasta šema Prodaja69
Poslovna inteligencija kroz praktiĉne primjere Case Stady
91
Slika 4.2.2.3.13. Tabela ĉinjenice Prodaja- kolone70
Slika 4.2.2.3.14. Tabela ĉinjenice Prodaja- Constraints71
Za potrebe mapiranja neophodno je kreirati sekvence koje će sluţiti kao
generator podataka za werhouse kljuĉeve. Sekvence se kreiraju za sve
dimenzije.
Slika 4.2.2.3.15. Pregled sekvenci72
Poslovna inteligencija kroz praktiĉne primjere Case Stady
92
Slika 4.2.2.3.16. Mapiranja73
U ciljnom modulu, potrebno je definisati mapiranje za svaku od tabela
dimenzija, kao i svaku od tabela ĉinjenica. Ova mapiranja posluţiće za
kreiranje script-ova ĉijim izvršenjem će se podaci iz izvornih tabela
prevesti u ciljne tabele Oracle sistema. Sledećom slikom prikazano je
mapiranje dimenzije Komitenti.
Slika 4.2.2.3.17. Mapiranje dimenzije Komitenti74
Podaci iz izvornih tabela, koji su obiĉno normalizovani, povezuju se
Joiner operatorima. Shodno definisanoj dimenziji, vrši se odabir
atributa izvornih tabela koji se Joiner-om spajaju. Rezultat povezivanje
je dimenzija u kojoj će se naći podaci iz izvornih tabela ali u
denormalizovanoj formi. Na sledećoj slici je prikazan primjer joiner-a
u mapiranju dimenzije Komitenti.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
93
Preko prvog Join-a izvršeno je spajanje tabela Komitent i Mjesto na
osnovu šifre mjesta, koja je primarni kljuĉ u tabeli Mjesto, a spoljni
kljuĉ u tabeli Komitent.
Slika 4.2.2.3.18. Joiner Mjesto i Komitent 75
Poslovna inteligencija kroz praktiĉne primjere Case Stady
94
Slika 4.2.2.3.19. Mapiranje dimenzije Proizvodi76
Slika 4.2.2.3.20. Mapiranje dimenzije ProizvoĊaĉi77
Poslovna inteligencija kroz praktiĉne primjere Case Stady
95
Slika 4.2.2.3.21. Mapiranje dimenzije Radnje78
Slika 4.2. 2.3.22. Mapiranje tabele ĉinjenica Prodaja79
Poslovna inteligencija kroz praktiĉne primjere Case Stady
96
Slika 4.2.2.3.23. Detalji mapiranja tabele ĉinjenica Prodaja80
Nakon faze definisanja slijede faza generisanja, koja podrazumijeva
konfigurisanje fiziĉke instance logiĉkog Warehouse-a, validaciju
konfigurisanih definicija i generisanje skriptova za kreiranje fiziĉke
instance i faza uĉitavanja i osvjeţavanja podataka, koja podrazumijeva
da su objekti fiziĉke instance generisani, a skriptovi za inicijalno
punjenje i osvjeţavanje generisani.
Poštujući sekvencu uĉitavanja podataka, startovani su PL/SQL
skriptovi za ekstrakciju, transformisanje i uĉitavanje podataka u
definisane dimenzije i ĉinjenicu. Ĉinjenica prodaja je sadrţala oko
410,000 redova. Izvršena je provjera uspješnosti inicijalnog punjenja
pomoću SQL Plus-a.
4.2.3. Realizacija i analiza modela odlučivanja
U ovom poglavlju će biti prikazan opis realizacije OLAP modela. Za
potrebe realizacije identifikovanih modela odluĉivanja u okviru work
area (administrativni pogled na EUL koji predstavlja korisnikovu
kolekciju tabela) kreirana je BA Prodaja koja predstavlja grupu logiĉki
povezanih objekata u bazi koji su namijenjeni krajnjem korisniku u
cilju zadovoljavanja odreĊene klase upita.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
97
Na slici 4.2.3.1. prikazan je višedimenzionalni model koji sluţi za
analizu prodatih koliĉina proizvoda po robnim markama. Jedna od
mogućnosti je da analiziramo sve godine kao na slici ili da izaberemo
konkretnu godinu. Na ovaj naĉin lako uoĉavamo atraktivne robne
marke kao i one koji imaju lošu ili nikakvu prodaju na trţištu. TakoĊe
je dostupna i informacija o prodajnim objektima.
Slika 4.2.3.1. Analiza prodatih koliĉina po proizvoĊaĉima, prodajnim
mjestima i godinama81
Jedan od realizovanih workbook-ova moţe biti kao na sledećoj slici.
Ovaj model omogućava uporednu analizu profita po mjesecima i
prodajnim objektima i moţemo analizirati mjeseĉne ili sezonske
oscilacije. Uoĉljivo je da centralni region dominira u pogledu
ostvarenog profita i da je najprofitabilniji mjesec Mart.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
98
Slika 4.2.3.2. Analiza profita po mjesecima i prodajnim mjestima u odabranim
godinama82
Na sledećoj slici je prikazan višedimenzionalni model za anlizu
prihoda, profita i troška po proizvodima, prodajnim mjestima,
regionima i godinama.
Slika 4.2.3.3. Analiza prihoda, profita i troška po proizvodima, prodajnim
mjestima, regionima i godinama83
Sledeći OLAP model prikazan na slici 4.2.3.4. se bavi uporednom
analizom prihoda ostvarenog po kvartalima- poredi se prihod iz prvog
Poslovna inteligencija kroz praktiĉne primjere Case Stady
99
kvartala sa prihodom iz sledećeg kvartala i tako za dvije uzastopne
godine. Za realizaciju ovog modela je korištena funkcija LAG koja nam
omogućava navedeno poreĊenje. Ovom funkcijom je takoĊe moguće
vršiti i poreĊenja odreĊenog perioda jedne godine, sa istim periodom
samo u sledećoj godini ili narednim godinama. Upotrebljena je i
funkcija Rank koja nam omogućava rangiranje procenta odstupanja od
najvećeg porasta do najvećeg smanjenja u uzastopnim kvartalima.
Slika 4.2.3.4. Analiza prihoda po kvartalima84
Sledeći model analizira prihod po tipu proizvoda npr. prihod ostvaren
prodajom parfema po mjesecima. Najveći prihod je ostvaren u
septembru, nasuprot standardnom oĉekivanju da to bude mjesec mart
zbog kupovine poklona povodom 8. marta. Sledeći po prihodima je
decembar.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
100
Slika 4.2.3.5. Analiza prihoda po mjesecima i proizvodima u izabranim
godinama85
Na modelu koji slijedi uoĉljive su sezonske oscilacije. Uzmimo kao
primjer proizvode za sunĉanje- ako posmatramo mlijeko za sunĉanje
marke Sun primjećuje se da je u periodu od pola godine (oktobar-mart)
ni jedan proizvod nije prodao dok je maksimalan prihod ostvaren u
junu i julu što je i oĉekivano. Ovakve vrste analize su jasan signal za
sluţbu nabavke da vodi raĉuna o periodima kada nema smisla ili treba
povećati narudţbine odreĊenih proizvoda. Posebno kada se radi o
proizvodima koji imaju kratak rok trajnaja pa je stajanje na zalihama ne
samo umrtvljivanje kapitala već je neophodno voditi raĉuna da se
proizvod po isteku roka trajanja povuĉe iz prodaje.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
101
Slika 4.2.3.6. Analiza prihoda po mjesecima i proizvodima u izabranim
godinama86
4.3. Model sistema poslovne inteligencije u uslužnoj djelanosti
radio-telelevizije
Osnovna funkcija radio-televizijske kuće sastoji se u kreiranju
programskog sadrţaja i njegovog emitovanja publici. MeĊutim, kao i
svaki drugi biznis, njen opstanak na trţištu zavisi od prihoda koje
ostvaruje. Znaĉajan (ponekad i jedini) izvor finansiranja radio-
televizijskih kuća ĉine prihod od pruţanja marketinških usluga. Prihod
od reklamiranja obezbjeĊuje uslove za produkciju i emitovanje
programskog sadrţaja.
Sve komercijalne televizije u okviru svog programskog sadrţaja
emituju i propagandne poruke (reklame). Reklamu, u ovoj studiji
sluĉaja, nećemo posmatrati kao dio marketing miksa oglašivaĉa, koji na
taj naĉin ţeli promovisati svoj proizvod i osvojiti kupca, već kao uslugu
koju radio-televizijska kuća pruţa svom klijentu i po tom osnovu
ostvaruje prihod.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
102
Emitovanje reklama u okviru RTV programa, otvara problematiku
odnosa ''kulture'' i ''trgovine'', budući da medijska zavisnost od prihoda
od reklamiranja moţe ići na uštrb kvaliteta radio-televizijskog sadrţaja
stavljajući na vagu profesionalno-etiĉko nasuprot komercijalnom
donošenju odluka. Pored toga, nastojanja za povećanjem prihoda od
reklame, mogu ostvariti upravo suprotan efekat, ukoliko se beskrajno
dugim reklamnim blokovima izgubi smisao pojedinaĉne oglašivaĉeve
poruke u moru drugih, a sa druge strane i strpljenje i povjerenje
publike, kako u pogledu agresivnosti oglašivaĉa, tako i u pogledu
renomea same medijske kuće.
Oĉigledno je da se u cilju ostvarivanja maksimalne koristi od
emitovanja propagandnog sadrţaja mora voditi raĉuna o mnogobrojnim
faktorima od kojih zavisi kvalitet donešenih odluka. Pri tome je
neophodno pronaći optimalan odnos izmeĊu trajanja i rasporeda
relamnih blokova sa jedne, i prihoda koji se po tom osnovu ostvaruje,
sa druge strane.
