Poslovna Inteligencija Bojan Ciric

POSLOVNA INTELIGENCIJA

Izdavač data ^icilu^ Beograd ww w. d a c as t a t u s. co. v u cei: 011/3017-832 fax: 011/3017-835 Za izdavača PREDRAG ĐURKOVIĆ, DIPL. INŢ.

Autor

I

BOJAN ĆIRIĆ

Recenzenti: PROP, DR VOJ KAN VASKOVIĆ, PROP, DR DRAGANA BPĈEJSKI VUJAKLIJA

Lektor

BEDRIJA ARSIĆ

Tehnički urednik

VLADIMIR NEŠKOVIĆ

Dizajn korica GORAK ĆIRKOVIĆ

Štampa SP PRINT, Novi Sad Tiraţ 500 Beograd 2006 ISBN 86-7478-013-0

POSLOVNA INRELIGENCIJA Sea prava zadrţana. Ni jedan deo ove knji»c no moţe bici reprodukovan, snimljen, ili emitovan na bilo koji način: elektronski, mehanički, ioiokopiranjem iii drugim vidom, bez pisane dozvole izdavača.

Ovu knjigu posvećujem Anji, Milošu i Bojani. Mi smo jedno srecna porodica.

Posebnu zahvalnost dugujem kompaniji Pexim Solutions. Ponosan sam što sam deo nje i deo vizije koja se ostvaruje.

Sadržaj

Poglavlje 1 - Uvod u poslovnu Inteligenciju 9 Ukratko o sadrţaju 9 Kome je knjiga namenjena 10 Terminologija 10 Značaj poslovne informacije 11 Aspekti informacionih tehnologija u preduzečo 11 Razvoj informacionih tehnologija — ukratko 13 Centralizovana arhitektura 14 Distribuirana arhitektura 15 Višeslojne arhitekture 16 Retrospektivni pogled na Data warehousing 18

Poglavlje 2 - Poslovna inteligencija 21 Šta je to poslovna inteligencija 21 Razvoj poslovnih informacionih sistema 21 Prva generacija - Host bazirani upiti i izveštavanje 21 Druga generacija - Data warehousing 22 Treća generacija - Poslovna inteligencija 23 Zašto je potrebna poslovna inteligencija 24 Šta je potrebno za poslovnu inteligenciju 25 Neki aspekti poslovne inteligencije 26 Menadţment znanja 27 Poslovna inteligencija i menadžment znanja 28 Putokaz za inteligentno poslovanje 29 Integracija poslovne inteligencije u preduzeća 31 Tehnike za integraciju poslovne inteligencije I 6 Poslovna inteligencija u preduzeće 34 Tehnika broj 1: Integracija poslovne inteligencije u enterprise portale 34 Tehnika broj 2: Ugnežđenje analitičkih metoda u operativne aplikacije 36 Tehnika broj 3: Web servisi 40 Tipovi aplikacija poslovne inteligencije 43 Izveštajne aplikacije 44 Ad hoc upiti i izveštavanje 44 Analitičke aplikacije 44 Statističke analize i data mining 44 Aplikacije za planiranje 45 Ključni indikatori performansi 46 Indikatori fokusirani na troškove 47 Indikatori fokusirani na proizvod 47 Indikatori orijentisani na kupca 48 Organizaciono barijere za primenu poslovne inteligencije 49 Pmrnene u strukturi moći 49 Kulturološki imjterativi 50 Preraspodela autoriteta 50 Problemi s kadrovima 50 Poslovna inteligencija: uticaji, trendovi, inovacije 51 Uticaji na posloimu inteligenciju 51 Napredak u oblasti organizacije 52 Tehnološki trendovi poslovne inteligencije 52 Budućnost poslovne inteligencije 54

Poglavlje 3 - Data warehouse 59 Data warehouse - detaljnije 59 Daxa warehouse arhitektura 61 Operativne i eksterne baze podataka 62 Nivo za pristup informacijama 62 Nivo za pristup podacima 62 Nivo direktorijuma podataka (metadata) 62 Nivo za komunikaciju aplikacija 62 Nivo data warehouse 63 Nivo transformacije podataka 63 Neki aspekti data warehouse 63 Oblast koju pokriva data warehouse 64 Obim redundanse podataka 64 Tipovi krajnjih korisnika 65 Razvoj data warehouse sistema 65 Izbor data warehouse strategije 65 Projektovanje data warehouse sistema 66 Upravljanje data warehouse sistemom 66 Kritične tačke data warehouse sistema 67 Budući razvoj 67 Primer ponude za data warehouse projekat 67 Pregled postojećeg stanja 68 Uvod 68 Nedostaci postojećeg sistema 69 Prednosti novog sistema 70 Prcx:es razvoja i troškovi 70 „Političko" okruženje 71 Plan rada 71 Zaključak (primera ponude) 72

109 Zumiranje podataka 109 Centralizovan sistem sigurnosti 109 Poslovna pravih 109 Poredenje mukidimenzionalnih analiza sa SQL pristupom 110 Zadovoljavanje heterogenih potreba širokog kruga korisnika 110 Analitičari. auton izveštaja 1 1 1 Menadžeri 1 1 1 Korisnici informacija 1 1 1 Kreiranje i implementacija OLAP izveštaja 112 Kreiranje i održavanje kocaka podataka (data cubes) 113 Upravljanje vremenskim kategorijama 113 Primana siandardiz' wanih poslovnih pravila 114 K( inverzija valu ta 1 1 4 Centralizovam sistem sigurnosti 1 1 4 implementacija kocaka podataka 114 Izrada OLAP izveštaja 115 Napredno formatir crnje 1 1 5 Upravljanje izuzecima 115 Distribucija OLAP izveštaja 116 Praktičan primer izrade kocke podataka 116 Struktura tabela 116 Primena OLAP izveštavanja u preduzeću 119 Finansije 119 Prodaja 120 Marketing 1 2 1

Poglavlje 7 - Upravljanje poslovnim procesima (BPM) 123 Uvod u upravljanje poslovnim procesima (BPM) 123 Šta je BPM 123 Sta je potrebno za uspešan BPM 124 Kako planirati, izabrati i implementirati BPM rešenje 124 Prikupljanje informacija 125 Utvrđivanje potreba 1 2 5 Izbor odgovarajućeg softverskog rešenja 1 2 6 Analiza efekta investicije (ROI, Return Of Investment) 126 Stuktura BPM rešenja 127 Karakteristike i funkcionalnost 111 Razvojni alati i korisnički interfejsi 128 Nivo a¡)likativnih programskih interjejsa i okvira 128 Automatizacija procesa, workflow i mehanizam za utvrđivanje pravila 128 Transformacija podataka 129 Servisi z.a pwezivanje 12 9 Upravljanje poslovnim aktivrujstima 129 Busines Process Automation 130 Projekat implementacije BPM 1 3 1 Uspešnost BPM-a i kako je izmoriti 132 Ukupni troškovi 132 Operativna efikasnost 132 Smanjenje jediničnih troškova 133 Obezbeđenje kontinuiteta u razvoju BPM-a 133 Studije slučaja 135 Studija 1: US Bancorj) 135 Studija 2: Telenor 136 BPM Zaključna reč 137

Poglavlje 8 - ERP sistemi 139 Neki aspekti strategije investicija u informacione tehnologijo 139 Poslovni infonruicioni sistem - Integralni, ERP? 141 Mosto i uloga ključnih faktora ERP sistema 143 Zašto kupiti ERP rešenje 143 Efekti implementacije ERP rešenja 144 Uloga ERP sistemu u novim menadžment pristupima 148 ERP sistemi - metodologija implementacije kao faktor uspešne investicije 150 Prodaja orijentisana na ciljeve 1 5 1 Provera referenci dobavljača — trenutak istine 1 5 1 Razurnevanje metodologije implementacije 153 Faktori koji utiču na uspešnost implementacije 154 Zaključne napomene 155

Poglavlje 4 - D*TA MINING i Knowledge Poglavlje 9 - Ključni igrači na tržištu 157 Cognos 157 discovery 73

Cognos ReportNet 1 5 8 Cognos PowerPlay 159 Cognos Visualizer 162 Cogruis DecisUrnStream 163 Cognos NoticeCast i Cognos Performance Applications 164 Hyperion 165 Hyperion Essbase 165 Hyperion Metrics Builder 167 Hyperion Intelligence 168 Hyperion Performance Suite 170 Hyperion Reports 170 Hyperion Analyzer 1 7 1 Hyperion Essbase Spreadsheet Services 1 7 2 Hyperion SQL 173 Hyperion Application Builder 174 Hyperion Essbase Integration Services 175 Hyperion Essbase Administration Services 176 Microsoft 177 SQL Server 2000 - bazična platforma 177 SQL Server 2000 data warehouse i OLAP komponente 179 Servisi z.a izveštavanje (Reporting Services) 181 SharePoint Portal Server 2003 183 Komponente Microsoft poslovne inteligencije 184 Performanse sistema poslovne inteligencije baziranih na Microsoft SQL Server Accelerator tehnologiji 185 Microsoft SQL Server 2005 - Novi adut Microsofta 194 IBM 195 DB2 OLAP Server 195 DB2 Cube Poglavlje 5 - Balanced Scorecard 93 Views 197 DB2 Intelligent Miner for Data 198 DB2 Sta je to Balanced Scorecard? 93 Perspektiva učenja i Information Integraior 199 Query Management Faciliiy 199 razvoja 95 Perspektiva poslovnih proccsa 96 Websphere Portai for Mulliplatforms 199 ORACLE 201 Perspektiva kupaca 96 Finansijska perspektiva 96 Uvod 201 Balanced Scorecard - još jedan projekat? 97 Faza 1: Konsolidacija podataka 202 Faza 2: Otkrivanje Menadţment pristupi 97 informacija 203 Faza 3: Deljenje informacija 203 Alati za Definicija nekih termina 98 Pragmatična brži razvoj korisničkih aplikacija 206 Integrisani OLAP 206 poslovna inteligencija i Scorecarding 99 Data mining 206 Portal 206 SAP 207 ,,Korj)orativni data warehouse" Bottom Up pristup 101 Integracija i upravljanje podacima u Executive Dashboard TopDown pristup 101 Gde je pragmatični preduzeću 207 kompromis 102 Analiza i inter¡)retacija podataka radi izrade poskjvrdh informacija 207 Jedinstven pristup informacijama i alatima Poglavlje 6 - OLAP izveštavanje 207 Komunikacija unutar preduzeću i izvan njegovih u preduzeću 105 granica 207 Izveštaji o ključnim informacijama u preduzeću: Merenje i menadžment poslovnih performansi 208 Ključne Tradicionalan način 106 Izveštaji o vaţnim karakteristike SAP BI platforme 208 MicroStrategy 209 informacijama u preduzeću: OLAP način 106 Enterprise izveštavanje 209 Muhidimenzionalna OLAP izveštaji - osnovni principi 106 OLAP kocke po analiza 2 1 0 Ad hoc upiti i analize 210 Statistika i Jataka (daia cubes) 107 Interaktivna analiza podataka data mining 2 1 1 Deljenje izveštaja i uzbunjivanje 108 Napredni formati podataka 108 MOLAP, ROLAP, 2 1 1 Indeks pojmova 213 Indeks slika 2 1 5 HOLAP 108 Lakoća korišćenja i preglednost podataka Ukratko 73 Data mining - Šta sve možemo da uradimo? 73 Data mining i data warehousing 74 Data mining i OLAP 75 Data mining i statistika 76 Data mining i trendovi IT industrije 76 Data mining primene 76 Uspešan data mining 7 7 Opis podataka za data mining 77 Klastering 77 Link analiza 78 Data mining prognoze 78 Hijerarhija izbora 78 Klasifikacija 79 Regresija 79 Data mining modeli i algoritmi 80 NeuroTiske mreže 80 Stabla odluke S0 Data mining projekat 81 Definisanje poslovnog problema 82 Kreiranje data mining baze podataka 82 Istraživanje podataka 85 Priprema podataka za modeliranje 85 Kreiranje modela 86 Ocena i interpretacija 87 Implementacija modela i rezultati 88 Kategorije S9 Neke važnije karakteristike data mining proizvoda 89 Zaključak 91

Sadržaj 7 Literatura 2 1 7 Web saj tovi 2 1 7 O Peximu 219

Uvod u poslovnu inteligenciju i I >*« t«*>

•i 'AVf/i; ■rir:* " "' ™ " ' """*

.

»rtli»: »

■

a«»*

Business inteliigence portiets

Poenta je, u tome da se korisniku prezentira ono što je neophodno za njegov posao i da on ne mora da se bavi detaljima, na primer, koje konkretne aplikacije i alati obezbe- duju osobine poslovne inteligencije i slično. Na kraju treba naglasiti da se u portalu moţe nalaziti više stranica portala od kojih svaka ima skup portleta koji prikazuju sadrţaje iz različitih sistema. Te portal stranice mogu da budu personalizovane ne samo sa aspekta uloge korisnika, nego i sa aspekta specifičnih aktivnosti koje se obavljaju. Portali su takođe nezavisni i sa aspekta uređaja, tako da korisnici na primer mogu da ih koriste i pomoću mobilnih uređaja.

Tehnika broj 2: Ugnežđenje analitičkih metoda u operativne aplikacije

I

36 Poslovna inteligencija

Ugneţđenje analitičkih metoda u operativne aplikacije odvija se u procesu razvoja samih aplikacija. Stručnjaci u razvoju imaju izbor na koji način će ovaj proces da obave. On moţe da se uradi na aplikativnom nivou ili na nivou samih podataka. Ugneţđenje analitičkih metoda u operativne aplikacije na aplikativnom nivou moţe da se uradi oomoću specifično utvrđenog industrijskog standarda koji se zove aplikativni

Poglavlje 1 Uvod u poslovnu inteligenciju 37

programski interfejs (API, Application programming interface). Jedan od primera API industrijskog standarda je Java OLAP interjes - JOLAP Operativne aplikacije mogu da koriste taj pristup za pozivanje popularnih alata poslovne inteligencije ili prekodiranih komponenata poslovne inteligencije. Neki pozivi mogu da budu u formi zahteva za iz- veštajem, kockom podataka (cube), automatskom analizom, grafikonom i slično. Razvojni stručnjaci mogu jednostavno da prilagode pozive tih alata svojim operativnim aplikacijama ili mogu da koriste gotove komponente iz biblioteke komponenata poslovne inteligencije u okviru svojih operativnih aplikacija. Tipovi komponenata uključuju OLAR data mining, navigaciju i vizuelizaciju. Proizvođači, kao što su Oracle (BI Beans), AlphaBlox i ProClarity (Analitytic Application

I

38 Poslovna inteligencija

Sistem za upravljanje bazom podataka Slika 16

Korišćenje BI komponenata u operativnim aplikacijama.

Poglavlje 1 Uvod u poslovnu inteligenciju 39

development Platform) nude takve komponente sa mogućnostima integracije u operativne aplikacije. Na nivou podataka, proizvođači sistema za upravljanje bazama podataka (DBMS) prosto su se prethodnih nekoliko godina utrkivali ko će obezbediti više funkcionalnosti poslovne inteligencije u svom proizvodu. Te dodatne funkcionalnosti se pre svega ogledaju u : • Proširenju SQL jezika novim agregatnim funkcijama • Uvođenje tehnologija, kao što su materijalizovani pogledi • OLAP u bazi podataka • Data mining u bazi podataka U oblasti SQL jezika mnogi proizvođači su uveli dodatnu podršku za agregatne funkcije u svoje proizvode. SQL jezik sada podrţava statističke i analitičke funkcije, funkcije regresije i OLAP funkcije.

Statistica! 8; Analysis

. AVC, • CORRELATION • COUNT • COU!MT_BIG • CO VARIANCE • MAX • MIN • RAND . STDDEV • SUM • VARIANCE •

Regression

OLAP : ^

. REGR-COUNT • REGR_INTERCEPT • REGR R2 • REGR SLOPE V REGRISXX, • REGR SXY, • REGR SYY -

- -

•

•

-

-

.

-

-

.

•

-

-

• • • • • • • • •

LÜFLT RCLLUP GROUPING RANK DENSE.RANK ROW_NUMBER NTILE PIVOT UNPIVOT

Slika 17 SQL funkcije.

SQL funkcije koje sluţe kao podrška konceptu poslovne inteligencije predmet su i optimizacije baze podataka i paralelnog SQL izvršavanja ukoliko verzija DBMS sistema to podrţava. Data lista nije konačna i sigurno je da će vremenom biti proširena novim funkcijama. Materijalizovani pogledi su moćno sredstvo koje omogućava relacionim DBMS proizvodima podršku za sumarne podatke u formi pogleda na relacione podatke. Razlika u odnosu na kreiranje statičkih sumarnih „tabela" je u tome što materijalizovani pogledi imaju automatsko osveţavanje i ne zahtevaju periodično izvršavanje posebnih batch procedura za tu svrhu.

I

40 Poslovna inteligencija

Slika 18 IBM DB2 materijalizovani upiti.

Podrška za OLAP razlikuje se kod raznih proizvođača DBMS sistema. Već ranije je pomenuto da su ekstenzije SQL jezika veoma vaţni i da su đoneli novine u radu s podacima. Te ekstenzije se još nazivaju i.relacioni OLAP (ROLAP, Relational OLAP). Nekoliko poslednjih verzija Oracle RDBMS uvode multidimenzionalne mehanizme kao funkcije nad tabelama koje se koriste za pristip kockama podataka (cube). Microsoft u najavi za svoj proizvod SQL Server Yucon nagoveštava mehanizme za tešnju integraciju komponenata s relacionim podacima koristeći osobine, kao što su proactive caching i unified dimensional models (UDM). Proizvođači DBMS sistema takođc su aktivni u uključivanju podrška za data mining proces u svoje proizvode. Uvod u model data mining standarda pod imenom Predictive Modelling Mark-up Language (PMML), otvara nove mogućnosti za poslovne analitičare, pre svega, za kreiranje data mining modela i zatim njihovu implementaciju kroz DBMS sisteme u obliku korisnički definisanih funkcija (UDF, User defined Functions) koje se zatim izvoze u PMML format i uvoze u DBMS. Nakon toga svaka operativna aplikacija moţe da koristi data mining jednostavnim uključivanjem korisnički definisanih funkcija u SQL upite.

Poglavlje 1 Uvod u poslovnu inteligenciju 41

Busines s analyst BI tool or applicatio n

UD F

data warehouse DBMS

Tehnika broj 3 : Web servisi Šta su web servisi? Web servisi omogućavaju dinamičku integraciju aplikacija korišćenjem Web tehnologija. Oni mogu da se koriste da obezbede pristup poslovnim procesima, aplikacijama kockama podataka poslovne inteligencije, izveštajima, upitima i funkcijama za integraciju podataka, bazama podataka i slično. Svaki web servis poseduje interfejs koji opisuje operacije koje su dostupne posredstvom standardizovanih XML poruka. Web servisi opisuju se pomoću industrijskog standarda koji se naziva Web Service description Language (WSDL), koji predstavlja jednostavan skup XML tagova. Web servisi moraju da se objave i da se registruju u posebnim katalozima koji se nazivaju UDDI (Unified Description Descovery and Intvocation) registri. Većina preduzeća koja isporučuje usluge web servisa ima svoje privatne UDDi registre. Postoje takode i javni UDDi registri koji se nalaze na javnom (public) Internetu. Korišćenje web servisa se odvija po sledećoj šemi: aplikacija šalje upit UDDI registru, pronalazi potreban Web servis i dinamički se priključuje na njega šaljući mu XML poruku poznatiju kao SOAP (Simple Object Access Protocol) poruka. Ta poruka inicira rad Web servisa i vraćanje rezultata rada u XML formatu.

I

42 Poslovna inteligencija

Portal, Process, Applicatio n, or DBMS

Slika 20 Proces

BI Web Service (OLAP, Reporting, Mining)

*

BI Service Provider

3. Negotiation; Bind; Service Invocation

Service Consum er

SOAP

2. Discover (UDDI)

Web servisi koji koriste na više nivoa:

pokrivaju

ÍÜSÜÜ ...................... 1. Register (WSDL)

UDDI Regist oblast ry poslovne inteligencije (BI) mogu da se

• Aplikativni nivo BI web servisa • Nivo podataka BI web servisa • Nivo procesa BI web servisa Aplikativni nivo BI web servisa omogućava drugim aplikacijama i portletima da dinamički pozivaju alate i analitičke aplikacije poslovne inteligencije. Kao rezultat rada web servisi vraćaju XML podatke koji se prosleduju aplikaciji koja koristi Web servis na prikaz ili dalje procesiranje. Alati i analitičke aplikacije mogu da publikuju izveštaje, kocke podataka i modele data mining procesa kao web servise i da ih integrišu direktno u enterprise portal kao Web Service Remote Portal (WSRP) portlete, tako da korisnik moţe da im pristupi direktno preko korisničkog interfejsa.

Poglavlje 1 Uvod u poslovnu inteligenciju 43

Enterpr ise Portal

T BI Platform Queries Reports Cubes.. .

Operationa l Applicaton

:

I

Operation al Data

DW & « Marts

I

ÜDDI Regis try

-'-i-

......

-, .¿c.;.* .

'" .................... '

Slika 21 Bi platforma za web servise I? ..................................... .............. •''•*• "

Nekoliko platformi poslovne inteligencije sadrţe interfejse za rad s web servisima. Evo kako to radi Cognos:

: i^n^^mimmmmmmmmim i. to,?a>jtn.m¡ • 3;;;

I

44 Poslovna inteligencija

jjrrjJ ièsàs •ir'Vi'ilt

«¿Jílil ií. GEEsm ti".»« . ***.£/

rS" ! " prViV1 WïàïmÊ

1 ..»•■'•. • -- -«■., ' ^ â ¿ta? j^ri^ c-r:

r.-^i-

rt»« ; ; iltwi «iH» í S3 HV« imm 1; iírS

Poglavlje 1 Uvod u poslovnu inteligenciju 45

a evo i kako to radi IBM:

y i'it 8&Cgftfc f,» =-¿8 iir? iifr'čisj! «fe i'iE^ifaf b iroviš" 35t* ¿v-ssčić 'a s U5Di%?t c€?ii£ :

* mnss-c*tm*TUŠ*«®*

• i- riţsiintsiss

• • • - .......................

Integ

• u

:

•

• •• ••>•

a webservisa kao udaljenih portleta na IBM VVebShere Portal Serveru.

.... . .. .. < -..

Tipovi aplikacija poslovne inteligencije Preduzeća danas koriste razne vrste aplikacija za poslovnu inteligenciju da bi izašle u susret potrebama širokog kruga korisnika tih aplikacija. Sve aplikacije poslovne inteligencije generalno mogu da se svrstaju u jednu od sledećeh pet kategorija: • Izveštajne aplikacije • Ad hoc upiti i izveštavanje • Multidimenzionalna analiza • Statističke analize i data mining • Planiranje

I

46 Poslovna inteligencija

Izveštajne aplikacije Ovaj tip aplikacija obezbeđuje statičke ili parametrizovane izveštaje. Ciljna grupa treba da bude opšta, na primer, svi menadţeri prodaje u preduzeću. Aplikacije za izvešta- vanje, s minimalnim analitičkim zahtevima, tipično su bazirane na relacionim bazama podataka i koriste SQL upitni jezik. S druge strane, upravljački informacioni sistemi (engl. EIS, executive Information Systems) imaju mnogo sloţenije analitičke zahteve i koriste specijalizovane baze podataka. Menadţeri prate ključne indikatore performansi poslovanja preko scorecard izveštaja na bazi kojih se u svakom trenutku kontroliše usklađenost tekućeg stanja s definisanim strateškim ciljevima.

Ad hoc upiti i izveštavanje Ad hoc upiti pruţaju korisniku najviši mogući stepen interakcije s podacima uz mogućnost korišćenja velikog broj tehnika za odabir podataka i navigaciju. Taj tip aplikacija uglavnom je baziran na relacionim bazama podataka i nudi limitirane, ali veoma korisne, analitičke mogućnosti. Ad hoc upiti i izveštavanje koriste relacione baze podataka i SQL za podršku jednodimenzionalnih upita, kao što su „daj mi najboljih 10 kupaca" ili „uporedi prodaju iz tekuće i prošle godine

Analitičke aplikacije Analitičke aplikacije takođe podrţavaju ad hoc istraţivanje podataka, ali pored toda one daju odgovor i na mnoga sloţena pitanja. Na primer: Koji je procenat promene u totalu prodaje ako se uporedi s periodom od prošle godine, za svaki od 10 top proizvoda, za svakog od 10 top kupaca, baziranog na procentu promene totala prodaje za sve kupce ove godine prema prodaji za isti period prethodne godine. Pri tom, taj upit je multidimenzionalan. Ima vremensku dimenziju, dimenziju proizvoda i dimenziju kupaca. Obično istraţivanja u oblasti trţišta i finansija zahtevaju izvršavanje znatno sloţenijih upita, pa su shodno tome, nosioci tih funkcija u preduzeću najčešći korisnici tog tipa aplikacija.

Statističke analize i data mining Analize predviđanja uz korišćenje naprednih tehnika predstavljaju značajan komple- ment ad hoc analizama. Predviđanje događaja na trţištu ili toga koji će novi proizvod biti izbačen moţe značajno da utiče na ostvarenje strateških ciljeva. U tu svrhu koriste se sloţene analitičke i statističke tehnike.

Poglavlje 1 Uvod u poslovnu inteligenciju 47

Aplikacije za planiranje Aplikacije za planiranje omogućavaju korisnicima da predvide rezultate poslovanja. Taj tip aplikacija obično daje odgovor na pitanja: • Koliko će preduzeće biti profitabilno u ovom kvartalu? • Kako će promena cene proizvoda uticati na njegovu prodaju? • Koliki treba da je obim proizvodnje da bi se zadovoljile potrebe trţišta? • Kako će nestabilnost valute uticati na profit? Taj tip aplikacija se razlikuje od drugih zato što on generiše nove podatke koristeći analitičke metode tipa modela, prognoza, specijalizovanih agregacija i alata za upravljanje scenarijem. Aplikacije ovog tipa uključuju analize korporativnog budţeta, finansij- ske analize i slično. Sledeća tabela ilustruje primenu odredenih tipova aplikacija poslovne inteligencije u različitim granama industrije.

Trgovina

Telekomunikacij Farmacija e

Tip BI aplikacije

Finansijske usluge

Enterprise Izveštavanje

Koliko je ukupno Da li je obrt u Koji procenat nevraćenih skladu sa zapolenih je prošao kredita? Kolika je planiranim? trening na njihova ukupna najnovijim vrednost? tehnologijama?

Da li se razvoj novih lekova odvija po ranije definisanom koji je planu?

Multidimen* zionalne analize

Kakav je trend aktivnosti kupaca nakon najnovije marketinške kapmanje?

Koji je najprofitabilniji segment?Kakva je relacija između planirane prodaje i profitabilnosti kupaca?

Kakav je trend prodaje po regionima za novu vrstu leka? Kako se različite cene po regionima odraţavaju na profitabilnost?

Prikazati grafički studiju o broju linkova za spore pakete u cilju optirnizacije saobraćaja na mreţi

Istraţiti kako će novi način prepisivanja recepta uticati na prodaju u pojedinim regionima

Koja su 3 najprodavanija proizvoda na jugoustoku zemlje? Kakav je odnos između ove prodaje i prodaje u ostalim regionima? Ad-hoc analize Definisati kako će Odrediti kako je partnere uticati povećanje obima pojava domaćeg odloţenog ili plaćanja uticati na internacionalnog prodaju terorizma

I

48 Poslovna inteligencija

Statistika

Koliki je rizik

Koliko su

i Data Mining

za reinvesticiju ispravne naše ostvarene dobiti? prognoze prodaje u poslednjih 12 meseci?

Kako struktuirati

Da li regresiona

međugradske pozive i mobilnu telefoniju kako bi zadrţali lojalnost klijenata i optimalno iskoristili postojeću mreţu?

analiza moţe odgovori da li preći sa fermentacije na hemijsku sintezu?

Ključni Indikatori performansi Upravljanje performansama preduzeća (CPM, Corporate Performance Manag- ment) omogućava uvid u to koliko je preduzeće u fokusu svojih strateških ciljeva. Razvoj strategije preduzeća je nuţan korak za definisanje svrhe preduzeća i njegove uloge na trţištu. Kada se strategija definiše, preduzeće mora da kontoliše na koji način i u kojoj meri ostvaruje zacrtane ciljeve tokom vremena. Ključni indikatori performansi (KPI, Key Performance Indicators) omogućavaju preduzeću da sagleda ispunjenje strategije u pojedinim oblastima. Ukoliko vrednosti indikatora odstupaju od vrednosti utvrđenih strategijom, korisnicima se to signalizira u cilju preduzimanja korektivnih mera. Prvi uslov za početak procesa merenja performansi jeste dobro razumevanje utvrđene strategije preduzeća. Generalno, strategija preduzeća se usmerava na: troškove, proizvode i kupce. Strategija troškova podrazumeva orijentaciju preduzeća na standardni proizvod s minimalnim mogućim troškovima koji zadovoljavaju većinu potreba kupaca, bez potrebe da se prilagođavaju. Strategija proizvoda orijentiše preduzeće na specifične proizvode i usluge koji zadovoljavaju potrebe kupaca. Strategija kupaca svoj naglasak stavlja na usluge koje se pruţaju kupcima. Da bi se uspešno uporedile pefrormanse preduzeća sa utvrjenim strateškim ciljevima, moraju da se se kreiraju ključni indikatori performansi. Ti indikatori predstavljaju merila rada preduzeća i mogu biti utvrjeni za celo preduzeće ili za neki njegov deo. Ključni indikatori performansi moraju da sadrţe indikatore za „tekuće" i „buduće" poslovanje da bi se precizno utvrdilo koliko se dobro poslovalo i u kojim oblastima i kako odluke donesene danas utiču na performanse poslovanja u budućnosti. Tekući indikatori ukazuju na performanse poslovanja preduzeća „danas", dok budući indikatori pokazuju prognoze budućih performansi. Neki ključni indikatori dati su u sledećoj tabeli:

Poglavlje 1 Uvod u poslovnu inteligenciju 49

Troškovi

Proizvod

Kupac

• Merenje troškova

• Novi proizvodi

• Znanje o kupcima

• Vreme ciklusa

• Menadţment primedbi

• Standard

• Budţet za razvoj i istraţivanje • Biti prvi na trţištu

• Kvalitet

• Prilagođavanje proizvoda

• Poznavanje proizvoda

• Kvantitet

Indikatori fokusirani na troškove Merenje troškova. Troškovi proizvodnje i isporuke moraju da se svedu na minimum uz obavezan uslov odrţanja standarda kvaliteta. Trajanje ciklusa. Trajanje ciklusa predstavlja vreme od trenutka kad kupac pokaţe interesovanje za proizvod, pa do trenutka dok mu se taj proizvod ne isporuči. Smanjenje trajanja ciklusa doprinosi povećanju produktivnosti. Pravilna implementacija infika- tora ključnih performansi moţe da smanji trajanje ciklusa i do 60%. Standard. Standard đefiniše u kojoj meri mogu da se zadovolje očekivanja kupca proizvodnjom standardnog proizvoda. Standardni proizvod je proizvod koji zadovoljava predefinisane kriterijume. Proizvodnja proizvoda koji odudaraju od očekivanja kupaca moţe da uzrokuje nezadovoljstvo kupaca. Tu se pre svega meri skup standarda koje proizvod mora da zadovolji da bi bio prihvatljiv za kupce. Kvantitet. Preduzeća stalno traţe način kako da proizvedu što veću količinu proizvoda uz što manje troškove. Jedna od inovacija koje u najboljoj meri odslikava ostvarenje tog cilja jeste uvođenje beskonačnih montaţnih traka. Henri Ford je 1913. godine uveo te trake i drastično povećao proizvodnju automobila (Model T) sa istim brojem radnika. To je povećalo produktivnost u neslućenim granicama: ranije je proizvodnja jednog automobila trajala dan i po, a sa tom inovacijom samo 90 minuta. Taj indikator ima uticaj i na indikator trajanja ciklusa. Kvalitet. Da bi preduzeće bilo uspešno, mora da ima proizvode koji zadovoljavaju utvrđene standarde kvaliteta. Redukcija troškova u proizvodnji moţe da donese značajne uštede, ali često moţe da dovede do pada kvaliteta proizvoda, što opet moţe u krajnjoj liniji da dovede do povećanja troškova zbog povećanih potreba za servisiranjem proizvoda.

Indikatori fokusirani na proizvod Novi proizvodi. Ključ za uspeh preduzeća koja su fokusirana na proizvod jeste da izbaciju što više novih proizvoda u granicama svojih mogućnosti. Pri tom treba imati u vidu da se u zavisnosti od grane industrije razlikuje period za koji je moguće izbaciti novi proizvod na trţište. Tako u oblasti informacionih tehnologija taj period iznosi od 6 do 12 meseci, dok u farmaceutskoj

I

50 Poslovna inteligencija

industriji moţe da se traje i do 10 godina. Kraći razvojni ciklus proizvoda podrazumeva brţe „zastarevanje" proizvoda i nameće veću dinamiku u izbacivanju novih proizvoda na trţište. Budţet za razvoj i istraţivanje. Da bi se ispratio potpun razvojni ciklus proizvoda, preduzeća koje su fokusirana na proizvode moraju puno da ulaţu u razvoj i istraţivanje. U ukupnom budţetu preduzeća, stavka u budţetu namenjena razvoju i istraţivanju treba da zauzima primarno mesto. U skladu sa sredstvima koja se troše na razvoj i istraţivanje, potrebno je i praćenje performansi tog procesa da bi ulaganje bilo svrsishodno. Biti prvi na trţištu. Posebno je vaţno za preduzeće da s novim proizvodom izađe na trţište prvo, pre konkurencije. Radi toga je potrebno koliko god je to moguće smanjiti vreme od početka procesa razvoja i istraţivanja da trenutka kada se proizvod pojavi na trţištu. Taj indikator je posebno vaţan u farmaceutskoj industriji, u kojoj se preduzeća utrkuju oko patentnih prava. Konkurentska preduzeća istovremeno rade na razvojno-istraţivačkim projektima i onaj ko bude prvi dobija patentna prava i pobeđ- nik je u trci. Prilagođavanje proizvoda. Mnoge preduzeća koja su fokusirana na proizvod imaju mogućnost da prilagođavaju karakteristike svojih proizvoda zahtevima specifičnih kupaca, na isti način kao i da proizvode na hiljade identičnih proizvoda. Taj razvoj proizvodnih mogućnosti omogućila je automatizacija tako da iste mašine koie serijski proizvode identične proizvode, mogu da proizvode i pojedinačne komade s različitim karakteristikama bez dodatnih troškova. U tom slučaju, ključni indikator za uspeh jeste smanjenje vremena koje je potrebno za prilagođavanje proizvoda.

Indikatori orijentisani na kupca Poznavanje kupaca. Najvaţniji princip za preduzeća koja su fokusirana na kupca jeste „upoznati svoje kupce". Ako preduzeće ne poznaje svoje kupce, kako će biti u stanju da zadovolji njihove potrebe? Iz tih razloga uspešne preduzeća poseduju veoma velike data warehouse baze podataka koje sadrţe podatke o kupcima. Ti podaci moraju biti paţljivo čuvani jer uvek postoji potencijalna opasnost da dođu ,,u ruke" konkurenciji, čime preduzeće gubi konkurentsku prednost. Ĉuvajući tajnost prikupljenih podataka kompanija moţe da izgradi „čvrstu vezu" s kupcima. Menadţment primedaba. Ţivimo u „nesavršenom" svetu i primedbe kupaca su sastavni deo posla. Preduzeća fokusirana na kupce moraju veoma paţljivo da postupaju s primedbama svojih kupaca. Kupci plaćaju proizvode i usluge i očekuju da se problemi koji se eventualno pojave reše brzo i efikasno. Uspešna preduzeća đa bi izašla u susret takvim očekivanjima kupaca, dozvoljavaju svojim sluţbenicima da rešavaju promedbe kupaca bez posebne odluke menadţmenta (naravno, u dozvoljenim granicama). Druga preduzeća, pak, prihvataju povraćaj proizvoda od kupaca bez ikakvih pitanja. Implementacija merila koja mere broj primedaba kupaca, način na koji se one rešavaju, kao i vreme za koje se rešavaju deo je ukupnih merila za zadovoljstvo kupaca.

Poglavlje 1 Uvod u poslovnu inteligenciju 51

Poznavanje proizvoda. Preduzeće koje je orijentisano na kupca obično ima mali broj proizvoda ili usluga. Tako limitirana ponuda omogućava zaposlenima da se veoma dobro upoznaju s proizvodima i uslugama koje preduzeće nudi. Kupci očekuju najviši nivo od preduzeća od kojeg kupuju, tako da zaposleni moraju na inteligentan način da predstave svoje proizvode i usluge. Taj indikator se pre svega odnosi na to u kom stepe - nu zaposleni poznaju proizvod i usluge.

Preduzeća posluju u uslovima promenljive ekonomske klime, promene zakonske regulative, novih zahteva kupaca i slično. Razlog zašto mnogi projekti poslovne inteligencije nisu bili uspešni uglavnom nisu tehnološke prirode. Oni se pre mogu potraţiti u organizacionim, kulturološkim i infrastrukturnim slabostima. Tehnologija nam kaţe „kako" nešto uraditi. Međutim, poremećaji nastaju pre toga, kada treba naći odgovor na pitanje ,,šta" teba da se uradi. Kada se utvrde slabosti, potrebno je utvrditi promene koje je potrebno sprovesti da bi se te slabosti uklonile. Veći izazov od samog utvrđivanja promena jeste njihova implementacija. Promene obično donose nešto nepoznato, a u našoj prirodi je da se plašimo nepoznatog.

Promene u strukturi moći Jedna od najbolnijih promena jeste promena u strukturi moći. Svaki zaposleni ţeli da radi na projektima koji su u ţiţi interesovanja, koji imaju najveći značaj u preduzeću, da rade s najnovijim tehnologijama i na mestima gde moţe lično najviše da se profitira. Lična dobit se pre svega ogleda u unapređenjima i povećanju plate, pa čak i u dodeli posebnih bonusa. Inicijativa poslovne inteligencije često zalazi u sferu ličnih interesa zaposlenih.

Kulturološki imperativi

Korisnici utvrđuju granice projekta. Korisnici uvek imaju diskreciono i implicitno pravo da definišu granice projekta poslovne inteligencije ispostavljajući svoje zahteve. Međutim, korisnicima treba eksplicitno dozvoliti da u pregovorima s menadţerima projekta utvrde ograničenja u samom projektu. U čemu je razlika? Implicitna uloga korisnika svaljuje potpunu odgovornost na IT projekt menadţera. Eksplicitna uloga korisnika omogućava da se taj teret odgovornosti ravnomerno podeli. Korisnici biraju podatke koji su im potrebni. Korisnici uvek najbolje znaju koji su im podaci potrebni. Na sesije na kojima se utvrđuju zahtevi oni donose gomilu materijala da bi analitičarima

I

52 Poslovna inteligencija

predočili svoje potrebe za podacima. Nakon toga, programeri i analitičari preuzimaju odgovornost oko isporuke traţenih podataka. Ta odgovornost podrazumeva pronalaţenje podataka, analiziranje sadrţaja podataka, potragu za boljim izvorima podataka, uvid u postojeću dokumentaciju, utvrđivanje podataka s velikim značajem i određivanje algoritama za ispravljanje podataka i pronalaţenje nedostajućih veza među podacima. Korisnici moraju da zadrţe odgovornost za utvrđivanje početnih zahteva i svoju poziciju primarnih analitičara u projektima poslovne inteligencije. Korisnici testiraju aktivnosti. Testiranje se oduvek smatralo tehnološkom aktivnošću za koju je odgovoran IT odeljak, osim krajnje ocene prilikom isporuke projekta koju obavljaju korisnici. Takav pristup davao je neku vrstu psihološkog vlasništva nad projektom IT odeljku sve dok projckat ne uđe u produkciju, kada vlasništvo prelazi u ruke korisnika. Ako bi se vlasništvo dodelilo korisnicima u samom početku, oni bi pokazali mnogo više interesovanja u procesu testiranja prijekta. Korisnici mogu i, u krajnjem slučaju, trebalo bi da kreiraju podatke za trestiranje, kao i da prate rezultate testiranja.

Preraspodela autoriteta Vlasništno i odgovornost nad projektima poslovne inteligencije prebačeno je na poslovnu stranu. To nije komforna pozicija ni za jednu stranu zbog toga što ulazi u sferu preraspodele strukture moći. IT menadţeri nerado prepuštaju odgovornost i „psihološko" vlasništvo nad projektima zbog toga što se mogu osetiti manje vaţnim faktorom u preduzeću. S druge strane poslovni menadţeri takođe nerado preuzimaju odgovornost i „psihološko" vlasništvo nad projektima zbog toga što je ona delegirana iz IT odeljka.

Problemi s kadrovima Interni rekruting za potrebe projekata poslovne inteligencije moţe biti veoma teţak zbog toga što neki projekti mogu da imaju sledeće karakteristike: • Zgusnut raspored - raspored je utvrđen na takav način da je nemoguće uklopiti se u njega ako se imaju u vidu realne procene • Manjak resursa - nema dovoljno stručnih kadrova za izvršenje aktivnosti • Nedostatak sredstava — nema dovoljno novca u budţetu za angaţovanje spoljnih konsultanata ili saradnika po ugovoru ili za kupovanje alata. Nema sredstava za intenzivnu obuku. Angaţovanje spoljnih saradnika nosi određene probleme. Naime, interno osoblje moţe da se ţali na preplaćenost spoljnjih saradnika i na to da rade nove i izazovne poslove, dok se oni bave starim sistemima zato što su upoznati s njima. Takva frustracija često se završava i otkazom internog radnika.

Poglavlje 1 Uvod u poslovnu inteligenciju 53

'

" V ' ' - .................... -

......

...................

..................

Poslovna inteligencija: utieaji, trendovi, inovacije .

^^

-

9

• ,

0

.

Budućnost primene poslovne inteligencije u svetskim razmerama obećavajuća je. Sve više preduzeća proširuje svoje poslove u oblasti korišćenja poslovne inteligencije ili je na dobrom putu da to učini. Očekuje se da će trţište poslovne inteligencije rasti 10-15% godišnje.

