Πανεπιστήμιο Αιγαίου Τμήμα πληροφοριακών και Επικοινωνιακών συστημάτων Ολοκληρωμένη Μεθοδολογία Υλοποίησης Έργων Επιχειρηματικής Ευφυίας An

Transcript

1 Πανεπιστήμιο Αιγαίου Τμήμα πληροφοριακών και Επικοινωνιακών συστημάτων Ολοκληρωμένη Μεθοδολογία Υλοποίησης Έργων Επιχειρηματικής Ευφυίας An Integrated Methodology for the Implementation of Business Intelligence Projects 321/ Ιγνατίδου Συμέλα Ραφαηλία Μάιος 2017

2 Ολοκληρωμένη Μεθοδολογία Υλοποίησης Έργων Επιχειρηματικής Ευφυίας An Integrated Methodology for the Implementation of Business Intelligence Projects Η Διπλωματική Εργασία παρουσιάστηκε ενώπιον του Διδακτικού Προσωπικού του Πανεπιστημίου Αιγαίου Σε Μερική Εκπλήρωση των Απαιτήσεων για το Δίπλωμα του Μηχανικού Πληροφοριακών και Επικοινωνιακών Συστημάτων της ΙΓΝΑΤΙΔΟΥ ΣΥΜΕΛΑΣ ΡΑΦΑΗΛΙΑΣ ΕΑΡΙΝΟ ΕΞΑΜΗΝΟ 2017 i

3 Η ΤΡΙΜΕΛΗΣ ΕΠΙΤΡΟΠΗ ΔΙΔΑΣΚΟΝΤΩΝ ΕΠΙΚΥΡΩΝΕΙ ΤΗ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΤΗΣ ΙΓΝΑΤΙΔΟΥ ΣΥΜΕΛΑΣ ΡΑΦΑΗΛΙΑΣ: Δρ. Λουκής Ευριπίδης, Επιβλέπων Καθηγητής Τμήμα Μηχανικών Πληροφοριακών και Επικοινωνιακών Συστημάτων Δρ. Κοκολάκης Σπύρος, Μέλος Αναπληρωτής Καθηγητής Τμήμα Μηχανικών Πληροφοριακών και Επικοινωνιακών Συστημάτων Δρ. Μαραγκουδάκης Μανώλης, Μέλος Αναπληρωτής Καθηγητής Τμήμα Μηχανικών Πληροφοριακών και Επικοινωνιακών Συστημάτων ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΕΑΡΙΝΟ ΕΞΑΜΗΝΟ 2017 ii

4 Περίληψη Η παρούσα διπλωματική εργασία εκπονήθηκε στα πλαίσια του Προπτυχιακού Προγράμματος Σπουδών του Τμήματος Μηχανικών Πληροφοριακών και Επικοινωνιακών Συστημάτων του Πανεπιστημίου Αιγαίου, υπό την επίβλεψη του Καθηγητή Δρ. Ευριπίδη Λουκή. Κατά τα τελευταία έτη όλο και περισσότερες εταιρίες στρέφονται στην χρήση εργαλείων ΒΙ (Business Intelligence), τα οποία βοηθούν στην άμεση λήψη στρατηγικών αποφάσεων για την πορεία ενός οργανισμού, καθώς επίσης αποτελούν σημαντικό παράγοντα στην μείωση του ανταγωνισμού. Στόχος της εργασίας αυτής είναι αρχικά να γίνει κατανοητή η συμβολή των συστημάτων Business Intelligence (Επιχειρηματική Ευφυΐα) και Business Analytics (Επιχειρηματική Ανάλυση) μέσω της καινοτομίας που ήρθαν για να προσφέρουν, στο επίπεδο της διοίκησης ενός οργανισμού. Επόμενος στόχος είναι να παρουσιαστούν τα κομμάτια εκείνα που απαιτούνται, ώστε να υλοποιηθεί ένα έργο BI, τόσο σε θεωρητικό όσο και σε πρακτικό υπόβαθρο. Έτσι περιγράφεται το κομμάτι της συλλογής απαιτήσεων από τον πελάτη, η διαδικασία ETL (Extract - Transform Load) με την βοήθεια της οποίας αποκτάμε πρόσβαση στα δεδομένα του πελάτη, η έννοια του Data Warehouse (Αποθήκη δεμένων), σύμφωνα με την οποία καθορίζεται η δομή που θα αποθηκευτεί η πληροφορία. Ακολούθως περιγράφεται η έννοια της πολυδιάστατης πληροφορίας, παρουσιάζεται, δηλαδή, η έννοια του κύβου και ακολουθεί η επεξεργασία των δεδομένων και η απεικόνισή τους στο τέλος της εργασίας, μέσω του εργαλείου ΒΙ (Business Intelligence). Περνώντας από την περιγραφή στην πράξη, κάνοντας χρήση ενός υποθετικού σεναρίου που αναφέρεται σε μια αλυσίδα καταστημάτων μεταπώλησης, εξετάζουμε και πρακτικά τα παραπάνω μέχρι τώρα θεωρητικά βήματα της υλοποίησης. Αρχικά, δηλαδή, γίνεται η ανάλυση των απαιτήσεων του πελάτη και καταλήγουμε σε συγκεκριμένους δείκτες του οποίους επιθυμεί να παρακολουθεί. Έπειτα ακολουθεί η δημιουργία του SSIS Project (SQL Server Integration Services), στο κομμάτι αυτό υλοποιείται η διαδικασία ETL, στην συνέχεια δομούμε το Data Warehouse (αποθήκη δεδομένων) στην οποία αποθηκεύονται τα δεδομένα του πελάτη τα οποία προκύπτουν από την προηγούμενη διαδικασία (ETL), έπειτα δημιουργούμε το SSAS Project (SQL Server Analysis Services) το οποίο μας βοηθά να καθορίσουμε ποια θα είναι τα Dimension (Διαστάσεις) και ποια τα μετρήσιμα (measures) στην συγκεκριμένη υλοποίηση, και ουσιαστικά να δομήσουμε τον κύβο στον οποίο θα βασιστούν όλες οι αναφορές που πρόκειται να δημιουργηθούν στην συνέχεια. Μετά από την διαδικασία αυτή σειρά έχει η σύνδεση του κύβου με το εργαλείο απεικονίσεις των αναφορών, καθώς και η δημιουργία αυτών. Επιπρόσθετα, γίνεται αναφορά στην συσχέτιση του όρου BI με τα Big Data. Ακόμα παρουσιάζεται και η συνεισφορά του Cloud Computing στην τεχνολογία αυτή της ΙΓΝΑΤΙΔΟΥ ΣΥΜΕΛΑ ΡΑΦΑΗΛΙΑ Τμήμα Μηχανικών Πληροφοριακών και Επικοινωνιακών Συστημάτων ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ iii

5 Abstract This diploma thesis has been elaborated in the scope of the Undergraduate Program of Studies of the Department of Information and Communication Systems Engineering at the University of the Aegean, under the supervision of Professor Dr. Euripides Loukis. In recent years, more and more companies are turning to BI (Business Intelligence) tools, which help them in making strategic decisions concerning an organization's progress, as well as they form an important factor in reducing competition. The aim of this dissertation is to make comprehensible the contribution of Business Intelligence and Business Analytics through the innovation they have come to offer, at the level of organization management. The next objective is to present the steps required for a BI implement project, both in theoretical and practical background. Thus, firstly the requirement gathering from the customer is described, after that, described the ETL (Extract - Transform - Load) process, which helps us gain access to a customer s data and the schema of the Data Warehouse, according to which the structure that the information will be stored is defined. Then the concept of multidimensional information is described, i.e. the concept of the cube is presented, followed by processing of data and their visualization at the end of the dissertation, with the use of the BI (Business Intelligence) tool. Moving from description to practice and by using a hypothetical scenario referring to a chain of resellers, we discuss at a practical level the abovementioned theoretical steps of implementation. Therefore, initially we analyze a client's requirements and then we end up with specific indicators that a client would like to monitor. The creation of the SSIS Project (SQL Server Integration Services) comes next, part in which the ETL process is implemented, then we build the Data Warehouse, in which a customer s data are stored, resulting from the previous ETL process, then we create the SSAS Project (SQL Server Analysis Services) which helps us determine which will be the Dimensions and the Measures as far as the implementation is concerned, and, essentially, to construct the cube on which will be based all the reports that are going to be created. Following this process comes the phase in which we connect the cube with the visualization tool and we create the reports as well. In addition, reference is made to the association of BI with Big Data. Furthermore, Cloud Computing's contribution to this technology is presented IGNATIDOU SYMELA RAFAILIA Department of Information and Communication Systems Engineering UNIVERSITY OF THE AEGEAN iv

6 Ευχαριστίες Θα ήθελα να ευχαριστήσω θερμά τον επιβλέποντα Καθηγητή της διπλωματικής μου εργασίας, Δρ. Ευριπίδη Λουκή, για όλη την βοήθεια αλλά και την καθοδήγηση που μου προσέφερε κατά τη διάρκεια της εκπόνησής της, αλλά κυρίως για την ευκαιρία που μου έδωσε να ασχοληθώ και να εμβαθύνω τις γνώσεις μου σε ένα τόσο ενδιαφέρον και καινοτόμο θέμα. Επίσης, ένα μεγάλο ευχαριστώ αξίζει στην ομάδα του BI & Analytics της εταιρίας PwC Ελλάδας, για την πολύ σημαντική βοήθεια που μου παρείχαν οποτεδήποτε τους είχα ανάγκη καθ όλη την διάρκεια αυτής μου της προσπάθειας. Ακόμα, θέλω να ευχαριστήσω τα φιλικά μου πρόσωπα, χωρίς αυτά η πορεία μου σε αυτό το απαιτητικό έργο θα ήταν δυσκολότερη. Τέλος, οφείλω να εκφράσω ένα τεράστιο ευχαριστώ στην οικογένεια μου που με έχει στηρίξει όλα αυτά τα χρόνια στις επιλογές μου, και ήταν πάντα δίπλα μου, χαρίζοντας μου την πολύτιμη βοήθεια τους. Χωρίς την στήριξη τους αυτή θα είχα καταφέρει πολύ λιγότερα. v

7 Περιεχόμενα Περίληψη... iii Abstract... iv Ευχαριστίες... v Περιεχόμενα... vi Κατάλογος Πινάκων... viii Κατάλογος Εικόνων Εισαγωγή Θεωρητικό Υπόβαθρο Η έννοια της Επιχειρησιακής Ευφυίας (Business Intelligence - BI) Επιχειρησιακή Ευφυία Ιστορική Αναδρομή Cloud - BI Big Data BI Hadoop & MapReduce Η Επιχειρησιακή Ευφυία στην Ελλάδα Μέθοδος εκπόνησης διπλωματικής εργασίας Εισαγωγή Ανάλυση απαιτήσεων Διαδικασία ETL (Extract, Transform, Load) Σχεδιασμός Data Warehouse Σχήμα Αστέρα (Star Schema) Σχήμα Χιονονιφάδας (Snowflake Schema) Σχήμα Αστερισμού (Constellation Schema) Προσέγγιση Ralph Kimball vs Inmon Αναλυτική επεξεργασία των δεδομένων Πολυδιάστατο Μοντέλο Δεδομένων Κύβοι Απεικόνιση των δεδομένων Business Analytics Μεθοδολογία Υλοποίησης Εισαγωγή Ανάλυση απαιτήσεων Διαδικασία ETL vi

8 4.3.1 Δημιουργία SSIS Project Ορισμός Connection Managers Διαδικασία διεξαγωγής της υλοποίησης Δημιουργία SSAS Project Πίνακες Γεγονότων και Πίνακες Διαστάσεων Ξένα κλειδιά και πρωταρχικά κλειδιά Dimension Table Το Dimension του χρόνου με ιεραρχία Δημιουργία του Κύβου Σύνδεση του κύβου με το εργαλείο απεικονίσεις Δημιουργία τελικών Dashboard Συμπεράσματα Βιβλιογραφία vii

9 Κατάλογος Πινάκων Πίνακας 3-1: Τα πλεονεκτήματα που μπορεί το OLAP να προσφέρει σε έναν οργανισμό ή μια επιχείρηση σε σύγκριση με μια απλής σχεσιακή βάση δεδομένων. viii

10 Κατάλογος Εικόνων Εικόνα 2-1: Επιχειρηματικοί τομείς στους οποίους η Επιχειρησιακή Ευφυία μπορεί να φανεί χρήσιμη. Εικόνα 2-2: Περιγραφή της δομής του Hadoop. Εικόνα 2-3: Περιγραφή της ροής των δεδομένων της διαδικασίας και τον αποτελεσμάτων του Hadoop. Εικόνα 3-1: Γραφική απεικόνιση της διαδικασίας ETL. Εικόνα 3-2α: Data Warehouse Σχήμα Αστέρα. Εικόνα 3-2β: Data Warehouse - Σχήμα Χιονονιφάδας. Εικόνα 3-2γ Data Warehouse Σχήμα Αστερισμού. Εικόνα 3-3: Τυπική αρχιτεκτονική μιας αποθήκης δεδομένων Inmon. Εικόνα 3-4: Τυπική απεικόνιση της προσέγγισης του Kimball Εικόνα 4-1: Εργαλεία που χρησιμοποιήθηκαν για τους σκοπούς της εργασίας. Εικόνα 4-2: Δημιουργία νέου SSIS project. Εικόνα 4-3: Επιλογή νέου SSIS Services Project. Εικόνα 4-4: Επιβεβαίωση της δημιουργίας του SSIS project. Εικόνα 4-5: Προσθήκη Execute SQL Task και Data Flow Task στη κεντρική οθόνη σχεδιασμού. Εικόνα 4-6: Καρτέλα Data Flow. Εικόνα 4-7: Δημιουργία νέας OLE DB σύνδεσης. Εικόνα 4-8: Σύνδεση του project με τον Server που βρίσκεται η βάση. Εικόνα 4-9: Ορισμός της πηγής των δεδομένων καθώς και του πίνακα που μας ενδιαφέρει. Εικόνα 4-10: Το ολοκληρωμένο Data Flow για την μεταφορά των πινάκων του προβλήματος. Εικόνα 4-11: Χρήση της επιλογής Analysis Services Multidimensional and Data Mining για την δημιουργία νέου project. Εικόνα 4-12: Δημιουργία νέας πηγής δεδομένων New Data Source. Εικόνα 4-13: Επιλογή του κουμπιού New για να δημιουργία καινούργιας σύνδεσης. Εικόνα 4-14: Δημιουργία της σύνδεσης με την βάση Melina_Papaellinas Εικόνα 4-15: Δημιουργία νέου Data Source View. Εικόνα 4-16: Μεταφορά όλων τον πάκων που θα χρησιμοποιήσουμε στην πλευρά Included Table Εικόνα 4-17: Μορφή του σχήματος μετά την σύνδεση των πινάκων. Εικόνα 4-18: Η έννοια του Fact πίνακα και των Dimension, καθώς και τον Primary και Foreign κλειδιών. Εικόνα 4-19: Δημιουργία νέου Dimension Εικόνα 4-20: Πρώτο παράθυρο για την δημιουργία του Dimension. Εικόνα 4-21: Αφήνουμε της default επιλογές για την δημιουργία του Dimension Item. 9

11 Εικόνα 4-22: Δεν θα επιλέξουμε επιπλέον Attributes στο σημείο αυτό. Εικόνα 4-23: Τραβώντας μια στήλη από τα δεξιά στα αριστερά δημιουργούμε νέο attribute. Εικόνα 4-24: Τρέξιμο του Dimension Item. Εικόνα 4-25: Όταν έχουν γίνει αλλαγές στο project μας ζητάτε να κάνουμε deploy και process ξανά. Εικόνα 4-26: Εκκίνηση διαδικασίας ενημέρωσης του Dimension. Εικόνα 4-27: Προεπισκόπηση των περιεχομένων του Item Dimension. Εικόνα 4-28: Οργάνωση ιεραρχίας χρόνου Time Dimension. Εικόνα 4-29: Δημιουργία νέου κύβου. Εικόνα 4-30: Πρώτη οθόνη της ακολουθίας παραθύρων για την δημιουργία του κύβου. Εικόνα 4-31: Επιλογή του Fact Table, ως πηγή των μετρήσιμων της παρούσας υλοποίησης Εικόνα 4-32: Επιλογή όλων των Dimension που δημιουργήσαμε ως τώρα. Εικόνα 4-33: Προσθήκη επιπλέων Dimension ή έλεγχος των συνδέσεων. Εικόνα 4-34: Δημιουργία Referenced σύνδεσης για το Dimension Gender. Εικόνα 4-35: Διαδικασία ενημέρωσης των δεδομένων του κύβου. Εικόνα 4-36: Προεπισκόπηση της πληροφορίας που περιέχει ο κύβος. Εικόνα 4-37: Δημιουργία νέας σύνδεσης με τον ANTserver. Εικόνα 4-38: Επιλογή του είδους της σύνδεσης με τον server. Εικόνα 4-39: Επιλογή του εργαλείου στο οποίο προετοιμάστηκε ο κύβος. Εικόνα 4-40: Εισαγωγή της διεύθυνσης του server και επιλογή της βάσης. Εικόνα 4-41: Δημιουργία νέου Dashboard. Εικόνα 4-42: Οθόνη σχεδίασης του Dashboard. Εικόνα 4-43: Αναπαράσταση σε ραβδόγραμμα των κερδών της επιχείρησης ανά φύλο. Εικόνα 4-44: Επεξεργασία, μενού Properties. Εικόνα 4-45: Αρχική οθόνη του εργαλείου. Εικόνα 4-46: Κέρδη σε επίπεδο καταστημάτων. Εικόνα 4-47: Κέρδη σε επίπεδο καταστημάτων φιλτραρισμένα ανά κατηγορία προϊόντων. Εικόνα 4-48: Κέρδη σε επίπεδο προϊόντων. Εικόνα 4_49: Κέρδη ανά προϊόν φιλτραρισμένα για συγκεκριμένο κατάστημα. Εικόνα 4-50: Κέρδη ανά προϊόν που ανήκουν σε συγκεκριμένη κατηγορία φιλτραρισμένα με συγκεκριμένο κατάστημα. Εικόνα 4-51: Δεύτερο επίπεδο ιεραρχίας κατηγορίας προϊόντων. Εικόνα 4-52: Τρίτο επίπεδο ιεραρχίας κατηγορίας προϊόντων. Εικόνα 4-53: Κέρδη ανά ηλικία καταναλωτών, ανά φύλο και ανά πωλητή. Εικόνα 4-54: Ο τζίρος που έχει κάνει συγκεκριμένος πελάτης, σε συνδυασμό με την ηλικία, το φύλο του καθώς και τους πωλητές που τον έχουν εξυπηρετήσει. 10

12 1. Εισαγωγή Η ανάγκη για έξυπνες επιχειρησιακές μεθόδους, οι οποίες βοηθούν στην λήψη αποφάσεων προέκυψε τα τελευταία χρόνια, λόγο του μεγάλου όγκου των δεδομένων που οι επιχειρήσεις χειρίζονται. Γεννάται λοιπόν η ανάγκη για ευφυή πληροφοριακά συστήματα, τα οποία μπορούν να παρουσιάσουν την πληροφορία αυτή συνολικά. Έτσι, μπορεί η κάθε επιχείρηση να έχει συγκεντρωτικά την πληροφορία που την ενδιαφέρει για να μπορεί να κάνει συγκρίσεις και να λαμβάνει συγκεκριμένα αποτελέσματα. Το γεγονός αυτό σαφώς της επιτρέπει να αποφεύγει λάθη του παρελθόντος που δεν απέδωσαν θετικά, αλλά και να παρατηρεί επιτυχημένες στρατηγικές. Με αυτόν τον τρόπο μειώνεται το ρίσκο που έχει να πάρει η εταιρία σε μια καινοτόμα κίνηση που ετοιμάζεται να κάνει. Αυτό συμβαίνει γιατί μέσα από διάφορους δείκτες που προκύπτουν από δεδομένα του παρελθόντος, μπορεί να παρατηρήσει σημαντικές λεπτομέρειες, λάθη, αλλά και ευκαιρίες κερδοφορίας και ανάπτυξης. Στην παρούσα διπλωματική εργασία θα παρακολουθήσουμε ολόκληρη την διαδικασία σύμφωνα με την οποία λαμβάνει χώρα μια ολοκληρωμένη μελέτη για την δημιουργία ευφυών πληροφοριακών συστημάτων. Αρχικά θα δούμε την διαδικασία σύμφωνα με την οποία αντιλαμβανόμαστε τις ακριβείς απαιτήσεις που έχει ο πελάτης, το οποίο μπορεί να γίνει με την βοήθεια ενός ερωτηματολογίου. Στην συνέχεια, αφού έχουμε κατανοήσει πλήρως τις απαιτήσεις του πελάτη, σειρά έχει η διαδικασία ETL (Extract - Transform - Load) σύμφωνα με την οποία εξάγουμε τα δεδομένα του πελάτη τα μορφοποιούμε κατάλληλα με τις απαιτήσεις του έργου και στη συνέχεια τα φορτώνουμε στην βάση δεδομένων προορισμού. Στην παρούσα εργασία χρησιμοποιούμε τον SQL Server της Microsoft. Στην συνέχεια καθορίζουμε τις σχέσεις μεταξύ των πινάκων των δεδομένων μας ώστε να μπορούμε να αντλούμε εύκολα και γρήγορα την απαιτούμενη πληροφορία που χρειαζόμαστε κάθε φορά (Star Schema, Snowflake Schema, Constellation Schema - Σχήματα Data Warehouse). Έπειτα γίνεται ο διαχωρισμός των Measure (Μετρήσιμων) και των Dimension (Διαστάσεων) του προβλήματος σύμφωνα με διαδικασίες οι οποίες αναφέρονται λεπτομερώς στην συνέχεια της εργασίας. Στο σημείο αυτό έχει γίνει όλη η απαιτούμενη δουλειά ώστε να δημιουργήσουμε το Data Warehouse, μια «αποθήκη» στην οποία έχουμε τοποθετήσει τα δεδομένα μας με τρόπο κατάλληλο για επεξεργασία καθώς και εύκολη συντήρηση. Σειρά έχει η δημιουργία του κύβου, ο οποίος μας βοηθά να τμηματοποιήσουμε την πληροφορία έτσι ώστε να είναι εύκολα και γρήγορα προσπελάσιμη και να μην προκαλεί χρονικές καθυστερήσεις. Η διαδικασία τελειώνει με την απεικόνιση της πληροφορίας στο τελικό χρήστη. Το κομμάτι αυτό πρέπει να γίνει με ιδιαίτερη προσοχή και μελέτη ώστε η πληροφορία που παρέχουμε στο χρήστη να είναι όσο το δυνατόν πιο εύκολα αντιληπτή. Παράλληλα πρέπει να διασφαλίσουμε πως ο χρήστης θα κάνει τις λιγότερο δυνατές κινήσεις ώστε να πάρει την πληροφορία που επιθυμεί. 11

