Pojmy Business Intelligence (BI, též Management information systém - MIS) a Data Warehousing (DW - datový sklad) se dnes často objevují ve slovnících pracovníků oddělení informačních technologií, avšak jsou často různě vykládány. Vyskytují se pojmy Data Mining, OLAP - multidimenzionální analýza a další. Pokládáme za vhodné provést následující přehled oblasti BI pro širší odbornou veřejnost. České překlady těchto pojmů se zatím plně neustálily, nebo nejsou dostatečně výstižné. Prioritou je zde proto především čitelnost textu.

Architektura systémů BI
Z hlediska geneze architektury BI byly nejprve vyvinuty nástroje MIS, které z dat organizace čerpaly souhrnné údaje pro management a obchodní analytiky. Z původních nástrojů MIS se vyvinuly dnešní presentační, analytické a reportovací nástroje BI, mezi které však dnes patří i spreadsheety Microsoft Excel a Lotus 1-2-3, v tomto textu se jimi nebudeme dále zabývat. Dalším systematickým vývojem byly vyvinuty další kategorie nástrojů a řešení jsou dnes souhrnně označovány jako BI: OLAP, Data Mining a Data Warehousing. Logickou stavbu těchto řešení BI se pokusíme naznačit dále.

Nástroje BI slouží pro podporu úspěšného rozhodování v obchodní společnosti či organizaci s cílem volby její vhodné strategie na trhu a snížení rizik, která jsou spojena s každým strategickým rozhodováním.

Systémy pro multidimenzionální analýzu - OLAP
Cílem obchodního rozhodování každé společnosti je mít a udržet si trvalý úspěšný finanční stav i v budoucnosti na základě analýzy minulého a současného stavu. Úspěšný finanční stav této společnosti se projevuje ve vysokém procentu jejích úspěšných obchodních transakcí. Finanční údaje těchto obchodních transakcí se nazývají fakta a jsou to zejména obrat a zisk.

Obchodní rozhodnutí i obchodní transakce se provádějí ve vícerozměrném (multidimenzionálním) prostoru trhu. Finanční fakta jsou v tomto smyslu pokládána pouze za další rozměr trhu. Rozměry trhu a charakteristiky obchodních transakcí z hlediska většiny obchodních společností jsou:

- Zboží, s kterým společnost obchoduje - dimenze
- Zákazníci kupující zboží - dimenze
- Časová období, která jsou zajímavá pro společnost - dimenze
- Místa, kde se zbožím obchoduje - dimenze
- Finanční údaje - fakta

V konkrétní praxi může být i jiný než zde uvedený počet rozměrů (i jejich typů), jestliže máme menší či větší počet údajů charakterizujících obchodní transakce. Dále mohou mít jednotlivé dimenze hierarchickou strukturu, v níž lze provádět analýzu, např.: místo je v obci, která je součástí okresu či regionu, vyjádření finančních údajů transakcí v různých měnách, buď zavedením různých dimenzí pro různé měny nebo hierarchizací dimenze faktů pro různé měny, uvedení obchodníka, který transakci realizoval, buď v dimenzi zboží, nebo v dimenzi místo a nebo další dimenzí " obchodník".

V praxi se však OLAP analýza vyjadřuje nejnázorněji multidimenzionální kostkou, znázorňovanou však jako obyčejná krychle, jejíž hrany jsou dimenze. Jsou-li dimenze jednoduché, mluvíme o hvězdicovém OLAP modelu. Při uvažování hierarchie dimenzí dostaneme vločkový OLAP model (v analogii s rozvětvenou sněhovou vločkou). Schéma obou modelů je na obr.2

V praxi se takový model navrhne na základě požadavků obchodní analýzy. Jeho realizace se v současných systémech BI provádí v rámci datového skladu (DW).