Modeli odlučivanja bazirani na analizi profitabilnosti- Po svemu
sudeći, analiza prihoda od prometa marketinških usluga predstavlja
bitnu kariku u odluĉivanju o poslovanju radio-televizije. Medijski
prostor koji se prodaje za reklamiranje, rezultiraće razliĉitim prihodom
u zavisnosti od mnoštva faktora. Neki od njih su:
emisija u okviru koje se pojedini oglašivaĉ reklamira
rejting, konkurentnost, kupovna moć oglašivaĉa, klijenta
prostorna dimenzija (prema sjedištu klijentske firme)
davalac usluge klijentu (poslovna jedinica: radio ili televizija)
vremenska dimenzija (godina, kvartal, mjesec, dan, sat) i sl.
Na osnovu pomenutih faktora koji utiĉu na prihod, moţe se
identifikovati nekoliko modela odluĉivanja u oblasti usluţne djelatnosti
radio-televizije.
Analiza profitabilnosti prema vrsti emitovanog programa-
Emitovanje propagandnog sadrţaja podrazumijeva njegovo vezivanje
za pojedine emisije. Kada klijent odluĉi da zakupi dio medijskog
prostora za oglašavanje, ĉesto zahtijeva da se njegov reklamni spot
emituje u okviru odreĊene emisije. Evidentno je da tematika i
popularnost emisija utiĉe na interesovanje oglašivaĉa. Vrsta programa
treba da bude kompatibilna sa vrstom propagandne poruke (npr.
graĊjevinska firma neće ţeljeti da se reklamira u okviru djeĉijeg
programa, ali bi vlasnici kozmetiĉkih salona svoju reklamu vrlo rado
Poslovna inteligencija kroz praktiĉne primjere Case Stady
103
vidjeli u sjeĉi popularne telenovele). Sa tim u vezi, potrebno je da
menadţment marketinga medijske kuće analizira prihode prema vrsti
programa, a u okviru toga i pojedinaĉne prihode po emisijama.
Ovakvom analizom će se otkriti vrste programa i emisije koje su
atraktivne za oglašivaĉa, ĉime će se otvoriti mogućnost kreiranja
adekvatnih cjenovnika za usluge reklamiranja u skladu sa zakonom
ponude i traţnje. OdreĊivanje razliĉitih cijena emitovanja reklamnih
spotova u zavisnosti od vrste programa i emisije za koju se reklama
veţe, omogućava menadţerima da uspostave optimalan odnos
emitovanja komercijalnog i nekomercijanog programskog sadrţaja.
Analiza profitabilnosti po klijentima- Sasvim je sigurno da prvi i
osnovni uslov koji organizacija treba da ispuni, kako bi uspješno
obavljala svoj biznis, jeste da zadovolji kupca. Komercijalne televizje
''ţive od reklame'', prihod koji po tom osnovu ostvaruju direktno zavisi
od klijenata (oglašivaĉa) koji su joj ukazali povjerenje korišćenjem
marketinških usluga u svrhe sopstvene promocije. Specifiĉan je odnos
izmeĊu medijske kuće i njenih klijenata, budući da oni nisu samo
kupci, korisnici usluga, već i gledaoci (slušaoci), tako da ih je potrebno
posmatrati u dvostrukoj ulozi. Analiza komitenata u svijetlu prihoda
koje donose, predstavja osnovu uspješnog poslovanja sa njima. Pored
klasiĉnog reklamiraja pojedini klijenti zahtijevaju i druge vidove
promocije, kao što su uĉešća u live emisijama, organizovanje nagradnih
igara, razliĉiti oblici sponzorstva itd. Menadţment marketinga u
svakom trenutku mora da zna ko su njegovi kljuĉni klijenti i kakav
tretman im je potrebno pruţiti u zavisnosti od prihoda koje donose. U
sklopu analize klijenata, menadţer moţe sprovoditi i analizu
profitabilosti po regionima, gradovima i mjestima. Potrebno je da
posjeduje informaciju o sjedištu klijentske firme i na taj naĉin analizira
prihode u prostornoj dimenziji.
Analiza profitabilnosti u vremenskoj dimenziji- Kao i u svakom
drugom biznisu, vrijeme predstavlja bitan faktor svake analize. Analiza
prihoda u vremenskoj dimenziji omogućava da se sagleda finansijski
rezultat poslovanja u razliĉitim vremenskim perodima, kao i da se vrše
komparativne analize, projektuju trendovi kretanja prihoda i sl. U
poslovanju medijske kuće, kada je rijeĉ o reklamiranju, pored praćenja
prihoda na godišnjem, kvartalnom i mjeseĉnom nivou, poţeljno je vršiti
i analizu po danima i satima. Prodaja medijskog prostora, pored ostalog
zavisi i od dana u nedjelji kada se reklama emituje (radni dan, vikend,
praznik), kao i samog sata emitovanja (drugaĉije se formiraju cijene
reklamiranja u okviru jutarnjeg programa, u odnosu na udarne tremine
Poslovna inteligencija kroz praktiĉne primjere Case Stady
104
sa visokom gledanošću i sl.). Komparativne analize u vremenskoj
dimenziji su veoma vaţne i njima se omogućava utvrĊivanje rasta
(pada) prihoda po mjesecima, kvartalima. Za pojedine oglašivaĉe u
zavisnosti od vrste djelatnosti kojom se bave, godišnje doba moţe imati
uticaja na odluku o reklamiranju (npr. prodavci klima ureĊaja
intenzivnije će se reklamirati u ljetnjem periodu, dok će firma koja se
bavi skijaškom opremom sa agresivnijom reklamnom kampanjom
nastupiti u zimskom periodu).
Analiza profitabilnosti prema davaocu usluge- Budući da radio i
televizija u okviru iste medijske kuće egzistirju kao posebne poslovne
jedinice, sa svim svojm specifiĉnostima, potrebno ih je posmatrati
odvojeno i u pogledu analize prihoda od reklamiranja.
Modeli odlučivanja bazirani na analizi trajanja emitovanog
propagandnog sadržaja- Kao što je prethodno reĉeno, na donošenje
odluka u radio-televizijskom poslovanju utiĉe i trajanje reklamnih
blokova. Analiza trajanja propagandnih poruka je veoma interesantna,
budući da ono utiĉe i na kvalitet programa i na prihod od reklamiranja,
ali u razliĉitom smjeru. Naime, više emitovanih sekundi propagandnih
poruka jeste jedan od faktora koji povećava prihod, dok sa duge strane
utiĉe na smajenje kvaliteta TV i Radio programa, te u perspektivi moţe
indirektno uticati i na smanjenje prihoda. Jer, ukoliko kvalitet programa
opada, smanjuje se gledanost (slušanost), a samim i tim popularnost
RTV kuće, što će uticati na smanjenje povjerenja oglašivaĉa.
U cilju postizanja optimalnog prometa marketnških usluga, medijska
kuća mora voditi raĉuna o trajanju emitovanih reklama i u skladu sa tim
donositi odluke.
Analiza trajanja reklamnih spotova po klijentu- Analiza trajanja
reklama po klijentu se posmatra u svijetlu analize profitabilnosi po
klijentu o ĉemu je već bilo rijeĉi. Ovime se uspostavlja veza izmeĊu
emitovanih sekundi reklama po oglašivaĉu i prihoda koji je po tom
osnovu ostvaren, pri ĉemu se moţe zakljuĉiti da li se prihod od
pojedinih komitenata ostvaruje po osnovu kvantiteta (više emitovanih
sekundi) ili po osnovu ekskluzivnosti (emitovanje reklama po višoj
cijeni npr. solo sjeĉe, udarni termini itd.). Analiza trajanja emitovanih
spotova po komitentu zajedno sa analizom profitabilnosti, utiĉe na
poslovne odnose sa njim (buduće ugovore, cijene, rabate i sl.)
Poslovna inteligencija kroz praktiĉne primjere Case Stady
105
Analiza trajanja reklamnih spotova po emisijama- U cilju planiranja
medija plana i prodaje medijskog prstora, menadţer marketinga mora
voditi raĉuna o ukupnom trajanju reklama po emisiji, kako bi
uspostavio pravilan odnos izmeĊu trajanja propagandnih blokova i
trajanja same emisije. TakoĊe, trajanje reklama će pokazati koliko je
pojedina emisija atraktivna za oglašivaĉa, što omogućava da se u
skladu sa tim odredi i odgovarajuća cijena za sekundu emitovanja u
odreĊenoj emsiji. Emitovanje reklama se vrši kako u premjernom tako i
u repriznom prikazivanju emisija, tako da će na cijenu, kao i na
interesovanje oglašivaĉa, uticati i ovaj faktor.
Analiza trajanja rekamnih spotova prema terminu emitovanja
programa- Kada oglašivaĉ odluĉi da zakupi medijski prostor, tada ima
za cilj da što više ljudi vidi njegovu reklamu. Zbog toga, pored ostalog,
nastoji da obezbijedi i termin koji najbolje odgovara odabranoj ciljnoj
grupi. Budući da se reklamni blokovi veţu za emisije, moţe se utvrditi
trajanje spotova po terminu emitovanja emisija (npr. U emisijama koje
se daju u popodnevnm ĉasovma, razliĉita je koncentracija emitovanja
reklama, nego u emisijama koje se daju u posleponoćnim ĉasovima i
sl). Udarni termini sa najvišom gledanosti su atraktivni za oglašivaĉe,
tako da se u udarnim terminima emituje najviše spotova.
Analiza trajanja rekamnih spotova prema vrsti termina
emitovanja propagandnih poruka- Prilikom emitovanja reklamnih
spotova, pored vezivanja za emisije, kako je prethodno objašnjeno, vrši
se i njihovo rasporeĊivanje u okviru samih emisija. Reklame se mogu
emitovati u razliĉitim terminima u odnosu na emisiju i to prije, poslije
ili u toku same emisije (tzv. sjeĉe u bloku). Za oglašivaĉa je vaţno kada
se njegov spot prikazuje, a takoĊe je vaţan i redosljed spota u samom
reklamnom bloku, tako da formiranje cijena zavisi i od ovih faktora.