13 Η παρούσα διπλωματική εργασία απαρτίζει μια ολοκληρωμένη μεθοδολογία σχεδιασμού έργων Επιχειρηματικής Ευφυΐας(Business Intelligence - BI). Τα βήματα που ακολουθήθηκαν για τον καθορισμό της μεθοδολογίας αυτής είναι αρχικά η μελέτη βιβλιογραφίας σχετικής με το αντικείμενο. Πιο συγκεκριμένα εξετάστηκε πρώτα σε θεωρητικό επίπεδο κάθε βήμα που είναι απαραίτητο για την παρούσα υλοποίηση, όπως είναι η ανάλυση των απαιτήσεων του πελάτη, η διαδικασία ETL, ο σχεδιασμός του Data Warehouse, η δημιουργία του κύβου και τελικά η ανάδυση όλης της πληροφορίας αυτής με την χρήση κάποιου εργαλείου BI. Στην συνέχεια ακολούθησαν συνεντεύξεις με έμπειρα στελέχη στον χώρο του BI, ώστε να καταγραφεί και να ακολουθηθεί η βέλτιστη πρακτική υλοποίησης ενός τέτοιου έργου. Ακολούθησε, λοιπόν, ύστερα από ώριμη ανάλυση των όσων ειπώθηκαν στις συνεντεύξεις, ο σχεδιασμός της μεθοδολογίας, η εφαρμογή της οποίας παρατίθεται αναλυτικά στο Κεφάλαιο 4. Η εργασία αποτελείται από πέντε κεφάλαια. Το πρώτο Κεφάλαιο συγκροτείται από μια σύντομη εισαγωγή στο θέμα, καθώς επίσης και από μια αναφορά στη δομή της εργασίας. Στο δεύτερο Κεφάλαιο παρουσιάζεται η ιδέα του BI, τι αυτό υπόσχεται στις επιχειρήσεις που θα το ενσωματώσουν στην λειτουργία τους, καθώς και η καινοτομία στη διαδικασία λήψης αποφάσεων που προσφέρει. Παράλληλα εξετάζουμε την θετική συνεισφορά του Cloud Computing στο κομμάτι του BI. Ακόμα μελετούμε την αλληλεπίδραση στη πληροφορία που μας προσφέρει η επιλεγμένη τεχνική σε συνεργασία με αυτή των Big Data. Στο τρίτο Κεφάλαιο παρουσιάζεται περιγραφικά η μέθοδος σύμφωνα με την οποία υλοποιήθηκε η παρούσα διπλωματική εργασία. Στο τέταρτο Κεφάλαιο περιγράφεται η μεθοδολογία την οποία ακολουθούμε για την περάτωση ενός έργου επιχειρηματικής ευφυίας. Το πέμπτο και τελευταίο Κεφάλαιο αποτελείται από τα συμπεράσματα που προκύπτουν σχετικά με τη παραπάνω μελέτη 12

14 2. Θεωρητικό Υπόβαθρο 2.1 Η έννοια της Επιχειρησιακής Ευφυίας (Business Intelligence - BI) Ο όρος BI πρωτοεμφανίστηκε στα τέλη της δεκαετίας του 80 και περιλαμβάνει ένα ευρύ φάσμα από διαδικασίες και προϊόντα λογισμικού, που στόχο έχουν τη συγκέντρωση, την ανάλυση, και στην συνέχεια την ανάδυση της πληροφορίας με παραστατικό και εύκολα κατανοητό τρόπο[1]. Τα εργαλεία επιχειρηματικής ευφυΐας, δίνουν τη δυνατότητα για εξαγωγή, μορφοποίηση και στη συνέχεια εισαγωγή των επιχειρησιακών δεδομένων, των οποίων η παρακολούθηση είναι απαραίτητη, σε μια βάση δεδομένων (στην παρούσα εργασία εξετάζουμε την περίπτωση εισαγωγής των δεδομένων σε βάση στη Microsoft SQL). Η διαδικασία αυτή είναι η ETL. Στην συνέχεια, και αφού πραγματοποιηθεί η διαδικασία ETL, μπορούν τα δεδομένα αυτά να αναπαρασταθούν σε χρήσιμες αναφορές (reports) οι οποίες απεικονίζουν περιγραφικά χρήσιμους δείκτες που μια επιχείρηση επιθυμεί να παρακολουθεί. Το Business Intelligence ενθαρρύνει την καινοτομία, και αυτό το πετυχαίνει συμβάλλοντας στην μείωση του ρίσκου, αλλά και στην αύξηση των περιθωρίων κερδοφορίας ενός οργανισμού, μέσω παραστατικών δεικτών που ο οργανισμός μπορεί εύκολα και γρήγορα να παρακολουθεί, ώστε να παίρνει σωστές και στρατηγικής σημασίας αποφάσεις. Τα συστήματα ΒΙ είναι εξειδικευμένα πληροφοριακά συστήματα, τα οποία προσφέρουν ποιοτική πληροφορία. Η πληροφορία αυτή βασίζεται σε ποιοτικά και συγκεντρωτικά δεδομένα, τα οποία συνδυάζονται με λογισμικό ικανό να διεξάγει κατάλληλες αναλύσεις. Η βελτίωση της ποιότητας της πληροφορίας οφείλεται στις δυνατότητες αυτών των συστημάτων, τα οποία επιτρέπουν την ταχύτερη πρόσβαση σε αυτή, την ευκολότερη υποβολή ερωτημάτων στο σύστημα, τη σύνταξη αναφορών, την προχωρημένη ανάλυση των δεδομένων, καθώς και τη βελτίωση της ποιότητας των δεδομένων. Οι τελικοί αποδέκτες του προϊόντος των συστημάτων ΒΙ τροφοδοτούνται έγκαιρα με γνώση που χρησιμοποιούν για τη λήψη αποφάσεων [1]. 13

15 2.2 Επιχειρησιακή Ευφυία Ο έντονος ανταγωνισμός που εμφανίζεται στις μέρες μας σε όλους τους τομής της οικονομίας αναγκάζει τις εταιρείες να κάνουν τις απαραίτητες αλλαγές στο εσωτερικό τους ώστε να συμβαδίζουν με τις νέες επιχειρησιακές ανάγκες, φέρνοντας τες αντιμέτωπες με νέες ανταγωνιστικές ευκαιρείες και απειλές, ενώ παράλληλα αναδιαμορφώνονται και τα όρια της βιομηχανικής αγοράς [2]. Έτσι οι επιχειρήσεις στρέφονται στην αναζήτηση και υλοποίηση πρωτοποριακών μεθόδων, οι οποίες τους δίνουν τη δυνατότητα να είναι πιο ευέλικτες στις αλλαγές ώστε να διατηρούν το ανταγωνιστικό τους πλεονέκτημα, ενώ παράλληλα είναι σε θέση να αναπτύξουν ασφαλή επίπεδα αντοχής σε ενδεχόμενα γεγονότα επιχειρηματικών κινδύνων [3]. Μια εταιρεία είναι πλέον απαραίτητο να χρησιμοποιεί διάφορα εργαλεία λογισμικού όπως είναι ο σχεδιασμός επιχειρησιακών πόρων (ERP), η διαχείριση πελατειακών σχέσεων (CRM), η διαχείριση εφοδιαστικής αλυσίδας (SCM), τα συστήματα Επιχειρηματικής Ευφυΐας και Επιχειρηματικής Ανάλυσης (Βusiness Ιntelligence/Βusiness Αnalytics) και τα συστήματα υποστήριξης συνεργασίας (CSS) σε διαφορετικά παραρτήματά της, με στόχο την σωστή και εύρυθμη λειτουργία της [4],[5]. Καταλήγουμε, λοιπόν, στο συμπέρασμα ότι ο όγκος των δεδομένων που έχουν σήμερα να διαχειριστούν οι εταιρείες είναι τεράστιος. Επομένως μπορεί να γίνει εύκολα αντιληπτό ότι η διαχείριση των δεδομένων σε μια τέτοια περίπτωση είναι σχεδόν αδύνατη με τις συμβατικές μεθόδους. Την ανάγκη αυτή έρχεται να διευθετήσει η λύση του Business Intelligence, με την βοήθεια της οποίας μπορούμε να έχουμε μια συνολική και αξιόπιστη εικόνα των δεδομένων μας. Το Business Intelligence έχει ως στόχο να βοηθήσει στη λήψη γρήγορων και αξιόπιστων αποφάσεων. Τα εργαλεία ΒΙ πετυχαίνουν να προβλέπουν πάντα μια γρήγορη, σωστή και αξιόπιστη λύση. Αυτό το πετυχαίνουν με την χρήση τεχνικών data mining, καθώς επίσης και με predictive analytics. Με την πρακτική αυτή μπορούμε να προσπελάσουμε δομημένα δεδομένα και να πάρουμε χρήσιμες πληροφορίες και στατιστικούς δείκτες (Key Performance Indicators - KPIs) από δεδομένα του παρελθόντος, καθώς επίσης και αξιόπιστες προβλέψεις για το μέλλον[1]. 14

16 Το BI ορίζεται ως «ένα σύνολο από θεωρίες, μεθοδολογίες, διεργασίες, αρχιτεκτονικές και τεχνολογίες με τις οποίες ένας οργανισμός ή μια επιχείρηση μπορεί να αναλύσει τα πρωτογενή της δεδομένα, και να εξαγάγει από αυτά πληροφορία που βασίζεται σε αναφορές και σε αληθινά στοιχεία και όχι στην προσωπική κρίση και την εμπειρία ενός ή μερικών ατόμων»[6]. Χάρη στην εύστοχη και οργανωμένη πληροφορία που μας παρέχεται από τα εργαλεία BI, λοιπόν, μπορούμε να έχουμε μια συνολική και δομημένη εικόνα της εταιρείας, η οποία βοηθά στη παρακολούθηση και μείωση του ανταγωνισμού. Και αυτό γιατί παίζει καθοριστικό ρόλο στο να γίνουν αντιληπτές οι αδυναμίες ενός οργανισμού ή μίας επιχείρησης, έτσι ώστε να είναι σε θέση να παίρνει κρίσιμες αποφάσεις για την μελλοντική πορεία που θα ακολουθήσει, έχοντας παράλληλα και ένα πιο ξεκάθαρο πλάνο. Με τον τρόπο αυτό γίνεται πιο εύκολο για αυτόν που διευθύνει μια ομάδα έργου να πετύχει τους στόχους που έχουν τεθεί. Η λύση του Business Intelligence, λοιπόν, έχει την δυνατότητα να προσφέρει συγκεντρωτικές αναφορές, κάνοντας χρήση τόσο εσωτερικών όσο και εξωτερικών δεδομένων που αφορούν τον οργανισμό, με στόχο την διευκόλυνση στη λήψη καταλληλότερων αποφάσεων. Πολύ σημαντικό κομμάτι στην επιτυχία του Business Intelligence είναι τα δεδομένα τα οποία χρησιμοποιούμε. Σωστά δεδομένα μας δίνουν ορθότερες λύσεις, και μας καθοδηγούν σε πιο βέβαια αποτελέσματα. Έτσι η πληροφορία που πηγάζει στην συνέχεια από τα εργαλεία BI που πρόκειται να χρησιμοποιήσουμε είναι περισσότερο αξιόπιστη και μπορεί να μας οδηγήσει με μεγαλύτερη βεβαιότητα στην λήψη σωστότερων αποφάσεων. Επίσης σημαντικό είναι να γνωρίζουμε και τον όγκο των δεδομένων που αφορά η ανάλυση που θέλουμε να κάνουμε, καθώς όσο η ποσότητα των δεδομένων που αφορά μια επιχείρηση αυξάνεται, αυξάνονται αντίστοιχα και οι απαιτήσεις σε υπολογιστικούς πόρους, η έλλειψη των οποίων μπορεί να προκαλέσει προβλήματα και να μειώσει την αξιοπιστία των παραγόμενων αναφορών. Στην Εικόνα 2-1 συμπεριλαμβάνονται κάποιοι από τους επιχειρηματικούς τομείς στους οποίους η Επιχειρησιακή Ευφυία μπορεί να φανεί χρήσιμη στην λειτουργία ενός οργανισμού. 15

17 Εικόνα 2-1: Επιχειρηματικοί τομείς στους οποίους η Επιχειρησιακή Ευφυία μπορεί να φανεί χρήσιμη. 2.3 Ιστορική Αναδρομή Ο όρος Business Intelligence εμφανίστηκε για πρώτη φορά στα μέσα της δεκαετίας του 80, στο βιβλίο του Devens με τίτλο Cyclopaedia of Commercial and Business Anecdotes. Το βιβλίο αυτό αναφέρεται σε ένα τραπεζίτη, ο οποίος βασίστηκε σε ιστορικά στοιχεία, για να πετύχει το προβάδισμα έναντι του ανταγωνισμού, αυξάνοντας έτσι τα κέρδη του. Μια δεκαετία αργότερα, περίπου στα μέσα του 90 ο όρος εμφανίστηκε σε περιοδικό της IBM. Πρόγονος των συστημάτων Business Intelligence μπορούν να θεωρηθούν τα Συστήματα Υποστήριξης Αποφάσεων (ΣΥΑ). Τα συστήματα αυτά στηρίζονταν κυρίως στην χρήση στατιστικών μοντέλων, δίνοντας στο χρήστη την δυνατότητα να πραγματοποιεί διάφορα πειραματικά σενάρια. Για παράδειγμα, ο χρήστης είχε την δυνατότητα να εισάγει στο σύστημα ένα σενάριο. Στην συνέχεια αλλάζοντας τα δεδομένα εισόδου του σεναρίου αυτού και κρατώντας σταθερά αυτά της εξόδου, και αντιστρόφως ο χρήστης ήταν σε θέση να λάβει κάποια συμπεράσματα. 16

18 Επόμενο σταθμό στην πορεία του Business Intelligence αποτελούν οι Αποθήκες Δεδομένων και οι τεχνικές On Line Analytical Processing (OLAP). Στο σενάριο αυτό η πληροφορία που αφορά το χρήστη είναι αποθηκευμένη σε συγκεκριμένη μορφή σε μια ή και περισσότερες αποθήκες δεδομένων. Η τεχνική OLAP στόχο έχει να δώσει στον χρήστη την δυνατότητα να επεξεργαστεί περαιτέρω την πληροφορία αυτή, και να φτάσει σε όποιο βάθος είναι απαραίτητο ώστε να λάβει τη πληροφορία που επιθυμεί. Στο μέλλον και λόγο της ραγδαίας αύξησης στον όγκο της πληροφορίας, οι παραπάνω τεχνικές πρόκειται να αντικατασταθούν από το Hadoop, το οποίο είναι ένα εργαλείο που διαχειρίζεται εύκολα και γρήγορα μεγάλο όγκο δεδομένων. Περεταίρω ανάλυση σχετικά με αυτό ακολουθεί στην Ενότητα [19] 2.4 Cloud - BI Την αδυναμία των συμβατικών υπολογιστικών συστημάτων έρχεται να λύσει η τεχνολογία του Cloud ενσωματωμένη με την ιδέα του Business Intelligence. Η λύση αυτή προσφέρει τεράστια ευελιξία στην πολυπλοκότητα αλλά και στον όγκο των δεδομένων που μπορούμε να επεξεργαστούμε. Επίσης λόγο της ιδιότητάς του, το Cloud Computing παρέχει την δυνατότητα στους χρήστες να έχουν πρόσβαση σε αυτό από οποιοδήποτε υπολογιστικό σύστημα αυτοί επιθυμούν. Η ταχύτητα απόκρισης της τεχνολογίας αυτής είναι μεγάλη στην περίπτωση που για παράδειγμα αυξηθεί ο αριθμός των πελατών που η εκάστοτε επιχείρηση επιθυμεί να εξυπηρετήσει. Τότε δεν υπάρχει ανάγκη για αγορά επιπλέον υπολογιστικών πόρων, αλλά πολύ απλά και γρήγορα το σύστημα είναι ήδη έτοιμο να εξυπηρετήσει κάθε νέο πελάτη. Η τεχνολογία αυτή είναι κατάλληλη για χρήστες οι οποίοι βρίσκονται συνέχεια σε κίνηση. Στους χρήστες αυτούς παρέχεται η δυνατότητα για πρόσβαση στις αναφορές που επιθυμούν να έχουν εποπτεία από οποιοδήποτε σημείο της επιχείρησης ή ακόμα και εκτός αυτής. Αυτή η ευελιξία στην πρόσβαση μπορεί να θεωρηθεί μέγιστης σημασίας ειδικά για στελέχη τα οποία βρίσκονται συνεχώς εκτός γραφείου και παράλληλα πρέπει να είναι ενήμερα για την κατάσταση που επικρατεί σε συγκεκριμένους δείκτες που παρακολουθούν. Επίσης, ενσωματώνοντας την υπηρεσία του Cloud, η επιχείρηση μπορεί να μειώσει τα κόστη συντήρησης υλικού, που σε διαφορετική περίπτωση, αν είχε δικό της σύστημα εξυπηρετητών (Servers) θα είχε. Στη περίπτωση αυτή, την ευθύνη για την συντήρηση και την ενημέρωση του λογισμικού φέρει ο φορέας παροχής υπηρεσιών Cloud Computing. 17

