Bankovní institut vysoká škola Praha. Uplatnenie nástrojov Business Intelligence v SQL Serveri 2012

Transcription

1 Bankovní institut vysoká škola Praha zahraničná vysoká škola Banská Bystrica Katedra kvantitatívnych metód a informatiky Uplatnenie nástrojov Business Intelligence v SQL Serveri 2012 Application of Business Intelligence tools in SQL server 2012 Diplomová práca Autor: Bc. Daniel Hrebík Informační technológie a manažment Vedúci práce: Ing. Jolana Gubalová, PhD. Banská Bystrica Máj 2015

2 Vyhlásenie: Vyhlasujem, že som diplomovú prácu spracoval samostatne a s použitím uvedenej literatúry. Svojím podpisom potvrdzujem, že odovzdaná elektronická verzia práce je identická s jej tlačenou verziou a som oboznámený so skutočnosťou, že sa práca bude archivovať v knižnici BIVŠ a ďalej bude sprístupnená tretím osobám prostredníctvom internej databázy elektronických vysokoškolských prác. V Banskej Bystrici dňa Bc. Daniel Hrebík 2

3 Poďakovanie: Ďakujem Ing. Jolane Gubalovej, PhD, za cenné rady a pripomienky, ktoré významným spôsobom napomohli pri písaní práce. 3

4 Anotácia Bc.HREBÍK, Daniel: Uplatnenie nástrojov Business Intelligence v SQL Serveri [Diplomová práca]. Bankovní institut vysoká škola Praha, zahraničná vysoká škola Banská Bystrica. Katedra kvantitatívnych metód a informatiky. Vedúci práce: Ing. Jolana Gubalová, PhD. Rok obhajoby: Počet strán: 76. Diplomová práca sa zaoberá uplatnením nástrojov Business Intelligence v podnikovej praxi na analýzu údajov potrebných pri tvorbe manažérskych rozhodnutí. V úvodnej časti definuje základné pojmy spojené s Business Intelligence a opisuje základné platformy a nástroje Business Intelligence. V praktickej časti sa zameriava na konkrétny podnik hypermarket, a pri analýze údajov z jeho informačného systému využíva analytické nástroje Business Intelligence v programovom prostredí Microsoft SQL Server Management Studio 2010 a Microsoft Visual Studio Najväčší priestor venuje vlastným Business Intelligence riešeniam (od návrhu, cez implementáciu až po nasadenie) postaveným na základe OLAP technológii a ďalších nástrojov Business Intelligence. Kľúčové slová: Business Inteligence, dátový sklad, OLAP, MS Excel 4

5 Annotation Bc.HREBÍK, Daniel: Application of Business Intelligence tools in SQL Server (Diploma thesis) Bankovní institut vysoká škola Prana, zahraničná vysoká škola Banská Bystrica. Katedra kvantitatívnych metód a informatiky. Thesis supervisor: Jolana Gubalová, PhD. Year of thesis defense: Number of pages: 76. Diploma thesis deals with application of Business Intelligence tools in business practice that are used for the analysis of data which are necessary in case of creation of managerial decisions. In introductory part, it defines basic terms that are connected with Business Intelligence and also describes basic platforms and tools of Business Intelligence.In practical part, it focuses on specific enterprise hypermarket, and during analysis of its data from his information system it uses analytical tools of Business Intelligence in programming environment of Microsoft SQL Server Management Studio 2010 a Microsoft Visual Studio The largest part covers its own Business Intelligence solutions that are based on OPAP technology and other tools of Business Intelligence. Key words: Business Intelligence, data inventory, OLAP, MS Excel 5

6 Obsah OBSAH... 6 ÚVOD BUSINESS INTELLIGENCE Podstata a vymedzenie business intelligence História a vývoj Business Intelligence Business Intelligence základné prvky a princípy OLAP technológie a multidimenzionalita údajov Základné prvky Business Intelligence Databázové komponenty pre ukladanie dát Nástroje pre koncového používateľa - prezentačná vrstva Platformy Business Intelligence SAP SAS IBM Microsoft Microstrategy Oracle Dátové vrstvy Business Intelligence Zdroje dát ETL (Extraction, Transformation and Loading) Dátový sklad (Data Warehouse - DWH) Analytické nástroje Reporting Ad hoc reporting OLAP Data Mining ANALÝZA VYBRANEJ SPOLOČNOSTI Organizačná štruktúra analyzovanej spoločnosti Ekonomická sekcia Sekcia obchodu Popis informačného systému spoločnosti Ekonomický informačný systém

7 2.2.2 Informačný systém maloobchodu Maloobchodná predajňa - MOP Kasa druhová - KASA Analýza technického vybavenia a informačného systému Analyzovanie dát Obsah, forma a štruktúra zdrojových dát Analýza zdrojových dát podľa obsahu informácií v nich uložených NÁVRH BUSINESS INTELLIGENCE ANALÝZY Databázové súbory pouţité pri tvorbe OLAP kocky Pripojenie a definovanie štruktúry databázy Vytvorenie OLAP kocky z dátového skladu Vytvorenie projektu Pripojenie zdroju dát Zobrazenie zdrojových dát OLAP kocka Hypermarket Naplnenie kocky Analýza údajov z OLAP kocky Vytvorenie prehľadu tržieb podľa oddelení analyzovaných rokov Analyzovanie tržieb podľa jednotlivých mesiacov, rokov a oddelení Prehľad položiek podľa jednotlivých oddelení za analyzované roky Sekcia potraviny Sekcia Textil Analýza tržieb Analýza hrubého zisku Porovnanie tržieb a hrubého zisku ZÁVER ZOZNAM POUŢITEJ LITERATÚRY ZOZNAM OBRÁZKOV ZOZNAM TABULIEK PRÍLOHY

8 Úvod Cieľom diplomovej práce je vysvetliť pojem Business Intelligence (BI) a popísať možnosti jeho využitia pri analýze údajov získaných z informačných systémov spoločností a následné uplatnenie výsledkov analýz v procese rozhodovania na podporu manažérskych rozhodnutí. Na jednej strane sú pod pojmom BI zahrnuté výkonné analytické a prezentačné nástroje, ktoré slúžia pre vyhodnotenie historických alebo aktuálnych dát a predikciu budúceho vývoja danej firmy či trhu. Na strane druhej však BI nepredstavuje iba sofistikované systémy pre podporu rozhodovania, ale zahŕňa aj nástroje, s ktorými pracuje bežný používateľ osobného počítača - napr. program MS Excel. Okrem toho sa väčšina koncových BI nástrojov vyznačuje značnou používateľskou prívetivosťou a intuitívnosťou, bez nutnosti hlbších znalostí programovacích jazykov. V rámci tejto diplomovej práce uvedieme stručný prehľad vývoja BI a predstavíme najrozšírenejšie produkty z tejto oblasti. Prvá kapitola je zameraná na vymedzenie základných pojmov spojených s Business Intelligence, jeho podstatu, základné prvky, taktiež rozoberieme dátové vrstvy a na konci prvej kapitoly si ozrejmíme platformy a nástroje BI. Druhá kapitola vysvetľuje všetko o danom podniku, čím sa zaoberá a následne rozoberieme dáta, ktoré budeme vyhodnocovať a pracovať s nimi. V tretej kapitole, ktorá pozostáva z praktickej časti, sa zameriame na konkrétny podnik hypermarket, a pri analýze údajov z jeho informačného systému budeme využívať analytické nástroje BI v programovom prostredí SQL Server Management Studio 2010 a Microsoft Visual Studio Najväčší priestor potom venujeme vlastným BI riešeniam (od návrhu, cez implementáciu až po nasadenie) postaveným na základe OLAP technológií a ďalších nástrojov Business Intelligence. Výsledné dáta budú zobrazené v programe MS Excel a za pomoci kontingenčnej tabuľky budú vytvorené analýzy údajov z hypermarketu za dva sledované roky. Prínosom budú agregované údaje s hospodárskymi výsledkami, ktoré budú dostupné manažérom hypermarketu. 8

9 1 Business Intelligence Business Intelligence zahŕňa procesy zberu a analýzy dát, technológie používané pri týchto procesoch a informácie získané z týchto procesov za účelom podpory rozhodovania spoločnosti. (Conolly, a iní, 2009) Business intelligence je označenie pre aplikácie informačných technológií, ktoré slúžia na zber, normalizáciu, analýzu, prezentáciu a interpretáciu rôznych druhov dát a taktiež na analýzu údajov o vývoji v spoločnosti alebo podnikových procesov. Najdôležitejším poslaním business intelligence systémov je podpora procesov rozhodovania a plánovania v rôznych oblastiach podnikového manažmentu. Business Intelligence systémy sú nazvané niekedy aj ako systém na podporu rozhodovania v anglickom jazyku, to poznáme pod názvom Decision Support Systems. Business Intelligence definujeme ako aplikačný software využívaný v organizáciách, podnikoch a firmách pre podporu procesov rozhodovania, ktoré tu prebiehajú. Počas procesu dochádza k transformácií veľkého množstva dát na informácie, poznatky a znalosti užitočné pre koncového používateľa. Je zhrnutie najlepších postupov, procesov a technológií, ktoré tieto procesy rozhodovania podporujú.(rockoff, 2011, s.45) 1.1 Podstata a vymedzenie business intelligence Než pristúpime k vlastnému rozboru vývoja Business Intelligence (BI), osvetlíme si samotný pojem. Čo termín business intelligence vlastne znamená, aká je jeho definícia a či má tento termín slovenský ekvivalent. V prvom rade treba povedať, že čeština pre tento termín nenašla (ešte) zodpovedajúci výstižný preklad a tak sa toto slovné spojenie používa vo svojej anglickej (pôvodnej) podobe a toho sa pridrží aj táto diplomová práca. Čo sa týka samotnej definície pojmu business intelligence, medzi najpresnejšie a najfrekventovanejšie definície patria: Definícia z "The Data Warehousing Institute", ktorú možno preložiť: Business intelligence zjednocuje dáta, technológie, analytikov a ľudské vedomosti za účelom optimalizácie obchodných rozhodnutí pre konečné dosiahnutie podnikového úspechu. BI programy zvyčajne kombinujú podnikové dátové sklady a BI platformu či sadu nástrojov za účelom transformovať dáta do využiteľných obchodných informácií, 9

10 Ďalšia významná definícia pochádza od spoločnosti Gartner, Inc., opäť voľne preložené: Business intelligence je zastrešujúci pojem, ktorý zahŕňa aplikácie, infraštruktúru, nástroje a najlepšie postupy, ktoré umožňujú prístup k informáciám a ich analýzu za účelom zlepšiť a optimalizovať rozhodovanie a výkonnosť. Posledná charakteristika BI o ktorej sa tu zmienim, opisuje Business Intelligence ako sadu procesov, aplikácií a technológií, ktoré sú postavené na multidimenzionálnom pohľade na podnikové dáta a podporujú rozhodovacie, analytické a plánovacie činnosti v podniku. (Novotný, 2005, s. 25) Z vyššie uvedených definícií je zrejmé, že každá z nich kladie dôraz na trochu iné aspekty BI, čo je jedným z hlavných dôvodov prečo neexistuje jednotná definícia pre tento pojem. Avšak si myslím, že všetci chápu BI ako súbor techník, metód a nástrojov, ktoré v kombinácii s veľkým objemom kvalitných dát, poskytujú podporu pre riadiace činnosti podniku. Ku každému zmysluplnému rozhodnutiu bolo, je a bude potrebné čo najviac kvalitných dát, ktoré musíme určitými spôsobmi získať. Tieto dáta je potom potrebné bezpečne uchovávať. Ďalej je potrebné analyzovať, prezentovať a na základe uskutočnených analýz a rozborov sa riadnym spôsobom rozhodnúť. Pokiaľ však nebudeme BI nástroje a postupy spájať iba s rozvojom výpočtovej techniky, ale s ich účelom, mám za to, že ich potreba a používanie je stará ako ľudstvo samo. V každom historickom období existovali najlepšie možné dostupné techniky, postupy a metódy, ktoré zabezpečili zber, uchovanie, spracovanie a prezentáciu relevantných dát a informácií potrebných pre rozhodovanie. Až s rozvojom výpočtovej techniky v druhej polovici 20. storočia došlo k zjednoteniu všetkých týchto techník, postupov a nástrojov, slúžiacich k podpore rozhodovania, pod súhrnný termín BI História a vývoj Business Intelligence Business intelligence ako pojem existuje a to od roku 1989, keď ho zaviedol Howard J. Dresner, analytik spoločnosti Gartner Group. Samozrejme princípy, ktoré smerovali k pomenovaniu, sa začali formovať už na konci 70. rokov v oblasti rozvoja online zapracovávania dát. V druhej polovici 80. rokov prišli na americký trh produkty nazývané ako EIS (Executive Information Systém), ktoré boli založené na multidimenzionálnom uložení a zapracovaní dát. Na prelome 80. a 90. rokov

11 storočia sa v USA začala rozmáhať tendencia používania dátových skladov a dátových trhovísk. Zlúčenie všetkých týchto princípov znalostí a technológií dostalo v roku 1989 názov Business Intelligence. (Gála, Pour, Toman, 2006, s.80). Avšak stopy termínu BI, v kontexte podpory obchodného rozhodovania, možno vysledovať do začiatku druhej polovice minulého storočia. História a vývoj BI sú pevne späté s vývojom v oblastiach IT a predovšetkým tiež s rozvojom databázových systémov. So vznikom prvých informačných systémov a manažérskych aplikácií v 70. rokoch 20. storočia, ktoré poskytovali len malý priestor pre implementáciu podľa individuálnych potrieb, sa vynoril rad problematických oblastí týkajúcich sa dát: Rozmiestnenie dát, Ich zlá dostupnosť a absencia popisu, čiže meta dát, Veľká chybovosť a nedostatočné dátové transformácie. Pri riešení týchto problémov sa začali objavovať nástroje, pre ktoré sa neskôr začal používať súhrnný názov BI. Na vznik a rozvoj relačných databáz a unixových systémov nadväzuje vývoj centrálnych dátových úložísk - dátových skladov (Data Warehouse). Začiatok budovania dátových skladov spadá do 80. rokov 20. storočia a za zakladateľa je považovaný William H. Inmonen, ktorý prvýkrát a jasne sformuloval tento termín a opísal jeho architektúru. Dátový sklad predstavuje centrálne integrované, stále a časovo rozlíšiteľné úložisko rozličných firemných dát, pričom slovom stále sa rozumie ako existencia dát v dátovom sklade, v nezmenenej podobe, po celú dobu jeho existencie. Termínom časovo rozlíšiteľné dáta rozumieme také dáta, ktoré sú ukladané v časovom kontexte, čiže obsahujú časové dimenzie. Dátový sklad je určený pre analytickú podporu rozhodovania a zahŕňa okrem dát aj nástroje pre ich vytiahnutie, analýzu, reporting a data mining, čiže dolovania dát.(inmon, 2005,s.50). Prezentácia dát je cielená na manažment danej firmy a to čo užívateľsky najprívetivejšiou formou. Rozvoj dátových skladov a vznik viacrozmerného dátového modelovania má za následok vznik nástrojov na ad-hoc analýzy dát nad databázami v reálnom čase - "On-Line Analytical Processing" (OLAP). Vlastnosti OLAP nástrojov definoval Edgar T. Codd (tiež vynálezca relačného modelovanie) na základe dvanástich pravidiel. Avšak pre svoju zložitosť, kontraverziu a jednostranné 11

