Οι «κύκλοι» της επιχειρησιακής νοηµοσύνης. Μέθοδοι και Τεχνικές εξερεύνησης των δεδοµένων για την απόκτηση γνώσης (Knowledge Discovery). Eπιχειρησιακή νοηµοσύνη σε ένα σύγχρονο οργανισµό: Data Warehouses. ΠΕΤΑ: ΟΤΑ Επιχειρησιακή Νοηµοσύνη [Bc1.1.2 ΕΙΣΑΓΩΓΗ] 1
Επιχειρησιακή Nοηµοσύνη (Business Intelligence - ΒΙ) Η (υπο)ενότητα αυτή θα δώσει µια καθαρή εικόνα των τρόπων που οι Τεχνολογίες της Πληροφορικής διευκολύνουν τη χρήση της επιχειρησιακής νοηµοσύνης, και την ένταξη της στην «καθηµερινότητα» ενός οργανισµού, µε σκοπό την αναγνώριση της κατάστασης του οργανισµού και τη λήψη ορθολογικότερων αποφάσεων. Περιλαµβάνει (όπως και κάθε άλλη Ενότητα): Εισαγωγή: Για να βοηθήσει τους λιγότερο εξοικειωµένους µε το θέµα να το παρακολουθήσουν Ανάπτυξη: Για να προσφέρει κυριολεκτικές γνώσεις πάνω στο θέµα Πρακτική Άσκηση 2
Στόχος Κατανόηση της τεχνολογικής βάσης της Επιχειρησιακής Νοηµοσύνης Περιεχόµενο Έννοιες και Παραδείγµατα είτε αυτό το webinar µέχρι τέλους... Μετά, Ρωτήστε αυτά που θέλετε τον/την Εκπαιδευτή/τρια σας Κάνετε ένα post στο Forum! 3
Επιχειρηµατική Νοηµοσύνη, Ηλεκτρονική ιακυβέρνηση, Οι Κύκλοι της Επιχειρησιακής Νοηµοσύνης ( ηµιουργία Χρήση), Data Warehouse, Μέθοδοι και Τεχνικές για τη εξερεύνηση των data Ανακάλυψη Γνώσης (Knowledge Discovery), Πρότυπα και Κανονικότητες, Αλγόριθµοι για τον εντοπισµό προτύπων και κανονικοτήτων, BI Analytics, Queries, Enterprise Reports, Alerts, OLAP 4
Η Επιχειρησιακή Νοηµοσύνη (ΕΝ) περιλαµβάνει Τη συλλογή, διαχείριση και ανάλυση των data που παράγονται και αποθηκεύονται κατά τη διάρκεια της καθηµερινής ζωής των επιχειρήσεων και των δηµοσίων οργανισµών Την µετατροπή τους σε χρήσιµη πληροφορία και γνώση, µε συστηµατικό τρόπο, µε εγκυρότητα, έγκαιρα (σχεδόν αυτόµατα) Τη διαχείριση της «παραγόµενης» πληροφορίας και της γνώσης µε τη χρήση εργαλείων (ιστογράµµατα, charts κλπ. και reports) µε σκοπό την υποστήριξη των αποφάσεων Η Επιχειρησιακή Νοηµοσύνη σε έναν οργανισµό αφορά Τη ιεύθυνση Πληροφορικής, τη ιοίκηση (προφανώς) αλλά και όλους τους άλλους που ενδιαφέρονται να παρακολουθούν τη δουλειά τους συστηµατικά µέσα από δείκτες και αναφορές... Και εν τέλει τους πολίτες που µπορούν να διαπιστώσουν την ποιότητα της παρεχόµενης υπηρεσίας 5
Η Επιχειρησιακή Νοηµοσύνη είναι µια εφαρµογή Πληροφορικής που αναπτύσσεται σε φάσεις στις οποίες εµπλέκονται αρκετοί, και κυρίως οι δηµοτικοί παράγοντες Οι φάσεις αυτές συνιστούν ένα κύκλο Μέθοδοι και Τεχνικές εξερεύνησης των δεδοµένων µε σκοπό την παραγωγή γνώσης (Knowledge Discovery) Data Warehouses: Τι είναι; 6
Που εξελίσσεται σε 2 µεγάλες φάσεις ηµιουργία (Creation) Αναλύεται σε περισσότερα στάδια Χρήση (Use) Με τη συνδροµή των εργαλείων που είδαµε στο προηγούµενο µάθηµα και θα συζητήσουµε πάλι 7