19 Κάνοντας χρήση της υπηρεσίας Platform-as-a-Service (PaaS) που το Cloud προσφέρει υπάρχει η δυνατότητα να δημιουργήσουμε ένα περιβάλλον εργασίας το οποίο είναι πιο εύχρηστο και εξυπηρετικό προς εμάς. Παρόλα αυτά, τα προ-εγκατεστημένα προγράμματα που αυτό προσφέρει, όπως είναι το παράδειγμα της σχεσιακής βάσης δεδομένων, μπορούν να φανούν χρήσιμα και να μειώσουν τον απαιτούμενο χρόνο εγκατάστασης νέων προγραμμάτων από το μηδέν, στο οποίο το μόνο που απαιτείται, είναι η κατάλληλη παραμετροποίηση τους. Οι υπηρεσίες που φιλοξενούνται στο Cloud είναι διαθέσιμες και προσβάσιμες ανά πάσα στιγμή, έτσι σε περίπτωση που συμβεί κάποια αστοχία σε επίπεδο υλικού, να υπάρχει άμεση απόκριση και να μην γίνεται αισθητό κάποιο πρόβλημα στο χρήστη, το οποίο έχει ως αποτέλεσμα να μην υπάρχουν διαστήματα που να είναι εκτός λειτουργίας και να προκαλούν την δυσαρέσκεια του. Το μόνο αρνητικό κομμάτι στην παραπάνω λύση είναι αυτό της ιδιωτικότητας. Η ασφάλεια που παρέχει η πλατφόρμα BI στα δεδομένα περιορίζεται μόνο στο επίπεδο του UI (User Interface). Τα δεδομένα τα οποία αποθηκεύονται στο Cloud είναι εκτεθειμένα στην βούληση του παρόχου των υπηρεσιών Cloud Computing, ο οποίος είναι υπεύθυνος για τη διαφύλαξη της εμπιστευτικότητας και τις ασφάλειάς τους. Το γεγονός αυτό είναι αμφιλεγόμενο και αποτελεί ένα μειονέκτημα της συγκεκριμένης λύσης. Ο κύριος λόγος είναι ότι το Business Intelligence έρχεται να δημιουργήσει αναφορές αλλά και συγκριτικούς δείκτες που σχετίζονται με δεδομένα που είναι ευαίσθητα και ο τελικός χρήστης τα παραχωρεί άκρως εμπιστευτικά, οπότε και τίθεται το ερώτημα για το πόσο δεοντολογική είναι μια τέτοια λύση. 2.5 Big Data BI Η ανάγκη για παρακολούθηση της πληροφορίας που πηγάζει από τα εταιρικά δεδομένα αυξάνεται ραγδαία ανά τον κόσμο. Μεγάλοι οικονομικοί διευθυντές (CFOs) όπως ο Jeff Bezos ιδρυτής της Amazon και ο Reid Hoffman συνιδρυτής του LinkedIn εκφράζουν μέσα από δηλώσεις τους την μεγάλη αξία που έχει η διατήρηση της πληροφορίας στις μέρες μας. Είναι πλέον κοινά αποδεκτό το γεγονός ότι η αποθήκευση και στη συνέχεια η μελέτη ιστορικών δεδομένων είναι εδώ για να προσφέρει την καινοτομία στη λήψη αποφάσεων, μειώνοντας το ρίσκο που ένας οικονομικός διευθυντής καλείται να πάρει, ενθαρρύνοντας παράλληλα και την καινοτομία[7]. Για τον λόγο αυτό, λοιπόν, οι απαιτήσεις στη διατήρηση των ιστορικών δεδομένων ενός οργανισμού ολοένα και αυξάνονται. Επίσης, λόγο της προόδου της τεχνολογίας, ο όγκος των δεδομένων που αφορά μία επιχείρηση αυξάνεται εκθετικά. Για παράδειγμα μία επιχείρηση εκτός από οικονομικά στοιχεία τα οποία στο παρελθόν υπήρχε ανάγκη να διατηρεί, πλέον υπάρχει ανάγκη να διατηρεί και στοιχεία που προκύπτουν από διαφόρους αισθητήρες και μικροαισθητήρες οι οποίοι μπορεί να παρέχουν πληροφορίες σχετικά με το απόθεμα που υπάρχει 18

20 στην αποθήκη, πότε πρέπει να γίνει μία νέα παραγγελία, έως και το πότε πρέπει να γίνει αντικατάσταση κάποιου ανταλλακτικού σε μια μηχανή. Η αύξηση αυτή στον όγκο των δεδομένων ήρθε μετά το Όπως αναφέρθηκε, η μηδομημένη πληροφορία που μία επιχείρηση επιθυμεί πλέον να διατηρεί είναι τεράστια σε όγκο. Σημαντικό ρόλο στο τεράστιο αυτό όγκο των δεδομένων έχουν επιπλέων και δεδομένα που προκύπτουν από τα διάφορα μέσα κοινωνικής δικτύωσης. Ο όγκος που προσθέτουν στην υπάρχουσα πληροφορία είναι μεγάλος, είναι όμως μεγάλη και η σημασία που έχει η παρακολούθησή τους από τους εκάστοτε οργανισμούς. Το ebay για παράδειγμα, διαθέτει ένα data warehouse το οποίο καταλαμβάνει παραπάνω από σαράντα petabyte αποθηκευτικό χώρο[8]. Κάθε φορά που κάνουμε κλικ για να δούμε αναλυτικά κάποια από τα προϊόντα που αυτό διαθέτει, ο όγκος αυτός αυξάνεται. Ως αποτέλεσμα των παραπάνω προβλημάτων, για να μπορέσει κάποιος να παρακολουθήσει όλη αυτή την πληροφορία, είναι απαραίτητη η χρήση της μεθόδου των Big Data. Μόνο με την μέθοδο αυτή μπορεί να γίνει διαχείριση αυτού του όγκου των δεδομένων, και προσπέλασή τους, έτσι ώστε να πηγάσει από αυτά πληροφορία, η οποία γίνεται χρήσιμη στα διοικητικά στελέχη ενός οργανισμού και όχι μόνο. Εργαλεία όπως το Hadoop & ΜapReduce είναι κατάλληλα για να μας δώσουν την δυνατότητα να επεξεργαστούμε και να βγάλουμε την απαιτούμενη πληροφόρηση που επιθυμούμε από τα δεδομένα μας. Στην Εικόνα 2-2 μπορούμε να καταλάβουμε με μια γρήγορη ματιά της δομή του «οικοσυστήματος» αυτού. Περαιτέρω αναφορά στο Hadoop γίνεται στο υποκεφάλαιο που ακολουθεί. Εικόνα 2-2: Περιγραφή της δομής του Hadoop. 19

21 2.5.1 Hadoop & MapReduce Το Hadoop & MapReduce είναι ένα εργαλείο το οποίο μας επιτρέπει να μετατρέψουμε όλη αυτή την αδόμητη πληροφορία που αφορά μία επιχείρηση σε δομημένη πληροφορία, που στην συνέχεια είναι εύκολο πλέον να επεξεργαστεί με κατάλληλες μεθόδους, και να παράξει χρήσιμους δείκτες και αναφορές. Ως τώρα οι σχεσιακές βάσεις δεδομένων (RDBMS) κάλυπταν τις ανάγκες των επιχειρήσεων για αποθήκευση και στην συνέχεια διαχείριση της πληροφορίας που τις αφορά. Στις μέρες μας όμως ο όγκος της πληροφορίας που επιθυμεί μια επιχείρηση να αποθηκεύει ολοένα και αυξάνεται. Το Hadoop & ΜapReduce αποτελεί ένα οικοσύστημα εφαρμογών, που μπορεί να διαχειριστεί εύκολα δεδομένα μεγάλου όγκου σε μικρό χρονικό διάστημα με χαμηλές οικονομικές απαιτήσεις. Το παραπάνω έχει την δυνατότητα να διαχειριστεί δεδομένα που έχουν όγκο της τάξεως των petabyte. Αυτή η τάξη μεγέθους δεδομένων ήταν σχεδόν ακατόρθωτο να διαχειριστεί πριν από την τεχνολογία αυτή. Ένα από τα μυστικά που κάνουν αυτό το οικοσύστημα να μπορεί να διαχειριστεί εύκολα και γρήγορα τέτοιου μεγέθους δεδομένα είναι το κατανεμημένο σύστημα αρχείων HDFS που διαθέτει. Το σύστημα αυτό τμηματοποιεί τα δεδομένα σύμφωνα με ένα συγκεκριμένο αλγόριθμο που έχει ενσωματωμένο και τα επεξεργάζεται ξεχωριστά, έτσι εξοικονομεί πολύ πολύτιμο χρόνο. Το εργαλείο αυτό χρησιμοποιείται ως επί των πλείστον σε εφαρμογές που διαχειρίζονται και επεξεργάζονται διαδικτυακά δεδομένα τα οποία είναι τεράστια σε όγκο [9]. Εικόνα 2-3: Περιγραφή της ροής των δεδομένων, της διαδικασίας και των αποτελεσμάτων του Hadoop [9]. 20

22 2.6.Η Επιχειρησιακή Ευφυία στην Ελλάδα Πρόσφατα πραγματοποιήθηκε έρευνα στην Ελλάδα που αφορά την χρήση εργαλείων BI στις Ελληνικές επιχειρήσεις. Πιο συγκεκριμένα το Πανεπιστήμιο Αιγαίου σε συνεργασία με το Πανεπιστήμιο ETH της Ζυρίχης και την Ελληνική εταιρία ICAP Group εκπόνησαν έρευνα με θέμα: «Καινοτομία Χρήση Τεχνολογιών Πληροφορικής και Cloud Επιπτώσεις της Οικονομικής Κρίσης στις Ελληνικές Επιχειρήσεις». Στην έρευνα αυτή μελετώνται παράγοντες όπως η ανάπτυξη βασικών υποδομών ΤΠΕ (Infrastructure Sophistication), η χρήση μέσων κοινωνικής δικτύωσης (Social Media), το μέγεθος της επιχείρησης, το ποσοστό του εξειδικευμένου προσωπικού ΤΠΕ (ICT Personnel), το ποσοστό του προσωπικού που χρησιμοποιούν PC, Terminal, ή Laptop συνδεδεμένα με το Intranet της επιχείρησης, οι επιχειρησιακές ικανότητες όσον αφορά Development και Relational Capabilities και οι πτυχές του ανταγωνισμού (Price/Non-Price Competition), ως παράγοντες υιοθέτησης συστημάτων Επιχειρηματικής Ευφυΐας και Επιχειρηματικής Αναλυτικής (BI/BA). Τα αποτελέσματα αυτής της ερευνητικής μελέτης βασίζονται σε δεδομένα 206 ελληνικών επιχειρήσεων από όλους τους κλάδους της ελληνικής οικονομίας. Αξιοποιώντας το ερευνητικό θεωρητικό πλαίσιο Τεχνολογία Οργάνωση Περιβάλλον (ΤΟΕ) και κάνοντας χρήση μοντέλων δυαδικών λογιστικών παλινδρομήσεων προέκυψε ότι οι κυριότεροι παράγοντες υιοθέτησης BI/BA συστημάτων είναι οι αναπτυγμένες υποδομές ΤΠΕ και Social Media, οι οποίοι δημιουργούν έναν μεγάλο όγκο δεδομένων που μπορεί να αποτελέσει βάση των BI/BA συστημάτων. Επίσης, η πρόσβαση του προσωπικού των επιχειρήσεων στο εσωτερικό δίκτυο Intranet (πρόσβαση στα επιχειρησιακά δεδομένα), οι δυνατότητες ανάπτυξης λογισμικού και δημιουργίας συνεργατικών σχέσεων με τους χρήστες και τους προμηθευτές πληροφορικής είναι σημαντικοί παράγοντες υιοθέτησης BI/BA συστημάτων. Τέλος, οι παράγοντες του περιβάλλοντος των επιχειρήσεων που μελετήθηκαν δείχνουν να μην αποτελούν παράγοντα υιοθέτησης BI/BA συστημάτων [10]. 21

23 3. Μέθοδος εκπόνησης διπλωματικής εργασίας 3.1 Εισαγωγή Στην παρούσα διπλωματική εργασία όπως ήδη έχει αναφερθεί γίνεται μια πλήρης περιγραφή της διαδικασίας που ακολουθείται για την εκπόνηση ενός ολοκληρωμένου έργου επιχειρηματικής ευφυΐας. Αναφερόμαστε λεπτομερώς στα επιμέρους βήματα τα οποία λαμβάνουν χώρα κατά την επεξεργασία των δεδομένων ενός οργανισμού, πώς αυτά δομούνται και πώς τελικά καταφέρνουμε να έχουμε την πληροφορία που επιθυμούμε να ελέγχουμε συγκεντρωτικά. Έτσι, λοιπόν, ξεκινώντας από τον έλεγχο των απαιτήσεων καταλήγουμε στην δημιουργία ενός ολοκληρωμένου συστήματος το οποίο θα είναι σε θέση να μας δώσει την πληροφορία που επιθυμούμε φιλτραρισμένη κάθε φορά σύμφωνα με την περίπτωση που καλούμαστε να εξετάσουμε Ανάλυση απαιτήσεων Πολύ σημαντικό κομμάτι όταν ξεκινάει ένα νέο έργο Business Intelligence είναι να τεθούν σωστοί και ξεκάθαροι στόχοι. Η διαδικασία αυτή απαιτεί λεπτομερή και προσεκτική μελέτη του οργανισμού. Στην περίπτωση που το αντικείμενο του οργανισμού είναι εύκολα διαχειρίσιμο από την ομάδα που έχει αναλάβει το έργο, τότε αυτή, μέσω ενός ερωτηματολoγίου που έχει ετοιμάσει με σκοπό να συμπληρωθεί από τον οργανισμό, είναι σε θέση να γνωρίζει όλες τις λειτουργίες του. Στην περίπτωση που το αντικείμενο απασχόλησης του οργανισμού είναι εξειδικευμένο και όχι εύκολα προσιτό στην ομάδα του έργου, τότε αυτή επιλέγει να προβεί σε προσωπικές συνεντεύξεις με τον πελάτη. Στην πρώτη περίπτωση υπάρχει η ανάγκη για την δημιουργία ενός ερωτηματολογίου το οποίο μετά την συμπλήρωση του θα μπορεί να δώσει στην ομάδα, που έχει αναλάβει το έργο, μια πλήρη εικόνα για τον οργανισμό. Αυτό σημαίνει ότι η ομάδα θα είναι σε θέση να γνωρίζει το πώς μέχρι την στιγμή αυτή ο οργανισμός εκτελεί τις διάφορες λειτουργικές του διαδικασίες. Στην δεύτερη περίπτωση όπου το έργο που εκτελεί ο οργανισμός δεν είναι εύκολα κατανοητό προς την ομάδα BI, τότε αυτή πρέπει να έρθει σε επαφή με τους υπεύθυνους κάθε τμήματος έτσι ώστε να κάνει μαζί τους μια εκτενή συζήτηση και να κατανοήσει το αντικείμενο της δουλειάς τους. 22

24 Οι παραπάνω ενέργειες ως στόχο έχουν να εξασφαλίσουν πως η ομάδα BI που έχει αναλάβει το έργο θα κατανοήσει πλήρως το αντικείμενο ασχολίας που έχει κάθε τμήμα του οργανισμού, έτσι ώστε να εισαγάγει στο νέο σύστημα σωστά και ολοκληρωμένα τους ρόλους κάθε ατόμου. Το κομμάτι αυτό της κατανόησης είναι πολύ κρίσιμο, διότι η μετέπειτα πορεία του έργου πρόκειται να βασιστεί επάνω σε αυτό. Στο σημείο αυτό βέβαια είναι ευπρόσδεκτες από την πλευρά του πελάτη και νέες ιδέες για προσθήκες στο σύστημα δυνατοτήτων και λειτουργιών, που ως τώρα δεν λάμβαναν χώρα, όμως η ύπαρξή τους θεωρείται πολύ σημαντική. Επίσης, η ομάδα που έχει αναλάβει το έργο, εάν ο πελάτης το επιθυμεί, μπορεί να του προτείνει πιθανές προσθήκες οι οποίες έχουν στόχο στην απλούστευση κάποιων διαδικασιών που εκτελεί ή στον εμπλουτισμό κάποιον άλλων. Ένα τέτοιο παράδειγμα μπορεί να είναι το ποια είναι εκείνα τα στοιχεία τα οποία έχει νόημα να κρατά για τους πελάτες που τον έχουν επισκεφτεί στο παρελθόν. Στην συνέχεια και αφού ολοκληρωθεί το κομμάτι της κατανόησης της λειτουργίας του οργανισμού, ακολουθεί ο σχεδιασμός του νέου συστήματος που πρόκειται να υλοποιηθεί. Μέσα από διαγράμματα UML και data flow, μπορούν εύκολα να αναπαρασταθούν οι ρόλοι των εργαζομένων ενός οργανισμού, καθώς και το πώς αυτοί θα ενσωματωθούν στο νέο σύστημα. Αφού ολοκληρωθεί ο σχεδιασμός του νέου συστήματος στο επίπεδο των διαγραμμάτων, στην συνέχεια ακολουθεί η παρουσίαση του στον πελάτη. Είναι, επίσης, σημαντική η συνολική παρουσίαση προς τον πελάτη αναλυτικά, του πώς θα γίνει η υλοποίηση του νέου συστήματος και ποιες από τις διαδικασίες που ήδη εκτελεί ο οργανισμός θα εμπεριέχονται σε αυτό. Η διαδικασία αυτή θα πρέπει να είναι απόλυτα ξεκάθαρη, και να οδηγήσει σε μια συμφωνία μεταξύ του οργανισμού και της ομάδας που πρόκειται να εκτελέσει το έργο, ώστε στη συνέχεια να ξεκινήσει η υλοποίησή του. Η ανάλυση των απαιτήσεων αποτελεί μια πολύ σημαντική διαδικασία και η συμβολή της είναι καίρια στην μετέπειτα σωστή σχεδίαση του Data Warehouse Διαδικασία ETL (Extract, Transform, Load) Η διαδικασία ETL θα λέγαμε ότι είναι μια σειρά ενεργειών που λαμβάνουν χώρα ώστε τα δεδομένα μας να εισαχθούν σωστά και δομημένα, με τον τρόπο που εμείς έχουμε καθορίσει στην βάση μας (Data Warehouse). Όπως γίνεται εύκολα κατανοητό και από τα αρχικά του παραπάνω όρου, σκοπός της διαδικασίας αυτής είναι να εξάγει τα δεδομένα που επιθυμούμε από τις διάφορες πηγές στις οποίες μπορεί να βρίσκονται, να τα επεξεργαστεί έτσι ώστε να λάβουν την κατάλληλη δομή που απαιτείται για την χρήση τους, και στην συνέχεια να τα αποθηκεύσει σε μια κοινή και δομημένη βάση δεδομένων, δηλαδή στο Data Warehouse. Κατά την διαδικασία της εξαγωγής, γίνεται η ανάγνωση των δεδομένων από τις διάφορες πηγές στις οποίες μπορεί να βρίσκονται. Οι πηγές αυτές μπορεί να είναι βάσεις δεδομένων άλλων συστημάτων, διάφορες εφαρμογές, ιστοσελίδες, ακόμα και αρχεία Excel, Flat File. Κατά τη διαδικασία αυτή μπορεί να 23

25 εξαχθούν και δεδομένα τα οποία δεν επιθυμούμε αλλά δεν είναι σε αυτή τη φάση εφικτό να μην τα λάβουμε. Σειρά έχει η διαδικασία της μεταφοράς των δεδομένων αυτών στο Data Warehouse. Κατά την διαδικασία αυτή τα δεδομένα «καθαρίζονται» και τροποποιούνται έτσι ώστε να κρατήσουμε μόνο την πληροφορία που επιθυμούμε να επεξεργαστούμε στην συνέχεια. Έτσι μπορεί να εφαρμοστούν διάφοροι κανόνες και υπολογισμοί όπως είναι οι εξής: αρχικά μπορεί να υπολογιστεί ένα νέο στοιχείο που ο πελάτης μας είναι πιθανό να επιθυμεί να παρακολουθεί, όπως είναι για παράδειγμα το ποσοστό των γυναικών που έχουν ψωνίσει από ένα συγκεκριμένο κατάστημα. Επίσης, μπορεί να κριθεί απαραίτητο να ενωθούν δύο πεδία που έρχονται στο σύστημα από δύο διαφορετικές πηγές (π.χ. δύο διαφορετικές βάσεις δεδομένων). Αυτό θα μπορούσε να έχει νόημα, ακόμα και στην πιο απλή περίπτωση που το όνομα και το επώνυμο των πελατών είναι αποθηκευμένα στην βάση από την οποία τα παίρνουμε ξεχωριστά, και από την οποία εμείς επιθυμούμε στην βάση προορισμού να αποτελούν ένα κοινό πεδίο. Επιπρόσθετα, είναι πιθανό να υφίστανται διάφοροι κανόνες ελέγχου, οι οποίοι αφορούν την μορφή των δεδομένων. Τέτοιοι κανόνες μπορεί να καθορίζουν τα δεκαδικά ψηφία που μπορεί να έχει ένα νούμερο, τη μορφή της ημερομηνίας και με ποιόν τρόπο είναι αυτή καταχωρημένη στο σύστημα, καθώς και άλλα αντίστοιχα στοιχεία. Επιπλέον, σε ορισμένες περιπτώσεις είναι πιθανό να υπάρχει η ανάγκη να μην καταχωρούνται στην βάση στοιχεία τα οποία υπάρχουν ήδη, το οποίο αποτελεί μια μορφή ελέγχου ώστε να προστατεύσουμε το Data Warehouse από διπλόεγγραφές και να πετύχουμε εξοικονόμηση χώρου. Έπειτα, μετά την διαδικασία της μετατροπής των δεδομένων, σειρά έχει η εισαγωγή τους στο Data Warehouse. Η διαδικασία αυτή «συλλέγει» όλη την πληροφορία που βρισκόταν ως το σημείο αυτό διάσπαρτη σε ξεχωριστές πηγές, και την αποθηκεύει, αφού έχει πρώτα φιλτραριστεί στο Data Warehouse. Προορισμό μπορεί να αποτελέσουν επίσης βάσεις δεδομένων άλλων συστημάτων, διάφορες εφαρμογές, ιστοσελίδες, αρχεία Excel, Flat File, ακόμα και μοντέλα εκπαίδευσης αλγορίθμων εξόρυξης δεδομένων. Η διαδικασία ETL πραγματοποιείται ανά τακτά χρονικά διαστήματα ανάλογα με την πληροφορία που επιθυμούμε να επεξεργαστούμε κάθε φορά, αλλά και τις απαιτήσεις του πελάτη. Στην παρούσα διπλωματική εργασία για την διεξαγωγή της διαδικασίας αυτής έγινε χρήση του Microsoft SSIS (SQL Server Integration Services) [11]. Στην εικόνα 3-1 αναπαρίσταται γραφικά η διαδικασία του ETL και η μεταφορά των δεδομένων από τα διάφορα συστήματα (ERP, CRM, κ.ά.) που μπορεί να βρίσκονται σε ένα κοινό Data Warehouse. 24