12 zameranie sa príliš neujala. Namiesto toho sa používa alternatívny opis čiže test "Fast Analysis of Shared Multidimensional Information" (FASMI), s ktorým prišiel Nigel Pendse z vtedajšieho OLAP reportu (teraz BI Verdict). Na základe tohto testu označujeme termínom OLAP tie nástroje, ktoré spĺňajú nasledujúce vlastnosti : FAST - rýchla odozva v poriadku niekoľkých sekúnd. ANALYSIS - podpora relevantných analytických operácií podľa potrieb užívateľa. SHARED - komplexná správa prístupových práv. Multidimensional - kľúčová požiadavka. Multidimenzionálne pohľady na dáta s plnou podporou viacnásobných hierarchií. INFORMATION - získať z dát potrebné informácie. Táto požiadavka je však ďaleko relevantnejšia pre aplikácie, ako pre nástroje. S OLAP technológiami sa môžeme v prípade riešenia databáz stretnúť v niekoľkých rozličných podobách. Medzi najfrekventovanejšie termíny patrí [04]: MOLAP (Multidimensional OLAP) - jedná sa o uloženie dát v multidimenzionálnych OLAP kockách, ROLAP (Relational OLAP) - zaisťuje multidimenzionalitu dát v relačných databázach, HOLAP (Hybrid OLAP) - kombinuje multidimenzionálne a relačné databázy tým spôsobom, že dáta sú uložené v relačnej a agregácie v multidimenzionálnej databáze, DOLAP (Desktop OLAP) - využitie nachádza predovšetkým pre mobilné aplikácie, kedy užívateľom umožňuje stiahnuť si žiadanú podmnožinu multidimenzionálnej kocky na lokálne zariadenia a následné analytické operácie vykonávať už nad touto lokálnou kockou. Postupom času, ako rástol objem zbieraných dát a zložitosť ich analýz, vznikla potreba "vyťažených", ukrytých (pritom však užitočných) informácií z obrovského množstva zozbieraných dát. Táto potreba dala vznik nástrojom, ktoré túto problematiku riešia a sú súhrnne označované ako Data Mining. Dnes týmto termínom označujeme prakticky všetky nástroje a postupy na spracovanie štatistických dát tak, aby bolo možné modelovať, predvídať a plánovať vývoj na základe stanovených ukazovateľov. (Arnošt, 2007, s.15) 12

13 Vždy je však potrebné mať na pamäti, že nevyhnutným predpokladom úspešného dolovania sú správne údaje. V okamihu keď sa na trhu zabývali Customer Relationship Management (CRM) systémy a stali sa súčasťou informačného prostredia v podstate všetkých väčších firiem, začali sa do nich začleňovať aj BI nástroje. Spoločne tak dokážu lepšie spoznať, popísať, pochopiť a predvídať potreby či túžby zákazníkov a napomáhajú tak úspešnému presadeniu a udržaniu spoločností na danom trhu. V súčasnej dobe sú BI nástroje prítomné v menšej či väčšej miere prakticky vo všetkých firemných informačných prostrediach, bez ohľadu na odbor podnikania danej spoločnosti Business Intelligence základné prvky a princípy Vymedzením základných Business Intelligence princípov riešení BI budeme vychádzať za pomoci porovnávania základných definícií a tie rozdeľujeme na: Transakčné systémy pracujúce s operatívnymi informáciami. Analytické systémy pracujúce s informáciami potrebnými na analýzu dát. Operatívne informácie môžeme definovať aj ako informácie slúžiace na realizovanie obchodných, prípadne rôznych iných transakcií v podniku. Na uloženie transakčných informácií sa najčastejšie používajú relačné databázy a zobrazujú aktuálny stav podniku. Štruktúra databázy tohto typu sa môže v podniku počas dňa aj niekoľko krát zmeniť. Príkladom môže byť napr. účtovníctvo, dáta v dokumentoch obchodných prípadov a pod. Systémy transakčných databáz realizujú ich spracovanie v reálnom čase a označujú sa ako systémy OLTP (On Line Transaction Processing). OLTP dáta sa vo vzťahu k analytickým aplikáciám chápu ako primárne, zdrojové alebo produkčné. Systémy online transaction processing pracujú s analytickými informáciami a využívajú primárne dáta. Pod definíciou OLAP v súčasnosti chápe ako pojem, ktorý slovom znamená online transaction proccessing. OLAP je informačná technológia založená predovšetkým na multidimenzionálnych databázach, ktorej hlavným princípom tejto technológie je multidimenzionálna tabuľka, ktorá používateľom umožňuje veľmi rýchlo a flexibilne meniť jednotlivé dimenzie a pohľady a pomáhajú modelovať ekonomickú realitu spoločnosti. 13

14 Charakteristické vlastnosti systémov BI, resp. analytických systémov, a systémov OLTP (transakčných systémov) sú značne rozdielne systémy BI na rozdiel od systémov OLTP. (Novotný, 2005, s.21) Základné charakteristické vlastnosti sú: OLTP systémy pracujúce s dátami na základe vstupov získaných z poskytnutých primárnych dát. Základným rozdielom je ukladanie dát, kde Business Intelligence využíva ukladanie v multidimenzionálnych databázach a opakom sú OLTP systémy, ktoré využívajú ukladanie v relačných databázach. Agregácie dát obsahujú rôzne úrovne podľa hierarchickej štruktúry dimenzií, ktoré systémy OLTP nemajú. Veľmi dôležitý je časový faktor ktorý zachytávajú a tak umožňujú realizovať časové rady, časové porovnávanie a je možné predpokladať vývoj sledovaných ukazovateľov. Pre dáta analytického typu nie je vhodné, aby boli ukladané v relačných databázach, ktoré sú typické pre transakčné systémy. Analytické systémy môžu poskytovať rôzne pohľady, prehľady a analýzy, ktoré slúžia na strategické rozhodovanie v podniku, preto je dôležité, aby bolo možné sa na dáta pozerať z viacerých hľadísk súčasne, a na to slúžia multidimenzionálne pohľady. Tieto pohľady sú využívané koncovým používateľom páve preto, že je nemožné dáta analyzovať zo zdrojových dát. V analytických systémoch oproti transakčným, je podstatné urýchlené a automatizované ukladanie dát do prehľadných tabuliek a grafov. Multidimenzionálne technológie môžeme charakterizovať ako databázy, ktoré sú optimalizované a prispôsobené na interaktívne ukladania dát v multidimenzionálnych tabuľkách OLAP technológie a multidimenzionalita údajov Multidimenzionálne databázy a výhody zavádzania týchto technológií sú rýchlosť spracovania dát a efektívne analýzy v multidimenzionálnych tabuľkách. Všetky analyzované dáta slúžia potrebám manažmentu a ich požiadavky sú väčšinou dané z viacerých hľadísk, resp. dimenzií čo so sebou súčasne prináša i požiadavku na optimalizované fyzické ukladanie dát, pričom väčšinou ide o dáta historické, agregované, priebežne rozširované a ukladané v jednoduchej štruktúre vhodnej pre analýzy. (Čarnický, 2010, ) 14

15 Business Intelligence riešenia a základné princípy: ako zdroj dát slúžia primárne dáta z transakčných systémov aplikácie, ktoré sú orientované výlučne na analytické a plánovacie potreby používateľov, nie na transakcie, dáta sú uložené multidimenzionálne (multidimenzionálne uloženie dát), dimenzie majú väčšinou hierarchickú štruktúru, ktorej zodpovedajú agregačné funkcie v aplikáciách, dáta sú v databáze ukladané s časovým rozlíšením, aktualizácia dát sa uskutočňuje periodicky, najbežnejšie v denných a mesačných intervaloch, do multidimenzionálnej databázy sa ukladajú iba dáta relevantné pre analýzy, teda nie všetky detailné atribúty transakcií. Všetky uvedené základné princípy riešení BI sú dôležité, ale najdôležitejším z nich je princíp multidimenzionálneho uloženia dát. Tento princíp znamená, že aplikácie BI sú založené na niekoľkodimenzionálnej tabuľke umožňujúcej veľmi rýchlo a pružne meniť jednotlivé dimenzie a ponúkať tak používateľovi rôzne pohľady na modelovanú ekonomickú realitu, pričom ide v podstate o princíp ndimenzionálnej Rubikovej kocky naplnenej najdôležitejšími podnikovými dátami. 1.2 Základné prvky Business Intelligence Business Intelligence predstavuje špecifický typ úloh informatiky, ktoré takmer výlučne podporujú analytické, plánovacie a rozhodovacie činnosti podniku a organizácií a sú postavené na princípoch, ktoré práve týmto činnostiam najviac odpovedajú. (Jan Pour, 2009, s.180) Neexistuje žiadna jednotná štruktúra Business intelligence riešení komponentov. Pri každom riešení sa môžu využívať viaceré komponenty. Usporiadanie komponentov Business Intelligence sa môže meniť v závislosti od konkrétnej situácie a potrieb daného zákazníka alebo podniku. Tým chceme povedať že riešenia môžu byť od tých najjednoduchších po riešenia najkomplexnejšie, ktoré sú potom technologicky, finančne a pracovne najnáročnejšie. Vývojom tejto technológie sa postupom času zjednotila všeobecná koncepcia architektúry riešení Business Intelligence. Vrstva pre extrakciu, transformáciu, čistenie a nahrávanie dát môžeme pomenovať aj ako komponenty dátovej 15

16 transformácie. Oblasť, ktorá zahŕňa zber a prenos dát zo zdrojových systémov do vrstvy pre ukladanie dát, obsahuje tieto komponenty ETL: 1 Extract homogénnych alebo heterogénnych dátových zdrojov. 2 Transform - transformuje dáta pre ich ukladanie v správnom formáte, alebo štruktúre pre účel analýzy. 3 Load - načítanie do konečného stavu (databázy, úložisko dát, dátové trhovisko alebo dátový sklad). ETL sa v jednoduchosti nazýva ako aj systémy na extrakciu, transformáciu a prenos dát, ďalej poznáme aj systémy EAI, ( Enterprise application integration) alebo systémy na integráciu aplikácií. Organizácie, ktoré chcú využiť všetky interne vytvárané dáta, potrebujú zjednotiť veľké objemy informácií rozprestretých v rôznorodých systémoch do jednej a konzistentnej sady. Vďaka službám, ktoré sú k dispozícií na platforme Business Intelligence, môžu oddelenia IT vybudovať výkonné aplikácie na analýzu dát a pritom konsolidovať podnikové informácie do jediného analytického systému. Funkcie BI zahrňujú tri komponenty, ktoré organizácie umožňujú: Integrovať, filtrovať a transformovať dáta z viac zdrojov. Vytvárať ad hoc alebo automatizované zostavy. Poskytnúť výkonné nástroje na skúmanie a analýzu dát. Hľadať vo veľkých objemoch dát vzory optimalizácie podnikových procesov. (Hotek, 2009,s.45) Databázové komponenty pre ukladanie dát Databázové komponenty pre ukladanie dát zabezpečujú procesy pre ukladanie, aktualizácie a správy dát v prostredí BI. Obsahuje tieto komponenty: Dátové sklady ( Data Warehouses ), Dátové trhoviská ( Data Marts ), Operatívne dátové úložiská (Operational Data Stores), Dočasné úložiská dát (Data Staging Areas). Analýzu dát zabezpečuje vrstva pre analytické komponenty, ktorej činnosti sú spojené s vlastným sprístupnením dát a analýzou dát. Komponenty, ktoré táto vrstva obsahuje, sú nasledovné: Reporting - dotazovací proces. 16

17 Systémy On Line Analytical Processing. Dolovanie dát (Data Mining). Obrázok 1: Koncepcia architektúry Business Intelligence Zdroj : (Lacko, 2009, s.23) Nástroje pre koncového pouţívateľa - prezentačná vrstva Prezentačná vrstva zabezpečuje komunikáciu koncových používateľov s ostatnými komponentmi riešenia BI, teda najmä zber požiadaviek na analytické operácie s následnou prezentáciou výsledkov, nazývame ich ako EIS Executive Information Systems, ktoré môžeme definovať ako aj riadiace informačné systémy. (Čarnický, ) Vrstva odborovej znalosti, ktorú môžeme nazvať ako know-how, obsahuje tzv. najlepšie skúsenosti nasadzovania riešení BI pre konkrétnu situáciu v podniku. Business Intelligence využívajú aplikácie komponentov správu a transformáciu s dátami, medzi ktoré patria nasledovné : Programovacie a technické znalosti nazývané ako aj technická znalosť, sú závislé schopnosti implementačného tímu. Dátovú kvalitu zabezpečujú nástroje dátovej kvality, ktoré majú za úlohu verifikáciu dát a zaistenie správnosti dát, aby presne zodpovedali realite. 17

18 Spravovanie metadát, ktorých úlohou je popisovať a dokumentovať systém a prebiehajúce procesy. (Vorísek, 2010, s. 50) Obrázok 2 : Hlavné komponenty BI a ich väzby v riešení BI Zdroj: (Lacko, 2009, s.25) Systém riadenia bázy dát a jeho komponenty: Jazyk na definovanie údajov. Jazyk na manipuláciu s údajmi. Jazyk na riadenie prístupov používateľov k údajom. Údajový slovník. Business Intelligence aplikácie, nástroje, i-technológie a všetky uvedené komponenty spoločne tvoria jej architektúru. V praxi sa stretávame s tým, že tieto nástroje sú do určitej miery integrované a taktiež môžeme sledovať že v určitých podmienkach sa stretávame s implementáciami kombinácie týchto technológií. Pre používateľov, vďaka integrácii jednotlivých úloh, by mala byť práca priehľadná. Ideálna situácia je, keď používateľ používa jeden koncový nástroj alebo kombináciu viacerých nástrojov, ale používa iba jedno používateľské rozhranie, v ktorom pracuje s dotazmi. Je potrebné zdôrazniť, že nie je podstatná technológia, ktorá je pritom používaná, čiže používateľ nemusí ovládať to, či pracuje s dátovým skladom, produkčnou databázaou alebo s multidimenzionálnymi databázami, a pod. 18