... που ξεκινάει εδώ! Planning ΗΠΑ: Department of Defense 8
1. Σχεδιασµός (Planning / Tasking) 2. Συγκέντρωση Πληροφορίας (Collection) 3. Επεξεργασία (Processing & Exploitation) 4. Ανάλυση (Analysis) 5. Παραγωγή Reports & ιάχυση Πληροφορίας (Production Dissemination) 6. Χρήση Προκαλεί αλλεπάλληλους κύκλους Αξιολόγησης 9
Ξεκινά τη στιγµή που αντιλαµβανόµαστε την ανάγκη να «παίξουµε» µε την ιδέα της Επιχειρησιακής Νοηµοσύνης ηλαδή να αξιοποιήσουµε τη δυνατότητα να µετατρέψουµε τα data, που... απλώς υπάρχουν ανεκµετάλλευτα, σε χρήσιµη πληροφορία Περιλαµβάνει Την καταγραφή της ανάγκης, την ανάλυση της απαίτησης (Ποιός το σκέφτηκε; Για ποιό λόγο; Το ζήτησε κάποιος; Συνειδητοποιούµε την αξία του εγχειρήµατος, καταλαβαίνουµε τι περιµένουµε να πάρουµε; Τι περιµένουν οι χρήστες;) Την ονοµασία των components έργου ΕΝ, π.χ. Μηνιαίο Report Εσόδων-Εξόδων κλπ. Την οργάνωση του έργου ως project µε αρχή, µέση και τέλος... και time plan! (όπως πρέπει να κάνουµε µε κάθε έργο Πληροφορικής) Ποιός; 10
Ποιά data θέλουµε; Ποιές πηγές data θα αξιοποιήσουµε; Από ποιές Υπηρεσίες του οργανισµού, του ήµου; Από ποιές εφαρµογές Πληροφορικής; Κάθε πότε; Από ποιές αυτοµατοποιηµένες ιαδικασίες (όταν το έργο LGAF εγκατασταθεί στους ήµους) - σήµερα από το Πρωτόκολο... Από άλλες πηγές, εξωτερικές; Ποιές; «Επίσκεψη» στα data Κατάλογος των data που θα χρησιµοποιηθούν (Cataloging) και των πηγών (databases) από τις οποίες θα αντληθούν Φιλτράρισµα (Filtering) Ποιός; + 11
Τα data που θα επιλεγούν να χρησιµοποιηθούν θα πρέπει, αν θέλουµε η εργασία µας να είναι συστηµατική, να µεταφερθούν Από τις πηγές τους (production databases) Σε ένα νέο περιβάλλον (data warehouse), που θα δηµιουργήσει τις «σχεσιακές συνδέσεις» ανάµεσα στα δεδοµένα που προέρχονται από διαφορετικές πηγές Ποιός; Howson: Successful Business Intelligence Data από Εξωρτερικές Πηγές {ETL: extract, transform, load} 12
Το έργο δηµιουργεί αποτελέσµατα (µε βάση όσα ορίσθηκαν στη φάση του Σχεδιασµού) είκτες, ιστογράµµατα, πίνακες κλπ. Χρειάζεται τώρα να γίνουν οι παρακάτω έλεγχοι Έλεγχος ποιότητας: Αν τα παραγόµενα αποτελέσµατα είναι σε αντιστοιχία µε την πραγµατικότητα, αν επιβεβαιώνονται (ή αλληλοσυµπληρώνονται) µεταξύ τους, άν δηµιουργούν αντιφάσεις που πρέπει να ερευνηθούν Έλεγχος πιστότητας και χρηστικότητας: Αν τα παραγόµενα αποτελέσµατα ανταποκρίνονται στις προθέσεις σχεδιασµού του έργου. Αυτός ο έλεγχος περιλαµβάνει επίσης αναδιατάξεις των αποτελεσµάτων, συµπλήρωση µε νέες δυνατότητες συνδυασµών ώστε το παραγόµενο έργο να µπορεί να χρησιµοποιηθεί µε τον καλύτερο δυνατό τρόπο στο πλαίσιο που έχει σχεδιασθεί και να υποστηρίζει πράγµατι τις ανάγκες λήψης αποφάσεων... Ποιός; 13