Pojedini klijenti spremni su da plate više da bi se njihova reklama
emitovala prva u bloku ili jedina u bloku (tzv. solo sjeĉe). Prestiţni
oglašivaĉi, firme koje dosta novca ulaţu u promociju, kao što su npr.
mobilni operatori, ĉesto zahtijevaju upravo samostalne propagandne
nastupe, kako bi bili upeĉatljiviji. Obzirom na to, analiza prihoda prema
terminu emitovanja propagandnih poruka i rasporedu reklama u
reklamnim blokovima, takoĊe predstavlja znaĉajan faktor u odluĉivanju
menadţera marketinga.
Analiza trajanja reklamnih spotova u vremenskoj dimenziji- Kao i
kada je rijeĉ o profitabilnosti, što je prethodno objašnjeno, i trajanje
reklama se moţe pratiti u vremenskoj dimenziji.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
106
4.3.1. Polazne pretpostavke
Studija sluĉaja je raĊena na podacima radio-televizijske kuće. Izvorni
modul predstavlja dio informacionog sistema RTV-a, a podaci su
potpuno (cifre i datumi) ili djelimiĉno (klijenti, emisije, reklame…)
izmijenjeni. Radi pojednostavljenog prikazivanja komparabilnih
performansi implementiranih modela, analiziraju se dva uzastopna
vremenska perioda koja su oznaĉena kao 2006. i 2007. godina.
Napominjemo da se dobijeni rezultati ni na koji naĉin ne mogu dovesti
u vezu sa pomenutim poslovnim godinama.
4.3.2. Implementacija Data Mart-a
4.3.2.1. Definisanje ciljeva Data Mart-a
Implementacija Data Mart-a ima za cilj da odgovori na identifikovane
modele odluĉivanja za analizu profitabinosti i trajanja reklamnih
spotova prema razliĉitim kriterijumima:
Analiza profitabilnosti prema vrsti emitovanog programa pokazaće
koje emisije donose najviše prihoda, kao i raspored prihoda po vrsti
programa (informativni, sportski, zabavni...).
Analiza profitabilnosti po klijentu pokazaće koliko koji klijent
donosi prihoda, zatim raspored prihoda po gradovima i drţavama,
kao i prema vrstama djelatnosti klijenata koji se reklamiraju.
Analiza profitabilnosti u vremenskoj dimenziji pokazaće raspored
prihoda po godinama, kvartalima, mjesecima, danima. Ovim će se
omogućiti praćenje trendova kretanja prihoda, kao i razliĉite
uporedne analize.
Analiza profitabinosti prema davaocu usluge pokazaće prihode na
nivou poslovnih jedinica (radio i televizija).
Analiza trajanja reklamnih spotova po klijentu pokazaće koliko koji
komitent ima emitovanih sekundi reklamnih spotova, zatim ukupno
trajanje reklamnih spotova prema vrsti djelatnosti oglašivaĉa, kao i
ukupno trajanje reklamnih spotova po regionima (koliko se sekundi
propagandnog materijala emituje za klijente sa sjedištem u
odreĊenom gradu ili drţavi) .
Analiza trajanja reklamnih spotova po emisijama pokazaće koliko
je u kojoj emisiji bilo emitovano sekundi reklama, kao i ukupno
trajanje spotova prema vrsti programa.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
107
Analiza trajanja reklamnih spotova prema terminu emitovanja
programa pokazaće koliko se u kom satu emituje reklama, u kom
periodu tokom dana se emituje najviše reklama i sl.
Analiza trajanja reklamnih spotova prema vrsti termina emitovanja
propagandnih poruka pokazaće koliko se sekundi reklama emituje u
pojedinim reklamim blokovima (EPP blokovi prije, poslije i u toku
emisije, solo sjeĉe).
Analiza trajanja reklamnih spotova u vremenskoj dimenziji
pokazaće ukupno trajanje reklamnih spotova po godinama,
kvartalima, mjesecima, danima.
Data Mart će omogućiti i višedimenzionalne analize, kao što su:
analiza profitabilnosti po klijentu u periodu po emisijama
analiza profitabilnosti po klijentu u periodu po davaocu usluge
analiza profitabilnosti po emisiji u periodu po klijentu
analiza trajanja reklamnih spotova po klijentu u periodu po
emisijama
analiza trajanja reklamnih spotova po klijentu u periodu po
terminu emitovanja programa
analiza trajanja reklamnih spotova po klijentu u periodu po
terminu emitovanja propagandnih poruka
analiza trajanja reklamnih spotova po emisijama u periodu po
terminu emitovanja propagandnih poruka i sl.
Pored toga, Data Mart će omogućiti kreiranje modela kojima će se
uporedo analizirati trajanje reklama i ostvareni prihod:
analiza prihoda i trajanja emitovanja reklama po klijentima
analiza prihoda i trajanja emitovanih reklama u vremenskoj
dimenziji
analiza prosjeĉnih cijena (na osnovu trajanja i prihoda) u
periodu
analiza prosjeĉnih cijena po klijentu u periodu i sl.
4.3.2.2. Data Mart dizajn- izbor i specifikacija poslovnih činjenica i
dimenzija
U ovoj studiji sluĉaja realizovan je Data Mart ĉiju strukturu
predstavljaju dvije zvjezdaste šeme koje će omogućiti praćenje prihoda
od reklamiranja i trajanje reklamnih spotova.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
108
Prodaja marketinških usluga- struktura zvjezdaste šeme
Jedan od pokazatelj prodaje marketinških usluga jeste prihod od
reklamiranja. Prethodna razmatranja ukazuju da se faktori koji utiĉu na
visinu prihoda mogu svrstati u tri dimenzije:
Vremenska dimenzija (KALENDAR
Dimenzija Nosilac prihoda (KOMITENTI)- Odnosi se prvenstveno
na klijenta i vrstu djelatnosti kojom se bavi, a u vezi sa tim sadrţi i
prostornu odrednicu (sjedište komitenta), ĉime se omogućava
praćenje prihoda po mjestima, regionima i drţavama.
Dimenzija Porijeklo prihoda (DAVALAC_USLUGE)- Odnosi se
na emisiju u okviru koje je nastao prihod od reklame, vrstu
programa kojoj posmatrana emisija pripada, a sa druge strane ova
dimenzija sadrţi i podatak o davaocu marketinške usluge tj. kazuje
da li je reklama emitovana u okviru radijskog ili televizijskog
programa.
Zvjezasta šema je struktuirana na sledeći naĉin:
Slika 4.3.2.2.1. Struktura zvjezdaste šeme: Prodaja marketinških usluga87
Poslovna inteligencija kroz praktiĉne primjere Case Stady
109
Na prikazanoj zvjezdastoj šemi predstavljen je odnos izmeĊu tabela
dimenzija i tabele ĉinjenice. U skladu sa prethodnim razmatranjima,
jedini atribut u tabli ĉinjenice (pored kljuĉeva koji je povezuju sa
dimenzijama) jeste prihod od usluga, koji se kvanitativno izraţava u
zavisnosti od kombinovanja atributa iz tabela dimenzija. Tabele
dimenzija sadrţe atribute kao što su naziv komitenta, sjedište,
djelatnost, region, drţava (dimenzija komitenti), naziv emisije, vrstu
programa, poslovnu jedinicu (dimenzija davalac usluge), kao i elemente
vremenske dimenzije (dan, mjesec, godina itd.). Na ovaj naĉin dobijaju
se informacije o prihodu po atributima dimenzija i njihovim
ukrštanjem.
Trajanje marketinškog sadržaja- struktura zvjezdaste šeme
Raspored marketinškog sadrţaja pored ostalog zavisi od trajanja
reklamnih spotova. Prethodna razmatranja ukazuju da je za prodaju
medijskog prostora u propagandne svrhe potrebno analizirati i trajanje
reklamnih spotova kroz tri dimenzije.
Vremenska dimenzija (KALENDAR)
Dimenzija Nosilac marketinškog sadrţaja (KOMITENTI)- Odnosi
se prvenstveno na klijenta i vrstu djelatnosti kojom se bavi, a u vezi
sa tim sadrţi i prostornu odrednicu (sjedište komitenta), ĉime se,
pored analize trajanja propagandnih poruka sa aspekta klijenta i
vrste djelatnosti, omogućava i praćenje ukupnog trajanja
propagandnih poruka po mjestima, regionima i drţavama.
Dimenzija Realizacija marketinškog sadrţaja (REALIZACIJA)-
Odnosi se na emisiju u okviru koje je su emitovani reklamni
spotovi, vrstu programa kojoj posmatrana emisija pripada, vrstu
reklamnog bloka, termin emisije i reklame itd.
Zvjezdasta šema je struktuirana na sledeći naĉin:
Poslovna inteligencija kroz praktiĉne primjere Case Stady
110
Slika 4.3.2.2.2. Struktura zvjezdaste šeme Trajanje marketinškog sadrţaja88
Prikazana zvjezdasta šema predstavlja odnos izmeĊu tabela dimenzija i
tabele ĉinjenice. U skladu sa prethodnim razmatranjima, u tabeli ĉinjenice
kvanitativno se izraţava trajanje reklama u zavisnosti od kombinovanja
atributa iz tabela dimenzija. Tabele dimenzija sadrţe atribute kao što su:
naziv komitenta, sjedište, djelatnost, region, drţava (dimenzija komitenti),
naziv emisije, vrstu programa, vrstu reklamnog bloka, naziv reklamnog
spota i kampanje (dimenzija realizacija), kao i elemente vremenske
dimenzije (dan, mjesec, godina itd). Na ovaj naĉin dobijaju se informacije
o trajanju reklamnog sadrţaja po atributima dimenzija i njihovim
ukrštanjem.