19 Požiadavky používateľov sú dnes podporované existenciou rôznych produktov, ktoré zabezpečujú funkčnosť väčšiny úloh Business Intelligence a používajú jednotné používateľské rozhranie koncových nástrojov. Business Intelligence aplikácie sú integrované so všetkými aplikáciami a nástrojmi v architektúre informačného systému. Hovoríme hlavne o produktoch systémov: OIS (Office Information Systems), CRM (Customer relationship management) podnikových portáloch, e-business. Office Information Systems sú systémy používané na podporu kancelárskych prác a tímovú prácu. Používajú sa v systémoch Business Intelligence na využívanie jednotného rozhrania na tvorenie vnútropodnikových reportov. Zhrnutie chápania komponentov BI sa dá definovať ako kombinácia najrôznejších komponentov, pričom jeho konkrétna podoba, rozsah a zložitosť je založená na potrebách podniku alebo organizácie, to znamená že neexistuje štandardné riešenie komponentov systému Business Intelligence. Medzi komponenty Business Intelligence v najširšom chápaní zahrňujeme: produkčné a zdrojové systémy, väčšinou transakčného charakteru, vytvárajúce z pohľadu BI zdrojové databázy (tieto systémy tak nie sú priamym komponentom riešení BI, iba zdrojom dát), ETL, dátové pumpy, zabezpečujúce výbery, transformácie a ukladanie dát medzi produkčnými databázami a DSA, ODS, dátovým skladom a dátovými trhoviskami, integračné nástroje (EAI), pre on-line, okamžité aktualizácie dátového skladu, umožňujúce tzv. dátové sklady v reálnom čase, dočasné úložiská dát (DSA,) pre okamžité uloženie dát a ich úpravy pred transformáciou do dátového skladu, operatívne úložiská dát (ODS), s aktuálnou snímkou dát, určené pre operatívne dotazy, dátové sklady, ktoré sú celopodnikového charakteru, 19

20 dátové trhoviská orientované na vybrané útvary, (divízie a pod.) alebo oblasti riadenia podniku, databáza OLAP zahrňujúca jednu, alebo niekoľko kociek OLAP, charakteristických agregovanými údajmi a krátkou dobou odozvy, nástroje na reporting, na generovanie výstupných prehľadov, správ a pod., manažérske aplikácie (EIS), používateľské aplikácie nad dátovými skladmi alebo kockami OLAP, nástroje na dolovanie dát pre realizáciu zložitých a obtiažne štruktúrovaných analýz, nástroje na zabezpečenie dátovej kvality, nástroje na správu metadát, systémy na podporu rozhodovania (DSS) a expertné systémy (ES). Z uvedených komponentov majú mimoriadny význam dátové sklady. Preto budeme podrobnejšie skúmať podstatu a hlavné vlastnosti dátového skladu. V súčasnej dobe sa dátový sklad (DWH - Datawarehouse) stáva centrálnym prvkom ukladania dát v informačnom systéme podniku. Z primárnych transakčných častí informačného systému, v súčasnosti reprezentovanými väčšinou riešeniami ERP, sú dáta prenášané pomocou transformačných algoritmov do dátového skladu a z neho sú potom čerpané dáta do jednotlivých manažérskych aplikácií. Dátový sklad možno definovať mnohými spôsobmi. Za základ však budeme považovať definíciu jedného zo zakladateľov Data Warehouse. Dátový sklad je predmetovo orientovaný, integrovaný, v čase organizovaný a trvale uložený súhrn dát, slúžiacich na podporu rozhodovania. Ako vyplýva z uvedeného vymedzenia, hlavnými vlastnosťami dátového skladu sú: Predmetová orientácia, ktorú definujeme tak, že dáta sú uchovávané podľa ich typu, nie podľa aplikácií v ktorých vznikli. Ide teda o prípad, keď sú dáta o pracovníkovi uložené len raz, a to v jednej databáze dátového skladu, kým v produkčnom systéme bývajú rozptýlené do rôznych súborov podľa toho, pre ktorú aplikáciu majú byť použité. Predmetová orientácia dátového skladu spôsobuje, že časť dát, ktorá je obsiahnutá v transakčnej vrstve TPS informačného systému, nie je do neho vôbec začlenená. 20

21 Integrované dáta sú ukladané v rámci celého podniku a nie iba v rámci jednotlivých oddelení. Dáta, ktoré vstupujú do dátového skladu z rôznych častí informačného systému, sa ukladajú do koherentného celku, to znamená, že napr. všetky miery sú prevedené na rovnakú mernú jednotku, váhy na rovnakú váhovú jednotku a pod. Prípadne, súčasťou dátového skladu sú postupy, ktoré umožnia podľa potreby odvodiť príslušnú požadovanú jednotku podľa potrieb manažérov. (Čarnický, ) Časová organizácia. Uskutočňuje vykonávanie analýz za určité obdobia a je nutné, aby bola uložená aj história dátového skladu. Dáta by mali obsahovať taktiež informácie o dimenzii času. Dáta sú do dátového skladu ukladané v istých, vopred stanovených a pravidelných časových periódach a predstavuje v skutočnosti snímku dátovej základne v určitej časovej rovine. Všetky dáta, ktoré sú do dátového skladu ukladané, sú teda presné iba k tomuto okamihu. Ich presnosť úzko súvisí s aktualizačnou stratégiou dát v dátovom sklade. Táto stratégia určuje periodicitu aktualizácie dát pomocou pripravených procedúr - stanoví okamih, keď je vytváraná časová snímka dátovej základne, a keď začínajú všetky procesy spojené s prenosom dát, ich čistením, agregáciou, transformáciou a aktualizáciou dátového skladu. Trvalosť uloženia dát (Stálosť). Táto hlavná vlastnosť dátového skladu znamená neustále ukladanie ďalších a ďalších dátových záznamov bez toho, aby boli dáta z dátového skladu odstraňované. Dáta v dátovom sklade teda nemôžu byť prepisované záznamy do neho iba pribúdajú bez ohľadu na to, či došlo k ich zmene alebo nie. To robí z dátového skladu statické prostredie. Dátové sklady sú koncipované ako Read Only, čo znamená, že tu žiadne dáta nevznikajú ručným záznamom, a nie je možné ich ani žiadnymi používateľskými nástrojmi meniť. Dáta sú do dátového skladu načítané z operatívnych databáz alebo iných externých zdrojov a existujú tu po celú dobu života dátového skladu. (Čarnický, ) Posledná vlastnosť, trvalosť uloženia dát, je zrejme dlhodobo nesplniteľná, lebo napriek neustále rastúcej kapacite výpočtovej techniky sa skôr alebo neskôr kapacita dátového skladu zaplní a potom je nutné staršie dáta z dátového skladu presunúť do archívu. Technológia dátových skladov predstavuje v súčasnej dobe jeden z najvýznamnejších trendov v rozvoji podnikových informačných systémov. Dátový 21

22 sklad je obvykle v podniku jeden, a preto predstavuje rozhodujúci centrálny prvok pre ukladanie dát.(čarnický, ) 1.3 Platformy Business Intelligence O stave na poli BI si urobíme najlepšiu predstavu zo šetrenia spoločnosti Gartner, Inc., ktorá každý rok vydáva štúdiu, ktorý mapuje tento trh a uvádza jednotlivé poskytovateľa BI. Prehľadne rozoberá silu ich produktov a prípadná úskalia, ktorým musia čeliť. Gartner, Inc. je spoločnosť zaoberajúca sa analýzou, výskumom a poradenstvom v oblasti informačných technológií. Pre vizualizáciu záverov svojich vyšetrovaní, nielen v oblasti BI, využíva magický kvadrant (Magic Quadrant). Jedná sa o jej vlastný nástroj, ktorý ukazuje postavenie jednotlivých firiem na danom trhu v závislosti na použitých hodnotiacich kritérií, a ktorý sa pre túto oblasť spracováva a uverejňuje každý rok. Na obrázku č. 2 je zachytený najaktuálnejší magický kvadrant pre BI. Obrázok 3: Gartner 's 2012 Magic Quadrant for BI Zdroj: ( ) Jednotliví poskytovatelia BI sú rozdelení do štyroch štvorcov, ktoré ukazujú na ich postavenie na trhu. Toto rozdelenie je vykonané na základe dvoch kritérií a síce pripravenosti k rastu (ability to exekute) a úplnosti vízie (completeness of vision). Pre 22

23 každé kritérium sa používajú rozdielne kvalifikátory s rozdielnou váhou v závislosti na danom odvetví, pre ktorý je magický kvadrant spracovávaný. Pre úplnosť si tu uvedieme stručnú charakteristiku jednotlivých štvorcov (Hagerty, 2012): Lídri (leaders) - jedná sa o firmy, ktoré sú silné v oboch hodnotiacich kritériách. Spoločnosti tu uvedené do istej miery určujú, akým smerom sa bude trh uberať a v akej oblasti sa bude sústrediť, Vyzývatelia (challangers) - tu sú sústredené firmy, ktoré majú veľký potenciál rastu. Avšak sú do istej miery obmedzované spôsobmi použitia či technickým prostredím. Nedostatok vízie môže byť zapríčinený chýbajúcimi stratégií koordinácie produktov v ich BI portfóliu, Niche players - pre tento štvorec nemožno použiť jednoslovný slovenský ekvivalent. Najlepšie sa hodí opis, že spoločnosti tu uvedené sa snažia zaplniť medzeru na danom trhu. Špecializujú sa na jeden, alebo dva konkrétne segmenty, ktoré sa snažia dokonale pokryť a majú samozrejme obmedzené možnosti komplexne pokryť BI potreby svojich zákazníkov, Vizionári (visionaries) - jedná sa o spoločnosti, ktorý majú veľkú víziu, akým spôsobom rozvíjať a dodávať svoju BI platformu. Ich architektúry sú dostatočne flexibilné a ponúkajú širokú paletu funkcionalít v oblasti, ktorú sa snažia rozvíjať. Ich nevýhodou môže byť počiatočne malé povedomie o ich produktoch u potencionálnych zákazníkov a miera dôvery v ich funkčnosť. Ak sa pozrieme späť na jednotlivé ročné vyšetrovanie spoločnosti Gartner, Inc. pre oblasť BI, zistíme, že tento vcelku ešte mladý trh prechádzal a stále prechádza pomerne búrlivým vývojom a konsolidáciou. Medzi lídrov na trhu sa postupne dostali prakticky všetky veľké softvérové firmy. Niektorí vývojom vlastných BI produktov, iní akvizíciami vtedajších úspešných firiem. Nasledujúci prehľad existujúcich BI nástrojov preto nie je v žiadnom prípade úplný. Cieľom tohto výpočtu je predovšetkým v krátkosti predstaviť nástroje najväčších hráčov na trhu BI. Podrobnejšie si však rozoberieme jednotlivé BI nástroje firmy Oracle. Dôvodom je jednak značná osobná skúsenosť s týmito nástrojmi a taktiež fakt, že s ich pomocou je riešený príklad v druhej časti tejto diplomovej práce. 23

24 1.3.1 SAP Spoločnosť SAP - skratka vzniknutá zo Systeme, Anwendungen, Produkte in der Datenverarbeitung, patrí medzi najväčšie softvérové spoločnosti a v oblasti ERP zastáva na trhu dominantné postavenie. SAP ponúka riešenia ako pre veľké spoločnosti, tak pre spoločnosti malé a stredné. Všetky SAP aplikácie využívajú jednotnú technologickú základňu SAP NetWeaver. Táto platforma vznikla v roku 2003 a je postavená na otvorených štandardoch s cieľom spolupracovať s existujúcou IT infraštruktúrou daného podniku. Obsahuje technologické prostriedky pre dátovú, procesnú a užívateľskú integráciu. Samozrejmosťou je spolupráca s ostatnými, všeobecne používanými platformami ako Java 2 Enterprise Edition,(Maassen, 2007, s.78) Obrázok 4: SAP BusinessObjects BI Zdroj: ( ) Po prevzatí spoločnosti Business Object, na začiatku roka 2008, došlo k rozšíreniu a prepracovaniu portfólia BI nástrojov. Existujúce nástroje boli predovšetkým doplnené o oblasť podpory riadenia a operatívneho rozhodovania. V súčasnej dobe sú BI nástroje zoskupené do súhrnného balíka SAP BusinessObjects, ktorý je možné nakonfigurovať podľa potrieb a možností danej firmy. Pre veľké firmy sú štandardne k dispozícii SAP BusinessObjects business intelligence solutions, ktoré ponúkajú kompletnú sadu BI nástrojov pokrývajúce nasledujúce oblasti: 24

25 Oblasť analytická a publikačná - tu sa nachádzajú nástroje umožňujúce analytickú prácu nad dátami uloženými v rozličných zdrojoch, vytváranie koncových zostáv a ich publikovanie, SAP BusinessObjects Analysis, edition for Microsoft - pre komplexné analýzy dát v prostredím MS Office, SAP BusinessObjects Web Intelligence - pre ad hoc analýzy z online aj offline zdrojov, SAP Crystal Reports - slúži k tvorbe, analýze a prezentácii zostáv, pričom zostavy možno zdieľať interne aj externe, SAP BusinessObjects Analysis, edition for OLAP - pre analýzy multidimenzionálnych dát s využitím OLAP nástrojov, SAP BusinessObjects Predictive Workbench - analýzy vytvárané pomocou tohto nástroja slúžia k zostavovaniu predikcií, Oblasť panelov (Dashboards) - slúži na vytváranie prehľadových panelov čiže Dashboards. Všeobecne je jednou z najvďačnejších a najpoužívanejších funkcionalít BI nástrojov. Dobre vytvorený panel dokáže svojim užívateľom rýchlo a prehľadne poskytnúť žiadané informácie, SAP BusinessObjects Dashboards - nástroj pre tvorbu panelov, Prieskum dát - táto oblasť pokrýva nástroje, s ktorých pomocou je možné rýchlo a účinne vyhľadať a analyzovať požadované dáta, SAP BusinessObjects Explorer - si môžeme predstaviť ako určitého prieskumníka fungujúceho na báze internetového prehliadača. Umožní rýchlo dáta nájsť pre okamžitý náhľad, Mobilné zariadenia - tu sa nachádzajú nástroje pre prístup a prácu s dátami z mobilných zariadení, SAP BusinessObjects Mobile - zabezpečí prístup k dátam, metrikám a zostavám cez mobilné zariadenia, SAP Event Insight - zabezpečí odovzdanie upozornenia na mobilné zariadenia pri zmene sledovaných dát. Pre malé a stredné podniky spoločnosť SAP pripravila zo svojich BI nástrojov nasledujúce riešenie: SAP Crystal - je určený pre malé spoločnosti do 1000 zamestnancov a obsahuje nástroje pre ad hoc analýzu dát, vytváranie zostáv a panelov, 25

