Poslovna inteligencija kroz prakticne primjere

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.


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.


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.


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


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:


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.


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.


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


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.


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,


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:


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


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.


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.


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.


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


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


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.


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


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).


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.


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


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:


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.


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


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


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


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,


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


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


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


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


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


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


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.


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.


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


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.


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.


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.


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


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.


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.


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)


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


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


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


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


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


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.


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.


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.


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


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).


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.


64

Slika 4.1.2.3.16. Mapiranja33

Slijedi nekoliko primjera mapiranja

. Slika 4.1.2.3.17. Mapiranje dimenzije CAS34


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.


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.


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


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


69

Slika 4.1.2.3.25. Ulazni mapping parametri dimenzije RACUN42

Slika 4.1.2.3.26. Prvi join za mapiranje dimenzije RACUN43


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


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


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


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.


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.


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


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.


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.


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


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,


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.


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:


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.


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.


83

Analize prihoda u uzastopnim kvartalima.

Analize prihoda po mjesecima, proizvodima u izabranim godinama.


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.


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.


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.


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


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.


88

Slika 4.2.2.3.6. Dimenzija Kalendar i dimenzija Proizvodi63

Slika 4.2.2.3.7. Tabela dimenzije Proizvodi- kolone64


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


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


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


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.


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


94

Slika 4.2.2.3.19. Mapiranje dimenzije Proizvodi76

Slika 4.2.2.3.20. Mapiranje dimenzije ProizvoĊaĉi77


95

Slika 4.2.2.3.21. Mapiranje dimenzije Radnje78

Slika 4.2. 2.3.22. Mapiranje tabele ĉinjenica Prodaja79


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.


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.


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.


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


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.


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.


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.


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


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


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.)


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.


106


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.


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


terminu emitovanja programa


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.


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.


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


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:


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


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.


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.


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


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


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


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.


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


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.


119


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...).


120


Realizacija102

Zatim su izvršena povezivanja sa tabeloma Rpralizacija, Rptermin,

Rpspot i Rpkampanja.


Realizacija103


Realizacija104


121


Realizacija105


Realizacija106

Mapiranje tabele ĉinjenice Prodaja marketinških usluga

(Ostv_emitovanje) prikazano je slikom 4.3.2.3.19.


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.


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.


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.


125


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.


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.


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:


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


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


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


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.


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


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.

http://searchsap.techtarget.com/searchSAP/downloads/McDonald_Chp1.pdf

http://www.cait.wustl.edu/cait/papers/prism/vol1_no1/

http://en.wikipedia.org/w/index.php?title=AI_Magazine&action=edit

http://en.wikipedia.org/wiki/International_Standard_Serial_Number

http://dispatch.opac.ddb.de/DB=1.1/LNG=EN/CMD?ACT=SRCHA&IKT=8&TRM=0738-4602

http://en.wikipedia.org/w/index.php?title=Special:Booksources&isbn=026208290X

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.

http://www.masmedia.hr/proizvod.asp?id_proizvoda=35&id_projekta=1&id_stranice=76

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

http://www.gartner.com/

http://www.dwinfocenter.org/defined.html

http://www.gradst.hr/katedre/ortegr/nastava_knezic/dss.htm

http://www.sdgcomputing.com/glossary.htm

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

http://www.dmreview.com/article_sub.cfm?articleId=1313

http://www.crnarupa.singidunum.ac.rs/Godina%202009%20-%202010/FTHM/Informacioni%20sistemi%20u%20turizmu%20i%20hotelijerstvu%20-%20prof.%20dr%20A.%20Njegu%C5%A1%20i%20mr%20Dalibor%20Radovanovi%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 4.3.2.3.19. 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

Documents

Poslovna inteligencija kroz prakticne primjere