Za obje zvjezdaste šeme se koriste iste dimenzije: Komitent i Vrijeme. U
prvom sluĉaju se komitent i vrijeme posmatraju sa aspekta prihoda, dok se
u drugom sluĉaju iste dimenzije posmatraju sa aspekta trajanja reklamnih
spotova. Korištenje zajediĉkih dimenzija omogućava povezivanje
zvjezdastih šema. Na taj naĉin se istovremeno mogu posmatrati vrijednosti
iz tabela ĉinjenica koje pripadaju razliĉitim zvjezdastim šemama sa aspekta
zajedniĉkih dimenzija
Poslovna inteligencija kroz praktiĉne primjere Case Stady
111
4.3.2.2. Realizacija Data Mart-a
U nastavku će biti prikazana realizacija Data Marta po fazama.
Faza definisanja poĉinje definisanjem modula izvornih podataka i ciljnog
modula. Sadrţaj izvornog modula ĉine sve tabele iz RTV informacionog
sistema, koje će se koristiti za kreiranje predloţenih zvjezdastih šema. Ove
tabele sadrţe podatke koji se tiĉu poslovne funkcije Marketing u okviru
posmatranog sistema.
Shodno predloţenom rješenju, ciljni modul sadrţi metapodatke o tabelama
dimenzija, tabelama ĉinjenica, mapiranjima koja treba izvršiti kako bi se
podaci iz izvornog modula (izvornih tabela) preveli u tabele dimenzija
odnosno ĉinjenica. Obzirom da su realizovane dvije zvjezdaste šeme, u
nastavku će uporedo biti opisan naĉin realizacije svih dimenzija i ĉinjenica,
kao i realizacija mapiranja potrebnih za punjenje ciljnih podataka.
Zvjezdaste šeme sadrţe po tri dimenzije koje će biti prikazane u nastavku.
Ĉinjenica da se dimenzije Komitent i Vrijeme koriste u obje šeme upravo
dokazuje pretpostavku o njihovoj univerzalnosti.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
112
Slika 4.3.2.3.1. Pikaz strukture dimenzija (Vrijeme, Komitenti i
Davalac_usluga) sa nivoima hjerarhije89
Dimenzija Nosilac prihoda (Komitenti) sadrţi 2 nivoa: mjesto i
komitent. Ovim se omogućava praćenje prihoda sa aspekta komitenta i
vrste djelatnosti kojom se bavi. Jedna od odrednica klijenta jeste
njegovo sjedište (mjesto-grad) što omogućava praćenje prihoda sa
prostornog aspekta. Ukoliko bi sistem koji analiziramo podrazumijevao
poslovanje na prostoru više zemalja, predloţenoj hijerarhiji bi se mogao
dodati i nivo Drţava. UvoĊenje novog nivoa u hijerarhiju i implikacije
na rad već kreiranog data Marta su minimalne i bez znaĉajnih
posledica. OWB alat omogućava krajnje efikasno redefinisanje
postojećih metapodataka o objektima izvornog i ciljnog modula.
Dimenzija Nosilac marketinškog sadrţaja je ista kao i Nosilac prihoda.
Drugaĉije je nazvana kako bi se ukazalo na njenu svrhu u strukturi
dvije razliĉite zvjezdaste šeme, kako je prethodno reĉeno.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
113
Slika 4.3.2.3.2. Obiljeţja dimenzije Komitenti90
Dimenzija Porijeklo prihoda (Davalac_usluge) kreirana je tako da
sadrţi jedan nivo u okviru koga se nalaze podaci o poslovnoj jedinici
koja pruţa marketinške usluge (radio ili televizija), vrstu programa i
nazive emisija u okviru kojih se emituju reklamni spotovi. Na ovaj
naĉin se omogućava praćenje prihoda prema porijeklu njegovog
nastanka u sljedećoj hijararhiji: poslovna jedinica- vrsta programa-
emisija.
Slika 4.3.2.3.3. Obiljeţja dimenzije Davalac_usluga91
Poslovna inteligencija kroz praktiĉne primjere Case Stady
114
Dimenzija Realizacija sadrţi 3 hijerarhije: Program, Spot i Termin.
Hijerarhija Program se sastoji od tri nivoa u okviru kojih se nalaze
podaci o vrsti programa i emisijama, dan u sedmici kada su realizovana
emitovnja, sat emitovanja, podaci o repriznom i premijernom
emitovanju, datum realizacije i dr. U okviru hijerarhije Spot nalaze se
podaci o reklamnim kampanjama i spotovima, dok treća hijerarhija
sadrţi podatke o terminima, tj. vrstama reklamnih blokova (epp blok
prije, poslije ili u toku emisije). Ovim se omogućava praćenje trajanja
reklama prema svim aspektima realizacije marketinškog sadrţaja u tri
hijerarhije:
Program- matrica- realizacija
Kampanja- spot- realizacija
Termin- realizacija
Slika 4.3.2.3.4. Pikaz strukture dimenzije Realizacija sa hijerarhijama i
nivoima hjerarhija92
Poslovna inteligencija kroz praktiĉne primjere Case Stady
115
Slika 4.3.2.3.5. Obiljeţja dimenzije Realzacija93
Oĉigledan je smisao tabela dimenzija. Podaci iz izvornih tabela, biće
denormalizovani i mapirani u tabelu dimenzija. Na ovaj naĉin,
ostvariće se mogućnost brze pretrage, potrebne u OLAP sistemima, u
kojima je broj podataka ogroman. Realizacijom dimenzija stvoreni su
uslovi za realizaciju tabele ĉinjenica. U središtu zvjezdaste šeme
Prodaja marketinških usluga nalazi se ĉinjenica Prodaja
(Ostv_emitovanje), prikazana na slici 4.3.2.3.6.
Slika 4.3.2.3.6. Zvjezdasta šema Prodaja marketinških usluga 94
Poslovna inteligencija kroz praktiĉne primjere Case Stady
116
U središtu zvjezdaste šeme Trajanje marketinškog sadrţaja nalazi se
ĉinjenica Emitovanje (EMITOVANJE).
Slika 4.3.2.3.7. Zvjezdasta šema Trajanje marketinškog sadrţaja95
Kreiranjem metapodataka o objektima izvornog modula, kao i tabela
dimenzija i ĉinjenica, stvoreni su uslovi za kreiranje objekata ciljnog
Warehouse modula. Ove objekte (tabele), potrebno je popuniti stvarnim
podacima. Naĉin na koji će to biti izvedeno odreĊuju metapodaci o
mapiranju. U ciljnom modulu, potrebno je definisati mapiranje za
svaku od tabela dimenzija, kao i svaku od tabela ĉinjenica. Mapiranja
će posluţiti za kreiranje script-ova ĉijim izvršenjem će se podaci iz
izvornih tabela prevesti u ciljne tabele Oracle sistema.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
117
Slika 4.3.2.3.8. Mapiranje dimenzije Komitenti96
Mapiranje dimenzije Komitenti (slika 4.3.2.3.8.) je vrlo jednostavno,
budući da je potrebno povezati samo dvije tabele (komitent i mjesto)
što je predstavljeno joiner-om na slici 4.3.2.3.9.
Slika 4.3.2.3.9. Joiner: Povezivanje tabela Mjesto i Komitent97
Poslovna inteligencija kroz praktiĉne primjere Case Stady
118
Slika 4.3.2.3.10. Mapiranje dimenzije Davalac_usluga98
Mapiranje dimenzije Davalac_usluga poĉinje povezivanjem tabela
Rppro i Rpart u kojima se nalaze podaci o emisijama i poslovnim
jedinicama.
Slika 4.3.2.3.11. Joiner 1: Povezivanje tabela za mapiranje dimenzije
Davalac_usluga99
Spajanje sa tabelom Rprgr, koja sadrţi podatke o vrstama programa,
vrši se preko joinera 2.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
119
Slika 4.3.2.3.12. Joiner 2: Povezivanje tabela za mapiranje dimenzije
Davalac_usluga100
Slika 4.3.2.3.13. Mapiranje dimenzije Realizacija101
Mapiranje dimenzije Realizacija je izvršeno povezivanjem tabela
Rpmatrica i Rprgr u kojima se nalaze podaci o vrsti programa,
emisijama i matrici emitovanja (sat, dan u sedmici,
repriza/premijera...).
Poslovna inteligencija kroz praktiĉne primjere Case Stady
120
Slika 4.3.2.3.14. Joiner 1: Povezivanje tabela za mapiranje dimenzije
Realizacija102
Zatim su izvršena povezivanja sa tabeloma Rpralizacija, Rptermin,
Rpspot i Rpkampanja.
Slika 4.3.2.3.15. Joiner 2: Povezivanje tabela za mapiranje dimenzije
Realizacija103
Slika 4.3.2.3.16. Joiner 3: Povezivanje tabela za mapiranje dimenzije
Realizacija104
Poslovna inteligencija kroz praktiĉne primjere Case Stady
121
Slika 4.3.2.3.17. Joiner 4: Povezivanje tabela za mapiranje dimenzije
Realizacija105
Slika 4.3.2.3.18. Joiner 5: Povezivanje tabela za mapiranje dimenzije
Realizacija106
Mapiranje tabele ĉinjenice Prodaja marketinških usluga
(Ostv_emitovanje) prikazano je slikom 4.3.2.3.19.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
122
Slika 4.3.2.3.19. Mapiranje ĉinjenice Prodaja marketinških usluga107
Najprije je izvršeno spajanje tabela Rpdet i Rpzag (koje sadrţe podatke
o fakturama, jer će se podaja i prihod pratiti na osnovu izdate fakture
prema vaţećem cjenovniku i odobrenim rabatima za svakog
komitenta). Zatim je preko joinera izvršeno povezivanje sa
dimenzijama (Davalac_usluga, Kalendar i Komitenti). Preko EXPR je
preraĉunata formula za obraĉun prihoda (cijena*koliĉina).