26 SAP BusinessObjects BI OnDemand - jedná sa o rýchle riešenie pre spoločnosti do cca 5000 zamestnancov a poskytuje vyvážené portfólio BI nástrojov zaisťujúce nepretržitý dohľad, SAP BusinessObjects Edge - toto riešenie v sebe zahŕňa väčšinu BI nástrojov a poskytuje tak komplexné BI riešenie pre podniky do 2500 zamestnancov SAS Spoločnosť SAS Institute Inc., založená v roku 1976, je najväčšou súkromne vlastnenou spoločnosťou na svete. Zameriava sa predovšetkým na veľkých zákazníkov, pre ktoré dodáva komplexné riešenia pre podporu riadenia organizácie, vrátane ucelených metodík nasadenia pre rozličné odbory podnikania. Prakticky od začiatku patrila k najväčším a najlepším firmám v oblasti BI a v súčasnej dobe zostáva spolu s firmou Microstrategy jediným "čistokrvným" dodávateľom BI riešenia a medzi lídrov na tomto trhu. Sila riešenia od firmy SAS spočíva v jeho ucelenosti a komplexnosti. Tieto riešenia sú navyše optimalizované naprieč odvetviami od telekomunikácií cez bankovníctvo až po zdravotníctvo. Základom riešenia je integrovaná inteligentná platforma Enterprise Intelligence Platform. Business Intelligence potom tvorí jednu zo základných komponentov tejto modernej a na štandardoch založenej otvorenej platformy. Pre úspešne implementované BI riešenia je nevyhnutným predpokladom zber, čistenie a zabezpečenie kvality všetkých potrebných zdrojových dát. Preto nás neprekvapí skutočnosť, že medzi hlavné časti platformy patria tiež komponenty pre dátovú integráciu a riadenie kvality dát. Samotné BI nástroje pre veľké spoločnosti od firmy SAS môžeme členiť na dve časti : SAS Enterprise BI Server - jedná sa o užívateľsky prívetivé softvérové riešenie, ktoré integruje správu dát s analytickými nástrojmi a tým poskytuje možnosť získať všetky potrebné dáta a informácie na urobenie správneho rozhodnutia. Medzi základné prvky predovšetkým patrí : tvorba zostáv, panelov (Dashboards) a ich distribúcia, vizualizácie skrze mobilné zariadenia, previazanie s aplikáciami MS Office, podpora OLAP technológie, riadenie metadát, 26

27 tvorba aplikácií pomocou nástroja SAS AppDev Studio. Business Visualization - pokročilá dátová vizualizácia. Umožňuje užívateľom prostredníctvom rozsiahlej interaktívnej práce s otázkami zistiť skryté informácie a tým pádom urobiť nové závery a rozhodnutia. K vizualizácii slúži, okrem iného, nepreberné množstvo grafov. Napríklad "Bubble / XY Plots" poskytujúca kvantitatívne meradlá na dvoch osiach s možnosťou pre tretí. Pre stredné firmy potom SAS ponúka, vzhľadom na náklady, optimalizované BI riešenie "SAS Business Intelligence for Midsize Business", ktorá ponúka všetky potrebné základné funkcie BI nástrojov (panely, analýzy, zostavy, správu metadát a prepojenie s MS Office) IBM Firmu IBM môžeme bez preháňania označiť za jednu z najstarších a najvýznamnejších firiem pôsobiacich v oblasti IT. Z platformy jej počítača IBM PC, uvedeného na trh v roku 1981, sa čoskoro stal celosvetový štandard. V súčasnej dobe, vzhľadom k veľkej konkurencii lacných producentov, IBM už počítača nevyrába. Namiesto toho sa zameriava na realizáciu serverových riešení či ukladanie dát, a s tým spojených outsourcingových služieb. Na trhu s BI produktmi nehrala IBM spočiatku výraznejšiu úlohu a jej ponuka spočívala najmä v oblasti databázových systémov DB2. Až v roku 2007 sa dostala medzi najväčších hráčov na tomto trhu. Nebolo to však spôsobené tým, že by IBM prišla s nejakým vlastným inovovaným BI riešením, ale pomocou ďaleko jednoduchšieho postupu a to kúpením kanadskej firmy Cognos. Firma Cognos totiž nebola nejaká firmou na okraji pôsobnosti, ale stredne veľká firma patriaci k tým najlepším. Táto akvizícia je názorným príkladom toho, ako je dnes ťažké pre stredne veľké, hoci úspešné, spoločnosti samostatne prežiť. Avšak, predovšetkým vďaka svojej povesti, sa BI produkty u firmy IBM stále rozvíjajú a ponúkajú pod svojou pôvodnou značkou Cognos. V súčasnej dobe sa ponuka nástrojov pre dátové sklady a BI od firmy IBM nachádza v dvoch typových radoch. Cognos - jedná sa o platformu, ktorá ponúka celý rad modulov, pomocou ktorých môžeme pracovať (integrovať, analyzovať, reportovať) so všetkými dostupnými a relevantnými dátami danej spoločnosti. Prednosťou je najmä veľká a ľahká škálovateľnosť, ktorá umožňuje spočiatku implementovať základnú sadu BI nástrojov a postupne ju, podľa potreby, rozširovať až do komplexného riešenia. Jedná sa predovšetkým o tieto nástroje : 27

28 Cognos 8 Business Intelligence - základný nástroj vystavaný na architektúre SOA. Pokrýva všetku hlavnú funkcionalitu BI, ako je tvorba zostáv a panelu (Dashboards), vyhodnocovanie či analýzy. Implementáciou ďalších modulov môžeme funkcionalitu ďalej rozširovať. Medzi najdôležitejšie možno zaradiť nasledujúce moduly: Cognos 8 Go! Mobile - slúži na prepojenie s mobilnými zariadeniami, ktorým dodáva vytvorené zostavy a panely. Medzi podporované platformy patrí BlackBerry, Simbian S60 a Windows Mobile, Cognos 8 Go! Office - jeho implementáciou získame možnosť pracovať s výstupmi v softvérových nástrojoch kancelárskeho balíka MS Office (Excel, Word alebo PowerPoint), Cognos 8 Go! Search - začlenenie výstupov do podnikových vyhľadávačov napríklad IBM OmniFind, a tým uľahčiť vyhľadávanie potrebných informácií podľa zadaných kľúčových slov, Cognos 8 Workforce Performance - aplikácia pre útvary ľudských zdrojov, Cognos Now! - Jedná sa o nástroj pre on-line sledovanie prevádzkových metrík a indikátorov výkonu závislých na čase, Cognos TM1 - nástroj pre podnikové plánovanie, InfoSphere - nástroje pre dátové sklady, integráciu informácií a dátové analýzy. V tejto sérii sa jedná predovšetkým o : InfoSphere Warehouse - dátový sklad pre štruktúrované, neštruktúrované, statické či transakčné dáta, InfoSphere Master Data Management Server - slúži na správu účtovných, zákazníckych a produktových dát, InfoSphere Information Server - dátová integračná platforma pre získanie porozumenia a distribúciu informácií, ktoré sú pre potreby príslušnej spoločnosti kľúčové Microsoft Microsoft je jednou z najvýznamnejších IT spoločností, ktorá dlhú dobu určovala a do istej miery stále určuje trend u operačných systémov pracovných staníc a balíkov kancelárskych nástrojov. Má široké pole pôsobnosti od hardvéru cez softvér až po herné konzoly. 28

29 V súčasnej dobe je BI riešenie od Microsoftu postavené na platforme Microsoft SQL Server, s využitím všeobecne známeho a používaného kancelárskeho softvéru Microsoft Office a produktom Microsoft SharePoint Server pre zdieľanie a spoluprácu medzi užívateľmi. Všetky časti BI riešení prechádzajú neustálym vývojom a v súčasnej dobe hovoríme o verziách: Microsoft SQL Server 2008 R2 (však už je k dispozícii verzia Microsoft SQL Server 2012), Microsoft SharePoint Server 2010 a Microsoft Office Obrázok 5: Microsoft BI Zdroj: ( ) Microsoft SQL Server - jedná sa o výkonný databázový systém, ktorý tvorí dátovú platformu pre Microsoft BI. Jeho prostredníctvom môžeme pracovať ako s dátami vlastných aplikácií vytvorených v Microsoft.NET či Visual Studiu, tak ako s dátami zo SOA. S použitím servera Microsoft Biz Talk Server môžeme taktiež využiť dáta obchodných procesov. Súčasťou SQL Serveru sú takzvaná štúdia "SQL Server Management Studio" a "Business Intelligence Development Studio". Tieto štúdiá obsahujú nástroje pre riadenie integračných procesov, správu reportingových serverov, dátovú analýzu a vytváranie zostáv. SQL Server obsahuje aj doplnky pre dolovanie dát, ktoré napomáhajú analyzovať rozsiahle dátové objemy, predikovať vývoj a tieto trendy graficky znázorniť. V neposlednom rade je v SQL Serveru implementovaná knižnica komponentov zostáv, ktorá umožňuje vývojárom a pokročilým užívateľom nadefinovať najrôznejšie pohľady nad dátami a vytvárať 29

30 grafy. Takto pripravené komponenty sú uložené v knižnici a poskytnuté všetkým užívateľom pre rýchlu vlastnú tvorbu výsledných zostáv. Microsoft SharePoint Server predstavuje ucelenú sadu serverových nástrojov, alebo ak platformu. Táto integrovaná sada funkcií a nástrojov pomáha dosiahnuť lepšiu spoluprácu v rámci celej organizácie prostredníctvom zdieľaných dát a informácií. Možno povedať, že namiesto používania samostatných podnikových systémov umožňuje integrovať podnikové, webové, intranetové a extranetové aplikácie do jednej platformy. Okrem toho, správcom poskytuje nástroje pre správu obsahu a aj samotného servera a vývojárom umožňuje tvorbu podnikových aplikácií. Ďalej Microsoft SharePoint Server umožňuje: prostredníctvom komponentu "Dokument Management System" riadiť súborový systém na spoločnom disku, vytvárať diskusné skupiny a znalostné databázy, spolupracovať s podnikovými ERP a CRM systémami, a v neposlednom rade poskytuje širokú paletu nástrojov pre dátovú analýzu. Microsoft Office - jednotlivé nástroje všeobecne známeho a používaného kancelárskeho balíka sú vo väčšej či menšej miere previazané s Microsoft SharePoint Serverom a umožňujú tak užívateľom využiť možnosti, ktoré SharePoint Server ponúka, bez toho aby sa museli vzdať známych softvérov. Technológia Backstage, ktorá je implementovaná do jednotlivých nástrojov MS Office, dovoľuje užívateľom, prostredníctvom jednotlivých aplikácií, pohodlne spravovať zdieľané dokumenty uložené na SharePoint Serveru. Za hlavnú aplikáciu pre BI je tu považovaný MS Excel, ktorý ponúka množstvo nástrojov pre analýzu a vizualizáciu dát. Napríklad vedľa známych kontingenčných tabuliek sú k dispozícii takzvané prierezy pre analýzy veľkých dátových objemov a predikcia ich budúceho vývoja. Medzi implementované funkcionality ďalších aplikácií MS Office okrem iného patrí: Synchronizácia kalendárov a podpora RSS správ v MS Outlook. Zadávanie metadát a možnosť úpravy rovnakého dokumentu viacerými užívateľmi v jeden okamih v MS Word. Zdieľaná knižnica snímok a prezentácií na lokalite SharePoint v MS PowerPoint. Využitie aplikácií vytvorených MS Access v SharePointu pomocou služby Access Services. 30

31 Záverom je potrebné podotknúť, že Microsoft má svoju najväčšiu základňu medzi malými až menšími užívateľmi. Svoje BI riešenie teda koncipoval s ohľadom na finančné možnosti svojich hlavných zákazníkov. Posledným vývojom, predovšetkým v oblasti SQL Servera, sa však Microsoft snaží výraznejšie preniknúť aj na trh s BI produktmi pre stredné a veľké firmy Microstrategy Spoločnosť Microstrategy bola založená v roku 1989 v USA. Pôvodne sa venovala multidimenzionálnemu modelovaniu a simuláciám, neskôr sa zamerala na softvér pre data mining. V súčasnej dobe patrí medzi najpoprednejších poskytovateľov komplexných BI riešení. Podľa už spomínaného výskumu spoločnosti Gartner, Inc. zaberá Microstrategy druhé miesto medzi všetkými predajcami BI. Tento výsledok spoločnosť dosiahla najmä vďaka vysokému stupňu integrácie individuálnych komponentov a opätovnej využiteľnosti dobre navrhnutej objektovo orientovanej sémantickej vrstvy. (Hagerty, 2012) Súčasné BI riešenie Microstrategy 9 je postavené na relačnej architektúre OLAP (ROLAP). Táto technológia je postavená na virtuálnej kocke predstavujúcej celú relačnú databázu a zaisťujúce veľkú škálovateľnosť a interaktivitu. Metadáta ROLAP modeluje kompletnú relačnú databáze v jeden logický multidimenzionálny model firmy. Webová architektúra Microstrategy 9 podporuje 64-bitové moduly JVM a Extreme AJAX kódovanie, čo umožňuje súčasnú prácu mnohých užívateľov pri zachovaní krátkej doby odozvy. BI nástroje firmy Microstrategy možno rozdeliť do troch základných skupín. Nástroje pre vývoj: Desktop - pre prístup k dátam na osobnom počítači skrze integrované vývojové BI prostredia, Architekt - tvorba metadát modelov, Softvér development kit (SDK) - zaisťuje integráciu BI platformy s podnikovými systémami, MultiSource option - umožňuje analyzovať a reportovať dáta z viacerých zdrojov v rámci jednotného podnikového modelu, Transaction services - podpora komunikácie s aplikáciami pre mobilné zariadenia. Okrem iného dovoľuje zápis do dokumentov a Dashboards skrze tieto zariadenia. 31