Utieaji na poslovnu inteligenciju Do 2000. godine preduzeća su kupovala rešenja poslovne inteligencije radi stvaranja profita ili rešavanja problema. Nakon recesije, postalo je jasno da sektor poslovne inteligencije zajedno s još nekoliko tehnoloških sektora nije previše otporan na ogromno smanjivanje troškova. Prodajni ciklus rešenja je postao znatno duţi, dok su potencijalni kupci ţeleli brzo da osete poboljšanja, povraćaj uloţenih sredstava (engl. ROI, Return of Investment) i TCO (engl. total cost of ownership) rešenja poslovne inteligencije. Produţeni ciklus prodaje i limitirana sredstva oterala su mnoge proizvođače rešenja poslovne inteligencije u bankrot. Međutim, danas još ne postoji dominantno rešenje na tom polju, tako da trţište nudi velik broj opcija potencijalnim kupcima. U takvoj situaciji, postoji mogućnost dogovora „malih" i „velikih proizvođača". Slično je bilo 1980-ih godina na trţištu spreadsheet softvera. Tada je na trţištu postojalo mnoštvo proizvoda te vrste, sve do uključivanja „velikih", kao što su IBM i Microsoft. A rezultat na kraju „trţišne utakmice" bio je sledeći: kao pobednik je izašao Microsoft Excel, kao dominantan proizvod na tom polju i taj primat drţi i danas. Trţište aplikacija poslovne inteligencije danas je podeljeno, baš kao što je nekad bilo trţište spreadsheet softvera. Nekoliko proizvođača će imati priliku da se izbore da njihovi proizvodi postanu standardni i dominantni. S tim ciljem svaki proizvođač se trudi da ugradi što više funkcionalnosti u svoj proizvod s nadom da će baš on postaviti industrijski standard na trţištu. Smer razvoja rešenja poslovne inteligencije takođe je evaluirao tokom poslednjih nekoliko godina. Na početku su sami proizvođači diktirali razvoj proizvoda. Danas, pak, sami kupci i njihove potrebe imaju presudan uticaj na razvoj rešenja poslovne inteligencije, a uspešna preduzeća iz oblasti poslovne inteligencije shvatila su tu promenu i na toj osnovi grade razvoj svojih novih proizvoda. Na razvoj poslovne inteligencije takođe značajno mogu da utiču i zakonski propisi. Kao primer moţemo navesti propis u SAD pod nazivom Serbanes-Oxley Act of 2002, koji utvrđuje nov oblik javnosti u oblasti trţišta kapitala i koji propisuje nove obaveze i kazne za njihovo nepoštovanje javnim preduzećema i njihovim čelnicima.

I

54 Poslovna inteligencija

Napredak u oblasti organizacije Recesija koja je nastala pre nekoliko godina, uslovila je povećanje potreba za informacijama. Svaki menadţer bio je prinuđen da do detalja istraţi mogućnosti koje bi unapredile performanse poslovanja. Najbolji način da se donese prava odluka jeste da se njeno donošenje bazira na pravovremenim, tačnim i potpunim informacijama. U tu svrhu kompanije moraju da dovedu svoje informacione sisteme na zadovoljavajući nivo za svrhe praćenja performansi poslovanja, izveštavanja, analize i procesa donošenja odluka. Međutim, tehnologija sama po sebi nije rešenje za poslovne probleme. Pre svega, preduzeće mora do detalja da bude upoznato sa svim aspektima svojih poslovnih problema. Nakon toga, treba da ispita mogućnost da uvede nove tehnologije koje će posluţiti kao sredstvo za rešavanje problema. Sam prelazak, na primer, s ručnih spreadsheet izveš- taja na informacioni potral iziskuje značajne promene, pre svega u oblasti novih oblika ponašanja, novih procedura i prihvatanja nove tehnologije.

Tehnološki trendovi poslovne inteligencije Spoljni faktori na trţištu, kao i reagovanje na njih iz preduzeća, utvrđuju trendove razvoja budućih rešenja u oblasti poslovne inteligencije. Menadţment performansi. Wayne Eckerson iz The Data warehousing Istitute đefiniše menaţment poslovnih performansi (engl. BPM, business performance management) kao seriju procesa i aplikacija projektovanih radi optimizacije izvršavanja poslovne strategije. Procena je da će do kraja 2005. godine 40% preduzeća usvojiti pristup menadţmenta performansi. Uloga BPM-a je da pojedincima obezbedi informacije za obavljanje aktivnosti koje su u njihovoj nadleţnosti. Kroz kombinaciju poslovnih procesa, transakcionih sistema, data warehousing i poslovne inteligencije, BPM kreira zatvoren ciklus za proces podrške u odlučivanju. BPM proces počinje utvrđivanjem strateških ciljeva, a zatim utvrđivanjem planova i aktivnosti za njihovu operativnu realizaciju. Te aktivnosti se prate, a rezultati se koriste radi mogućeg redefinisanja strategije, planova i izvršenja da bi se poslovanje preduzeća kretalo u odgovarajućem pravcu. Integrisane platforme. U velikim preduzećima postoji mogućnost da se paralelno koristi više rešenja poslovne inteligencije. Svako preduzeće nastoji da taj segment stan- dardizuje i da se odluči za standardno rešenje. Međutim, taj proces je relativno teško sprovesti jer „razne struje" imaju svoje favorite na tom polju. Takođe, različiti proizvodi nose različite osobine, tako da ne postoji jedan koji je najbolji po svim parametrima. Imajući u vidu te činjenice prilikom izbora rešenja treba voditi računa da se ono uklapa u potpun okvir poslovne inteligencije preduzeća, a ne da se koristi kao izolovano rešenje. Taj problem generalno neće biti rešen dok se na trţištu ne utvrdi dominantno rešenje u oblasti poslovne inteligencije.

Poglavlje 1 Uvod u poslovnu inteligenciju 55

Strukturirani i nestrukturirani podaci. Većina proizvoda u oblasti poslovne inteligencije radi sa strukturiranim podacima koji vode poreklo iz transakcionih (operaci- onih) i raznih drugih sistema. Trend je da se ti proizvodi evaluiraju (neki već jesu) u smislu mogućnosti rada i s nestrukturiranim podacima, kao što su dokumenti, e-mailovi ili slike. META Group iznosi procenu đa 70% informacionog potencijala preduzeća čine nestrukturirani podaci. Vrednost nestrukturiranih podataka u direktnoj je vezi s mogućnošću njihovog povezivanja sa strukturiranim podacima. Kvalitet podataka. Loš kvalitet podataka uzrokuje neuspeh projekata poslovne inteligencije. Loši podaci prave barijeru između korisnika informacija i sistema poslovne inteligencije. Proizvođači rešenja poslovne inteligencije treba da pomognu preduzeće- ma da, kada utvrde uzroke problema, sprovedu korektivne mere i dovedu nivo kvaliteta podataka na zadovoljavajući nivo. Analize predviđanja. Sofisticirani korisnici poslovne inteligenicije imaju potrebe za analizama predviđanja po principu ,,šta će biti ako... ". Na primer, neko analizira prodaju u određenom geografskom regionu u prvom kvartalu, a rezultati te analize mogu se iskoristiti za predviđanje prodaje za predstojeći period na bazi ranijih podataka. U tom smislu, mogućnosti rešanja poslovne inteligencije treba prirodno da budu proširene funkcijama za analize predviđanja. Rafinirane mogućnosti i funkcionaknost. Spreadsheet programi se p,uno koriste u preduzećema svih veličina zato što su veoma intuitivni i jednostavni za ko- rišćenje. Većina korisnika poslovne inteligencije spada u grupu „običnih korisnika informacija" koji se zadovoljavaju standardnim izveštajima i spreadsheet funkcionalnošću. Naţalost, mogućnosti aplikacija poslovne inteligencije su daleko ispred „nivoa svesti" zaposlenih o njihovim stvarnim mogućnostima. U tom smislu potrebno je klasifikovati korisnike prema njihovim potrebama za odredenim funkcionalnostima rešenja poslovne inteligencije. Na taj način efikasnost korišćenja tih rešenja biće daleko veća.

_ . , ' , ..................................... ... ..... .......... . ' , .. ................... .. 2

Budućnost poslovne inteligencije Za pet godina, 100 miliona ljudi će svakodnevno koristiti alate za vizuelizaciju informacija. Vrednost softverskih proizvoda koji ističu vizuelizaciju kao jedno od svoje tri ključne karakteristike biće preko milijardu dolara. Ramana Rao, founder and chief technology officer, Inxight Software Inc., Sunnyvale, Calif Za tri godine korisnici će traţiti real time analize za poslove koje obavljaju - na isti način na koji se danas prate kvote na berzi. Mesečni ili čak dnevni izveštaji neće više biti „dovoljni".

2 Izvor: ComputerWorld, April 14, 2003 by Mitch Betts

I

56 Poslovna inteligencija

Poslovna inteligencija više će biti fokusirana na vertikalne industrije, kao na modeliranje predvidanja umesto na ad hoc upite. Thomas Chesbrough, executive vice president of Thazar, a Skywire Software company, Frisco, Texas. Kao što u proizvodnji postoje standardi za kvalitet proizvoda, „sertifikat za podatke" će postati vaţan standard u naredne tri godine koji će proizvođačima, kupcima i dobavljačima. koji međusobno dele podatke, obezbediti da izmere kvalitet podataka pre nego što ih kupe ili koriste. S formalnom metodologijom, objavljenim skupom kriterijuma i testova za sertifikaciju, kupci informacija će moći da analiziraju podatke i da zahtevaju popuste za svaku nepravilnost. Frank Dravis, vice president of information quality, Firstlogic Inc., La Crosse, Wis. U sledeće tri godine kompanije (i njihovi poslovni menadţeri) postaće zavisni od real time poslovnih informacija na isti način kao što sada ljudi očekuju da dobiju informacije preko Interneta s dva pritiska mišem. To instant „Internet iskustvo", kreiraće novi okvir za poslovnu inteligenciju, ali će i poslovni procesi morati da se prilagode real time tokovima podataka. Nigel Stokes, CEO, DataMirror Corp., Toronto. U pojedinim kompanijama postoje terabajti podataka. S namerom da se istraţi taj okean podataka, poslovanje će biti fokusirano na poslovnu inteligenciju, koja će naredne tri godine pre potrošiti na analizu neefikasnosti smeštanja podataka nego na poboljšanje već i danas moćnih analitičkih mogućnosti. Foster Hinshaw, chief technology officer, Netezza Corp., Framingham, Mass. U naredne dve godine, mogućnosti poslovne inteligencije postaće demokratičnije, sa značajno većim brojem krajnjih korisnika u preduzeću koji će koristiti alate da bi imali bolji uvid u performanse koje se tiču njihovog segmenta posla. Steve Molsberry, senior consultant, Stonebridge Technologies Inc., Dallas. Podaci koji potiču iz poslovne inteligencije omogućavaju kompanijama rast i razvoj i kao takvi mogu da postanu meta industrijske špijunaţe, kompjuterskog kriminala i terorizma. Krađa informacija jednoj kompaniji onemogućava njene razvojne planove za budućnost. U narednim godinama kompanije moraju da se zapitaju šta čine da zaštite svoje informacije, što će prouzrokovati više potrošenog novca na IT sigurnost i zaštitu 2004. i 2005. godine. Ryon Packer, vice president, Intrusion Inc., Richardson, Texas. Unapređujući efekte marketinških poruka, tehnologije poslovne inteligencije mogu da uštede više od 200 milijardi dolara godišnje. Data mining u kombinaciji s marketinškom automatizacijom menjaju fundamentalne osnove marketinga i verovatno će povećati efikasnost marketinških kampanja za 20% do 2007. godine.

Poglavlje 1 Uvod u poslovnu inteligenciju 57

Dave Morgan, CEO, Tacoda Systems Inc., New York. U sledeće tri ili pet godina poslovna inteligencija postaće stand-alone trţište, kao što je to danas Microsoft. Proizvođači baza podataka i aplikacija posmatraće analitičke mogućnosti kao ekstenzije njihovih ponuda. Ponuđači integrisanih rešenja, korišćenje Web servisa i standardi za razmenu poruka, olakšaće kretanje informacija i obezbediće pravovremen pristup svakom izvoru podataka. Bob Zurek, vice president of advanced technology, Ascential Software Corp., Westboro, Mass. Biznis je rati Kao u svakom ratu, preţivljavanje zavisi od mogućnosti da se brzo reaguje u neprekidno dinamičnom okruţenju. Poslovna inteligencija ima ulogu poslov- nog komandnog i kontrolnog centra. Na isti način na koji centri za lansiranje raketa mere daljine i ciljeve u ratu, poslovna inteligencija meri varijable poslovanja, kao što su operativne performanse, stanja trţišta i performanse konkurencije i sve to u realnom vremenu. Sol Klinger, director, Sterling Management Solutions Inc., Princeton, N. ]. Do 2006. godine polovina data warehouse baza podataka biće zamenjena novim ahitekturama koje nazivam „bulevar prodavnica podataka". One će sadrţati skupove podataka koji su prilagođeni za korišćenje u svakoj poslovnoj jedinici i omogućavaju menadţerima tih poslovnih jedinica analiziranje podataka iz njihove oblasti interesovanja. Craig Branning, senior vice president, Tallan Inc., Glastonbury, Conn. Analitičari znanja analiziraju podatke u izolaciji pošto su alati koje koriste napravljeni isključivo za tu namenu. Međutim, analitičari podataka moraju da prevaziđu poziciju specijalizovanih analitičara podataka. To znači ukomponovanje analitičkih aplikacija u portal interfejse kojima obični korisnici mogu da pristupe on-line, da dele s drugim korisnicima kako statičke izlaze, tako i dinamičko analitičko iskustvo kroz on-line saradnju. Takav pristup će postati mainstream do 2005. godine. Andrew Coutts, CEO, Databeacon Inc., Ottawa. Za dve ili tri godine kompanije će napustiti tradicionalni model poslovnih ispravki baziranih na kvartalnom nivou. Umesto toga, oni će pomoću alata poslovne inteligencije i menadţmenta performansi ispravke uvoditi u realnom vremenu, kao odgovor na promenu na trţištu. Rob Ashe, president and chief operating officer, Cognos Inc., Burlington, Mass. Proizvođači koji obećavaju poslovnu inteligenciju i koji samo „hvataju" istorijske podatke iz baza podataka u pređuzeću postaće prošlost - jer jednostavno ne mogu da isporuče poslovnu inteligenciju u realnom vremenu. Poslovna inteligencija u realnom vremenu ne

I

58 Poslovna inteligencija

podrazumeva samo analizu dokumenata, baza podataka, e-mailova već i druge izvore podataka koji se stalno menjaju, kao što su Web sadrţaji, PDF fajlovi, In- ternet-bazirane diskusije. Mahendra B. Vara, chairman and CEO, Intelliseek Inc., Cincinnati. Za pet godina, nestaće termini, kao što su poslovna inteligencija ili data mining. Oni će biti zamenjeni poslovnim akcijama koje će automatski okidati sistemi bazirani na analizama predviđanja. Umesto da ih koristi od ograničen broj tehničkih analitičara, te tehnologije biće primenjene na svim nivoima. Colin Shearer, vice president of customer analytics, SPSS Inc., Chicago. Korisnici traţe veći stepen integracije cifara i komentara koji ih prate. Iz tog razloga sve aplikacije poslovne inteligencije uključiće alate za upravljanje sadrţajima i znanjem. Brian Harden, senior vice president, Comshare Inc., Ann Arbor, Mich. U narednih pet godina mnogo će porasti (40%) broj korisnika alata poslovne inteligencije. Monolitne data warehouse strategije biće zamenjene tehnologijama koje prave virtuelne tačke pristupa podacima bazirane na zahtevima koje postavljaju krajnji korisnici. U tim tačkama će se dinamički prikupljati podaci iz različitih izvora uključujući data mart, data warehouse, produkcione sisteme i eksterne izvore i na taj način će prezentovati jedinstven personalizovan pogled na podatke. Frank Gelbart, CEO, Appfluent Technology Inc., Arlington, Va.

Data warehouse j Poglavlje .

..-:.-•■„>- .-..• • .f.-.". Hi * . • .i—.v .v.:.*

3 (BHH «BK»®!!!»^;!***?^^

i--■-.■;.:

:. -.V Çr*

Data warehouse - detaljnije Data warehouse je definisan kao skup informacija organizovanih tako da se mogu lako analizirati, izdvojiti, spojiti i na druge načine koristiti da bi se razumela njihova osnovna suština. Transakciono (operativno) poslovanje u osnovi ima konvencionalnu bazu podataka koja, ukoliko je dobro projektovana, podleţe ralacionom modelu baze podataka. To podrazumeva maksimalno normalizovane podatke da bi se obezbedila konzistentnost i minimalno potreban prostor za smeštanje podataka. Međutim, veći stepen normalizacije podataka podrazumeva i sporost u izvršenju transakcija i upita. Nad tim podacima radi skup aplikacija koje su transakciono orijentisane, uglavnom za unos ili učitavanje podataka (engl. data entry and retrival). Za takav reţim rada u komjuterskoj terminologiji (a i u našem jeziku kad je upitanju IT terminologija) prihvaćen je naziv On Line Transaction Processing (OLTP). Data warehouse takode predstavlja neku vrstu baze podataka, s tim što su podaci u njoj organizovani na poseban način. Data warehouse sadrţi veliku količinu podataka, koje su organizovane u manje logičke jedinice koji se nazivaju data martovi. Data warehouse sistemi koriste denormalozovane (relaksirane) podatke. Izvršavanje upita nad tako organizovanim podacima znatno je brţe. Osim toga, takvim pristupom bitno se pojednostavljuje šema baze podataka, tako da je olakšano pretraţivanje i osoblju koje nije tehničko, tj. krajnjim korisnicima. Takav reţim rada se naziva OLAP (On Line Analitycal Processing). Alati koji podrţavaju takav reţim rada projektovani su da rade s denormalizovanim bazama podataka, mada ima i alata koji rade sa specijalnim data warehouse semama u tećoj normalnoj formi (baza čije se sve veze nalaze u trećoj normalnoj formi praktično se smatra normalizovanom). Shodno razlikama između konvencionalnih baza podataka i data warehouse, razlikujemo i dve vrste informacionih sistema. Takozvani „transakcioni operacioni" informa- cioni sistemi pruţaju podršku svakodnevnom poslovanju tipa fakture, otpremnice, proizvodnje itd. S druge strane, „analitički" informacioni sistemi fokusirani su na analizu podataka kao podrška u donošenju odluka u poslovnim procesima. Podacima koji su smešteni u data warehouse obično se pristupa preko data martova. Data mart obično predstavlja podskup logički povezanih podataka iz data warehouse

59

I

60 Poslovna inteligencija

koji se odnosi na odredenu oblast. Data martovi se dizajniraju s namerom da budu osnova potencijalnih upita od krajnjih korisnika.' Data warehouse ne sadrţi „on line" tekuće podatke iz poslovanja. Ona je odvojena od transakcione operativne (OLTP) baze podataka i puni se periodično novim podacima. Transfer podataka podrazumeva i proces denormalizacije podataka. Osim transformisanih podataka iz operativne baze data warehause mogu da se nadu i informacije iz spoljnih izvora, čijim se povezivanjem sa informacijama iz transakcione baze podataka dobij a moćno sredstvo za predviđanje trendova i donošenje „dobrih" poslovnih odluka.

Operational Systems Marketing

SS* I *** I î-ifs^s? ; ŠKS ä ' rC i g

Sales Accounting Finance Human Resources

Sales

Finance sJ si liu/ll (c

Siika 24 Koncept data warehouse.

Poglavlje 3 Data warehouse 61

Arhitektura data warehouse sistema je slojevita i sastoji sa iz sledećih nivoa: • Operativna baza podataka i eksterne baze podataka • Nivo za pristup informacijama • Nivo za pristup podacima • Nivo direktorijuma podataka (metadata) • Nivo za upravljanje procesima • Nivo za komunikaciju aplikacija (messaging) • Nivo data warehouse •

Nivo za transformaciju podataka

Transformacija podataka

0 o

Pristup podaci ma

Pristu p^ informacija ma ^ Data warehous e

Pristup podaci ma

Rečnik podata ka Funkcije direktorijuma podataka Upravljanje procesima

;... •. ¡\ SšvsS

Operaciona eksterna DB

I

62 Poslovna inteligencija

Operativne i eksterne baze podataka Operativne transakcione baze podataka se kreiraju da bi zadovoljile potrebe tekućeg poslovanja. Takve baze podataka nisu pogodne za pristup i analizu podataka sa aspekta menadţera i onih koji donose odluke. Ključni cilj data warehouse je da se učine dostupnim informacije iz operativnih baza podataka i da se zatim povezu s drugim informacijama iz spoljnih izvora i baza podataka. Takve informacije uključuju i demografske, ekonometrijeske, uporedne i trţišne trendove.

Nivo za pristup informacijama Nivo za pristup informacijama je u direktnoj interakciji s krajnjim korisnicima. Taj nivo u suštini predstavlja aplikacije i alate koje korisnici koriste svakodnevno (Exel, Lotus, Access...). S razvojem tehnologije ti alati postaju sofisticiraniji i pruţaju velike mogućnosti za manipulaciju, analizu i prezentaciju informacija, uz obavezno intuitivan, jednostavan i vizuelno atraktivan korisnički interfejs.

Nivo za pristup podacima Nivo za pristup podacima omogućava komunikaciju između nivoa za pristup informacijama i operativnih eksternih baza podataka. U svetu baza podataka, standardni jezik za manipulaciju podacima je SQL (engl. Structured Query Language). U skorije vre- me, procesi komunikacije i razmene podataka nezamislivi su bez XML (engl. Extended Markup Language) standarda za razmcnu podataka. Taj nivo u suštini predstavlja neku vrstu interfejsa.

Nivo direktorijuma podataka (metadata) Meta baza podataka je baza podataka o bazi podataka. U njoj se čuvaju informacije o tome kako su podaci uređeni i kakve su veze između njih. Tipična meta baza podataka (naziva se još i rečnik podataka, respozitorijum) sadrţi informacije o tabelama, ključevima, korisnički definisanim tipovima, indeksima, vezama između tabela...

Nivo za komunikaciju aplikacija Nivo za komunikaciju aplikacija predstavlja „srednji" sloj u arhitekturi data warehouse sistema. On sadrţi protokole za komunikaciju svih navedenih nivoa. Veći deo tog nivoa čine mreţni protokoli, ali osim njih on moţe da sadrţi i druge komponente, kao što su izolatori aplikacija ili sistema za razmenu poruka.

Poglavlje 3 Daia warehouse 63

Nivo data warehouse Ovaj nivo prestavlja „fizički" nivo arhitekure data warehouse sistema. On sadrţi „kopije" podataka iz operativnih baza podataka i spoljnih izvora koji su smešteni u formatu pogodnom za brz i efikasan pristup i za razne vrste analiza. Sto se same tehnologije tiče, data warehouse moţe biti smešten i na mainframe i na klijent server sistemima.

Nivo transformacije podataka Poslednja komponenta u arhitekturi data warehouse sistema jeste nivo transformacije podataka. Taj nivo se takode naziva copy menadžment ili menadžment replikacije. Taj nivo uključuje procese koji podatke iz operativnih i spoljnih izvora podataka transformi- šu podatke u oblik pogodan za smeštanje u data warehouse bazu podataka.

Postoji mnogo načina da se implementira data warehouse u preduzeću. Pri tom implementaciju moţemo posmatrati s nekoliko aspekata: -'

Slika 26 Data warehouse aspek

Data warehotise

Tipovpaajnjih korisnika

Oblast koju pokriva

64 Poslovna inteligencija

t

• Oblast koju pokriva data warehouse • Obim redundanse podataka • Tipovi krajnjih korisnika

Oblast koju pokriva data warehouse Data warehouse moţe da sadrţi sve informacije jednog preduzeća ili određene njegove logičke celene i to za period od više godina. Takođe, data warehouse moţe biti personalnog karaktera za konkretnog menadţera i moţe sadrţati informacije iz kraćeg vremenskog perioda, recimo jedne godine. Sto je data warehouse opštiji, obimniji i ako se odnosi na duţi period, to je cena njegove implementacije veća i odrţavanje zahtevnije. Iz tih razloga preduzeća često počinju s više manjih data warehouse sistema koji su podeljeni po funkcionalnom, organizacionom ili nekom drugom principu, a kasnije ih šire ili integrišu prema potrebama krajnjih korisnika.

Obim redundanse podataka Što se tiče redundanse podataka, postoje tri nivoa redundanse podataka koje predu- zeće treba da razmotri prilikom projektovanja sopstvenog data warehouse: • Vitruelni ili „Point to Point" data warehouse • Centralni data warehouse • Distribuirani date warehouse Nijedno od navedenih rešenja ne moţe da se izdvoji kao „najbolje ". Zavisno od potreba preduzeća bira se neko od ponuđenih rešenja, uz napomenu da se ti modeli mogu i kombinovati. Virtuelni ili „point to point" data warehouse podrazumeva direktnu vezu krajnjih korisnika sa operativnom (OLTP) bazom uz upotrebu posebnih namenskih alata. Taj pristup je izuzetno fleksibilan, redundasa je svedena na minimum. Taj pristup je posebno pogodan za preduzeća koja još nemaju jasno utvrđene potrebe i koja tek „osluškuju" potrebe svojih korisnika. Centralni dala warehouse je pristup koji predstavlja samu suštinu data warehouse koncepta. Taj pristup podrazumeva fizičku bazu podataka koja sadrţi sve informacije potrebne jednom preduzeću ili organizacionoj jedinici ili funkciji... Taj pristup je posebno pogodan za situacije u kojima velik broj korisnika iz raznih delova preduzeća ima potrebe za istim ili sličnim informacijama. Podaci koji se nalaze u bazi mogu se odnositi na proizvoljan period i potiču iz raznih delova preduzeća. Taj model podrazumeva implementaciju na nekim naprednim sistemima za upravljanje bazama podataka (engl. RDBMS, Relational Database Management System) ili na nekom multiđimenzionalnom serveru baza podataka. Distribuirani data warehouse pristup je u skladu sa svojim prefiksom u imenu. Ĉine ga delovi data warehouse sistema koji su distribuirani u više fizičkih baza podataka. Taj model

Poglavlje 3 Daia warehouse 65

podrazumeva veću redundansu podataka, a kao propratni efekat sloţenije procese učitavanja i aţuriranja podataka.

Tipovi krajnjih korisnika Kada data warehouse posmatramo sa aspekta krajnjih korisnika, moţemo da utvrdimo tri kategorije korisnika: • Izvršni direktori i menadţeri • „Moćni" korisnici (poslovni i finansijski analitičari, inţinjeri...) • Korisnici za podršku (operativno i administrativno osoblje} Svaka od navedene tri grupe korisnika ima svoje potrebe i zahteve za određenom vrstom informacija, za načinom pristupa informacijama, stepenom fleksibilnosti i za načinom korišćenja.

Razvoj data warehouse sistema Razvoj dobrog rešenja u oblasti data warehouse ne razlikuje se od razvoja bilo kog drugog IT projekta. Proces razvoja zahteva paţljivo planiranje, utvrđivanje potreba, projektovanje, izradu prototipa i na kraju implementaciju. Prvi i najvaţniji korak je planiranje procesa u kome će se definisati strategija data warehouse sistema koji će biti implementiran u preduzeću.

Izbor data warehouse strategije Pre nego što se razvije data warehouse sistem, potrebno je odabrati strategiju koja u najvećoj mogućoj meri garantuje da će krajnje rešenje zadovoljiti zahteve koji su pred njega postavljeni. Ko su krajnji korisnici? Koje oblasti pokriti? Koje vrste informacija data warehouse treba da obezbedi? To su samo neka pitanja koja se postavljaju prilikom izbora strategije implementacije data warehouse u preduzeću. Postoji više tipova strategija za koje preduzeće moţe da se odluči. Jedna od njih je prethodno uspostavljanje takozvanog „virtuelnog" data warehouse sistema. Nakon postavljanja odgovarajućih alata za pristup podacima, obuke korisnika i praćenja u nekom odredenom periodu, kao rezultat dobiće se jasno utvrđene potrebe za informacijama, na bazi kojih se moţe kreirati fizički data warehouse baze podataka. Druga strategija je da se jednostavno napravi „kopija" operativne baze podataka (OLTP) i obezbede odgovarajući alati za pristup podacima. Prednost te strategije je da je jednostavna i brza za implementaciju. Međutim, naţalost, podaci u „kopiji" operativne baze podataka nisu

66 Poslovna inteligencija

t

organizovani na način kako to zahtevaju principi data warehouse metodologije, pa je korišćenje oteţano i manje efikasno. Konačno, optimalan izbor strategije za data warehouse sistem je kao prvo da se utvrdi ko će ga koristiti, a zatim da se utvrde i potrebe korisnika za informacijama. Na bazi utvrđenih potreba izrađuje se prototip rešenja i počinje eksperimentalna faza. U eksperimentalnoj fazi korisnici mogu da „osete" rad sistema i da po potrebi izmene ili dopune svoje zahteve koji su postavljeni u fazi analize. Kada sve strane usaglase zahte- ve, počinje se s izradom „pravog" sistema uz prethodno punjenje data warehose sistema podacima iz operativne baze podataka i spoljnih izvora. Na kraju, potrebno je istaći da ne postoji „univerzalno" rešenje koje će biti najbolje za svako preduzeće. U skladu sa svojim potrebama i mogućnostima svako preduzeće bira rešenje za data warehouse sistem koje će na najbolji način zadovoljiti zahteve koji su postavljeni pred njega.

Projektovanje data warehouse sistema Projektovanje data warehouse baze podataka bitno se razlikuje od projektovanja klasičnih operativnih (OLTP) baza podataka. Pre svega, korisnici data warehouse sistema su mnogo manje upućeni u ono što im treba od korisnika operativnih baza podataka. U tom smislu, projektanti moraju da daju sve od sebe da bi u komunikaciji s krajnjim korisnicima „otkrili" suštinske zahteve koji se stavljaju pred sistem. Uloga prototipa u tom slučaju je ključna. Drugo, mnogo je teţe utvrditi poslovne koncepte za potrebe data warehouse sistema nego za klasične operativne baze podataka.

Upravljanje data warehouse sistemom Data warehouse sistem zahteva paţljivo upravljanje i marketinški pristup. Takav sistem predstavlja dobru investiciju jedino ukoliko krajnji korisnici kroz njega mogu da dođu do bitnih informacija koje su potrebne za poslovanje ili donošenje odluka. U tom smislu, upravljanje takvim sistemom predstavlja proces velike vaţnosti i menadţment to treba da ima u vidu prilikom raspodele prioriteta. Posebno, što je sam razvoj data warehouse sistema neprekidan proces i uvek postoje novi zahtevi za novim, boljim, usaglašenijim drugačijim podacima.

Ključne tačke data warehouse sistema Većina data warehose sistema, ukoliko uopšte negde „krahira", to čini u jednoj od sledeće tri kategorije:

Poglavlje 3 Daia warehouse 67

• Dostupnost - dobro rešenje mora da bude uvek (24x7) raspoloţivo krajnjim korisnicima. Naravno, treba uzeti u obzir vreme koje je potrebno za neke administrativne poslove koji moraju da se obavljaju u „administratorskom" modu, tj. koji onemogućavaju korisnicima pristup sistemu. • Vreme odziva - podrazumeva da i na najsloţenije zahteve korisnika izraţene u obliku raznih upita sistem odgovori u „razumnom periodu". U suprotnom, odgovore treba pre svega potraţiti u podešavanju opcija i parametara baze podataka, kao i reviziji samog modela. Osim toga, na performanse moţe da utiče i poaeše- nost i kvalitet front-end aplikacija. • Đubre podaci - to su podaci koji ostaju u memorijama računara i nakon što prestane potreba za njima. Obično su to neki privremeni podaci, podaci o korisnicima i slično. Oni obaraju performase sistema, troše nepotrebno memorijske resurse i procesorko vreme. Rešenje ovog problema treba potraţiti u kvalitetnim algoritmima za čišćenje takvih podataka i procesa (engl. garbrige collection).

Budući razvoj S napretkom tehnologije i povećanjem dinamike poslovnog okruţenja postavljaju se sve veći zahtevi pred data warehouse sisteme. Baze podataka postaju sve veće, podaci sve sloţeniji, a multimedijalni podaci su već nešto što se podrazumeva. S druge strane, pojava paralelnih servera mnogo ubrzava pristup podacima. U svetu novih tehnologija, projektanti data warehouse sistema moraju i dalje da osluškuju potrebe krajnjih korisnika i da primenom tih novih tehnologija obezbede najbolje moguće rešenje za preduzeće koje će biti funkcionalno za tekuće poslovanje, ali i fleksibilno ubuduće.

-■■ .................. .................................. .............................................. ....................................................... -'.■:

Primer ponude za data warehouse projekat U ovom primeru će biti prikazana ponuda za izradu data warehouse sistema za „virtuelno" preduzeće. Taj sistem će biti namenjen za podršku izveštavanju, ad hoc upitima, sistemu za podršku odlučivanju i izvršnom informacionom sistemu. Sam primer je napisan o obliku pogodnom za prezentaciju izvršnim menadţerima koji treba da donesu odluku o investiciji.

Pregled postojećeg stanja Potojeći produkcioni sistemi su rađeni mnogo godina unazad. Moderni alati i sistemi za upravljanje bazama podataka daju deset puta bolje performanse od postojećih sistema. Postojeći sistemi nisu fleksibilni kad je u pitanju integracija s modernim tehnologijama (Internet), razvoj novih aplikacija (sistemi za podršku odlučivanju) ili kad krajnjim korisnicima treba obezbeđiti direktan pristup informacijama (ad hoc upiti).

68 Poslovna inteligencija

t

Najbolje rešenje bi bilo da se postojeći sistemi zamene novim rešenjima koja će biti bazirana na modernim sistemima za upravljanje bazama podataka. Međutim, takvo rešenje bilo bi skupo, a njegova implementecija bi trajala nekoliko godina. Imajući sve to u vidu, kao rešenje nameće se varijanta u kojoj bi se iskoristile prednosti modernih tehnologija, a da se u isto vreme zadrţe aplikativna rešenja postojećih sistema (bez njihove reimplementacije). Najbolji način za postizanje tog cilja jeste da se implementira data warehouse sistem. Data warehouse će u tom slučaju biti „kopija" operativne baze, podešena tako da se op- timizuje izveštavanje i drugi načini pristupa podacima. Predloţeni data warehouse ad hoc izveštajni sistem će doneti sledeće koristi predu- zeću: • Skratiće se vreme za izradu i najsloţenijih izveštaja • Pruţiće se korisnicima mogućnost da izrađuju sopstvene izveštaje i ad hoc upite za bazu podataka • Olakšaće se implementacija upravljačkog informacionog sistema • Olakšaće se implementacija sistema za podršku odlučivanju • Produţiće se ţivotni vek postojećih sistema tako što će se prebaciti funkcija izveštavanja u zaseban sistem Novi izveštajni sistem moţe biti izrađen fazno, tako da se poboljšane verzije izveštaja ili novi izveštaji mogu isporučivati svakih nekoliko meseci. Novi data warehouse sistem biće dizajniran tako da zadovolji potrebe preduzeća u duţem periodu, uz maksimalnu fleksibilnost kad su u pitanju krajnji korisnici.

Uvod Postojeći informacioni sistem je dizajniran tako da zadovolji osnovne operativne poslove u preduzeću. Implementiran je uz korišćenje zastarelih tehnologija, a da bi zađo- voljio i transakcione i izveštajne potrebe. Međutim, postojeći informacioni sistem nije u stanju da odgovori na napredne zahteve za upravljanje podacima. Najnovije tehnologije donose i nove mogućnosti za brţe izveštavanje i efikasan pristup podacima i na taj način su u stanju da potpunije zadovolje potrebe krajnjih korisnika. U tu svrhu potrebno je izraditi kopiju operativne baze i smestiti je na poseban sistem. Taj sistem se naziva data warehouse. Međutim, samo kopiranje operacione baze ne predstavlja implementaciju data warehouse sistema. Potrebna je paţljiva analiza potreba za informacijama koje učestvuju u procesu donošenja odluka. Na bazi te analize, potrebno je napraviti strukturu baze podataka koja će na najefikasniji način produkovati takve informacije. Uz takav pristup, data warehouse će nadţiveti produkcioni sistem (koji se u krajnjoj liniji moţe zameniti i tehnološki savršenijim sistemom, a da se ne utiče na data warehouse sistem) i neće biti zavisan od njega. U postojećem sistemu rada potrebne su, u prošeku, dve nedelje da bi se realizovao neki izveštaj. Tako dugačak period negativno utiče i na donošenje odluka koje je uključivalo opis problema, planiranje izveštaja, prikupljanje informacija, izradu izveštaja i na bazi njega konačno

Poglavlje 3 Daia warehouse 69

donošenje odluke. Sto je odluka vaţnija i što zahteva više informacija, to je potrebno više analiza, testiranja i vraćanja na neki od koraka radi raznih prilagođavanja i ispravki. Novi sistem rada nije samo prosto unapređenje efikasnosti postojećeg sistema. Predloţeni sistem podrţava tehnologije koje suštinski menjaju donošenje odluka. On omogućava preduzeću da razvije i implementira izveštaj „preko noći". Takođe, omogućava krajnjim korisnicima da sami kreiraju izveštaje bez pomoći IT personala. Koristeći novi sistem, odluke će biti donošene na bazi povezanih izveštaja, dok su se korišćenjem starog sistema đobijali izveštaji koji su bili zasebni, svaki za sebe. Taj iterativni postupak značajno će unaprediti donošenje odluka.

Nedostaci postojećeg sistema Velike promene u okruţenju negativno utiču na performanse postojećeg sistema. Postojeći sistem izveštavanja nije u stanju da adekvatno i dovoljno brzo odgovori na postavljene zahteve. Takav sistem nije u stanju da podrţi postojanje sistema za podršku odlučivanju i upravljačkog informacionog sistema. Data warehouse rešava taj problem. Takođe, veličina baze podataka preduzeća je ##GB. Bazirano na dosadašnjoj pro- ceni rasta, kolika će biti njena veličina za nekoliko godina? Da li je potrebno planirati nove investicije u hardver da bi se očuvale performanse sistema? Veća količina podataka automatski znači i više vremena za odrţavanje softvera. Aplikacije moraju da prođu kroz prilagođavanje za rad s velikom količinom podataka. Narastanje količine podataka onemogućava performantno izvršavanje izveštaja, pa će oni morati da se puštaju noću da ne bi „rušili" performanse čitavog sistema.

Prednosti novog sistema Novi sistem, baziran na data warehouse, unaprediće funkcionalnost postojećeg sistema na sledeće načine: • Novi razvojni alati - postojeća platforma na kojoj je instalirana baza podataka, biće zamenjena nekim od vodećih sistema za upravljanje bazama podataka (Oracle, Mocrosoft SQL Server, IBM. UDB DB2). U okviru njih sadrţani su i visoko- sofisticirani razvojni alati. Aplikacije razvijene tim alatima na najbolji način će iskoristiti prednosti tih sistema za upravljanje bazama podataka. • Brţi izveštaji - izveštaji će se izvršavati mnogo brţe u data warehouse sistemu jer je on projektovan za tu svrhu. • Lakši razvoj izveštaja - struktura podataka i njihova organizacija u data warehouse sistemu je prilagođena izradi izveštaja. Takođe, alati koji se koriste puno su ' napredniji od onih u postojećem sistemu. • Ad hoc upiti - novi sistem dozvoljava korisnicima da direktno pristupe podacima u realnom vremenu, čime oni sami mogu da zadovolje većinu svojih potreba. S postojećim sistemom to nije moguće.

70 Poslovna inteligencija

t

• Sistem za podršku odlučivanju (DSS, Decision Support System) i upravljački informacioni sistem (EIS, Exeutive Information System) - produkcija ovih sistema je daleko lakša nad organizacijom podataka kakva je u novom sistemu • Data mining - omogućava izvršavanje data mining procesa, koji u suštini na bazi zadatih parametara pronalazi statističke veze između podataka. • Unapređenje produkcionog sistema - novi sistem će značajno produţiti vek tekućeg produkcionog sistema uz još jednu prednost - oslobodiće produkcioni sistem obaveze da podrţi napredne sisteme izveštavanja

Proces razvoja i troškovi Ključna stvar za uspešnan razvoj i implementaciju novog sistema jeste razumevanje potreba korisnika. Da bi se u tome uspelo, potrebno je postati deo okruţenja korisnika. Da bi se efikasno dizajnirao data warehouse sistem, potrebno je razumeti način na koji se odluke donose, što je prilično veliki izazov. Potrebno je razgovarati sa slučajno odabranim korisnicima iz svih delova i svih novoa preduzeća. Pribliţno, svakom od njih potrebno je posvetiti 5-10 sati. Najveći deo vremena za projektovanje novog sistema biće utrošen na analizu potreba korisnika. To podrazumeva razgovor s budućim korisnicima sa svih nivoa preduzeća da bi se saznalo kakve su njihove potrebe i očekivanja vezana za novi sistem. Treba imati u vidu da će dobro urađen posao u toj fazi znatno smanjiti vreme i moguće probleme u kasnijim fazama projektovanja. Međutim, to ne znači da će se vreme projekta odgađati do neprihvatljivih granica. Novi sistem moţe se projektovati na bazi postojećih potreba za izveštavanjem (iz starog sistema), a kasnije odrediti kako bi se zadovoljile potrebe raznih korisnika. Ĉak i da se „osluškivanje" potreba korisnika odgodi, čitav projekat se moţe podeliti u potprojekte koji se mogu jedan za drugim implementirati. Treba imati u vidu da je projektovanje data warehouse sistema sličan tradicionalnom načinu projektovanja. Osnovna razlika je u tome sto se mora posvetiti posebna paţnja migraciji podataka koji se moraju povremeno „osveţavati" iz produkcione baze podataka. Ukupni troškovi projekta procenjeni su na $####.

„Političko" okruženje Uspešna realizacija projekta podrazumeva učešće na svim nivoima. Operativni sluţbenici, menadţeri srednjih nivoa i top menadţeri poseduju informacije koje se moraju uključiti u razvoj data warehouse projekta. Zaposleni u preduzeću treba da budu na raspolaganju projektantima sistema za razgovore i druge ključne delove projekta. Bez odgovarajuće saradnje sistem neće moći da zadovolji zahteve koji su postavljeni pred njega: biće nepotpun i manje efikasan. Sve faze projekta moraju podrţati i odobriti najviše strukture u preduzeću.