Όταν περατωθούν οι έλεγχοι, και οι απαραίτητες, προσαρµογές της φάσης «Ανάλυση», το έργο ηµιουργεί τα µέσα (user interface) µε τα οποία τα αποτελέσµατα της εφαρµογής της Επιχειρησιακής Νοηµοσύνης (δηλ. είκτες µε ονοµασία και επεξηγήσεις, Reports)...... Θα γίνονται προσβάσιµα απο τους χρήστες (visualization) Ποιός; + Βέβαια αυτά µπορεί να περάσουν από µικρούς κύκλους αξιολόγησης για να πάρουν οι σχεδιαστές του έργου το «feedback» των χρηστών... Το έργο όµως τώρα µπορεί να χρησιµοποιηθεί (Φάση Χρήσης) 14
του αποτελέσµατος 15
Στην Πρακτική Άσκηση αυτής της Ενότητας (Βc1.1.2) θα δείτε στην πράξη την παραγωγή δεικτών και reports (hands-on experience) µε data που έχουν αντληθεί από ήµους της χώρας (Πρωτόκολο) και τροποποιηθεί για να µην έχουν... οµοιότητα µε την πραγµατικότητα 16
17 Εξερεύνησης των δεδοµένων µε σκοπό την παραγωγή γνώσης (Knowledge Discovery)
Data από διαφορετικές πηγές, τα συγκεντρώνει, τα επεξεργάζεται και τα κάνει προσβάσιµα στους χρήστες, µέσα από πολλά «user interfaces»... Με σκοπό µέσα από αυτή τη διαδικασία να παράγει χρήσιµη πληροφορία για τον οργανισµό και να οδηγήσει σε καλύτερες αποφάσεις και στην αύξηση της ποιότητας των παρεχοµένων υπηρεσιών Όπως µέχρι τώρα έχουµε παρουσιάσει την Επιχειρησιακή Νοηµοσύνη, το αποτέλεσµα που παίρνουµε από την εφαρµογή της είναι αυτό που σχεδιάσαµε στη βάση της ανάγκης που επισηµάναµε Στη γλώσσα που χρησιµοποιούν οι ειδικοί, αυτή λέγεται «proactive business intelligence» 18
Έχουν πολλές φορές και µια εσωτερική αξία που δεν βλέπουµε µε την πρώτη µατιά (τα data κρύβουν όπως λέµε patterns & trends, δηλ. πρότυπα και κανονικότητες) Και που προκύπτουν µέσα από την εφαρµογή µεθόδων και τεχνικών εξερεύνησης των data 19
Συνδυασµοί και τεχνικές εξερεύνησης των data Που έχουν σκοπό να «ανακαλύψουν» γνώση που δεν «υποπτευόµαστε» ότι υπήρχε... εν ξεκινάµε µε γνωστό το τι θέλουµε να «ανακαλύψουµε» Γνώση που «προκύπτει» εξ αιτίας του γεγονότος ότι µπορούµε, µε τη βοήθεια των τεχνικών της Επιχειρησιακής Νοηµοσύνης, να εφαρµόσουµε αλγορίθµους εντοπισµού προτύπων και κανονικοτήτων, σε µεγάλες «ποσότητες» data (πολλών χρόνων) Παράδειγµα: Οι Τράπεζες και οι εµπορικές επιχειρήσεις εφαρµόζουν αυτές τις τεχνικές στα data που γεννούν οι πιστωτικές κάρτες «για να «ανακαλύψουν» κανονικότητες στη συµπεριφορά των καταναλωτών (π.χ. ηλικίες, έστω 15-34, που αγοράζουν πιο συχνά το προιόν Χ, και ποιά µέρα της εβδοµάδας, εργάσιµη ή Σάββατο, κλπ.) 20