32 Nástroje pre riadenie a nasadenie: Intelligence server - škálovateľný, bezpečný a robustný server. Tvorí jadro pre všetky analytické, monitorovacie a distribučné aplikácie, OLAP services - umožňujú vykonávanie intuitívnych OLAP analýz, Integrity manager - automatické reporty a dokumenty pre zabezpečenie integrity dát. Ponúka tiež možnosť regresnej analýzy, Object manager - zmenový management a verziovanie BI aplikácií medzi vývojovým, testovacím a produkčným prostredím. Nástroje pre reporting: Web reporter - interaktívne a intuitívne rozhranie pre sústavný monitoring, tvorba reportov a analýz, Office - dovoľuje pracovať s reportmi v aplikáciách Microsoft Office (Excel, Word, PowerPoint), Mobile - užívateľské interaktívne rozhranie pre mobilné zariadenia, Distribution services - poskytuje funkcionalitu pre veľkokapacitne riadenú distribúciu zostáv a reportov podľa predpísaného harmonogramu. Využíva dizajn "What-You-See-Is-What-You-Get" (WYSIWYG). V súčasnej dobe spoločnosť venuje veľkú pozornosť Microstrategy Cloudu. S oznámením o plnej dostupnosti tohto produktu prišla spoločnosť na konferencii Microstrategy World Produkt je poskytovaný kompletne ako "Platform-as-a- Service" (platforma ako služba - PaaS). V rámci tohto riešenia je poskytovaná plná BI funkcionalita od dátovej integrácie až po dátovú vizualizáciu. Spoločnosť sa rozhodla ísť cestou vlastných dátových centier a ponúka tiež "Cloud personal" (osobný cloud), prostredníctvom ktorého si môže každý nahrať a analyzovať potrebné dáta (predspracovanie napríklad v tabuľkovom procesore). Takto zanalyzované údaje môže navyše zdieľať s ostatnými užívateľmi Oracle Spoločnosť Oracle Corporation je americká nadnárodná spoločnosť, špecializujúca sa na oblasť počítačových systémov, podnikových softvérov a najmä na oblasť vývoja databázových systémov. Spoločnosť bola založená v roku Podnetom pre jej založenie bola štúdia "A Relational Model of Data for Large Shared 32

33 Data Banks" od otca relačných databáz Edgara F. Codda, ktorý inšpirovala jedného zo zakladateľov firmy Oracle Larry Ellison. Nástroje od firmy Oracle zastávajú na poli BI jedno z najpoprednejších miest, ak nie vôbec to najvyššie. Firme Oracle sa to podarilo nielen vlastným úsilím vo vývoji BI nástrojov, ale hlavne vďaka niekoľkým akvizíciám, nie však vždy celkom priateľským. Zásadnnou vecou pre dosiahnutie a upevnenie vedúceho postavenia bola kúpa konkurenčné firmy Siebel System v roku 2005, ktorá patrila, v oblasti systémov pre správu vzťahov so zákazníkmi (CRM), k tým najlepším a mala teda aj kvalitné BI nástroje (Siebel BI Platform). V súčasnej dobe je komplexná sada BI komponentov a nástrojov sústredená do jedného veľkého balíka nazývaného Oracle Business Intelligence Suite Enterprise Edition (Obie). Platforma Obie je postavená na servisne orientovanej architektúre (SOA) a vďaka veľkej škálovateľnosti môže byť Obie prevádzkovaná vo všetkých mysliteľných spoločnostiach, od malých lokálnych až po nadnárodné koncerny. Obrázok 6: Oracle Business Intelligence Suite Enterprise Edition Plus Zdroj: ( ) Obie umožňuje využiť prakticky akýkoľvek zdroj údajov a pristupovať k nemu možno prostredníctvom série kanálov. Napríklad pomocou otvoreného interface, je možné pristupovať k serveru Oracle Business Intelligence ako k štandardnej databáze, alebo možno vytvoriť interface vlastné pomocou Simple Object Access Protocol (SOAP). Vedľa tohto komplexného balíka BI nástrojov, je k dispozícii jeho nadstavba v podobe analytických aplikácií, ktoré boli predtým známe pod označením Siebel 33

34 Business Analytics. Tieto aplikácie ďalej BI rozvíjajú a umožňujú podnikom využiť najlepšie postupy tzv. "Best practices" ako u obchodných procesov, tak u funkčných oblastí v najrôznejších priemyselných odvetviach. (Rumbaugh, 2005, s.321) 1.4 Dátové vrstvy Business Intelligence Táto podkapitola sa zaoberá jednotlivými nástrojmi a technológiami Business Intelligence, ktoré majú zásadný vplyv na premenu dát a ktorých aplikácii je možné predpokladať v rámci každého projektu Business Intelligence. V kapitole budú bližšie popísané tieto prvky Business Intelligence, ktorých vzájomný vzťah je zobrazený v zjednodušenom modeli na obr. Č. 7: zdroje dát dátový sklad základné analýzy dát (Reporty, Ad hoc reporty) pokročilé analýzy (Data Mining) Obrázok 7: Business intelligence zjednodušený model dátových vrstiev Zdroj: ( ) Jednotlivé prvky modelu budú rozpracované v nasledujúcich častiach tejto kapitoly. Jedným z prvkov modelu sú zdrojové dáta. Jedná sa o dáta primárnych informačných systémov, ktoré nepatria priamo medzi komponenty Business Intelligence, ale riešenie projektov Business Intelligence sú na nich takmer vždy závislé. Ich charakteristika a význam pre Business Intelligence preto nemôžu byť v dátovom prístupe k teórii Business Intelligence ignorované. 34

35 1.4.1 Zdroje dát Primárne systémy nebývajú zahŕňané do skupiny komponentov Business Intelligence. V praxi sú však pre Business Intelligence hlavným a jediným zdrojom dát. Existencia, množstvo, kvalita a validita dát týchto dátových zdrojov sú základom pre úspech aplikácií Business Intelligence. Jedná sa o prevádzkové dáta primárnych informačný systémov podniku (niekedy nazývaných ako produkčné, transakčné, OLTP systémy). Tieto systémy bývajú mnohokrát pre manažment, pred zavedením systému pre podporu rozhodovania, jedinými informačnými zdrojmi. Tieto primárne informačné systémy má každá organizácia, jedná sa väčšinou o transakčné systémy pre podporu administratívnosprávnych procesov danej organizácie (ekonomické, personálne, odborovo špecializované). Databáza, ktorá zhromažďuje dáta v týchto informačných systémoch, sa nazýva ako transakčná databáza. Primárne systémy sú určené pre "automatizáciu každodenných činností, ktoré sú predmetom nášho podnikania, ako je, skladové hospodárstvo, mzdy, nákup a predaj, prípadne riadenie a monitorovanie technologických procesov v reálnom čase" (Lacko, 2005,s.2) K tomuto dátovému zdroju pristupuje súčasne množstvo používateľov, ktorí vykonávajú rôzne typy činností ako zápis dát, čítanie dát, atď. Dáta sú neustále menené a doplňované. Okrem interných podnikových systémov môžu byť zdrojom dát aj interné systémy už podporujúce integráciu a zdieľanie dát v rámci určitej oblasti vo vnútri podniku alebo pre externé databázy informačných systémov. Príklady jednotlivých dátových zdrojov a ich rozdelenie sú uvedené v nasledujúcich odsekoch: interné systémy: integrované automatizované systémy so zdieľanými dátami: ERP (Enterprise Resource plannig) - zlučujú rôzne oblasti činností a funkcií naprieč celým podnikom (organizácií alebo inštitúcií) až k jednotlivým programovým úlohám pre rôzne potreby organizačných zložiek podniku; CRM (Customer Relationship Management) systémy pre riadenie vzťahu so zákazníkmi; SCM (Supply Chain Management) systémy pre jednotné riadenie všetkých článkov logistického reťazca. ostatné samostatné informačné systémy: napr. Pre podporu personálnych oddelení, pre podporu finančných oddelení, oddelenia skladového hospodárstva, oddelenie nákupu a predaja 35

36 externé systémy: napr. "Databáza podnikateľských subjektov, telefónne zoznamy, výstupy štatistických úradov či vládnych inštitúcií a pod." (Novotný, Pour, Slánský, 2005, s.29) Charakteristickou vlastnosťou primárnych systémov je architektúra podporujúca ukladanie a modifikáciu údajov v reálnom čase. Na vykonávanie analýz svojich zdrojových dát však nie sú primárne informačné systémy vhodné, pretože nie sú na vykonávanie analýz vybavené a touto činnosťou by boli zaťažené tak, že by neboli schopné vykonávať svoje základné procesy. Zdrojové systémy bývajú rôznorodé ako obsahovo tak aj technologicky. Úlohou BI je potom zabezpečiť analýzu týchto zdrojov z pohľadu potrieb riadenia firmy, výber relevantných dát pre riadenie a následne ich vzájomnú integráciu. Súbor vymenovaných analýz je obsahom tzv. Úvodná štúdia Business Intelligence. Táto časť Business Intelligence je náročná nielen pracovne, ale aj finančne a časovo. Jej prevedenie je však úplne nevyhnutné a jej výsledky sú kľúčové pre návrh spôsobu riešenia projektu Business Intelligence ETL (Extraction, Transformation and Loading) Integračným prvkom medzi primárnymi dátovými zdrojmi a dátovým skladom sú technológie ETL (Extraction Transformation Loading, dátové pumpy). Tieto technológie umožňujú načítanie dát z databáz primárnych dátových zdrojov do databáz dátového skladu. Skratka ETL vznikla pomenovaním základných kategórií činností, ktoré špecifikujú Novotný, Pour a Slánský takto: Extraction (E): získanie dá zo zdrojových systémov a ich výber Transformation (T): upravenie dát do požadovanej formy a vyčistenie Loading (L): import dát spracovaných v predchádzajúcich procesoch do dátových skladov (Novotný, Pour, Slánský, 2005, 49). Účelom procesov ETL je naplnenie databáz dátových skladov upravenými dátami získanými z primárnych dátových zdrojov. Pomocou technológie ETL "sú dáta pred uložením do dátového skladu overované a čistené od nepotrebných informácií, ďalej sú integrované a transformované (prevody dátových typov a formátov), čím sa dosiahne konzistencia dát pochádzajúcich z rôznych systémov. Takto upravené dáta sú denormalizované z dôvodu sprehľadnenia a zníženia nutnosti prepojenia tabuliek vnútri dátového skladu. Nakoniec sa dáta sumarizujú a ukladajú v tvare, ktorý zodpovedá podmienkam analytických aplikácií, kde sa spôsob uloženia líši od 36

37 zdrojových systémov. "(Pochyla, 2001) Proces prenosu dát z dátových zdrojov je vykonávaný pomocou dátových púmp v dávkových režimoch (tj, v určených časových intervaloch) Dátový sklad (Data Warehouse - DWH) Dátový sklad (Data Warehouse, skrátene DWH) charakterizoval Bill Inmon, považovaný za pôvodcu dátových skladov, ako "integrovaný, subjektovo orientovaný, stály a časovo rozlíšený súhrn dát usporiadaný pre podporu potrieb manažmentu." (Novotný, Pour, Slánský, 2005). V systéme Business Intelligence má dátový sklad postavenie ďalšieho hlavného zdroja údajov, na základe ktorého databázy môžu oproti databázam transakčných systémov (napr. Ekonomických, personálnych, odborovo špecializovaných) vykonávať základné analýzy dát. Základňou Business Intelligence sú dáta vznikajúce v primárnych systémoch konkrétnej organizácie. Tieto dáta, ich ukladanie a spracovanie v transakčných systémoch, však neumožňujú realizáciu kvalitných analýz, pretože vykonávanie analýz na základe niekoľkých samostatne stojacich a odlišných databáz je veľmi ťažké. Ďalšími prekážkami sú napr. Neúplnosť dát, forma dát, ich spôsob triedenia, či ich neúplnosť za predchádzajúce obdobie. Z dátového vlastníctva ukrytého vo vnútri týchto transakčných systémov potom zostáva využitých len z niekoľkých málo percent, pretože sú pre vykonávanie analýz nevyužiteľné. Z vyššie uvedených dôvodov je pri riešení projektov Business Intelligence prvým z krokov budovania dátového skladu, ako jediného a spoločného zdroja dát. "Tieto dáta sa v dátovom sklade uchovávajú v inej forme ako v primárnych systémoch, sú konsolidované, validované a vyčistené, obsahujú históriu a sú tematicky orientované a optimalizované pre analytické otázky." (Zeman, 2005, ). Dátový sklad už uchováva firemné dáta vo forme strategických informácií a umožňuje ich využitie pri strategickom rozhodovaní. Bližšie vysvetlenie zásadné charakteristiky dát dátového skladu, ich spracovanie a transformácia podávajú Novotný, Pour a Slánský takto: subjektívna orientácia: "dáta sú rozdeľovaná podľa ich typu, nie podľa aplikácií, v ktorých vnikla. Ide teda o prípad, kedy sú dáta o zamestnancovi uložené len raz, a to v jednej databáze dátového skladu, 37

38 zatiaľ čo v produkčnom systéme bývajú rozptýlené do rôznych súborov podľa toho, pre ktorú aplikáciu majú byť použité. " integrácia: "dáta sú ukladané v rámci celého podniku, a nie len v rámci jednotlivých oddelení." stálosť: "dátové sklady sú koncipované ako" Read Only "[...], žiadne dáta tu nevznikajú ručným obstaraním a nemožno ich ani žiadnymi užívateľskými nástrojmi meniť. Dáta sú do DWH načítané z operatívnych databáz či iných externých zdrojov a existujú tu po celú dobu života dátového skladu. " časová rozlíšenosť: "aby bolo možné vykonávať analýzy za určité obdobie, je nutné, aby bola do DWH uložená aj do histórie dát. Načítané dáta teda musia niesť aj informáciu o dimenzii času. "(Novotný, Pour, Slánský, 2005). 1.5 Analytické nástroje Analytické nástroje umožňujú vykonávať základné, alebo pokročilé analýzy. Medzi základné analýzy sa radí: Reporting, Ad hoc reporting Medzi pokročilé analýzy sa radí: Data Mining Tieto analýzy sú budované na dátach databáz dátového skladu. Nástroje reportingu pristupujú priamo do operačných dátových skladov, alebo databáz produkčných systémov. "Pre potreby reportov sa využívajú existujúce nástroje umožňujúce pokrytie celého životného cyklu reportu, od jeho návrhu a tvorby cez správu až po jeho distribúciu užívateľom (prezentácia na intranete, zaslanie do e- mailu a pod.) (Zeman, 2005, ) Reporting Reporting je činnosť spojená s kladením otázok do databáz pomocou ich štandardných rozhraní (napr. SQL príkazov v rámci relačných databáz). Štandardný reporting je určený predovšetkým pracovníkom na nižšej, prípadne strednej úrovni, ktorým poskytuje pravidelné podporné dokumenty vo forme výkazov, prehľadov atď. Oproti ad hoc reportingu vytvára a poskytuje reporting tieto dokumenty, na základe rôznych užívateľsky definovaných reportov a zostáv, ktoré sú spúšťané automaticky v určitých časových periódach. 38