Mapiranjem tabele ĉinjenice Trajanje marketinškog sadrţaja
(Emitovanje) izvršeno je povezivanje dimenzija Kalendar, Komitenti i
Realizacija.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
123
Slika 4.3.2.3.20. Mapiranje ĉinjenice Trajanje marketinškog sadrţaja108
Ovim je završena faza definisanja, poslije ĉega stablo kreiranog ciljnog
modula izgleda kao na slici 4.3.2.3.21.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
124
Slika 4.3.2.3.21. Struktura ciljnog modula na kraju faze definisanja109
OLTP sistem RTV projektovan je u Oracle-u, tako da nije bilo potrebe
vršiti konverziju podataka prije direktnog uĉitavanja u DW strukture.
Uĉitavanje podataka je izvršeno donošenjem export flat fajlova koji su
u lokalnu bazu import-ovani pomoću SQLoader-a. U skladu sa
sekvencom uĉitavanja podataka, startovani su PL/SQL skriptovi za
ekstrakciju, transformisanje i uĉitavanje podataka u definisane
dimenzije i ĉinjenice. U tabelu ĉinjenice Prodaja reklama importovano
su ukupno 91,444 reda, dok je u tabelu ĉinjenice Trajanje reklama
importovan 6,741 red. Procedura inicijalnog punjenja u oba sluĉaja je
trajala po manje od 5 sekundi, a provjera uspješnosti je izvršena
pomoću SQL Plus-a.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
125
4.3.2. Realizacija i analiza modela odlučivanja
Obzirom da su, u skladu sa identifikovanim modelima odluĉivanja u
oblasti poslovanja radio-televizijskog sistema, kreirane tri poslovne
oblasti (''Prodaja reklama'', ''Trajanje reklama'' i ''Prodaja i trajanje
reklama''), istraţivanje u okviru studije sluĉaja obuhvata:
OLAP modele za analizu profitabilnosti
OLAP modele za analizu trajanja emitovanog propagandnog
sadrţaja
OLAP modele za uporednu analizu trajanja emitovanog
propagandnog sadrţaja i profitabilnosti.
OLAP modeli za analizu profitabilnosti- Prethodno su predloţene
analize profitabilnosti koje ukljuĉuju praćenje prihoda od reklamiranja
po klijentu, davaocu usluge, vrsti emitovanog programa i vremenskoj
dimenziji. U ovom dijelu, kroz primjere kreiranih workbook-ova, biće
prikazni samo neki od modela, koji će omogućiti pomenute analize.
Jedan od modela je procentualno uĉešće prihoda prema sjedištu
klijentskih firmi (slika 4.3.3.1.). Na slici je dat i grafiĉki prikaz.
Oĉigledno je da se od reklamiranja klijenata iz Podgorice ostvaruje
najviše prihoda, što je i oĉekivano.
Slika 4.3.3.1. Analiza procentualnog uĉešća prihoda po gradovima 110.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
126
Kvartalni raspored prihoda po gradovima u posmatranom periodu
prikazan je na slici 4.3.3.2.
Slika 4.3.3.2. Analiza prihoda po gradovima i kvartalima 111
Model na slici 4.3.3.3. prikazuje pihode po gradovima prema
poslovnim jedinicama (davalac usluge) i njihovo procentualno uĉešće u
ukupnim i tekućim prihodima. U nastavku će na primjeru analize
prihoda od klijenata iz Podgorice biti objašnjen naĉin ĉitanja
informacija.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
127
Slika 4.3.3.3. Analiza uĉešća u ukupnim i tekućim prihodima po poslovnim
jedinicama i gradovima.112
Prihodi od televizijskog reklamiranja klijenata iz Podgorice u prvoj
posmatranoj godini ĉine 73,76% ukupnih prihoda televizijskog
reklamiranja u toj godini, a 21,62% ukupnih prihoda obje poslovne
jedinice za obje posmatrane godine. Dok prihodi od radijskog
reklamiranja klijenata iz Podgorice u prvoj posmatranoj godini ĉine
89,52% ukupnih prihoda od radijskog reklamiranja u toj godini, a
0,12% ukupnih prihoda obje poslovne jedinice za obje posmatrane
godine.
Prihodi od televizijskog reklamiranja klijenata iz Podgorice u drugoj
posmatranoj godini ĉine 68,17% ukupnih prihoda televizijskog
reklamiranja u toj godini, a 47,58% ukupnih prihoda obje poslovne
jedinice za obje posmatrane godine. Dok prihodi od radijskog
reklamiranja klijenata iz Podgorice u drugoj posmatranoj godini ĉine
74,82% ukupnih prihoda od radijskog reklamiranja u toj godini, a
0,57% ukupnih prihoda obje poslovne jedinice za obje posmatrane
godine.
Interesantni su i modeli kojima se analizira prihod u vremenskoj
dimenziji:
Poslovna inteligencija kroz praktiĉne primjere Case Stady
128
Slika 4.3.3.4. Uporedni pregled stope rasta prihoda po mjesecima113
Ovaj model omogućava procentualno izraţavanje rasta ili pada prihoda
za svaki mjesec u odnosu na prethodni u okviru iste godine. U prvoj
posmatranoj godini, prihodi su najviše porasli u oktobru, a u drugoj
godini u februaru, dok je prosjeĉna stopa rasta prihoda sa 114,80% u
prvoj, opala na 15,85% u drugoj godini, iako je prihod u 2007. godini
više nego duplo veći u poreĊenju sa rezultatima u prethodnoj godini.
TakoĊe je prikazano i rangiranje rasta. Mjesec sa najvećom vrijednosti
u koloni ''rangiranje rasta'' je maj prve godine, kada je zabiljeţen
najveći pad prihoda od 85,76% u odnosu na april iste godine.
Sliĉan model (slika 4.3.3.5.) omogućava uporeĊivanje prihoda po
kvartalima iz dvije posmatrane godine.
Slika 4.3.3.5. Uporedni pregled stope rasta prihoda po kvartalima iz dvije
uzastopne godine114
Poslovna inteligencija kroz praktiĉne primjere Case Stady
129
Stopa rasta prihoda se moţe pratiti i po teritorijama, komitentima,
emisijama ili poslovnim jedinicama.
Slika 4.3.3.6. Uporedni pregled stopa rasta prihoda po gradovima u dvije
uzastopne godine115
OLAP modeli za analizu trajanja emitovanog propagandnog
sadržaja- U prethodnom poglavlju identifikovani su modeli
odluĉivanja za analize trajanja emitovanog propagandnog sadrţaja koje
ukljuĉuju praćenje trajanja reklama u sekundama po klijentu,
emisijama, terminu emitovanja programa, vrsti termina emitovanja
propagandnih poruka i u vremenskoj dimenziji. U ovom dijelu, kroz
primjere kreiranih workbook-ova, biće prikazni samo neki od modela,
koji će omogućiti pomenute analize.
RTV je u periodu istraţivanja ukupno emitovala 618,13 sati
propagandnog programa.
Slika 4.3.3.7. Pregled ukupnog trajanja reklama po godinama116
Poslovna inteligencija kroz praktiĉne primjere Case Stady
130
Trajanje rekalma po komitentima u posmatranim godinama prikazan je
na sljedećem modelu:
Slika 4.3.3.8. Pregled ukupnog trajanja reklama u drugoj posmatranoj godini
po klijentu, njegovim reklamnim kampanjama i spotovima117
Analize trajanja emitovanja mogu se vršiti i prema vrsti termina
emitovanja propagandnih poruka, koje su u RTV definisane kao
reklamni blokovi u toku, prije i poslije emisije i solo sjeĉe (kada se
emituje samo jedna reklama u sjeĉi u okviru emisije). Na sledećoj slici
prikazano je procentualno uĉešće pojedinih vrsta reklamnih termina u
odnosu na sumu ukupno emitovanih sekundi reklama u godini.
Slika 4.3.3.9. Uĉešće pojedinih vrsta termina emitovanja u ukupnom
godišnjem trajanju reklama118
U obje posmatrane godine sjeĉa u bloku ubjedljivo prednjaĉi u odnosu
na ostale vrste. Ako se zakljuĉi da klijenti preferiraju sjeĉe u bloku, bilo
bi logiĉno da se visoko kotira i solo sjeĉa, budući da je efektnija od
Poslovna inteligencija kroz praktiĉne primjere Case Stady
131
prethodne, jer omogućava klijentu da izdvoji svoju reklamu od drugih i
time ostavi jaĉi utisak na ciljno trţište. MeĊutim, na osnovu prikazanog
modela se moţe vidijeti da reklamiranje u solo sjeĉi ĉini samo mali
procenat ukupno emitovanih propagandnih poruka, za razliku od sjeĉe
u bloku sa uĉešćem od 75,79% i 77.84% u posmatranim godinama,
respektivno. Mogući uzroci takvog stanja mogu biti visoka cijena
emitovanja u solo sjeĉama, visoka traţnja za emitovanjem reklama u
sjeĉi, ĉime je nemoguće uklopiti veliki broj reklama u solo sjeĉe, jer bi
se emisije morale neuporedvo ĉešće prekidati i sl.
U prethodni model se postupkom ''drilovanja'' mogu ukljuĉiti i
komitenti i time prikazati raspored trajanja reklama po vrstama termina
emitovanja po klijentima.