26 Εικόνα 3-1: Γραφική απεικόνιση της διαδικασίας ETL [12]. 3.4 Σχεδιασμός Data Warehouse Οι σχεσιακές βάσεις δεδομένων είναι οργανωμένες ως ένα σύνολο πινάκων, ο καθένας από τους οποίους αναφέρεται σε μια οντότητα, ένα γεγονός ή ένα αντικείμενο [16]. Πιο συγκεκριμένα ας φέρουμε στο μυαλό μας το παράδειγμα ενός καταστήματος μεταπωλητών. Στην περίπτωση αυτή τα στοιχεία των πελατών τηρούνται σε ένα πίνακα στον οποίο οι στήλες θα αποτελούνται από το όνομα, τον κωδικό του πελάτη, ενδεχομένως την διεύθυνση του και οποιαδήποτε άλλη πληροφορία επιθυμούμε να έχουμε για εκείνον, και κάθε γραμμή του πίνακα θα αναφέρεται σε ένα πελάτη μοναδικά. Σε κάθε πίνακα υπάρχει μια στήλη που ονομάζεται Primary Key και εμπεριέχει τα πρωτεύοντα κλειδιά των πινάκων. Με βάση την στήλη αυτή γίνονται οι συνδέσεις μεταξύ των πινάκων. Το πρωτεύον κλειδί ενός πίνακα εμπεριέχεται και σε έναν ή περισσότερους πίνακες με στόχο να επιτευχθεί η μεταξύ τους σύνδεση, και ονομάζεται «ξένο κλειδί» (Foreign Key). Σε μία επιχείρηση μεταπωλητών, όπως έχουμε αναφέρει και προηγούμενως, μια πιθανή μορφή που θα μπορούσε να έχει το Data Warehouse σχετικά με τις πωλήσεις προϊόντων είναι πιθανό να είναι η εξής: σε έναν πίνακα να είναι καταχωρημένη όλη η πληροφορία που αφορά τον πελάτη που έχει κάνει μια αγορά (π.χ. όνομα, επώνυμο και άλλα στοιχεία επικοινωνίας). 25

27 Ένας δεύτερος πίνακας μπορεί να περιέχει στοιχεία για τα προϊόντα που πουλά το συγκεκριμένο κατάστημα. Ο πίνακας αυτός ως στήλες θα πρέπει να περιέχει τον κωδικό του προϊόντος, πιθανώς μια περιγραφή καθώς και την κατηγορία στην οποία ανήκει. Τέλος, θα υπάρχει ένας ξεχωριστός πίνακας πωλήσεων στο οποία θα πρέπει να υπάρχει και πάλι ένα Primary Key που θα είναι μοναδικό για κάθε εγγραφή. Κάθε εγγραφή, λοιπόν, αποτελείται από το πρωτεύον της κλειδί, από τον Primary Key του πελάτη, που στην περίπτωση αυτή αποκαλείται Foreign Key, όπως αναφέραμε και προηγούμενως, και αντιστοίχως από το Foreign Key του προϊόντος, και ενδεχομένως την ποσότητα από αυτό το προϊόν που αγοράστηκε από τον πελάτη, καθώς και το αντίτιμο που πλήρωσε. Με τον τρόπο αυτό καταφέρνουμε να έχουμε την πληροφορία μας σε μια δομημένη μορφή. Έτσι στην περίπτωση που πρέπει να προστεθεί κάποιο προϊόν ή κάποιος νέος πελάτης, αλλά και στην περίπτωση που πρέπει αντίστοιχα να αφαιρεθούν από την βάση, η διαδικασία που απαιτείται είναι πολύ συγκεκριμένη και ασφαλής. Αυτό αποτελεί ένα από τα πλεονεκτήματα των σχεσιακών βάσεων δεδομένων. Το μοντέλο αυτό της βάσης δεδομένων και κατ επέκταση του Data Warehouse που αναφέρθηκε παραπάνω έχει ως στόχο να μειώσει την πλεονάζουσα πληροφορία. Διασφαλίζουμε έτσι πως γίνεται σωστή διαχείριση όσον αφορά τους πόρους του συστήματος που δεσμεύουμε κάθε φορά, καθώς επίσης και ο χρόνος που εξοικονομείται από την διαδικασία αυτή είναι πολύ σημαντικός, διότι διαφορετικά θα έπρεπε για κάθε νέα εγγραφή να καταχωρούνται συνεχώς τα στοιχεία που αφορούν τους ίδιους πελάτες, καθώς και τα ίδια προϊόντα, γεγονός πολύ χρονοβόρο και περιττό. Η διαδικασία που αναφέραμε παραπάνω ονομάζεται κανονικοποίηση. Κατακερματίζοντας, λοιπόν, την πληροφορία που διαθέτουμε με συγκεκριμένο τρόπο καταφέρνουμε να μειώσουμε την πολυπλοκότητα μιας βάσης και να αυξήσουμε την ταχύτητα απόκρισής της. Παράλληλα, όμως, μας δίνεται και η δυνατότητα να τηρούμε λεπτομερή στοιχεία στον βαθμό που εμείς επιθυμούμε. Στην περίπτωση ενός δομημένου Data Warehouse, λοιπόν, έχουμε συγκεκριμένη δομή, αλλά και συγκεκριμένο τρόπο, με τον οποίο αποκαλούμε τους πίνακες που συμμετέχουν σε αυτό. Πιο συγκεκριμένα, αν συνεχίσουμε να κάνουμε λόγο για την περίπτωση των πωλήσεων ενός καταστήματος, τότε έχουμε τον Πίνακα Γεγονότων (Fact Table), ο οποίος περιέχει τον μεγαλύτερο όγκο της πληροφορίας. Στον πίνακα αυτόν θα περιέχονται καθαρά στοιχεία που αφορούν τις πωλήσεις του συγκεκριμένου καταστήματος ή της συγκεκριμένης αλυσίδας καταστημάτων. 26

28 Επιπρόσθετα του Fact Table δημιουργούνται και οι Πίνακες των Διαστάσεων (Dimension Tables). Οι πίνακες αυτοί περιέχουν τις παραμέτρους σύμφωνα με τις οποίες θα γίνει η ανάλυση. Σύμφωνα και με το παράδειγμα που αναφέρθηκε πριν, τα Fact Tables θα μπορούσαν να είναι οι πίνακες που περιέχουν στοιχεία αναφορικά με τους πελάτες και τα καταστήματα. Πολύ γενικά θα μπορούσαμε να περιγράψουμε τους Fact Tables ως τους πίνακες που περιέχουν το σύνολο της πληροφορίας που θα εξετάσουμε και αντίστοιχα τους Dimension Tables ως τους πίνακες που καθορίζουν πώς, και ως προς ποιες διαστάσεις επιθυμούμε να αναλύσουμε την συνολική πληροφορία που βρίσκεται στον Fact Table Σχήμα Αστέρα (Star Schema) Το πιο βασικό σχήμα που μπορεί να έχει ένα Data Warehouse είναι το Σχήμα Αστέρα (Star Schema). Σύμφωνα με το σχήμα αυτό, ο Fact Table βρίσκεται στην μέση του σχήματος, και οι Dimension Tables βρίσκονται περιμετρικά αυτού. Το όνομα του σχήματος αυτού προκύπτει από την διάταξη με την οποία τοποθετούνται οι πίνακες, όπως παρουσιάζεται και στην Εικόνα 3-2α, που θυμίζει το σχήμα αστερισμού [14]. 27

29 Εικόνα 3-2α: Data Warehouse Σχήμα Αστέρα. Όπως παρατηρείται, ο Fact Table περιέχει τα κλειδιά των Dimension Tables και κάποια επιπλέον πεδία που αφορούν κάθε πώληση ξεχωριστά. Τα επιπλέον αυτά πεδία είναι τα Μετρήσιμα στοιχεία (Measures). Τα Measures είναι τα στοιχεία κάθε καταχώρησης του πίνακα αυτού τα οποία θέλουμε να εξετάσουμε κάθε φορά, σύμφωνα με τις διαστάσεις που ορίζονται από τους περιφερειακούς πίνακες. Η Εικόνα 3-2β μας βοηθάει εύκολα να γνωρίζουμε την πληροφορία, ποια ημέρα, ποιος πελάτης αγόρασε από ποιο κατάστημα, κάποιο προϊόν, ποιος ήταν ο πωλητής στο κατάστημα αυτό που του πούλησε το συγκεκριμένο προϊόν, καθώς και την ποσότητα προϊόντων που αγόρασε, αλλά και σε τι τιμή τα πλήρωσε. 28

30 Σχήμα Χιονονιφάδας (Snowflake Schema) Το Σχήμα Χιονονιφάδας (Snowflake Schema) αποτελεί μια παραλλαγή του Σχήματος Αστέρα. Σκοπός του σχήματος αυτού είναι να γίνει απόλυτη κανονικοποίηση στους Dimension Table, ώστε να μην υπάρχει αποθηκευμένη σε αυτούς πλεονάζουσα πληροφορία [14]. Από την παρακάτω Εικόνα 3-2β φαίνεται ότι εάν δεν υπήρχε ο πίνακας Gender και ο πίνακας Age Group τότε θα ήμασταν αναγκασμένοι, για δυο πελάτες, που είναι γυναίκες, ηλικίας είκοσι χρονών, να κάνουμε μία διπλό-εγγραφή. Στην περίπτωση αυτή η έννοια της κανονικοποίησης χάνεται. Για τον λόγο αυτό υπάρχουν οι επιπλέον δύο αυτοί πίνακες, ο ένας από τους οποίους περιέχει όλες τις πιθανές ηλικίες των πελατών, και ο άλλος το φύλλο ή Ν/Α (επιλογή άγνωστο / δεν απαντήθηκε) για τις περιπτώσεις εκείνες στις οποίες δεν γνωρίζουμε το φύλλο του πελάτη που έκανε μια συγκεκριμένη αγορά. Αυτό συμβαίνει συνήθως στην περίπτωση που έχουμε να κάνουμε με έναν απλό πελάτη και όχι με μέλος του καταστήματος. 29

31 Εικόνα 3-2β: Data Warehouse - Σχήμα Χιονονιφάδα 30

32 Σχήμα Αστερισμού (Constellation Schema) Και στα δύο παραπάνω σχήματα υπάρχει μόνο ένας Fact Table, αυτό δεν σημαίνει όμως ότι δεν μπορεί να υπάρξει και δεύτερος Fact Table στο ίδιο σχήμα. Στην περίπτωση που υπάρχουν περισσότεροι από ένας Fact Table στο σχήμα μας, πρόκειται για ένα πιο περίπλοκο σχήμα που ονομάζεται Σχήμα Αστερισμού (Constellation Schema) [14]. Το σχήμα αυτό έχει νόημα στις περιπτώσεις όπου για παράδειγμα θέλουμε να εξετάσουμε την πληροφορία των πωλήσεων αλλά και των αγορών ταυτόχρονα, ή και συγκριτικά, με βάση κάποιες συγκεκριμένες διαστάσεις που βέβαια καθορίζονται από τον Dimension Table. 31

33 Εικόνα 3-2γ: Data Warehouse Σχήμα Αστερισμού 32

34 3.4.4 Προσέγγιση Ralph Kimball vs Inmon Η προσέγγιση του Inmon για την δημιουργία μιας αποθήκης δεδομένων βασίζεται στο εταιρικό μοντέλο δεδομένων. Αυτό το μοντέλο προσδιορίζει τις βασικές οντότητες στις οποίες δραστηριοποιείται και ενδιαφέρεται η εκάστοτε επιχείρηση, όπως για παράδειγμα είναι τα στοιχεία που αφορούν τα προϊόντα, τις πωλήσεις, τους πελάτες, κ.ά. Από αυτό το μοντέλο δημιουργείται ένα λεπτομερές λογικό μοντέλο για κάθε οντότητα. Για παράδειγμα, δημιουργείται ένα λογικό μοντέλο για τον πελάτη με όλες τις λεπτομέρειες που σχετίζονται με αυτήν την οντότητα. Τέτοιες λεπτομέρειες που αφορούν την οντότητα αυτή μπορούν να είναι τα επιμέρους χαρακτηριστικά της, που μπορεί να είναι η ηλικία του πελάτη, το φύλο και τα στοιχεία επικοινωνίας του, καθώς και το πρωτεύον του κλειδί, τα οποία λαμβάνονται υπόψη στο λεπτομερές μοντέλο δεδομένων. Βασικό χαρακτηριστικό στην προσέγγιση του Inmon είναι ότι υπάρχει κανονικοποίηση στα δεδομένα, αποφεύγεται δηλαδή η πλεονάζουσα πληροφορία. Αυτό ενθαρρύνει και κάνει σαφείς τους επιχειρηματικούς στόχους, μειώνοντας τα προβλήματα ενημέρωσης και συντήρησης της βάσης. Το επόμενο βήμα είναι η δημιουργία του φυσικού μοντέλου. Η φυσική υλοποίηση της αποθήκης δεδομένων είναι επίσης ομαλοποιημένη, το οποίο ο Inmon καλεί ως «αποθήκη δεδομένων». Αυτό το κανονικοποιημένο μοντέλο καθιστά την εισαγωγή των δεδομένων λιγότερο περίπλοκη, αλλά η χρήση αυτής της προσέγγισης στην δόμηση των ερωτημάτων προς την βάση μπορεί να θεωρηθεί αρκετά δύσκολη καθώς περιλαμβάνει πολλούς πίνακες και συνδέσεις. Επομένως, ο Inmon προτείνει την κατασκευή data marts αναφορικά με κάθε ενέργεια που επιθυμούμε να παρακολουθήσουμε. Τα διάφορα data marts, λοιπόν, μπορεί να είναι στοχευμένα στην παρακολούθηση π.χ. των πωλήσεων ή των αγορών ενός οργανισμού ή μια εταιρίας. Όλα τα δεδομένα που εισέρχονται στην αποθήκη δεδομένων είναι ενσωματωμένα και η αποθήκη δεδομένων είναι η μόνη πηγή δεδομένων για τα διάφορα data marts. Αυτό εξασφαλίζει την ακεραιότητα και τη συνοχή των δεδομένων. Ακόμα διασφαλίζει το γεγονός ότι έχουν διατηρηθεί ανέπαφα απέναντι στον οργανισμό. Ο Inmon είναι ένας από τους μεγαλύτερους υποστηρικτές της προσέγγισης από-πάνω-προς-τα-κάτω (top-down) στον σχεδιασμό Data Warehouse, στην οποία η αποθήκη δεδομένων είναι σχεδιασμένη με ένα κανονικοποιημένο μοντέλο επιχείρησης δεδομένων [15]. 33

35 Εικόνα 3-3: Τυπική αρχιτεκτονική μιας Data Warehouse Inmon. Η προσέγγιση του Kimball για την δημιουργία ενός Data Warehouse αρχίζει με τον εντοπισμό των βασικών επιχειρηματικών διαδικασιών και των βασικών επιχειρηματικών ερωτημάτων που η βάση αυτή καλείται να απαντήσει. Η διαδικασία ETL χρησιμοποιείται για να εξάγει τα δεδομένα από όλες τις διαφορετικές πηγές και να τα εισαγάγει σε μια κοινή βάση δεδομένων. Από εκεί, τα δεδομένα φορτώνονται σε ένα μοντέλο διαστάσεων. Εδώ βρίσκεται η βασική διαφοροποίηση του προτύπου του Kimball για την αποθήκευση των δεδομένων. Η θεμελιώδης έννοια της πολυδιάστατης μοντελοποίησης βρίσκει εφαρμογή στο σχήμα του Αστέρα. Στο σχήμα αυτό, υπάρχει συνήθως ένας Fact Table που περιβάλλεται από πολλά Dimensions. Ο Fact Table έχει όλα τα Measures που σχετίζονται με το θέμα που θέλουμε να εξετάσουμε σε κάθε περίπτωση, και έχει επίσης τα Foreign Keys από τα διαφορετικά Dimensions που περιβάλλουν τον Fact Table. Ta Dimensions περιέχουν πλήρως την απαιτούμενη πληροφορία έτσι ώστε ο χρήστης να μπορεί να πηγαίνει από το γενικό στο ειδικό και αντίστροφα, χωρίς να απαιτείται κάποια εναλλαγή μεταξύ των πινάκων που μελετά. 34

36 Τα βασικά Dimensions, όπως οι πελάτες και το προϊόν, που έχουν θέση καθ όλη την διάρκεια της ανάλυσης του προβλήματος δημιουργούνται μία και μόνο φορά και στην συνέχεια είναι στην διάθεση μας να χρησιμοποιηθούν για την περαιτέρω ανάλυση και σχεδιασμό του προβλήματος. Αυτό εξασφαλίζει την ομοιομορφία και την ομοιογένεια των δεδομένων του προβλήματος αυτού. Βασικό χαρακτηριστικό της μεθόδου του Kimball είναι ότι υπάρχει ένας πίνακας με την συνολική πληροφορία του εκάστοτε προβλήματος, ο Fact Table, στον οποίο περιέχονται τα ξένα κλειδιά των Dimension Table καθώς και τα Μeasures στοιχεία για κάθε εγγραφή, που μπορεί να αφορούν για παράδειγμα γεγονότα αγορών ή πωλήσεων. Συμπεραίνεται από τα παραπάνω ότι ο Kimball προτείνει το παραπάνω σχήμα Αστέρα ως την καταλληλότερη δομή για ένα Data Warehouse, διότι η πληροφορία που εισάγεται με τον τρόπο αυτό σε αυτή είναι εύκολα διαχειρίσιμη και εύκολη ως προς την συντήρησή της. Στην παρούσα εργασία η μέθοδος σχετικά με τον σχεδιασμό του Data Warehouse που χρησιμοποιείται είναι αυτή του Ralph Kimball (Bottom-Up προσέγγιση) [15]. Εικόνα 3-4: Τυπική απεικόνιση της προσέγγισης του Kimball [15]. 35

37 3.5 Αναλυτική επεξεργασία των δεδομένων Οι Αποθήκες Δεδομένων σχετίζονται με τα συστήματα Αναλυτικής Επεξεργασίας των δεδομένων (On Line Analytical Processing - OLAP). Τα συστήματα OLAP χρησιμοποιούνται από επιχειρησιακά στελέχη και συμβούλους επιχειρήσεων αφού δίνουν την δυνατότητα σε αυτούς να αναλύσουν περίπλοκα επιχειρησιακά ζητήματα, και τους εξασφαλίζουν ταχεία και ευέλικτη πρόσβαση σε μεγάλους όγκους δεδομένων, παρέχοντας τους το προνόμιο της πολυδιάστατης επεξεργασίας τους. Ο όρος πολυδιάστατη επεξεργασία περιγράφει τη δυνατότητα συγκέντρωσης και παρουσίασης των δεδομένων σε διαφορετικό βαθμό αφαίρεσης ή σύμφωνα με διαφορετικές έννοιες. Για παράδειγμα, ένας χρήστης θα μπορούσε να υποβάλλει ένα ερώτημα σε ένα σύστημα OLAP, ζητώντας να πληροφορηθεί το συνολικό ύψος πωλήσεων ανά γεωγραφική περιοχή ή ανά κατηγορία προϊόντος. Στη συνέχεια, θα μπορούσε να εξειδικεύσει περαιτέρω το ερώτημα του, ζητώντας τις συνολικές πωλήσεις ανά κατηγορία προϊόντος για τη γεωγραφική περιοχή της Μακεδονίας το πρώτο τρίμηνο του τρέχοντος έτους. Επιπρόσθετα, έχει την δυνατότητα να καθορίζει ότι θέλει να παρακολουθεί της παραγγελίες του τρέχοντος μήνα σε σύγκριση με τον προηγούμενο, και αυτό το κριτήριο να εναλλάσσεται δυναμικά. Γενικώς ο χρήστης έχει τη δυνατότητα να υποβάλλει ελεύθερα μη-προκαθορισμένες ερωτήσεις, επικεντρώνοντας σε ζητήματα που τον ενδιαφέρουν και αυξομειώνοντας τον βαθμό γενίκευσης. Σε συνδυασμό με τις Αποθήκες Δεδομένων, οι οποίες τηρούν τα δεδομένα σε κατάλληλη μορφή, τα συστήματα OLAP μετατρέπουν την αδόμητη πληροφορία σε πληροφορία η οποία κρύβει μέσα της στρατηγικής σημασίας δείκτες για μια επιχείρηση, οργανώνοντας και παρουσιάζοντάς τα με τρόπο που να απαντά σε επιχειρηματικά ζητήματα, όπως αυτά γίνονται κατανοητά από τα επιχειρηματικά στελέχη. Βασικό χαρακτηριστικό των συστημάτων OLAP είναι ότι μπορούν να αποδώσουν με μεγάλη ταχύτητα πληροφορία, η οποία πηγάζει από την επεξεργασία μεγάλου όγκου δεδομένων. Επίσης, μπορούν να δώσουν απαντήσεις σε πιο περίπλοκα και πολυδιάστατα ερωτήματα από ό,τι μια παραδοσιακή βάση δεδομένων. Άλλο σημαντικό χαρακτηριστικό τους είναι ότι ο χρήστης χειρίζεται απευθείας τα δεδομένα χωρίς τη μεσολάβηση κάποιας εφαρμογής, όπως π.χ. του λογισμικού CRM. Είναι σαφές ότι τόσο η φύση, όσο και ο στόχος των συστημάτων OLAP διαφέρουν [16]. 36