Poglavlje 3 Daia warehouse 71

Plan rada Pre projektovanja novog sistema, logično je da već postoji određen skup zahteva koji stoje pred njim. Ukoliko su zahtevi obimni, struktura data warehouse sistema moţe da se razlikuje od one s malobrojnim zahtevima. U tom smislu, pre početka projektovanja, potrebno je prikupiti i utvrditi „dovoljnu količinu" zahteva da bismo bili sigurni da ćemo dobiti zadovoljavajuću strukturu data warehouse sistema. Koraci u planu rada: • Analiza potreba korisnika - paţljiva i sveobuhvatna analiza potrebna je pre početka projektovanja. • Projektovanje data warehouse struktura - na bazi zahteva korisnika prave se strukture koje će zadovoljiti te zahteve. • Migracija podataka - podaci iz starog sistema moraju da se prebace u data warehouse sistem • Validacija skripta za migraciju - „presipanje" podataka iz starog sistema u novi sistem mora biti testirano. Podaci koji se prebacuju iz produkcione baze podataka u data warehouse moraju da budu tačni. Taj proces nije namenjen samo novom sistemu već i ispravljnju grešaka u postojećem (starom) sistemu. • Sumarne i agregirane tabele - Da bi se optimizovale performanse za najčešće ko- rišćene podatke, treba napraviti posebne strukture. • Migracija produkcionog izveštajnog sistema - produkcioni izveštaji biće izvršavani i na novom sistemu. Koristeći sofisticirane izveštajne alate, dobiće se veća funkcionalnost nego u produkcionom sistemu. S novim sistemom, korisnici će biti u mogućnosti da dobiju sloţene varijacije osnovnih izveštaja, a da neće morati da traţe pomoć od IT personala. • Ad hoc podrška - korisnici često zahtevaju mogućnost da prave sopstvene upite i na taj način direktno pristupaju određenom logičkom segmentu data warehouse baze podataka.

Zaključak (primer ponude) Predloţeni projekat će u velikoj meri poboljšati izveštajne mogućnosti preduzeća. Novi sistem će zadovoljiti mnogobrojne korisničke potrebe za izveštavanjem na svim nivoima preduzeća. Greške i nedostaci u postojećem produkcionom sistemu biće otkrivene i otklonjene. Novi sistem obezbeđuje brţe, preciznije i fleksibilnije izveštaje koji će zadovoljiti izveštajne potrebe preduzeća.

DATA MINING I Poglavlje ï

■

i

s

Ukratko Veličina baza podataka danas se meri u terabajtima - više od 1 000 000 000 000 baj- tova podataka. U toj ogromnoj količini podataka kriju se informacije strateški značajne za preduzeće

Kako ih pronaći? Odgovor je u novoj tehnologiji po imenu data mining. Inovativne organizacije u svetu već koriste data mining da bi pronašle vaţne kupce, ponovo sastavile svoje ponude da bi povećale prodaju ili smanjile gubitke usled nedostataka u proizvodnji. Data mining je proces koji koristi različite vrste alata za analizM podataka da bi se otkrile zakonitosti i veze medu podacima koje se mogu iskoristiti za izradu validnih projekcija. Prvi i najjednostavniji analitički korak u data mining tehnologiji jeste opis podataka, koji u suštini predstavlja sume statističkih atributa (kao što je očekivanje i standardna devijacija), njihovu grafičku interpretaciju i pronalaţenje uzajamnih veza između varijabli (na pri me r, utvrđivanje vrednosti koje se često pojavljuju zajedno). Međutim, iz opisa podataka nije moguće napraviti akcioni plan. Prethodno mora da se napravi model projekcije baziran na zakonitostima koje su utvrđene u opisu podataka, a zatim i da se testira tako napravljen model. Ma koliko model bio dobar, ne treba ga nikad zame- niti s realnim sistemom (auto karta nikad nije savršen prikaz pravog puta), ali moţe da posluţi kao dobar vodič za razumevanje poslovnih procesa u pređuzeću. Na kraju, kao poslednji korak, sledi praktična provera modela.

Data Mining - šta sve možemo da uradimo? Data mining je tehnologija, alat — nije magični štapić! Data mining ne moţe da nadgleda bazu podataka, posmatra šta se dešava i potom pošalje e-mail da bi nekome

'Rađeno na bazi materijala [7] i: reference.

72

skrenuo paţnju na to da se pojavila interesantna zakonitost. Ta tehnologija ne ukida potrebu da se poznaje sopstveno poslovanje, razumeju podaci i analitički metodi. Data mining pomaţe sistem analitičarima da pronađu zakonitosti, međusobne veze i šablonV

ska ponašanja u gomili podataka. Cak i kada se zakonitosti utvrde,i Knowledge moraju dadiscovery prođu proveru na Poglavlje 4 DATA MINING 73 realnom sistemu. Treba imati u vidu da veze između podataka ne predstavljaju neophodno uzroke nekih ponašanja ili akcija. Na primer, data mining moţe da uoči zakonitost da muškarci s mesečnom platom od 50 000 do 65 000 dinara, koji su pretplaćeni na neke časopise predstavljaju značajne kupce nekog proizvoda u preduzeću. Ako se posmatra ta zakonitost, ipak ne moţemo sa sigurnošću da tvrdimo da je njihova plata i pretplata na određene časopise razlog zbog kojeg oni kupuju proizvode preduzeća. Da bi se dobili tačni rezultati, neophodno je razumeti sopstvene podatke. Data mining ne zamenjuje poslovne analitičare i menadţere, već im daje moćan alat da bi bolje i efikasnije obavljali svoj posao.

Data mining i data warehousing Podaci koji se obrađuju kroz data mining vrlo često potiču iz baze podataka preduzeća koja je organizovana po modelu data warehouse. Postupci organizovanja podataka za data warehouse i data mining veoma su slični. To znači da ako su podaci organizovani po modelu data warehouse, nema potrebe za dodatnom organizacijom podataka jer se tako organizovani podaci mogu koristiti i za data mining. Data mining baza podataka predstavlja logički podskup (ne fizički podskup) data warehouse baze podataka.

Međutim, data warehouse nije neophodna (ne predstavlja zahtev) za data mining. Razvoj velike data warehouse baze podataka koja usklađuje podatke iz više izvora, reša-t va probleme integriteta podataka i učitava podatke u bazu za upite, moţe biti mukotrpan, dug i veoma skup poduhvat. Međutim, data mining tehnologija se moţe primeniti i nad operativnim transakcionim bazama podataka. Da bi se to realizovalo, potrebne podatke treba izdvojiti u posebnu read only bazu podataka (formiranje data mining data marta). 74 Poslovna inteligencija

Data Sources i __________

Data Mining Data Mart

Slika 28 Data mining data mart izdvojen iz operativne baze podataka.

Data mining i OLAP Kada se posmatraju data mining i OLAP pristupi, mogu se primetiti značajne razlike među njima, ali i da se u velikom stepenu dopunjuju. OLAP je deo alata sistema za podršku odlučivanju. Tradicionalni sistemi upita i izveštavanja daju odgovor na pitanje šta se nalazi u bazi podataka. OLAP ide korak dalje i ulazi u sferu značenja podataka i daje odgovore na pitanje da li su neke pretpostavke koje su izdvojene iz baze podataka istinite. Drugim recima OLAP stvara seriju hipotetičkih zakonitosti i veza između podataka i koristi sisteme upita da ih potvrdi ili opovrgne. OLAP analiza je suštinski deduktivan proces. Međutim, šta se događa ako se broj varijabli koji se analiziraju meri stotinama ili hiljadama? U tom slučaju je jako teško, a zahteva i prilično mnogo vremena, postaviti odgovarajuće hipoteze i potvrditi ih ili opovrgnuti primenjujući OLAP analize nad bazom podataka. Data mining pristup se tu razlikuje od OLAP pristupa jer on ne pokušava da potvrdi ili opovrgne postavljene hipoteze, nego pokušava da pronađe neku zakonitost među podacima. Suštinski to predstavlja induktivan proces. U tom smislu, data mining i OLAP

Poglavlje 4 DATA MINING i Knowledge discovery 75

su dopunjujući pristupi jer se pre nego što se utvrde zakonitosti medu podacima (data mining), moraju postaviti određene pretpostavke na bazi kojih se zakonitost izvodi (OLAP).

Data mining i statistika Data mining obilato koristi statatistička dostignuća. To sc pre svega odnosi na utvrđivanje i klasifikaciju zakonitosti. Međutim, data mining ne zamenjuje statističke metode, već predstavlja njihovu nadgradnju. Rastuća snaga računarskih sistema i pad njihove cene u kombinaciji s potrebom da se obrađuje i analizira ogromna količina podataka zahtevaju i razvoj novih tehnika za analizu podataka. Nove tehnike analize podataka obuhvataju relativno nove algoritme, kao što su neuronske mreže (engl. neural networks) i stabla odlike (engl. decision trees), kao i nove pristupe starim algoritmima kao što je diskriminaciona analiza (engl. discriminant analysis). U tom smislu data mining predstavlja alat koji mnogo povećava produktivnost ljudi koji se bave modelima predviđanja (projekcijama).

Data mining i trendovi IT industrije Ključna stvar koja je omogućila širu primenu data mining metodologije jeste velik pad cena hardvera i povećanje performansi računarskih sistema. Velik pad cena uređaja i sistema za smeštanje podataka omogućio je jeftino smeštanje ogromne količine podataka po prihvatljivim cenama. Na primer, po ceni od $10 po megabajtu, za terabajt podataka potrebno $10 000 000. Ako cena padne na 10c po megabajtu, za istu količinu podataka trebaće vam $100 000. Slično je i s procesorskom snagom i operativnom memorijom. Pojava paralelnih kompjuterskih sistema omogućila je da analiza podataka postane efikasnija, brţa i jeftinija i otvorila je mogućnost za razvoj novih algoritama.

Data mining primene Mnoga preduzeća koriste data mining kao pomoć u upravljanju u svim fazama ţivotnog ciklusa vezanog za kupca, uključujući manipulaciju novim kupcima, povećanje efekata kad su u pitanju postojeći kupci ili za klasifikaciju kupaca. Određivanjem varijabli koje karakterišu „dobre" kupce (profilisanje) koji kupuju određeni proizvod, paţnja se moţe fokusirati na kupce koji ne kupuju taj proizvod (unakrsna analiza prodaje). Profilisanjem bivših kupaca, preduzeće se moţe fokusirati na kupce, kod kojih postoji potencijalan rizik da pređu u kategoriju „bivših". Data mining pristup je primenljiv u brojnim različitim industrijama. Telekomunika- ciona preduzeća, na primer, rado koriste taj pristup da otkriju načine korišćenja usluga koje pruţaju.

76 Poslovna inteligencija

t

Osiguravajuća i berzanska preduzeća koriste data mining da bi smanjila rizik poslovanja. U medicini se data mining moţe iskoristiti za predvidanje efikasnosti hi- rurških procedura ili medicinskih testova. Farmaceutska preduzeća opet koriste velike baze podataka hemijskih komponenata i genetskog materijala da bi pronašle kandidate kao agense za tretman odredenih bolesti. Preduzeća koja su aktivna na finansijskim trţištima koriste ovaj pristup da otkriju karakteristike trţišta ili performansi konkretnih preduzeća s kojima nameravaju da posluju.

Uspešan data mining Dva su ključna faktora za uspešan data mining su precizno formulisanje problema koji treba rešiti i to da se u rešavanju utvrđenog problema koriste pravi podaci. Da bi se napravili dobri modeli predviđanja, moraju se prethodno razumeti podaci. Podaci mogu biti kontinualni (na primer, količina prodatih proizvoda) i kategorijski (na primer, crvena, bela, plava). Kategorijski podaci mogu biti uporedivi (na primer,visok, srednji, nizak) ili neuporedivi (na primer: poštanski brojevi). Grafička predstava i vizuelizacija podataka veoma pomaţe u pripremi podataka i kasnije u njihovoj analizi.

Opis podataka za data mining Klastering Klastering (engl. clustering) deli bazu podataka u različite grupe podataka. Osnovni cilj klasteringa jeste pronalaţenje grupa podataka koje su međusobno veoma različite, a podaci unutar jedne grupe veoma slični. Za razliku od klasifikacije, u klasteringu nisu poznati klasteri na početku proseca, kao ni atributi podataka koji će biti klasterovani. Samim tim, poslovni analitičari moraju da budu u stanju da interpretiraju klastere. Ponekad je potrebno da se klasterovanje izmeni tako što će se isključiti neke varijable koje nisu bitne ili značajne za problem koji se rešava. Cesto se pojam klasteringa mesa s pojmom segmentacije. Segmentacija se odnosi na generalni problem utvrđivanja grupa podataka koji imaju slične karakteristike. Klastering se odnosi na grupisanje podataka u grupe koje nisu prethodno ustanovljene, dok klasifikacija grupiše podatke u ponovo ustanovljene grupe podataka.

Link analiza Link analiza (engl. link analysis) jeste opisni pristup istraţivanja podataka koji pomaţe da se utvrde veze između podataka u bazi podataka. Dva najčešća pristupa kad je u pitanju link analiza jesu identifikacija asocijacija i identifikacija sekvenci. Identifikacija asocijacija pronalazi pravila između podataka koji se pojavljuju zajedno u okviru nekog događaja, kao što su

Poglavlje 4 DATA MINING i Knowledge discovery 77

transakcije prodaje. Identifikacija sekvenci je veoma slična i predstavlja asocijaciju kojoj je pridodata i vremenska dimenzija.

-.-•"•-r ..... .. - . v ; • . . . . . . . . . . . . . . . . x . . . . . . . . . . . . . . • . • ■.».-«. i; • . ... .-• . • -

Slika 29 Dijagram link analize. '.-¿¿&FJ&;}..:'. .................................................. . ..; .

Data min ng prognoze ^ W ~

; - f . . r - - - . : . . . . - , ■ -;r.~-r- -sr«» ss sg?« / • .••. • • .- . •• • - •' • - • - •-. -- --------------- ..........................

..■„•.-.¿¿iz-:

..............

1::..

-v

Hijerarhija izbora jedan od globalnih ciljeva data mining metodologije jeste produkcija novih znanja koje korisnici mogu da iskoriste u rešavanju svojih poslovnih problema. Taj cilj se ostvaruje preko modela realnog sistema baziranog na prikupljenim podacima iz različitih izvora koji uključuje poslovne transakcije, podatke o kupcima, demografske informacije, informacije o kontroli procesa i bitne spoljne informacije. Rezultat je opis zakonitosti i veza između podataka koji se mogu koristiti u modelima predviđanja. Da bi se izbegla zbrka prilikom razmatranja različitih aspekta data mining pristupa, treba razmotriti hijerarhiju izbora i odluka koje se donose na samom početku: • Poslovni ciljevi • Tipovi predviđanja • Tipovi modela • Algoritmi • Proizvodi

t

78 Poslovna inteligencija

Na najvišem nivou su poslovni ciljevi: koja je osnovna svrha primene datra mining meto- dologije? Na primer, utvrđivanje zakonitosti između podataka moţe da pomogne da se pronađu značajni kupci, profitabilnost kupaca ili kupci koji potencijalno mogu postati bivši. Sledeći korak je izbor tipa predvidanja koji najviše odgovara problemu koji se rešava: klasifikacija, koja utvrđuje problematične klase u modelu i regresija, koja utvrđuje varijable u modelu pomoću kojih se predviđaju vrednosti drugih varijabli. U trećem koraku utvrđuju se tipovi modela. Tu se bira između neuronskih mreža, koje podrţavaju regresiju i stabala odluke, koja podrţavaju klasifikaciju. Pored toga, postoje i tradicionalni modeli, kao što su: logistička regresija, diskriminaciona analiza ili generalni linearni modeli. Za izradu modela dostupni su mnogi algoritmi. Na primer, za modelovanjc neuronskih mreţa mogu se iskoristiti back propagation ili radial basis funkcije. S druge strane, za stabla odluke izbor je između CART C5.0 ili CHAID algoritama. Kada je izbor data mining proizvoda u pitanju, treba imati u vidu da postoje različite implementacije koje mogu imati isto ime. One se razlikuju po operacionim karakteristikama, kao što su sistemski zahtevi i performanse.

Klasifikacija Klasifikacijom se utvrđuju karakteristike, pri čemu jedinke koje imaju slične vrednosti utvrđenih karakteristika čine grupu. Ta zakonitost moţe se koristiti kako u razumeva- nju postojećih podataka, tako i u predviđanju ponašanja novih instanci. Data mining kreira klasifikacione modele ispitujući već klasifikovane podatke i induktivno pronalazi zakonitosti za predviđanje budućeg ponašanja.

Regresija Regresija koristi postojeće vrednosti varijabli da bi se na bazi njih predviđele vrednosti ostalih varijabli. U jednostavnijim slučajevima, regresija koristi standardne statističke tehnike, kao što je linearna regresija. Međutim, u realnim situacijama, često ne postoji linearna međuzavisnost sadašnjih i budućih podataka. Recimo, vrednosti akcija na berzi je jako teško predvideti jer one zavise od sloţenih interakcija velikog broja varijabli. U tom slučaju, koriste se sloţene tehnike, kao što su logistička regresija, stabla odluke ili iieuronske mreže. , < v-;.;;.^ ■ v % '-'li.'i-v::• |MP|I||||||I|||MI Ml HIMWWI'll I > * i1 'I 'lili Ml I

Data mining modeli i algoritmi

. ■ ^^ ................................................................................................................................................................................................................................................................

Poglavlje 4 DATA MINING i Knowledge discovery 79

Neuronske mreže Neuronske mreţe (engl. neural networks) su modeli koji pokušavaju da kopiraju način na koji ljudski mozak funkcioniše pri prepoznavanju šablona, tako što aritmetički kombinuju sve promenljive koje su povezane sa datim podacima. Na ovaj način moguće je kreirati nelinearne modele koji „uče" proučavajući kombinacije promenljivih. Imaju mogućnost nalaţenja veoma sloţenih šablona koje ostale računarske tehnike ne bi mogle da otkriju. Neuralne mreţe se mogu smatrati ekspertima za zadate informacije i mogu se koristiti za dobijanje odgovora na pitanja tipa šta-ako. Nedostatak neuralnih mreţa je što se one mogu smatrati „crnim kutijama", tj. one iznose zaključke bez davanja objašnjenja čime se utiče na smanjenje tačnosti iznešenog zaključka jer korisnik ne mora da veruje dobijenom rezultatu. Neuronske mreţe razlikuju se od drugih statističkih metoda. Pre svega, neuronske mreţe zahtevaju veći broj parametara nego klasične statističke metode. Oteţavajuća okolnost za neuronske mreţe jeste to što njihova primena podrazumeva intenzivnu obuku, čak i kad je u pitanju rešavanje relativno jednostavnih problema.

Stabla odluke Stabla odluke su serije pravila pomoću kojih se izdvajaju određene klase ili vrednosti. Na primer, mogu se podeliti kandidati za kredit na „dobre" i „loše". Prva komponenta u stablu odluke jeste koren stabla (engl. root node) koji suštinski predstavlja test koji treba uraditi. Rezultat tog testa je grananje stabla na podstabla od kojih svako predstavlja jedan od mogućih odgovora. Zavisno od algoritma, svaki nod stabla moţe imati dva ili više podstabala. Svako podstablo vodi do noda koji predstavlja novu tačku odluke i tako se ide

t

80 Poslovna inteligencija

do dna stabla' — do nodova koji se nazivaju listovi, koji predstavljaju završnu klasifikaciju i odgovor na postavljeno pitanje.

Income > $40,000 Ho^/

\^Yes

Job > 5 Years High Debt Y e s \ ^ N o Yes^/ Good Risk Bad Risk Bad Risk Good Risk

Slika 31 Stablo odluke.

Data mining projekat Postoje različiti pristupi u modeliranju data mining projekata. Manje-više, svi su slični i razlikuju se veoma malo. Osnovni koraci koji se izdvajaju u svakom pristupu kada je u pitanju neki data mining projekat su: 1. Definicija poslovnog problema 2. Kreiranje data mining baze podataka 3. Istraţivanje podataka 4- Priprema podataka za modelovanje 5. Kreiranje modela 6. Ocena modela 7. Implementacija modela i rezultati Pri tom treba imati u vidu da data mining projekat nije linearan - često se javlja potreba da se radi dodatnih zahteva u jednom koraku mora vratiti na prethodni korak da bi se obezbedili idealni uslovi za odvijanje projekta.

Definisanje poslovnog problema Prvi i osnovni korak u otkrivanju znanja jeste razumevanje sopstvenih podataka i sopstvenog poslovanja. Bez toga ne postoji algoritam, ma koliko bio sofisticiran, koji će dati zadovoljavajuće rezultate. Takode, bez te osnove ne mogu se utvrditi problemi koje treba rešavati, pripremiti

Poglavlje 4 DATA MINING i Knowledge discovery 81

podaci za istraţivanje ili korektno interpretirati rezultati. Da bi korišćenje tehnologije data mining bilo svrsishodno, moraju jasno da se utvrde ciljevi koje treba dostići. Zavisno od utvrđenih ciljeva biće primenjen odgovarajući model, a definicije ciljeva takođe određuju i način na koji će biti mereni rezultati projekta.

Kreiranje data mining baze podataka Ovaj korak u sprezi sa sledeća dva čini proces pripreme podataka. Zajedno, oni iziskuju više vremena i energije nego svi ostali koraci zajedno. U prošeku, proces pripreme podataka (koraci 2, 3 i 4) čine 50—90% vremena i energije čitavog data mining projekta. Podaci za data mining projekat moraju da budu smešteni u bazu podataka. Pri tom, nije neophodno da iza te baze stoji sistem za upravljanje bazom podataka. U zavisnosti od količine i sloţenosti podataka, te potrebe moţe da zadovolji i običan fajl ili spreadsheet. Generalno, ideja o korišćenju korporacijske data warehouse baze podataka nije preporučljiva za ovu svrhu. Bolje rešenje je napraviti poseban data mart. Osnovni razlog je u tome da je data mining proces veoma zahtevan u pogledu intenziteta pristupa bazi i alokaciji resursa i moţe da naruši performanse data warehouse sistema. U svakom slučaju, za potrebe data mining projekta potrebno je preinačiti podatke iz data warehouse sistema. To moţe da podrazumeva nadgradnju data warehouse baze podataka novim podacima koji potiču iz okruţenja ili jednostavno dodavanje novih kalkulativnih polja. Još jedan razlog za odvajanje baza podataka jeste to što struktura data warehouse baze podataka ne odgovara u potpunosti analitičkim i statističkim metodama u data mining projektu. Aktivnosti u formiranju baze podataka za potrebe data mining projekta su sledeće: 1. Prikupljanje podataka 2. Opis podataka 3. Odabir 4. Obezbeđenje kvaliteta podataka 5. Konsolidacija i integracija 6. Konstrukcijn :rorapodatak;. 7. Učitavanje data mining baze podataka 8. Odrţavanje data mining baze podataka Takode, treba imati u vidu da navedene aktivnosti nisu strogo sekvencijalne, te da se neke od njih mogu odvijati i paralelno. Prikupljane podataka. Podrazumeva identifikaciju podataka za potrebe data mining projekta. Poreklo podataka mogu da budu različiti izvori uključujući baze podataka u samom preduzeću, kao i eksterni izvori. Izveštaj o izvorima podataka treba da sadrţi sledeće elemente: • Izvore podataka (interne aplikacije ili eksterni izvori)

82 Poslovna inteligencija

t

• Vlasnik • Osoba zaduţena za odrţavanje podataka • Administrator baze podataka (DBA) • Troškovi (ukoliko je potrebna naknada) • Organizacija smeštanja podataka (ORACLE, Microsoft...) • Veličina, tabele, redovi, zapisi... • Veličina u bajtovima • Fizička organizacija (CD, server, traka...) • Sigurnosni zahtevi • Restrikcije u korišćenju podataka • Zahtevi vezani za privatnost Opis podataka. Potrebno je opisati svaki dokument ili tabelu u bazi poj t3 > • elementi izveštaj a za opis podataka su: ° Informacije za prikupljanje (kako, gde, stanja) o Vremenski okvir (dnevni, nedeljni, mesečni...) o Specifične vremenske kategorije (na primer: svaki ponedeljak) ° Veze, primarni i spoljni ključevi Odabir podataka. Sleđeći korak u pripremi baze podataka za data mining projekat jeste odabir podataka, tj. izdvajanje podskupova podataka koji će se istraţivati. Obično se u ovom koraku uklanjaju nevaţni i nepotrebni podaci. Na odabir podataka mogu da utiču i drugi faktori, kao što su ograničenja po pitanju resursa, troškovi ili problemi kvaliteta.

3 Broj polja —kolona • Nazivi polja Za svako polje ° Tip podataka ° Definicija ° Opis ° Izvor podataka ° Jedinica more c

Broj jedinstvenih vređnosti

° Li.sr:"1 vsvJnosti c

i\alii4 injJaiitkd

Poglavlje 4 DATA MINING i Knowledge discovery 83

Obezbeđenje kvaliteta podataka. Dobar model zahteva dobre podatke. U tom smislu treba utvrditi karakteristike podataka koji utiču na kvalitct samog modela. Postoji nekoliko problema vezanih za kvalitet podataka. Kao prvo, pojedinačna polja mogu da imaju nekorektne vrednosti ili nekorektnu kombinaciju polja. Zatim, neka polja mogu biti bez vrednosti (ako je to zadato kao obavezno polje, ovaj podatak je nekorektan). Podaci koji nedostaju mogu se dodati raznim tehnikama uključujući srednje vrednosti, očekivanja i slično. Nepostojanost podataka moţe da se pojavi i kao posledica konsolidacije podataka iz različitih izvora. Naravno, retko se dešava da se u ovom koraku reše svi problemi. Međutim, treba uloţiti maksimalne napore da se dobije najbolje moguće rešenje. Samim tim model će biti bolja slika realnog sistema. Integracija i konsolidacija. Podaci koji se koriste u projektu mogu se fizički nalaziti u jednoj ili više baza podataka. Izvori baze podataka mogu da budu čak i operativne transakcione baze podataka preduzeća ili nekih njegovih organizacionih đelova. Drugi podaci, pak, mogu biti delovi data warehouse baze podataka ili data martovi napravljeni za posebne potrebe. Takođe, čitavu sliku upotpunjuju i podaci iz eksternih izvora (drugih preduzeća; javni servisi...). Integracija i konsolidacija podataka kombinuje podatke iz različitih izvora u jedinstvenu data mining bazu podataka. Ukoliko taj korak ne pokaţe dobre rezultate, gotovo sigurno će se javiti problem kvaliteta modela. Neke probleme je jednostavno utvrditi i ispraviti, na primer, različite adrese za istog kupca. Malo teţi problem je recimo ako isti kupac ima različita imena ili gore od toga ako ima različite idenifikacione brojeve. Različita imena mogu se koristiti za iste entitete (sinonimi) ili ista imena za različite entitete (homonimi). Takode, neke podatke je potrebno konvertovati (recimo iznose u valutama različitih zemalja). Izrada metapođataka. Metapodaci predstavljaju bazu podataka o bazi podataka. Oni sadrţe informacije o izradi fizičke reprezentacije baze podataka, kao i informacije koje koriste analitičari da bi razumeli podatke i izradili model. Učitavanje data mining baze podataka. U većini slučajeva data mining projekat poseduje sopstvenu bazu podataka. Za veliku količinu sloţenih podataka obično se koristi neki sistem za upravljanje bazama podataka (DBMS, DataBase Mangement System). Nakon svih prethodno navedenih faza pripreme podataka sledeći korak je podizanje baze podataka. Odrţavanje data mining baze podataka. Pošto je kreirana, baza podataka zahteva nadgledanje i odrţavanje. Periodično pravljenje rezervnih kopija baze podataka (backup), praćenje performansi i preuređenje samo su neke aktivnosti koje omogućavaju korektan i efikasan rad baze podataka.

Istraživanje podataka Osnovni cilj u ovom koraku jeste da se utvrde varijable koje se koriste u procesu predviđanja. U bazi podataka s velikim brojem tabela, kolona, zapisa, taj posao moţe biti naporan i dugotrajan. Na prvi pogled, moţda sporedni, ali suštinski veoma vaţni faktori za

84 Poslovna inteligencija

t

efikasno obavljenje tog posla su: dobar korisnički interfejs i performansne aplikacije i kompjuterski sistemi.

Priprema podataka za modeliranje Ovo je poslednji korak pripreme podataka pre izrade samog modela. Postoje četiri glavne faze u ovom koraku: • Odabir varijabli • Odabir zapisa • Konstrukcija novih varijabli • Preobraţaj varijabli

Odabir varijabli. U idealnom slučaju, za modeliranje se mogu uzeti sve varijable, koje se zatim propuste kroz data mining alate i na kraju se dobija odgovarajući model predviđanja. U praksi, to baš i nije tako. Jedan od razloga je taj što broj varijabli direktno utiče na vreme koje je potrebno za izradu modela. Drugi razlog je taj što postoji opasnost da će se uključivanjem pogrešnih varijabli u proces modeliranja dobiti nekorektan model. U ovoj fazi veoma je značajno da se razume problem koji se rešava da bi se iz gomile varijabli izdvojile one koje imaju velik uticaj na model. Odabir zapisa. Pošto su odabrane varijable, potrebno je odabrati i zapise koji su bitni za model. U velikim bazama podataka nije efikasno raditi sa svim zapisima u bazi podataka. Jedna od mogućnosti za odabir zapisa je uzorkovanje podataka. Tom metodom se sprečava gubitak informacija, a jedini uslov je da se obezbedi suštinsko slučajno (random) biranje zapisa od svih ponuđenih. Konstrukcija novih varijabli. Ĉesto se javlja potreba za uvođenjem novih varijabli baziranih na nekom logičkom segmentu podataka. Ova potreba je uslovljena boljim mogućnostima za valjano predviđanje u modelu. Preobraţaj varijabli. Alat koji se koristi diktira način reprezentacije podataka. Način reprezentacije podataka direktno utiče na rezultate od kojih se formira model. Zbog toga je potrebno imati u vidu mogućnosti samih alata da pretvore podatke u ţeljeni oblik, a sve da bi se izradio valjan model.

Kreiranje modela Najvaţnije u procesu modelovanja jeste njegov iterativni karakter. Potrebno je istraţiti različite varijante dok se ne pronađe odgovarajuća koja će resiti poslovni problem. Pošto se izabere tip predviđanja (klasifikacija, regresija), sledi izbor tipa modela za predviđanje. Izbor

Poglavlje 4 DATA MINING i Knowledge discovery 85

moţe biti stablo odluke ili neuronske mreţe ili neka starija metoda, na primer logistička regresija. Izbor tipa modela utiče na proces pripreme podataka (izbor varijabli, format podataka....). Izrada modela podrazumeva da su podaci podeljeni u dve grupe. Jedna grupa podataka sluţi za izradu samog modela, a druga za testiranje i validaciju modela. Prosta validacija. Ovo je najprostiji model validacije. On podrazumeva da se određeni deo baze podataka proglasi test podacima i da se kao takav ne koristi u izradi samog modela. Taj procenat se obično kreće u rasponu 5 — 33%. Nakon izrade modela, na bazi preostalog dela baze podataka počinje proces validacije modela. Odnos između broja nekorektnih klasifikacija i ukupnog broja instanci daje procenat greške modela. Odnos između broja korektnih klasifikacija i ukupnog broja instanci predstavlja procenat pouzdanosti modela. Sam proces validacije je cikličan proces i treba ga prekinuti tek kada se narednim iteracijama više ne moţe postići napredak u modelu. Unakrsna validacija. Ukoliko je baza podataka manjeg obima (nekoliko hiljada zapisa), nije svrsishodno deliti je na način koji bi pogodovao prostoj valiđaciji. Umesto toga, morate da iskoristite sve podatke. Unakrsna validacija upravo to i omogućava. U tom tipu validacije, podaci se metodom slučajnog izbora đele na dve podjednake grupe podataka radi procene pouzdanosti modela. Prvo se model pravi na bazi prve grupe podataka, stvaraju se ulazi za drugi set podataka i zatim se proccnjuje procenat greške modela. Zatim se model pravi na bazi druge grupe podataka i izlaznih podataka iz prve grupe i opet se proccnjuje greška modela. Konačno, model se pravi od celokupnih po- datataka (prva + druga grupa). U tom slučaju postoje dve procene greške koje mogu dati prosečan rezultat i time bolju procenu pouzdanosti modela koji je napravljen nad ćelom bazom podataka.

Ocena i interpretacija Validacija modela. Nakon izrade modela potrebno je evaluirati rezultate i interpretirati njihovo značenje. Potrebno je imati u vidu da je procenat pouzdanosti modela, dobijen u procesu verifikacije modela, baziran na podacima koji su bili osnova za izradu modela. U stvarnosti, procenat pouzdanosti modela moţe da varira u zavisnosti od podataka nad kojima se primenjuje. Vaţno je naglasiti da pouzdanost modela nije odlučujući faktor u izboru najboljeg modela. Za dobar izbor potrebna je i detaljna analiza tipova grešaka i troškova koji iz njih proizlaze. Matrice konfuzije. Za probleme klasifikacije, matrice konfuzije su veoma koristan alat za razumevanje rezultata. Matrica konfuzije pokazuje broj aktuelnih vređnosti nasuprot broju predvidenih vređnosti. Ona pokazuje koliko su dobre prognoze koje model daje, kao i detalje koji ukazuju da bi neke stvari mogle da krenu naopako. Sledeća tabela pokazuje primer matrice konfuzije:

t

86 Poslovna inteligencija

Prognoza

Aktuelna Klasa A

Klasa B

Klasa C

Klasa A

45

2

3!

Klasa B

10

38

2

Klasa C

4

6

40

i

Kolone predstavljaju aktuelne klase, a redovi prognozirane klase. Dijagonala u toj matrici prikazuje sve korektne prognoze. Na primer, u toj matrici konfuzije vidi se da taj model predvida korektno 38 od ukupno 46 instanci klase B. Ukupno osam instanci je nekorektno klasifikovano (dva u klasu A i šest u klasu C). Ta informacija je pouzdanija od informacije da je pouzdanost modela 82% (od ukupno 150 slučajeva, 123 korektne klasifikacije). Pokaţimo to i na primeru. Pretpostavimo da svaka validna klasifikacija u bilo kojoj klasi vredi $10, a nekorektna klasifikacija u klasi A $5, u klasi B $10 i u klasi C $20. Neto vrednost matrice biće u tom slučju: (123 * $10) - (5 * $5) - (12 * $10) - (10 * $20) = $885

Međutim, ako pogledamo drugu matricu: Aktueina Prognoza

Klasa A

Klasa B

Klasa C

Klasa A

40

12

10

Klasa B

6

38

1

Klasa C

2

1

40

Pouzdanost modela prema ovoj matrici je 79% (118/150). Međutim, ako primenimo troškove na model, dobij amo sledeću neto vrednost modela: (118 * $10) - (22 * $5) - (7 * $10) - (3 * $20) = $940

Poglavlje 4 DATA MINING i Knowledge discovery 87

Znači, ukoliko se ţeli da se maksimizuje vrednost modela, bolje je izabrati manje po- uzdan model s većom neto vrednošću. Eksterna validacija. Kao što je ranije naglašeno, procenjena pouzdanost modela ne daje garanciju da će se isti rezultati dobiti i u realnom sistemu. Pouzdan model nije automatski i korektan model. Jedan od glavnih razloga za to jeste to što su pretpostavke uglavnom implicirane u samom modelu. Na primer, ako procenat inflacije ne bude uključen kao varijabla u modelu koji predstavlja kupovnu moć stanovništva, skok inflacije od 3% na 17% značajno utiče na ponašanje modela. Iz tih razloga, neophodno je testirati model u realnom sistemu. Na primer, ako je svrha modela da se predvidi rizik kredita, treba probati model na malom broju kandidata za kredit, pre nego što se model počne predstavljati.

Implementacija modela i rezultati Kada je data mining model napravljen i veririkovan, on moţe da se koristi na dva načina. Prvi način kao ciljnu grupu ima alalitičare koji model koriste da bi predloţili akcije koje su izvedene iz modela i njegovih rezultata. Drugi način je mogućnost da se model primenjuje na različitim izvorima podataka. Na primer, mogu da se označavaju zapisi u bazi podataka na bazi njihove klasifikacije ili da se odaberu određeni zapisi radi njihove dalje analize kroz OLAP Cesto modeli predstavljaju delove poslovnih procesa, kao što je analiza rizika. U tim slučajevima model je inkorporiran kao deo aplikacije. Na primer, prognostički model moţe biti integrisan u aplikaciju za stambene kredite sa zadatkom da pruţi pomoć kreditnim sluţbenicima da pravilno ocene kreditne sposobnosti budućih klijenata. Kada se isporučuju u okviru sloţenih aplikacija, data mining modeli obično predstavljaju manji, ali vitalan deo aplikacije. Praćenje modela tokom korišćenja modela veoma je vaţan proces. Ĉak i ako se utvrdi da model radi dobro, potrebno je neprekidno pratiti njegove performanse. S protokom vremena, svi sistemi se menjaju. Na primer, prodavci dobro znaju da se modeli kupovine menjaju s vremenom. Eksterne varijable, kao što je inflacija na primer, mogu da utiču na promenu očekivanog ponašanja kupaca. Zbog toga je vremenom potrebno neprekidno pratiti ponašanje modela, usklađivati s promenama u okruţenju ili samom sistemu, a katkad se moţe ukazati potreba i za potpuno novim projektova- njem modela.

Kategorije Postoje tri osnovne kategorije data mining proizvoda. Prva kategorija predstavlja analitičku pomoć u OLAP analizama. Oni pomaţu OLAP korisnicima da utvrde najvaţnije dimenzije i

88 Poslovna inteligencija

t

segmente podataka na koje treba usmeriti paţnju. Vodeći proizvodi i: te kategorije su Business Objed Business Miner i Cognos Scenario. Sledeća kategorija uključuje čiste data mining proizvode. Ti proizvodi omogućavaju data mining analize u rešavanju raznoraznih poslovnih problema. Vodeći alati u toj kategoriji su: IBM Inteligent Miner, Oracle Darwin, SAS enterprise Mirier, SGIMineSet i SPSS Clementine. Poslednja kategorija uključuje analitičke aplikacije koje predstavljaju implementaciju poslovnih procesa, a data mining mogućnosti predstavljaju integralni deo tih aplikacija.

Neke važnije karakteristike data mining proizvoda Zavisno od konkretnih okolnosti - sistemske arhitekture, kadrovskih potencijala, veličine baze podataka - neki data mining proizvodi više od drugih odgovaraju potrebama preduzeća. Sistemska arhitektura. Da li je dizajnirana da radi stand-alone ili client-server? Treba imati u vidu da snaga sistema na kojima rade data mining proizvodi nije u korelaciji sa sloţenošću problema koji se rešava. Visokosofisticirani proizvodi koji rešavaju sloţene probleme i zahtevaju visokoobučeno osoblje mogu da rade i na Stonom računani jednako dobro ili barem pribliţno dobro kao i na klijent-server platformama. Priprema podataka. Priprema podataka je vremenski najzahtevniji aspekt data mining procesa. Imajući to u vidu svi alati stavljaju poseban akcenat na mogućnosti koje će korisnicima olakšati i ubrzati rad na tim aktivnostima (mogućnosti tipa: upravljanje podacima koji nedostaju, transormacije podataka, čarobnjaci za pripremu data setova i slično). Pristup podacima. Neki data mining alati zahtevaju da se izdvoje iz baze podataka u posebne formate, dok drugi koriste direktan pristup bazi podataka. Alati koji koriste direktan pristup bazama podataka koristeći SQL i novije XML standarde, u mogućnosti su da maksimizuju performanse severa koristeći paralelni pristup bazama podataka (engl, parallel database access). Nijedan proizvod ne sadrţi odgovarajuće interfejse za sve baze podataka, ali potrebno je da svaki alat sadrţi interfejse barem ka najzastupljenijim bazama podataka. Algoritmi. Ukoliko analitičari koriste data mining alate za rešavanje poslovnih problema, moraju dobro da poznaju karakteristike algoritama tih alata. Interfejsi ka drugim proizvodima. Postoje mnogi proizvodi koji pomaţu da se podaci razumeju pre nego što se napravi sopstveni model. Oni takode pomaţu da se interpretiraju rezultati sopstvenih modela. Ti proizvodi sadrţe tradicionalne alate za upite i izveštavanje, zatim grafičke alate i na kraju OLAP alate. Data mining softver koji obez- beđuje laku integraciju s proizvodima drugih proizvođača širi mogućnosti korisnicima da na optimalan način reše svoje poslovne probleme. Ocena modela i interpretacija. Dobri proizvodi iz te kategorije omogućavaju korisnicima da shvate rezultate svojih modela (na primer, pouzdanost) u odgovarajućim formatima (na primer, matrice konfuzije). Takođe, omogućavaju alternativne načine za prikaz podataka (na primer, grafički prikaz).

Poglavlje 4 DATA MINING i Knowledge discovery 89

Skalabilnost. Data mining proizvodi koji su rađeni za jednoprocesorske sisteme neće se po automatizmu izvršavati brţe na sistemima s paralelnim procesiranjem. Oni moraju da budu rekođirani da bi iskoristili mogućnost paralelnog procesiranja. Postoje dva načina za to. U prvom, nezavisni đelovi aplikacije se dodeljuju različitim procesorima. Taj način se naziva inter-model paralelizam. Drugi način je da se model podeli na aktivnosti, zatim da se te aktivnosti izvrše na različitim procesorima i da se na kraju rekembinuju da bi Se dobili reţultati. Taj model se naziva mta- model paralelizam. Korisnički interfejs. Zavisno od proizvoda neki obezbeđuju grafički korisnički in- terfejs (engl. GUI, Graphical User Interface), dok drugi kao korisnički interfejs imaju skript jezike. Takođe, neki alati obezbeđuju aplikativni programski interfejs (engl. API, Application Programming Interface) koji je ugneţđen u standardne programske jezike, kao što su C, Visual Basic... Treba imati u vidu da korisnici koji prave, implementiraju ili koriste rezultate modela mogu da budu iz različitih grupa s različitim nivoom znanja. Prilikom ocene korisničkog interfejsa treba voditi računa o potrebama svih grupa korisnika.

Zaključak

Data mining predstavlja pravi izbor kad je u pitanju pomoć u otkrivanju zakonitosti koje su skrivene u gomili podataka u preduzeću, a u tom smislu, i kada je u pitanju njihovo korišćenje za predviđanje ponašanja kupaca, proizvoda ili procesa. Međutim, data mining proces moraju voditi ljudi koji poznaju poslovanje, postojeće podatke i prirodu analitičkih metoda koje se koriste. Pravljenje modela je samo jedan korak u otkrivanju znanja. Model igra ključnu ulogu u sakupljanju i pripremi podataka. Takođe, vrlo je bitna validacija modela i njegovo poređenje s realnim sistemom. Najbolji model je često rezultat isprobavanja različitih tipova modela ili korišćenja različitih tehnoligija i algoritama. Izbor odgovarajućeg data mining proizvoda podrazumeva pronalaţenje alata s dobrim osnovnim karakteristikama i korisničkim interfejsom koji zadovoljava potrebe svih njegovih korisnika i koji odgovara potrebama specifičnih poslovnih problema koji se rešavaju u preduzeću.