Jedan od naĉina da se analizira trajanje emitovanog propagandnog
sadrţaja u vremenskoj dimenziji prikazan je na sledećoj slici:
Slika 4.3.3.10. Pregled trajanja reklama uvremenskoj dimenziji119
Crvenom bojom je oznaĉeno ukupno trajanje propagandnog sadrţaja u
mjesecu tokom koga se emitovalo najviše sekundi reklama u
posmatranoj godini. Dakle, u prvoj posmatranoj godini najviše reklama
je emitovano u decembru (110,516 sekundi ), dok se u drugoj godini
najviše reklamiralo tokom septembra u ukupnom iznosu od 265,381
sekunda propagandnog sadrţaja, što je blizu 74 sata.
Poslovna inteligencija kroz praktiĉne primjere Case Stady
132
Slika 4.3.3.11. Pregled trajanja reklama za 2006. i 2007. god. po
mjesecima120
OLAP modeli za uporednu analizu trajanja emitovanog
propagandnog sadržaja i profitabilnosti
Model za uporednu analizu trajanja emitovanog propagandnog sadrţaja
i prihoda od emitovanja tog sadrţaja pokazuje odnos trajanja reklama i
prihoda koji su ostvareni emitovanjem tih reklama. Na osnovu
prikazanog modela moţe se zakljuĉiti da je u prva ĉetiri mjeseca, kao i
u julu i avgustu više emitovano sekundi reklama nego što se
prihodovalo eura, što se vidi i po prosjeĉnoj cijeni koja je veća od
jedan. U maju, junu, septembru i oktobru je situacija obrnuta, budući da
se za jednu sekundu emitovanja prihodovalo manje od jednog eura, na
što ukazuje i prosjeĉna cijena koja je u pomenutim mjesecima manja od
1.
Slika 4.3.3.12. Pregled trajanja, prihoda i prosjeĉnih cijena emitovanja po
mjesecima121
Uporedni pregled trajanja emitovanog propagandnog sadrţaja i prihoda
od emitovanja tog sadrţaja moţe se predstaviti i po gradovma.
Slika 4.3.3.13. Kvartalni pregled trajanja i prihoda od reklamiranja po
gradovima122
Poslovna inteligencija kroz praktiĉne primjere Case Stady
133
U ovom poglavlju su realizovani OLAP modeli za analize koje
sprovode menadţeri maketinga prilikom donošenja poslovnih odluka.
Pored prikazanih, razumljivo je da sistem na jednostavan naĉin moţe
generisati i mnoge druge modele i vršiti veliki broj analiza,
osmišljavajući pogled na podatke iz tabela dimenzija i ĉinjenica prema
potrebama korisnika.
134
Zaključak
Konstantne i radikalne promjene u poslovnom okruţenju nameću
potrebu za promjenom dosadašnjeg naĉina upravljanja. Nove
tehnologije i alati koji omogućavaju brz i efikasan pristup podacima
postaju u takvom okruţenju neminovnost.
Savremeno trţište sve više stavlja fokus na kupca i njegove zahtjeve.
Najuspješnije su one organizacije koje prodaju najprofitabilnije
proizvode i usluge najvećem broju kupaca. Alati poslovne inteligencije
omogućavaju proces prikupljanja raspoloţivih internih i eksternih
podataka i njihovo pretvaranje u korisne informacije koje pomaţu
poslovnim korisnicima pri donošenju odluka. Podaci zasnovani na
korištenju alata poslovne inteligencije pruţaju mogućnost uoĉavanja ne
samo prednosti već i problema, tako da se na vrijeme mogu analizirati
uzroci, umjesto da se samo rješavaju posljedice. Sistemi poslovne
inteligencije su usredsreĊeni na poboljšanje mogućnosti za pristup i
distribuciju informacija, kako onima koji ih prave, tako i onima koji ih
koriste.
Kombinovanje razliĉitih tehnika i razrada Data Mining metoda, i
upotreba podataka iz internih i eksternih izvora, kao i ekspertskih
znanja doprinjelo bi poboljšanju perfomansi svih komponenti modela
sistema poslovne inteligencije prikazanih u ovoj knjizi, što bi za krajnji
cilj imalo povećanje efikasnosti i efektivnosti poslovanja organizacije u
cjelini.
Realizovani modeli bi trebali dati doprinos razumijevanju neophodnosti
potrebe korištenja znanja, kao najvaţnijeg resursa današnjeg
poslovanja, u svrhe uspješnijeg upravljanja.
Na svjetskom trzištu sistemi poslovne inteligencije su standardni dio
informacionog okruţenja, pa vjerujemo da će u bliskoj budućnosti
sistemi poslovne inteligencije na našem trţištu naći mnogo širu
primjenu nego što je to sluĉaj danas.
135
Literatura
[1] Balaban N, Ristić Ţ.: ''Poslovna inteligencija'', Ekonomski fakultet,
Subotica, 2006
[2] Gartner Group report, septembar, 1996
[3] The Origins of Business Intelligence,
http://searchsap.techtarget.com/searchSAP/downloads/McDonald_Chp1.pdf
[4] Kalakota, Ravi, Robinson, Marcia, ''E-business 2.0 Roadmap for
Success'' Addison-Wesley, Boston, 2001, str. 349.
[5] Panian Ţ, Klepac G. "Poslovna inteligencija", Masmedia, 2003
[6] Kukrika, M.: ''Poslovna inteligencija- od informacije do profita'', E-
magazin
[7] Inmon, W.H., '' What is a Data Warehouse? '', PRISM, 1995,
http://www.cait.wustl.edu/cait/papers/prism/vol1_no1/
[8] Kimball Ralph, "The Data Warehouse Toolkit: Practical Techniques for
Building Dimensional Data Warehouses", John Wiley & Sons, 1996
[9] Codd E.F., Codd S.B., and Salley C.T. "Providing OLAP (On-line
Analytical Processing) to User-Analysts: An IT Mandate". Codd & Date, Inc
1993
[10] Pendse, N., '' What is OLAP? '', OLAP Report, 1998,
http://www.olapreport.html/FASMI.HTM
[11] ''The OLAP Report: Glossary'', www. olapreport.com/glossary.htm,
26.03.2004.
[12] W. Frawley and G. Piatetsky-Shapiro and C. Matheus (Fall 1992).
''Knowledge Discovery in Databases: An Overview''. AI Magazine: pp. 213-
228. ISSN 0738-4602.
[13] D. Hand, H. Mannila, P. Smyth (2001). Principles of Data Mining. MIT
Press, Cambridge, MA,. ISBN 0-262-08290-X.
136
[14] Skoĉir, Matasić, Vrdoljak: ''Organizacija obrade podataka''
[15] Rjeĉnika marketinga u izdanju Masmedia.
[16] Mr.sc.Miroslav Drljaĉa Prodaja kao funkcija,
http://kvaliteta.inet.hr/t_Prodaja%20kao%20funkcija.pdf
[17] Beĉejski-Vujaklija, D.: ''Data Warehousing koncept i upitni jezici
transakciono orjentisanih sistema'', Yu Info '97, Brezovica
[18] Beĉejski-Vujaklija, D.: ''Data Warehouse i SQL- partneri ili konkurenti?
'', JISA-Info, Br 3/98
[19] Kastratović, V.: ''Model sistema poslovne inteligencije u usluţnoj
djelatnosti radio- televizije'', Magistarski rad, Ekonomski fakultet, Podgorica,
2008
[20] Rajković, B.: ''Model sistema poslovne inteligencije za analizu kupaca
trgovinskog preduzeća'', Magistarski rad, Ekonomski fakultet, Podgorica,
2007
[21] Đukuć-Vukĉevć, S.: ''Model sistema poslovne inteligencije za analizu
prodaje'', Magistarski rad, Ekonomski fakultet, Podgorica, 2008
[22] Ćirić, B.: ''Poslovna inteligencija'', Data status, Beograd, 2006
[23] Holsheimer M., Kersten M., Mannila H., Toivonen H.: ''A Perspective
on Databases
and Data Mining'', Technical Report, CWI Amsterdam, 1995
[24] Rud P.O.: ''Data Mining Cookbook: Modelling Data for Marketing,
Risk, and Customer Relationship Management'', Wilez Computer Publishing,
2001
[25] Singh H.: ''Data Warehousing-Concepts, Technologies, Implementations
and Management'', Prentice Hall PTR, 1998.
[26] Srinivasan A., Sundaram D., Davis J.: ''Implementing Decision Support
Systems: Methods, Techniques, and Tools'', McGraw-Hill Publishing
Company, 2000.
137
[27] Turban E., Aronson J.E.: ''Decision support systems and intelligent
systems'', Fifth Edition, Prentice-Hall International, Inc., 1998
[28] Wuthrich B., ''Knowledge Discovery in Databases'', The Hong Kong
University of Science
[29] Media Relations, Gartner 2006, http://www.gartner.com
[30] Ricardo, C. Database Systems: Principles, Design, & Implementation.
Macmillian, New York, 1990.
[31] Višnja Ljubetić, ''Upravljanje znanjem primjenom alata poslovne
inteligencije'',
Magistarski rad.
[32] Klepac, G.: ''Otkrivanje zakonitosti primjenom jedinstvenog modela
transformacije vremenske serije'', 2004 radni materijal
[33] ''A Definition of Data Warehousing'', http://
www.dwinfocenter.org/defined.html,
[34] ''Payback on Business Intelligence'', http://www.dmreview.com/,
01/2003.
[35] Patajac H., ''Business Intelligence - potrebe, oĉekivanja, strategije,
uvoĊenja'', Zagreb, BI-2003.
[36] Knezić,S: ''Sustavi za podršku odluĉivanju'',
http://www.gradst.hr/katedre/ortegr/nastava_knezic/dss.htm
[37] Beĉejski-Vujaklija, D.: ''Upravljaĉke igre u praksi menadţmenta'',
DOPIS, Beograd, 1997
[38] ''The Business Intelligence and Data Warehousing Glossary'',
http://www.sdgcomputing.com/glossary.htm, 2.4.2004.
