Poslovna inteligencija (Business Intelligence)

1. Poslovna inteligencija (Business Intelligence) Anela Bocor Marija Čuljak Melita Ćališ

2. ŠTO JE POSLOVNA INTELIGENCIJA? • Poslovna inteligencija (BI) je termin za različite softverske aplikacije koje ste koriste za analizu podataka koji nastaju djelovanjem organizacije. • Poslovna inteligencija • predstavlja skupinu novih aplikacija oblikovanih tako da mogu organizirati i • strukturirati podatke o poslovnim transakcijama na način koji omogućuje analizu korisnu u potpori odlučivanju i operativnim aktivnostima kompanije. • -obavještajna aktivnost u poslovnom svijetu koju planiraju,organiziraju i provode poslovni subjekti • BI nije stvaranje veće količine informacija, već isključivo generiranje boljih, kvalitetnijih informacija potrebnih pri donošenju poslovnih odluka • (moć poticanja i stvaranja pozitivnih promjena u sredini u kojoj se stvara )

3. BIT POSLOVNE INTELIGENCIJE Informacije pretvoriti u znanje, a znanje u profit BI nekad – postojao u smislu poslovne špijunaže, gdje je cilj bio doći do informacija koje će povećati uspješnost tvrtke u odnosu na konkurenciju (tzv. “James Bond BI”) Glavni problem = kako doći do informacije BI danas – orIjentiran na alate i metodologiju koja će otkriti uzorke, uzroke problema ili predviđanja Glavni problem = kako masu informacija obraditi i iz nje izvući zakonitosti

4. KLJUČNE (JEZGRENE) ZNAČAJKE POSLOVNE INTELIGENCIJE • Zasniva se na personalizaciji • Proaktivna je • Nastaje iz operativnihpodataka

5. Na tržište je do 2007. godine ušlo pedesetak ponuđača rješenja za poslovnu inteligenciju. •IBM •Oracle •Microsoft •SAP •SAS •Business Objects •Cognos •MicroStrategy •Hyperion •IBI

6. BI U HRVATSKOJ U Hrvatskoj poslodavci to još uvijek smatraju troškom, a ne investicijom koja će u budućnosti donijeti profit. Na žalost, većina poslodavaca još uvijek nije svjesna da se mnogo bolji rezultati mogu ostvariti kada se svi segmenti tržišta prate kontinuirano. Sve velike tvrtke koje drže do sebe taj su dio poslovanja već formirale ili rade na tome. No velik broj tvrtki taj segment poslovanja nema. U početku je najveći problem bio kako potencijalnim klijentima objasniti da poslovna inteligencija i inteligencija konkurentnosti nemaju veze s gospodarskom špijunažom

7. Poznatije hrvatske tvrtke koje su implementirale i u praksi primjenjuju koncept poslovne inteligencije između ostalih su: • 1. BI tvrtke koje su ugradile Cognos: • Lura • Agrokor • Kraš • Zagrebačka pivovara • Nexe Grupa • 2. BI tvrtke koje koriste Oracle: • VIPnet • Croatia osiguranje. • 4. BI tvrtke koje koriste SAP: • Pliva • Podravka • Ministarstvo financija RH. 3. BI tvrtke koje koriste SAS: - Zagrebačka banka -Privredna banka - INA. 5. BI tvrtke koje koriste SoftPro: Medika Magma.

8. Alati poslovne inteligencije

9. OLAP

10. Što je OLAP? • On-Line Analytical Processing (Codd) • skupina alata za izvođenje znanja iz skladišta podataka • zasnovan na multidimenzijskoj analizi podataka (gledanje podataka kroz veći broj filtara, odnosno dimenzija) • omogućuje obavljanje vrlo brzih analiza – korisnici • (manageri) postavljaju pitanja (upite) i dobivaju odgovore • (izvještaje) u vrlo kratkom vremenu

11. ŠTO OLAP OBUHVAĆA? • OLAP alati obuhvaćaju širok spektar • mogućnosti: • jednostavna pretraživanja i navigacije, • proračune (kalkulacije) • složenije analize, npr. analize vremenskih nizova, • predviđanja, modeliranje

12. ARHITEKTURA OLAP ALATA OLAP klijent Skladište podataka OLAP poslužitelj (server) korisnik

13. OLAP server vs. OLAP klijent • OLAP server – omogućava kreiranje višedimenzionalnih “kocki” podataka koje se kasnije mogu analizirati različitim metodama, dolazi uz bazu (npr. SQL server ili Oracle) • OLAP klijent – aplikacija koja omogućava različite analize na učitanim “kockama” podataka