Balanced Scorecard Poglavlje f

!5 8 i

Šta je to Balanced Scorecard? U ranim devedesetim godinama XX veka Robert Kaplan (Harvard Bussines School) i Dejvid Norton razvili su nov pristup strategijskom menadţmentu. Oni su nazvali svoj sistem Balanced Scorecard (balansirane kartice rezultata). Oni su prepoznali neke slabosti ranijih pristupa u

90 Poslovna inteligencija

t

menadţmentu. Definisali su svoj pristup, čime su stvorili jasnu mogućnost da preduzeća mogu da izmere kvalitet svog menadţmenta. Balanced Scorecard je menadţment sistem (ne samo metrički sistem) koji omogućava preduzećima da jasnije spoznaju svoju viziju i strategiju i da ih sprovedu u delo. Pošto je u potpunosti implementiran, ovaj pristup transformiše strategijsko planiranje od akademske veţbe u nervni sistem preduzeća. Kaplan i Norton opisuju Balanced Scorecard na sledeći način: Balanced Scorecard prevazilazi klasično finansijsko merilo. Finansijska merila govore o događajima koji su se desili u prošlosti. U takvom modelu dugoročne investicije ne predstavljaju važan faktor uspeha. Samim tim ovakav model nije adekvatan. U dobu informacionih tehnologija, preduzeče mora da kreira buduću vrednost kroz investicije u kupce, dobavljače, zaposlene, procese, tehnologije i inovacije. Balanced Scorecard pristup posmatra preduzeče iz četiri perspektive: • Perspektiva učenja i razvoja • Perspektiva poslovnih procesa • Perspektiva kupaca • Finansijska perspektiva Balanced Scorecard metodologija bazirana je na nekim ranijim konceptima menadţmenta, kao što je Menadţment kvaliteta (engl. TQM, Total Quality Management) uključujući kvalitet orijentisan ka kupcu, neprekidan napredak, unapređenje kadrova i primarno - metrički baziran menadţment s povratnim efektima. U tradicionalnim industrijskim aktivnostima kontrola kvaliteta i minimizacija defekata predstavlja imperativ. Da bi se ostvario taj cilj, ulaţu se veliki napori kroz razne vrste inspekcija i kontrola. Osnovni problem u takvom pristupu jeste što se uzroci de-

Poglavlje 5 Balanced Scorecard 91

Slika 32 Balanced Scorecard.

fekata retko, gotovo nikad ne utvrđuju. Pravi pristup sastoji se u tome da se utvrde i isprave nepravilnosti u samom proizvodnom procesu. Na taj način značajno se smanjuju defekti u proizvodnji i poboljšava kvalitet proizvoda. Da bi se to realizovalo, potrebno je da svi procesi u sistemu budu definisani s povratnom spregom, odnosno da šalju informacije o odvijanju procesa, čijom obradom se mogu utvrditi nedostaci i prostor za poboljšanje samih procesa. Ne moţe da se unapredi ono što ne moţe da se izmeri. Zbog toga merila moraju da budu bazirana na prioritetima strateških planova. U samom dizajniranju procesa treba obratiti paţnju na prikupljanje informacija o odvijanju procesa da 1 one moLiic da iskoriste za razne vrste analiza. Merila moraju da obezbede: • Dijagnostičku povratnu vezu (feedback) iz raznih procesa kao vodič za unapređenje. • Informacije za trendove. • Povratnu vezu iz samih merila. • Kvantitativne inpute za metode i modele predvidanja za sisteme za podršku odlučivanju.

92 Poslovna inteligencija

t

Osnovna potreba za uvođenjem merila u poslovne procese ogleda se u mogućnosti da menadţeri sagledaju svoju kompaniju jasnije, iz više perspektiva i da na taj način budu u mogućnosti da donose kvalitetnije strateške odluke. Moderno poslovanje zavisi od merenja i analize performansi. Standardi za merenje proizlaze iz strategije preduzeća i obezbeđuju vaţne podatke i informacije o ključnim procesima, izlazima i rezultatima. Podaci i informacije koji su potrebni za merenje performansi i mogućnosti za unapređenja odnose se na kupce, dobavljače, performanse proizvoda i usluga, trţište, komparativne analize, zaposlene, troškove i finansijske pokazatelje. Detaljnim analizama utvrđuju se trendovi, projekcije i uzročno-posledične simulacije. Potpuni rezultati tih merenja mogu da se iskoriste u procesima strateškog planiranja, unapređenja performansi preduzeća, kao i poređenje performansi preduzeća s konkurencijom. Da bi proces merenja i analize bio uspešan, potrebno je definisati parametre performansi preduzeća. To su pre svega merljive karakteristike proizvoda, usluga i samih poslovnih procesa. Prilikom utvrđivanja tih parametara, potrebno je posebno izdvojiti one koje ključno utiču na rezultate u oblastima merenja.

Perspektiva učenja i razvoja Pogled na preduzeće iz ove perspektive podrazumeva neprekidnu obuku zaposlenih. U mnogim pređuzećema zaposleni predstavljaju jedini ili značajan izvor znanja i glavni izvor preduzeća. U eri velikih tehnoloških promena veoma je značno da zaposleni neprekidno uče i stiču nova znanja. Učenje i razvoj predstavljaju ključni faktor uspeha u pređuzećema koja su orijentisana na znanja svojih zaposlenih (engl. knowledge-worker organization). Kaplan i Norton ističu da je učenje mnogo više od obične obuke. Ono uključuje mentore i tutore u okviru samog preduzeća koji se aktivno uključuju u poslovne procese, pomaţući radnicima u međusobnoj komunikaciji i rešavanju poslovnih problema. Takođe, aktivno se koriste i tehnološki alati (internet i slično).

Poglavlje 5 Balanced Scorecard 93

Perspektiva poslovnih procesa Pogled na preduzeće iz te perspektive odnosi se na interne poslovne procese. Meri- la bazirana na toj perspektivi, omogućavaju menadţerima da spoznaju kako se njihovi poslovni procesi odvijaju i u kojoj meri proizvodi i usluge, kao izlaz iz čitavog sistema, odgovaraju zahtevima kupaca. Veoma je značajno da se paţljivo dizajniraju merila i da to urade osobe ili timovi koji odlično poznaju interne poslovne procese. Takav zahtev koji se postavlja pred merila isključuje mogućnost da se za te poslove angaţuju konsul- tantske kuće (engl. outsourcing).

Perspektiva kupaca U poslednje vreme filozofija menadţmenta stavlja kupce na vrh piramide kad su vaţni parametri poslovanja u pitanju. Logika je prosta: ako kupac nije zadovoljan proizvodima i uslugama preduzeća, potraţiće drugog dobavljača koji će u većoj meri zadovoljiti njegove potrebe. Loše performanse u toj perspektivi, na duţi rok znače zastoj i opadanje svih pokazatelja poslovanja preduzeća. U razvoju merila za tu perspektivu, treba obratiti paţnju na klasifikaciju kupaca, s jedna strane, kao i na poslovne procese koji obezbedjuju proizvode i usluge za kupce, s druge strane.

Finansijska perspektiva Kaplan i Norton ne negiraju klasične potrebe za finansijskim podacima i informacijama. Oni će biti obezbedeni kroz implementaciju operacione (korporativne) baze

Slika 33 Balanced Scorecard

t

94 Poslovna inteligencija

podataka. Međutim, da bi se bolje sagledala finansijska perspektiva, na klasične modele izveštavanja o finansijskom stanju i perspektivama preduzeća, treba dodati i neke nove, kao što je prognoza rizika ili cost benefit analiza.

Balanced Scorecard - jos jedan proiekat?

*

* ..š * '

Balanced Scorecard menadţment sistem nema projektni karakter u klasičnom smislu te reci. On se suštinski razlikuje u nekoliko aspekata. Prvi aspekt koji treba naglasiti jeste da je Balanced Scorecard menadţment sistem neprekidni ciklični proces bez početka i kraja. Sama metodologija nije toliko orijentisana na zadatak organizacije, već na interne procese (dijagnostička merila) i eksterne prilive (strategijska merila). Sistemska kontrola bazirana je na metapodacima koji se neprekidno prikupljaju i u kojima se ogledaju trendovi, dobre i loše odluke i oblasti koje je moguće poboljšati. Tako organizovane informacije veoma su značajne menadţerima za donošenje odluka.

Menadžment pristup« U sledećoj tabeli dato je poređenje tri različita menadţment pristupa i metodologije, a poređeno je po nakoliko različitih karakteristika. Iz tog poređenja jasno se vide razlike između Balanced Scorecard pristupa i projekt menadžment pristupa i prema svrsi i prema potrebama samih metodologija.

Project Management Business Process Improvement

Blalanced Scorecard

Godina nastanka

Postoji decenij ama

Početak 1992

Početak 1990

Primarne pozicije

Eksterni sponzor

Interni direktor

Interni direktor

Definicija cilja

Zahtevi projekta, Troškovi, redukcija potrebe definisane iz vremena ciklusa misije, izjave

Fokus

Oblast

Misija u smislu

Strateški menadţment sistem

tehničkom Poslovni procesi

Specijalizovano odeljenje

Više perspektiva

Odeljenje, preduzeće Sektor, preduzeće i

!

Poglavlje 5 Balanced Scorecard 95

1

Plan akcija

i Planovi 1 Raspored i tajming

Tabela zadataka i aktivnosti sa vremenskim dimenzijama

Aktivnosti ! menadţmenta

Formiranje timova, Budţet

Alati

Microsoft project, Primavera

Mere uspeha

Plan procesa

unapređenja Strateški plan, Plan performansi

Timski orjentisana sa fokusom na grupe

Detaljna analiza procesa(as is), To Be dizajn procesa, automatizacija TurboBPR, IDEFO

Funkcionalni timovi, 1-2 godine implementacija

Definisanje metrika, prikupljanje podataka, analiza podattaka, odluke o promenama Baza podataka, scorecards

Isporuka na vreme u Efekat smanjenja Unapredeni rezultati okviru definisanog troškova nasuprot po definisanim budţeta naporima za BPI metrikama

Definicija nekih termina U ovom delu biće definisani neki termini koji se koriste u Balanced Scorecard menadţ- ment sistemu, a i šire u raznim menadţment metodologijama. Activity-Based Costing (ABC): poslovna praksa u kojoj se aktivnosti posmatraju na takav način da se povraćaj uloţenih sredstava i povećanje efikasnosti moţe vrednovati i izmeriti. Implementacija ABC metode podrazumeva odgovarajuće strukture podataka i sisteme izveŠtavanja. Activity-Based Management: Korišćenje ABC podataka radi utvrđivanja profita bih nosti poslovnih jedinica i korišćenje strateških inicijativa i opetativnih promena radi optimizacije finansijskih performansi. Balanced Scorecard: Metrički baziran strateški menadţment sistem koji obezbeđuje metode za usklađivanje poslovnih aktivnosti sa strategijom, uz neprekidno praćenje performansi strateških ciljeva. Benchmarking: Poređenje jednog skupa izmerenih vrednosti s drugim. Business Case: Strukturirani predlog za unapređenje poslovanja. Sadrţi analizu per- fefrmansi poslovnih procesa, utvrđene probleme, predloge za alternativna rešenja, pretpostavke, ograničenja i cost-benefit analize.

96 Poslovna inteligencija

t

Business Process Impovement: Metodologija koja je fokusirana na promene poslovnih procesa radi poboljšanja njihovog odvijanja. Uljučuje AS-IS analize i TO-BE predloge za novo rešenje radi automatizacije poslovnih procesa. Business Process Reeingineering: Metodologija koja propagira radikalne promene poslovnih procesa. Donosi velika poboljšanja automatizacijom poslovnih procesa, ali shodno tome, postoji i velik rizik od neuspešne implementacije. Cost-benefit Analisys: Tehnika kojom se uporeduju troškovi nastali u svrhu neke investicije, sa uštedama, odnosno dobiti koja proističe iz njene implementacije i operativnog rada. Project Mangement: Skup dobro definisanih metoda i tehnika za upravljanje timom ljudi koji srovode definisane zadatke po definisanom vremenskom rasporedu u okviru definisanog budţeta. Return Of Investment (ROI): Efekti dobijeni ostvarenjem neke investicije, umanjeni za troškove nastale njenom implementacijom. Risk Analysis: tehnika kojom se utvrđuju faktori koji mogu negativno da utiču na ostvarenje definisanih ciljeva. Ova tehnika takode pomaţe da se definišu preventivne mere da se smanji verovatnoća za pojavu negativnih faktora. Strategic Plan: Dokument kojim organizacija stavlja u odnos svoju organizacionu i budţetsku strukturu sa organizacionim prioritetima, misijom i ciljevima. Total quality Management (TQM): Metodologija za neprekidno praćenje i napredovanje unapređenja poslovnih procesa uz utvrđivanje mogućnosti i definisanje mera za njihovo smanjenje.

Pragmatična poslovna inteligencija i scorecarding U idealnoj slici jednog preduzeća menadţeri imaju brz i efikasan pristup scorecard karticama koje pokazuju vrednosti performansi ključnih indikatora i obojene znakove uzbuna kada oni pređu dozvoljene granice, lako ulaţenje u detaljne podatke, konzistent- ne izveštaje koji integrišu podatke iz različitih izvora i na taj način svi oni dele jednu jedinu verziju istine. U stvarnosti, ta slika baš i nije tako idilična. U celoj priči postoji jedan fundamentalni problem između nivoa: • Različitih sistema i fragmentiranih podataka • Prezauzetih menadţera kojima su potrebne bitne informacije i mogućnost da vide detaljne podatke

Poglavlje 5 Balanced Scorecard 97

Zauzeti manadžeri kojima su potrebne informacije za donošenje odluka

Razli čiti siste mi i frag ment irani izvori podataka Call Cent er

Zauzeti manadžeri kojima su potrebne informacije za donošenje odluka

Korporativni Data Warehouse

$ $ $ $ $ $ $ $

Različiti sistemi i fragmentirani izvori podataka Call Cent er

Proje ct Info

Slika 35 Data warehouse smanjuje prazan prostor između menadžera i podataka.

t

98 Poslovna inteligencija

„Korporativni data warehouse" Bottom Up pristup Ovaj pristup pođrazumeva kreiranje robusne data warehouse baze podataka koja integriše podatke iz različitih izvora podataka. Ovaj proces uključuje nivo skladištenja i na višem nivou ETL alate (engl. Extracting Transforming and Loading data). Ovaj ab- miciozni poduhvat pođrazumeva puno utrošenog vremena na utvrđivanje pravila za integraciju podataka. Međutim, čak i posle mnogo meseci (godina) uloţenog truda, korporativni data warehause je i dalje proizvod sa izraţenim tehničkim karakteristikama. Prazan prostor između krajnjih korisnika i podataka sada je manji, ali još postoji.

Executive dashboard top-down pristup Podaci organizovani u spreadsheet tabele imaju niske troškove, ali predstavljaju nezadovoljavajuće rešenje sa aspekta uvida u detaljne podatke skalabilnosti, interaktivnog rada, konzistentnosti i pristupa podacima. Za njihovo kreiraranje potrebno je potrošiti puno vremena i to uglavnom od „skupih" sluţbenika — menadţera ili analitičara, koji

Zauzeti manadžeri kojima su potrebne informacije za donošenje odluka Spreadsheet-based Scorecards

N

Sofisticirani Performance Management softver integrisan sa analitičkim metodama

X

Prazan prostor <

l

Scorecard softver

<

r4A

Prazan

X

proste ^

Različiti sistemi i fragmentirani izvori podataka

Cali Cent er

Slika 36 Executive smanjenje praznog prostora između menadžera i podataka.

Dashboeard

pristup

za

Poglavlje 5 Balanced Scorecard 99

moraju da premoste prazninu koja postoji ispred izvora podataka. Kada se preduzeća odluče da promene način pristupa informacijama, moraju da se suoče s bolnim i skupim procesom u kome će morati da koriste potpuno drugi set alata (dashboards i scorecards). Sofisticirani paketi iz oblasti upravljanja performansama (performance management) mogu teoretski da podrţe mnogobrojne prikaze ključnih indikatora, brz uvid u detaljne podatke, statističke veze između indikatora i slično. Međutim, izvori podataka nad kojima treba da se izvršava kompletan proces, često ne zadovoljavaju ni osnovne kriteriju- me za njegovo odvijanje. U tom smislu, posebno je vaţno naglasiti značaj konzistentnih i svrsishodnih podataka. Atratiktivni grafički prikazi, drill-down i statističke analize mogu da budu dobri samo ako su bazirani na „dobrim" izvorima podataka. Još davno definisani problem „Garbage In, Garbage Out" ne moţe se prevazići ni sa najsofisticira- nijim i najskupljim softverima. U spreasheet scenariju, većina menadţera svesna je ograničenja da se ne mogu svi podaci automatski povezati s njihovim spreadsheetovima. Međutim, nakon investicije u nove softverske pakete, menadţeri očekuju da oni mogu na jednostavan način da se poveţu sa izvorima podataka. Tada moţe doći do neprijatnog nesporazuma između menadţera i IT osoblja koje je zaduţeno da obezbedi nove forme za smeštanje podataka na bazi postojećih.

Gde je pragmatični kompromis Šta treba da učine organizacije koje nemaju dovoljno vremena i sredstava da prevazi đu jaz između informacija i onih koji ih koriste? Pragmatična rešenja nude kompromise. Ukoliko su kompromisi postignuti na pravi način, moguće je dobiti 80% koristi za svega 20% troškova. Na koji način? Evo kako postići maksimum koristi uz minimum troškova: Balansiranje i kordinacija top-down i bottom-up pristupa. Kombinacija ova dva pristupa moţe smanjiti utrošeno vreme i troškove. Uslov za upešnu realizaciju je paţljiva komunikacija između menadţera i IT odeljka — u protivnom, projekat je osuđen na neuspeh. Korišćenje frameworka za mirnu evoluciju. Postoje framework rešenja koja omogućavaju organizacijama da se počne s malim vremenskim i materijalnim ulaganjem, a da kasnije rešenje evaluira prema potrebama organizacije. Jedan od primera je Microsoft Balanced Scorecard Framework (BSCF) koji omogućava preduzećema da koriste Microsoft tehnologiju scorecard mehanizme koji su im potrebni, bez „bolnih" prelaza na druge alate. Oslanjanje na postojeće tehnologije (ili one koje su dostupne). Na odluke o tehnološkim inovacijama u preduzeću veliki uticaj imaju ljudi koji su zaduţeni za prodaju u softverskim preduzećema. U svom poslu oni nisu koncentrisani direktno na svoje proizvode, već pokušavaju da utvrde organizacione slabosti preduzeća i preporuče način njihovog rešavanja njihovim softverom. Ukoliko uspeju da pokaţu ekonomsku opravdanost investicije u njihov proizvod, oni su na dobrom putu da uspeju. U prilog toj činjenici posebno ide to što većina preduzeća u suštini nije zadovoljna svojim postojećim aktivnostima na polju informacionih tehnologija. Međutim, ako se paţljivo pogleda postojeća softverska infrastruktura u preduzeću, mogu se pronaći mnoge neiskorišćene mogućnosti. Na primer, u okviru svog sistema za upravljanje

100 Poslovna inteligencija

t

bazama podataka SQL Server 2000, Microsoft nudi mnoge funkcionalnosti tipa: multidimenazionalni analitički (OLAP) servis pod nazivom Analysis Services. U kombinaciji sa Data Transformation services (DTS) on predstavlja funkcionalan alat za izdvajanje, transofmaciju i učitavanje podataka (ETL, Extracting, Transformation, Loading) iz različitih izvora podataka u data warehouse ili data mart. S druge strane narastajuće mogućnosti Microsoft Excela, zasluţuju ozbiljnu paţnju kao analitički proizvod po niskoj ceni. Mnogi korisnici koriste samo osnovne mogućnosti tog alata, a često zanemaruju nove osobine koje on donosi sa svakom novom verzijom. Fokus na bitne podatke. Jedan od najbrţih načina da se „naduva" budţet za poslovnu inteligenciju jeste da počne punjenje baza podataka informacijama za koje se misli da su vredne. S porastom veličine baze podataka, raste i sloţenost njenog korišćenja, kao i troškovi za njeno odrţavanje. Cesto se dešava da IT osoblje prebacuje podatke iz transakcionog sistema, a da ne razmatra posebno kako će oni biti korišćeni. Balanced scorecard predstavlja dokazani, sistematski način da se utvrde vaţni infikatori, čime mogu da se daju smernice u punjenju data warehouse, data mart i kocaka podataka. Tako- đe, uz korišćenje multidimenzionalnih analiza, mogu se bitno pojednostaviti analitički procesi. Na primer, gomila raznih izveštaja i analiza moţe se, uz paţljivu analizu, zameni- ti kockom podataka i na taj način povećati efikasnost primene poslovne inteligencije.

5

OLAP izveštavanje u preduzeću

s

8=

Ključ za uspešno poslovanje danas je pre svega u razumevanju i efikasnom upravljanju faktorima koji utiču na poslovni sistem preduzeća. Posedovanje informacija o tim faktorima omogućava donošenje odluka koje mogu značajno unaprediti rezultate poslovanja. U mnogim preduzećima vaţne odluke donose se i na niţim hijerarhijskim nivoima — što znači da je gotovo svakom zaposlenom u preduzeću potreban brz i lagan pristup potrebnim informacijama. Informacije u preduzeću nedostupne su mnogim zaposlenim - one se nalaze virtuel- no sakrivene u data warehouse bazama podataka, data martovima, poslovnim informa- cionim sistemima (engl. ERP, Enterprise Resource Planning Systems) ili korporativnim bazama podataka. Tradicionalni pristup pronalaţenju informacija iz navedenih izvora podataka podrazumeva pravljenje odgovarajućih SQL upita, kojima se biraju podaci iz izvora podataka. Prednost OLAP (engl. Online Analytical Processing) pristupa je u tome što on omogućava efikasniji i svrsishodniji pristup korporativnim podacima. OLAP predstvalja lice data warehouse baze podataka. OLAP pristup konsoliđuje i prezentira sumarne korporativne informacije iz različitih izvora. OLAP tehnologija omogućava pristup informacijama u poslovnom kontekstu. U mnogim preduzećima OLAP informacije koristi mali broj ljudi, uglavnom informa- cioni analitičari. Međutim, u tim preduzećema postoji jasna korist od OLAP informacija, pre svega kroz utvrđivanje i korišćenje vrednosti kroz čitavo preduzeće. Način da se to postigne jeste pravljenje OLAP izveštaja - interaktivni, u odgovarajućem formatu, laki za implementaciju i korišćenje. Ti izveštaji tako donose informacije direktno, bez posrednika, onima kojima su potrebne - menadţerima pre svega, a takođe i ostalim korisnicima informacija. OLAP izveštaji mogu biti u obliku regularnih statusnih izveštaja, ali mogu biti i u posebno efektnim formatima tipa: izveštaja o ključnim indikatorima performansi, izveštaja o performansama poslovnih procesa ili Balanced Scorecard izveštajima.

101

102 Poslovna inteligencija

t

Izveštaji o ključnim informacijama u preduzeću: ■ Tradicionalan način

09 *

Konvencionalni alati za upite i izveštavanje dizajnirani su tako da prikazuju detaljne podatke iz korporativne baze podataka. Oni su pre svega fokusirani na statusne izveštaje bazirane na transakcionim podacima i nisu podesni za rad s podacima koji su organizovani multidimenzionalno. Tradicionalni izveštaji su statički, te ne dozvoljavaju korisnicima interaktivno ispitivanje različitih kombinacija faktora. Ukoliko postojeći izveštaj nije dovoljan da se donese odluka, menadţerima ne preostaje ništa drugo nego da pošalju zahtev za novim upitom. Osim što su teški za kreiranje i aţuriranje, SQL bazirani izveštaji su i zahtevni sa aspekta angaţovanja resursa. Za preduzeća koja ţele da prate performanse i trendove ili da primenjuju scorecard izveštavanje, postoji i jedan osnovni nedostatak kad je u pitanju SQL izveštavanje. Naime, jako je teško sklopiti globalnu sliku ako se koriste samo izveštaji koji su bazirani na transakcionim podacima zbog toga što su podaci u bazama podataka organizovani u strukturama koje su pogodne za efikasno smeštanje podataka i administraciju — a ne za sumarne analize ili razne vrste istraţivanja.

Izveštaji o važnim informacijama u preduzeću: OLAP način OLAP tehnologija je unela značajne novine u oblast poslovnog odlučivanja. OLAP sistemi skladište podatke i pristupaju im kao dimenzijama koje reprezentuju poslovne faktore, kao što su vreme, proizvodi, geografski regioni ili trţišni segmenti. Ti podaci su organizovani multidimenzionalno - kao kocke koje se mogu okretati, pomerati i posma- trati s bilo koje strane. Podaci se prezentuju u poslovnom kontekstu (na primer: broj kupaca koji ima reklamacije na prodaju određenog proizvoda na području Beograda u posleđnjem kvartalu), a ne u kontekstu baza podataka. To znači da menadţeri koji donose odluke imaju direktan pristup informacijama koje su potrebne za donošenje najbolje odluke vezane za poslovanje preduzeća.

OLAP izveštaji - osnovni principi OLAP izveštaji predstavljaju intuitivni front end za ključne korporativne podatke. Oni su intuitivni, laki za implementaciju i korišćenje i bazirani su na multiđimenzio-

Poglavlje 6 OLAP izveštavanje u preduzeću 103

nalnim podacima koji su izdvojeni primarno iz data warehouse baza podataka i data martova.

OLAP kocke podataka (engl. data cubes) OLAP tehnologija organizuje paţljivo izabrane podatke iz data warehouse baza podataka, relacionih baza podataka, data martova i drugih izvora podataka u multiđimenzio- nalne nizove podataka koji se često nazivaju i kocke podataka (engl. data cubes). Kocke podataka predstavljaju modele poslovanja i korisnici preko njih mogu da mere performanse poslovnih procesa i upravljaju njima. Kocke podataka su fleksibilne sa aspekta informacija koje sadrže (dimenzije) i kalkulacije koje se mogu obaviti (mera). OLAP izveštaji se izrađuju na bazi kocaka podataka. Pošto svaka kocka podataka sadrţi više dimenzija i mera, od informacija u kocki podataka moţe se kombinovati velik broj različitih izveštaja. Kocka podataka se moţe posmatrati i kao kolekcija komponenata koje mogu da se kombinuju da bi se dobio neki specifičan izveštaj.

DIMENZIJE

Region Mesec Jan. Feb. Mar. Sever Jug Istok y ^

Proizvod

Fil m Sočiva

ma

^ ___ &L PRODAJA

Slika 37 Kocka podataka.

Kamere

104 Poslovna inteligencija

t

Interaktivna analiza podataka Pošto se definiše modei podataka, korisnici OLAP izveštavanja mogu da zadovolje potrebe za informacijama pravljenjem sofisticiranih izveštaja u kojima mogu i sami interaktivno da učestvuju. Definisan model podataka moguće je posmatrati i istraţivati iz različitih uglova, na bilo kom nivou detaljnosti. To jednostavno znači da će korisnici dobiti odgovore na sva svoja pitanja tako što će ispitati definisane modele podataka, a to bi na drugi način bilo neizvodljivo. Kao prinier moţe posluţiti prognoza prodaje za prodajne objekte u nekom periodu. Model podataka osim informacija o prodajnim objektima sadrţi i informacije o proizvodima i kupcima. Pošto se uoče odredeni problemi analiziranjem podataka grupisanih na nivou prodajnih objekata, isti skup podataka moţe se analizirati grupisanjem na nivou proizvoda ili kupca da bi se jasnije utvrdile nepravilnosti i problemi u prognozi.

Napredni formati podataka OLAP izveštaji moraju da obezbede sofisticirane formate podataka da bi zadovoljili potrebe krajnjih korisnika. Ti formati treba pre svega da omoguće sloţene analize kroz ugneţđene ili unakrsne tabele ili neki drugi oblik organizacije podataka koji standardni alati za izveštavanje ne mogu da zadovolje.

MOLAR ROLAP i HOLAP U OLAP svetu postoje dva osnovna utvrđena tipa organizacije podataka: Multiđimenzionalni OLAP (MOLAP) i Relacioni OLAP (ROLAP). Hibridni OLAP (HOLAP) referiše se'na tehnologije koje kombinuju osobine dva prethodno definisana tipa (MOLAP i ROLAP). MOLAP. Predstavlja tradicionalan način OLAP analize. U tom tipu, podaci su smešteni u multidimenzionalnu kocku podataka. Fizička organizacija podataka nije u re- lacionom modelu baze podataka, već u odgovarajućim formatima. Osnovne prednosti tog tipa organizacije podataka su: odlične performanse i mogućnost izvođenja sloţenih kalkulacija (koje su ugrađene u samu kocku podataka). Osnovni nedostaci su: limitirana količina podataka s kojima se radi (ovo se ne odnosi na količinu podataka od kojih se kocka pravi, već na kalkulacije koje su ugrađene u kocku) i investiciono zahtevan pristup (pošto tehnologija kocaka podataka uglavnom ne postoji u preduzećema, pa je potrebno uloţiti u nove alate, obuku kadrova i slično). ROLAP. Metodologija koja se oslanja na rad s podacima koji su smešteni u klasičnu relacionu bazu podataka uz mogućnost da se podacima manipuliše u „OLAP stilu". Prednosti tog tipa organizacije podataka su: mogu da rade s velikom količinom podataka i mogu da iskoriste prednosti koje su ugneţđene u relacioni pristup. Nedostaci su: performanse mogu da budu loše (svaki ROLAP izveštaj suštinski predstavlja jedan ili više SQL upita čije izvršavanje moţe da traje veoma dugo ako je baza podataka velika), kao i to što je limitiran funkcionalnošću koju ima SQL (što onemogućava na primer sloţene kalkulacije).

Poglavlje 6 OLAP izveštavanje u preduzeću 105

HOLAP. Tehnologija koja kombinuje prednosti MOLAP i ROLAP pristupa. Za informacije sumarnog tipa, HOLAP se oslanja na kocke podataka radi boljih performansi. Za detaljne podatke, HOLAP vrši uvid kroz relacione podatke.

Lakoća korišćenja i preglednost podataka OLAP alati za izveštavanje moraju da poseauju intuitivan korisnički interfejs pomoću kojeg korisnici mogu interaktivno da istraţuju podatke i da ih na alternativne načine (tekstualno, razne vrste grafičkih prikaza i kombinovano) prikazuju prema svojim potrebama. U tom slučaju, ukida se potreba krajnjih korisnika za povratnom vezom ka odse- ku informacionih tehnologija da bi se dobile dodatne informacije. Korišćenjem OLAP alata rapidno se ubrzava čitav proces kreiranja raznih vrsta izveštaj a.

Zumiranje podataka OLAP način izveštavanja omogućava korisnicima da podacima pristupaju na isti na- čun kao i kad utvrđuju i rešavaju svoje poslovne probleme: prvo pregled i analiza totala podataka, a zatim pogled u detaljni nivo. Ukoliko se ţeli imati potpun uvid u poslovanje, korisnici moraju da imaju mogućnost da pristupe podacima na najniţem nivou, tj. da imaju pristup i unutar kocke podataka, a ne samo po predefinisanim dimenzijama.

Centralizovan sistem sigurnosti OLAP izveštaji moraju u potpunosti da zadovolje kriterijume sigurnosti podataka koje prezentuju. Pristup moţe biti dozvoljen samo autorizovanim korisnicima. Kroz centralni, serverski baziran sistem sigurnosti i kontrole, IT administratorima je omogućeno da lako prave, odrţavaju i distribuiraju OLAP izveštaje kroz preduzeće.

Poslovna pravila Kreatori izvešataja, kao i njihovi korisnici, moraju da imaju pristup poslovnim pravilima koja obezbeđuju način za kalkulaciju i izračunavanje vrednosti koje se ne nalaze u originalnom izvoru podataka. U te vrednosti na primer spadaju: kalkulacije rasta, trţišni udeo i povraćaj investicija.

Poređenje multidimenzionalnih analiza sa SQL pristupom

Iako se transakcioni detalji koji podrţavaju analizu podataka nalaze uglavnom na relacionim sistemima za upravljanje bazama podataka, analitičari u svom radu koriste multidimenzionalni opis podataka. Numeričke vrednosti ili mere (engl. measures) opisane su

106 Poslovna inteligencija

t

određenim brojem kategorija ili dimenzija (engl. dimensions) koje su organizovane u hijerarhije (engl. hierarchies) (na primer mesec / kvartal / godina). SQL relacioni sistemi za upravljanje bazama podataka bazirani su na skupu teorijskih modela koji su po prirodi dvodimenzionalni. Dimenzije i hijerarhije se obično nalaze u više odvojenih tabela i procesiraju se kroz mehanizme primarnih i spoljnih ključeva. Uz takav pristup, potrebno je pratiti svaku promenu hijerarhija i dimenzija i u skladu sa svakom izmenom menjati i odgovarajuće SQL upite za razne vrste sumiranja. Pristup SQL podacima je vrednosno baziran, što znači da ne obezbeđuje neki vid dimenzionalne fizičke organizacije podataka. Na primer, januar, februar i mart su elementi jedne iste dimenzije i njima mora zajednički da se pristupa u procesu analize. Međutim, relacione baze podataka smeštaju slogove sekvencijalno u redosledu odvijanja transakcija, ne grupišu podatke na način na koji će oni biti analizirani. Pošto relacione baze podataka nemaju direktnu podršku za analitičke osobine, kao što su hijerarhije, iterativne analize i dimenzionalne operacije, potrebno je definisati logiku van same baze podataka za prevođenje multidimenzionalnog modela podataka u dvodimenzionalni. Multidimenzionalne baze podataka organizuju podatke onako kako će oni biti ko- rišćeni u analitičkim procesima. Pristup podacima je na bazi pozicije koja je određena dimenzionalnim koordinatama, a ne vrednošću. Svaka mera je smeštena kao skup numeričkih vrednosti indeksiranih po članovima svake dimenzije. Svaka tačka multidimenzionalnog prostora je mapirana odgovarajućom tačkom na disku na kojoj je smeštena informacija. Taj princip je moguć zato što su članovi dimenzija statičke kategorije i broj mogućih tačaka pristupa je unapred poznat. Takav mehanizam skladištenja podataka je mnogo efikasniji od relacionog mehanizma sa aspekta analitičkih procesa koji se odvijaju nad podacima. U multidimenzionalnim bazama podataka samo su numerički podaci smešteni za svaku tačku, dok je lokacija gde su smešteni podaci određena dimenzionim koordinatama.

Zadovoljavanje heterogenih potreba širokog kruga korisnika Kvalitetno rešenje u oblasti OLAP izveštavanja omogućava autorima izveštaja da brzo prave i distribuiraju izveštaje koji zadovoljavaju potrebe širokog kruga korisnika.

Analitičari, autori izveštaja

Ova grupa korisnika se često naziva i OLAP moćni korisnici (engl. power users). Nju čine finansijski analitičari koji prave finansijske izveštaje, kao i marketing specijalisti koji rade ad hoc analize podataka vezanih za prodaju i zatim ih distribuiraju širom preduzeća. Osnovni zadatak ove grupe korisnika jeste da prikupljaju i analiziraju informacije, utvrđuju trendove i pojavu anomalija. Od njih se očekuje razumevanje informacija do najdubljeg nivoa. Većinu svog vremena oni troše na razne vrste analiza da bi kao rezultat dobili brze i efektne izveštaje pomoću alata za OLAP izveštavanje. Tipično, ova grupa korisnika čini 15% OLAP populacije.

Poglavlje 6 OLAP izveštavanje u preduzeću 107

Ova grupa korisnika pravi OLAP izveštaje direktno iz OLAP kocaka podataka. Kocke podataka obezbeđuju kolekcije izveštajnih komponenata - dimenzija i mera - na bazi kojih se mogu komponovati različite vrste izveštaja.

Menadžeri Menadţeri su korisnici kojima su informacije potrebne da bi efikasno obavljali svoj posao. Ukoliko poseduju bolje informacije, efekti njihovog rada biće bolji. Međutim, analiza podataka nije njihov primarni zadatak. Njihov primarni zadatak je upravljanje preduzećem: kontakti s kupcima, razvoj proizvoda, kadrovska politika, koordinacija otpreme i slično. U tu grupu spadaju na primer menadžeri prodaje i marketing menadžeri. Korisnici iz te grupe najviše koristi imaju od dinamičkih izveštaja koji su pre svega ori- jentisani na specifične oblasti poslovanja iz njihove nadleţnosti. Najbolji način da zadovolje njihove potrebe jeste da se snabđeju paketom predefini- sanih izveštaja koje najčešće koriste. Sa OLAP načinom izveštavanja ta grupa informacija svoje vreme troši na korišćenje informacija umesto na njihovo prikupljanje.

Korisnici informacija U ovu grupu spadaju korisnici koji koriste dnevne statusne informacije da bi efikasno obavljali svoj posao. Tipičan primer su administratori zaliha, koji koriste informacije o nivou zaliha da bi na vreme signalizirali nove narudţbe. Ti korisnici imaju koristi od statusnih OLAP izveštaja koji uglavnom sadrţe saţete skupove podataka iz pojedinih delova baze podataka, ali nije isključena potreba da se u tu svrhu koriste u OLAP kocke podataka. Ta vrsta izveštaja se odlikuje naprednim mogućnostima za izbor i filtriranje podataka. Jedna od karekteristika te grupe korisnika jeste da oni nemaju previše vremena za obuku, tako da izabrani alati za izveštavanje moraju da se odlikuju intuitivnošću i fleksibilnošću u odnosu na poslovne procese u kojima se koriste.

t

108 Poslovna inteligencija

__

Kreiranje i impl 0 ■

Kreiranje i implementacija OLAP izveštaja u velikoj meri zavisi i od izbora alata koji se koristi u te svrhe. Svaki ima svoje karakteristike koje su bolje ili lošije od karakteristika koje imaju alati konkurencije. U ovom odeljku biće razmotren proces kreiranja i implementacije izveštaja pomoću jednog od vodećih alata te vrste na trţištu, po imenu PowerPlay, čiji je tvorac firma Cognos. Postoje dva koraka u implementaciji OLAP sistema izveštavanja. Prvi korak je kreiranje OLAP kocaka podataka, višedimenzionalnih struktura koje sadrţe sumarni pogled na korporativne podatke. Obično OLAP kocke podataka kreiraju IT odeljci, a zatim se one implementiraju u podatke analitičara informacija i autora izveštaja. U drugom koraku se na bazi definisanih kocaka podataka izrađuju OLAP izveštaji koji se distribuiraju menadţerima i drugim korisnicima informacija. Cognos PowerPlay je univerzalno OLAP rešenje koje omogućava preduzećema da koriste mogućnosti OLAP izveštavanja sa postojećim (njihovim sopstvenim, ranije ustanovljenim) kockama podataka. Preduzeća koja već imaju HyperionEssbase, Oracle Express, IBM DB2 OLAP ili Microsoft SQl Server OLAp Services, na primer, mogu da u potpunosti iskoriste mogućnosti PowerPlay alata, a da ne menjaju svoju infrastrukturu.

DATA SOURCES

TRANSFORMER

CUBE DEPLOYMENT CLIENT Report Author • Builds report once

• Deploys report once

-.SȔ vu tm*.

ÉHWtmft il«» »Mumm i* I

' Databases. Data Marts, Warehouses. Spreadsheets

Users • PowerPlay for Windows PowerPlay Web > With Cognos' Analyze-then-Query approach to data analysis, users can drill through to underlying transaction-level details, or to data beyond what is stored in the cube

OLAP '

' Because report data is fed from the cube, users always work with the most up-to-date information

Poglavlje 6 OLAP izveštavanje u preduzeću 109

110 Poslovna inteligencija

t

Za preduzeća koja tek ulaze u OLAP svet, PowerPlay predstavlja potpuno rešenje, kako za pravljenje kocaka podataka, tako i za OLAP izveštavanje. Kocke podataka (u tom alatu nazivaju se PowerCubes) mogu smeštati i administrirati različiti sistemi za upravljanje bazama podataka, kao što su Oracle, Microsoft SQL server, Informix, Db2 i slični.

Kreiranje i održavanje kocaka podataka (data cubes) Struktura kocaka podataka definisana je pojmovima dimenzija i mera. Dimenzije predstavljaju hijerarhijske kategorije informacija, kao što su vreme, proizvodi ili geografski pojmovi. Na primer, hijerarhijska dimenzija proizvoda moţe da bude organizovana po liniji proizvoda, grupi proizvoda i na krajti po liniji individualnih proizvoda. Merenja predstavljaju kalkulacije koje se koriste da bi se pratilo poslovanje (na primer: prihodi, troškovi prodaje, količina prodatih proizvoda...). OLAP kocke podataka uopšteno sadrţe samo dimenzije i merenja koja su bitna za specifične analize. Na primer, podaci potrebni za analizu prodaje i podaci za analizu kadrovskih potencijala nalaze se u različitim kockama podataka. Takav pristup omogućava da se kocke podataka lako odrţavaju ne samo u smislu njihove veličine nego i u smislu informacija koje sadrţe. Vaţne aktivnosti u pravljenju kocaka podataka odnose se na utvrđivanje podataka koji preba da se nađu u njima, kao i pronalaţenje izvora u kojima se podaci nalaze. Radi uspešnog obavljanja tih aktivnosti IT stručnjaci moraju da dobiju bitne informacije od samih korisnika da bi izabrali odgovarajuće podatke koji će zadovoljiti njihove potrebe. Sto se tiče alata PowerPlay, izrada PowerCube kocaka podataka je automatizovan proces. Administratori koriste deo tog alata pod nazivom Transformer za kreiranje modela podataka iz različitih izvora. Taj model locira izvore podataka i specificira strukturu podataka u okviru PowerCube kocke podataka. Transformer koristi taj model da kreira kocke podataka i da ih popuni podacima. Popunjavanje PowerCube kocaka podataka nije ograničeno načinom na koji su podaci smešteni u izvorima podataka. Kocke podataka se mogu puniti i iz relacionih i nerelacionih podataka, baza podataka, data warehouse, data mart ili spreadsheets izvora podataka. Na taj način preduzeće dobija maksimum performansi, kako iz svoje postojeće informacione infrastrukture, tako i iz novih izvora podataka koji se mogu pojaviti u budućnosti.

Upravljanje vremenskim kategorijama PowerPlay automatski kreira vremenske dimenzije, kao što su neđelja, mesec, kvar tal, godina ili bilo koji korisnički definisan vremenski interval. Taj alat takođe moţe da kreira i relativne vremenske kategorije, kao što je period od godinu dana između dva proizvoljna datuma ili period koji obuhvata prethodni mesec i slično. Za preduzeća kojima se fiskalna

Poglavlje 6 OLAP izveštavanje u preduzeću 111

godina ne poklapa s kalendarskom PowerPlay paralelno tretira oba perioda u okviru iste kocke podataka.