[39] Oracle Warehouse Builder User's Guide 10g Release 1 (10.1), PDF
version,
http://download.oracle.com/docs/pdf/B13916_04.pdf , Oct 2005
[40] Oracle Business Intelligence Discoverer Administration Guide, Release
10g, PDF
138
version, http://download.oracle.com/docs/pdf/B13916_02.pdf , Dec 2005
[41] Oracle Business Intelligence Discoverer Plus User's Guide, Release
10.1.2, PDF
version, http://download.oracle.com/docs/pdf/B13915_02.pdf , Dec 2005
[42] ''Oracle 9i Data Warehousing Guide'', Release 2 (8.1.6), 2001
[43] ''Oracle 9i Warehouse Builder'', User's Guide, Release 2 (9.0.4), May
2003
[44] ''Oracle 9i Discoverer Plus'', User's Guide, Version 9.0.2, Jan 2002
[45] ''Oracle Discoverer Administration Edition'', User's Guide, Release 4.1,
Dec 2000
[46] Oracle Warehouse Builder, Krešimir Futivic BI consultant
[47] http://en.wikipedia.org/wiki/Data_mining
[48] Kašćelan, Lj.: ''Oracle Warehouse Builder i faze razvoja Data
Warehose-a'', SYMOPIS 2004- zbornik radova, Fruška Gora, 2004
[49] Kašćelan, Lj., ''Kreiranje OLAP modela u Oracle Discoverer-u '', INFO-
M, Br. 13/2005
[50] Kašćelan, Lj., Beĉejski-Vujaklija D., ''Oracle Data Warehouse Concept
for DSS in Financial Crisis Management'', 12th MINI EURO, Brisel, 2002
[51] Kašćelan Lj., Beĉejski Vujaklija D., ''A Model for Data Minig System
in Financial Crisis Management Based on Data Warehouse Concept'',
ComSIS, june 2005, Vol 2, Number 1
[52] Kašćelan, Lj.: ''Model sistema za podršku odluĉivanju u sanacionom
menadţmentu zasnovan na data warehouse konceptu'', doktorska disertacija,
Ekonomski fakultet, Podgorica, 2002
[53] Kašćelan Lj., ''A Concept for Business Intelligence Support in Financial
Crisis Management'', 21th European Conference on Operational Research,
Iceland 2006
139
[54] Groth R.: ''Data Mining: A hands-on approach for business
professionals'', Prentice Hall, 1997.
[55] Holsheimer M., Siebes A.: ''Data Mining-The Search for Knowledge in
Databases'', Technical Report CS-R9406, CWI Amsterdam
[56] Lambert, R.: ''Data Warehousing Fundamentals: What You Need to
Know to Succeed'', Data Management Review, 1996,
http://www.dmreview.com/article_sub.cfm?articleId=1313
[57] Mogin P., Luković I., Govedarica M.: ''Principi projektovanja baza
podataka'', Univerzitet u Novom Sadu, Fakultet tehniĉkih nauka, Novi Sad,
2000
[58] Pregibon, D.: ''Data Miningv, Statistical Computing and Graphics, 1997
[59] Chenoweth T., Schuff D., Luis R., ''A method for developing Data
Marts'',
Communications of the ACM, Dec. 2003, Vol46. No.12
[60] Mršić, L.: ''Primjena metoda rudarenja podataka u trgovini tekstilnim i
srodnim proizvodima'', magistarski rad, Ekonomski fakultet, Zagreb, 2004
[61] Poslovna inteligencija,
http://www.google.com/url?sa=t&source=web&cd=2&ved=0CCQQFjAB&u
rl=http%3A%2F%2Fwww.efos.hr%2Findex.php%3Foption%3Dcom_docma
n%26task%3Ddoc_download%26gid%3D411%26Itemid%3D&rct=j&q=pos
lovna%20inteligencija%20efos&ei=R4lCTv2uIMz5sga00Y3TBw&usg=AF
QjCNFkU5XhkuM2edumPzfjjL7YxQcv8g&sig2=Hn-z6UNUV1Sv-
IrXANaJCw
[62] Alati poslovne inteligencije,
http://www.mathos.hr/~bbosnjak/ALATI%20%20POSLOVNE%20INTELI
GENCIJE.doc
[63] Uvod u Data Warehousing i OLAP Doc.dr Angelina Njegus
http://www.crnarupa.singidunum.ac.rs/Godina%202009%20-
%202010/FTHM/Informacioni%20sistemi%20u%20turizmu%20i%20hotelij
erstvu%20-
%20prof.%20dr%20A.%20Njegu%C5%A1%20i%20mr%20Dalibor%20Rad
ovanovi%C4%87/Predavanja/7-BI.ppt
140
[64] Brigs A, Kobli P.: ''Uvod u studije medija'', CLIO, Beograd, 2005
[65] Power, DJ: ''Decision Support Systems: Concepts and Resources'',
Cedar Falls, IA: DSSResources.COM, pre-publication PDF version,
http://dssresources.com/dssbook/, April 2000.
[66] Marković, M.: ''Model sistema poslovne inteligencije u domenu javnh
servisa pošte'', Magistarski rad, Ekonomski fakultet, Podgorica, 2007
141
Popis slika Slika 1.2.3.1. DW i OLTP .....................................................................................................15
Slika 1.2.3.2. Top Down (Bill Inmon) i Bottom Up (Ralph Kimball) DW arhitektura .........17
Slika 1.2.4.1. Zvjezdasta šema ...............................................................................................19
Slika 1.3.1. Multidimenzionalna OLAP kocka ......................................................................24
Slika 2.1.1. Primjeri Data Mart-a ..........................................................................................29
Slika 2.5.2.1 OWB arhitektura ..............................................................................................34
Slika 2.5.3.1 Struktura ciljnog modula ..................................................................................36
Slika 2.5.3.2. Pikaz strukture dimenzije Komitent sa nivoima hjerarhije ..............................37
Slika 2.5.3.3. Obiljeţja dimenzije Komitenti .........................................................................37
Slika 2.5.3.4. Constraints nad dimenzijom Komitenti ...........................................................37
Slika 2.5.3.5. Primjer zvjezdaste šeme ''Prodaja marketinških usluga'' ................................38
Slika 2.5.3.6. Primjer zvjezdaste šeme ''Trajanje marketinškog sadrţaja'' .............................38
Slika 2.5.3.7. Primjer zvjezdaste šeme ''Prodaja'' ..................................................................39
Slika 2.5.3.8. Primjer zvjezdaste šeme za analizu kupaca .....................................................39
Slika 2.5.3.9. Primjer mapiranje dimenzije (Realizacija) ......................................................40
Slika 3.2.1. BA KUPCI_TP- Hijerarhije ...............................................................................47
Slika 4.1.2.2.1. Zvjezdasta šema ............................................................................................54
Slika 4.1.2.3.1. Izvorni modul KUPCI_S ..............................................................................55
Slika 4.1.2.3.2. Objekti ciljnog modula KUPCI_T ................................................................56
Slika 4.1.2.3.3. Objekat i tabela dimenzije Kalendar .............................................................57
Slika 4.1.2.3.4. Objekat i tabela dimenzije CAS ...................................................................57
Slika 4.1.2.3.5. Objekat dimenzije PRODAJNO_MJ ............................................................58
Slika 4.1.2.3.6. Objekat i tabela dimenzije POL ....................................................................59
Slika 4.1.2.3.7.Objekat i tabela dimenzije RACUN ..............................................................59
Slika 4.1.2.3.8. Objekat i tabela dimenzije PREBIVALISTE ...............................................60
Slika 4.1.2.3.9. Objekat i tabela dimenzije STAROSNA_S ..................................................60
Slika 4.1.2.3.10. Objekat i tabela dimenzije ZANIMANJE ..................................................61
Slika 4.1.2.3.11.Tabela ĉinjenice KUPCI ..............................................................................61
Slika 4.1.2.3.12. Zvjezdsta šema za analizu kupaca ..............................................................62
Slika 4.1.2.3.13. Constraint-i nad tabelom ĉinjenice KUPCI ................................................62
Slika 4.1.2.3.14. Materialized view KUPCI_DEM ..............................................................63
Slika 4.1.2.3.15. Pregled sekvenci .........................................................................................63
Slika 4.1.2.3.16. Mapiranja ....................................................................................................64
Slika 4.1.2.3.17. Mapiranje dimenzije CAS ..........................................................................64
Slika 4.1.2.3.18. Mapiranje dimenzije POL...........................................................................65
Slika 4.1.2.3.19. Mapiranje dimenzije PREBIVALIST .........................................................65
Slika 4.1.2.3.20. Prvi join za mapiranje dimenzije PREBIVALISTE ...................................66
Slika 4.1.2.3.21. Drugi join za mapiranje dimenzije PREBIVALISTE .................................67
Slika 4.1.2.3.22. Treći join za mapiranje dimenzije PREBIVALISTE .................................67
Slika 4.1.2.3.23. Mapiranje dimenzije PRODAJNO_MJ ......................................................68
Slika 4.1.2.3.24. Mapiranje dimenzije RACUN ....................................................................68
Slika 4.1.2.3.25. Ulazni mapping parametri dimenzije RACUN ...........................................69
Slika 4.1.2.3.26. Prvi join za mapiranje dimenzije RACUN .................................................69
Slika 4.1.2.3.27. Prvi set operator za mapiranje dimenzije RACUN .....................................70
Slika 4.1.2.3.28. Mapiranje dimenzije ZANIMANJA ...........................................................70
Slika 4.1.2.3.29. Mapiranje ĉinjenice KUPCI .......................................................................71
Slika 4.1.2.3.30. Mapiranje materijalizovanog view-a KUPCI_DEM...................................71
Slika 4.1.3.1. Višedimenzionalni model za analizu kupovne moći kupaca ...........................73
142
Slika 4.1.3.2. Grafiĉka prezentacija modela za analizu kupovne moći kupaca po regionima
...............................................................................................................................................74
Slika 4.1.3.3. Model za analizu polne strukture kupaca po mjestu prebivališta (regionu) .....75
Slika 4.1.3.4. Grafiĉka prezentacija modela za analizu polne strukture kupaca po regionu ..75
i grafiĉka prezentacija ............................................................................................................76
Slika 4.1.3.6. Grafiĉka prezentacija modela za analizu vremenske strukture kupovine po
prodajnom mjestu ..................................................................................................................77