14. DIMENZIJSKA ANALIZA PODATAKA • U OLAP alatima najčešće se koriste ove • dimenzije podataka: • proizvod (gdje se pojedinačni proizvodi grupiraju u manje, a zatim i u veće grupe proizvoda) • tržište (npr. proizvodni odjeli, prodavaonice, gradovi, • regije, države kontinenti) • vrijeme (npr. dan, tjedan, mjesec, kvartal, godina) obuća ženska obuća ženska cipela model S120 muška obuća ženska cipela model S130

15. UPITI POMOĆU OLAP ALATA

16. METODE DIMENZIJSKE ANALIZE • Slicing - raslojavanje (horizontalni presjek • kocke) • Dicing – presijecanje (vertikalni presjek kocke) • Pivoting (rotating) – zaokretanje tablice tako da • se podaci iz retka premjeste u stupac i obrnuto • Drilling – bušenje (dizanje analize na jednu • razinu više ili spuštanje na nižu razinu grupiranja • proizvoda, tržišta, ili vremena)

18. INAČICE OLAP ALATA • MOLAP (višedimenzijski OLAP) - ima vlastiti n-dimenzijski • model podataka • ROLAP (relacijski OLAP) - počiva na relacijskom modelu • podataka, proizvođači: Microsoft, IBM, MicroStrategy, • Oracle • DOLAP (OLAP za stolna računala) – prilagođen primjeni • na manjim računalima (ne zahtijeva velike servere), • namijenjeni za jednog korisnika, proizvođači: • BusinessObjects, Cognos • HOLAP (hibridni OLAP) – kompromisno rješenje, • kombinira mogućnosti ROLAP-a i MOLAP-a (ima vlastiti • model podataka, ali koristi i relacijski)

19. OLAP ALATI NA TRŽIŠTU Na tržištu su najpoznatiji OLAP alati (odnosno alati za skladištenje podataka): Cognos Business Objects MicroStrategy Brio Technology Crystal Decisions Hummingbird SoftPro Manager i CubePlayer – hrvatski proizvodi

20. ŠTO MENADŽER MOŽE NAPRAVITI U OLAP ALATU? • preduvjet: • učitati kocku iz skladišta podataka ili spremišta podataka • napraviti upite (ako želi prikazane neke podatke tablično) • napraviti grafičke prikaze podataka iz upita • rotirati tablice, drill-down i drill-up • raditi min-max analize (za traženje uspješnih ili • neuspješnih elemenata, te za detekciju problema) • raditi ostale poslovne analize (ABC analize, trend, • predviđanja, i dr.)

21. OSNOVNI IZGLED

22. DRUGI POGLED NA PODATKE

23. DATA MINING

24. ŠTO JE RUDARENJE PODATAKA? Rudarenje podataka (engl. Data Mining) je skup metoda usmjerenih pronalaženju (prikrivenih) zakonitosti u podacima. Tretirani podaci mogu biti organizirani u baze podataka, ali isto tako to mogu biti i tekstualni podaci ili nestrukturirani podaci zahvaćeni s Weba.

25. Poznato otkriće rudarenja podataka za P&G: Pelene kupuju očevi petkom poslijepodne, i uz njih obično kupe pivo za gledanje utakmice preko vikenda! Korist od ovog otkrića: Reklame za pelene treba slati očevima a ne majkama! Zalihe treba planirati tako da petkom bude najviše robe na policama.

26. uspješnost primjene data mininga ovisi prvenstveno o stručnosti i poslovnoj sposobnosti onih koji tumače dobivene rezultate • upravo te osobe svojim znanjem i iskustvom mogu biti sposobne neki naizgled besmislen uzorak interpretirati na poslovno korektan i smislen način i pretvoriti ga u vrijednu informaciju

27. ŠTO MOŽEMO NAPRAVITI DAtA MININGOM? • otkriti profil tipičnog klijenta određene vrste proizvoda • otkriti sklonosti klijenta kupnji • napraviti model potrošačke košarice • predvidjeti trendove pojava, npr. kretanja profita • otkriti sličnosti među tržišnim kategorijama i dr.

28. Primjer uporabe DM • ako smo vlasnik ili manager u lancu trgovina i želimo saznati postoji li pravilnost u trendovima prodaje u nekoj od trgovina početkom tjedna ili krajem tjedna i zašto • ili želimo saznati da li će se povećati prodaja nekogartikla X ako se prodaje u paru s artiklom Y • ako smo manager u banci i želimo saznati profil klijenata koji će vjerojatno otići u minus na tekućem računu ili profil onih koji neće vraćati kredit

29. Primjeri primjene DM • trgovina - Potrošačka košarica – za identificiranje artikala koji se prodaju zajedno, za određivanje načina oglašavanja artikala, za predviđanje efektivnosti promocije i reklame • medicinske ustanove – za predviđanje uspješnosti operacija, medicinskih testova, ili lijekova • proizvodne tvrtke – za procjenu vjerojatnosti kvarova proizvoda