Primena standardizovanih poslovnih pravila Uz primenu PowerPlay alata IT stručnjaci mogu da utvrde i stanđardizuju poslovna pravila u samom preduzeću i da ih kroz kocke podataka formalizuju na nivou celog preduzeća. Takode, korišćenjem sofisticiranih matematičkih izraza i kalkulacija, administratori mogu da kreiraju nove kategorije informacija iz postojećih podataka. Ta mogućnost obezbeduje konzistentnost rezultata zato što svi korisnici koriste iste vrednosti u ključnim kalkulacijama. Matematički modeli koji se koriste implementirani su u strukturu same kocke podataka, što značajno smanjuje vreme obuke za rad sa OLAP izveštajima.

Konverzija valuta Konverzija valuta zanimljiva je s dva aspekta. Prvi je da je odnos različitih valuta vremenski promenljiva kategorija, tako da je potrebno obezbediti validnost podataka kroz istorijske informacije o odnosu valuta. Drugi aspekt se odnosi na preduzeća koja posluju u više zemalja s različitim valutnim sistemima, pa ie potrebno obezbediti odgovarajuće mehanizme konverzija valuta radi sagledavanja globalnih podataka na nivou preduzeća.

Centralizovani sistem sigurnosti PowcrPlay omogućava administratorima sistema da na efikasan način upravljaju sistemom sigurnosti podataka. Sigurnost se obično đefiniše postavljanjem privilegija na nivou kocke podataka, dimenzije, merenja ili bilo koje kombinacije navedenih faktora.

Implementacija kocaka podataka Kocke podataka sadrţe ogromnu količinu podataka (50 miliona konsolidovanih redova, 500 000 kategorija - tipična je veličina jednog da ta marta). PowerPlay omogućava velik stepen kompresije podataka da bi kocke podataka mogle da se efikasno implementiraju u podatke krajnjih korisnika. Ta tehnološka karakteristika omogućava da se kocke podataka prave i na dnevnom nivou i pored njihove veličine. PowerPlay moţe da automatski kreira i implementaciju kocaka podataka čime je IT administratorima omogućeno da se koncentrišu na kvalitet informacija u kockama podataka, a ne na ope- rativno-tehničke poslove.

112 Poslovna inteligencija

t

Izrada OLAP izveštaja Pošto su OLAP kocke podataka kreirane i inplementirane, autori izveštaja imaju sve što im je potrebno za izradu OLAP izveštaja. Izveštaji mogu biti statiţusni izveštaji, koji predstavljaju praćenje dnevnog poslovanja, ad hoc izveštaji, koji daju odgovore na specifična pitanja ili izveštaji performansi poslovnih procesa za menadţere. Sto se tiče načina na koji se podaci koriste, korisnici su u mogućnosti da istraţuju dimenzije kocaka podataka hijerarhijski - sa sumarnog na detaljne nivoe — da bi se dobili brzi odgovori na vaţna pitanja u vezi s poslovanjem. Na primer, finansijski menadţer jednog multinacionalnog preduzeća koji pred sobom ima problem narastućih troškova, pokušaće da utvrdi koji delovi preduzeća značajno utiču na tu pojavu. Spuštajući se niţe u hijerarhiji dimenzija on analizira podatke prvo na nivou drţave, zatim regiona, pa sve do pojedinačnih organizacionih jedinica. U OLAP izveštavanju menadţeri su u mogućnosti da interaktivno i iz različitih uglova pretraţuju i analiziraju podatke proizvoljnom kombinacijom dimenzija i merenja. Na primer, menadţer prodaje moţe da posmatra prihode po proizvodnoj liniji, geografskom regionu, vremenskom periodu, kanalu prodaje i slično. Na raspolaganju su im i moćni alati za grafičku prezentaciju podataka koji na bolji način vizuelizuju ključne faktore koji utiču na poslovanje.

Napredno formatiranje PowerPlay nudi široke mogućnosti za formatiranje podataka radi izrade izveštaja koji će na najbolji način zadovoljiti potrebe korisnika. To se pre svega odnosi na finansijske izveštaje koji često imaju potrebu za ugneţđenim podacima i unakrsnim tabelama.

Upravljanje izuzecima Upravljanje izuzecima sprečava pojavu neočekivanih rezultata u korišćenju izveštaja. PowerPlay omogućava upravljanje izuzecima na dva načina: izuzetke utvrđuju sami korisnici i izuzecima automatski upravlja sam alat.

Distribucija OLAP izveštaja

Distribucija gotovih izveštaja, napravljenih u PowerPlay alatu veoma je jednostavna i efikasna. Izveštaji su strukturno jednostavni i mali i sadrţe samo kombinacije dimenzija, merenja i filtara i opis formata. Podaci se nalaze u kockama podataka, a ne u samim izveštajima.

Poglavlje 6 OLAP izveštavanje u preduzeću 113

Praktičan prlmer kreiranja kocke podataka Kocku podataka čine podaci organzovani u mere i dimenzije. Mere i dimenzije predstavljaju tabele koje imaju određen sadrţaj i strukturu. U sledećem primeru biće pokazano kako se pravi jednostavna kocka za potrebe prodaje. Da bi se napravila kocka prodaje (po tipičnoj star šemi), definisaćemo tri dimenzije: proizvodi, kupci i vreme, a kao mere biće praćeni količina prodatih proizvoda i vrednost prodaje.

Struktura tabela Tabela proizvod treba da sadrţi sledeće atribute: • Identifikator proizvoda • Naziv proizvoda • Pripadnost grupi proizvoda • Pripadnost liniji proizvoda Na bazi ove tabele kreira se dimenzija proizvodi, po sledećoj hijerarhiji:

Proizvodi • Linija proizvoda ° Grupa proizvoda ■ Naziv proizvoda Tabela kupci treba da sadrţi sledeće atribute: • Identifikator kupca • Naziv kupca • Grad • Region • Drţava Na bazi ove tabele kreira se dimenzija kupci, po sledećoj hijerarhiji:

Kupci • Drţava ° Region ■

Grad — Naziv kupca

Tabela vreme treba da sadrţi sledeće atribute: • Identifikator vremena • Datum

114 Poslovna inteligencija

t

• Godina • Kvartal • Mesec • Nedelja • Dan u mesecu Na bazi ove tabele kreira se dimenzija vreme, po sledećoj hijerarhiji:

Vreme • Godina ° Kvartal ■ Mesec -

Dan u mesecu

I na kraju treba kreirati i tabelu merila (fact table) koja treba da sadrţi sledeće atribute: • Identifikator proizvoda • Identifikator kupca • Identifikator vremena • Prodata količina • Vrednost prodaje Na prethodno opisan način napravljenja je kocka podataka za prodaju koja sadrţi tri hijerarhijske dimenzije (proizvodi, kupci i vreme) i dve mere (prodata količina i vrednost prodaje). Korisnici te kocke podataka mogu veoma lako da dobiju podatke ukrštajući dimenzije na bilo kom nivou hijerarhije, čime se dobijaju sumarni ili detaljniji podaci.

Poglavlje 6 OLAP izveštavanje u preduzeću 115

Proizvod • Linija proizvoda • Grupa proizvoda • Proizvod

Kupci •

• • •

Država Region Grad Kupac

ipf?

Slika 39 Kocka podataka za funkciju prodaje. - •.■v/V^V--« ... . . ■ . .. •

Proizvod • Linija proizvoda • Grupa proizvo • Proizvod*"

Kolika je prodaja grupe proizvoda X u gradu Y u II kvartalu ove godine Kolika je prodaja proizvoda X u regionu Y u 6. mesecu ove godine? /

Vreme J Godina • Kvaftal • Mešec

116 Poslovna inteligencija

t

Primena OLAP izveštavanja u preduzeću OLAP pristup izveštavanju omogućava da se iskoriste i primene iskustva preduzeća koja su daleko odmakla u primeni koncepata poslovne inteligencije (engl. BI, Business Intelligence). Takva preduzeća su u stanju da smanje ukupne operativne troškove, znatno povećaju produktivnost i da na najbolji način iskoriste svoje strateške prednosti.

Finansije U većini preduzeća gomila analiza radi se upravo u finansijskom sektoru zbog toga što se tu konsoliduju podaci iz svih operacija. Finansijske analize obuhvataju sve troškove, prihode i komparativne analize postignutih pefrormansi i projektovanih očekivanja, kao i povratnu vezu ka menadţmentu radi preduzimanja eventualnih korektivnih mera. Međutim, takav tradicionalan pristup koncentracije analiza u sektoru finansija nije optimalan iz tri razloga: 1. Menadţeri koji upravljaju poslovnim aktivnostima odgovorni su za različite oblasti poslovanja i, po prirodi posla, nisu koncentrisani u sektoru finansija. Prirodno, oni su najbolje upoznati s podacima koji nastaju kao rezultat njihovih aktivnosti iz njihove nadleţnosti, ali problem je što nisu uključeni u analitički proces. 2. Ključni faktori troškova, kao što su proizvodi ili kupci, generalno se ne nalaze u finansijskim analizama, zato što su one koncentrisane uglavnom na vrednosti koje se nalaze na raznim računima. Finansijske analize na taj način mogu da utvrde finansijske faktore, ali ne i realne mogućnosti koje utiču na profitabilnost. 3. .Analitičari većinu svog vremena koriste proučavajući završne izveštaje. U tom smislu, oni nisu dovoljno iskorišćeni. OLAP izveštavanje omogućava finansijskom sektoru mnogo brţe, komfornije i svrsishodnije izveštavanje. Pored toga, značajno se unapređuje distribucija informacija.

Primer: Profit i gubici Ova vrsta izveštaja je sačinjena za detaljnu analizu troškova na najniţim nivoima koje pokriva operativno planiranje. Takav izveštaj omogućava menadţerima da shvate razlike između stvarnih i planom projektovanih troškova za svaku kategoriju i svaki centar troška koji je utvrđen u operativnom planu. Ta vrsta analize je značajna da bi se odrţala planska disciplina, predupredile neţeljene situacije i radi verifikacije pouzdanosti podataka. Kada sektor finansija distribuira te podatke operativnim menadţerima preko OLAP izveštaja, oni će biti u stanju da za razliku od statičkih podataka koje su imali ranije, sa

Poglavlje 6 OLAP izveštavanje u preduzeću 117

da aktivno učestvuju u istraţivanju ključnih faktora i njihovom praćenju kroz poslovne aktivnosti. Na primer, ako primete porast troškova od 5%, oni mogu detaljnom analizom doći do uzroka i mesta na kome nastaje povećanje troškova.

. •; • ..

..

. »m >•.'•• -•• ■ . i,'.'-'.;..,.- •

. .o i.

i-'" ..................... ....... V

'

—

'i. Ja:""■-■• ■ V . ~ . : ■ "I..

OLAP izveštaji omogućavaju poređenje aktuetnih i planiranih vrednosti.

Slika 41

Prodaja Prodajni timovi pre svega treba da budu orijentisani na kategoriju prihoda, a ne na kategoriju profita. Osnovni cilj primene OLAP izveštavanja u oblasti prodaje jeste da usklade aktivnosti prodaje s korporativnim ciljem povećanja profita. Osnovni problem, kad je u pitanju izveštavanje vezano za prodaju, jeste vreme koje je potrebno za prikupljanje podataka, analize i pravljenje i distribuciju izveštaja. To vreme se meri satima, a neretko i danima. OLAP izveštaji omogućavaju timovima prodaje da brzo manipulišu informacijama vezanim za prodaju.

Poglavlje 6 OLAP izveštavanje u preduzeću 118

Primer: Analiza prodaje Analiza prodaje predstavlja idealan problem za OLAP izveštavanje. Izvor podataka za tu vrstu multidimenzionalne analize nalazi se u prodajnim fakturama koje poseđuje svako preduzeće. Kroz analizu prodaje menadţeri mogu da uoče dominantne linije, a detaljnom analizom i to koji proizvodi ključno utiču na rezultate prodaje. Moguće je, takode, da se izoluju vodeći kupci i da se detaljnom analizom utvrde proizvodi koji utiču na prihode od tih kupaca. U suštini, moguće je kombinovati faktore, kao što su kupci, proizvodi, segmenti trţišta da bi se shvatili parametri rasta i utvrdili trendovi. S tim pristupom menadţeri su u stanju da otkriju zakonitosti koje ranije nisu bile vidljive

Slika 42 Interaktivni izveštaji za analizu prodaje.

Marketing Udeo na trţištu je uobičajena mera uspeha u marketingu. Ključno pitanje koje se postavlja jeste: kako pridobiti kupce koji će maksimalno povećati dobit preduzeća. Vodeće banke danas posmatraju klijente na isti način kao što su nekad gledali na investicione

planove: analiziraju njihovu profitabilnost i koncentrišu se na one s najboljim rezultatom. OLAP izveštavanje u sferi marketinga omogućava preduzećema da posmatraju kupce na isti način.

Primer: Izveštaj o profitabilnosti kupaca Ova vrsta OLAP izveštaja rangira kupce od najprofitabilnijih ka manje profitabilnim, prati njihove vrednosti kroz vreme i prati njihov broj u svakom profitnom nivou, što omogućava neprekidni uvid u trendove. Menadţeri koji koriste taj izveštaj u stanju su da prate kupce u svakoj grupi, porede njihove parametre, kao što su geografske lokacije, grane industrije, veličina, broj i vrsta proizvoda koje kupuju i tako dalje. Takode, ono će biti u stanju da analizom atributa proizvoda - boja, materijal, cena - otkriju ključne faktore profitabilnosti na svakom segmentu trţišta.

i » i , . , , mmmmmmmmmmmmmmmmmmmmmKzm

i •'•ti.:'

Mi fUSil

ir" ■

rfrff

li

±3L

«ifl ■itmst'

«ipt:. * Ch»«;*«

flOVJt

li >»

»>».•-'5 »i jtt^«

rss*«

44»* ov- •i.VltM'-.

« :

;r»»5v { n« ■»« i. »*t »u ■ tr Mi.au • i» «rV.»':-«. / %j»i'>*i i* rt.'.»_•» °

mm •»

Tr««

Slika 43 Izveštaj o profitabilnosti kupaca.

119

120 Poslovna inteligencija

t

Upravljanje poslovnim Poglavlje procesima (BPM) ^

Uvod u upravljanje poslovnim procesima (BPM) Šta je BPM? Upravljanje poslovnim procesima (engl. Business Process Management, BPM) predstavlja odgovor za rešavanje poslovnih problema, nezavisno od industrijske grane ili oblasti poslovanja. Ta oblast predstavlja izazov i za softversku industriju. BPM tehnologija predstavlja skup ili okvir (engl. framework) aplikativnih rešenja koja na najbolji mogući način, uz velik stepen automatizma upravljaju poslovnim procesima, uz mogućnost ručnih intervencija. BPM omugućava automatizaciju aktivnosti uz informacionu podršku iz raznih sistema i uz precizno utvrđene parametre, sekvence, stanja, uslove i ostale atribute koji su bitni za odvijanje procesa. Osim što omogućava efikasno odvijanje poslovnih procesa, BPM obezbeđuje i mehanizme za njihovo praćenje i merenje performansi, a takođe utvrđuje mogućnosti za poboljšanje odvijanja poslovnih procesa. U dinamičnom poslovnom okruţenju, poslovni uspeh podrazumeva najveći mogući stepen efikasnosti u odvijanju poslovnih procesa. Efikasno odvijanje procesa podrazumeva i isto tako efikasan i efektivan menadţment, odnosto upravljanje samim procesima. Pošto učesnici u poslovnim procesima pripadaju raznim delovima preduzeća i koriste raznorodne informacije i aplikacije iz različitih podsistema, BPM zahteva integrisano reŠenje kao skup svih aplikacija, učesnika i informacija koji učestvuju u poslovnom pre- cesu. Takođe, BPM mora da obezbedi odgovarajuće servise za integraciju (interfejse) ka drugim poslovnim procesima (u sferi korišćenja informacija, poslovnih analiza i sistema izveštavanja). Koncept upravljanja poslovnim procesima (engl. business management) nije nov. Tehnologije koje su dizajnirane tako da unaprede efikasnost odvijanja poslovnih procesa, kao što su dijagram toka procesa (engl. workflow) ili reinţinjering poslovnih procesa (engl. business process re-engineering tools) prisutni su već gotovo deceniju. Međutim, BPM automatski upravlja samim odvijanjem poslovnih procesa koristeći resurse, aplikacije, znanja učesnika u procesu i baze podataka iz odgovarajuće oblasti poslovanja. BPM ne automatizuje samo tok dokumenata (unos, obradu, skladištenje, prezentaciju) već i akcije, kao što su pretraţivanje poslovnih partnera, dodavanje novih informacija o transakcijama poslovnih partnera, a nakon toga pokreće transakcije ka drugim poslovnim procesima koji su u korelaciji s tim poslovnim procesom.

Savremena BPM rešenja podrţavaju aplikativna rešenja i s ljudskom (ručnom) podrškom i bez nje. Ljudska podrška se uglavnom odnosi na servisiranje nepredviđenih situacija u odvijanju poslovnih procesa (engl. exeptions). Proces kojim se upravlja BPM metodologijom moţe da uključi interakciju različitih sistema, velikog broja ljudi, distribuiranih lokacija i potencijalno eksternih organizacija. Posebna prednost BPM-a jeste mogućnost da obezbede informacije u realnom vremenu (engl. real'time information) o toku odvijanja poslovnog procesa i u skladu s tim praćenje procesa kroz različite sisteme i na različitim platformama. Takođe, moguće je napraviti različite poglede na poslovni proces za različite korisnike (menadţeri, korisnici, IT osoblje...). Kao rezultat dobija se da svaki učesnik u poslovnom procesu moţe da sagleda status procesa u realnom vremenu i samim tim pruţa mu se mogućnost da na efikasniji način obavlja svoju ulogu.

Šta je potrebno za uspesni BPM? Uspešna implementacija BPM pristupa podrazumeva određenu pripremu u samom preduzeću. Osnovni izazov predstavlja činjenica da preduzeća uglavnom ne poznaju dovoljno sopstvene poslovne procese da bi bili u stanju da ih sami modeluju. U jednoj takvoj situaciji implementacija BMP-a bi stvorila određenu vrstu konfuzije. Cilj BPM pristupa jeste da otkrije mogućnosti za poboljšanje efikasnosti odvijanja poslovnih procesa. Ukoliko je ljudstvo u preduzeću sposobno da opiše i formalizuje svoje poslovne procese, stvara se mogućnost da se primenom odgovarajuće tehnologije utvrdi kako se ti poslovni procesi mogu efikasnije odvijati. Ukoliko se ţele koristiti blagodeti BPM-a, moraju se utvrditi ključne karakteristike poslovnih procesa. BPM rešenje podrazumeva mnoge komponente, medu kojima su: alati za dizajniranje procesa, komponente za integraciju i mnoge druge. Međutim, treba pronaći rešenje čija će funkcionalnost biti najbolja za konkretno BPM rešenje samog preduzeća. Najbolje i pre svega dugotrajno rešenje podrazumeva da se detaljno utvrde zahtevi i paţljivo analizira trţište ponuđenih rešenja i pronađe najbolji odnos između ta đva parametra.

Kako planirati, izabrati i implementirati BPM rešenje

121

122 Poslovna inteligencija

t

U današnjem ekonomskom okruţenju, svaki tehnološki napredak iziskuje odgovarajuće napore preduzeća. BPM, sa svojim uticajem na različite oblasti poslovanja predu- zeca, po tom pitanju nije izuzetak. Proces implementacije BPM rešenja odvija se kroz četiri faze: • Prikupljanje informacija • Utvrđivanje potreba • Izbor rešenja • Analiza povraćaja investicije (ROI, Return Of Investment)

Slika 44 Proces implementacije BPM-a.

Prikupljanje informacija U ovoj fazi potrebno je prikupiti neophodne informacije o ključnim parametrima za odvijanje poslovnih procesa. Informacije potrebne za ovu fazu mogu se prikupiti standardnom work flow procedurom ili iz postojećih rešenja koja već postoje kao deo podrške poslovanja preduzeća, kao što je ERP sistem.

Utvrđivanje potreba Ova faza podrazumva utvrđivanje ključnih funkcija i parametara i njihovo grupisa- nje u kategorije. Nakon toga preduzeće će biti u stanju da utvrdi i, pre svega, razume svoje potrebe, a samim tim biće u mogućnosti i da utvrdi ključne faktore neophodne za implementaciju BPM-a. Ovo se pre svega odnosi na sagledavanje svih aktivnosti koje se uglavnom ili parcijalno obavljaju ručno, te kao takve u budućem rešenju mogu biti automatizovane. Posebnu paţnju treba obratiti na mogućnosti integracije sistema, procesa i funkcija, te samim tim na mogućnost da se smanji ili

Poglavlje 7 Upravljanje poslovnim procesima 123

eliminiše redundansa podataka ili poslova koji se obavljaju, a samim tim i smanji uloga ljudskog faktora u samim poslovnim procesima.

Izbor odgovarajućeg softverskog rešenja Ulazni parametri za izbor odgovarajućeg rešenja u oblasti BPM jasno su utvrđene potrebe preduzeća i situacija na trţištu BPM softverskih rešenja. Buduće rešenje mora da zadovolji funkcionalne potrebe koje je preduzeće samostalno utvrdilo ili uz pomoć neke konsultanske kuće (engl. outsourcing), kao tehhničke kriterijume koji se pre svega odnose na mogućnost izabranog rešenja da se uklopi u postojeću IT infrastrukturu u preduzeću. Takođe, ne treba zaboraviti ni neke sporedne, ali ne manje vaţne kriterijume, posebno za naše ekonomsko okruţenje, a koji se odnose na budţet za realizaciju čitavog projekta, kvalitet, pouzdanost i reference ponuđača rešenja, poziciju ponuđenog rešenja na trţištu, kao i zakonske regulative u oblasti IT industrije, licencnu politiku i slično. Nije teško zaključiti da preduzeće treba da izabere rešenje koje u najvećoj mogućoj meri odgovara definisanim potrebama uz optimalan odnos svih ostalih prethodno navedenih parametara.

Analiza efekta investicije (engl. ROI, Return Of Investment) Investicija u BPM, kao i svaka druga investicija, mora da ima svoju ekonomsku opravdanost, tj. u određenom periodu mora da da pozitivne finansijske efekte u odnosu na uloţeni novac. Sto se BPM-a tiče, ekonomska analiza opravdanosti počinje od same analize procesa. Implementacija BPM-a u raznim fazama kroz detaljno proučavanje i „razumevanje" poslovnih procesa, nosi predloge za njihovo poboljšanje. Prorodni deo projekta za poboljšanje poslovnih procesa jeste i ekonomska analiza ušteda koje ta poboljšanja donose, pre svega kroz smanjenje troškova. Obično je period ekonomske isplativosti BPM-a 3—5 godina. Međutim, velike materijalne uštede nisu jedina korist od BPM-a. Sporedni efekti, kao što su bolja koordinacija i komunikacija među samim učesnicima u procesu i u komunikaciji sa IT odeljkom, neprekidnao pronalaţenje i nove ideje takođe predstavljaju čistu dobit za preduzeće, a koja nema svoj jasan finansijski iskaz.

124 Poslovna inteligencija

t

Karakteristike i funkcionalnost Potpuno BPM rešenje u preduzeću sadrţi osam primarnih komponenata. Samim tim što su primarne, one predstavljaju minimum da bi neko rešenje nosilo karakteristiku BPM-a. Te komponente su: • Razvojni alati i korisnički interfejsi • Nivo aplikativnih programskih interfejsa i okvira • Automatizacija procesa, workflow i mehanizam za utvrđivanje pravila • Transformacija podataka • Servisi za povezivanje • Upravljanje poslovnim aktivnostima

Razvojni alati i korisnički interfejsi

Nivo API i programskih okvira r

'■■•■)

.. r;

Tri lie 111010111 Jci 100 UOUcJlcJJsc J

Servisi za povezivanje

iMi: - '' . "

.\

-

J

Slika 45 Arhitektura BPM-a.

Poglavlje 7 Upravljanje poslovnim procesima 125

126 Poslovna inteligencija

t

Razvojni alati i korisnički interfejsi Na vrhu modela, nalaze se razvojni alati i korisnički interfejsi koji obezbeduju radni prostor u kome korisnici mogu da modeliraju tok poslovnih procesa koji sadrţe ručne ili automatske aktivnosti. Razvojni alati moraju da budu intuitivni i laki za korišćenje i s razvijenim grafičkim interfejsom. Takvi poslovni procesi koje su izradili korisnici u samim poslovnim procesima pro- sleduju se IT timu koji je zaduţen za implementaciju. Na taj način se uspostavlja most između poslovnih korisnika i tehničkog osoblja.

Nivo aplikativnih programskih interfejsa i okvira Sledeći nivo u modelu BPM-a su aplikativni programski interfejsi (engl. API, Application Program Interface) i okviri (engl. frameivork). Većina IT okruţenja uključuje određen broj heterognih sistema. Proizvod, čiji je sastavni deo kvalitetan aplikativni programski interfejs, moţe đa obezbedi fleksibilnost u komunikaciji između heterogenih okruţenja. Korišćenje aplikativnih programskih interfejsa i okvira znatno smanjuje količinu pisanog koda, a samim tim i troškove. Posebno je vaţno da API i okviri pedleţu usvojenim standardima na trţištu i u tom slučaju dobijaju karakteristiku univerzalnosti (primer: korišćenjem standarda, kao što su web servisi, znatno se pojednostavljuje komunikacija sa back office aplikacijama).

Automatizacija procesa, workflow i mehanizam za utvrđivanje pravila Srednji nivo u modelu BPM-a čine automatizacija procesa, workflow i mehanizam za utvrđivanje pravila. Taj nivo čini srce BPM-a. Automatizacija procesa predstavlja ključnu karakteristiku koja se moţe smatrati izvedenom iz BPM-a. Ograničavanje uloge ljudskog rada u odvijanju poslovnog procesa, u kojima se aktivnosti automatski odvijaju po unapređ utvrđenjim uslovima, čini osnovnu ideju samog BMP-a. Automatizacija takođe utiče na smanjivanje grešaka i troškova u odvijanju poslovnih procesa. Treba imati u vidu da i pored toga što automatizacija poslovnih procesa povećava efikasnost i smanjuje operativne troškove, ona se ne odnosi na sve procese u pređuzeću ili na sve aktivnosti u okviru jednog procesa. Neke aktivnosti u procesu, kao što je upravljanje izuzecima zahtevaju određen nivo kreativnosti ili čak i subjektivne uloge, što ih čini nemogućim za automatizaciju i zahteva ručno učešće (učešće ljudi). Kad je pitanju workflow, njegova funkcionalnost je komplementarna automatizaciji poslovnih procesa i izvedena je direktno iz BPM rešenja.

Poglavlje 7 Upravljanje poslovnim procesima 127

Mehanizam za utvrđivanje pravila i sama pravila omogućavaju interakciju između resursa u procesu (sistem-sistem, čovek-čovek ili kombinacija sistem-čovek). Pravila za odvijanje procesa realizovane su kao programabilne interpretacije (programski kod) i omogućavaju da se na bazi predefinisanih stanja i podataka u određenim fazama procesa donose odluke i biraju smernice za dalje odvijanje poslovnog procesa.

Transformacija podataka Interakcija između dva sistema podrazumeva međusobnu razmenu podataka. Unutar svakog sistema postoji standard za format podataka. Razmena podataka između dva sistema podrazumeva utvrđivanje standarda za razmenu podataka i mehanizme za prevođenje spoljnih podataka u interne formate konkretnog sistema da bi se oni mogli interpretirati i koristiti.

Servisi za povezivanje Servisi za povezivanje su ključna komponenta BPM-a. Ta komponenta bi mogla da se definiše kao skup adaptera, web servisa, integracionih servera, mehanizama za razmenu poruka... BPM rešenje mora da obezbedi servisiranje poruka koje dobija iz samih procesa i u skladu s tim da pruţi odgovarajuće odgovore, a samim tim i kontroliše izvođenje procesa. Na taj način se povezuju heterogene aplikacije, samim tim i upravljanje metapođacima, objektima i transakcijama u čitavom sistemu. Kad su u pitanju veliki (engl, enterprise-class) BPM sistemi, ti servisi omogućavaju integraciju back-office sistema raznih organizacija.

Upravljanje poslovnim aktivnostima Upravljanje poslovnim aktivnostima (engl. BAM, Business Activity Management) nova je komponenta u BMP arhitekturi. BAM omogućava merenje efektivnosti odvijanja poslovnih procesa i omogućava za analizu poboljšanja. BAM omogućava da se prate aktivnosti i događaji koje je stvorio sam proces. Mogućnost da se prate aktivnosti i događaji unutar samog procesa, kao i mogućnost merenja i analize obezbeđuju širok spektar informacija za učesnike u procesu koji su zaduţeni za donošenje oduka (engl, décision makers). Na bazi tih informacija, oni su u stanju da donesu pravu odluku.

Busines Process Automation Poslovanje u današnje vreme nameće praktičan pristup upravljanju svim resursima u preduzeću, s posebnim osvrtom na povećanje produkivnosti i smanjenje troškova. Mnoga

128 Poslovna inteligencija

t

preduzeća se u tom smislu okreću savremenim trendovima i metodologijama upravljanja, kao što je Business Process Management (engl. BPM, upravljanje poslovnim procesima) da bi povećali produktivnost i funkcionalnost poslovnog sistema, a da ne revidiraju politiku preduzeća i utvrđene poslovne procedure. BMP definise način na koji se odvijaju poslovni procesi analizirajući uloge personala u poslovnom procesu, oblasti poslovanja i utvrđene procedure po kojima se odvijaju poslovni procesi. Business Process Automation (BPA, automatizacija poslovnih procesa) ide korak dalje uvodeći pojam automatizacije u idoge, oblasti poslovanja i same procese i na taj način obezbe- duje konzistentnost i kontinuirane performanse poslovnih procesa. Posebna vrednost BPA ogleda se u utvrđivanju ključnih individua za konkretan poslovni proces i u skladu s tim obrazovanje neke vrste baze podataka znanja koje oni poseduju. Takva znanja omogućavaju organizacijama veću produktivnost, bolje poznavanje sopstvene organizacione strukture i što je najvaţnije, formalizovane procedure za odvijanje poslovnih procesa koje ostaju u preduzeću čak i ako neka od tih ključnih individua napusti preduzeće. BPA pomaţe organizacijama da stvore, sačuvaju i koriste znanja, pre svega radi reša- vanja problema u odvijanju samih poslovnih procesa. Tako formalizovana, sačuvana i iskorišćena znanja predstavljaju čistu dobit za preduzeće, tj. vrlo značajan resurs, s jedne strane, a s druge strane sprečava gubitak vaţnih informacija za odvijanje poslovnih procesa. Implementacija BPA s definisanim procedurama znatno olakšava obuku novih zaposlenih i njihovu lakšu adaptaciju, kao ljudskog faktora u odvijanju poslovnih procesa. Takođe, na taj način se olakšava komunikacija sa spoljnim faktorima, kao što su poslovni partneri, banke i slično. Da bi se uopšte pristupilo tom poslu, mora precizno đa se sagleda priroda poslovnih procesa, znanja koja poseduju neposredni učesnici u procesu, kao i mogućnosti i oblasti za poboljšanje. Naravno, taj proces moţe biti u vidu nekog ad hoc projekta ili kao deo neprekidne analize i poboljšanja poslovnih procesa. BPA ima velik ekonomski efekat u situacijama: *

Ako se upravljanje procesima odvija u papirima koji fizički kruţe po organizaciji

*

Ako više zaposlenih ili timova sarađuju na jednom dokumentu ili poslu

* Ako organizacija utvrdi oblasti automatizacije posle čega sledi implementacija predloţenih p omena

Projekat implementacije BPM Kao i u svakom projektu, tako i u projektu implementacije BPM jedna od ključnih karika jeste formiranje odgovarajućeg tima za realizaciju projekta. Pored osoblja IT (engl. Information Technology) timova koji su zaduţeni za projektovanje, razvoj i implementaciju samog rešenja, potreban je određen broj stručnjaka koji znaju kako se odvijaju poslovni procesi (engl. business analist), zatim menadţeri koji upravljaju procesima (engl. business manager) kao i tehnička lica za podršku ti izradi projektne dokumentacije.

Poglavlje 7 Upravljanje poslovnim procesima 129

Kada se utvrde zahtevi koji se postavljaju pred poslovni proces, IT tim treba da odluči da li će početi sa sopstvenim razvojem BPA rešenja ili će izabrati neko od ponuđenih rešenja na trţištu. Prednosti sopstvenog rešenja su fleksibilnost i veća prilagodljivost sopstvenim potrebama. Nedostatak takvog izbora jeste to što će IT tim biti potpuno odgovoran za odrţavanje sistema i što zahteva značajno angaţovanje sopstvenih resursa u duţem periodu. Ako je odluka da se kupi neko postojeće rešenje na trţištu, dobra strana te odluke je da će preduzeće imati čistu situaciju u vezi s troškovima implementacije takvog rešenja i mogućeg povraćaja investicije (engl. ROl, Return of Investment). Određenom timu za implementaciju dodaje se i tim ponuđača rešenja i u tom sjučaju se moraju odrediti parametri komunikacije ta dva tima (datumi, implementacije, primopredaja posla...). Takođe, u toj varijanti posebno treba obratiti paţnju 11a sledeće parametre: • Mogućnost integracije kupljenog rešenja s postojećim sistemima • Aspekt sigurnosti • Tehnička podrška • Fleksibilnost • Skalabilnost Dobro rešenje u oblasti BPM mora da poseduje odgovarajući programski interfejs (engl. API, Application Program Interface) za komunikaciju 1 razmenu podataka s drugim aplikacijama koje se obično koriste u tekućem poslovanju. Skalabilnost rešenja se ogleda u tome da li je ono otporno na budući rast potreba i broja korisnika, a fleksibilnost na otpornost sistema na promene u samom načinu odvijanja posla. Sigurnost, kao aspekt, odnosi se na zaštitu od neautorizovanog pristupa podacima i ima svoj kontekst zavisno od konkretnog rešenja. Uspešna realizacija projekta BMP-BPA pomaţe da se automarizuju administrativni poslovi, smanje troškovi transakcija i samih događaja u procesima (engl. business events). Takođe, u značajnoj meri se unapređuje koordinacija aktivnosti i razmena znanja i informacija između učesnika u poslovnom procesu. Značajno poboljšanje se ogleda i u smanjenju broja aktivnosti koje čine poslovni proces, kao i ti smanjenju broja učesnika koji učestvuju u poslovnom procesu. Smanjivanjem ređunđansi, đobija se veći nivo produktivnosti, efikasnosti i efektivnosti. U prenosnom smislu, to znači poboljšanje kvaliteta, smanjenje grešaka, veću produktivnost pojedinca, smanjenje vremena potrebnog za odvijanje procesa.

- .....................................................................................................

Uspesnost BPM-a i kako je izmeriti r^

. . *.

.. ...............

......

130 Poslovna inteligencija

t

Već smo ranije govorili o analizi povraćaja investicije (ROI) kao završnoj fazi u implementaciji BPM-a. Međutim, pored toga postoje još neka merila koja pomaţu da se izmeri uspeh organizacije koji je posledica implementacije BPM rešenja: • Ukupni troškovi (TCO, Total Cost Of Ownership) • Operativna efikasnost (engl. Operational efficiency) • Smanjenje jediničnih troškova (engl. Unit cost reduction)

Ukupni troškovi Ovo me rilo bazirano je na ukupnim troškovima koji su vezani za odvijanje poslovnih procesa. Na taj način mogu se uporediti svi parametri sistema „pre" i „posle implementacije" BPM-a. Implementacijom BPM-a povećava se efikasnost odvijanja procesa, a samim tim smanjuju ukupni troškovi.

Operativna efikasnost Osnovne karakteristike operativne efikasnosti su vreme odvijanja poslovnog procesa i resursi koji su u njemu angaţovani. Ukupno vreme odvijanja poslovnog procesa je vreme od početka odvijanja prve aktivnosti, pa do kraja odvijanja poslednje aktivnosti u poslovnom procesu. Resursi su ukupan broj ljudi i sistema angaţovanih u poslovnom procesu. Smanjenje ljudskog rada u odvijanju poslovnih procesa donosi velike uštede. Smanjuje se ukupno vreme za odvijanje poslovnog procesa, kao i broj grešaka, odnosno vero- vatnoća greške u samom procesu. Zbog toga tendencija je da se ljudski rad u odvijanju poslovnih procesa svede na minimum.

Smanjenje jediničnih troškova

Napredak u sferi poboljšanja operativne efikasnosti direktno utiče na smanjivanje troškova i samim tim predstavlja uštedu za preduzeće. To su „vidljivi" pozitivni efekti po preduzeće. Međutim, postoje i „manje vidljivi" pozitivni efekti koje ni u kom slučaju ne treba zanemariti, kao što su: pozitivan uticaj na poslovne partnere u smislu optimi- zacije servisa, na primer (jednostavnije, brţe, efikasnije) za komunikaciju s poslovnim partnerima.

Poglavlje 7 Upravljanje poslovnim procesima 131

Slika 46 Uspešnost i merila BPM-a.

Obezbeđenje neprekidnog razvoja BPM-a Uspcšnom implementacijom BPM tehnologije ne rešavaju se apsolutno svi problemi u preduzeću. Takođe, posleanja faza implementacije BPM modela ne znači da je posao oko BPM-a završen.

132 Poslovna inteligencija

t

Slika

Upravo tada postaje imperativ da preduzeće i dalje neprekidno ulaţe trud i napor da utvrdi mogućnosti za nova poboljšanja i njihovu implementaciju. Jedino takvim pristupom preduzeće moţe da obezbedi konkurentnost na ekonomskom planu. Posebno vaţan aspekt ciklusa razvoja BPM-a jeste fleksibilnost. Preduzeće mora da bude u stanju da na adekvatan način odgovori na promene u dinamičnom poslovnom okruţenju. U tehnološkom smislu, s jedne strane, to znači da preduzeće mora da bude u stanju da svoje tehnologije prilagodi novim uslovima i time ih neprestano odrţava u operativnom stanju, dok s druge strane, mora da bude u stanju da prihvati tehnološke novine koje okruţenje nudi i na najbezbolniji način ih integriše u sopstveno poslovno okruţenje.

Poglavlje 7 Upravljanje poslovnim procesima 133

Studije slučaja U ovom delu ćemo videti kako BPM izgleda u praksi na primeru dva američka pred- uzeća, US Bancorp i Telenor, koja su odabrala i implementirala BPM rešenje preduzeća TIBCO.

Studija l: US Bancorp US Bancorp je osmo najveće preduzeće za pruţanje finansijskih usluga u SAD. Pred- uzeće deluje u 24 američke drţave s više od 2000 filijala. Pruţa usluge iz oblasti bankarskog poslovanja, brokerske usluge, usluge osiguranja, investicija, kreditne usluge, kao i usluge plaćanja. To preduzeće postavilo je sebi cilj da smanji troškove svog poslovanja. U tu svrhu, nakon detaljne analize, utvrdili su mogućnosti za poboljšanje u nekim oblastima poslovanja, kao što su: upravljanje računovodstvom, upravljanje transakcijama i upravljanje programima. Vaţan trenutak za US Bancorp bio je kada je trebalo odabrati rešenje koje će na najbolji način zadovoljiti njihove izuzetno obimne i komplikovane potrebe. Postojeća rešenja za te funkcije bila su kodirana u JAVI i C + 4- okruţenjima na distribuiranim platformama i u MDP-MQ na mainframe platformama. US Bancorp se odlučio 2001. godine za implementaciju BMP rešenja s ciljem da obezbedi najefikasnije razvojno okruţenje, kao podršku svom poslovanju. Zahtevi koji su postavljeni pred buduće rešenje su: • Skalabilnost - otpornost čitavog sistema na porast potreba i broja korisnika • Tolerancija na greške • Mogućnost da se lako integrišu heterogene platfotme (JAVA, C+ +, MQ serije, CISC, CoboL.) • Fleksibilnost • Podrška i za distribuirane i za mainframe platforme • Podrška za transakcioni workflow za sloţene transakcije Nakon evaluacije nekoliko rešenja koje je trţište u tom trenutku nudilo (webMet- hods, Vitria, TIBCO), kao i detaljne analize sopstvenih aplikativnih rešenja (InHo- use), US Bancorp se odlučilo za proizvod preduzeća TIBCO. Odlučujuća prednost izabranog rešenja jeste parametar skalabilnosti, posebno ako se ima u vidu da će budući sistem imati više od 350 000 korisnika i transakcioni log s više od 250 000 000 redova. Sam projekat je realizovan kroz tri faze. Prvo je „napadnut" sistem upravljanja računovodstvom, zatim u drugoj fazi upravljanje transakcijama i na kraju, u trećoj fazi upravljanje programima. Prve dve faze su završene u aprilu 2002, odnosno novembru 2002. respektivno.

134 Poslovna inteligencija

t

Treća faza završena je u februaru 2003. Potpuna realizacija projekta — od inicijative do završetka svih faza — trajala je 24 meseca. Prema navodima vodećih ljudi preduzeća US Bancorp, implementirano rešenje je dalo veoma dobre rezultate i proizvod preduzeća TIBCO je postao standardno i strateško rešenje u okviru US Bancorp IT infastrukture. Kao budući koraci u daljem razvoju ovog rešenja navodi se veći stepen prilagođava- nja TIBCO paketa potrebama samog preduzeća da bi u budućnosti to rešenje moglo u potpunosti da zameni postojeće „InHouse" tehnološke standarde.