Slika 4.1.3.7. Model za demografsku analizu kupaca po polu i strosnoj kategoriji ...............78
Slika 4.1.3.8. Model za demografsku analizu kupaca po zanimanju i regionu ......................78
Slika 4.1.3.9. Model za analizu kupaca po mjestu prebivališta i mjestu kupovine ................79
Slika 4.2.2.2.1. Zvjezdasta šema ............................................................................................83
Slika 4.2.2.3.1. Organizacija izvornog modula ......................................................................85
Slika 4.2.2.3.2. Organizacija ciljnog modula .........................................................................86
Slika 4.2.2.3.3. Nivoi hijerarhije dimenzije Komitenti ..........................................................86
Slika 4.2.2.3.4. Tabela dimenzije Komitenti- kolone ............................................................87
Slika 4.2.2.3.5. Tabela dimenzije Komitenti- Constraints .....................................................87
Slika 4.2.2.3.6. Dimenzija Kalendar i dimenzija Proizvodi ...................................................88
Slika 4.2.2.3.7. Tabela dimenzije Proizvodi- kolone .............................................................88
Slika 4.2.2.3.8. Dimenzija ProizvoĊaĉi .................................................................................89
Slika 4.2.2.3.9. Tabela dimenzije dimenzija ProizvoĊaĉi – kolone .......................................89
Slika 4.2.2.3.10. Dimenzija Radnje .......................................................................................89
Slika 4.2.2.3.11. Tabela dimenzije dimenzija Radnje – kolone .............................................90
Slika 4.2.2.3.12. Zvjezdasta šema Prodaja.............................................................................90
Slika 4.2.2.3.13. Tabela ĉinjenice Prodaja- kolone ................................................................91
Slika 4.2.2.3.14. Tabela ĉinjenice Prodaja- Constraints ........................................................91
Slika 4.2.2.3.15. Pregled sekvenci .........................................................................................91
Slika 4.2.2.3.16. Mapiranja ....................................................................................................92
Slika 4.2.2.3.17. Mapiranje dimenzije Komitenti ..................................................................92
Slika 4.2.2.3.18. Joiner Mjesto i Komitent ...........................................................................93
Slika 4.2.2.3.19. Mapiranje dimenzije Proizvodi ...................................................................94
Slika 4.2.2.3.20. Mapiranje dimenzije ProizvoĊaĉi ...............................................................94
Slika 4.2.2.3.21. Mapiranje dimenzije Radnje .......................................................................95
Slika 4.2. 2.3.22. Mapiranje tabele ĉinjenica Prodaja ............................................................95
Slika 4.2.2.3.23. Detalji mapiranja tabele ĉinjenica Prodaja .................................................96
Slika 4.2.3.1. Analiza prodatih koliĉina po proizvoĊaĉima, prodajnim mjestima i godinama
...............................................................................................................................................97
Slika 4.2.3.2. Analiza profita po mjesecima i prodajnim mjestima u odabranim godinama..98
Slika 4.2.3.3. Analiza prihoda, profita i troška po proizvodima, prodajnim mjestima,
regionima i godinama ............................................................................................................98
Slika 4.2.3.4. Analiza prihoda po kvartalima.........................................................................99
Slika 4.2.3.5. Analiza prihoda po mjesecima i proizvodima u izabranim godinama ...........100
Slika 4.2.3.6. Analiza prihoda po mjesecima i proizvodima u izabranim godinama ...........101
Slika 4.3.2.2.1. Struktura zvjezdaste šeme: Prodaja marketinških usluga ...........................108
Slika 4.3.2.2.2. Struktura zvjezdaste šeme Trajanje marketinškog sadrţaja ........................110
Slika 4.3.2.3.1. Pikaz strukture dimenzija (Vrijeme, Komitenti i Davalac_usluga) sa nivoima
hjerarhije ..............................................................................................................................112
Slika 4.3.2.3.2. Obiljeţja dimenzije Komitenti ....................................................................113
Slika 4.3.2.3.3. Obiljeţja dimenzije Davalac_usluga ..........................................................113
Slika 4.3.2.3.4. Pikaz strukture dimenzije Realizacija sa hijerarhijama i nivoima hjerarhija
.............................................................................................................................................114
143
Slika 4.3.2.3.5. Obiljeţja dimenzije Realzacija ...................................................................115
Slika 4.3.2.3.6. Zvjezdasta šema Prodaja marketinških usluga ..........................................115
Slika 4.3.2.3.7. Zvjezdasta šema Trajanje marketinškog sadrţaja .......................................116
Slika 4.3.2.3.8. Mapiranje dimenzije Komitenti ..................................................................117
Slika 4.3.2.3.9. Joiner: Povezivanje tabela Mjesto i Komitent ............................................117
Slika 4.3.2.3.10. Mapiranje dimenzije Davalac_usluga ......................................................118
Slika 4.3.2.3.11. Joiner 1: Povezivanje tabela za mapiranje dimenzije Davalac_usluga .....118
Slika 4.3.2.3.12. Joiner 2: Povezivanje tabela za mapiranje dimenzije Davalac_usluga .....119
Slika 4.3.2.3.13. Mapiranje dimenzije Realizacija ..............................................................119
Slika 4.3.2.3.14. Joiner 1: Povezivanje tabela za mapiranje dimenzije Realizacija .............120
Slika 4.3.2.3.15. Joiner 2: Povezivanje tabela za mapiranje dimenzije Realizacija .............120
Slika 4.3.2.3.16. Joiner 3: Povezivanje tabela za mapiranje dimenzije Realizacija .............120
Slika 4.3.2.3.17. Joiner 4: Povezivanje tabela za mapiranje dimenzije Realizacija .............121
Slika 4.3.2.3.18. Joiner 5: Povezivanje tabela za mapiranje dimenzije Realizacija .............121
Slika 4.3.2.3.19. Mapiranje ĉinjenice Prodaja marketinških usluga ....................................122
Slika 4.3.2.3.20. Mapiranje ĉinjenice Trajanje marketinškog sadrţaja ...............................123
Slika 4.3.2.3.21. Struktura ciljnog modula na kraju faze definisanja ..................................124
Slika 4.3.3.1. Analiza procentualnog uĉešća prihoda po gradovima ..................................125
Slika 4.3.3.2. Analiza prihoda po gradovima i kvartalima ............................126
Slika 4.3.3.3. Analiza uĉešća u ukupnim i tekućim prihodima po poslovnim jedinicama i
gradovima. ...........................................................................................................................127
Slika 4.3.3.4. Uporedni pregled stope rasta prihoda po mjesecima .....................................128
Slika 4.3.3.5. Uporedni pregled stope rasta prihoda po kvartalima iz dvije uzastopne godine
.............................................................................................................................................128
Slika 4.3.3.6. Uporedni pregled stopa rasta prihoda po gradovima u dvije uzastopne godine
.............................................................................................................................................129
Slika 4.3.3.7. Pregled ukupnog trajanja reklama po godinama ............................................129
Slika 4.3.3.8. Pregled ukupnog trajanja reklama u drugoj posmatranoj godini po klijentu,
njegovim reklamnim kampanjama i spotovima ...................................................................130
Slika 4.3.3.9. Uĉešće pojedinih vrsta termina emitovanja u ukupnom godišnjem trajanju
reklama ................................................................................................................................130
Slika 4.3.3.10. Pregled trajanja reklama uvremenskoj dimenziji .........................................131
Slika 4.3.3.11. Pregled trajanja reklama za 2006. i 2007. god. po mjesecima .....................132
Slika 4.3.3.12. Pregled trajanja, prihoda i prosjeĉnih cijena emitovanja po mjesecima ......132
Slika 4.3.3.13. Kvartalni pregled trajanja i prihoda od reklamiranja po gradovima ............132
144
Popis tabela
Tabela 1.1.3.1. Razlike izmeĊu transakcionih sistema i sistema poslovne inteligencije .......11
Tabela 4.1.2.2.1. Mart podataka ............................................................................................52
Tabela 4.1.2.2.2. Dimenzije ...................................................................................................53
Tabela 4.1.2.2.3. Matrica Martovi podataka x Dimenzije .....................................................53
Tabela 4.2.2.2.1. Pregled dimenzija......................................................................................84
145
Popis oznaka
BI- Business Intelligence
RDBMS- Relational Database Management System
DBMS- Database Management System
OLTP- On-Line Transactional Processing
OLAP- On-Line Analytical Processing
ROLAP- Relational OLAP
MOLAP- Multidimensional OLAP
DSS- Decision Support Systems
EIS- Executive Information Systems
DW- Data Warehouse
DM- Data Mining
LAN- Local Arrea Network
ETL- Extracting, Transforming and Loading
SQL- Structured Query Language
PL/SQL- Procedural Language/SQL a
HTML- HyperText Markup Language
DDL- Data Definition Language
TCL- Tool Command Language
EUL- End User Layer
BA- Business Area
CRM- Customer Relationship Management
BSC- Balanced Scorecard
HOLAP- Hybrid OLAP
WOLAP - Web-based OLAP
DOLAP - Desktop OLAP
RTOLAP - Real-Time OLAP
SOLAP - Spatial OLAP
OWB- Oracle Warehouse Buider
B2B - Business To Business
B2C - Business To Customer
BPM - Business Pocess Management
HR- Human Resource