39 1.5.2 Ad hoc reporting Ad hoc reporting je ďalšou oblasťou základnej analýzy dát. Jeho odlišnosti od reportingu sú schopnosť umožňovať pracovníkom a používateľom analytický útvarov, alebo manažmentu hľadať v dátach informácie a súvislosti podľa ich konkrétnej potreby a vykonávať analýzu multidimenzionálnych informácií a ich rýchlu prezentáciu. "Jedná sa o multidimenzionálne analýzy (zaisťujú pohľad na dané dáta z viacerých strán, tzv. Dimenzií) a dávajú užívateľovi možnosť hľadať v analyzovaných dátach závislosti a odhaľovať prípadné odchýlky s možnosťou rozpadu až do najmenšieho detailu." (Zeman, 2005, ). Výhodou ad hoc analýz pre manažment je, že sú založené na intuitívnom ovládaní a nutnej vecnej znalosti analyzovanej problematiky, nie na znalosti informačných technológií (Zeman, 2005, ). Tieto analýzy umožňujú analytikom, manažérom a riaditeľom porozumieť dátam pomocou rýchleho, konzistentného a interaktívneho prístupu k širokému spektru možných pohľadov na informácie, ktoré boli transformované zo surových dát (prevzatých z dátového skladu), aby odrážali skutočný rozmer podniku, tak ako je chápaný z pohľadu užívateľa. Pre vykonávanie ad hoc analýz sa v najväčšej miere používajú technológie OLAP OLAP OLAP - On-Line Analytical Processing je technológia uloženia dát v databáze, založená predovšetkým na koncepcii multidimenzionálnych databáz. Pomocou několikadimenzionální tabuľky umožňuje OLAP usporiadať veľké objemy dát, aby boli dáta prístupné a zrozumiteľné používateľom, ktorí sa zaoberajú analýzou obchodných trendov a výsledkov. Užívateľom umožňuje meniť pohľady na modelovanú ekonomickú realitu. Spôsob uloženia dát sa so svojím zameraním líši od bežnejšie používanej technológie (On-Line Transaction Processing), kde je dôraz kladený predovšetkým na jednoduché a bezpečné ukladanie zmien v dátach transakčných systémov. Základné rozdiely medzi OLAP a OLTP vyplývajú z rozdielneho použitia. U OLAP sa jedná o jednorázovo nahrávané dáta, nad ktorými sú vykonávané zložité otázky, u OLTP sú dáta priebežne a často modifikované a pridávané, a to zvyčajne mnohými užívateľmi zároveň. OLAP umožňuje užívateľovi pracovať s údajmi veľmi flexibilne a analyzovať dáta podľa mnohých hľadísk. Oproti dátovým skladom, už databázy OLAP zahŕňajú 39

40 predspracovania sumárnych dát, tzv. agregácia podľa definovaných hierarchických štruktúr, dimenzií a ich kombinácií. Ukladajú agregácie ukazovateľov pre vyššie úrovne dimenzií a radia sa tak k mulitidimenzionálním databázam. Sú výrazne väčšie ako klasické relačné databázy, umožňujú ale rýchlejšie výpočty, predovšetkým v dôsledku vopred vypočítaných agregáciou. Ich napĺňanie súhrnnými dátami a aktualizácie zo zdrojových databáz prebieha dávkovo. Na základe mulitidimenzionálneho pohľadu umožňuje OLAP sledovať merateľné parametre firmy v súvislostiach, v rôznych uhloch a rôznych mierach detailu podľa potreby pre rozhodovanie. V rámci jednej OLAP databázy je možné vytvoriť celú radu dimenzií, ktoré môžu byť založené napríklad aj len na jednej tabuľke dimenzií. Raz je napr. možné členiť zákazky podľa dátumu ich ukončenia vo formáte rok mesiac - deň, inokedy treba rozdelenie vo formáte rok - kvartál - mesiac. Pre obe dimenzie je možné používať rovnaký dátový zdroj v tabuľke dátového skladu. Najlepšie grafické vyjadrenie viacrozmerného modelu, na ktorom sú technológie OLAP založené, je vo forme geometrickej kocky viď obr. Č. 6. Obrázok znázorňuje pravidlo viacrozmerného modelu, že každá kocka má niekoľko dimenzií. Na rozdiel od geometrickej kocky, môže mať multidimenzionálny databázový model dokonca aj viac dimenzií ako tri. Typický trojrozmerný model je znázornený na kocke s dimenziami: čas - región - produkt. Obrázok 8: Príklad dimenzií Zdroj: (Lacko, 2005, s.10) Dáta sa nachádzajú v prieniku jednotlivých dimenzií. Dimenzie umožňujú poskytovať výsledky za konkrétne časové obdobie, za konkrétny región, alebo produkt, podľa konkrétnej potreby rozhodovania. 40

41 Pre vytvorenie takejto kocky je potreba dvoch typov tabuliek: tabuľku dát - hlavná tabuľka, ktorá uchováva množstvo dát, spravidla je len jedna tabuľka dát pre jednu kocku tabuľku dimenzií - obsahujúca usporiadané údaje, naviazaná na tabuľku dát; s dátami väčšinou usporiadanými v stromovej (hierarchickej) štruktúre (Novotný, 2012, s. 31) Data Mining Dáta Mining, inak tiež Dolovanie dát, patrí do oblasti pokročilých analýz. "Data mining na rozdiel od reportingu a ad-hoc analýz (kde analyzujeme známe súvislosti), hľadá v existujúcich dátach súvislosti netriviálne, skryté a využíva k tomu sofistikované matematické metódy." (Zeman, 2005) Aj u týchto pokročilých analýz je "analytická technika pevne spätá s dátovými skladmi, ako s veľmi kvalitným dátovým zdrojom pre tieto špeciálne analýzy. "(Novotný, Pour, Slánský, 2005,s. 35). Charakteristickou vlastnosťou dolovania dát je vyhotovovanie analýz odvodených z obsahu dát, nie vopred špecifikovaných používateľom, alebo informačným špecialistom. Účelom dolovania dát je teda predovšetkým odvodzovanie prediktívnych informácií. Výhodou dolovania dát je užívateľská prívetivosť, pretože štatistické úlohy dolovania dát sú vykonávané automaticky podľa určený algoritmov, a tak ich cieľovým užívateľom môže byť aj manažér bez špeciálnych znalostí štatistiky, nie iba špecialista, ktorý nadväzne zhotovuje reporty pre manažéra. 41

42 2 ANALÝZA VYBRANEJ SPOLOČNOSTI Nástroje Bussines Intelligence v programovom rozhraní SQL Server Management Studio boli uplatnené v známom hypermarkete, ktorý nám poskytol databázu zo svojho účtovníckeho informačného systému z roku Keďže si neželal byť menovaný, je v tej práci nazývaný iba ako hypermarket. Jeho podnikateľská činnosť je maloobchodný predaj rozličného tovaru, ktorý je predávaný zákazníkom vo veľkom obchode typu Hypermarket. Hypermarket, ktorý sme analyzovali, patrí medzi štandardné hypermarkety s jednotnou organizáciou riadenia a prevádzky. Hypermarket je členený na základe predávaného sortimentu na šesť predajných oddelení. Sortiment rozdeľujeme na nasledujúce oddelenia potraviny, drogéria, textil, textilná galantéria, odevy, obuv, domáce potreby,rozličný tovar. Tento hypermarket je riadený decentralizovane, to znamená, že stav zásob jednotlivého tovaru, pohyby tovaru a všetky ďalšie informácie sú riadené samostatne pre každé jedno oddelenie. 2.1 Organizačná štruktúra analyzovanej spoločnosti Organizačná štruktúra z obdobia poskytnutých testovacích dát je zobrazená na obrázku. č.9. Obrázok 9: Organizačná štruktúra analyzovaného hypermarketu 42

43 Zdroj: Vlastné spracovanie Ekonomická sekcia Úlohou ekonomického úseku je zabezpečovanie starostlivosti o účtovné doklady a ich správnosť a úplnosť. Medzi jeho základné úlohy patrí: zodpovednosť za správne metodické postupy spojené s účtovníctvom, zber, spravovanie a archivácia účtovných dokladov, evidovanie hmotného a nehmotného investičného majetku a drobného investičného majetku, spolupráca, komunikácia s orgánmi štátnej správy, riadenie hospodárskych stredísk a ich ekonomickej činnosti, vyhodnotenie aktuálneho aj dlhodobého ekonomického stavu hospodárenia a následne na základe ukazovateľov vyhodnotenie aktuálneho stavu hospodárenia, zodpovednosť za daňovú správnosť dokladov účtovnej jednotky, evidencia, vedenie, spracovávanie faktúr a pokladničných dokladov, sledovanie stavov pohľadávok a záväzkov a komunikácia s peňažnými ústavmi. 43

44 2.1.2 Sekcia obchodu Medzi základné úlohy tejto sekcie patrí: vykonávanie pravidelnej finančnej analýzy, určovanie marketingovej stratégie a cieľového trhu zákazníkov, identifikácia potrieb a požiadaviek zákazníkov, vytváranie ceny tovarov a služieb, uskutočňovanie marketingových aktivít za účelom predaja a propagácie, s cieľom osloviť čo najviac zákazníkov, správa a kontrola obchodných výsledkov, získavanie informácií o zákazníkoch, zabezpečovanie úloh maloobchodných predajní - to znamená nákup tovaru, predaj tovaru, cenotvorba. 2.2 Popis informačného systému spoločnosti Informačný systém hypermarketu môžeme rozdeliť na dve základné časti: ekonomický informačný systém, informačný systém maloobchodu Ekonomický informačný systém Hypermarket disponuje ekonomickým informačným systémom ktorý obsahuje rozsiahlu databázu celej ekonomickej činnosti celého analyzovaného obchodu, tieto informácie sú dôležite pre riadenie a rozhodovanie a sú súčasťou analýzy nástrojov Business Intelligence. Všetky ekonomické činnosti v danom hypermarkete sú spracovávané a editované prostredníctvom informačného systému SOFTIP PACKET. Tento systém slúži na komplexné riadenie organizácií, špecializuje sa predovšetkým na malé a stredné spoločnosti. Systém je špecifický svojou variabilnosťou a poskytuje konkrétne zostavy, vďaka tomu vie vyhovieť veľkému počtu zákazníkov. Tabuľka 1: Aplikácie SOFTIP PACKET Skratka UCT BAN FIN Činnosti účtovníctvo multibanking financovanie 44

45 DIM UCTPOK IMA DOP ROD RMTZ drobný investičný majetok Pokladňa investičný majetok Doprava riadenie odbytu riadenie materiálno-technického zásobovania Zdroj: Vlastné spracovanie SOFTTIP PACKET taktiež zahŕňa : vzájomné prepojenie a spoluprácu modulov (jednotné číselníky), integrovaný ový klient v každom module, export a tlač údajov aktívnej obrazovky podľa podmienok výberu, výber grafických a textových zostáv, archivovanie tlačových výstupov vo formáte *.pdf, posielanie zostáv formou prílohy u, nastavenie používateľských pohľadov na evidencie, modifikáciu výsledkov účtovnej jednotky na metodiky, aktualizáciu modulov on-line z Internetu, automatizovanie spracovania účtovných dokladov Informačný systém maloobchodu Ďalej budeme popisovať ISM alebo informačný systém maloobchodu z ktorého Hypermarket poskytol dáta na spracovanie analýz za pomoci databázového systému MS SQL Server Informačný systém maloobchodu je tvorený z dvoch aplikácií: program MOP/ MOPwin - Maloobchodná predajňa je jednou z kľúčových aplikácií ISM, program KASA/ KASAwin - Kasa druhová je najpoužívanejšia aplikácia ISM. Tieto aplikácie vykonávajú všetky činnosti a procesy na predajných oddeleniach Hypermarketu. 45

46 2.3 Maloobchodná predajňa - MOP Aplikácia MOP/MOPwin Maloobchodná predajňa je najdôležitejšou aplikáciou informačného systému a efektívnym nástrojom pre riadenie maloobchodnej predajne. Hlavné funkčné vlastnosti: spracovávanie všetkých tovarových a finančných transakcií uskutočnených v predajnej jednotke, sledovanie stavu a pohybu skladových zásob v druhovom a finančnom vyjadrení, podpora pre pokladničné aplikácie a pokladnice, monitorovanie pokladníc v reálnom čase, podpora a nástroje pre nákup tovaru, vybavovanie reklamácií, podpora a nástroje pre objednávanie tovaru, podpora pre evidenciu obalových kont dodávateľov, podpora konsignačných tovarov, prepracovaný a variabilný vernostný systém a systém zliav pre zákazníkov, komunikácia s centrálou prostredníctvom mailu, FTP a jednoduchých textových správ, tvorba výkazu o nákupe, predaji a zásobách spotrebiteľských balení liehu pre colné úrady, podpora pre predajové akcie Kasa druhová - KASA Program KASA/KASAwin Kasa druhová, je najpoužívanejší program informačného systému maloobchodu. Pokladňa sa skladá z počítačovej pokladnice alebo klasického počítača, ktorý je spojený s klasickým technickým vybavením (zásuvka, zákaznícky displej, tlačiareň účteniek, snímač čiarového kódu a pod.). Prostredníctvom nainštalovania programu KASA sa stane z počítača pokladnica so všetkými dôležitými funkciami. KASA je definovaná tiež ako aplikácia, pomocou ktorej sú na pokladni vykonávané a zaznamenávané finančné operácie. Transakcie vykonávané v aplikácií KASA sa prenášajú, spracovávajú a evidujú v aplikácii MOPwin. Za najdôležitejšie údaje sa považujú tie, ktoré boli spracované aplikáciou KASA, následne sú spracované a evidované v MOPwin, tieto údaje sú pohyby maloobchodného predaja 46