Studija 2: Telenor Telenor je norveška telekomunikaciona grupacija i jedan od pionira u oblasti mobilnih telekomunikacija. Oblast delovanja tog preduzeća proteţe se na 16 zemalja Evrope i jugoistočne Azije. Osnovna oblast poslovanja tog preduzeća su mobilne komunikacije. Misija tog preduzeća, ukratko, jeste da obezbedi rešenja u oblasti modernih komunikacionih tehnologija da bi na najbolji način zadovoljili potrebe kako individualnih korisnika, tako i korisnika iz oblasti biznisa. S tim ciljem preduzeće Telenor je zacrtalo da unapredi svoj sistem prodaje, pre svega kroz: unapređenje kvaliteta, povećanje efikasnosti i smanjenja vremena čitavog ciklusa. Ostvarenje tog cilja, u sekundarnom smislu, značilo bi i smanjenje troškova i poboljšanje servisa prodaje kroz unifikaciju ručnih i automatskih aktivnosti i efikasno upravljanje neţeljenim dogadajima (exeption handling). Krajem 2000. godine preduzeće je prezetovalo svoj projekat za ostvarenje tog cilja. Osnovni delovi tog projekta bili su: utvrđivanje potreba, izbor odgovarajućeg BMP rešenja, pilot implementacija i na kraju verifikacija konačnog rešenja. Oni su se odlučili za TIBCO rešenje iz sledećih razloga: • Funkcionalnost i robusnost rešenja • Znanja i reference iz oblasti telekomunikacione industrije Potpuna realizacija tog projekta trajala je 18 meseci. Nakon realizacije projekta, Telenor je pristupio daljem razvoju svog BPM-a kroz unapređenje sistema za automatizaciju prodaje u lizing sistemima. Uspeh projekta takođe su ocenili vodeći ljudi u kompaniji, s naznakom da su ostvarene velike materijalne uštede u relativno kratkom roku (40—50% investicija je vraće-

Mnoga preduzeća danas pokušavaju da povećaju efikasnost poslovanja, da na najbrţi način odgovore na zahteve trţišta, te da unaprede svoju tehnološku infrastrukturu. Procesno intenzivne

Poglavlje 7 Upravljanje poslovnim procesima 135

delatnosti, kao što su drţavna uprava, zdravstvo, finansijski servisi, osiguranja i proizvodnja stalno su u potrazi za rešenjem koje će zadovoljiti njihove obimne i komplikovane potrebe. Za većinu njih BPM tehnologija je zadovoljavajuće rešenje. Za razliku od klasičnog workflowa ili reinţinjeringa poslovnih procesa, BPM moţe da obezbedi efikasnost odvijanja poslovnog procesa kroz sve njegove faze i u svim oblastima organizacije, pa čak i izvan granica organizacije. Rezultat uspešne realizacije BPM-a nije samo automatizacija poslovnih procesa već mogućnost da korisnici, tj, učesnici u poslovnom procesu koriste odgovarajuće alate i bitne real time informacije za efikasno upravljanje samim procesima. Pored toga, BPM donosi velike uštede i odličan kojeficijenat povraćaja investicije. Investicija u BPM predstavlja stratešku investiciju, a samo rešenje postaje ključni deo celokupne infrastrukture preduzeća. Iz svega ovoga moţe se zaključiti da BMP rešenje predstavlja integralnu komponentu poslovne i tehnološke strategije preduzeća.

ERP sistemi Poglavlj

8 Neki aspekti strategije investicija u informacione tehnologije Pošto se menadţment preduzeća odluči da investira novac u razvoj informacionih tehnologija, prvo i osnovno je da utvrdi strateguju razvoja po fazama. Posebno je vaţno da se predvide svi parametri strategije da kasnije sama realizacija planiranog razvoja ne bi nailazila na poteškoće ili ograničenja ili čak i na nemogućnost realizacije. Iz tih razloga u ovom poglavlju navodimo osnovne parametre strategije razvoja informacionih tehnologija u nekom preduzeću: • Utvrđivanje postojećih i budućih potreba za IT ° Razvoj informacionih tehnologija mora da bude u skladu sa opstom razvojnom politikom preduzeća, a tako implementrano rešenje mora da bude skala- bilno, tj-10. da bude jednako funkcionalno i trenutno, kako u sadašnje vreme tako i u nekom budućem periodu, kada se očekuje rast potreba preduzeća. • Postojeće stanje informacionih tehnologija u samom preduzeću ° Retko kad se počinje od nule, gotovo svako preduzeće ima određen stepen razvoja informacionih tehnologija. Treba paţljivo analizirati i videti u kojoj meri se postojeća rešenja mogu uklopiti u novu strategiju • Veličina preduzeća

136 Poslovna inteligencija

t

° Broj radnih stanica ■ do 50 ■ 50-250 ■ više od 250 ° Veličina preduzeća je vrlo bitan parametar jer za sobom povlači izbor odgovarajuće hardverske infrastrukture i određena softverska rešenja • Lokacija c

centralizovana °

decentralizovana ° Ukoliko je preduzeće decentralizovano, to povlači za sobom odgovarajuća rešenja i infrastrukturu iz oblasti telekomunikacija • Delatnost 0 Proizvodno, trgovinsko, usluţno, banka, specifična preduzeća... ° Delatnost preduzeća moţe, a i ne mora da povlači posebne zahteve pred razvojni projekat (primer je posebna strategija sigurnosti kad je u pitanju bankarsko poslovanje) • Organizaciona struktura, oblik vlasništva, tip menadţmenta ° Da bi bila uspešna, strategija mora da bude „prirodno" kompatibilna s navedenim parametrima • Obim poslovanja i dokumentacije ° Nije svejedno obraditi 30 ili 3000 dokumenata dnevno • Budţet za razvoj informacionih tehnologija ° Ovo je jedan od ključnih parametara. Zbog toga je posebno i istaknut. Postoji narodna izreka koja kaţe: „Koliko para, toliko muzike". U suštini, to je i u ovom slučaju tačno. S jedne strane, to su svakako potrebe, a s druge strane, novac koji će biti utrošen za njihovo zadovoljenje. Od znanja, iskustva i umeš- nosti osobe ili tima koji definiše strategiju zavisi koji će stepen potreba preduzeća biti zadovoljen, koliko kvalitetno i na koji način. ° Kad je u pitanju budţet, polazna osnova ima tri varijante: ■ budţet je utvrđen, pa se u okviru raspoloţive količine novca mora uklopiti i razvojna strategija (što je najčešća varijanta) ■ pravi se strategija, pa se na bazi nje pravi budţet i (odrešene ruke, reda varijanta) ■ kombinacija prve dve varijante kada se prave kompromisi između budţeta i strategije • Stanje na trţištu informacionih tehnologija ° Trţište informacionih tehnologija je trţište s najvećom dinamikom već duţi niz godina. Za kvalitetnu strategiju nophodno je dobro poznavanje trţišta, kao i umeće da se predvide trendovi na trţištu informacionih tehnologija. Neka naizgled trivijalna

Poglavlje 8 ERP sistemi 137

pitanja, kao što su izbor softverskih platformi, licencna politika, izbor dobavljača opreme i slično, mogu u ogromnoj meri i dalekoseţno da utiču na uspešno izvođenje i implementaciju strategije • Zakonska regulativa (licenciranje, zaštita autorskih prava, politika vlade u oblasti IT) 0 Strategiju razvoja IT je potrebno uklopiti u postojeću zakonsku regulativu drţave u kojoj se ona realizuje. Posebnu teţinu ovaj parametar ima kad se radi o multinacionalnom pređuzeću, koje deluje u više zemalja s različitim zakonskim regulativama u ovoj oblasti • Struktura zaposlenih (obrazovna, kvalifikaciona, starosna) ° Nova strategija podrazumeva nova rešenja, a nova rešenja podrazumevaju obučene ljude koji ih koriste. U tom smislu posebnu paţnju treba obratiti na edukaciju zaposlenih. Taj parametar ima i posebnu teţinu pošto je prirodna pojava da se svaka novina prihvata sa određenom dozom otpora, sumnje i ne- poverenja, što dodatno moţe da oteţa samu implementaciju strategije • Raspoloţivost i kvalitet IT kadrova ° Kvalitetan, funkcionalan, motivisan i uigran IT tim mora da stoji iza implementacije nove strategije i da stalno podrţava korisnike, kao i da radi na razvoju same strategije

Poslovni informacioni sistem - Integralni, ERP? Kao sto smo već naveli u uvodu, informacione tehnologije čine infrastrukturnu osnovu za efikasno odvijanje većine poslovnih procesa. Prva i osnovna karika koja obezbeđu- je informacionu podršku poslovnih procesa je Poslovni informacioni sistem preduzeća. Poslovni informacioni sistem je softversko rešenje, koje treba da obezbedi: dokumenata), visok stepen automatizacije u obradi dokumenata i odsustvo ređunđanse podataka u bazi podataka. To ti suštini znači, na primer, da se unosom i „knjiţenjem" nekog dokumenta (recimo da je u pitanju faktura dobavljača), aţurira baza podataka na svim nivoima s naturalnog (npr. zalihe), finansijskog (poslovne knjige, glavna knjiga analitika) i bilansnog stanovišta (bilansne pozicije, bilans stanja i uspeha). Međutim, prema iskustvu autora ove knjige, od mnoštva takvih proizvoda na našem trţištu koji u svom imenu ili marketinškoj kampanji nose oznaku „integralni", vrlo mali broj njih opravdava taj epitet u stvarnom značenju. Uglavnom je u pitanju đelimična povezanost modula i đelimična automatizacija obrade podataka. Dokumenti se u takvim informacionim sistemima unose više puta, postoji ređundansa u bazi podataka, automatizacija je đelimična i odvija se u više međukoraka, što u krajnjoj meri smanjuje efikasnost, efektivnost i produktivnost čitavog sistema, a samim tim i ne pruţa adekvatnu informacionu podršku poslovnim procesima.

138 Poslovna inteligencija

t

U tom smislu se i pravi razlika na trţištu između poslovnih sistema (koji nose u sebi odliku integralnosti sa svim njenim karakteristikama) i IT rešenja (koja predstavljaju parcijalna rešenja za pojedine poslovne procese). Pravilan izbor poslovnog informacionog sistema presudno utiče na strategiju razvoja IT. Cesta je pojava u našim pređuzećema da se poslovni informacioni sistemi menjaju svakih nekoliko godina, često se ne implementira jedan potpuno, a već se ugovori kupovina drugog. Pogrešan izbor, uslovno rečeno „nekvalitetnog poslovnog informacionog sistema", ne zadovoljava zahteve koji se stavljaju pred njega, te je logičan korak teţnja da se nabavi drugi, koji će biti „bolji i funkcionalniji za potrebe naše^ preduzeća". Poslovni informacioni sistem, koji je uz to još i integralan i koji se mora izgraditi i implementirati u pređuzeću klijenatu, ozbiljno je softversko rešenje i u tom smislu, trţište je rezervisano za „ozbiljne igrače", koji imaju tradiciju, ljudske i materijalne resurse, iskustvo i znanje (engl. knowhoiv) da iznesu takve projekte. „Ozbiljni igrači" obično iza sebe imaju i određen broj reterenci. Sve te parametre treba detaljno razmotriti pre nego što se donese odluka o izboru određenog ponuđača i njegovog proizvoda za rešenje poslovnog informacionog sistema da bi izabrano rešenje bilo svrsishodno i trajno i dalo pravu osnovu za dalji razvoj IT u samom pređuzeću. Treba imati u vidu da je u okviru procesa implementacije (uvođenja) poslovnog informacionog sistema poţeljno uraditi (ako je potrebno) i reinţinjering samih poslovnih procesa (engl. Business Process Reeinginering) Za integralne informacione sisteme na zapadnom trţištu, a već duţe vreme i kod nas, u upotrebi je termin Enterprise Resource Planning (ERP) Informations systems - sistem za upravljenje resursima preduzeća. Trţište ERP-ova po ponudi i traţnji đeli se na sisteme za mala, srednja i velika preduzeća. Tu podelti ne diktiraju samo godišnji prihodi, broj zaposlenih i slični parametri, nego i brzina i obim promena u poslovnim procesima. Poslednji parametar gotovo direktno utiče na primenu, logiku i cenu poslovnih informacionih sistema.

Mesto i uloga ključnih faktora ERP sistema

ERP rešenja (engl. Enterprise Resource Planning) pojavljuju se na trţištu ranih 1980-ih godina. Uopšteno, ona objedinjuju module finansija, logistike i proizvodnje. Pre nego što su se pojavila ERP rešenja, preduzeća su kupovala ili sama pravila sof- verska rešenja za upravljanje poslovnim aktivnostima, sa strogo odvojenim granicama između organizacionih celina, aktivnosti, inputa ili baza podataka. Jedna od definicija ERP sistema kvaliiikuje neko rešenje u Erp kategoriju ako zadovoljava sledeća tri kriterij uma: • Efektivno upravljanje procesima u preduzeću • Postojanje zajedničke (jedinstvene) baze podataka • Mogućnost da se reaguje brzo na operativne zahteve

Poglavlje 8 ERP sistemi 139

Na svetskom trţištu postoje mnogi ERP sistemi, a sleđećih šest proizvođača predstavljaju najvaţnije proizvođače ERP rešenja: • SAP (apsolutni lider) • ORACLE Applications • PEOPLESOFT • JD EDWARDS • BAAN • Navision

Zašto kupiti ERP rešenje Motivacija za kupovinu ERP rešenja evaluirala je vremenom. U periodu 1990—1995. sva preduzeća, pa čak i ona koja su imala veliku stopu rasta i profitabilnosti, bila su fokusirana na smanjenje troškova i to pre svega kroz smanjenje radne snage i samim tim smanjenje izdataka za plate zaposlenih. Reinţinjering je uzeo pun zamah. Da bi se smanjili troškovi, rešenje je traţeno u racionalizaciji poslovnih procesa, uz centralizovano upravljanje logistikom i proizvodnjom. Tada se javlja i pojam „outsourcing", koji pođrazumeva dislokaciju proizvodnje u zemlje koje imaju kompetentnu, ali i jeftinu radnu snagu. Smanjene izdataka za zarade podrazumevalo je i smanjenje IT osoblja, a samim tim i smanjenje sopstvenog razvoja softvera. Nabavka centralizovanog rešenja u obliku ERP sistema samim tim postala je trţišno opravdana. U prilog tome idu i standardi koje ERP đefiniše (za razliku od delimičnih aplikacija), čime menadţment (pogotovu u multinacionalnim preduzećema) dobija jasnu i celovitu sliku svih poslovnih jedinica kompanije.

140 Poslovna inteligencija

t

Šta kompanije žele da postignu?

1990-1995.

1995- 1998.

1999.

2000...

Reinžinjering Redukcija troškova Centralizovano upravljanje iogistikom i proizvodnjom

Dodatni moduli ERP rešenja Aplikacije orjentisane ka kupcu

Problem 2000 Prelazak na EURO

Internet rešenja Orejntacija na kupca

i

i

i ERP

Slika 48 Motivacija za kupovinu ERP rešenja kroz vreme.

Preduzeća koja su uspešno implementirale ERP sisteme u periodu 1990-1995. uočila su neke aspekte koji nedostaju u smislu integralnosti rešenja koje zadovoljava sve poslovne potrebe preduzeća. Na primer, marketing i prodaja nisu u potpunosti obuhvaćene prvim ERP rešenjima. U tom periodu, nove verzije ERP rešenja dopunjene su nedostajućim funkcionalnostima iz ranijih verzija. Nove funkcionalnosti dodavane su u formi komplementarnih modula ranijim verzijama. Period 1999-2000. Godina 1999. karakteristična je po projektima tipa Year 2000, koja omogućava prelazak softverskih sistema na poslovnu 2000. godinu. Takođe, evro se uvodi kao zvanična valuta u Evropskoj uniji i aplikacije su morale da se prilagode novim okolnostima. U tom periodu se prvi put javlja silazna putanja u prodaji ERP sistema.

Efekti implementacije ERP rešenja Kada se pogleda kratak period nakon implementacije ERP rešenja, promene se ne čine tako velikim, čak i ako je u nekim preduzećema ili za neke pojedince proces implementacije bio veoma „bolan". S druge strane, ako se gleda na duţi period, recimo pet godina, promene koje su nastale uvođenjem ERP sistema su korenite.

Poglavlje 8 ERP sistemi 141

To nosi i određene posledice: • Sinergijski efekti • Rušenje barijera • Zaposleni gube referentne tačke • Promene odnosa između kupaca, dobavljača, partnera, posrednika... • Promene u strukturi moći • Nestanak nekih uloga • Pojava novih uloga

Slika 49 Neke posledice ERP" ~

i'". , Ji.. _

--

142 Poslovna inteligencija

t

Sinergijski efekti. Pre svega, ERP implementacija, iako se često smatra IT projektom, u stvari je projekat širokih razmera i proteţe se na čitavo preduzeće. U procesu implementacije angaţuju se značajni resursi i ulaţe se veliki napor i energija. Odluke koje se donose zahtevaju usaglašenost menadţera različitih odeljaka preduzeća. Zaposleni se okupljaju oko projektnog tima koji čine IT specijalisti i ključni korisnici budućeg sistema. Kombinacija njhovog znanja o starom i novom sistemu i njihovo iskustvo u poslovnim aktivnostima treba da bude dovoljna da se adekvatno sagledaju konkretne uloge, poslovni procesi i preduzeće u celini, a samim tim i stvori sinergijski efekat koji će povoljno delovati na proces implementacije ERP rešenja. Implementacija ERP rešenja predstavlja dobru mogućnost da se posveti vreme poslovnim procesima. Rušenje barijera. Ĉinjenica da je ERP integrisano softversko rešenje u oblasti finan- sija, logistike i proizvodnje koje podrazumeva korišćenje jedinstvene baze podataka. Iz tih razloga, vodeći menadţeri, IT specijalisti i ključni korisnici treba da razmotre mehanizme integracije delimičnih baza podataka, kao i strukturu i sadrţaj nove, jedinstvene baze podataka. Zajednički rad i konsultacije tako postaju bazni element uspeha projekta ERP implementacije. Zaposleni gube svoje uloge u pređuzeću. Uvođenje ERP sistema za mnoge zaposlene moţe da predstavlja destabilizujući faktor. Na primer: • Za korisnika koji se bavi procesuiranjem određenih transakcija, novim sistemom taj proces moţe biti automatizovan • Za IT stručnjaka koji je navikao da pravi aplikacije po zahtevima korisnika, novi sistem moţe da ukine tu potrebu • Za menadţera koji je navikao da kontroliše informacije pre nego što budu prošle- đene nadređenim strukturama, neće se dopasti mogućnost da nadređeni menaţe- ri imaju real time mogućnost uvida u sve podatke Takav vid nestabilnosti i pritajenog otpora novom resenju mnoge projekte vodi u povećane troškove i prekoračenje vremenskih rokova.

Pojava novih uloga. Sa uvođenjem ERP rešenja neke uloge pojavljuju se po prvi put u pređuzeću, a neke se razvijaju. Na primer: • SuperUser: zaposleni u ovoj ulozi definiše parametre, piše uputstva, vodi računa o testiranju i obuci i na njega su upućeni svi svi korisnici • IT softver specijalista: umesto razvoja kao primarnog zadatka, zaposleni u ovoj ulozi bavi se pretvaranjem, interfejsom, modifikacijom i integracijom novih verzija i komplementarnih proizvoda • Administrator baze podataka: uloga je u kojoj se zaposleni bavi odrţanjem integriteta baze podataka i administrativnim poslovima u bazi podataka

Kompanija Prodavač

Kompanija Prodavao

Customer Relationshi p

Extended e-Enterprise Supply Chain Managemen t

Busïirttts ffí Consumer/

Bustne as

Data Knowle dge Ptíffñmance

t

144 Poslovna inteligencija

t

Enterprise Resource . Planning

Marketplaces

Communities

e-Channels

Poglavlje 8 ERP sistemi 145

Nove uloge uglavnom se uvode kao privremene u procesu implementacije ERP rešenja da bi po završetku tog procesa postale stalne.

Nestanak nekih uloga. Implementacijom ERP rešenja neke uloge se razvijaju, neke nastaju, ali takođe za nekim prestaje potreba: • Interni stručnjaci za razvoj softvera: to se pre svega odnosi na stručnjake koji su pretvorili potrebe korisnika u aplikativna rešenja. • Karakteristika ERP rešenja da se svaki podatak unosi samo jedanput pojednostavljuje proces obrade dokumenata i ukida potrebu za nekim funkcijama

Promene u strukturi moći. ERP rešenje značajno unapređuje i sadrţaj i brzinu komunikacije u preduzeću. Na primer, izveštaji za završni finansijski period i mogu se dobiti trenutno. Top menađţment informacije moţe da dobija u realnom vremenu. U takvom sistemu rada informacije se ne mogu sakriti niti se moţe odloţiti njihovo objavljivanje. Potpuna i sadrţajna informacija je dostupna svakom zaposlenom. S druge strane, korisnici ili IT specijalisti više nisu „gospodari" informacija. Pre uvođenja ERP rešenja u delimičnim in-house sistemima bilo je relativno lako „kontrolisati" informacije i me- njati aplikacije. ERP sistem je suviše sloţen za takvo nešto, a često i njegov izvorni kôd nije dostupan. Promene u odnosima između kupaca, dobavljača, partnera i posrednika. Tokom poslednje dekade, uočljive su promene u odnosima između partnera preduzeća. Elektronska razmena dokumenata učvrstila je veze između preduzeća i njihovih partnera. Međutim, primena Internet tehnologija u komercijalne svrhe i prednost e-commerce poslovanja donosi novu dimenziju u odnosima i vezama preduzeća s njegovim okruţenjem. U takvoj postavci ERP postaje fundamentalan element B2B (engl. Business to Business) pristupa.

Uloga ERP sistema u novim menađžment pristupima Poslednjih godina ERP trţište je u delikatnoj fazi. Vodeće kompanije iz te oblasti objavile su gubitke, neke su čak bile i na ivici bankrota. U poslednje vreme kriva prodaje ERP proizvoda ide malo naviše, ali prognoze su i dalje neizvesne. Neki autori čak smatraju da su ERP sistemi odigrali svoju ulogu, da postaju deo istorije, a da se fokus prebacuje na poslovnu inteligenciju (engl. Business Intelligence) i elektrolsko poslovanje (engl. e-business, e-commerce). ERP doprinos načinu upravljanja preduzećem. Koji su stvarni doprinosi ERP sistema preduzeću i na koji način ERP moţe da predstavlja osnovu na bazi koje će biti razvijen sistem elektronskog poslovanja?

146 Poslovna inteligencija

t

• Redukcija napora za prikupljanje i smeštanje podataka: trenutni input podataka u trenutku kad se tansakcija izvršava • Mogućnost da se dobiju informacije u realnom vremenu iz svih poslovnih procesa • Disciplina i uniformnost primenjena na sve poslovne procese • Rušenje funkcionalnih i geografskih barijera • Pomoć za donošenje odluka u realnom vremenu • Integracija poslovnih aktivnosti i automatizacija transakcija Uspešna ERP implementacija dovodi do pojednostavljenja procesa upravljanja. Prava uloga elektronskog poslovanja je da pruţi aplikativnu podršku i premosti jaz između: funkcije nabavke (engl. SCM, Supply Chain Management), funkcije prodaje (engl. CRP, Customer Related Management) i ERP rešenja. Slabost ERP sistema kao izolovanog rešenja jeste u tome da je on pre svega ori- jentisan na unutrašnjost preduzeća. Sva paţnja usmerena je na unutrašnje procese u

Custome r Related

Supply \ Chain Managemen t ■ ' .................. ■ . - ' ;. • ; V; Slika 51 Veza između SCM, CRM, ERP, E-commerce, E-Business

-••---...........................................................................................................................................................................................................................................................................................................................................................................................................^..,„s

Poglavlje 8 ERP sistemi 147

kampaniji, čak i kada je jedan od strateških ciljeva zadovoljstvo kupaca. ERP? međutim, obezbeđuje uslove da se u potpunosti iskoriste nove tehnologije i njihove mogućnosti, kao što je Internet i njegovo koriščenje u komercijalne svrhe.

ERP sistemi - metodologija implementacije kao faktor za uspesnu investiciju h. ................................... .......

.

#

.

,

'-

' ' ........................................' ' ......... ......

V

■

I *

......................................

.

I I

Izabrati ERP sistem, a ne obratiti posebnu paţnju na implementacionu metodologiju, jednako je izboru bolnice za operaciju srca na osnovu njenog arhitektonskog rešenja, a ne na osnovu znanja i iskustva hirurga koji rade u njoj. Rezultati takvog izbora su predvidivi. Novi ERP sistem je instaliran, porudţbine su obrađene, proizvodi otpremljeni, fakture plaćene. Međutim, niko još nije zadovoljan rezultatima. Kupci, V

takođe, ne vide značajnu promenu nabolje. Profit se ne uvećava. Sta se u stvari desilo? Izabran je dobavljač softvera koji ima brend na trţištu, ali u procesu implementacije nije primenjena odgovarajuća metodologija niti je formiran adekvatan tim za implementaciju. Instalacija i implementacija su dva različita pojma, to treba imati u vidu. Cilj instalacije je prelazak s jednog softverskog rešenja na drugo uz minimum poremećaja čitavog sistema. Cilj implementacije je, pak, omogućiti pređuzeću da ostvari definisane poslovne ciljeve kao rezultat paţljivo planirane transformacje poslovnih procesa koju podrţavaju odgovarajuće tehnologije i softverska rešenja. Uspešna implementacija ne počinje izborom dobavljača rešenja, već utvrđivanjem skupa poslovnih ciljeva. Kada se utvrde poslovni ciljevi, utvrđuje se i plan za njihovo ostvarenje. Tek ako se definicijom plana utvrdi da za ostvarenje ciljeva nisu dovoljne postojeće aplikacije i tehnološka infrastruktura, razmatra se pitanje izbora dobavljača. Dobavljači rešenja moraju da se vrednuju s dva aspekta: • Funkcionalnost aplikacija koje nudi • Mogućnost da pomogne u transformaciji poslovnih procesa radi ostvarenja utvrđenih poslovnih ciljeva Kako proceniti da li dobavljač moţe da pomogne u transformaciji poslovnih procesa? Postoje tri aspekta u odgovoru na ovo pitanje. Prvi je da se proceni dobavljačev pristup u prodaji i njegov interes da pomogne u ostvarenju poslovnih ciljeva preduze- ća. Drugi aspekt se odnosi na paţljivo proučavanje i proveru referenci koje ima dobavljač. Treći aspekt podrazumeva potpuno razumevanje implementacione tehnologije dobavljača.

148 Poslovna inteligencija

t

Prodaja orijentisana na ciljeve Uspešna implementacija ERP sistema zavisi od partnerstva s poverljivim i kompetentnim dobavljačem softvera. Dobavljač sofvera mora da ponudi rešenje za unapređenje poslovnih procesa preduzeća bazirano na znanju koje poseduje o poslovanju preduzeća i njegovim poslovnim ciljevima. Neki kriterijumu koji utiču na izbor partnera su: Implementacioni plan. Uspešna implementacija zavisi već od prvih koraka, kao što je početak komunikacije tima za izbor rešenja s mogućim dobavljačima softvera. Prednost treba dati onim dobavljačima koji su u stanju da definiŠu najlakši i najefikasniji način za implementaciju novog sistema. Ta definicija treba da bude data u formi preliminarnog plana implementacije, mnogo pre nego što se potpiše ugovor. Potpuno razumevanje poslovanja preduzeća. Tim za izbor mora da bude potpuno upoznat s polovnim ciljevima i u tom smislu mora da prepozna ulogu dobavljača ERP sistema u poslovnim procesima i procesu izbora rešenja. Pošto se upozna s kratkoročnim i dugoročnim poslovnim ciljevima, kvalifikovani dobavljač mora da bude u mogućnosti da prezentuje način na koji će uz pomoć svojih stručnjaka i softvera ti ciljevi biti ostvareni-To koliko detaljno dobavljač prezentira specifična rečenja dobar je pokazatelj njegovih mogućnosti da pomogne pređuzeću da povrati sredstva uloţena u tehnološka rešenja. Promene. Uspeh implementacije zavisi od sposobnosti preduzeća na promene. Promene ne dotiču jednako sve individue, tako da prvi korak predstavlja obezbeđivanje podrške vodećih menadţera viziji tima za izbor, izboru dobavljača i projektu implementacije. Pošto je ERP dobavljač izabran, on treba da preuzme ulogu neke vrste „agenta za promene" i da vodi kompaniju kroz proces promena. Zavisno od toga koliko je moguće objasniti koristi od promena koje će nastati uvođenjem novog sistema, zaposleni će prihvatiti novo rešenje, a srazmerno tome i njihov otpor prema procesu implementacije biće manji.

Provera referenci dobavljača - trenutak istine Izbor novog ERP rešenja predstavlja jednu od najvaţnijih odluka u pređuzeću. Ta odluka nosi i jedan od najvećih potencijala za unapređenje poslovnih performansi. Zbog toga je potrebno pre donošenja odluke o dobavljaču ERP sistema analizirati rizik u sra- zmeri sa značajem te odluke. Provera referenci dobavljača predstavlja jedan od delova analize rizika. Izbor dobavljača bez prethodne detaljne provere rezultata koje je postigao u prethodnom periodu predstavlja ogroman rizik. Svaki dobavljač mora da bude u mogućnosti da predstavi listu svojih „dobrih" referenci. Dobru referencu predstavlja svaki proces implementacije kod klijenta koji je uspešno verifikovan i testiran u praksi. Dobro projektovanje i primena metodologije implementacije jedna je od ključnih stvari za uspeh projekta.

Poglavlje 8 ERP sistemi 149

Vremenski plan implementacije i troškovi predstavljaju posebne razloge za brigu. Neke procene ukazuju da se više od 90% ERP projekata ne završi u predvideV

nom roku. Cesto i troškovi premašuju zacrtane vrednosti, što dovodi do nezadovoljstva. Iskustveno gledano, više od 50% ERP projekata „padne" zbog izneverenih očekivanja i zbog toga što ne pruţa jasan dokaz o uspešnoj implementaciji. Provera referenci potencijalnih ERP partnera mora da odgovori na neka standardna pitanja tipa: • Kada počinje implementacija? Da li ona počinje već prilikom evaluacije softvera i procesa izbora? • U kojoj meri je dobavljač ERP rešenja u stanju da razume sugestije i predloţeno unapređenje rada s dokumentima u skladu s poslovnim procesima i sloţenošću same kompnije? • U kojoj meri je dobavljač sposoban da razvije, dokumentuje, prati i upravlja projektom implementacije? • Koji nivo profesionalizma, znanja, iskustva i kvaliteta poseduju dobavljačevi ključni konsultanti i menadţeri projekta? • Koje su oblasti industrije obuhvaćene prethodnim projektima? Da li dobavljač poseduje dovoljno znanja iz oblasti kojom se bavi preduzeće? • Da li se projekat implementacije poklapa s predloţenim vremenom implementacije i procenjenim troškovima? • Koliko efikasno dobavljač reaguje na probleme koji se javljaju u implementaciji? • Koliko su korisnici novog sistema spremni da prihvate promene i koliko je njihovo poznavanje novog sistema? • Kakav je način komunikacije u projektu implementacije? Kao dopuna navedenom formalnom procesu treba preko raznih kontakata, diskusio- nih grupa i ostalih vidova informisanja o saznati što više o potencijalnim dobavljačima. Svaki vid utrošenog vremena za tu svrhu je vredan truda. U svakom slučaju, poslednje pitanje koje se postavlja pred tim za izbor je: kad bi ceo proces izbora počeo iznova, da li bi se opet odlučili za istog dobavljača ERP rešenja? Treba razmotriti razloge „za" i „protiv". Celi tim za izbor mora da bude apsolutno siguran u mogućnosti budućeg dobavljača ERP rešenja i da on odgovara ciljevima preduzeća i projektu. Reference definišu kredibilitet dobavljača ERP rešenja i treba ih paţljivo proučiti pre donošenja kritične odluke.

150 Poslovna inteligencija

t

Razumevcmje metodologije implementacije Ukoliko su poznata očekivanja za vreme i posle procesa implementacije, mogu se preduprediti mnogi problemi. Dobavljač softvera koji je izabran mora da dokumentuje i uskladi specifičnosti u procesu implementacije. Interni tim preduzeća zaduţen za implementaciju treba da bude detaljno upoznat sa svim koracima implementacije, očekivanjima, ulogama i odgovornostima. Taj tim mora da se usaglasi s dobavljačem softvera o načinu merenja anticipiranih rezultata implementacije. U dobro koncipiranoj metodologiji dobavljač softvera mora da postavi formalnu organizaciju implementacije s jasno utvrđenim ulogama i odgovornostima, kako članova svog tima, tako i članova tima za implementaciju samog preduzeća, a sve radi „uklapanja" u poslovno okruţenje i ciljeve preduzeća. Formalizacija ide preko izveštaja koji moraju prihvatiti i dobavljači softvera i preduzeće. Taj izveštaj predstavlja putokaz za proces implementacije na bazi koga će moći da se prati realizacija ciljeva i očekivanja. Utrošeno vreme na tom poslu je vredno truda jer moţe da predupredi probleme koji se mogu kasnije javiti u procesu implementacije zbog nedovoljno jasno utvrđene metodologije.

Implementacija fokusirana na unapređenje procesa. ERP sistem treba da obezbe- di nove mogućnosti, pre svega kroz sređenost i skraćivanje ciklusa poslovnih procesa. S tim ciljem moraju se u postojećim poslovnim procesima objektivno da utvrde „slabe tačke" i mogućnosti za poboljšanje. Takođe, moraju da se utvrde procesi koji direktno ili indirektno utiču na ključne indikatore performansi preduzeća. Model implementacione metodologije. Efikasna metodologija implementacija ERP sistema razvija se na bazi višegodišnjeg iskustva sticanog kroz poslovanje. To je model koji je dokazan u praksi i obezbeđuje efekat investicija (ROI) brzo i efikasno. Preporuka je da se proces implementacije odvija kroz sledeće faze: 1. Istraţivanje 2. Strategija 3. Poslovna analiza 4. Edukacija 5. Konfiguracija aplikacija 6. Testiranje 7. Produkcija

Planiranje implementacije. Ovaj proces podrazumeva tipičan implementacioni ciklus s metodologijom, fazama, terminologijom i svim ostalim detaljima projekta implementacije. Posebnu paţnju treba posvetiti detaljima koji su vezani za specifičnosti preduzeća u kojem se proces implementacije odvija.

Poglavlje 8 ERP sistemi 151

Faktori koji utiču na uspešnost implementacije Iskustvo. Iskustvo predstavlja jedan od sastavnih faktora uspeha svakog projekta. Konsultanti u procesu implementacije treba da imaju intenzivno i primenjivo iskustvo da bi mogli da rešavaju dnevne probleme s kojima se suočava preduzeće. Softversko preduzeće koje postoji više godina na trţištu, treba da poseduje iskustvo i u praksi prove- rene konsultante. U tom smislu, tim za izbor treba da stupi u kontakt s ranijim klijentima dobavljača softvera i da vidi kakva su njihova iskustva u radu s timom konsultanata dobavljača. Menadţment projekta. Jedna od najvaţnijih karika u procesu implementacije ERP rešenja jeste izbor administrativnog osoblja. Tako veliki projekti se u pred- uzećema odvijaju svega jedanput ili moţda dvaput u razumnom periodu . Iz tih razloga preduzeća uglavnom ne poseduje osoblje koje je u stanju da samostalno vodi proces implementacije integrisanih softverskih rešenja. Koordinacija resursa, planiranje projekta, organizacija timova i upravljanje, reinţinjering procesa, komunikacije i slično, suštinski odreduju uspeh implementacije. Efikasno upravljanje implementacijom ključni je faktor realizacije projekta u utvrđenom roku i u granicama utvrđenih budţetskih sredstava. Takođe, preventivna je zaštita od neprijatnih iznenađenja kada su u pitanju troškovi veći od procenjenih ili nezadovoljavajući rezultat u krajnjem ishodu projekta. Dobavljač softvera je taj koji treba da obezbedi kadrovske resurse za upravljanje projektom sa svim obavezama i odgovornostima koje proističu iz toga. Reinţinjering poslovnih procesa. Reinţinjering poslovnih procesa (engl. BPR, Business Process Reeingineering) predstavlja analizu i projektovanje poslovnih procesa u pređuzeću. On se ne bavi inkrementalnim poboljšanjima u odvijanju poslovnih procesa, već traţi prostor za korenita poboljšanja. Reinţinjering poslovnih procesa je prirodni deo svake nove softverske implementacije. Mnoga preduzeća menjaju sprecifične operativne metode da bi najbolje iskoristila nove mogućnosti i funkcionalnost koju im nudi novo softversko rešenje. Izabrani dobavljač softvera mora da pruţi usluge reinţinjeringa poslovnih procesa koje moraju da budu integrisane u proces implementacije rešenja. Model reinţinjeringa poslovnih procesa obuhvata sleđeće faze: 1. Razvoj i utvrđivanje poslovne vizije i operativnih ciljeva 2. Identifikacija najvaţnijih procesa koje treba redizajnirati 3. Detaljna dokumentacija postojećih procesa i tehnologija za merenje performansi 4. Utvrđivanje informacionih tehnologija koje utiču na dizajniranje procesa 5. Dizajniranje novih procesa i izrada prototipa 6. Implementacija novih procesa

Migracija podataka. Migracija podataka iz jednog ili više nasleđenih sistema u novi sistem, sastavni je deo svakog projekta implementacije. Dobavljač softvera mora da pripremi, posredstvom svog tehničkog osoblja, validnu strategiju za migraciju podataka. Brz prelazak na E-comitierce. E-commerce u poslednje vreme ima velik uticaj na poslovanje. Novi ERP sistem mora da obezbedi Web-ready forme za komunikaciju s kupcima.

152 Poslovna inteligencija

t

Podučavanje i obuka. Ključni element koji nedostaje mnogim procesima implementacije je edukacija. Edukacija predstavlja glavnu razliku između projekata koji donose male i beznačajne uštede i projekata koji potpuno vraćaju novac uloţen u njih. Edukacija daje preduzećema znanje koje je potrebno da se ERP sistem iskoristi u punoj meri radi podizanja poslovanja na viši nivo. Korisnici sistema se upoznaju s mogućnostima sistema i izvan njihovog striktno operativnog posla. Na taj nači oni uče kako da iskoriste sistem da bi unapredili svoj rad, smanjili vreme obrade pojedinih dokumenata i povećali produktivnost i profit. Kad je u pitanju taj faktor, treba imati na umu sledeće napomene: 1. Da li je obučavanje planirano za odgovarajuće nivoe u preduzeću? 2. Da li korisnici poseduju dovoljan nivo znanja da mogu da iskoriste sistem za unapređenje svog rada i povećanje produktivnosti? 3. Da li je predviđena periodična pro vera znanja korisnika?

Zaključne napomene EPR predstavlja nešto više od tehnološke investicije. ERP predstavlja investiciju u poslovanje i u ljude preduzeća. Implementacija novog sistema u preduzeću, koji će postati sastavni deo poslovanja i ostvariti zacrtane ciljeve, predstavlja velik izazov. Za taj posao treba odabrati pravog partnera, koji moţe da garantuje uspeh i koji ima iskustvo, osoblje i metodologiju da taj uspeh i ostvari i na taj način obezbedi maksimale razultate, prema uloţenim investicijama u nove tehnologije.

■m ■ ■ V ■ ■

V■

Kljucni igraći na tržištu

¡C . ^^^rnmtisma^'^immmmmsg«* -.^¡m^Tmn:^ -«mmiMicsaHi&^i^.*.»«» i r iJi»iwmii»ij.............. ft nm .n

U ovom poglavlju biće predstavljene karakteristike platformi poslovne inteligencije vodećih proizvođača u ovoj oblasti. Izvor informacija za ovo poglavlje uglavnom potiče od samih proizvođača (Web sajtovi, brošure, tekstovi) i cilj mu je da prikaţe osnovne koncepte, tehnologije, skup aplikacija, alata i njihove osnovne karakteristike za oblast poslovne inteligencije. Sadrţaj poglavlja je informativnog karaktera i ne predstavlja uputstvo za korišćenje prikazanih alata, njihovo poređenje, niti njihov detaljan prikaz (doduše, neki su predstavljeni detaljnije, neki manje detaljno - jednostavno zbog toga što autor knjige neke platforme bolje poznaje, a s nekima nije radio, pa je izbor prilično subjektivan). Ovakav vid predstavljanja proizvođača platformi poslovne inteligencije namerno je izabran da bi se pre svega videlo kako oni pristupaju ovoj oblasti, kakvi su njihovi koncepti, koji su im prioriteti i posebni delovi kojima oni sami pridaju paţnju.

rnnnn«

VOgnOS Cognos platformu za implementaciju poslovne inteligencije u preduzeću čini skup čvrsto integrisanih aplikacija posebne namene: • Cognos ReportNet — poslovno izveštavanje • Cognos PowerPlay — OLAP softver • Cognos Visualizer - vizuelizacija podataka

153

154 Poslovna inteligencija

t

Poglavlje

9

• Cognos DecisionStream — integracija podataka-ETL • Cognos NoticeCast — praćenje poslovnih aktivnosti «

• Cognos Performance Applications - predefinisani izveštaji i merila.

Poglavlje 9 Ključni igrači na tržištu 155

Cognos ReportNet Cognos ReportNet unapređuje performanse poslovanja i to kroz: • Smanjenje troškova • Brţe dobijanje rezultata • Unapređenje procesa odlučivanja • Integraciju i unifikaciju informacija Komparativne prednosti: • Arhitektura bazirana na web servisima koja se lako integriše u IT okruţenje pred- uzeća • Sadrţi sve mogućnosti za izveštavanje, čime se omogućava standardizacija proizvoda ili arhitekture poslovne inteligencije u preduzeću • Multijezička podrška • Skalabilnost proverena u praksi

FEW : m» V4 «*< '2 " V.., ■„ ■ . 1 • • ■ ' .

\ . . . ' . • i',.;:-"V' .

Hyperion Metrics Builder Hyperion Metrics Bidlder sadrţi sofisticirana merila i analize za poslovne korisnike preko Web orijentisanog đashboarđ okruţenja. Korišćenjem ovog alata više nije potrebno čekati na analize koje će obezbediti informacije o ključnim indikatorima performansi poslovanja. Umesto toga

170 Poslovna inteligencija

t

menadţeri mogu veoma brzo i jednostavno da utvrde, centra- lizuju, personalizuju i prate ključne indikatore performansi (KPI) preduzeća na jednom

Poglavlje 9 Ključni igrači na tržištu 171

mestu. Kombinacijom podataka iz postojećih informacionih sistema (ERR CSM...) s procesima poslovnog odlučivanja, Hyperion Metrics Builder predstavlja okruţenje za interaktivnu analizu merila. Komparativne prednosti: • Svi nivoi u kompaniji imaju usklađen pogled na performanse ciljeva i stepen njihovog ostvarenja • Jedinstveni pogledi na svako merilo omogućavaju menadţerima da brzo otkriju probleme • Intuitivne i personalizovane dashboarde lako prihvataju korisnici i smanjuju vre- me obuke • Saradnja između organizacionih celina preduzeća Ključne karakteristike: • News Pages - personalizovani KPI dashboard, koje omogućava „pretplatu" za ključne faktore koji vaţni pojedinačnom korisniku • Metric analysis - omogućava analizu podataka i otkrivane uzroka problema • Metrics Intelligence - omogućava analize podataka od merila, preko poslovnih funkcija do transakcionih detalja • Metrics Catalog — centralizuje poslovnu logiku i opis merila • Time series intelligence - utvrđuje trendove • Powerful metrics engine - podrţava višestruke „star" šeme i data warehouse osobine

Hyperion Intelligence Hyperion Intelligence je napredni skup alata za sofisticirane analize i upite za bazu podataka. Oslanja se na podatke iz postojećih transakcionih sistema i omogućava in- formacionu podršku procesu odlučivanja. Ima intuitivan dashboard Web orijentisan korisnički interfejs. Komparativne prednosti: • Sofisticirani mehanizmi za upite i analize podataka omogućavaju jednostavno dobij anie lako razumljivih informacija • Predstavlja interaktivno, dinamično rešenje za svaku vrstu korisnika • Objedinjuje i koristi svaki vid postojećih izvora informacija • Obezbeđuje sigurnu razmenu poslovnih informacija

172 Poslovna inteligencija

t

Ključne karakteristike: • Fleksibilno kreiranje i korišćenje metapodataka - razvoj transakcionih sistema, data warehouse, data mart s minimalnim administrativnim zahtevima • Ekstenzivna podrška za podatke - podrazumeva korišćenje podataka iz različitih izvora podataka • Izvorna podrška - izvorna (engl. native) podrška za Oracle, DB2, MS SQL server itd. • Skalabilna i pouzdana arhitektura - load balancing i fail-over podrška na server klasterima • Integrisani razvoj aplikacija za poslovnu inteligenciju, Query i OLAP funkcionalnost - sve u jednom proizvodu • Korisnički modeli podataka - mogućnost da korisnici kreiraju modele • Wizard-driven razvojno okruţenje - omogućava razvojnim inţinjerima i analitičarima da prave dinamične, korisnički orijentisane dashboarde za sve nivoe korisnika • Sigurnost na nivou baze podataka i na nivou uloge - uspostavlja prava za svakog korisnika

Slika 59 Hyperion Intelligence.