38 OLAP Χρήστες Σκοπός Επίπεδο αναφοράς Αναλυτές και υψηλόβαθμα στελέχη εταιριών, συμβουλευτικές εταιρίες Εξαγωγή σύνθετων πληροφοριών που αφορούν πολύπλευρα επιχειρησιακά δεδομένα Στρατηγικό επίπεδο πληροφόρησης Σχεδιασμός ΒΔ Σχήμα δεδομένων βάσης Κάθε φορά προσαρμόζεται στις ανάγκες του έργου. Ευέλικτος σχεδιασμός Αστέρας Χιονονιφάδα Μοντέλο δεδομένων Πολυδιάστατο, μπορεί εύκολα να διαχειριστεί μεγάλο όγκο πληροφορίας Τάξη δεδομένων Χρονική δεδομένων μεγέθους Dimension Terabyte, ώστε να μπορεί να έρθει αντιμέτωπο με τεράστια επιχειρησιακά προβλήματα Βασίζεται κυρίως σε ιστορικά δεδομένα για να παράγει στατιστικούς δείκτες Τρόπος ενημέρωσης δεδομένων Ερωτήματα στην βάση Υπάρχει δυνατότητα τροποποίησης των υπαρχόντων δεδομένων, καθώς και ανανέωση της πληροφορίας ανά τακτά χρονικά διαστήματα, ανάλογα με τις ανάγκες του οργανισμού Μη καθορισμένα ερωτήματα, ευελιξία στον τρόπο με τον οποίο αναδύεται η πληροφορία Πίνακας 3-1: Τα πλεονεκτήματα που μπορεί το OLAP να προσφέρει σε έναν οργανισμό ή μια επιχείρηση σε σύγκριση με μια απλή σχεσιακή βάση δεδομένων. 37

39 3.6 Πολυδιάστατο Μοντέλο Δεδομένων Κύβοι Οι κύβοι αποτελούν πολυδιάστατες δομές δεδομένων επάνω στις οποίες βασίζονται οι αποθήκες δεδομένων. Η βασικότερη χρησιμότητα του πολυδιάστατου αυτού τρόπου απεικόνισης της πληροφορίας, είναι η προβολή των δεδομένων με διάφορα κριτήρια. Ένας κύβος ορίζεται από τα Dimensions του και τις τιμές που βρίσκονται στα κελιά του. Τα Dimensions ενός κύβου ουσιαστικά αποτελούν τα κριτήρια εκείνα σύμφωνα με τα οποία μπορούμε να «φιλτράρουμε» και να αναπαραστήσουμε την πληροφορία που επιθυμούμε. Το περιεχόμενου του κύβου είναι αντίστοιχο με το περιεχόμενο του Fact Table, περιέχει, δηλαδή, όλη την μετρήσιμη πληροφορία που αφορά ένα γεγονός. Ο όρος «κύβος» συνήθως μας παραπέμπει στο τρισδιάστατο σχήμα του κύβου στον χώρο, στην πραγματικότητα, όμως, ένας κύβος μπορεί να αποτελείται από ν- Dimensions. Για παράδειγμα, μια αλυσίδα καταστημάτων η οποία επιθυμεί να παρακολουθεί τις πωλήσεις της ανά γεωγραφική περιοχή, τότε ο κύβος που θα απαιτείτο υποθετικά για αυτή την περίπτωση θα ήταν ένας δισδιάστατος κύβος, τα Dimensions του οποίου θα αποτελούνταν από την περιοχή και τα διάφορα καταστήματα που διαθέτει. Εάν στην πληροφορία αυτή προσθέσουμε και την παράμετρο του χρόνου, τότε χρειαζόμαστε έναν κύβο με τρία Dimensions, για να είμαστε σε θέση να αναπαραστήσουμε την απαιτούμενη πληροφορία. Βέβαια, όπως γίνεται εύκολα αντιληπτό, τα Measures στην κάθε περίπτωση επιμερίζονται ανάλογα με τον αριθμό των διαστάσεων, ο οποίος είναι και ο σκοπός στους [17]. 3.7 Απεικόνιση των δεδομένων Πολύ σημαντικό συστατικό ενός ολοκληρωμένου έργου Business Intelligence αποτελεί η απεικόνιση της πληροφορίας στον πελάτη. Αυτό είναι ένα στοιχείο από το οποίο μπορεί να κριθεί η επιτυχία ενός τέτοιου έργου. Πρέπει κανείς να έχει πολύ καλά στο μυαλό του τι είναι αυτό που ο πελάτης επιθυμεί να λαμβάνει από το εργαλείο και να δημιουργήσει τα reports, με τρόπο τέτοιο, ώστε να μπορεί να εξαγάγει την πληροφορία που τον ενδιαφέρει να παρακολουθεί με τον λιγότερο δυνατό κόπο. Τα εργαλεία απεικόνισης της πληροφορίας, λοιπόν, σήμερα ξεπερνούν τα πρότυπα γραφήματα που χρησιμοποιούνταν στα υπολογιστικά φύλλα του Excel, προβάλλοντας δεδομένα με πιο εξελιγμένους τρόπους, όπως είναι τα ραβδογράμματα, οι πίτες, τα ντόνατς, οι χάρτες θερμότητας (heat maps), τα ιστογράμματα και πολλά άλλα. Τα παραπάνω διαγράμματα μπορεί να έχουν και διαδραστικές δυνατότητες, για παράδειγμα μπορεί πατώντας σε μια στήλη ενός ραβδογράμματος να οδηγηθείς σε μια άλλη οθόνη που αναλύεται η πληροφορία της στήλης αυτής σε πολύ μεγαλύτερο βαθμό. 38

40 Στην συνέχεια δίνεται στον χρήστη η δυνατότητα να επιστρέψει και πάλι πίσω στο αρχικό διάγραμμα. Επίσης, μπορούν να συμπεριληφθούν δείκτες που έχουν οριστεί σύμφωνα με κριτήρια τα οποία βοηθούν τους χρήστες να παρακολουθούν την κατάσταση που επικρατεί κάθε στιγμή στον οργανισμό τους. Ένα παράδειγμα εφαρμογής των δεικτών αυτών θα μπορούσε να είναι μία αλλαγή στο χρώμα του budget εάν αυτό παρεκκλίνει πολύ ή όχι, αντίστοιχα με τον πραγματικό αριθμό εσόδων που αφορούν ένα συγκεκριμένο προϊόν. Οι περισσότεροι προμηθευτές λογισμικού BI ενσωματώνουν εργαλεία οπτικοποίησης δεδομένων στα προϊόντα τους, είτε αναπτύσσοντας την ίδια την τεχνολογία οπτικοποίησης, είτε προμηθεύοντάς την από εταιρείες που ειδικεύονται στην οπτικοποίηση. Το κομμάτι της ανάλυσης των απαιτήσεων που αναφέραμε αρχικά στα πρώτα κεφάλαια της εργασίας παίζει πολύ σημαντικό ρόλο και στην φάση του σχεδιασμού των απεικονιζόμενων διαγραμμάτων. Στο σημείο αυτό πρέπει να κατανοήσουμε με ακρίβεια τι και με ποια σειρά επιθυμεί ο τελικός χρήστης να παρακολουθεί. Πρέπει να γνωρίζουμε πως η επιτυχία του έργου κρύβεται σε μικρές λεπτομέρειες τις οποίες μπορεί να μην είναι εύκολο κάποιος να αντιληφθεί, αλλά που στο σύνολο τους κάνουν την περιήγηση του χρήστη στην εφαρμογή πολύ πιο ευχάριστη, ξεκούραστη και γρήγορη. Τα χρώματα, τα σχήματα των κουμπιών, καθώς και οι εικόνες που μπορεί να χρησιμοποιηθούν για να δημιουργηθεί ένα report, είναι όλα μικρά μυστικά τα οποία μπορούν να διαμορφώσουν ένα άρτια δομημένο report που θα προσφέρει στον χρήστη ένα ευχάριστο περιβάλλον περιήγησης. Τα σύγχρονα εργαλεία απεικόνισης (visualization tools) παρέχουν στον χρήστη πληθώρα διαγραμμάτων τα οποία μπορεί εύκολα να χρησιμοποιήσει, ανάλογα με την περίσταση. Ανάλογα δηλαδή με τον τύπο των δεδομένων και την πληροφορία που επιθυμεί να αναπαραστήσει υπάρχουν κάθε φορά και διαφορετικές επιλογές που του προσφέρονται ώστε να πετύχει το επιθυμητό αποτέλεσμα. Μια ακόμα λειτουργεία που κάποιος μπορεί να βρει χρήσιμη σε ένα σύγχρονο εργαλείο BI είναι αυτή του Εικονογραφημένου Σεναρίου (Storytelling). Η διαδικασία αυτή συμβάλει στην οργάνωση της πληροφορίας. Δίνεται, δηλαδή, με λίγα λόγια στον σχεδιαστή του τελικού report η δυνατότητα να δημιουργήσει μια αναφορά η οποία θα στηρίζεται με λογική συνέχεια σε φυσικές διαδικασίες. Για παράδειγμα, μπορεί ένα σύνολο αναφορών να κατασκευαστεί και να δομηθεί έτσι ακριβώς όπως λαμβάνει χώρα η φυσική ροή του γεγονότος που πρόκειται να αναπαραστήσει. Με λίγα λόγια μπορεί στη περίπτωση των πωλήσεων ενός καταστήματος λιανικής, να έχει νόημα να παρακολουθείται με μία λογική σειρά, ότι σε ένα συγκεκριμένο κατάστημα που είναι σε ένα συγκεκριμένο μέρος, παρατηρούνται μία συγκεκριμένη εποχή του χρόνου υψηλές πωλήσεις σε ένα συγκεκριμένο προϊόν. Αυτή η λογική ακολουθία στην πληροφορία που λαμβάνουμε είναι πολύ σημαντική διότι παρέχει στην διοίκηση της επιχείρησης 39

41 στρατηγικής σημασίας πληροφορίες σχετικά με την ζήτηση των προϊόντων τα οποία προωθεί προς το πελατειακό κοινό της. 3.8 Business Analytics Η Επιχειρηματική Ανάλυση (Business Analytics) αναφέρεται στις τεχνολογίες και τις πρακτικές εκείνες σύμφωνα με τις οποίες αναλύονται τα επιχειρησιακά δεδομένα ενός οργανισμού, με στόχο να εξαγάγουν προβλέψεις που αφορούν την λήψη καίριων αποφάσεων στο μέλλον. Το Business Analytics επικεντρώνονται στην εύρεση νέων μεθόδων και τεχνικών ώστε η κατανόηση των ιστορικών δεδομένων ενός οργανισμού να γίνεται με μεγαλύτερη συνέπεια και ακρίβεια. Αντίθετα, το BI επικεντρώνεται στην χρήση των ιστορικών δεδομένων ενός οργανισμού, ώστε να παράγει δείκτες που δείχνουν την πορεία του οργανισμού, όσον αφορά τον τομέα των πωλήσεων, των αγορών κ.ά. Ουσιαστικά δίνει μια εικόνα της κατάστασης που επικρατεί την δεδομένη στιγμή στον οργανισμό, μη έχοντας δυνατότητα για περαιτέρω προβλέψεις. Το Business Analytics χρησιμοποιεί κυρίως την επιστήμη της στατιστικής, με στόχο την δημιουργία στατιστικών μοντέλων πρόβλεψης. Στόχος των μοντέλων αυτών είναι να οδηγούν τους διευθύνοντες συμβούλους μεγάλων οργανισμών στην λήψη αποφάσεων. Συνεπώς, είναι στενά συνδεδεμένα με την επιστήμη της διοίκησης επιχειρήσεων και μάρκετινγκ. Με την εξέλιξη της τεχνολογίας, αλλά και της επιστήμης των Analytics, αυτά βρίσκονται στην θέση πλέον, όχι μόνο να αποτελέσουν υποστηρικτικό ρόλο στην λήψη αποφάσεων, αλλά να είναι σε θέση να λαμβάνουν μόνα τους αποφάσεις που αφορούν μια συγκεκριμένη λειτουργία του οργανισμού. Συμπεραίνουμε, λοιπόν, ότι το Business Analytics είναι σε θέση να απαντήσει σε πολλά ερωτήματα όσον αφορά έναν οργανισμό. Το ποιο βασικό είναι ότι εκτός από τους δείκτες που παρουσιάζουν την τωρινή κατάσταση που επικρατεί σε έναν οργανισμό, η επιστήμη αυτή με την βοήθεια των μοντέλων Analytics είναι σε θέση να παρέχει συμβουλές, εκτιμήσεις και προβλέψεις στον χρήστη που αφορούν το μέλλον. Αρκεί να έχουμε ένα άρτια εκπαιδευμένο στατιστικό μοντέλο, και τότε πολλά από τα ερωτήματα που απασχολούν την διοίκηση ενός οργανισμού πρόκειται να λυθούν. Μπορούμε, λοιπόν, να θεωρήσουμε τρεις ξεχωριστές κατηγορίες Analytics οι οποίες ακολουθούν περιγραφικά παρακάτω. 40

42 Πρώτη κατηγορία στον χώρο αυτό είναι η Περιγραφική Ανάλυση (Descriptive Analytics). Στην περίπτωση αυτή τα reports που παράγονται έχουν κυρίως σκοπό να παρουσιάσουν την πληροφορία σχετικά με ένα συγκεκριμένο σενάριο. Αυτό σημαίνει ότι βασίζονται σε στοιχεία του παρελθόντος και ως στόχο έχουν μέσα από επιχειρησιακούς δείκτες και συνοπτικά σχεδιαγράμματα να δώσουν στον τελικό χρήστη την πληροφορία ώστε να έχει μια γενική εικόνα ενός ολόκληρου οργανισμού ή ενός τμήματος, ανάλογα με το τι επιθυμεί να παρακολουθεί. Τα δεδομένα στην περίπτωση αυτή πηγάζουν κυρίως από συστήματα CRM και ERP που ένας οργανισμός είναι πολύ πιθανό να χρησιμοποιεί. Η κατηγορία αυτή, για το λόγο ότι επεξεργάζεται ιστορικά δεδομένα και βοηθά στην ευκολότερη ανάλυση και παρακολούθηση των επιχειρησιακών δεδομένων θεωρείται ότι συμπίπτει με την έννοια του BI. Η Προγνωστική Ανάλυση (Predictive Analytics) χρησιμοποιεί τόσο πρόσφατα, όσο και ιστορικά δεδομένα για τις προβλέψεις της. Με την βοήθεια στατιστικών μεθόδων καθώς και data mining τεχνικών τα Predictive Analytics μπορούν να προβλέψουν μελλοντικούς δείκτες και να κάνουν εκτιμήσεις σχετικά με τα κέρδη που πρόκειται να έχει ένας οργανισμός εάν ακολουθήσει συγκεκριμένες στρατηγικές κινήσεις. Η κατηγορία αυτή είναι πολύ σημαντική στο επίπεδο της διοίκησης ενός οργανισμού και βοήθα σε πολύ μεγάλο βαθμό στην λήψη σωστών αποφάσεων που είναι πολύ πιο πιθανό να αυξήσουν τα κέρδη ενός οργανισμού μειώνοντας τόσο το ρίσκο, όσο και την απειλή του ανταγωνισμού. Στην Κανονιστική Ανάλυση (Prescriptive Analytics) πάμε ένα βήμα πιο πέρα στην ανάλυση των δεδομένων. Στην κατηγορία αυτή εκτός από τις προβλέψεις και τις εκτιμήσεις σχετικά με την εξέλιξη και την πορεία συγκεκριμένων δεικτών, υπάρχει και η δυνατότητα για πρόβλεψη της πορείας μιας πιθανής ενέργειας που μπορεί να κάνει ένας οργανισμός. Η δυνατότητα αυτή βέβαια προσδίδει περαιτέρω ασφάλεια στην λήψη μιας καθοριστικής απόφασης για έναν οργανισμό. Η περίπτωση αυτή ελαχιστοποιεί το ρίσκο με το οποίο έρχεται αντιμέτωπη μια εταιρία με κάθε νέα της κίνηση [18]. 41

43 4.Μεθοδολογία Υλοποίησης 4.1 Εισαγωγή Για τους σκοπούς της υλοποίησης της παρούσας εργασίας έγινε χρήση αρχικά του συστήματος διαχείρισης σχεσιακών βάσεων δεδομένων (RDBMS) για την δημιουργία και την συντήρηση της βάσης δεδομένων που έχει δημιουργηθεί για το παράδειγμα. Η πρόσβαση στην βάση γίνεται μέσω του Microsoft SQL Management Studio Επίσης χρησιμοποιήσαμε την υπηρεσία SSIS (SQL Server Integration Services) του Microsoft Visual Studio IDE 2012, για την υλοποίηση της διαδικασίας ETL, και την υπηρεσία SSAS (SQL Server Analysis Services) του Microsoft Visual Studio IDE 2012, για το κομμάτι της ανάλυσης δεδομένων. Τέλος για τους σκοπούς του Visualization χρησιμοποιήθηκε το εργαλείο, για Business Intelligence and Analytics της Targit. Εικόνα 4-1: Εργαλεία που χρησιμοποιήθηκαν για τους σκοπούς της εργασίας. Επιπλέον στο σημείο αυτό θα πρέπει να αναφέρουμε ότι τα δεδομένα στα οποία βασιστήκαμε, είναι δεδομένα που έχουν δημιουργηθεί για σκοπούς παρουσίασης των δυνατοτήτων του Business Intelligence στην ανάδυση της πληροφορίας προς τον πελάτη. Δεν είναι λοιπόν πραγματικά και σε καμία περίπτωση δεν αφορούν κάποια συγκεκριμένη επιχείρηση. Στο παράδειγμά μας, τα δεδομένα που χρησιμοποιήθηκαν αφορούν μια αλυσίδα καταστημάτων μεταπώλησης. Η αλυσίδα αυτή διαθέτει πληθώρα καταστημάτων τα οποία μεταπωλούν καλλυντικά προϊόντα και βρίσκονται σε διάφορες περιοχές στην Κύπρο. Έτσι λοιπόν οι αναφορές που έχουν δημιουργηθεί με την βοήθεια του εργαλείου Targit έχουν στόχο να δώσουν στη διοίκηση των καταστημάτων αυτών μια πλήρη εικόνα κάθε στιγμή για την πορεία αυτών, τόσο ως ένα γενικό σύνολο που εμπεριέχει όλα τα καταστήματα μαζί, όσο και στο επίπεδο του κάθε καταστήματος ξεχωριστά. 42