Μέθοδοι + Τεχνικές Παρατήρηση κανονικοτήτων και τάσεων (Τrend reporting) Εξόρυξη δεδοµένων (Data mining) Ανάλυση Προβλέψεων (Predictive analysis) Alerts στην περίπτωση που εντοπιστεί ένα «γεγονός» που περιέχει µέρος από ένα σύνολο χαρακτηριστικών που έχουν προσδιοριστεί εξ αρχής Οι ηµόσιοι Οργανισµοί αρχίζουν να ενδιαφέρονται για τη χρήση αυτών των µεθόδων και τεχνικών Παραδείγµατα: Παρατήρηση τάσεων για την πρόβλεψη της εξέλιξης της αγοράς γης (σε τοπικό επίπεδο) ή της δηµιουργίας νέων θέσεων εργασίας... 21
Data Warehouses 22
Μπορούν να γίνουν µε λίγα µέσα και χρησιµοοιώντας εργαλέια που προσφέρει το Web Βλ. Πρώτη Ενότητα (Bc1.1.1) Βλ. http://www.gapminder.com Όταν όµως σχεδιάζει κανείς ένα έργο Επιχειρησιακής Νοηµοσύνης σε βάθος, που θα αποδίδει συνέχεια και µε συστηµατικότητα αποτελέσµατα Θα πρέπει να σκεφτεί την οργάνωση συστήµατος που θα συλλέγει σε µόνιµη βάση data από εσωτερικές και εξωτερικές πηγές Επιστρέφουµε στη φάση «Επεξεργασία» της Επιχειρησιακής Νοηµοσύνης... Το σύστηµα αυτό λέγεται Data Warehouse 23
Τι είναι ένα Data Warehouse Ένα φυσικό αποθετήριο δεδοµένων (data) όπου συλλέγονται data από διάφορες πηγές, και αναδιοργανώνονται για να πάρουν τη µορφή που της «πληροφορίας», που θα απαντά στις ανάγκες των χρηστών Ο Κύκλος της Επιχειρησιακής Νοηµοσύνης Φάση: Επεξεργασία 24
Data Warehouse E Turban et al: Business Intelligence, Prentice Hall 25
εν είναι υπόθεση ενός µικρού οργανισµού, όπως είναι ένας ήµος Εκτός αν πρόκειται για τους πολύ πολύ µεγάλους ήµους της χώρας Προφανώς, το θέµα θα εξεταστεί στο πλαίσιο του Παρατηρητηρίου της ΚΕ ΚΕ Το Παρατηρητήριο της Τοπικής και Περιφερειακής Ανάπτυξης Θα παρέχει στατιστικά δεδοµένα που θα καταχωρούνται από τους ήµους αλλά και που θα συλλέγονται κεντρικά Πληροφορίες και υποστήριξη στους φορείς της Τοπικής Αυτοδιοίκησης (και σε κάθε ενδιαφερόµενο) Ωστε να υποστηριχθούν µε τον αποτελεσµατικότερο τρόπο οι λήψεις αποφάσεων σε τοπικό και περιφερειακό επίπεδο 26
Συστήµατα Επιχειρηµατικής Ευφυΐας στη Γ.Γ.Π.Σ. του Υπουργείου Οικονοµίας και Οικονοµικών http://www.google.gr/url?sa=t&source=web&ct=res&cd=47&u rl=http%3a%2f%2fwww.dmst.aueb.gr%2fdamianos%2faueb%25 20BI%252023_6_08_v1.0.ppt&ei=YEnqSbLyBpGPsAbHtt2GBw&u sg=afqjcnh9lgsdq8msuolsoecxafvkpsp8g&sig2=pbdffewzrlk2i-lfzisdna ικτυωθείτε (Go Online): Eπιχειρηµατική Eυφυΐα και Αποθήκευση εδοµένων: Οι κυρίαρχες τάσεις http://www.goonline.gr/ebusiness/specials/article.html?article_id=1662 Tech-Writer.net: The Intelligence Cycle http://www.goonline.gr/ebusiness/specials/article.html?article_id=1662 Τι είναι ένα Data Warehouse; http://el.tech-faq.com/data-warehouse.shtml 27
ΟΤΑ Επιχειρησιακή Νοηµοσύνη Παραγωγή Περιεχοµένου: ΕΑΙΤΥ [ΕΜ9: ATLANTIS Group] http://www.cti.gr Συγγραφείς Θ. Εµµανουηλίδης, Π. Καβάσαλης, Γ. Κούζας, Αθ. Μώραλης, Ζ. Πολιτοπούλου http://www.atlantis-group.gr ΠΕΤΑ: ΟΤΑ Επιχειρησιακή Νοηµοσύνη [Bc1.1.3 ΑΝΑΠΤΥΞΗ] 28