47 zaznamenávané v pokladni a sú to skoro všetky transakcie vykonávané v hypermarkete. Okrem týchto údajov z aplikácie KASA sa v MOPwin evidujú všetky transakcie súvisiace so skladom predajne, ako sú napr. skladové príjmy a presuny. Hlavné funkčné vlastnosti aplikácie KASA podpora položkového predaja tovarov, predaj na základe čiarového kódu, QR kódu alebo registračného kódu tovaru, vyhľadávanie podľa názvu, predajnej ceny, skupiny, katalógového čísla a pod., automatická aktualizácia v reálnom čase o stave zásob, možnosť blokovania predaja, podpora zálohovania kontrolných pások v elektronickej forme v programe AKP, podporovanie rôznych zákazníckych a nákupných kariet, akceptovanie bežných spôsobov úhrady za nákup (hotovosť, karta, stravné lístky a pod.). Pokladnica s aplikáciou KASA má niekoľko neoceniteľných vlastností: pohotové a spoľahlivé spracovanie nákupu, široká funkcionalita - vyžaduje len veľmi nízke systémové nároky, pomer z hľadiska výkonu a ceny je veľmi priaznivý, možnosť prepínania sieťového a autonómneho režimu, čím sa minimalizujú prípadné výpadky predaja aj pri vážnych poruchách sieťovej a serverovej infraštruktúry. 2.4 Analýza technického vybavenia a informačného systému. Informačný systém maloobchodu SOFTIP Packet tip je optimalizovaný pre operačný systém Windows (od verzie XP vyššie). Microsoft Windows Server 2012 je operačný systém pre prácu s aplikáciami uloženými na serveri, následne sa ku nemu pripájajú jednotliví používatelia prostredníctvom klientov systému Windows. Program MS SQL 2012 je vyhovujúcim nástrojom BI pri použití operačného systému a sieťového pripojenia ktoré používajú aplikácie hypermarketu. Pracovníci hypermarketu využívajú pri svojej práci taktiež balík programov MS Office 2010, ktorý je kompatibilný a prepojiteľný s funkciami MS SQL Server 201.Z analýzy technického vybavenia môžeme usúdiť, že informačné a komunikačné technológie v hypermarkete sú v optimálnom stave. 47

48 2.5 Analyzovanie dát Analyzovaním dát sme chceli pre manažment hypermarketu získať nové informácie, ktoré ďalej môžu použiť v procese rozhodovania. Pri analýze a sme používali nástroj MS SQL 2012 a vychádzali sme z nasledovného: zo skúseností a relevantných informácií riadiacich pracovníkov hypermarketu, z poskytnutých údajov, ktoré boli zaznamenané v aplikácií MOPwin, A z už jestvujúcich funkcionalít aplikácie MOPwin. Vstupné dáta boli poskytnuté obchodnou sekciou, takže sme sa zameriavali na rozbory tržieb daného úseku. Rozbory tržieb sme rozdelili podľa zamerania na: tržby podľa foriem úhrady. tržby za položku. Všetky zobrazované informácie majú byť nastavené podľa potrieb používateľa. Filtrované údaje majú zobrazovať informácie z predajných oddelení, rok, mesiac, deň za jednotlivé platby. V zobrazovaných výstupoch ma byť taktiež porovanaie aktuálneho roka (v testovacích dátach rok 2013) s predchádzajúcimi rokmi (v testovacích dátach rok 2012) Obsah, forma a štruktúra zdrojových dát Všetky údaje poskytnuté aplikáciu MOPwin sú evidované v tabuľkách, na serveri sú uložené súbory vo formáte DBF to znamená že sú uložené vo formáte štruktúrovaných dát. Tabuľky nie sú uložené v relačnej databáze databázového systému ale sú uložené v samostatných databázových súboroch tabuliek DBF, ktoré sú uložené v adresároch aplikácie MOPwin. Štruktúra adresárov aplikácie MOPwin v ktorých sú uložené v DBF súbory: MOPwin \ CIS súbory číselníkov, môžeme ich vidieť v tabuľke. Tabuľka 2: Štruktúra adresárov Súbory DBF DBF01 DBF02 DBF03 DBF04 DBF05 Obsah súbory prehľadov za všetky oddelenia súbory pohybov oddelenia Potraviny súbory pohybov oddelenia Drogéria súbory pohybov oddelenia Textil súbory pohybov oddelenia Textilná galantéria, odevy súbory pohybov oddelenia Obuv 48

49 DBF06 súbory pohybov oddelenia Rozličný tovar (externá predajňa) DBF07 súbory pohybov oddelenia Domáce potreby Zdroj: Vlastné spracovanie Nie všetky súbory uložené v uvedených adresároch a údaje v nich uložené, sú použiteľné pre BI analýzy. V niektorých súboroch sa nachádzajú údaje pre analýzy nepoužiteľné, alebo sú pre Hypermarket nezaujímavé. Sú to napr. údaje, ktoré používa aplikácia MOPwin na svoju činnosť, ako sú: číselník váh, definície cenoviek, nastavenie tlačiarní, definície tlačových zostáv, atď.. Pre tieto údaje nie je potrebné vytvárať ďalšiu evidenciu v inej databáze. Pred vytvorením dátového skladu je potrebné vykonať dôkladnú analýzu zdrojových dát so zameraním sa na definované ciele a požiadavky na BI výstupy Analýza zdrojových dát podľa obsahu informácií v nich uloţených Ako prvé bola vykonaná analýza zdrojových dát z pohľadu uloženia požadovaných informácií v definovaných požiadavkách. Pri hľadaní miesta uloženia požadovaných údajov v databázach hypermarketu boli využité konzultácie s pracovníkmi hypermarketu, informácie z používateľskej príručky MOPwin ale hlavne, samostatné, podrobné preskúmanie zdrojových súborov. Výsledkom analýzy je definovanie vstupných zdrojových tabuliek, dbf súborov, v ktorých sa nachádzajú požadované údaje a sú uvedené v tabuľke č...rozsah zdrojovej databázy je za obdobie dvoch po sebe nasledujúcich rokov. Tabuľka 3: Súbory zdrojovej databázy Adresár Druh evidencie DBF súbory Číselník predajných oddelení. CISODD.dbf CIS DBF0 1 až DBF0 7 Číselník skupín tovarov a služieb. Číselník pohybov. Číselník obchodných partnerov. Evidencia tovarov a ich mesačné stavy. Evidencia služieb. CISSKU.dbf CPOHY.dbf PARHLA.dbf V MOPwin sa vytvárajú a evidujú mesačné archívne súbory. Za analyzované obdobie 2 rokov = 24 súborov za každé predajné oddelenie (ZZ dbf ZZ dbf) SLUZBY.DBF 49

50 Evidencia hlavičiek dokladov. Pohyby na sklade, položky dokladov. V MOPwin sa vytvárajú a evidujú ročné archívne súbory. Za analyzované obdobie 2 rokov = 2 súbory za každé predajné oddelenie (HLA2009.dbf a HLA2010.dbf). V MOPwin sa vytvárajú a evidujú mesačné archívne súbory. Pre analyzované obdobie 2 rokov = 24 súborov za každé predajné oddelenie (PO dbf PO dbf) Zdroj : Vlastné spracovanie Očistená zdrojová, vstupná databáza obsahovala 55 dbf súborov za každé predajné oddelenie, tzn. 385 dbf súborov za všetky predajne hypermarketu. Analýzou zdrojových dát sme zistili aj nasledovné informácie: štruktúra zdrojových dbf súborov je navrhnutá podľa potrieb a funkčnosti MOPwin a prostredia Visual foxpro, v ktorom je MOPwin naprogramované, jednotlivé zdrojové tabuľky nie sú priamo prepojiteľné, pomocou jedného jednoznačného identifikátora, záznamy v zdrojových tabuľkách nemajú priradený jednoznačný identifikátor primárny kľuč. Výnimkou je tabuľka obchodných partnerov PARHLA.dbf, kde je definované pole CIPA, ktoré je pre každý záznam v tabuľke jedinečné, ale pomocou CIPA, tabuľku PARHLA nie je možné v MOPwin prepojiť s inou tabuľkou), 3 NÁVRH BUSINESS INTELLIGENCE ANALÝZY Testovacie prostredie pre aplikovanie technológie Business Intelligence v prostredí programu SQL Server Management Studio v podnikovej databáze hypermarketu, vychádzajúc z teoretických poznatkov sme aplikovali BI v hypermarkete. Obrázok 10: Aplikovanie business intelligence 50

51 Zdroj: Vlastné spracovanie 3.1 Databázové súbory pouţité pri tvorbe OLAP kocky Pracovali sme s databázou a zdrojovými súbormi ktoré boli vysvetlené v 2 kapitole v analýze zdrojových nemenovaného hypermarketu, údaje nám boli poskytnuté prostredníctvom súborov : ObchodnýDom.mdf ( 2,58 GB). ObchodnýDom_log.ldf (235 MB). Súbory mali spolu 2,81 GB a boli uložené na lokálnom disku v adresári programu : Microsoft SQL Server\MSSQL11.SQLEXPRESS\MSSQL\DATA. Typy týchto súborov sú: SQL Server Database Primary Data File a SQL Server Database Transaction Log File. Každá databáza z databázového systému MS SQL Server pozostáva z dvoch súborov a to sú dátový súbor a transakčný súbor. Dátové súbory obsahujú dáta a objekty, ako sú tabuľky, indexy, uložené procedúry a pohľady. Log súbor (SQL Server Database Transaction Log File ) obsahuje informácie, ktoré sú potrebné na obnovenie všetkých transakcií v databáze. Databázový systém SQL Server má tri typy súborov, ako je uvedené v nasledujúcej tabuľke. Tabuľka 4: Rozdelenie databázových súborov Súbor Primárny Popis Primárny dátový súbor obsahuje spúšťacie informácie o databáze, a poukazuje 51

52 na ostatné súbory v databáze. Používateľské dáta a objekty môžu byť uložené v tomto súbore, Každá databáza má jeden primárny dátový súbor. Odporúčaná prípona súboru názov pre primárne dátové súbory je MDF. Sekundárny Sekundárne dátové súbory sú nepovinné, sú definované používateľom. Sekundárne súbory môžu byť použité na šírenie dát v rámci viacerých diskov tým, že každý súbor bude uložený na inej diskovej jednotke. Log súbor Súbory zapisovania transakcií obsahujú informácie o protokole, ktorý sa používa na obnovenie databázy. Databáza musí obsahovať aspoň jeden súbor zapisovania transakcií pre každú databázu uloženú na disku. Odporúčaná prípona súboru transakčných logov je LDF. Zdroj : Vlastné spracovanie To znamená že naša databáza obsahuje jeden primárny súbor a jeden log súbor zapisovania transakcií a bude obsahovať všetky dáta a objekty a súbor log, ktorý obsahuje informácie o transakciách vykonaných v databáze. V prípade že by sme chceli databázu rozšíriť o ďalšie roky mohli by sme vytvoriť sekundárne súbory aby bola databáza kompatibilná. Na nasledujúcom obrázku môžeme vidieť uloženie súborov na lokálnom disku. Obrázok 11: Uloţenie databázových súborov na disku 52

53 Zdroj: Vlastné spracovanie Ďalším krokom bolo pripojenie databázy v programovom prostredí Microsoft SQL Server Management Studio Pripojenie a definovanie štruktúry databázy V programovom prostredí Microsoft SQL Server Management Studio sme sa úspešne pripojili na náš nainštalovaný sever s názvom DANIEL-PC\SQLEXPRESS, typ servera bol Database Engine s overením Windows authentication a prostredníctvom týchto nastavení sme boli pripojený k serveru. Úspešné prihlásenie sa na server môžeme vidieť v prostredí Object Explorer, v ktorom sme taktiež pripojili databázu prostredníctvom voľby Attach - New Database a v dialógovom okne sme zadali cestu k uloženým mdf. a ldf súborom. Po pripojení súborov sme databázu nazvali Hypermarket. Pripojenú databázu, názov a cestu k súborom na disku môžeme vidieť na obrázku. Obrázok 12: Pripojená databáza Hypermarket 53

54 Zdroj: Vlastné spracovanie Aby boli tabuľky ľahšie identifikovateľné, sú názvy tabuliek rovnaké alebo podobné názvom tabuliek zdrojových dbf súborov. Pri tvorbe vnútornej štruktúry tabuliek dátového skladu sa vychádzalo zo štruktúry zdrojových tabuliek. Táto štruktúra bola upravená oproti štruktúre zdrojových tabuliek, pridaním nových stĺpcov a odobratím pre analýzu nepotrebných stĺpcov. Pridané stĺpce, boli stĺpce primárnych kľúčov (primary key) a stĺpce cudzích kľúčov (foreign key), ktoré v databáze MS SQL Server slúžia k zaisteniu referenčnej integrity. Odobrané stĺpce, boli stĺpce obsahujúce údaje nepotrebné pre požadované BI analýzy a funkčnosť dátového skladu. Údaje v týchto stĺpcoch využíva aplikácia MOPwin pre svoju produkčnú činnosť. Štruktúru a obsah tabuliek si môžeme pozrieť v tabuľke č.5: Tabuľka 5: Obsah tabuliek databázy Tabuľka Obsah tabuľky Typ tabuľky Cisoodd Obsah tejto tabuľky je naplnený Tabuľka dimenzií deviatimi záznamami ktorých obsahom je číslo oddelenia a názov. Cisopartner Táto tabuľka obsahuje 4791 Tabuľka dimenzií záznamov z ktorých sa môžeme dozvedieť názov dodávateľa tovaru, IČO, PSČ a mesto odkiaľ pochádza. 54

55 Cisopohyb Cisopohybu je tabuľka z ktorej môžeme vyčítať číslo pohybu od , samozrejme sa tu nachádza aj názov pohybu ako napríklad storno, reklamácia, hotovostný nákup, inventúry a pod. Cisskutov Nachádza sa tu 473 záznamov a slúži ako číselník skupín tovarov a služieb. Hladok a Hladok_k V tabuľkách Hladok a Hladok_k sú uložené údaje hlavičiek dokladov evidovaných v MOPwin. V MOPwin sú údaje hlavičiek evidované v jednej tabuľke. Pri importe do dátového skladu boli rozdelené na dve tabuľky Hladok a Hladok-k, z dôvodu existencie rovnakého primárneho kľúča ID_HLA. ID_HLA je rovnaký pri predajových dokladoch kombinovanej platby, preto sú tieto hlavičky dokladov uložené v samostatnej tabuľke Hladok_k, kde sú uložené len hlavičky predajových dokladov kombinovaných platieb, ktoré majú rovnaké ID_HLA, na ktoré nie je nastavený primárny kľúč. Hladok obsahuje a hladok_k záznamov. Pohyb Pohyb zaznamenáva všetky transakcie vykonané v hypermarkete od čísiel dokladov, množstva, dátumov a časov obsahuje riadkov. Zásoby Zásoby je typ tabuľky v ktorom nájdeme spôsob uloženia tovaru ide o kategorizáciu podľa balenia ako Tabuľka dimenzií Tabuľka dimenzií Tabuľka faktov Tabuľka faktov Tabuľka dimenzií 55