44 4.2 Ανάλυση απαιτήσεων Ο εντοπισμός των αναγκών του πελάτη σε αυτήν την περίπτωση που εξετάζουμε, του καταστήματος μεταπωλητών, έγινε ύστερα από σειρά συνεντεύξεων με υψηλόβαθμα στελέχη της επιχείρησης. Τα στελέχη αυτά προέρχονται κυρίως από τον χώρο των πωλήσεων και του μάρκετινγκ. Έτσι λοιπόν ύστερα από εκτενή και αναλυτική συζήτηση με τα άτομα αυτά, εντοπίστηκαν οι δείκτες (KPIs) εκείνοι τους οποίους έχει νόημα να παρακολουθεί η συγκεκριμένη επιχείρηση. Πρωταρχική ανάγκη είναι να μπορεί η διοίκηση των καταστημάτων να παρακολουθεί τον τζίρο που κάνουν όλα τα καταστήματα συνολικά, αλλά ταυτόχρονα υπάρχει ανάγκη το ποσό αυτό να μπορεί να επιμεριστεί και ανά ξεχωριστό κατάστημα. Επίσης, μεγάλο ενδιαφέρον σε μια τέτοιου είδους αλυσίδα καταστημάτων εντοπίζεται και στο ποια είναι τα προϊόντα εκείνα τα οποία επιφέρουν τα μεγαλύτερα κέρδη από τις πωλήσεις τους. Η παράμετρος αυτή έχει ενδιαφέρον να παρακολουθείται ανά κατάστημα ξεχωριστά, αλλά και συνολικά, διότι κρύβει μέσα της πολύτιμη πληροφορία που στη συνέχεια μπορούν να εκμεταλλευτούν τα στελέχη των πωλήσεων ώστε να αυξήσουν τα κέρδη της επιχείρησης. Ακόμα κρίθηκε σκόπιμο ο τζίρος που επιφέρει κάθε προϊόν στον οργανισμό να επιμερίζεται τόσο με ηλικιακά κριτήρια όσο και ανάλογα με το φύλο του αγοραστή. Η πληροφορία αυτή έχει μεγάλη σημασία ιδιαίτερα για τα στελέχη στον τομέα του μάρκετινγκ, διότι μπορεί να τους διευκολύνει ώστε να κάνουν πιο στοχευμένες καμπάνιες και διαφημίσεις. Επιπλέον ζητήθηκε από τα διοικητικά στελέχη να παρακολουθούν τον συνολικό αριθμό επισκεπτών των καταστημάτων καθώς και το ποσοστό των ατόμων που επισκέφτηκαν κάποιο κατάστημα και τελικά προέβησαν σε κάποια αγορά. Ο δείκτης αυτός θεωρείται πολύ σημαντικός από την διοίκηση διότι μέσω αυτού γίνεται εύκολα αντιληπτό ότι οι πελάτες των καταστημάτων δεν είναι ικανοποιημένοι είτε από τα προϊόντα είτε από τις τιμές αυτών είτε από την εξυπηρέτηση που δέχονται. Έτσι αποτελεί θα λέγαμε «ειδοποίηση» ότι κάποια από τα τρία στοιχεία που αναφέραμε δεν λειτουργεί σωστά. Επιπρόσθετα έχει σημασία να υπάρχει σύγκριση των κερδών του τρέχοντος έτους με το προηγούμενο, και όχι μόνο, έτσι ώστε ο οργανισμός να έχει συνολική εικόνα της πορείας του στον χρόνο. Αφού λοιπόν ολοκληρωθεί η διαδικασία της συλλογής απαιτήσεων από τον πελάτη, ουσιαστικά έχουν τεθεί οι στόχοι για την ομάδα υλοποίησης του συστήματος BI. 4.3 Διαδικασία ETL H διαδικασία αυτή μας βοηθάει ώστε να συγκεντρώσουμε τα δεδομένα που επιθυμούμε κάθε φορά σε μια συγκεκριμένη βάση δεδομένων, την οποία στην συνέχεια θα επεξεργαστούμε. Τα δεδομένα αυτά που επιθυμούμε μπορεί να βρίσκονται σε διάφορες ξεχωριστές πηγές και μορφές αρχείων όπως μπορεί να είναι μια ή περισσότερες σχεσιακές βάσεις δεδομένων, αρχεία excel, xml, csv, και σε πολλές άλλες. Τότε είναι πολύ σημαντικό να γνωρίζουμε πως υπάρχει ένα εργαλείο που μπορεί να ενώσει όλη αυτή την διασπασμένη πληροφορία και να τηρήσει μια συγκεκριμένη και κοινή δομή. Υπάρχουν αρκετά εργαλεία στο χώρο της αγοράς που προσφέρουν τις παραπάνω διαδικασίες ενοποίησης (integration). Στην παρούσα εργασία έχει επιλεγεί το SSIS (SQL Server Integration Services). Στην συγκεκριμένη υλοποίηση η διαδικασία Integration έχει 43

45 οριστεί ώστε να λαμβάνει τα δεδομένα από μια βάση δεδομένων στην οποία βρίσκονται και να τα μεταφέρει σε μια νέα βάση. Θα μπορούσαμε πολύ εύκολα να υποθέσουμε ότι η αρχική βάση είναι η βάση του πελάτη που εκεί έχει αποθηκευμένα τα στοιχεία των πελατών του, και η δεύτερη βάση είναι η βάση προορισμού που έχει δημιουργηθεί για τους σκοπού της υλοποίησης του συγκεκριμένου έργου επιχειρηματικής ευφυίας. Τότε και αφού ο πελάτης έχει επιτρέψει την πρόσβαση σε αυτή, η ομάδα BI μπορεί να στήσει μια σύνδεση με την βάση αυτή ώστε να πάρει τα δεδομένα που είναι απαραίτητα για το έργο και να τα μεταφέρει σε μια δική της βάση δεδομένων στην μορφή που την εξυπηρετεί ώστε να ακολουθήσει στην συνέχεια η ανάλυσή τους. Η διαδικασία αυτή έχει στόχο την αυτοματοποιημένη μετακίνηση των δεδομένων του πελάτη στην αποθήκη δεδομένων που έχει δημιουργηθεί για το συγκεκριμένο παράδειγμα, ανά τακτά χρονικά διαστήματα τα οποία καθορίζονται κάθε φορά από της ανάγκες του κάθε έργου. Στην συνέχεια ακολουθεί η διαδικασία ETL που υλοποιήθηκε στην παρούσα εργασία βήμα - βήμα Δημιουργία SSIS Project. Εικόνα 4-2: Δημιουργία νέου SSIS project. - Όπως φαίνεται και στην Εικόνα 4-2 για να δημιουργήσουμε ένα νέο project ακολουθούμε τα βήματα File, Add, New Project. - Ο τύπος του project που θέλουμε να δημιουργήσουμε είναι ένα Integration Services Project. - Ένα Integration Services Project χτίζεται πάνω σε ένα ήδη υπάρχον SSAS Project. 44

46 4-3: Επιλογή νέου SSIS Services Project. - Μετά την διαδικασία αυτή μπορούμε να επιβεβαιώσουμε την δημιουργία του SSIS Project που δημιουργήσαμε στο επάνω δεξιά κομμάτι της οθόνης του προγράμματος. Εικόνα 4-4: Επιβεβαίωση της δημιουργίας του SSIS project. - Στην συνέχεια και ενώ βρισκόμαστε στο παράθυρο σχεδίασης (design window), μπορούμε να διαμορφώσουμε την ακολουθία ενεργειών που επιθυμούμε να εκτελεί το project που μόλις δημιουργήσαμε. 45

47 Εικόνα 4-5: Προσθήκη Execute SQL Task και Data Flow Task στη κεντρική οθόνη σχεδιασμού. - Στην αριστερή πλευρά της οθόνης σχεδίασης, υπάρχει το SSIS Toolbox, από το οποίο μπορούμε να επιλέξουμε και να σύρουμε μέσα στο ταμπλό όποιο πακέτο διαδικασιών (task) θέλουμε. Αρχικά θα εξετάσουμε την περίπτωση του Empty Task. Το έτοιμο task που έχουμε χρησιμοποιήσει εδώ είναι το Execute SQL Task. Αυτή η διαδικασία μας δίνει την δυνατότητα να προσθέσουμε ένα SQL query το οποίο επιθυμούμε να εφαρμοστεί σε ένα συγκεκριμένο σημείο της διαδικασίας. Στην περίπτωση της άσκησης αυτής αποτελείται από μια διαδικασία που κάθε φορά που τρέχει, αδειάζει την προηγούμενη πληροφορία που περιέχουν κάποιοι πίνακες που εμείς έχουμε ορίσει. Έτσι ανανεώνουμε το περιεχόμενο τους. Οι πίνακες αυτοί είναι κάποιοι ενδιάμεσοι πίνακες που γεμίζουμε με τα δεδομένα πριν τα μεταφέρουμε στην συνέχεια στην τελική μας βάση, δηλαδή στο Data Warehouse. Έτσι θέλουμε κάθε φορά να έχουμε απομονωμένη την ήδη υπάρχουσα πληροφορία, να ελέγχουμε μόνο την νέα που στην συνέχεια θα εισαγάγουμε στην τελική βάση. Αυτή η διαδικασία γίνεται κυρίως για να διασφαλίσει ότι τα δεδομένα στην τελική βάση αποθήκευσης θα διατηρηθούν ασφαλή. Στην συνέχεια παρατηρούμε ότι έχει επιλεγεί το Transfer Task. Με διπλό κλικ επάνω του μπορούμε να μεταφερθούμε στο εσωτερικό του. - Εκεί ορίζουμε την προέλευση και τον προορισμό των δεδομένων. 46

48 Εικόνα 4-6: Καρτέλα Data Flow. Στην Εικόνα 4-6 παρατηρούμε ότι και σε αυτή την περίπτωση υπάρχουν αριστερά στο SSIS Toolbox έτοιμες επιλογές από τις οποίες μπορούμε να επιλέξουμε την πηγή και τον προορισμό των δεδομένων μας. Ανάλογα με τον τύπο της πηγής υπάρχει και ξεχωριστό task το οποίο πρέπει να επιλέξουμε. Στην δική μας περίπτωση πηγή των δεδομένων είναι μια SQL βάση και γι αυτόν τον λόγο έχουμε επιλέξει το συγκεκριμένο πλακίδιο. Πριν κάνουμε διπλό κλικ επάνω στα πλακίδια πηγής και προορισμού, πρέπει πρώτα να δημιουργήσουμε τις συνδέσεις τόσο με την βάση από την οποία παίρνουμε τα δεδομένα όσο και με αυτήν η οποία θα τα δεχτεί στην συνέχεια Ορισμός Connection Managers Εικόνα 4-7: Δημιουργία νέας OLE DB σύνδεσης. 47

49 Εικόνα 4-8: Σύνδεση του project με τον Server που βρίσκεται η βάση. - Έτσι λοιπόν στο παράδειγμά μας χρειάζεται να κάνουμε δύο συνδέσεις. Στην Εικόνα 4-8φαίνεται η σύνδεση που έχουμε κάνει με την πηγή των δεδομένων. - Η σύνδεση για τα δεδομένα προορισμού γίνεται ακριβώς με τον ίδιο τρόπο. - Αφού, λοιπόν, έχει γίνει η σύνδεση, στην συνέχει κάνουμε διπλό κλικ πάνω στο task. Τότε εμφανίζεται το παρακάτω παράθυρο επιλογών (Εικόνα 4-9). Εικόνα 4-9: Ορισμός της πηγής των δεδομένων καθώς και του πίνακα που μας ενδιαφέρει. - Στο πεδίο OLE DB connection manager, επιλέγω την βάση στην οποία βρίσκονται τα στοιχεία, π.χ. αυτή η βάση μπορεί να είναι του πελάτη. - Στην συνέχεια στο πεδίο Name of the table or the view επιλέγω τον συγκεκριμένο πίνακα τα στοιχεία του οποίου επιθυμώ να μετακινήσω στην βάση προορισμού. - Στο πεδίο Columns μπορούμε να δούμε μια προεπισκόπηση όσων αφορά τις στήλες που περιέχει ο ήδη υπάρχον πίνακας και αυτές που πρόκειται να έχει ο πίνακας που θα δημιουργηθεί. 48

50 Στο σημείο αυτό μπορούμε να επιλέξουμε εάν επιθυμούμε να μεταφέρουμε όλα τα πεδία ενός πίνακα. Υπάρχουνε περιπτώσεις στις οποίες μπορεί να μην μας αφορά ολόκληρη η πληροφορία που περιέχει ένας πίνακας. Τότε επιλέγουμε να μεταφέρουμε μόνο ορισμένες από τις στήλες του. Με την παραπάνω λογική έχει δημιουργηθεί το σχήμα που ακολουθεί (Εικόνα 4-10). Τώρα έχουμε δημιουργήσει ένα έτοιμο πακέτο το οποίο μεταφέρει τα δεδόμενα τα οποία θα χρειαστούμε για την ανάλυση που θα κάνουμε στην συνέχεια. Το πακέτο αυτό μπορεί να τρέχει αυτόματα κάθε φορά που θέλουμε να ανανεώσουμε τα δεδομένα μας ή και χειροκίνητα ανάλογα κάθε φορά με τις ανάγκες του έργου. Εικόνα 4-10: Το ολοκληρωμένο Data Flow για την μεταφορά των πινάκων του προβλήματος. Αντίστοιχα, και στους άλλους τύπους συνδέσεων, τα βήματα που απαιτούνται είναι παρόμοια. Στην περίπτωση της σύνδεσης του project με μια εφαρμογή.net (ADO NET Source), πρέπει αντίστοιχα να έχουμε τα απαιτούμενα στοιχεία για την δημιουργία της σύνδεσης. Επιπλέον, εάν επιθυμούμε να αντλήσουμε πληροφορία μέσα από μία σελίδα στο διαδίκτυο, τότε πρέπει να ακολουθήσουμε την ίδια διαδικασία με προηγουμένως, εδραιώνοντας δηλαδή την απαιτούμενη σύνδεση (XML Source) μεταξύ του SSIS project με τα αρχεία XML. Επίσης, εάν επιθυμείται η σύνδεση με κάποια άλλη βάση δεδομένων, είτε της Oracle, είτε και της MySQL, η διαδικασία που εφαρμόζεται δε διαφέρει (ODBC Source, OLE DB Source). Επιπροσθέτως, μπορεί να γίνει σύνδεση με αρχεία Excel και flat file, όπου εδώ απαιτεί μόνο η θέση στην οποία βρίσκεται το αρχείο (Excel Source). 49

51 Η διαδικασία του integration δεν αφορά μόνο την εξαγωγή, την μορφοποίηση και την εισαγωγή των δεδομένων που αφορούν έναν οργανισμό σε κάποια βάση δεδομένων (Data Warehouse). Το αποτέλεσμα, ως μία δομημένη πληροφορία, που πηγάζει από το SSIS, μπορεί να είναι κάποιο αρχείο excel ή ένα flat file (Excel Destination, Flat File Destination), που στην συνέχεια μπορεί να αποτελέσουν δεδομένα εισόδου σε κάποιο άλλο εργαλείο. Ακόμα, παρέχεται η δυνατότητα να δομήσουμε κατάλληλα την πληροφορία μας, την οποία μπορούμε να τη χρησιμοποιήσουμε και ως βάση εκπαίδευσης αλγορίθμων Εξόρυξης Δεδομένων (Data Mining Model Training) καθώς επίσης και για διάφορες άλλες σελίδες XML και εφαρμογές.net (ADO NET Destination). 4.4 Διαδικασία διεξαγωγής της υλοποίησης Δημιουργία SSAS Project Η δημιουργία ενός SSAS (SQL Server Analysis Services) project είναι μια σχετικά απλή διαδικασία. Παρόλα αυτά όμως είναι ένα πολύ βασικό στοιχείο του έργου διότι μέσα σε αυτό χτίζονται όλες οι βασικές έννοιες επάνω στις οποίες θα στηριχτεί το project. Στο σημείο αυτό γίνεται η σύνδεση των πινάκων, καθορίζεται δηλαδή ποιο σχήμα θα χρησιμοποιήσουμε (αστέρα, χιονονιφάδα ή αστερισμού), ποια Measures και ποια Dimensions θα χρησιμοποιήσουμε στο παρόν έργο, καθώς και το πως θα δομηθεί ο κύβος στον οποίο θα βασιστούμε στην συνέχεια. - Για να δημιουργήσουμε ένα SSAS Project πρέπει αρχικά να ανοίξουμε το SQL Server Data Tool. Το SQL Server Data Tool είναι ένα εργαλείο το οποίο βασίζεται στον SQL Visual Studio. - Στην αρχική σελίδα του Data Tool επιλέγουμε File -> New Project, στην συνέχεια επιλέγουμε ότι θέλουμε να δημιουργήσουμε ένα Analysis Services Project όπως φαίνεται στην Εικόνα

52 Εικόνα 4-11: Χρήση της επιλογής Analysis Services Multidimensional and Data Mining για την δημιουργία νέου project. - Η πρώτη ενέργεια που πρέπει να γίνει μετά την δημιουργία του νέου project είναι η σύνδεσή του με την βάση από την οποία θα λαμβάνει δεδομένα. Αυτό μπορεί να γίνει από τον Solution Explorer που βρίσκεται στο επάνω δεξιά κομμάτι της οθόνης όπως μπορούμε να παρατηρήσουμε και παρακάτω στην Εικόνα Εικόνα 4-12: Δημιουργία νέας πηγής δεδομένων New Data Source. - Στο παράθυρο που απεικονίζεται στην Εικόνα 4-13 επιλέγουμε ότι θέλουμε να δημιουργήσουμε μια καινούργια σύνδεση με την κάποια βάση δεδομένων. 51

53 Εικόνα 4-13: Επιλογή του κουμπιού New για τη δημιουργία καινούργιας σύνδεσης. - Στο παράθυρο που εμφανίζεται στην Εικόνα 4-14, πρέπει να δώσουμε τα στοιχεία που απαιτούνται για την νέα σύνδεση. Αυτά είναι το όνομα του Server στο οποίο βρίσκονται τα δεδομένα μας και επιθυμούμε να συνδεθούμε, καθώς και το όνομα της βάσης στην οποία επιθυμούμε να συνδεθούμε. Εικόνα 4-14: Δημιουργία της σύνδεσης με την βάση Melina_Papaellinas. - Στην επόμενη οθόνη που θα μας εμφανιστεί επιλέγουμε τα στοιχεία με τα οποία επιθυμούμε να συνδεθούμε στην βάση του SQL για να αποκτήσουμε πρόσβαση στα δεδομένα. Μετά και από το βήμα αυτό έχουμε ολοκληρώσει την σύνδεση με τον Server από τον οποίο θα λαμβάνουμε την πληροφορία που μας ενδιαφέρει να εξετάσουμε στο σενάριο μας. 52

54 - Αφού έχει δημιουργηθεί η σύνδεση, τώρα έχει σειρά να καθορίσουμε και το ποιά δεδομένα από την βάση αυτή επιθυμούμε να χρησιμοποιήσουμε, καθώς και τον τρόπο με τον οποίο θα γίνει η σύνδεση των δεδομένων αυτών. Αυτό γίνεται στο σημείο Data Source View. Η επιλογή αυτή βρίσκεται επίσης στο πεδίο Solution Explorer, στο επάνω δεξιά μέρος του παραθύρου που απεικονίζεται στην Εικόνα Εικόνα 4-15: Δημιουργία νέου Data Source View. - Το παράθυρο που θα εμφανιστεί στην συνέχεια μας ρωτά εάν θέλουμε να κάνει μόνο του το εργαλείο τις συνδέσεις των πινάκων, βασιζόμενο στα κλειδιά τους. Συνήθως αποφεύγουμε αυτή την επιλογή και προτιμούμε να κάνουμε την σύνδεση στην συνέχεια εμείς. Ακόμα πρέπει να επιλέξουμε σε ποιούς πίνακες της βάσης θέλουμε να έχουμε πρόσβαση όπως φαίνεται στην Εικόνα Εικόνα 4-16: Μεταφορά όλων τον πάκων που θα χρησιμοποιήσουμε στην πλευρά Included Table. 53

55 Μόλις ολοκληρώσουμε την διαδικασία αυτή όλοι οι πίνακες που έχουμε επιλέξει θα εμφανιστούν στην κεντρική οθόνη του προγράμματος. Στο σημείο αυτό μπορούμε να κάνουμε τις συνδέσεις μεταξύ τους σύμφωνα με τα κλειδιά τους. Αυτή η επιλογή προσδίδει μεγαλύτερη σιγουριά και μειώνει την πιθανότητα λάθους, από την περίπτωση που θα επιλέγαμε το πρόγραμμα να κάνει την σύνδεση μόνο του. Εικόνα 4-17: Μορφή του σχήματος μετά την σύνδεση των πινάκων Πίνακες Γεγονότων και Πίνακες Διαστάσεων Κάποιοι πίνακες όπως έχουμε ήδη αναφέρει περιέχουν μέσα τους την πληροφορία την οποία θέλουμε να αναλύσουμε στην συνέχεια (π.χ. τα κέρδη των καταστημάτων, τις ποσότητες των προϊόντων που πουλήθηκαν και άλλα πολλά στοιχεία). Αυτοί οι πίνακες είναι οι πίνακες Γεγονότων (Fact Tables). Κάθε φορά σε αυτόν τον πίνακα καταχωρείται μια εγγραφή η οποία μπορεί να περιέχει π.χ. στοιχεία για την πώληση ενός συγκεκριμένου προϊόντος, έτσι μπορεί να αναφέρεται στην ποσότητα η οποία πωλήθηκε από αυτό, καθώς και την τιμή στην οποία πωλήθηκε. Για το προϊόν όμως η μόνη πληροφορία που αποθηκεύεται σε αυτόν τον πίνακα είναι η ταυτότητα αναγνωριστικό του (ID). Περισσότερες πληροφορίες για το αντικείμενο που πωλήθηκε, όπως είναι το όνομα του, η περιγραφή του και τα άλλα του χαρακτηριστικά μπορούμε να τις βρούμε σε έναν άλλο πίνακα. Ο πίνακας αυτός περιέχει πληροφορίες αποκλειστικά και μόνο σε σχέση με τα αντικείμενα που πιθανόν διαθέτει το κατάστημα (Dimension Table). 54