V datovém skladu (DW) se z provozních dat vytvoří tabulky dimenzí i tabulky faktů, které buď přímo tvoří kostku v relační DB, tj. ROLAP, nebo z nichž se kostka tvoří externě ve speciální (multidimenzionální) databázi a pak se označuje MOLAP. První řešení bývá v praxi univerzálnější, druhé je rychlejší. Existuje i kombinace obou způsobů, která se označuje HOLAP (hybrid).

Základní operace při plnění kostky OLAPu je hierarchické sčítání faktů pro jednotlivé údaje dimenzí lze však přitom provádět i výpočet složitějších aritmetických výrazů nad atributy faktů.

V OLAP analýze lze pak sledovat a modelovat různé závislosti a trendy na trhu, tak jak jsou zobrazeny v analyzovaných datech.

Data Mining - dolování dat
Termín Data Mining se používá pro činnost prováděnou nástrojem nazývaným Data Miner (DM). Na rozdíl od technologie OLAP, kde můžeme stejné výsledky byť pracněji získat pomocí sofistikovaných SQL příkazů jsou výsledky Data Mineru výsledkem aplikace algoritmických modulů, které pocházejí z disciplíny nazývané v originále Machine Learning. Získané výsledky jsou proto v datech odhaleny či objeveny a lze je jen nesnadno získat jiným způsobem, jako je např. komplikovaná statistická analýza s vytvářením a ověrováním statistických hypotéz nebo intuice lidského genia.

Výsledky Data Mineru je však třeba správně vysvětlit a vysvětlení ověřit, neboť nemusí být triviální. K tomuto ověření může posloužit OLAP.

Data Miner je vybaven sadou modulů pro provádění řady metodik jako jsou:

- klasické statistické techniky
- faktorová analýza
- shluková analýza dat, jejímž výsledkem jsou shluky transakcí, které jsou si podobné v zadaných atributech
- rozpoznávání asociací v datech transakcí
- rozpoznávání sekvenčních vzorků mezi následnými transakcemi
- rozpoznávání časových podobností
- klasifikace transakcí
- predikce výsledků transakcí

Uvedené techniky lze navíc provádět volitelně různými technikami a algoritmy, např. shlukovou analýzu lze provádět demongrafickým algoritmem (Condorsetovo kritérim) a aplikací neuronové sítě.

Podobná možnost volby neuronové sítě platí i pro klasifikaci a predikci transakcí.

Při analýze pomocí DM se doporučuje používat několika z výše uvedených metodik a technik současně.

Výsledky analýzy DM jsou prezentovány graficky různým způsobem. Existuje i termín grafické dolování, kdy jsou data nejprve interpretována graficky a vlastní dolování spočívá ve výkladu získaného grafického obrazu.

K prezentaci a reportování výsledků je buď DM vybaven, vzhledem k jejich určité specifice, vlastními prostředky, nebo jsou na trhu k jejich prezentaci nabízeny speciální nástroje a knihovny.

Data pro analýzu DM je možné připravovat vlastními prostředky konkrétního DM nebo pomocí obecnějších nástrojů datového skladu (DW).

Nástroje a techniky datového skladu (DW)
Úkolem nástrojů datového skladu je připravit data pro OLAP a DM analýzy. Data je třeba shromáždit z různých (produkčních) datových zdrojů, vyčistit je, upravit a transformovat je do potřebného formátu, na požadovaném místě a v požadovaném čase. K tomu je třeba, aby byl nástroj pro budování a údržbu datového skladu vybaven potřebnými funkcemi.

Vzhledem k různorodosti a obecnosti vyžadovaných funkcí je logickým základním nástrojem pro umístění datového skladu univerzální relační databázový systém, stejný, jaký se používá pro ukládání dat v produkčních informačních systémech.

Závěr
Výše uvedené informace byly získány na základě zkušeností z praktické aplikace portfolia BI produktů firmy IBM a charakteristiky jednotlivých popisovaných produktů.


IBM SWG Technical Sales