56 napríklad vrece, škatuľa a podobne, nachádza sa tu záznamov. Zdroj : Vlastné spracovanie Dáta v hypermarkete sú z logického pohľadu členené do schém - každá schéma zodpovedá jednej analyzovanej funkčnej oblasti. Jadro každej schémy tvorí jedna alebo niekoľko faktových tabuliek. V nich sú uložené vlastné analyzované údaje - číselné a finančné hodnoty, ktoré sú použité k analytickým agregačným výpočtom, triedeniu a pod. Väčšinu pamäťového miesta v dátovom sklade zaberajú tabuľky faktov, ktoré obsahujú detailné údaje zo všetkých zdrojov, teda radovo viac údajov ako ostatné tabuľky. Tabuľky faktov sú pomocou cudzích kľúčov spojené s dimenziami. Dimenzie sú tabuľky, ktoré obsahujú zoznamy hodnôt slúžiacich na kategorizáciu a triedenie dát vo faktových tabuľkách. Na nasledujúcom obrázku môžeme vidieť prepojenie tabuliek faktov a dimenzií v hypermarkete. Ako môžeme vidieť aj na obrázku, databáza hypermarket sa skladá z ôsmich tabuliek ktoré medzi sebou prepojíme za pomoci primárnych a cudzích kľúčov v časti Solution Explorer kde v záložke diagrams zvolíme New Databaze Diagram, v dialógom okne pridáme spomínaných 8 tabuliek. Obrázok 13: Diagram tabuliek faktov a dimenzií 56

57 cisodd odd nazov cispartner ID_PAR krnaz hladok ico voj pohyb odd ID_HLA odd mesto cpoh cpoh dod cdok cdok osob mnoz datum vyradeny prec cas pou zasoby ID_ZAS odd nakc datum casp sdph kons zlava zlava_c sumppc sumpnc ico voj krnaz suma nc1 nc2 nc3 pc1 pc2 pc3 hladok_k ID_HLA odd cpoh cdok datum cas ico voj reg dan2 krnaz nazov dan3 suma typ zl1 nc1 dopl zl2 nc2 nakc zl3 nc3 prec sluz pc1 zasoba zasobnik reklam sdph pocstav pocnakc pocprec cisdod vojd cisskutov ID_SKU sku psku nazov typ sdph kons cispohyb cpoh nazov sp zp zz pc2 pc3 dan2 dan3 zl1 zl2 zl3 sluz Zdroj: Vlastné spracovanie 3.2 Vytvorenie OLAP kocky z dátového skladu Vytvorenie projektu Pomocou programu Microsoft Visual Studio 2010 bol na lokálnom disku vytvorený nový projekt pod názvom DP1, typu Business Intelligence - Analysis Services Multidimensional and Data Mining. Tento projekt sme zvolili z toho dôvodu, že slúži na tvorbu multidimezionálnych modelov a na získavanie údajov veľkých databáz s cieľom ich analýzy. Obrázok 14: Zaloţenie nového projektu pre tvorbu OLAP kocky 57

58 Zdroj: Vlastné spracovanie Pripojenie zdroju dát Po vytvorení projektu bolo potrebné zadefinovať zdroj dát v prostredí Solution Explorer, na záložke Data Sources. Zdrojové údaje predstavujú pripojenie k naším dátam, teda k mdf súboru. Funkciou zdrojových údajov nie je spravovanie metadát, prepájanie vzťahov tabuliek, vytváranie pohľadov alebo výpočtov, jeho funkcia je pripojenie dát pomocou tohto sprievodcu a vytvoriť zdroj údajov. V nasledujúcom kroku zadefinujeme Data Connection, to znamená že zadefinujeme server ku ktorému sa máme pripojiť (DANIEL-PC/SQLEXPRESS) a databázu (Hypermarket) z ktorej budeme čerpať a použijeme provider Native OLE DB SQL Server Native Client Overenie funkčnosti pripojenia si môžeme overiť prostredníctvom Test Connection a v prípade úspešnosti dialógové okno vypíše Test connection succeeded. V nasledujúcej časti navrhneme, aké poverenia bude Windows používať na pripojenie k zdroju dát - zvolíme Use the service account a dokončíme vytváranie zdroja údajov. Zadefinovaním zdrojových dát môžeme ďalej vytvárať pohľady a jednotlivé tabuľky prepojiť. Obrázok 15: Overenie pripojenia pri definovaní zdrojových dát 58

59 Zdroj : Vlastné spracovanie Zobrazenie zdrojových dát V prostredí Solution Explorer pripravíme New Data Source Views a pomocou sprievodcu vytvoríme zobrazenie zdrojových dát, ktoré bude pozostávať z tabuliek relačnej databázy. Prostredníctvom sprievodcu je možné zvoliť pokročilejšie funkcie - ako napríklad spravovanie metadát, vytváranie vzťahov alebo nastavovanie logických kľúčov. V dialógovom okne výberu tabuliek sme označili všetkých osem tabuliek a toto zobrazenie sme pomenovali Hypermarket. Obrázok 16: Zobrazenie zdrojových dát za pomoci tabuliek v relačnej databáze 59

60 Zdroj : Vlastné spracovanie OLAP kocka Hypermarket V prostredí Solution Explorer, aplikácie MS Visual Studio sme v časti Cubes zvolili prípravu novej kocky a v zobrazenom okne si vybrali možnosť Use exsisting tables - sú to tabuľky databázy, teda zdrojové údaje. V okne Data Sources View Wizard - Completing the Wizard sme potvrdili záverečné zhrnutie pre vytvorenie pohľadu na zdroj dát. Po vytvorení zdroja dát systém zobrazí tabuľky tvoriace pohľad na zdroj dát. Tabuľka 6: Vytvorenie nových stĺpcov Stĺpec Funkcia Popis Zasoby.pskunazov =SUBSTRING(nazov,1,3) Pomocou tohto stĺpca boli tovary zaradené do skupín podľa prvých troch znakov názvov tovarov. Hladok.rok = year(datum) Pomocou tohto stĺpca je v tabuľke Hladok zobrazený rok transakcie. Stĺpec je súčasťou dimenzie obdobie. Hladok.mesiac = month(datum) Pomocou tohto stĺpca je v tabuľke Hladok zobrazený mesiac transakcie. Stĺpec je súčasťou dimenzie obdobie. Tržby =(sumppc-zlava-zlava_c) Výpočet sumy transakcie odrátaním zľavy na položku a zľavy z celkového nákupu z celkovej sumy 60

61 v predajných cenách za transakciu. HZ =((sumppc-zlava-zlava_c) /(1+(sdph/100)))-sumpnc Výpočet hrubého zisku na transakcii Zdroj: Vlastné spracovanie V pohľade boli prepojené tabuľky s nenastavenou reláciou zasoby s cisodd, a doplnené nové stĺpce cez voľbu New Named Calculation. Nové doplnené stĺpce ktoré sú zobrazené v tabuľke. Doplnené stĺpce môžeme vidieť aj na obrázku - sú zvýraznené červenou farbou. Obrázok 17: Tabuľky tvoriace pohľad na zdroj dát Zdroj: Vlastné spracovanie Naplnenie kocky V okne Solution Explorer, na objekte Hypermarket.cube sme prostredníctvom voľby Process zahájili tvorbu OLAP kocky. Po korektnom prebehnutí Deployment procesu, bolo potvrdené spustenie Process Progress Hypermarket. Systém napĺňal 61

62 kocku podľa preddefinovaných nastavení a celý prenos s priebehom napĺňania bol zobrazovaný v okne Process Progress. Po úspešnom naplnení kocky bol Proces Process Progress cez tlačidlo Close ukončený - viď obrázok. Obrázok 18: Naplnenie kocky Zdroj: Vlastné spracovanie 3.3 Analýza údajov z OLAP kocky Pripravená, zavedená kocka Hypermarket.cube bola otvorená prostredníctvom voľby Browse a v záložke Cube Structure bola vybrané dopočítané pole Tržby, ktorému bol nastavený formát Format String: Currency, a opäť, ako po každej zmene, bol spustený Process. Ako klienta analytických služieb sme zvolili program MS Excel a na základe zadefinovaných požiadaviek od manažérov hypermarketu, týkajúcich sa prehľadov tržieb, boli vygenerované výstupy, ktoré slúžia na podporu rozhodovania. Používatelia, ktorí budú využívať výsledky analýz, budú pracovať v im známom prostredí MS Excel. V programe MS Excel je možné ďalej analyzovať poskytnuté údaje vygenerované z databázového systému MS SQL Server a využívať ich na: zobrazenia, triedenia, filtrácie, podmienené formátovania, ale hlavne na tvorbu výstupov formou kontingenčných tabuliek Vytvorenie prehľadu trţieb podľa oddelení analyzovaných rokov Prostredníctvom projektu v prostredí Microsoft Visual Studio, boli zobrazené výstupy z OLAP kocky v programe MS Excel. V programe MS Excel sme za pomoci 62

63 kontingenčnej tabuľky analyzovali tržby jednotlivých oddelení v dvoch po sebe nasledujúcich rokoch. V nasledujúcej tabuľke a na grafe môžeme vidieť prehľad tržieb podľa jednotlivých rokov. Prvým výstupom bolo zobrazenie tržieb za oba analyzované roky - tržby sú uvedené v eurách pomocou funkcií kontingenčnej tabuľky sme nastavili menovky stĺpcov podľa názvu oddelenia, vďaka tomu na grafe môžeme vidieť tržby všetkých oddelení za obdobie dvoch rokov. V časti obchodík môžeme vidieť, že v roku 2013 obchodík nefungoval z dôvodu nízkych tržieb. Obrázok 19: Naplnenie kocky zobrazenie trţieb podľa rokov a oddelení Zdroj: Vlastné spracovanie Analyzovanie trţieb podľa jednotlivých mesiacov, rokov a oddelení Vo výberovom okne filtre boli vybrané pohyby za jednotlivé mesiace všetkých predajných sekcií. Názvy mesiacov v boli v databáze definované následným číselným radom zobrazeným v tabuľke: Tabuľka 7: Číselný rad mesiacov Mesiac Číselný rad Január 01 Február 02 Marec 03 Apríl 04 Máj 05 Jún 06 63

64 Júl 07 August 08 September 09 Október 10 November 11 December 12 Zdroj : Vlastné spracovanie Nasledujúca tabuľka a graf zobrazujú rozdelenie tržieb podľa jednotlivých mesiacov, v tabuľke ako aj na grafe môžeme vidieť, že v prvom sledovanom roku niektoré položky v mesiaci august a september nezaznamenali žiadne tržby, alebo ako napr. sekcia drogérie zaznamenala mínusové hodnoty. Ďalej vidíme, že nasledujúcom roku boli tieto chyby odstránené aj vďaka výsledkom analýz Business Intelligence. Na základe analýz môžeme skonštatovať, že najlepšími z hľadiska tržieb boli oddelenia: Potraviny, Textilná galantéria, odevy a Textil. Najmenej ziskovým bol Obchodík, ktorý bol v roku 2013 z dôvodu nízkych tržieb zrušený. Obrázok 20: Prehľad trţieb podľa jednotlivých mesiacov všetkých oddelení Zdroj: Vlastné spracovanie Obrázok 21: Graf prehľadu trţieb podľa jednotlivých mesiacov a oddelení 64

65 Zdroj: Vlastné spracovanie Prehľad poloţiek podľa jednotlivých oddelení za analyzované roky V ďalšej časti analýzy sme rozobrali jednotlivé oddelenia a tržby za ich položky. Z týchto výsledkov sme vyhodnotili najpredávanejšie produkty a nepredajné, respektíve produkty s najmenšou tržbou, uskutočnenou v dvoch sledovaných rokoch. Výsledky z obidvoch rokov sme porovnali a zobrazili na kruhovom grafe Sekcia potraviny Sekcia Potraviny bola v obidvoch sledovaných rokoch najziskovejšia. Pre túto sekciu sme pripravili tabuľku, ktorá poukazuje na ziskové a neziskové výrobky v oboch sledovaných rokoch naraz. Na výstupe z programu MS Excel môžeme vidieť vľavo najpredávanejší produkt a jeho tržbu za dva roky, v tomto prípade je to konzumný chlieb. V pravej časti tabuľky vidíme mínusové položky a tržby za sledované obdobie. Na obrázku vidíme, že až položka SALSA na jedenástom mieste bola predávaná v oboch rokoch teda zobrazuje súčet. Nezobrazovanie súčtu údajov prvých položiek v tabuľke je z dôvodu, že v nasledujúcom roku neboli zaradené do predaja. Obrázok 22: Sekcia potraviny trţby za poloţku 65

66 Zdroj : Vlastné Spracovanie Z dôvodu, že jednotlivé oddelenia obsahujú veľa položiek, by vytvorený graf nebol priehľadný, preto sme do tejto kapitoly vložili graf porovnania tržieb sekcie potravín za oba roky a taktiež porovnanie dopočítaného poľa HZ, čo znamená výpočet hrubého zisku na transakcii, tieto informácie môžeme vidieť na obrázku. Obrázok 23: Graf porovnania trţieb a hrubých ziskov oddelenia potravín Zdroj : Vlastné spracovanie 66

67 3.3.5 Sekcia Textil Pre sekciu Textil zobrazujeme najlepšie a najhoršie predávané položky ich tržby podobne, ako pre sekciu potravín. Obrázok 24: Sekcia textil - trţby za poloţky Zdroj : Vlastné Spracovanie, Obrázok 25: Graf porovnania trţieb a hrubých ziskov oddelenia textil za sledované roky Zdroj : Vlastné spracovanie 67

68 3.3.6 Analýza trţieb V predposlednej analýze sme za pomoci kontingenčnej tabuľky zobrazili výsledky interpretujúce tržby všetkých oddelení za sledované obdobia. V grafe môžeme vidieť jednoznačnú dominanciu predaja potravín, zrušenie externého obchodíka a vďaka analýze dát a podobnému spracovaniu môžeme vysloviť, že rok 2013 bol úspešnejší, jeho tržby sú vyššie aj z dôvodu prehodnotenia predaja neziskových výrobkov, ako sme poukázali aj v predošlých analýzach - len málo výrobkov, ktorých tržby mali záporné hodnoty, boli predávané aj v roku Aj vďaka takýmto analýzam si môžu rôzne spoločnosti svoje hospodárske výsledky sledovať a každým rokom zlepšovať svoje hospodárske výsledky, čo je úzko spojené s zo ziskom spoločnosti. Obrázok 26: Porovnanie trţieb oddelení podľa rokov Zdroj: Vlastné spracovanie Analýza hrubého zisku Hrubý zisk je prebytok tržieb nad nákladmi z predaja a predstavuje zvyšok zisku z predaja po odrátaní výrobných nákladov, grafom sme znázornili porovnanie hrubých ziskov všetkých oddelení za sledované roky. Obrázok 27: Porovnanie hrubého zisku oddelení podľa rokov 68

69 Zdroj: Vlastné spracovanie Porovnanie trţieb a hrubého zisku Obrázok 28: Porovnanie trţieb a hrubého zisku Zdroj: Vlastné spracovanie 69