56 4.4.3 Ξένα κλειδιά και πρωταρχικά κλειδιά Αυτό που έχουμε εμείς να κάνουμε είναι να δηλώσουμε με κάποιον τρόπο ότι αυτοί οι δυο πίνακες συνδέονται μεταξύ τους, δημιουργώντας ένα είδος σχέσης μεταξύ τους. Αυτό μπορούμε να το πετύχουμε συνδέοντας τον πίνακα που περιέχει όλα τα αντικείμενα, ας τον ονομάσουμε από εδώ και στο εξής πίνακα Item, με τον Fact Table. Η σύνδεση αυτή μπορεί να γίνει με την βοήθεια της στήλης που αναφέραμε παραπάνω ότι περιέχει ένα αναγνωριστικό ταυτότητα για κάθε αντικείμενο (ID) και υπάρχει και στους δυο πίνακες. Τα κλειδιά που περιέχονται στον Fact Table και ανήκουν σε άλλους πίνακες, όπως στο παράδειγμα μας, ανήκει στον πίνακα αντικειμένων (Foreign Keys). Ενώ το ίδιο κλειδί, όταν μιλάμε για τον πίνακα τον οποίο αφορά, δηλαδή τον Dimension Table, που στην περίπτωση μας είναι ο πίνακας Item, αποκαλείται Πρωταρχικό κλειδί (Primary Key). Τα κλειδιά αυτά συνήθως αποτελούνται από μια ακολουθία αριθμών και σε ορισμένες περιπτώσεις αριθμών και γραμμάτων μαζί. Εικόνα 4-18: Η έννοια του Fact πίνακα και των Dimension, καθώς και τον Primary και Foreign κλειδιών. Με τον ίδιο τρόπο με τον οποίο γίνεται η σύνδεση μεταξύ του Fact Table και του Dimension Table στο παράδειγμα μας, μπορεί να γίνει και η σύνδεση μεταξύ δύο Dimension Table. 55

57 4.4.4 Dimension Table Αφού έχουμε πλέον ορίσει στην επιλογή Data Source View ποιούς πίνακες επιθυμούμε για την δουλειά που θέλουμε να κάνουμε, και αφού έχουμε δημιουργήσει τις μεταξύ τους συνδέσεις, είμαστε σε θέση να ορίσουμε σε αυτό το σημείο ποιά πληροφορία θα βλέπουν οι τελικοί χρήστες. Πρέπει να έχουμε στο μυαλό μας το γεγονός ότι οι τελικοί χρήστες επιθυμούν να βλέπουν αριθμούς οι οποίοι εκφράζονται μέσα από διαγράμματα (π.χ. Bar Charts), αναφορές (Dashboards), ή πολύ απλά περιέχονται σε κάποιον πίνακα. Όλοι αυτή η πληροφορία βέβαια δεν είναι αρκετά χρήσιμη και βοηθητική προς τους τελικούς χρήστες εάν δεν υπάρχει κάποιου είδους κατηγοριοποίησή της, καθώς και ένας τρόπος φιλτραρίσματος της. Για παράδειγμα, θα πρέπει ο τελικός χρήστης να είναι σε θέση να φιλτράρει τα κέρδη ανάλογα με το κατάστημα ή και τα καταστήματα που τον ενδιαφέρει να ενημερωθεί μια συγκεκριμένη χρονική περίοδο, ή και συγκριτικά, δηλαδή τις πωλήσεις της τρέχουσας χρονιάς σε σύγκριση με αυτές που είχαν γίνει τον προηγούμενο χρόνο. Ακόμα μπορεί να φτάσει με την βοήθεια των φίλτρων στο επίπεδο να δει ποια κατηγορία πελάτων (φύλο, ηλικία) κάνει τον μεγαλύτερο τζίρο για την επιχείρηση, ποιές είναι οι προτιμήσεις των καταναλωτών στα προϊόντα του καταστήματος ανάλογα με την ηλικία και το φύλο τους, καθώς και πολλά άλλα στοιχεία που αποτελούν πολύ σημαντική πληροφορία, ιδικά στον τομέα της διοίκησης και του μάρκετινγκ για μια επιχείρηση. - Για να δημιουργήσουμε ένα νέο Dimension πηγαίνουμε και πάλι στο επάνω δεξιά μέρος της οθόνης εργασίας μας όπου βρίσκεται ο Solution Explorer (Εικόνα 4-19). Εκεί στο σημείο που αναγράφει Dimension κάνουμε δεξί κλικ και επιλέγουμε New Dimension. 56

58 Εικόνα 4-19: Δημιουργία νέου Dimension. - Στην ακολουθία παραθύρων θα μας ζητηθεί να επιλέξουμε μεταξύ άλλων επιλογών ποια θα είναι η πηγή του Dimension που θα δημιουργήσουμε. Στην περίπτωση μας όπως μπορούμε να δούμε και παρακάτω θα επιλέξουμε την πρώτη επιλογή, δηλαδή πως το νέο Dimension που θα φτιάξουμε θα βασιστεί σε ένα ήδη υπάρχον πίνακα. Εικόνα 4-20: Πρώτο παράθυρο για την δημιουργία του Dimension. 57

59 - Στην συνέχεια θα μας ζητηθεί να επιλέξουμε ποιοι από τους πίνακες που έχουμε ήδη εισαγάγει στο πεδίο του Data Source View θέλουμε να συμμετάσχουν στο συγκεκριμένο Dimension. Η Εικόνα 4-21 αποτελεί ένα στιγμιότυπο αυτής της οθόνης επιλογής. Εικόνα 4-21: Αφήνουμε της default επιλογές για την δημιουργία του Dimension Item. - Στο πεδίο Key columns επιλέγουμε το Primary Key του πίνακα του πίνακα. Στο πεδίο Name column μπορούμε να μετονομάσουμε αυτή την στήλη (Key column) όπως εμείς επιθυμούμε. - Στο επόμενο στάδιο θα ερωτηθούμε εάν θέλουμε να επιλέξουμε επιπλέον στήλες από τον πίνακα Item. Κάθε νέα στήλη που θα επιλέξουμε για να γίνει Dimension μαζί και με την στήλη του αναγνωριστικού (ID), στην συνέχεια θα μπορεί να χρησιμοποιηθεί από τον τελικό χρήστη, έτσι ώστε να μπορεί να φιλτράρει την πληροφορία που επιθυμεί κατάλληλα. 58

60 Εικόνα 4-22: Δεν θα επιλέξουμε επιπλέον Attributes στο σημείο αυτό. Στην περίπτωση που δεν κάνουμε την επιλογή αυτή σε αυτό το σημείο, και προχωρήσουμε μόνο με το Item ID, και στην πορεία της εργασίας μας καταλήξουμε στο συμπέρασμα ότι έπρεπε να επιλέξουμε και κάποια ακόμα Dimensions, υπάρχει η δυνατότητα επεξεργασίας του Dimension, ακόμα και μετά την ολοκλήρωση της διαδικασίας δημιουργίας του. - Το τελευταίο παράθυρο κατά την διαδικασία της δημιουργία του Dimension μας δίνει την δυνατότητα να δώσουμε το δικό μας όνομα σε αυτό, διαφορετικά θα πάρει το όνομα του πίνακα από τον οποίο δημιουργήθηκε δηλαδή στην περίπτωση μας θα πάρει το όνομα Item. Μετά την ολοκλήρωση της διαδικασία δημιουργίας του Dimension, αυτό θα εμφανιστεί σε ένα νέο παράθυρο χωρισμένο στα τρία στο οποίο μπορεί να γίνει επιπλέον επεξεργασία του. 59

61 Εικόνα 4-23: Τραβώντας μια στήλη από τα δεξιά στα αριστερά δημιουργούμε νέο attribute. - Στο σημείο αυτό είναι πολύ εύκολο να σύρουμε από την πλευρά του Data Source View και άλλα γνωρίσματα (attributes) και να τα προσδώσουμε στο Dimension που μόλις δημιουργήσαμε. Την επεξεργασία αυτή μπορούμε να την κάνουμε ανά πάσα στιγμή κατά την διάρκεια που προετοιμάζουμε το Dashboard που θα παρουσιάσουμε στον τελικό χρήστη. Έτσι όταν καταλάβουμε πως πρέπει να εισαγάγουμε και κάποιο ακόμα χαρακτηριστικό στα Dimension που έχουμε δημιουργήσει, με ένα διπλό κλικ στο όνομα του Dimension που βρίσκεται στο πεδίο Solution Explorer μπορούμε να βρεθούμε και πάλι στο σημείο αυτό του σχεδιασμού. - Αφού έχουμε ολοκληρώσει τις προσθήκες ή τις αλλαγές στο Dimension πρέπει να το τρέξουμε, και εάν παραλείψουμε αυτό το βήμα, τότε ο τελικός χρήστης δεν θα δει ποτέ τις αλλαγές μας. Αυτό το κάνουμε από το κουμπί Process όπως φαίνεται και στην Εικόνα Εικόνα 4-24: Τρέξιμο του Dimension Item. - Αφού πατήσουμε το κουμπί Process θα μας εμφανιστεί ένα παράθυρο το οποίο μας ενημερώνει ότι πρώτα πρέπει να κάνουμε build and deploy το project. 60

62 Εικόνα 4-25: Όταν έχουν γίνει αλλαγές στο project μας ζητάτε να κάνουμε deploy και process ξανά. - Επιλέγουμε Yes για να ξεκινήσει η διαδικασία. Αφού ολοκληρωθεί η διαδικασία αυτή στην συνέχεια πρέπει να κάνουμε process και το Dimension. Εικόνα 4-26: Εκκίνηση διαδικασίας ενημέρωσης του Dimension. - Επιλέγοντας Run στην οθόνη που απεικονίζεται στην Εικόνα 4-26 μπορούμε να ξεκινήσουμε την διαδικασία αυτή. Σε αυτό το στάδιο μπορούμε να ξέρουμε αν όλα πήγαν καλά με τις αλλαγές που κάναμε. Εάν όχι, τότε κάποιο λάθος θα μας εμφανιστεί και η διαδικασία θα σταματήσει. 61

63 Μόνο όταν το λάθος επιδιορθωθεί θα ολοκληρωθεί η διαδικασία αυτή και θα μας εμφανιστεί ένα μήνυμα το οποίο θα μας ενημερώνει ότι η διαδικασία ολοκληρώθηκε με επιτυχία. Όσο βρισκόμαστε ακόμα στο παράθυρο του Dimension και αφού η παραπάνω διαδικασία έχει ολοκληρωθεί με επιτυχία, μπορούμε να πάμε στην καρτέλα Browser και να δούμε μια προεπισκόπηση του πώς πρόκειται να εμφανίζεται αυτό το Dimension στον τελικό χρήστη. Εικόνα 4-27: Προεπισκόπηση των περιεχομένων του Item Dimension. Σε αυτό το σημείο μπορούμε να έχουμε μια προεπισκόπηση για όλα τα attributes που έχουμε επιλέξει στο συγκεκριμένο Dimension. Με παρόμοιο τρόπο έχουν δημιουργηθεί και τα υπόλοιπα Dimensions που χρειάστηκαν για να υλοποιηθεί το σενάριο που εξετάζουμε στην παρούσα διπλωματική εργασία Το Dimension του χρόνου με ιεραρχία Η μόνη διαφορά του Dimension του χρόνου με τα υπόλοιπα Dimensions που χρησιμοποιήσαμε είναι η ανάγκη για δημιουργία ιεραρχίας. Στο Dimension αυτό είχε νόημα να δημιουργήσουμε μια ιεραρχία, η οποία αποτελείται από τον χρόνο, τον μήνα και την ημέρα. Σκοπός της είναι να προσφέρουμε στον τελικό χρήστη μια φυσική δομή των φίλτρων που του παρέχουμε έτσι ώστε να είναι πιο εύκολη η χρήση τους από εκείνων. Το πρώτο επίπεδο της ιεραρχίας πρέπει να περιέχει τα δεδομένα εκείνα που είναι πιο γενικά, όπως είναι ο χρόνος στην περίπτωση μας. Και όσο διεισδύουμε στην ιεραρχία η πληροφορία γίνεται πιο συγκεκριμένη. Μπορούμε πολύ εύκολα να δημιουργήσουμε μια ιεραρχία, το μόνο που χρειάζεται είναι να σύρουμε τα attributes από το αριστερό μέρος της οθόνης στο κεντρικό με την σωστή σειρά που εξηγήσαμε παραπάνω, όπως μπορούμε να δούμε και στην Εικόνα

64 Εικόνα 4-28: Οργάνωση ιεραρχίας χρόνου Time Dimension. 4.5 Δημιουργία του Κύβου Τώρα και αφού έχουμε ήδη δημιουργήσει τα Dimensions θα προχωρήσουμε στην δημιουργία του κύβου. - Για να δημιουργήσουμε έναν νέο κύβο αυτό που έχουμε να κάνουμε είναι να πάμε στο επάνω δεξιά μέρος του παραθύρου Εργασία στον Solution Explorer, να κάνουμε δεξί κλικ στο cube και στην συνέχεια να επιλέξουμε new cube, όπως φαίνεται και παρακάτω στην Εικόνα Εικόνα 4-29: Δημιουργία νέου κύβου. - Ακολούθως θα εμφανιστεί και σε αυτή την περίπτωση όπως και στην περίπτωση της δημιουργίας των Dimensions, μια ακολουθία παραθύρων. - Στην πρώτη οθόνη που θα μας εμφανιστεί επιλέγουμε ότι ο κύβος που θα δημιουργήσουμε θα βασιστεί στους υπάρχοντες πίνακες. 63

65 Εικόνα 4-30: Πρώτη οθόνη της ακολουθίας παραθύρων για την δημιουργία του κύβου. Στην επόμενη οθόνη θα πρέπει να επιλέξουμε τα Measures που θέλουμε να περιλαμβάνει ο κύβος, δηλαδή να επιλέξουμε με λίγα λόγια τον Fact Table που έχουμε ορίσει στην συγκεκριμένη άσκηση. Στο σημείο αυτό βέβαια μπορούμε να επιλέξουμε και πιο συγκεκριμένα πεδία από τον Fact Table, που θεωρούμε ότι θα χρειαστούμε στην συνέχεια της άσκησης. Αυτό έχει ως προϋπόθεση να γνωρίζουμε ακριβώς ποια είναι η πληροφορία που θέλουμε να απεικονίσουμε στον τελικό χρήστη. Διαφορετικά μπορούμε να πάρουμε όλα τα στοιχεία του πίνακα για να είμαστε ασφαλείς και να μην χρειαστεί να γυρίσουμε πάλι προς τα πίσω στον κύβο για να προσθέσουμε επιπλέον Measures. Εικόνα 4-31: Επιλογή του Fact Table, ως πηγή των μετρήσιμων της παρούσας υλοποίησης. - Έπειτα μας ζητείται να επιλέξουμε εάν θα συμπεριλάβουμε στον κύβο όλα ή μερικά από τα Dimensions που έχουμε ήδη δημιουργήσει σε προηγούμενο στάδιο. 64

66 Εικόνα 4-32: Επιλογή όλων των Dimension που δημιουργήσαμε ως τώρα. - Στην τελευταία οθόνη της αλληλουχίας παραθύρων μας ζητείται να δώσουμε ένα συγκεκριμένο όνομα στον κύβο που μόλις δημιουργήσαμε και τελειώνει εκεί η διαδικασία δημιουργίας του κύβου. - Αφού ολοκληρωθεί η δημιουργία του, μπορούμε να δούμε τον νέο κύβο που δημιουργήσαμε στο επάνω δεξιά μέρος της οθόνης, στο Solution Explorer. Κατά την δημιουργία του κύβου, έχουν δημιουργηθεί και οι σχέσεις μεταξύ των πινάκων αυτόματα από το πρόγραμμα. Υπάρχει, όμως, πιθανότητα κάποιες από τις απαιτούμενες συνδέσεις να μην έχουν γίνει. Για τον λόγο αυτό πρέπει να κάνουμε διπλό κλικ επάνω στο όνομα του κύβου που μόλις δημιουργήσαμε, και στην συνέχεια να επιλέξουμε την καρτέλα Dimensions Usage. Στην καρτέλα αυτή μπορούμε να ελέγξουμε τις συνδέσεις που έχουν γίνει και να προσθέσουμε επιπλέον συνδέσεις χειροκίνητα στην περίπτωση που κάποια σύνδεση λείπει. 65

67 Εικόνα 4-33: Προσθήκη επιπλέων Dimension ή έλεγχος των συνδέσεων. Πριν αναλύσουμε τους τρόπους με του οποίους δημιουργούμε τις συνδέσεις, να αναφέρουμε ότι στο σημείο αυτό είναι δυνατή η προσθήκη επιπλέον Dimension στον ήδη υπάρχοντα κύβο. Οπότε οποιαδήποτε στιγμή θεωρήσουμε ότι χρειαζόμαστε κάποιο επιπλέον Dimension, ώστε να το προσθέσουμε στο έργο που θα παραδώσουμε στον τελικό χρήστη, μπορούμε να ανατρέξουμε σε αυτό το σημείο και να το προσθέσουμε στην υλοποίησή μας. Η διαδικασία είναι σχετικά απλή, το μόνο που έχουμε να κάνουμε είναι να κάνουμε δεξί κλικ στη στήλη με τα Dimensions και να επιλέξουμε Add Cube Dimension. Επιστέφοντας στις σχέσεις μεταξύ των πινάκων, υπάρχουν πέντε δυνατοί τρόποι με τους οποίους μπορεί να υλοποιηθούν οι συνδέσεις μεταξύ των Dimensions και των Measure. Δύο από αυτούς είναι αυτοί που χρησιμοποιούνται πιο συχνά και έχουμε χρησιμοποιήσει και εμείς στο παράδειγμα μας. Όταν το dimension που θέλουμε να συνδέσουμε δεν είναι απευθείας συνδεδεμένο με τον Fact Table, αλλά είναι συνδεδεμένο με ένα ενδιάμεσο Dimension Table που εκείνο με την σειρά του είναι συνδεδεμένο με τον Fact Table, τότε λέμε ότι η σχέση που πρέπει να δημιουργηθεί για την σύνδεση του συγκεκριμένου Dimension με τον πίνακα των Measure είναι referenced, υπάρχει δηλαδή σχέση αναφορική μεταξύ των πινάκων. Ένα παράδειγμα τέτοιας σύνδεσης στο δικό μας σενάριο είναι η σύνδεση του Dimension Gender με τον πίνακα Fact Sales. Στην περίπτωση αυτή δεν υπάρχει απευθείας σύνδεση των δύο πινάκων, αλλά η σύνδεση αυτών επιτυγχάνεται μέσω ενός ενδιάμεσου πίνακα, του πίνακα Customer (Εικόνα 4-34). 66

68 - Όπως μπορούμε να διακρίνουμε και από την Εικόνα 4-34, για να γίνει η σύνδεση αυτή πρέπει αρχικά να αναφέρουμε ποιος είναι ο ενδιάμεσος πίνακας καθώς επίσης και το Primary Key του πίνακα Gender, καθώς και το Foreign Key που βρίσκεται στον πίνακα Customer ο οποίος αποτελεί τον ενδιάμεσο πίνακα για την σύνδεση. Εικόνα 4-34: Δημιουργία Referenced σύνδεσης για το Dimension Gender. Οι σχεσιακές συνδέσεις (relational) είναι πιο απλές και αναφέρονται σε πίνακες που είναι συνδεδεμένοι μεταξύ τους απευθείας χωρίς την βοήθεια κάποιου ενδιάμεσου πίνακα. Σε αυτή την περίπτωση ανήκει ο πίνακας Customer που είναι συνδεδεμένος απευθείας με τον Fact Table. Σε αυτή την σύνδεση πρέπει να αναφέρουμε και πάλι το Primary Key του πίνακα Customer και το Foreign Key που βρίσκεται στον πίνακα των Measures, ώστε να γίνει η σύνδεση μεταξύ τους. - Σειρά έχει τώρα να κάνουμε Process τον κύβο. Αυτό γίνεται από το επάνω αριστερά μέρος της οθόνης εργασίας μας όπως μπορούμε να δούμε παρακάτω στην Εικόνα Εικόνα 4-35: Διαδικασία ενημέρωσης των δεδομένων του κύβου. 67