30. Slučaj primjene DM • Tvrtka Petrolnapravila je dvije analize: -analizu veleprodaje i identificirala kupce za koje je vjerojatno da će biti slabi platiše u budućnosti -analizu računa kupaca kako bi otkrila u kojim danima u tjednu treba imati veće zalihe goriva

31. Veza DM i poslovnih ciljeva Tvrtke često koriste reklamu putem pošte direktno na adrese potrošača. Stopa reakcije na ovakvu reklamu u SAD je oko 2%. DM može pomoći u smanjivanju ovog uzaludnog napora i troška predviđanjem reakcije potrošača, i time slanjem reklama samo onim skupinama za koje postoji velika vjerojatnost da će kupiti proizvod.

32. DM proces

33. Tehnike koje koristi DM • neuronske mreže • stabla odlučivanja • asocijativna pravila • upravljanje bazama podataka • statističke metode

34. DM se može koristiti za • Klasifikaciju • Predviđanje • Asocijaciju (prepoznavanje uzoraka)

35. Alati za DM • statistički softverski paketi (npr. SAS, Statistika) • matematički softverski paketi (npr. MathLab, Matematica) • alati uključeni u skladištenje podataka (OLAP) ili sustav za upravljanje bazom podataka (npr. Microsoft SQL Server Business Intelligence) • specijalizirani alati za općenite ili poslovne primjene (npr. DataMiner, IntelliMiner, i sl.)

36. Data Mining opcija u Excelu

37. DM vs. Olap Razlika: OLAP je tehnologija za sumiranje i agregaciju podataka, a DM je metodologija za traženje uzoraka i veza među tim podacima

38. DASHBOARD / SCORECARD

39. DASHBOARD & SCORECARD • Osmišljeni su 80-tih godina prošlog stoljeća kao element sustava za potporu odlučivanju • To su vizualna pomagala koja omogućuju sažet i pregledan prikaz podataka u alfanumeričkom ( brojke , slova) ili grafičkom obliku. • Iako predstavljaju zasebnu skupinu alata oni se danas prezentiraju kao izvještajni oblik u sve vrste analitičko-izvještajnih sustava. • Mogu se promatrati kao alati poslovnog izvješćivanja, ali i kao prezentacijske dijelove OLAP alata, DM alata

40. DASHBOARD • radna ploča za prikaz bitnih • zbirnih podataka • Proširuje raspon poslovne inteligencije i uvodi svakog zaposlenika u postupak upravljanja performansama putem personaliziranih kartica s rezultatima temeljenih na webu • Pantheon 5.5 (ZEUS Nadzorna ploča) • Klipfolio Personal Dashboard 5.1 • Google Dashboard

44. SCORECARD • predstavljaju kombinacije kategorija i pitanja koja se mogu definirati kako bi se izdvojile najbitnije informacije o projektima i ponudama • vrlo su korisni prilikom mjerenja otklona od poslovne strategije tvrtke, analize rizika i drugih bitnih faktoraposlovanja. • svakom odgovoru dodjeljuje se određeni rezultat; zatim se svako pitanje i kategorija ocjenjuju kako bi na kraju produciralifinalni rezlutati • rezultati i faktori se određuju na administrativnoj razini i nisu vidljivikorisniku

46. PREDNOSTI KOJE PRUŽAJU VIZUALIZACIJSKI ALATI • Mogućnost jednostavne detekcije i ispravka negativnih pojava u poslovanju • Eliminacija nepotrebnih nizova i podataka što pridonosi preglednosti • Mogućnost pružanja dodatnih informacija temeljem “klika” korisnika • Kontinuirano praćenje povratne veze u domeni strategije poslovanja i poslovne operative • Pojačava potencijale drugih oblika analize podataka i izvješćivanja temeljem skladišta podataka • Podiže efikasnost poslovanja

47. EXCEL • ima brze performanse, velik kapacitet proračunskih tablica i intuitivnu izradu formula uz poslovne izraze i napredno sortiranje i filtriranje • podržava napredne analize koje nude bolji pregled i donošenje odluka • proširive i strukturirane aplikacije s poboljšanom sigurnošću, istodobno štede vrijeme i novac

49. ZAKLJUČAK Alati poslovne inteligencije daju jednu novu, do sada gotovo nepoznatu, kvalitetu poslovnim informatičkim sustavima i sustavima poslovne inteligencije. Njihovi korisnici u svakom trenutku i na svakom mjestu imaju na raspolaganju ključne poslovne informacije i mogućnosti analize na vrlo jednostavan, brz i učinkoviti način. To je danas u poslovnom svijetu vrlo korisno.

50. LITERATURA • Internet