Poglavlje 9 Ključni igrači na tržištu 173

• Komparativne analize - uvodi podatke iz različitih izvora u jedan dokument • Fleksibilne analize - podrţava predefinisane i „drill anywhere" analize • Integrisano razvojno okruţenje - napredno pisanje koda, testiranje aplikacija, redukcija troškova i vremena odrţavanja

Hyperion Performance Suite Hyperion Performance Suite alat daje dobru osnovu analitičarima i razvojnim inţinje- rima prilagođavajući podatke iz transakcionog sistema. Omogućava sigurnu razmenu podataka između različitih korisnika, kako u preduzeću, tako i u okruţenju. Ključne karakteristike: • Grafički, interaktivni dashboardi pomaţu korisnicima da otkriju trendove i iskoriste mogućnosti alata za utvrđivanje korektivnih akcija • Wizard-driven dashboardi omogućavaju interaktivan rad i unapređenje performansi poslovanja uz smanjene troškove • Integrisani sistemi izveštavanja pruţaju fleksibilnost u razvoju poslovne inteligencije • Pogledi na informacije su personalizovani • Direktna podrška heterogenim okruţenjima, čime se maksimalno iskorišćavaju postojeći sistemi

Hyperion Reports Hyperion Reports je razvijen za potrebe Hyperion Business Performance Management i Hyperion Essbase aplikacija. On omogućava izuzetno kvalitetno multidimenzionalno izveštavanje za potrebe pređuzeća na svim nivoima hijerarhije. Sadrţi moćne analitičke funkcije. Grafički, objektno orijentisan interfejs omogućava brzu izradu izveštaja koji kombinuju, grafiku, tabele i tekst. Sadrţi biblioteku komponenata koje se mogu koristiti u izradi sloţenih izveštaja. Korisnici imaju potpunu kontrolu u svim fazama izrade izveštaja. Izveštaji se mogu prevesti u razne izlazne formate tipa HTML web strana, PDFitd. Ključne karakteristike: • Fleksibilnost u pogledu izlaznih formata • Skalabilna, serverski bazirana izrada izveštaja • Velike mogućnosti grafičkog prikaza podataka iz različitih izvora • Objekno orijentisane mogućnosti • Automatska izrada izveštaja uz definisanje vremenske dinamike

174 Poslovna inteligencija

t

¿3£sL ' -------- - •-•*' ¡

Slika 60 Hyperion Reports.

Hyperion Analyzer Hyperion Analyzer omogućava intuitivne, Web bazirane, interaktivne analize svih segmenata poslovanja preduzeća. Jednostavan za korišćenje, grafički interfejs omogućava pogled na podatke u ţeljenom formatu. Ključne karakteristike: • Zadovoljava potrebe širokog kruga korisnika • Idealan za analitičke aplikacije, kao što su analize prodaje, profitabilnost proizvoda, upravljanje performansama i slično • Izrada korisničkih i personalizovanih izveštaja uz jednostavan interfejs i dragend-drop tehniku • Interakcija sa ostalim Hyperion alatima

Poglavlje 9 Ključni igrači na tržištu 175

fcrus.««'iÄii'iji

Gw Barfthemtf | i&i it\p*7>ts>Ar»tfh* |

Slika 61 Hyperion Analyzer.

Hyperion Essbase Spreadsheet Services Hyperion Essbase Spreadsheet Services obezbeduje spreadsheet okruţenje za OLAP analize sa Hyperion Essbase. Korisnički interfejs je tipa MS Excel, tako da korisnici mogu da rade ad hoc analize u već poznatom okruţenju.

176 Poslovna inteligencija

t

Ključne karakteristike: • Tanki klijent, web bazirano okruţenje • Ad hoc analize podataka • Podrška za VBA toolkit

Hyperion SQL Hyperion SQL izrađuje sofisticirane izveštaje prezentacijskog kvaliteta uz očuvanje performansi sistema. U rasponu od jednostavnih trend izveštaja, pa sve do strateških izveštaja, ovaj alat omogućava razvojnim stručnjacima jednostavnu izradu bilo kog tipa izveštaja i njihovu distribuciju krajnjim korisnicima. Tim alatom moguće je zadati period na bazi kog se automatski izrađuju izveštaji i prosleđuju krajnjim korisnicima. Ključne karakteristike: • Server bazirano izveštavanje • Periodično izveštavanje i izveštavanje na zahtev

Slika 62 Hyperion SQR.

Poglavlje 9 Ključni igrači na tržištu 177

• Poseduje izvorne (engl. native) upravljače za različite izvore podataka • Kombinacija sloţenih merila iz različitih izvora podataka • Unicode podrška • Fleksibilne mogućnosti za prezentaciju izveštaja • Fleksibilno grafičko okruţenje • Pammetarski bazirano izveštavanje • Sigurnost i zaštita podataka

Hyperion Application Builder Hyperion Application Builder omogućava brzo kreiranje, upravljanje i instalaciju sofisticiranih aplikacija za poslovne analize. Napravljen je pomoću Java 2 Enterprise Edition (J2EE) specifikacijama i moţe da radi s većinom vodećih aplikativnih servera.

fclSMjgT 81!,. ; -r-.. i. Ili I NNII-H f m :

-

• -¿v.-ri . I M

T

H .

II..

■ I

? . i-r. ;

.»»h'S.'S tiis?©ar ..

isu» oai

tttf

,,

s,-..

-

i..:s»*

I ""

" '■*:' «*♦; -i.-.«

j fV »

i«! - v i . Sit j H-£s>

*'>>* Ct«* I»».- is AK

Ä.'.* Vi«-

¡1 ___________ J™

: j 4

Slika 63 Hyperion Application Builder. .

178 Poslovna inteligencija

t

Ključne karakteristike: • Brz razvoj aplikacija • Sadrţi aplikativni programski interfejs (API), komponente, servise, respozitorijum i template za aplikacije

Hyperion Essbase Integration Services Hyperion Essbase Integration Services je skup grafičkih alata i skalabilnih servisa za integraciju podataka koji mnogo smanjuju vreme i troškove za izradu, implementaciju i odrţavanje aplikacija. Centralizovani OLAP metadata respozitorijum omogućava utvrđivanje i efikasno korišćenje dimenzija, kalkulacija i poslovnih pravila. Ključne karakteristike: • Centralizovani metadata respozitorijum • Moćni SQL Engine

ri; T/U ••*»« Ctrivtlc™. Wräy.-

EssssEzssaamsss-zzv:

-

v - . '*

r*J Um

^yvi«:

MR« :•: 13 6» >rS.i7IP= UiK >: U ~J '».»¡Jf ». u H!:i $ *:

iMOTvf*-.

> 13 ** «vtfil" 13 w«t.>Uć« i "1 žm U •: 3 Jto^UrUKS 11 i^vn.'H'.i

• IJaba KdjHUftKU SOS , U "tA.vfl

'••• 11 '«Ciov* iHiy'tS »■ 13 SOfOr-J!:^

• «v>5 . jfj

* 1 at-»

. rj i^vjf.r.iO

rt j ^n' - .. ":

US,: J3 f.wt

■• £] st» ».«SfcsSiv

¡3 s»=Tn-fi ^ /.-.IRt«

t,. arsw'arv

tL i I Ali f.. SUFPlIEnt y Đ -og., 'rr'.i-r ;:

ä. iTIMW ?. (V. iU.IUUlll MO

v P,, f/Otiv r„ r.'-wii »iy

□ ifi'OSJT OM a.. f-vitr y-*^ Oj

f/MlV/Ui i «rscc»r-

jKn^iH y

%' i ' .-«iiC.'ä« i. SUICID^ »-i

'H. 1 i f_

■'■ u ■ 13 iv

u iwX-.DSrsis

.; rj frt "N: r.m 13

i

fWtfiyis"

fn'ii'iT 2' i i. ; j 5;.?.., im Ki.UIUia'SlU I i : 1. ftloCUC"!» : » ; !>1ZlMK3ll&

Zj ***V.JKfKii . s«3si.M!xtni«r. .

.v;

ji. 1'lltlllAI i \ .•» i!

-I ' fli- v.yrtvtl '«g ; 'j: ftScSX'O^ »J vi^ur,-.!-

L.

P_. C'SO' ^ i..

EU O-^-X'M'iJft,. Pr MEAiUftES iD S- »

Poglavlje 9 Ključni igrači na tržištu 179

v-.f WJ»; ■U«-.'-« >»»J»'iv>r! <

Slika 64 w1?.! -

Hyperion Integration services.

180 Poslovna inteligencija

t

• Dril-trough do nivoa detalja • Hibridne analize sa Hyperion Essbase alatom

Hyperion Essbase Administration Services Hyperion Essbase Administration Services Console je robusno, grafički orijentisano okruţenje koje olakšava administraciju aplikacija. Osnovne karakteristike: • Centralizovana administracija, smanjivanje troškova administracije i odrţavanja distribuiranih aplikacija za poslovne analize • Podrška za više platformi • Olakšan pristup svim funkcionalnostima Hyperion Essbase alata • Log analiza

ESE3G iife f : f f . «fx »¡¡tom. UB

TT^ttt^ ftsö» V-^k-Î,

riMPWVW

'J*

»" . r* x . M . >• li^fc Ji

Slika 65 Hyperion administration services.

Poglavlje 9 Ključni igrači na tržištu 181

M crosoft SQL Server 2000 - bazična platforma SQL Server 2000 je sistem za upravljenje bazama podataka i osnovna platforma na kojoj se bazira većina Microsoft proizvoda. SQL Server 2000 platforma nudi velike mogućnosti da se poveća efikasnost rada zaposlenih, integrišu heterogeni sistemi i mak- simizuju operativni i finansijski efekti. Ova platforma zahteva veoma niske troškove implementacije i odrţavanja, a samim tim ima i povoljan indeks u povraćaju uloţenih sredstava u nju. Podrţava brz razvoj sloţenih aplikacija koje preduzeću daju prednost u odnosu na konkurenciju. Kroz bogate mehanizme analize podataka i data mininga koje su integrisane u druge proizvode, kao što su Microsoft Office, ova platforma pravovremeno obezbeđuje neophodne informacije svim zaposlenima. SQL Server 2000 platforma sadrţi mehanizme za automatsko konfigurisanje i podešavanje, kojima se optimizuju performanse baze podataka i automatizuju standardne aktivnosti administracije. Sadrţi velik broj alata za podršku u upravljanju podacima, zatim servise za podršku procesima analize podataka i poslovne inteligencije. Isporučuje se u nekoliko verzija, te svako preduzeće, prema svojim potrebama, moţe da izabere odgovarajuću: • SQL Server 2000 Enterprise Edition (64-bit) • SQL Server 2000 Enterprise Edition • SQL Server 2000 Standard Edition • SQL Server 2000 Developer Edition • SQL Server 2000 Personal Edition • SQL Server 2000 Desktop Engine (MSDE) • SQL Server 2000 Windows CE Edition (SQL Server CE) Karakteristike i mogućnosti SQL server 2000 platforme date su ukratko u sledećoj tabeli:

Tehnologija

Mogućnosti

Data warehousing Analitički (OLAP) servisi

Omogućava brze, sofisticirane analize velikih i sloţenih skupova podataka koristeći multidimenzionalnu organizaciju podataka

182 Poslovna inteligencija

t

Closed'Loop analize

Omogućava analize korak ispred OLAP akcija, tako da dobijeni rezultati utvrđuju sledeće korake u poslovnim procesima

Data mining

Otkriva šablone i tendove i omogućava prognoze u vezi s budućim trendovima u poslovanju preduzeća

Data Transformation Services

Automatski upravlja procesima izbora, transformacije i učitavanja podataka iz različitih izvora

English Query

Omogućava postavljanje upita u bazu podataka na engleskom jeziku, umesto na standardnom SQL jeziku

Indexed Views

Poboljšava performanse postojećeg hardvera tako što smešta rezultate upita i smanjuje vreme odziva

Meta Data Services

Povećava produktivnost razvoja i smanjuje administrativne poslove deleći metapodatke različitim alatima i sa okruţenjima koristeći standardne modele informacija

Office 2000 Integration

Integracija sa Microsoft Office paketom radi podrške analitičkim procesima

OLAP Flexibility

Koristi multidimenzionalne tipove za sloţene poslovne analize.

Web-Enabled Analysis

Analizira podatke iz udaljenih OLAP kocaka podataka koje su Web dostupne

Enterprise Data Management Full Text Search

Koristi i upravlja strukturiranim i nestrukturiranim podacima, uključujući i mehanizme pretraţivanja po Microsoft Office dokumentima

Visok stepen dostupnosti

Maksimalno povećava dostupnost poslovnih aplikacija sa | online backup mehanizmima i failover klasterima.

Unapređenje produktivnosti razvoja

Korisnički definisane funkcije, referencijalni integritet i integrisani T-SQL dibager omogućava višestruko korišćenje koda u procesu razvoja

Poglavlje 9 Ključni igrači na tržištu 183

Integracija sa Microsoft Windows Server System— Microsoft BizTalk i Microsoft Commerce Server

SQL Server 2000, u kombinaciji sa ostalim Microsoft server proizvodima obezbeduje osnovu za e-poslovanje

Bogata XML podrška

Jednostavna integracija back-end sistema i transfer podataka preko firewalla i uz korišćenje XML-a.

Sigurnost

Omogućava sigurnost aplikacija u svim mrežnim okruženjima, sa sigurnosnim sistemom baziranim na ulogama i enkripcijom na nivou dokumenta i mreže.

Jednostavna administracija baze podatka

Automatsko tjuniranje i održavanje omogućavaju administratorima da se fokusiraju na važne aktivnosti

Web pristup podacima

Pristup SQL Server 2000 bazama podataka i OLAP kockama korišćenjem web interfejsa bez potrebe za programiranjem

Line of Business

Hosting aplikacija

S podrškom za multiinstance, SQL server omogućava maksimalno iskorišćenje hardvera, pri čemu više aplikacija može da radi na istom serveru

Proširene mogućnosti aplikacija

Podrška za pristup preko mobilnih uređaja

Replikacija

Sa SQL Server 2000 može se implementirati merge, transactional, isnapshot replikacija s različitim sistemima.

Skalabilnost

Skalabilno rešenje sa aspekta rasta potreba komanije

SQL Server 2000 data warehouse i OLAP komponente Microsoft SQL Server 2000 sadrţi nekoliko komponenata koje omogućavaju transformaciju OLTP podataka u OLAP podatke i omogućavaju dostupnost OLAP podataka menadţerima koji donose odluke.

184 Poslovna inteligencija

t

SQL Server Data Warehousing

Intermediate Data Stores

X C D

Business Intelligence Excel, English Query and Third Party

SQL Server RDBMS

X C D

O

a L U

L U

SQL Server RDBMS and DTS

Third Party Third Party Data Mining Services

Meta Data Services

" . / Slika 66 SQL Server data •V&.

• ' : ' fliU

'■'■../

warehousing. Sífí'-'V' V' • "

¡3T

XML i OLE DB. Extensible Markup Language (XML) standard je koji definiše jezik za formatiranje i prikazivanje podataka nezavisno od izvora podataka i aplikacija. XML je postao jedan od najvaţnijih standarda kad je u pitanju razmena podataka u web okruţenjima. SQL Server 2000 ima mogućnost da vraća rezultate upita kao XML dokumente, kao i da izdvaja podatke iz XML dokumenata i da ih smešta u odgovarajuće tabele u bazi podataka. OLE DB je specifikacija za pristup podacima koju je utvrdio Microsoft. Mnogi proizvodi koji imaju mogućnost da skladište podatke, kao što su baze podataka, spreadsheet ili serverske aplikacije, obezbeduju OLE DB dobavljače usluga koje moţe da koristi bilo koja aplikacija za pristup tim podacima (pod uslovom da podrţava OLE DB). OLE DB u verziji 2.5 i više podrţava nastavke za pristup multidimenzi- onalnim podacima. XML i OLE DB mehanizmi su značajni za razmenu podataka između različitih komponenata SQL Server 2000 data warehousing sistema. SQL Server 2000 relaciona baza podataka. SQL Server 2000 se primarno koristi u OLTP sistemima, a takođe se koristi i za transformaciju i smeštanje podataka u data warehouse i data mart.

Poglavlje 9 Ključni igrači na tržištu 185

Servis za transformaciju podataka. Sevis za transformaciju podataka (engl. DTS, Data Transformation Services) jeste komponenta koja je napravljena da bi preuzimala podatke iz jednog OLE DB izvora podataka, da bi ih pretvorila (kalkulisala s njima, zbila ih) i da bi ih takve smestila u drugi OLEDB izvor podataka. DTS transformiše podatke relacionog modela u neki drugi vid organizacije podataka koji moţe da se koristi i kao osnova za obrazovanje multidimenzionalnih kocaka podataka. Servisi za analizu i data mining. Servise za analizu podataka čine komponente koje su lake za korišćenje, skalabilne i omogućavaju pravljenje multidimenzionalnih kocaka podataka, kao i pristup do njih. Kocke podataka mogu da budu smeštene u re- lacionu bazu podataka (engl. ROLAP), kao zasebne, visokoperformantne multidimen- zionalne strukture podataka (engl. MOLAP) ili kao hibridna kombinacija i jednog i drugog (engl. HOLAP). Ti servisi takode podrţavaju industrijske standarde kad su u pitanju data mining algoritmi. English Query. Ovaj alat omogućava krajnjim korisnicima da preko standardnog engleskog jezika postavljaju upite u bazu podataka smeštenu na SQL serveru 2000. Administrator ovog alata utvrđuje logičke i semantičke veze između tabela i kolona u bazi podataka ili između mera i dimenzija u kockama podataka i data warehouse sistemu.

Servisi za izveštavanje (engl. Reporting Services) Da bi bila uspešena u borbi s konkurencijom na trţištu, preduzeća moraju da prošire pojam informacije izvan svojih granica i da budu u interakciji s kupcima, dobavljačima i ostalim partnerima u realnom vremenu. Microsoft SQL Server Reporting Services omogućava preduzećema transformaciju korporativnih podataka u deljive informacije pogodne za donošenje odluka. Microsoft SQL Server Reporting Services je inteligentno, serverski bazirano rešenje koje omogućava izradu, upravljanje i distribuciju kako tradicionalnih, tako i interaktivnih web orijentisanih izveštaja. Ovo rešenje predstavlja integrisani deo koncepta poslovne inteligencije koji nudi Microsoft. U kombinaciji s mogućnostima SQL Servra, Windows Servera i Microsoft Office sistemskih aplikacija čini moćnu platformu za distribuciju u realnom vremenu informacija koje se koriste za donošenje odluka. Integrisana arhitektura. Microsoft SQL Server Reporting Services podrţava velik broj različitih izvora podataka preko OLEDB i ODBC standarda, kao i višestruke izlazne formate koji su kompatibilni s Webpretraţivačima i Microsoft Office System aplikacijama. Razvoj na platformi Microsoft Cisual Studio.Net i Microsoft. NET Framework omogućava potpuno korišćenje potencijala informacija od povezivanja na proizvoljne izvore podataka, preko produkcije odgovarajućih izlaznih formata i na kraju distribucije krajnjim korisnicima na različite uređaje.

186 Poslovna inteligencija

t

~ REPORTING SERVICES ARCHITECTURE Report User Report Designer Report Manager

B•E

Data Sources: SQL Server - OLE DB -ODBC Oracle - Custom

?

*

yiii lWûu Intorfarô' -

Output Formats: -HTML - Excel -PDF - Custom

XML Web Services Interface ■ ' Keport server • - " .......................................................... ...................... .....

wTiwwtiiy

iPHH

Rôfid c ff .. i i ----- it

■ ;• } -■z m yI -

S -H^S? ' : Sí;:»* Delevery Targets: .V 1 ::: bs

Security Services: Windows NT Custom

........... ; - •

-■Si". E-mail .:.:..: ' ■: -:-: File Share - Custom

SUT»' ÎJSSRS;r""' '■ : - * •;.»* ' '''" -

'm

Potpun ciklus razvoja. Microsoft SQL Server Reporting Services omogućava potpun ciklus razvoja izveštaja kroz sledeće faze: • Produkcija izveštaja. Razvojni stručnjaci izrađuju izveštaje koji se objavljuju na report severu koristeći Microsoft ili neko third-party rešenje koje koristi Report Definition Language (RDL), XML baziran industrijski standard za definiciju izveštaja • Upravljanje izveštajima. Definicija izveštaja, direktorijumi i resursi objavljuju se kao Web servisi, a na isti način se njima i upravlja. Takvi izveštaji mogu se izvršavati na zahtev ili po unapred utvrđenom rasporedu. • Slanje izveštaja. Microsoft SQL Server Reporting Services podrţava slanje na zahtev (engl. on-demand, pull) i slanje bazirano na događajima (engl. event-based, push). Korisnici mogu da vide izveštaje u Web formatu ili preko e-maila.

Poglavlje 9 Ključni igrači na tržištu 187

SharePoint Portal Server 2003 Microsoft SharePoint Portal Server 2003 omogućava preduzećema razvoj inteligentnih portala koji povezuju korisnike, timove i znanje, tako da zaposleni mogu da iskoriste prednost bitnih informacija koje potiču iz poslovnih procesa, a sve radi efikasnijeg obavljanja posla. Microsoft SharePoint Portal Server 2003 predstavlja integrisano kompanij- sko rešenje koje objedinjuje informacije iz različitih sistema u jedinstveno rešenje s fleksibilnim mogućnostima prezentacije i različitim alatima za upravljanje sadrţajem informacija. Portal omogućava takozvanu end-to-end komunikaciju, tj. zbijanje podataka, organizaciju i mogućnosti za pretraţivanje podataka o ljudima, timovima i pretraţivanje informacija. Korisnici mogu brzo da dobiju potrebne informacije kroz prilagođava- nje i personalizaciju sadrţaja potrala. Microsoft SharePoint Portal Server 2003 omogućava jedistvenu tačku za pristup različitim sistemima, kao što su programi iz Microsoft Office sistema, zatim sistemi poslovne

1 '3 p733\coxk"s Home - M icrosoftlnternet wmm Explorer > ; Fte £cfe Sew loob tjelp .... . .. ......... ... ............. Pavortes

HPHBsSsP

-inf xf

#

....

-

:A* : i| Ajfcfress http : //p733/MySi e/def ault .aspx Select View I jS. ttorftß Sitp Settings Help i Private _ J

~3 «. Sunrise/Sunset Times

Sunrise/Set Config_ Location ¡Toronto

Pubilc Actions

s Edit Profile h Create List B Create Page a Manage Alerts My Lists

b Private

Documents

B

Shared Documents B My Plcriiics

ft ; ~

_J ...... y,

My Pages

Sunrise/Sunset Times r x Toronto Friday, August 06, 2004 6:12 AM 8:34 PM

M

Latitude

( 43.692 Longitude | 79.3716 Time Zone Offset Layout

r~—?

11 Go i

188 Poslovna inteligencija

Daylight

t

Saving

I.+ Appearance

i±: Advanced

------ -----

> J Local intranet..

Poglavlje 9 Ključni igrači na tržištu 189

inteligencije ili pak standardne line-of-business aplikacije. Portal, koji je baziran na skalabilnoj i maksimalno distribuiranoj arhitekturi, nudi fleksibilne alate za razvoj, upravljanje i slanje. U njemu moţete organizovati informacije na osnovu teme ili sadrţaja dokumenata. Da bi se bolje iskorišćavali podaci, posebni alerti ukazuju na to da su se pojavile nove informacije. Microsoft SharePoint Portal Server 2003 omogućava osoblju IT odeljka i korisnicima da prilagode i personalizuju korisnički interfejs. Sadrţaji, kao što su line-of-business i Office programi, Web servisi, novosti, prodaja i drugi podaci u pređuzeću distribuiraju se kroz Web partove. Web partovi se preuzimaju s Mikrosoftovog sajta i sajtova njegovih partnera, a mogu se razviti i samostalno preko razvojne platforme Microsoft Visual Studio .NET Korisnicima se definišu personalne portal strane, nazvane My site, gde oni sami mogu da organizuju informacije, programe i SharePoint sajtove koje koriste u svakodnevnom poslu.

Komponente Microsoft poslovne inteligencije Mera kvaliteta svakog rešenja poslovne inteligencije ogleda se u njegovoj mogućnosti da iz razpoloţivih podataka izvede „znanje". To podrazumeva utvrđivanje šablona, trendova, zakonitosti i veza među podacima. Osnovne komponente Microsoft platforme poslovne inteligencije su: Obazbeđuju... Komponente rešenja Tehnologije • Analiza podataka: Koristi integrisane, visokoperformantne alate za analizu podataka za izvođenje kalkulisanje s velikim skupovima podataka i njihovu analizu. • Vizuelizacija podataka: otkrivanje trendova i skrivenih veza između dimenzija ! • Geostrateške analize: pristup socijalnim, ekonomskim, populacionim i I drugim statistikama koje definišu trţište. • Finansijske analize: Od računovodstva do prodajnih aktivnosti, analiza ključnih informacija i analitički alati. • Web okruţenje: Podaci i alati u web okruţenju • Marketing analiza i analiza prodaje: fokus na proizvode koji daju najveći ROL • Analiza maloprodaje: omogućava trgovcima efikasniju analizu i reakciju I na trendove i potrebe • Project Management analiza: Omogućava da performanse projekata ostanu u okviru utvrđenih strateških ciljeva • Balanced Scorecard analiza: Praćenje vaţnih strateški orijentisanih merila. i

190 Poslovna inteligencija

t

Performanse sistema poslovne inteligencije bazirane na Microsoft SQL Server Accelerator tehnologiji Uvod. Kad preduzeće koristi podatke iz svojih operacionih sistema radi donošenja nekih odluka - to predstavlja poslovnu inteligenciju. Operacioni sistemi koriste se za tekuće poslovanje, a sistemi poslovne inteligencije uzimaju podatke iz operacionih sistema, preuređuju ih tako da korisnici u njima mogu da prepoznaju „skrivene" informacije koje se odnose na poslovne procese, kupce ili proizvode. Obično se u tu svrhu podaci iz operacionih sistema kopiraju u posebnu bazu podataka (data warehouse, data mart) pomoću ETL (engl. Extract, Transform, Load) funkcije, koja ima strukturu podesnu za operacije poslovne inteligencije. Timovi koji se bave izradom data warehouse i data mart stuktura moraju da imaju jako tehničko znanje i izuzetno poznavanje poslovnih aktivnosti. Takvi kadrovi uglavnom rade za konsultantske firme, koje rade za mnoge klijente, tako da čitav projekat projektovanja, realizacije i implementacije poslovne inteligencije moţe da traje veoma dugo. Microsoft SQL Server Accelerator for Business Intelligence (BI Accelerator) jeste tehnoogija koja omogućava kompetentnim timovima brţi razvoj projekata poslovne inteligencije. BI Accelerator automatizuje kreiranje detaljnih šema projektovanja i ETL operacija, što nije puno sa aspekta poslovnih funkcija, ali je vitalno za rad sistema. Iskustvene procene govore da se korišćenjem BI Acceleratora moţe uštedeti od tri do šest meseci. Ta ušteda je moguća zahvaljujući Analytics Builder Workbook, Microsoft Excel workbooku koji omogućava stručnjacima projektovanje svh aspeka- ta modela podataka poslovne inteligencije na jednom mestu, Ka o i Analitycs Builder Utility, koji kreira baze podataka i ETL operacije potrebne za implementaciju modela podataka. Performanse sistema poslovne inteligencije. Postoje dva ključna merila za mere- nje performansi sistema poslovne inteligencije: brzina kojom se podaci pripremaju za upite korisnika i broj korisnika koji istovremeno vrše upite na sistemu s prihvatljivim vremenom odziva. Priroda poslovne inteligencije podrazumeva transformaciju podataka iz operacionih sistema u podatke sistema poslovne inteligencije (data warehouse, data mart). U tom smislu, potrebno je meriti performanse aţuriranja podataka (ETL pefrormanse) iz jednog u drugi sistem. Sistemi poslovne inteligencije se prave da bi korisnici mogli da vrše upite nad njima. Performanse izvršavanja upita se mere na razlčičite načine. OLTP benchmark testovi, kao što je TPC-C, procenjiju koliko jednostavnih upita moţe da se izvrši u jedinici vremena. Međutim, takvi testovi nisu adekvatni za sisteme poslovne inteligencije - upiti poslovne inteligencije su sloţeni, rade s velikim skupovima podataka i read-only su tipa. Međutim, bez obzira na sloţenost i količinu podataka, brzina izvršavanja tih upita mora da bude zadovoljavajuća sa aspekta samih korisnika. Korisnici šalju upite jedan za drugim i čekaju rezultate. Vrerne između dva upita (takozvano „think time") limitira brzinu kojom upiti pristiţu iz jedne korisničke sesije. To omogućava da se proračuna broj konkurentnih aktivnih korisnika koje sistem moţe da podrţi u okviru utvrđenog vremena odziva. Analitytics Builder Utility. Kada se pokrene ovaj alat, prave se tri vrste baze podataka:

Poglavlje 9 Ključni igrači na tržištu 191

• Staging baze podataka obezbeduju privremeni prostor za podatke koji dolaze iz operacionih sistema pre njihovog inkorporiranja u subject matter bazu podataka. Za tu operaciju potrebno je razviti ili kupiti poseban ETL modul. Kada se podaci inkorporiraju u subject matter bazu podataka, brišu se iz staging baze podataka. • Subject matter baza podataka i stalan smeštajni prostor za podatke. Tabele i polja u ovoj bazi podataka napravljene su u skladu s definicijama u Analytics Builder WorkBook alatu. U ovoj bazi podataka svaki nivo svake dimenzije ima svoju tabelu, što pomaţe da se odrţi referenci] alni integritet. • Analisys baza podataka strukturirana je tako da podrţi brze upite korisnika prosledene u bazu podataka kroz kocke podataka, a takode u njoj se implementiraju kalkulacije i imenovani setovi podataka koji su utvrđeni u Analytics Builder WorkBook alatu. Definicija ove baze podataka tesno je povezana sa subject matter bazom, odakle dolaze podaci. Te dve baze podataka mogu, ali ne moraju da budu na istom serveru. Ovaj alat takođe izrađuje određen broj DTS paketa (engl. Data Transformation Services) koji upravljaju ETL operacijama koje pripremaju podatke za upite korisnika. Većina paketa je pod kontrolom dva top-level paketa: • Master Import kontroliše pakete koji popunjavaju podatke u staging basu podataka • Master Update kontroliše pakete koji prenose podatke is staging baze podataka u subject matter bazu podataka Testovi performansi pripreme podataka. Ova sekcija se bavi operacijama koje je potrebno obaviti da bi se podaci pripremili za upite korisnika. Te operacije uključuju izvršavanje Master Import i Master Update paketa i procesiranje kocaka podataka. Pripremanje dimenzija je ključni posao koji obavlja Master Update paket. Tabele dimenzija su uglavnom manje nego tabele podataka (engl. Fact Tables). Zbog toga je ovđe naglasak dat na procesiranje tabela podataka. Sledeća tabela prikazuje broj procesiranih zapisa na sat za vreme operacije izvoza i aţuriranja, kao i procesiranja kocaka podataka. Operacija Broj procesiranih slogova na sat Izvoz 100 miliona zapisa

95,364,238

Preuzimanje 100 miliona zapisa

22,932,858

Serijsko procesiranje kocke

51,027,640

Paralelizam na nivou tabele u Master Update paketu. Master Update radi paralelno s tabelama dimenzija, a nakon završenog posla, radi paralelno i s tabelama podataka.

192 Poslovna inteligencija

t

Pretpostavimo da postoje tri tabele koje sadrţe respektivno 29%, 32% i 38% slogova. Na drugoj strani postoji samo jedna tabela koja sama sadrţi 10 miliona slogova. U slede- ćoj tabeli prikazan je rad Master Update paketa po oba scenarija:

Broj tabela podataka

Broj procesiranih slogova na sat

Jedna tabela

10,587,084

Tri tabele

20,156,775

Na slici 69 dat je grafikon zauzeća procesora po oba scenarija: Particionisanje. Particionisanje donosi ogromne prednosti i olakšava upravljanje sistemom poslovne inteligencije. Pretpostavimo da je uključena osobina Partition by Month za kocku podataka u Analitycs Builder Worbook alatu. U subject matter bazi podataka .će se izraditi odvojene tabele podataka za svaki mesec. Iako je particionisanje dobro za kocke podataka, ono ipak donosi ekstra posao Master Update paketu, koji mora da utvrdi na koju se tabelu odnosi svaki slog koji se traţi. U sledećoj tabeli je prikazan proces prebacivanja podataka iz staging baze podataka u subject matter bazu podataka s particionisanim i neparticionisanim tabelama:

Poglavlje 9 Ključni igrači na tržištu 193

90 -■ 8070 60

50

r %

\P

v

\ J R

+

\ .... .

Three Fact Tables-

P A

Slika 69 Zauzeo, K.v

................. ................... . ..

- >r::V » &

M Konfiguracija

Broj slogova na sat

Standardna

23,532,262

Particionisana

8,081,715

Kao što se vidi iz tabele, razlika u performansama je takva da je standardna konfiguracija skoro tri puta veća od particionisane. Postoje, međutim, tehnike kojima se ona moţe smanjiti, kao što je recimo presortiranje podataka.

194 Poslovna inteligencija

t

Konfiguracija

i

Particionisana

Broj slogova na sat ¡' 5,966,192

Particionisana i presortirana

6,325,778 i

Poglavlje 9 Ključni igrači na tržištu 195

Zbijanje. Korišćenje ponovo zbijenih suma podataka je jedna od ključnih tehnika koja omogućava OLAP sistemima da budu brzi. Analisys Services koristi intenzivno tu tehniku. Ti servisi obezbeduju dva mehanizma koji se koriste u svrhe zbijenih sumarnih podataka: Storage design wizard i Usage-Based Optimization wizard. Storage Design Wizard primenjuje algoritam kojim se utvrđuju neophodne agregaci- je. Taj algoritam donosi procene na bazi broja članova na svim nivoima u dimenzijama i na bazi broja slogova u svakoj kocki ili particiji. On nema informacije o potencijalnim upitima koji mogu biti poslati serveru. Koristeći broj slogova, algoritam pokušava da odredi skup agregacija koji obezbeduje odgovarajući skok performansi upita. Pošto taj algoritam zavisi od broja slogova, potrebno je paţljivo utvrditi dimenzije i particije. Za realizaciju samih agregacija koristi se Partition Aggregation Utility. Drugi mehanizam pod nazivom Usage-Based Optimization Wizard realizuje se preko Analysis Managera. On takode koristi broj slogova, ali ne pravi pretpostavke, već koristi informacije iz Query Loga. U tom logu se snimaju nivoi upita koji dolaze na server, ali ne i sami upiti. Koristeći te informacije Usage-Based Optimization Wizard izrađuje optimalan skup agregacija za šablone upita koji si snimljeni na log. Šabloni upita su vremenom promenljiva kategorija, tako da je potrebno periodično ponoviti taj

' ' > - - ' * - ..........................................................................................................................................................................................................................

Slika 70 Vreme odziva upita 100 miliona slogova na neparticionisanoj bazi podataka.

...... - :

196 Poslovna inteligencija

t

proces. Sledeći primer prikazuje tri slučaja: bez agregacije, 10% poboljšanja performansi određenih sa Storage Design Wizard i Partition Aggregation Utility i Usage-Based Optimization sa 100% poboljšanja performansi. Treća agregacija je nastala korišćenjem logova iz prethodne dve varijante. Na slici 70se vidi da je agregacija za 10% poboljšanja performansi brţa od varijante bez agregacija, ali za mnogo više od 10%. Usage-based optimizacija je još brţa. Treba imati u vidu da s povećanjem broja konkurentnih korisnika raste prosečno vreme odziva upita. Takođe, vreme odziva za jednog korisnika je veće nego za 100 korisnika. Uzrok tome je cold-cash scenario Analysis Services se ponovo pokrene pre izvršenja upita, tako da keš rezultata upita nije od velike pomoći. Međutim, na bazi podataka moţe da se utvrdi da nije svrsishodno ponovo pokrenuti Analysis Services prilikom izvršavanja nekih upita i praviti dodatne transakcine troškove, ali onda prvi korisnik koji pošalje takav upit, mora da „plati" te troškove. Particionisanje i veličina baze podataka. Na sledećoj slici prikazano je prosečno vreme odziva particionisane i neparticionisane baze podataka od deset miliona slogova bez agregacija.

Slika 71 Vreme odziva upita - deset miliona slogova na particionisanoj i neparticionisanoj bazi podataka bez agregacija.

»

Poglavlje 9 Ključni igrači na tržištu 197

Iako nema agregacija, ova baza podataka nudi odlično vreme odziva. Server je u mogućnosti da celu bazu podataka drţi u sistemskom kesu, tako da nisu potrebne I-O operacije diska za odgovor na upit pošto su podaci već jednom pročitani. Uzmimo sada bazu od sto miliona redova. Zbog svoje veličine ta baza podataka ne moţe da stane u memoriju, pa samim tim agregacija i particionisanje postaju značajniji. Za tu varijantu preporuka je da se koristi mehanizam 10% poboljšanja performansi (slika 72). Na kraju, uzmimo bazu od milijardu slogova. S takvom veličinom baze podataka, jedini praktičan pristup je particionisanje baze podataka. U tom slučaju, takođe, preporuka je da se koristi usage-based optimizacija koja će obezbediti zadovoljavajuće vreme odziva (slika 73) .

Slika 72 Vreme odziva upita, sto miliona slogova, particionisana i neparticionisana baza podataka.

198 Poslovna inteligencija

t

Slika 73 Vreme odziva upita, milijarda slogova, particionisana baza podataka.

Sloţenost upita. Faktori koji utiču na sloţenost upita su: 7opcounts, sortiranje i slično: Mnogi korisnici ţele da vide najboljih pet kupaca, najprodavanijih 10 proizvoda i slično. Takav upit zanteva enumeraciju svih kupaca ili proizvoda i sortiranje u redosledu koji je zadat. Sortiranje skupova podataka je razuman zahtev, ali ukoliko je set podataka obiman, ta operacija je vremenski zahtevna. Unakrsno spajanje velikih skupova podataka: Unakrsno spajanje (engl. Cross-join) bitan je deo analize podataka. Međutim, ukoliko su skupovi podataka veliki, ta operacija je prilično zahtevna. Mere koje se traže iz tabele detalja: ako se traţe podaci koji se nalaze na detaljnom nivou, oni se ne mogu sabiti, a samim tim čitava operacija traje duţe. Recimo, srednju vrednost neke mere je lako izračunati, sumiranjem svih vrednosti i delje- njem s brojem mera. Međutim, ako se traţi mediana, moraju se sve mere sortirati i pronaći ona koja je u sredini niza, što takođe zahteva vreme. Prenošenje velikih skupova dimenzija na klijenta: Upiti koji zahtevaju prenos velikog broja dimenzija na klijenta izvršavaju se sporije. Imenovani skupovi podataka (engl. Named sets). Imenovani skupovi podataka predstavljaju zgodan mehanizam za predefinisanje često korišćenih kolekcija podataka. Na

Poglavlje 9 Ključni igrači na tržištu 199

primer, BI Accelerator definiše skup podataka koji se odnosi na poslednja četiri kvartala. Taj skup podataka moţe da koristi bilo koji upit koji se referiše na poslednja četiri kvartala. Postojeći sadrţaj tog skupa podataka određuje se dinamički i sistemski kontrolom tekućeg datuma u vremenskoj dimenziji. Preporuke za razvoj sistema poslovne inteligencije. Prilikom razvoja sistema poslovne inteligencije potrebno je drţati se sledećih preporuka: • Upravljanje agregacijama - Predefinisane agregacije su ključni mehanizam za poboljšanje performansi izvršenja upita. Male baze podataka koje sadrţe do deset miliona redova nisu interesantne za primenu tog mehanizma jer on ne nosi značajnije rezultate. Međutim, kad su u pitanju baze podataka od sto miiona slogova i više, performantno izvršavanje upita zahteva da se utvrdi odgovarajući plan agregacije. Pri tom se treba pridrţavati sledećeg: ° Koristiti particionisanje. Bez obzira na to što ono usporava ođviljanje Master Update procesa, isplativo je koristiti particionisanje za poboljšanje performansi izvršavanja upita. 0 Izvršiti inicijalno punjenje istorijskih podataka i procesiranje kocaka podataka bez agregacija na bazi podataka ° Postaviti broj dimenzija i broj slogova pre definisanja agregacija ° Obezbediti mogućnost za query log ° Prvo postaviti sistem u test okruţenje, na kome će korisnici popuniti log upita ° Periodično ponovo izvršavati Usage-Based Optimisation na najsporijim upitima i dodavati nove agregacije u skup agregacija. Time se prate trendovi promene šablona u upitima • Upravljanje particijama. Master Update upravlja najvaţnijim aspektima particioni - sanja automatski. On određuje potrebu za novim particijama, pri čemu je bazira na dolazećim podacima, zatim izrađuje relacione particije ili particije kocaka podataka, obezbeđuje da se pravi podaci nađu u svakoj particiji. Ručni poslovi >e svode na dve aktivnosti: ° Obezbeđivanje odgovarajućih agregacija za svaku particiju ° Određivanje vremenske dimenzije potreba za određenim podacima i brisanje nepotrebnih particija • Omogućiti otkrivanje grešaka. Tokom razvojnog ciklusa, stručnjaci udarnom isključuju mehanizam grešaka. Međutim, kad se rešenje izvršava na prođukcionom okruţenju, treba uključiti mehanizme grešaka. DTS paketi „hvataju" vaţne cipo- ve grešaka i upisuju ih u log, ali se one ne mogu vicieti ako je mehanizam za otkrivanje grešaka isključen. • Ažururanje RDBMS statistika. SQL server relacioni mehanizam koristi statistiku na relacionim tabelama da bi odredio optimalne metode za izvršavanje SQL direktiva. Nekorektne statistike podrazumevaju pad performansi.