69 Και πάλι στο σημείο αυτό ενημερώνουμε τα δεδομένα ώστε να μπορεί να τα δει στην πορεία ο τελικός χρήστης από το εργαλείο με το οποίο θα απεικονίσομε την πληροφορία που αυτός επιθυμεί. Ωστόσο μπορούμε να ενημερωθούμε και για τυχόν λάθη που προέκυψαν κατά την προετοιμασία αυτή, ώστε να τα διορθώσουμε. Μόλις ολοκληρωθεί η διαδικασία αυτή μπορούμε σε πρώτη φάση να κάνουμε μια προεπισκόπηση του περιεχόμενου του κύβου από την καρτέλα Browser, όπως κάναμε αντίστοιχα και στην περίπτωση των Dimensions και να έχουμε μια πρώτη εικόνα των δεδομένων που θα παρουσιάσουμε στον τελικό χρήστη. Εικόνα 4-36: Προεπισκόπηση της πληροφορίας που περιέχει ο κύβος. - Σέρνοντας στοιχεία από το αριστερό μέρος στον κεντρικό λευκό καμβά μπορούμε να έχουμε μια γρήγορη απεικόνιση της πληροφορίας που θα παρέχουμε στην συνέχεια στον τελικό χρήστη ώστε να μπορούμε να κάνουμε διάφορους ελέγχους των δεδομένων. 68

70 4.6 Σύνδεση του κύβου με το εργαλείο απεικονίσεις Κάθε εργαλείο απεικόνισης (εργαλείο BI) έχει τον δικό του τρόπο σύμφωνα με τον οποίο γίνεται η σύνδεσή του με τον κύβο. Στην συγκεκριμένη υλοποίηση όπως έχουμε αναφέρει ήδη έχουμε κάνει χρήση του Targit, ως εργαλείο BI. Η διαδικασία της σύνδεσης λοιπόν του Targit με τον κύβο είναι αρκετά απλή. Αποτελείται, δηλαδή, από μερικά απλά βήματα, τα οποία ακολουθούμε ώστε να γίνει η σύνδεση του εργαλείου αυτού με τον Server ο οποίος φιλοξενεί το Data Warehouse, δηλαδή την βάση που αποτελεί τον κύβο μας. Για τον σκοπό αυτό υπάρχει το Targit Management client που αποτελεί μια ενδιάμεση εφαρμογή που είναι διασυνδεδεμένη με τον ANTserver. Ο ANTserver αποτελεί τον πυρήνα του Targit. Αυτός χειρίζεται όλα τα αιτήματα, ανακτά τα δεδομένα από την βάση και επιστρέφει πίσω με απαντήσεις στα αιτήματα αυτά. Αυτό που έχουμε να κάνουμε για να δημιουργήσουμε μια νέα σύνδεση είναι να ανοίξουμε τον Targit Management Client, και στο σημείο που αναγράφει για συνδέσεις να κάνουμε δεξί κλικ και να επιλέξουμε νέα σύνδεση. Τότε θα μας εμφανιστεί μια ακολουθία παραθύρων όπως αυτή που ακολουθεί παρακάτω. Εικόνα 4-37: Δημιουργία νέας σύνδεσης με τον ANTserver. - Στην συνέχεια στο connection type επιλέγουμε Multi-Dimensional Database, διότι η βάση που έχει δημιουργήσει έχει πολυδιάστατη μορφή. 69

71 Εικόνα 4-38: Επιλογή του είδους της σύνδεσης με τον server. - Έπειτα επιλέγουμε την έκδοση του Analysis Services στην οποία έχουμε δουλέψει το project. Εικόνα 4-39: Επιλογή του εργαλείου στο οποίο προετοιμάστηκε ο κύβος. 70

72 - Τέλος στο πεδίο Server βάζουμε την διεύθυνση του server στον οποίο έχουμε κάνει την υλοποίηση, και στο πεδίο Database επιλέγουμε την βάση στην οποία βρίσκονται τα δεδομένα μας, δηλαδή ο κύβος που έχουμε δημιουργήσει. Εικόνα 4-40: Εισαγωγή της διεύθυνσης του server και επιλογή της βάσης. - Στο σημείο αυτό η σύνδεση έχει ολοκληρωθεί. Τώρα μπορούμε να ανοίξουμε το εργαλείο απεικονίσεις BI και να ξεκινήσουμε να διαμορφώνουμε τις αναφορές που επιθυμεί να παρακολουθεί ο τελικός χρήστης. 71

73 4.7. Δημιουργία τελικών Dashboard Όπως ήδη έχουμε αναφέρει και πιο πάνω το σενάριο που εξετάζουμε αφορά μια αλυσίδα καταστημάτων λιανικής πώλησης. Έτσι, λοιπόν, τα Dashboards τα οποία έχουν δημιουργηθεί είναι φτιαγμένα έτσι ώστε η διοίκηση αυτών να έχει αρχικά μια γενική εικόνα για τα κέρδη του συνόλου των καταστημάτων της, και στην συνέχεια εάν επιθυμεί να μπορεί να εξετάσει και σε πιο χαμηλό επίπεδο τι συμβαίνει σε κάθε κατάστημα ξεχωριστά. Επιπλέον υπάρχει και η δυνατότητα η διοίκηση να μπορεί να παρακολουθεί ποια είναι αυτά τα προϊόντα που επιφέρουν σε αυτή τα μεγαλύτερα κέρδη από τις πωλήσεις τους. Όπως και προηγουμένως, έτσι και με τα προϊόντα, υπάρχει η δυνατότητα να δούμε ακόμα και πιο προϊόν κάνει τις μεγαλύτερες πωλήσεις για κάθε κατάστημα ξεχωριστά. Ακόμα υπάρχει και η πληροφορία για το ποια προϊόντα προτιμώνται από ποιες ηλικιακές ομάδες, καθώς επίσης και ποιο φύλο κάνει τον μεγαλύτερο τζίρο με βάση κάποιο προϊόν. Οι πληροφορίες αυτές είναι πληροφορίες που αφορούν τα μέλη αυτής της αλυσίδας καταστημάτων και προέρχονται από το σύστημα CRM που η επιχείρηση αυτή διαθέτει. Τα στοιχεία αυτά είναι ιδιαίτερα χρήσιμο να τα παρακολουθεί τόσο η διοίκηση όσο και το τμήμα μάρκετινγκ. Με τον τρόπο αυτό οι αποφάσεις που θα παίρνονται για τον οργανισμό θα είναι στρατηγικής σημασίας γι αυτόν, μειώνοντας τόσο τον ανταγωνισμό όσο και το επενδυτικό ρίσκο με το οποίο έρχονται αντιμέτωπες συνεχώς τέτοιου είδους επιχειρήσεις. Παρακάτω, λοιπόν, θα παρουσιάσουμε μια πρόταση αναπαράστασης της πληροφορίας που αφορά μια τέτοιου είδους αλυσίδα καταστημάτων. Πριν, όμως, θα κάνουμε μια μικρή αναφορά για το πώς δημιουργούμε ένα Dashboard με την χρήση του εργαλείου υλοποίησης BI που έχουμε επιλέξει. Στην γενική αυτή λογική που θα περιγράψουμε είναι βασισμένη η δημιουργία των Dashboards που ακολουθούν. Ανοίγοντας το εργαλείο BI που έχουμε επιλέξει για την υλοποίηση, αρχικά επιλέγουμε Start -> New όπως μπορούμε να διακρίνουμε στην Εικόνα Εικόνα 4-41: Δημιουργία νέου Dashboard. 72

74 Στην συνέχεια θα μας εμφανιστεί ένα κενό Dashboard (Εικόνα 4-42) το οποίο και θα ξεκινήσουμε να δομούμε, έτσι ώστε να δημιουργήσουμε το τελικό report που επιθυμούμε. Εικόνα 4-42: Οθόνη σχεδίασης του Dashboard. Στο σημείο αυτό από το πεδίο Source data, μπορούμε να επιλέξουμε τον κύβο που επιθυμούμε. Στην συνέχεια, όπως φαίνεται στην Εικόνα 4-42, εμφανίζονται τα αντίστοιχα measure και dimension που έχουμε καθορίσει πως θέλουμε να περιέχει ο συγκεκριμένος κύβος σύμφωνα με τις διαδικασίες που περιεγράφηκαν παραπάνω. Οπότε επιλέγουμε, με ένα κλικ επάνω τους, ποια από τα παραπάνω στοιχεία επιθυμούμε να συμπεριλάβουμε στο διάγραμμα που πρόκειται να φτιάξουμε. Έπειτα ορίζουμε την μορφή με την οποία θέλουμε να αναπαραστήσουμε την πληροφορία μας στο συγκεκριμένο διάγραμμα επιλέγοντας μια από τις 21 επιλογές διαφορετικών διαγραμμάτων που έχουμε. Στην Εικόνα 48 ακολουθεί ένα παράδειγμα, στο οποίο θέλουμε να παρακολουθούμε τα κέρδη που έχει η επιχείρηση ανά φύλο αγοραστή (άντρας, γυναίκα). Την πληροφορία αυτή έχουμε επιλέξει να την αναπαραστήσουμε με την χρήση ραβδογράμματος (bar chart). 73

75 Εικόνα 4-43: Αναπαράσταση σε ραβδόγραμμα των κερδών της επιχείρησης ανά φύλο. Αφού καθορίσουμε τα παραπάνω στοιχεία που είναι τα βασικότερα για το διάγραμμα που πρόκειται να φτιάξουμε στην συνέχει επιλέγουμε από το μενού την επιλογή Properties όπως φαίνεται στην Εικόνα Εικόνα 4-44: Επεξεργασία, μενού Properties. 74

76 Το μενού αυτό μας δίνει την δυνατότητα να κάνουμε διάφορες τροποποιήσεις στο διάγραμμα που έχουμε ήδη φτιάξει. Η επιλογή Title and Explanation μας επιτρέπει να δώσουμε τον δικό μας τίτλο και μια μικρή περιγραφή στο διάγραμμα. Η επιλογή Chart Properties μας επιτρέπει να αλλάξουμε τα χρώματα των στηλών και του φόντου του διαγράμματος, επίσης να καθορίσουμε τις λεζάντες που περιγράφουν κάθε στήλη και άλλες αντίστοιχες διαδικασίες που αφορούν την εμφάνιση του διαγράμματος. Η επιλογή cross styling μας επιτρέπει να χρησιμοποιήσουμε έτοιμα θέματα που προϋπάρχουν αποθηκευμένα στο εργαλείο ή που έχουμε δημιουργήσει εμείς στο παρελθόν, έτσι ώστε να αλλάξουμε και πάλι την μορφοποίηση του διαγράμματος. Η επιλογή visibility μας επιτρέπει να κρύψουμε τιμές η ακόμα και ολόκληρες γραμμές ή στήλες, οι οποίες κρίνουμε πως δεν έχουν λόγο να εμφανίζονται στο συγκεκριμένο report. Το Format Numbers επιτρέπει την τροποποίηση των αριθμών έτσι ώστε να έχουν τα απαιτούμενα δεκαδικά ψηφία που επιθυμούμε κ.ο.κ. Τέλος μεγάλη χρησιμότητα έχουν οι Color και Visibility Agents. Αυτοί σύμφωνα με την συνθήκη την οποία θα τους εφαρμόσουμε, μπορούν αντίστοιχα είτε να κρύψουν κάποιες τιμές που δεν έχει νόημα να εξετάζουμε σε κάθε περίπτωση, είτε να χρωματίζουν κάποια πεδία ανάλογα. Έτσι για παράδειγμα, μπορεί να χρωματίζουν με κόκκινο χρώμα τα καταστήματα εκείνα που έχουν κέρδη κάτω του μέσου επιθυμητού όρου. Επιλέγοντας από το μενού την προτελευταία επιλογή, Calculations μπορούμε να κάνουμε διάφορους υπολογισμούς μεταξύ των measure που έχουμε διαθέσιμα. Είναι καλή πρακτική όμως τα calculations να αποφεύγονται και οποιοσδήποτε υπολογισμός να λαμβάνει χώρα κατά την δημιουργία του κύβου και τον καθορισμό των measures στον SSAS. Η τελευταία επιλογή στο μενού είναι η criteria, η επιλογή αυτή μας επιτρέπει να επιλέξουμε τοπικά κριτήρια (local criteria) στην περίπτωση που επιθυμούμε να εξαιρέσουμε, να φιλτράρουμε ή και να προσθέσουμε μόνο συγκεκριμένες τιμές ενός ή και περισσοτέρων dimensions σε κάποιο συγκεκριμένο σχεδιάγραμμα. Αντίστοιχα, τα καθολικά κριτήρια (global criteria) κάνουν την παραπάνω δουλειά, αλλά για όλα τα διαγράμματα του dashboard αυτήν την φορά. Τέλος, υπάρχει η επιλογή του comparison το οποίο λειτουργεί δυναμικά με την τρέχουσα ημερομηνία, και παρέχει συγκριτικά στοιχεία. Για παράδειγμα, ένα χρήσιμο σενάριο στην περίπτωση του καταστήματος μεταπωλητών είναι να ορίσουμε ότι επιθυμούμε να βλέπουμε σε αντιπαράθεση τα τρέχοντα κέρδη με τα κέρδη του προηγούμενου έτους, ώστε να υπάρχει σύγκριση. Αφού παρουσιάστηκε η γενική ιδέα της δημιουργίας νέων Dashboard στην συνέχεια ακολουθεί η ανάλυση αυτών που δημιουργήθηκαν για τους σκοπούς της παρούσας εργασίας. 75

77 Το αρχικό Dashboard (Εικόνα 4-45) που ακολουθεί περιέχει κάποιους δείκτες οι οποίοι αναδεικνύουν οικονομικά στοιχεία για το σύνολο της επιχείρησης. Ο πρώτος δείκτης αριστερά αναφέρεται στον αριθμό των επισκεπτών που έχουν όλα τα καταστήματα στο σύνολό τους. Ο μεσαίος δείκτης αφορά τον συνολικό τζίρο που έχουν κάνει όλα τα καταστήματα της επιχείρησης μαζί. Και ο δείκτης που βρίσκεται στα δεξιά της οθόνης δείχνει ποιοι τελικά από τους επισκέπτες των καταστημάτων έχουν κάνει κάποια αγορά από το κατάστημα που έχουν επισκεφτεί. Στην συνέχεια το διάγραμμα που βρίσκεται στο κάτω μέρος της οθόνης δείχνει τον συνολικό τζίρο που έχουν κάνει όλα τα καταστήματα μαζί σε μηνιαίο επίπεδο, και τον συγκρίνει με τον αντίστοιχο τζίρο που είχαν κάνει την προηγούμενη χρονιά. Εικόνα 4-45: Αρχική οθόνη του εργαλείου. Στο επάνω μέρος του Dashboard υπάρχουν τρία κουμπιά. Πατώντας το πρώτο ο τελικός χρήστης μπορεί να παρακολουθήσει τα κέρδη της επιχείρησης ανά κατάστημα ξεχωριστά. Πατώντας το δεύτερο κουμπί μπορεί να παρακολουθεί τα κέρδη, αλλά αυτή την φορά διαχωρίζονται με γνώμονα τα προϊόντα. Και τέλος, πατώντας το τρίτο κουμπί μπορεί να παρακολουθήσει τα κέρδη μοιρασμένα σε επίπεδο πωλητή, δηλαδή μπορούμε να διακρίνουμε ποιος πωλητής κατάφερε να φέρει στην επιχείρηση τα μεγαλύτερα κέρδη. Επίσης, σε αυτό το Dashboard μπορεί ο τελικός χρήστης να παρακολουθήσει τα κέρδη επιμερισμένα τόσο με βάση ηλικιακά κριτήρια, όσο και με βάση το φύλο των καταναλωτών. 76

78 Πιο αναλυτικά, πατώντας το κουμπί Revenue per Store οδηγούμαστε στην οθόνη που ακολουθεί παρακάτω, Εικόνα Στην οθόνη αυτή μπορούμε να διακρίνουμε στο αριστερό κομμάτι έναν πίνακα ο οποίος συγκρίνει τα κέρδη σε επίπεδο καταστήματος του τρέχοντος και του προηγούμενου έτους. Στην δεξιά πλευρά της οθόνης μπορεί ο χρήστης να δει τα κέρδη κάθε καταστήματος πιο άμεσα. Στο επάνω μέρος της οθόνης υπάρχουν δύο φίλτρα, ενδεικτικά θα αναλύσουμε την λειτουργία του ενός εξ αυτών. Εικόνα 4-46: Κέρδη σε επίπεδο καταστημάτων. Εάν για παράδειγμα επιλέξουμε στο φίλτρο Item Hierarchy την επιλογή Beauty Line Categories, τότε όλο το περιεχόμενο του Dashboard θα δείχνει πληροφορία που αφορά αυτή την συγκεκριμένη κατηγορία που επιλέξαμε. Πιο συγκεκριμένα στο Dashboard τώρα εμφανίζονται μόνο τα καταστήματα εκείνα τα οποία έχουν αποκομίσει κέρδη από την κατηγορία αυτή των προϊόντων, όπως μπορούμε να διακρίνουμε και στο παράδειγμα που ακολουθεί, στην Εικόνα

79 Εικόνα 4-47: Κέρδη σε επίπεδο καταστημάτων φιλτραρισμένα ανά κατηγορία προϊόντων. - Μπορούμε να οδηγηθούμε και πάλι πίσω στην αρχική σελίδα πατώντας το κουμπί που βρίσκεται στο επάνω δεξιά μέρος του Dashboard. Αυτή την φορά μπορούμε να επιλέξουμε να οδηγηθούμε στο Dashboard Revenue per Product. Όπως αναφέραμε και προηγούμενως αυτό το Dashboard μας δίνει την δυνατότητα να παρακολουθήσουμε τα κέρδη της επιχείρησης με βάση τα προϊόντα που έχουν πωληθεί (Εικόνα 4-48). Το Dashboard αυτό περιέχει στο επάνω μέρος του μία πίτα, η οποία παρουσιάζει στον τελικό χρήστη με μία πολύ γρήγορη ματιά το πώς διαμοιράζονται τα κέρδη με βάση τις κατηγορίες των προϊόντων. Στο κάτω μέρος της οθόνης βρίσκονται τα δέκα προϊόντα με τις υψηλότερες πωλήσεις, και ποια είναι τα κέρδη που έχουν φέρει αυτά στην επιχείρηση. Στο δεξί μέρος υπάρχει μια λίστα με όλα τα καταστήματα της επιχείρησης που λειτουργεί ως φίλτρο στο Dashboard αυτό. Μπορούμε, λοιπόν, να επιλέξουμε για παράδειγμα ότι θέλουμε να παρακολουθήσουμε από ποια προϊόντα προήλθαν τα κέρδη του καταστήματος με όνομα sk Kolonakiou Lim. Η Εικόνα 4-49 που βλέπουμε παρακάτω μας δείχνει για το συγκεκριμένο κατάστημα πως διαμοιράστηκαν τα κέρδη του ανάλογα με τις κατηγορίες προϊόντων που διαθέτει προς πώληση στο κοινό του, καθώς επίσης και ποια είναι τα δέκα πρώτα προϊόντα σε πωλήσεις για αυτό το κατάστημα. 78

80 Εικόνα 4-48: Κέρδη σε επίπεδο προϊόντων. Εικόνα 4_49: Κέρδη ανά προϊόν φιλτραρισμένα για συγκεκριμένο κατάστημα. Εάν τώρα επιπλέον κάνουμε κλικ στο μεγάλο κομμάτι της πίτας που αφορά την κατηγορία προϊόντων Beauty Line Categories, τότε εμβαθύνουμε περισσότερο στο επίπεδο της πληροφόρησης και αυτή την φορά μπορούμε να δούμε στο διάγραμμα που βρίσκεται στο κάτω μέρος της οθόνης ποια είναι τα δέκα προϊόντα που συγκέντρωσαν τα μεγαλύτερα κέρδη από τη κατηγορία αυτή (Εικόνα 4-50). 79

81 Εικόνα 4-50: Κέρδη ανά προϊόν που ανήκουν σε συγκεκριμένη κατηγορία φιλτραρισμένα με συγκεκριμένο κατάστημα. Επιπρόσθετα των όσων έχουμε αναφέρει πιο πάνω μπορούμε όπως δείχνουμε και στις πιο κάτω εικόνες πατώντας το συν να καθορίσουμε εμείς σε πόση λεπτομέρεια θέλουμε να φτάσουμε στο επίπεδο της κατηγοριοποίησης των προϊόντων. Η κατηγοριοποίηση των προϊόντων αποτελείται από μια ιεραρχία τριών επιπέδων. Εικόνα 4-51: Δεύτερο επίπεδο ιεραρχίας κατηγορίας προϊόντων. 80

82 Εικόνα 4-52: Τρίτο επίπεδο ιεραρχίας κατηγορίας προϊόντων. - Πηγαίνοντας τον κέρσορα επάνω σε κάθε κομμάτι της πίτας μπορούμε να δούμε αντίστοιχα το όνομα της κατηγορίας και το ποσοστό που αυτή καταλαμβάνει επί των κερδών ακόμα και στα μικρά κομμάτια της πίτας. - Πατώντας στο τρίτο κουμπί έχουμε την Εικόνα 4-53 που ακολουθεί. Εικόνα 4-53: Κέρδη ανά ηλικία καταναλωτών, ανά φύλο και ανά πωλητή. 81