200 Poslovna inteligencija

t

Microsoft SQL Server 2005 - Novi adut Microsofta U vreme kad je rad na ovoj knjizi bio pri kraju, Microsoft je izašao na tršište sa svojim novim adutom - novom verzijom SQL Servera koji nosi oznaku 2005. Nova verzija fokusirana je pre svega na proboj na enterprise trţišta s posebnim akcentom na trţište platformi za razvoj sistema poslovne inteligencije. SQL Server 2005 nosi mnoštvo novina od kojih nabrajamo najvaţnije: • Potpuno novu ETL platformu pod nazivom Integration Services, koja je nasledi- la DTS iz verzije 2000. Značajna unapređenja, pre svega kad je u pitanju broj mogućih transformacija podataka (više od 30), kao i vidno poboljšane performance u izvršavanju ETL aplikacija. • Značajna unapređenja kad je u pitanju OLAP server pod nazovom Analysis Services s revolucionarnim osobinama, kao što su višestruke fakt tabele u kockama, integrisani mehanizmi za ključne faktore poslovanja, unapređen MDX jezik i tako dalje. • Poboljšani data mining, kao jedna od glavnih investicija s povećanim brojem algoritama (devet u verziji 2005 u odnosu na dva u verziji 2000). • Reporting servisi koji predstavljaju prirodni front end za SQL Server • Ĉvrsta integracija sa ostalim Microsoft proizvodima, kao što su Microsoft Office, Business Scorecard Manager, Share Point Portal server..... • Takođe, najavljena nova verzija Microsoft Office koja nosi oznaku 12 i koja će se pojaviti krajem 2006. godine, najavljuje prirodnu integraciju Micorsoft Office kao front end klijenta za sisteme poslovne inteligencije bazirane na SQL Server 2005 platformi.

Poglavlje 9 Ključni igrači na tržištu 201

-

----- . rfc.i« ..

l r i v. r

Slika 74 Microsoft SQL Server 2005 BI platforma.

IBM DB2 OLAP Server Osnovne karakteristike: * Sadrţi analitičke aplikacije za brze i intuitivne višedimenzionalne analize i omogućava korisnicima da postavljaju upite preko intuitivnog poslovnog rečnika.

202 Poslovna inteligencija

t

• Procesira multidimenzionalne zahteve koji kaklulišu, konsoliduju i učitavaju informacije iz multidimenzionalnih baza podataka, relacionih baza podataka ili iz obe vrste istovremeno. • Omogućava izradu korisničkih aplikacija, daje podršku u vidu velikog broja sop- stvenih aplikacija i alata, a sadrţi i programski interfejs za razvoj aplikacija za alate drugih

Poglavlje 9 Ključni igrači na tržištu 203

proizvođača.

Starschema and indexes held in db2 (or other relational databases)

Slika 75 Struktura DB2 OL4P servera.

204 Poslovna inteligencija

t

DB2 Cube Views DB2 Cube Views je poslednja generacija OLAP Podrške u UDB DB2 i sadrţi funkcije koje omogućavaju relacionoj bazi podataka platformu za razvoj, implementaciju i odrţavanja multidimenzionalnih podataka.

Relation Data (Star Schema) in DB2 Dimension Tables

Dimension Tables

Slika 76 D52 Cube Views model.

Osnovne osobine: • Sadrţi metadata podršku za dimenzije, hijerarhije, atribute i analitičke funkcije • Analizira multidimenzionalni model i daje sugestije za agregacije koje unapređuju OLAP performanse

Poglavlje 9 Ključni igrači na tržištu 205

• Dodaje OLAP metapodatke u DB2 kataloge i tako obezbeduje osnovu za OLAI? čime se ubrzava razvoj i unapređuju performanse • Olakšava korišćenje naprednih mogućnosti DB2 tehnologija Komparativne prednosti: • Oslanjanje na postojeća SQL znanja u razvoju data warehouse baze podataka • Podrška za razne proizvođače softvera - interoperabilnost • Centralizovano odrţavanje data warehouse baze podataka i metapodataka za poslovnu inteligenciju • Povećanje sveukupnih performansi data warehouse sistema • Učitavanje kocaka podataka, drill-trough upiti i ađ hoc analize direktno na relacione tabele u DB2 bazi podataka Komponente: Multidimensional metadata objects. Izrađuje skup metadata objekata koji dimen- zioniše relacione podatke i pravi OLAP strukture. Izrađeni objekti se smeštaju u DB2 katalog. OLAP Center. Ovaj alat sluţi za izradu, upravljanje, uvoz i izvoz modela kocaka podataka i drugih metadata objekata koji se koriste u OLAP alatima. OLAP Center sadrţi čarobnjake za rad s metapodacima. DB2 Office Connect Analytic Edition. Ovaj alat koristi se kao jednostavan spreadsheet add-in alat za OLAP upite u Db2 bazu podataka. Ovim alatom moguće se povezati na Db2 bazu podataka, izabrati određenu kocku podataka i te podatke analizirati, recimo, preko Microsoft Excel alata. Multidimensional Services. DB2 Cube Views sadrţi SQL-bazirani i XML-bazirani aplikativni programski interfejs (API) za OLAP alate i stručnjake za razvoj aplikacija. Preko CLI, ODBC, JDBC povezivanja mogu se jednostavno izraditi, izmeniti i čitati metadata objekti.

DB2 intelligent Miner for Data Osnovne karakteristike: • Skalabilan, podrţava više platformi, skup alata koji sadrţi okvir (engl. framwork) za data mining. Ovaj okvir podrţava ponovljen proces i omogućava procesiranje podataka, statističke analize i vizuelizaciju rezultata. • Koristi dokazane data mining algoritme za različite probelme u oblasti poslovanja. Na primer: ° Klastering za deljenje trţišta, profilisanje prodajne mreţe

206 Poslovna inteligencija

t

° Asocijacija proizvoda, ispitivanje različitih ponuda za različite geografske đelo- ve trţišta ° Klasifikacioni algoritmi za profilisanje kupaca ° Algotitmi za pognoze za ocenu kupaca na bazi faktora, kao što su rizik ili navika da se kupuje • Obezbeđuje aplikativni programski interfejs za razvoj korisničkih aplikacija

DB2 Information Integrator Ovaj alat dizajniran je tako da zadovolji brojne različite zahteve za integracijom podataka za potrebe poslovne inteligencije i kao takav učestvuje u većini projekata integracije, kao što su: • Ostvarenje korporativnog intraneta • Proširenje warehouse baze podataka real time podacima • Izrada jedinstvenog pregleda kupaca ili proizvoda • Upravljanje konzistentnošću, distribucijom ili sinhronizacijom između aplikacija

Query Management Facility Ovaj alat transformiše podatke o poslovanju u vizuelnu informacionu platformu za celu kompaniju s vizuelnim podacima na zahtev korisnika. Moţe jednostavno da kreira OLA.P analize, SQL upita, pivot tabele i druge vrste poslovnih analiza i izveštaja uz jednostavne drag-end-drop operacije.

Websphere Portal for Multiplatforms Namenjen za realizaciju skalabilnih portala: • Business-to-employe (B2E) • Business-to-business (B2B) • Business-to-consumer (B2C)

Poglavlje 9 Ključni igrači na tržištu 207

Utvrđuje jedinstvenu tačku pristupa aplikacijama, sadrţajima, procesima i slično. Omogućava korisnicima da vide, pretraţuju, izrađuju, konvertuju i uređuju osnovne dokumente, spreadsheet dokumente i prezentacije — u okviru samog portala. Sadrţi moćne alate za saradnju, kao što su instant messagingi, e-meetings.

mm amM

5:IB

Mmam Sc.ftf?mH<

¿Miufl

Lota? ume. PM Easfem Time (US & Canada) (6/6/02) OuicK Search

mm Apjalir Stm

ŢilMi

MM Ommmism.

mm

Add

iSU

WebSphere

OuicKUtms Aiphsworks IBM Dnieper Works IBM Pervasive Computing IBM

Application Server WebSphere Portal Server

208 Poslovna inteligencija

t

ORACLE

i. O

I Business Intelligence —'———f Services Decision Clickstream i. Query and Support Analysis Analysis

U

U

j•:

o

í£ L

Integration and Commerce Services

0 < 3 O í 5

Communicatio n Services

C D

6

■Pfli I System Services

BaüMÉTransactions

mm

__ s _ t

r? % i-

I Wireless

¡»¿45S B^'^teia.ti*

tm-vtirt" * -1- —" —« r .iT*.'i»i'.¿r t ' i., h f 11 ■' \ ' ■' 1 ' ' A.m.^My

1 Directory

' I ■ i - m--

212 Poslovna inteligencija

Brows er Client

t

Oracle9/AS Portal Database Tier

Oracle9/AS Portal Middle Tier

jednostavno da pristupe odgovarajućoj stranici i da ih vide. Ti izveštaji objavljuju se u obliku portleta. Informacije koje se objavljuju obično potiču iz korporativnih izvora podataka koji su SQL bazirani ili u non-SQL obliku, kao na primer XML podaci. Cesto je potrebno i kombinovati različite izvore podataka da bi se dobile prave informacije. Oracle9i reports podrţava višestruke upite u okviru jednog izveštaja, a svaki upit moţe da potiče iz različitog izvora podataka. Stvaranje jednom, distribucija u bilo kom formatu. Oracle Reports je moćan alat za objavljivanje podataka u velikom broju formata: PDF, XML, HTML, HTMLCSS, Postscript, POL, Delimited Text i RTF. Korisnici mogu da objavljuju podatke koristeći JSP industrijski standard. To znači da korisnici mogu da izrade web templejte koristeći HTML editor, zatim da te templejte dodaju u Oracle9i Reports okruţenje i da integrišu podatke iz različitih izvora podataka u određenu Web stranu.

Poglavlje 9 Ključni igrači na tržištu 213

Stvaranje jednom, distribucija na bilo koji način. Printer, web, file-system, Email i Oracle Portal su izlazna odredišta koja podrţava Oracle9i Reports i samim tim pruţa veliki izbor korisniku sa aspekta načina slanja podataka.

Alati za brži razvoj korisničkih aplikacija

J Developer i BI Beans obezbeđuju veoma produktivno okruţenje za razvoj korisničkih aplikacija za potrebe poslovne inteligencije. BI Beans sadrţe veliki broj komponenata koje enkapsuliraju OLAP poslovnu logiku za upite i prikazivanje podataka. Podaci mogu da se prikaţu preko tabela, unakrsnih tabela i grafikona. Koristeći BI Beans Query Builder i CalculationBuilđer, stručnjaci mogu jednostavno da pristupe naprednim analitičkim svojstvima tehnologije Oracle9i OLAP za izradu upita, čime se olakšava vizueli- zacija razvoja OLAP objekata. Wizardi u Jdeveloper alatu omogućavaju pakovanje tih komponenata u aplikacije koje se kasnije šalju korisnicima.

Integrisani OLAP Napredna analitička svojsta predstavljaju srce svake aplikacije za poslovnu inteligenciju. Oracle9i OLAP obezbeduje podršku za centralizovano anlitičko procesiranje u ska- labilnom i sigurnom (u smislu zaštite podataka od neovlašćenog pristupa) okruţenju. BI Beans omogućavaju jednostavno formulisanje poslovnih zahteva, a ostvarenje se odvija preko sloţenih multidimenzionalnih upita. Rezultati se prikazuju na odgovarajući način preko tabela ili grafikona uz korišćenje grafičkih beanova. Query Builder omogućava da se jednostavno zadaju upiti, a da se ne mora detaljno poznavati SQL upitni jezik. Koristeći BI Beans Catalog korisnici mogu svoje informacije da podele s drugim korisnicima širom preduzeća.

Data mining Oracle9i data mining omogućava pređuzećema da prave sofisticirane aplikacije za poslovnu inteligenciju koje „kopaju" po korporativnim bazama podataka da bi otkrile vaţne zakonitosti i integrisale ih u poslovne aplikacije. Oracle9i baza podataka ima ugrađene data mining funkcionalnosti, kao što su klasifikacije, predikcije i asocijacije. To omogućava stručnjacima da u svoje aplikacije ugrade data mining mogućnosti.

214 Poslovna inteligencija

t

Portal Oracle9iAS Portal je potpun framework za razvoj i implementaciju Web baziranih portala. To uključuje administriranje, zaštitu sigurnosti, prilagođavanje sadrţaja i razvoj funkcija za izradu i odrţavanje osnovnih izveštaja, grafikona i form-baziranih aplikacija.

SAP platforma za poslovnu inteligenciju (engl. SAP BI) sadrţi veliki broj alata kao i data warehouse mogućnosti - a sve to kroz sofisticiranu enterprise potral tehnologiju. Pomoću te platforme moguće je integrisati podatke iz preduzeća i okruţenja i pretvoriti ih u praktične, sveobuhvatne i pravovremene poslovne informacije koje čine osnovu za odlučivanje.

Integracija i upravljanje podacima u preduzeću SAP BI sadrţi data warehousing rešenje koje pruţa integrisan i konzistentan pogled na kompanijske podatke, kao i skup alata pomoću kojih se ti podaci mogu na razne načine analizirati. Podaci mogu biti iz različitih izvora, bilo iz mySAP Business Suite rešenja ili nekih drugih sistema.

Analiza i interpretacija podataka radi izrade poslovnih informacija SAP BI sadrţi alate za podršku odlučivanju za strateški vaţne poslovne procese - upiti, izveštaji i multidimenzionalne analize. Korisnici mogu da pristupaju podacima na sumarnom nivou ili na nivou detalja. Ti alati omogućavaju korisnicima da izrade sop- stveno okruţenje za izveštavanje, grafičku prezentaciju podataka i vuzuelizaciju veza između poslovnih informacija. SAP BI vizuelno prikazuje informacije u različitim formatima, kao što su tabele, grafikoni, mape i slično.

Jedinstven pristup informacijama i alatima SAP BI omogućava pristup strukturiranim (izveštaji iz baze podataka) i nestrukturi- ranim (e-mail, dokumenti) informacijama. Takođe, pristup je moguć kako unutrašnjim izvorima podataka u preduzeću, tako i spoljnim izvorima podataka iz okruţenja. Podacima se pristupa preko enterprise potrala. Distribucija informacija je bezbeđna sa aspekta sigurnosti podataka.

Poglavlje 9 Ključni igrači na tržištu 215

Komunikacija unutar preduzeća i izvan njegovih granica SAP BI pruţa podršku u otkrivanju informacija, upravljanju njima i njihovom slanju. Ta platforma takođe omogućava sarađnju svih učesnika u analizama podataka.

Merenje i menadžment poslovnih performansi

SAP BI analitički alati i alati za modeliranje podataka omogućavaju učesnicima u odlučivanju da vizuelizuju poslovne ciljeve, prate poslove koji se preduzimaju da bi se ti ciljevi ostvarili, kao i da prate ključne faktore uspeha.

216 Poslovna inteligencija

t

Ključne karakteristike SAP BI platforme i

|

Web bazirani izvestaji i analize

SAP BI sadrži skup alata za izveštaje i analize. Ti i alati sadrže moćne, korisnički prilagođene, web bazirane korisničke interfejse.

Deljenje informacija

Pravovremeno deljenje bitnih informacija korisnicima u kompaniji i okruženju. SAP BI pravovremeno šalje informacije i signale upozorenja. Može da dostavlja informacije na mobilne uređaje. I 1 i

Microsoft Excel bazirani izveštaji i analize

Velik broj preduzeća koristi Microsof Excel kao spreadsheet aplikaciju. SAP BI omogućava tim preduzećema identičan interfejs za potrebe analiza i izveštavanja. Ta osobina smanjuje vreme i troškove za obuku. 1 Napredne analitičke mogućnosti

SAP BI ide dalje od jednostavne agregacije podataka i sadrži velik skup sofisticiranih analitičkih mogućnosti, uključujući napredne matematičke i statističke funkcije i multiđimenzionalne analize. Te karakteristike omogućavaju otkrivanje informacija iz velikih skupova podataka koji se mere terabajtima.

Podrška za mobilne uređaje

SAP BI sadrži mehanizme za korišćenje prednosti poslovne inteligencije i na mobilnim uređajima, čime je pristup informacijama omogućen bilo kad i s bilo kog mesta.

Portal integracija

SAP BI platforma je integrisano rešenje, a integracija se ostvaruje kroz SAP Enterprise Portal.

Poglavlje 9 Ključni igrači na tržištu 217

Data warehousing

Data warehousing je osnova poslovne inteligencije. Data warehousing treba da obezbedi integraciju podataka iz svih izvora podataka uz robusno operativno okruţenje i garantovanu skalabilnost. SAP BI podrţava potpun data warehousing proces, uključujući integraciju podataka, transformaciju podataka, arhiviranje i skladištenje podataka.

Poslovni sadržaji

SAP BI je na bazi iskustava svojih klijenata obezbedio predefinisani skup poslovnih sadrţaja za različite uloge u razičitim industrijama. Ti sadrţaji uključuju templejte za izveštaje, me rila, izveštaje itd.

.........................

V. ...............-

MicroStrategy

Enterprise izveštavanje Rešenja u oblasti izveštavanja koja su deo MicroStrategy platforme jednostavno iyra- đuju i šalju izveštaje širom preduzeća. Izrada izveštaja je jednostavna — drag-end-drop tehnikom s bogatim mogućnostima u oblasti formatiranja podataka. Napredne mogućnosti grafičkog predstavljanja podataka omogućavaju jednostavno sagledavanje podataka na vrlo intuitivan način. Softver za poslovnu intelignciju omogućava korisnicima da pronađu odgovore u svojim podacima. Da bi se dobio odgovor i kasnije donela odluka i preduzela akcija, podaci moraju da budu predstavljeni na intuitivan način - grafički, u vidu tabela, kartica rezultata, mapa ili kombinacijom nekih navedenih načina. Kvalitetno rešenje u oblasti enterprise izveštavanja mora da ima sledeće karakteristike:

218 Poslovna inteligencija

t

• Skalabilnu, sigurnu platformu - izveštaje treba implementirati kod vlikog broja korisnika, uz centralizovano administriranje i administriranje bez kompromisa kad su u pitanju sigurnost podataka i performanse sistema. MicroStrategy platforma poslovne inteligencije sadrţi velik broj stilova za predstavljanje podataka. Podaci mogu biti prikazani u obliku standardnih formata, kao što su tabele ili grafikoni. XML arhitektura omogućava transformaciju podataka u druge oblike, kao što su mape, Gant grafikoni ili balansirane kartice (engl, scorecard). Ključne karakteristike: • Podrška za više od 80 tipova grafikona • Biblioteka šablona za standardne tabelarne formate • Izrada dokumenata koji kombinuju tabele, grafikone i tekst i omogućavaju prikaz na webu • Batch proizvodnja i slanje izveštaja • Mogućnost kombinacije više izveštaja u jedan izveštajni dashboard

Multidimenzionalna analiza MicroStrategy Intelligent Cubes je skup izveštajnih objekata koji se automatski puni podacima pomoću MicroStrategy multi-pass SQl generation engine. MicroStrategy Intelligent Cubes se u potpunosti oslanja na infrastrukturu MicroStrategy Intelligence Servera. MicroStrategy OLAP services predstavlja ekstenziju MicroStrategy Intelligence Servera. Ti servisi omogućavaju rad s MicroStrategy Intlligent Cubes i direktnu interakciju korisnika s podacima, a da im pri tom nije potrebna podrška IT odeljka.

Ad hoc upiti i analize MicroStrategy li platforma obezbeduje poslovni pregled podataka u preduzeću. Korisnici ne moraju da poznaju baze podataka, strukture tabela ili upitne jezike - dovoljno je samo da izaberu podatke koje ţele da vide i to je sve. MicroStrategy 7i platforma s Web HTML korisničkim interfejsom jednostavna je za korišćenje. Koristi standardne komponente web interfejsa, kao što su navigation bars ili search boxes. Takav korisnički interfejs smanjuje vreme potrebno za obuku krajnjih korisnika. Korisnici mogu da vide podatke i na sumarnom i na detaljnom nivou. Administratori, s druge strane, utvrđuju ko ima pravo pristupa podacima i koje su privilegije svakog korisnika. Oni takođe mogu da upravljaju i izradom samih izveštaja preko šablonskih objekata.

Poglavlje 9 Ključni igrači na tržištu 219

Statistika i data mining Funkcionalne karakteristike aplikacije poslovne inteligencije koja treba da obezbeđi statističke funkcije podrazumevaju: • Pristup podacima i njihovo filtriranje • Kalkulacije podacima i njihovo sumiranje • Statistička testiranja i testiranja hipoteza • Formatiranje podataka i izveštaja i interaktivnost Osnovne karakteristike MicroStrategy platforme za statistiku i data mining su sledeće: • Podrška za velike baze podataka • Deljenje podataka - set analize • Brza izrada izveštaja • Iteraktivne multi pass SQL analize • Izrada data martova i listi podataka • Velika biblioteka statističkih funkcija • Integracija s drugim data mining alatima • Napredno formatiranje izveštaja

Deljenje izveštaja i uzbunjivanje MicroStrategy Narrowcast server automatski isporučuje personalizovane informacije zaposlenima u preduzeću, partnerima, kupcima i dobavljačima preko e-maila, weba, mobilnih uređaja, pejdţera ili telefona. MicroStrategy Narowwcast su u potpunosti analitičke mogućnosti MicroStrategy platforme. Korišćenjem MicroStrategy Narrowcast servera informacije se isporučuju na bazi utvrđenih poslovnih pravila koja integrišu poslovnu inteligenciju u poslovne procese. Znakovi uzbune moţe aktivirati bilo koji spoljni sistem (na primer, transakcioni sistem ili ERP aplikacija). Otvorena arhitektura, omogućava mu integraciju s bilo kojim izvorom podataka. Takođe, svoje podatke Narrowcast servera moţe da šalje bilo kojoj bazi podataka, data warehouse bazi, web serveru ili slično.

220 Poslovna inteligencija

t

Indeks pojmova A

ERP - 12, 106, 127, 141, 143, 144, 145, 146, 147, 148, 149,

Ad hoc - 45, 47, 210

150, 151, 152, 153, 154, 155, 156, 157, 158, 165, 169

Analysis Services - 104, 191

API- 38,93, 130, 134, 165, 176, 198

ETL-19, 102, 104, 160, 166,186, 187, 188, 202

H HOLAP- 109, 110, 182

B balanced scorecard - 11 Balanced Scorecard - 94, 95, 98, 99, 100, 104, 106, 185,214 BPM-55, 125, 126, 127, 128, 129, 130,

informacione tehnologije - 11, 12, 28, 141, 143 Internet -

131, 132, 133, 134, 135, 136, 137, 139, 140, 214, 216

57, 59, 69, 97, 150, 151

C

K

Corporate Performance Managment - 47

Klasifikacijom - 81 Klastering - 79, 198 Ključni indikatori

cost benefit - 98

performansi - 47, 48 Knowledge Mananagement — 28

CPM-13,47

kocke podataka-43, 108, 110, 113, 114, 115, 116, 117, 118, 120, 163, 165, 188, 189 korisnički interfejs - 22, 36, 63, 87, 93, 164, 170,

D

184,210 KPI-47,

dashboard- 11, 169, 170, 171, 209 data mart- 11, 19, 20, 59, 76, 77, 84, 104, 105,

169, 170

115, 170, 182, 186, 187,211 Data mining - 9, 26, 39, 41, 45, 46, 47, 72, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84, 85,

L

86, 87, 90, 91, 92, 93, 179, 180, 182, 198, 206, 210, 211,216 Data transformation services - 104, 182, 188 data warehouse - 9, 12, 19, 20, 22, 23, 24, 26, 29, 50, 58,

Link analiza - 79 M menadţmenr - 11, 17, 29, 64, 68, 94, 95, 98, 99, 100, 125, 141, 146, 150, 167,208

59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72,

7 3 , 74, 76, 84, 102, 104, 105, 106, 108, 115, 170, 181,

MOLAP- 109, 110, 182

182, 186, 187, 198, 201,202,207,211,216 DBMS-39, 40,41,86

N Neuronske mreţe - 82, 214

E enterprise portal - 36, 43

Indeks pojmova 221

O OLAP - 9, 13, 19, 21, 24, 25, 26, 38, 39, 40, 60, 77, 90, 91, 92, 104, 106,107, 108, 109, 110, 111, 112, 113, 114, 115,116, 117, 118, 121, 122, 123, 124, 160, 163, 164,

reinţinjering poslovnih procesa - 125

R O I - 5 3, 100, 127, 128, 134, 156, 163, 185 ROLAP - 40, 109, 110, 182

165, 171, 176, 179, 180, 181, 190, 196, 197, 198, 199, 205, 210

OLTP- 13, 60,61,65,67, 181, 182, 187 outsourcing - 97, 128, 146

S SQL-32, 39, 40,41,45,63,71,92, 104, 106, 107, 110, 111, 114, 171, 174, 176, 179, 180, 181, 182, 183, 184, 186, 187, 195, 198, 199, 202,204, 206,211 Stabla odluke - 82

P Poslovna inteligencija - 9, 10, 21, 23, 27, 29, 35, 53, 56, 58, 59

prognoza rizika — 98

T TCO (total cost of ownership) - 53 Total Quality Management - 95

Prosta validacija 88

U Unakrsna validacija - 88 Upravljanje poslovnim

R

procesima - 125

RDBMS - 40, 66, 165, 195 real time-56, 57, 126, 199 Regresija -

W

81

web servisi-33, 42, 131

Indeks slika 222

Indeks slika Slika 1 - Hijerarhija odlučivanja u preduzeću ............................................................................................................................... 12 Slika 2 - Mainframe arhitektura ...................................................................................................................................................... 15 Slika 3 - Klijent Server arhitektura .................................................................................................................................................. 16 Slika 4 - Troslojna arhitektura ......................................................................................................................................................... 17 Slika 5 - Višeslojna arhitektura ........................................................................................................................................................ 18 Slika 6 - Razvoj poslovnih informacionih sistema ........................................................................................................................ 22 Slika 7 - Konceptualna arhitektura poslovne inteligencije .......................................................................................................... 23 Slika 8 - Struktura poslovne inteligencije IBM platforme ............................................................................................................ 26 Slika 9 - Okvir za razvoj upravljanja znanjem (Knowledge Management) ............................................................................... 2S Slika 10 - Ključne inicijative mozaika inteligentnog poslovanja ................................................................................................. 29 Slika 11 - Poslovna integracija dominira u IT investicijama ........................................................................................................ 30 Slika 12 - Identifikacija korisnika koji imaju korist od BI............................................................................................................. 32 Slika 13 - Sadrţaj integrisan u portalu korišćenjem portleta ....................................................................................................... 35 Slika 14 - Primer portala menadţera prodaje (SAP EP) ............................................................................................................... 36 Slika 15 - Ugneţdenje analitika u operativne aplikacije ............................................................................................................... 37 Slika 16 - Korišćenje BI komponenata u operativnim aplikacijama ........................................................................................... 37 Slika 17 - SQL funkcije...................................................................................................................................................................... 38 Slika 18 - IBM DB2 Materijalizovani upiti ..................................................................................................................................... 39 Slika 19 - Data mining u okviru DBMS .......................................................................................................................................... 40 Slika 20 - Proces aktiviranja Web servisa ....................................................................................................................................... 41 Slika 21 - BI platforma za web servise ............................................................................................................................................ 42 Slika 22 - Cognos Web Services kao WSRP portleti...................................................................................................................... 42 Slika 23 - Integracija web servisa kao udaljenih portleta na IBM WebShere Portal serveru ................................................... 43 Slika 24 - Koncept data warehouse ................................................................................................................................................. 60 Slika 25 - Data warehouse arhitektura ........................................................................................................................................... 61 Slika 26 - Data warehouse aspekti .................................................................................................................................................. 63 Slika 27 - Data mining data mart izdvojen iz data warehouse.................................................................................................... 74 Slika 28 - Data mining data mart izdvojen iz operativne baze podataka .................................................................................. 75 Slika 29 - Dijagram link analize ....................................................................................................................................................... 78 Slika 30 - Neuronske mreţe ............................................................................................................................................................ SO Slika 31 - Stablo odluke .................................................................................................................................................................... 81 Slika 32 - Balanced Scorecard .......................................................................................................................................................... 94 Slika 33 ' Balanced Scorecard........................................................................................................................................................... 96 Slika 34 - Jaz između menadţera i podataka ............................................................................................................................... 100 Slika 35 - Data warehouse smanjuje jaz između menadţera i podataka ................................................................................. 100 Slika 36 - Executive Dashboeard pristup za smanjenje jaza između menadţera i podataka ................................................ 101 Slika 37 - Kocka podataka .............................................................................................................................................................. 107 Slika 38 - Izrada OLAP izveštaja alatom Cognos Power Play ................................................................................................... 112 Slika 39 - Kocka podataka :a funkciju prodaje ............................................................................................................................ U 8

Literatura 223 Slika 40 - Upiti u kocku podataka ................................................................................................................................................... 118 Slika 41 - OLAP izveštaji omogućavaju poredenje aktuelnih i planiranih vrednosti ............................................................... 120 Slika 42 - Interaktivni izveštaji za analizu prodaje ....................................................................................................................... 121 Slika 43 - Izveštaj o profitabilnosti kupaca .................................................................................................................................... 122 Slika 44 - Proces implementacije BPM-a ........................................................................................................................................ 125 Slika 45 - Arhitektura BPM .............................................................................................................................................................. 127 Slika 46 - Uspešnost i merila BPM-a ............................................................................................................................................... 133 Slika 47 - Faze ciklusa menadţmenta ............................................................................................................................................. 134 Slika 48 - Motivacija za kupovinu ERP rešenja kroz vreme ........................................................................................................ 144 Slika 49 - Neke posledice ERP implementacije ............................................................................................................................. 145 Slika 50 - Business To Business pristup poslovanju ............................................ ....................................................................... 147 Slika 51 - Relacija između SCM, CRM, ERI? E-commerce, E-Business ...................................................................................... 149 Slika 52 - Cognos ReportNet omogućava sve vidove izveštavanja ............................................................................................ 158 Slika 53 - Cognos PowerPlay arhitektura ...................................................................................................................................... 160 Slika 54 - Cognos PowerPlay OLAP aplikacija ............................................................................................................................. 161 Slika 55 - Cognos Visualizer - vizuelizacija podataka .................................................................................................................. 163 Slika 56 - Cognos DecisionStream .................................................................................................................................................. 164 Slika 57 - Hyperion Visual Explorer ............................................................................................................................................... 166 Slika 58 - Aggregation design wizard ............................................................................................................................................ 167 Slika 59 - Hyperion Intelligence ...................................................................................................................................................... 169 Slika 60 - Hyperion Reports ............................................................................................................................................................. 171 Slika 61 - Hyperion Analyzer .......................................................................................................................................................... 172 Slika 62 - Hyperion SQR .................................................................................................................................................................. 173 Slika 63 - Hyperion Application Builder........................................................................................................................................ 174 Slika 64 - Hyperion Integration services ........................................................................................................................................ 175 Slika 65 - Hyperion administration services....................................................................................................................... : ......... 176 Slika 66 - SQL Server data warehousing ........................................................................................................................................ 180 Slika 67 - Arhitektura Microsoft Reporting Servisa ...................................................................................................................... 182 Slika 68 - SharePoint Portal - My Site ............................................................................................................................................. 183 Slika 69 - Zauzeće procesora prilikom učitavanja tabela podataka ............................................................................................ 188 Slika 70 - Vreme odziva upita, 100 miliona slogova na neparticionisanoj bazi podataka ....................................................... 189 Slika 71 - Vreme odziva upita, 10 miliona slogova na particionisanoj i neparticionisanoj bazi podataka bez agregacija .................................................................................................................. 190 Slika 72 - Vreme odziva upita, 100 miliona slogova, particionisana i neparticionisana baza podataka.. 191 Slika 73 - Vreme odziva upita, milijarda slogova, particionisana baza podataka .................................................................... 192 Slika 74 - Microsoft SQL Server 2005 BI platforma ....................................................................................................................... 195 Slika 75 - Struktura DB2 OLAP servera ............................. . ......................................................................................................... 196 Slika 76 - DB2 Cube Views model................................................................................................................................................... 197 Slika 77 - IBM Websphere Portal. ................................................................................................................................................... 200 Slika 78 - Oracle rešenja poslovne inteligencije ............................................................................................................................. 201 Slika 79- Arhitektura Oracle9iAS .................................................................................................................................................... 204 Slika 80 - Izrada stranice za Oracle9iAS Portal ............................................................................................................................. 205

224 Poslovna inteligencija

t

Literatura 1.

Andrew Spanyi, Business Process Management (BPM) is a Team Sport: Play it to Win!, Anclote Press Imprint of Meghan-Kiffer Press Qune, 2003)

2.

Howard Smith, Peter Fingar, Business Process Management (BPM): The Third Wave, Meghan-Kiffer Press; 1st edition

3.

(January, 2003) Maria Almeide, Getting Started with data warehouse and Business Intelligence

4.

Larissa T Moss, Shaku Atre, Business Intelligence Roadmap: The Complete Project Lifecycle for Decision- Support

5.

Applications, Addison-Wesley Professional; Bk&CD-Rom edition (February 25, 2003) Mike Biere, Business Intelligence for the Enterprise, Prentice Hall PTR; 1st edition (June 4, 2003)

6.

Hand, Mannila, and Smyth / Hardcover / 2001, Principles of Data Mining, The MIT Press (August 1,

2001) 7. Two Crows Corporation, Introduction to Data Mining and Knowledge Discovery, third edition.

Web - www.bitpipe.com, oktobar 1994. - www.balancedscorecard.com, oktobar 1994. -

www.businessintelligence.com, oktobar 1994-

- www.microsoft.com, oktobar 1994. - www.oracIe.com, oktobar 1994. - www.cognos.com, oktobar 1994- www.hyperion.com, oktobar 1994. -

www.sap.com, oktobar 1994.

- www.ibm.com, oktobar 1994. -

www.dmreview.com, oktobar 1994-

- www.microstrategy.com, oktobar 1994.

O Peximu 225

O Peximu Pexim Solutions je osnovan 1990, a sada ima više od 150 zaposlenih i svoje kompanije u četiri drţave. Mi smo regionalni lider u sistem integraciji i implementaciji visokokvalitetnih i pouzdanih rešenja za finansijske institucije. Više od 40 najvećih banaka u regionu s referentnim rešenjima u poslovanju naši su klijenti. Pexim Solutions ima izuzetno uspešno partnerstvo s tehnološkim liderima, kao što su IBM, Cisco, Microsoft, EMC, Wincor Nixdorf.... Naša rešenja su:

Ćore Banking Solution: PUB 2000® Pexim Universal Banking 2000 je integrisano rešenje za bankarsko poslovanje. PUB se sastoji od nekoliko aplikacija koje se nameniene različitim segmentima i koji su inte- grisane u univerzalno „ćore" rešenje. Svaka aplikacija koristi velik izbor modula koji mogu biti implementirani u bilo koji segment poslovanja banke. PUB 2000® je dizajniran da bi banci pruţio podršku u izuzetno dinamičnom okruţenju današnjeg trţišta tako da je ona fleksibilna i prilagodljiva veoma čestim izmenama u regulativi.

Multi-Channel Solution: iBank® iBank® je multikanalno rešenje koje omogućava 24/7 korišćenje bankarskih servisa. U ovom trenutku, iBank® koristi 30 najvećih banaka i četiri dobavljača Internet usluga u jugoistočnoj Evropi. Ovo rešenje je razvijeno na Microsoft .NET i Cisco AVVID platformi. Fleksibilnost i n-tier arhitektura sa integracijom baziranom na porukama garantuje visoke performanse i skalabilnost.

EBPP Solution: E-Pay® E-Pay® je jedinstveno rešenje koje omogućava integrisanje e-banking servisa, kao što su elektronska prezentacija i plaćanje računa. Klijenti više ne moraju da čekaju u redovima da bi platili račune u poštama ili filijalama banaka. Sada, klijenti mogu da imaju uvid u stanje na svojim računima ili plaćaju bilo kom učesniku u E-Pay® lancu.

PKI Solution: Digitrust® Digitrust® je integrisani PKI softver koji se sastoji od aplikacije koja omogućava registraciju subjekata i potpisnika transakcija, sertifikacione servise, izradu ključeva i menadţment celog ciklusa elektronskih transakcija.

Outsourced 24/7 Service Centers

226 Poslovna inteligencija

t

Naši servisni centri omogućavaju bankarske transakcije 24 sata na dan, sedam dana nedeljno za više od 30 banaka u Makedoniji, Srbiji, Crnoj Gori i Kosovu. Početkom 2005. godine, mesečni promet elektronskih transakcija je dostigao 700 miliona evra.

Business Intelligence Solution: Tezauri Pexim Tezauri je robusno, skalabilno i jednostavno za upotrebu rešenje za business intelligence strategiju finansijskih institucija. Sa Pexim Tezauri, donosioci poslovnih odluka iz različitih finansijskih organizacija mogu da uspostave sve tokove informacija i potencijala iz internih i eksternih izvora i tako imaju model za odlučivanje.

Tokom 2005. godine realizovani projekti i dobij ene nagrade su: • Otvaranje servisnog centra e-Mon 24 Crnoj Gori • Učešće na CeBIT-u 2005. i Microsoftovo promovisanje Pexima kao proporuče- nog Partnera • NEW BANKING VISION 2005 konferencija u Ohridu • Objava TEZAURI-ja kao prvog rešenja za „Next Generation" platforme • Dobijanje MICROSOFT 2005 WORLDWIDE PARTNER nagrade • Pexim pobednik konkursa za Makedonsku nacionalnu nagradu na Svetskom sa- mitu za informaciono društvo • Objava nove Pexim kompanije: Pexim Cardinfo • Ugovor o implementaciji ENTERPRISE DATA centra s MERIDIAN BANKOM • Modernizacija poslovnog i informacionog sistema Centrobanke • „Winning horizons" nastup i nagrada na XII Infofestu • Učešće na FINMAR 2005 • Memorandum o razumevanju s Vladom Republike Srbije o donaciji za Projekat bankarski sluţbenik u srednjim školama • PEXIM CARDINFO dobitnik prestiţne WINCOR NIXDORF nagrade • MICROSOFT na svojoj web stranici objavio studiju o PEXIM TEZAURI BUSINESS INTELLIGENCE rešenju • EMC partnerska nagrada

O Peximu 227

•Novi informacioni sistem Tutunske banke Diskobolos 2005 nagrada za Business Intelligence kao najbolji produkt u finansij- skom segmentu.

Referentna lista Peximovih klijenata obuhvata:

Nacionalna štedionica Banka A. D. Belgrade

Banes intesa

Banca Intesa - Delta banka A. D. Beograd

imm

Pro Credit Bank, Beograd

Jugoslovenska banka za međunarodnu ekonomsku saradnju A. D. Bčograd v^T

JP PTT saobraćaja „Srbija"

Ĉačanska banka A. D. Ĉačak

Kulska banka A. D. Kula ^

Univerzal banka A. D. Beograd

•«ss.

/Qr

228 Poslovna inteligencija

t

Ma Kksn Bank

Meridian banka A. D. Novi Sad

CRE D IT AGR i COLE

Ohridska banka A. D. Ohrid | jjj

Stopanska banka A. D. Bitola f/jJ .

iWis i

Komercijalna banka A. D. Skoplje

Narodna banka R. Makedonije

■/ i. >7\

Komercijalno investiciona banka A. D. Kumanovo

y

Tetovska banka A. D. Tetovo

Sileks banka A. D. Bitola

.......

. /; ¡1

V*

..č.'.V.i

O Peximu 229

Rado banka A. D. Skoplje

Eksim banka A. D. Skoplje

Eksim banka

A banka A. D. Beograd B\\K

3v Metals banka

AIK banka

Tutunska banka

i.K^-MÜ'vü KA

ggJ

^ TUTUNSKÄ BANKA

Privredna banka A. D. Srpsko Sarajevo Poljoprivredno investiciona banka Novi Sad Irivest banka A. D. Skoplje JP PIT saobraćaja „Makedonija"

CIP - KaTa/iorii3annja y ity6/in Kalaju HapoAHa 6M6>inoTeKa Cp6nje, Beorpan 005.94(075.8) 004-738:339] ::005 (075.8) 004(075.8)

i -RMPMTi, BojaH

Poslovna inteligencija / Bojan Cirić. - Beograd : Data status, 2006 | (Novi Sad : SP print). - 223 str.: graf. prikazi,, tabele ; 24 cm !

! Tiraţ 500. - Registri. - Bibliografija: str. 217. i

| ISBN 86-7478-018-0 ' a). Ilpefly3eha - E/ieKTpoHCKO !

i

6).

nooioBatfee MH(j>opMaL(MOHa TexHo;iorMja

! COBISS.SR-ID 128058636

I

'

• Potreba da se povećaju prihodi i smanje troškovi. Prošli su dani kad su korisnici organizovali svoj posao kroz mesečne batch izveštaje, a IT odeljci imali na raspolaganju mesece da završe potrebne aplikacije. Danas je razvoj i implementacija aplikacija veoma ubrzana i omogućava korisnicima brz i efikasan pristup informacijama koje same brzo menjaju poslovno okruţenje. Sistemi poslovne inteligencije su fokusirani na krajnjeg korisnika (end-user), na obezbeđivanje i distribuciju potrebnih informacija uz podršku sofisticiranih informacionih tehnologija neophodnih za procesiranje aktuelnih poslovnih informacija.

• Za donosioce odluka stratešku povratnu vezu (feeđha- k) o okućem statusu organizacije iz više perspektiva. • Informacionu podrška svim poslovnim procesima i mogućnost upravlj anja poslovnim procesima • Podršku odlučivanju • Podršku unapređenju organizacije • Optimizaciju i racionalizaciju poslovanja • Podršku odlučivanju za sve nivoe menadţmenta • Povećanje profita i smanjivanje troškova • Istorijat poslovanja i informacije za buduće projekcije (proces planiranja)

• Kvalitetne,

tačne,

pouzdane,

sveobuhvatne

i

pravovremene informacije • Skalabilnost sistema (otpornost sistema na rast i razvoj i povećanje zahteva) • Jednostavnost u radu • Optimalan odnos performansi i troškova informacionog sistema U posleđnje vreme kod nas često uz softverske pakete ovoga tipa ide i prefiks „integralni". Karakteristika „integralan" u nazivu informacionog sistema podrazumeva međusobnu povezanost svih modula,

optimizovan (osnovnih

(minimiziran) ~ • * i> S. • d' '¿m* ii :

unos

polaznih

podataka

________ „:„„ ...... a......... ................ ..„ ...................m

ä v?»*- J I

• Velike mogućnosti pristupa podacima - rad s velikom količinom podataka iz različitih izvora • Napredno formatiranje - podrţavanje različitih formata