UNIVERZA V MARIBORU EKONOMSKO-POSLOVNA FAKULTETA

MARIBOR

DIPLOMSKO DELO

Uvedba OLAP sistema za potrebe analize prodaje v podjetju Metal Ravne d.o.o.

Kandidat: Simon Miler Študent rednega študija Številka indeksa: 81585919 Program: visokošolski strokovni Študijska smer: Podjetniška informatika Mentor: mag. Igor Perko

Maribor, september, 2006

2

PREDGOVOR Vsaka organizacija oz. podjetje deluje z namenom doseganja njegovih ciljev (finančna uspešnost, kakovost, fleksibilnost,…). Za uresničitev teh ciljev so potrebne pravilne odločitve zaposlenih, ki pa so možne le na podlagi hitrih, točnih in jasnih informacij. Zbiranje takšnih podatkov oz. »kvalitetnih« informacij za učinkovit proces odločanja je zahtevno opravilo. Podjetja se srečujejo z ogromnimi operativnimi (OLTP) bazami podatkov, kamor se vsakodnevno vpisujejo poslovni podatki sprotnih transakcij. Podatki so sami po sebi neuporabni, če: niso dostopni pravim ljudem, ob pravem času, niso v primerni obliki, niso točni ter primerljivi. V podjetjih, kjer nimajo rešenega tega problema so zaposleni soočeni s problemom, kako brez ustreznih informacij sprejeti odločitev. Za rešitev omenjenega potrebujemo prave informacijske rešitve. Sistemi za podporo odločanja ali novejšega orodja poslovnega obveščanja (angl. Business Inteligence) zagotavljajo hitro, fleksibilno, enostavno (brez kompleksnega računalniškega znanja) analizo ogromnih količin podatkov iz različnih virov. Z identičnim problemom so se soočili v podjetju Metal Ravne, d.o.o. in ga uspešno rešili z vpeljavo OLAP sistema v informacijski sistem podjetja. V podjetju se je najprej zaradi potrebe po fleksibilnosti poročil pojavila ideja za OLAP. Postavitev skladišča podatkov je bila nujnost, brez katere ne gre. Uporabili so programsko rešitev Microsoft SQL Server 2000 Analysis Services. Cilj diplomske naloge je predstavitev razvoja, uvajanja in uporaba sistema OLAP v podjetju Metal Ravne, d.o.o. ter prikaz reševanja problema pomanjkanja kvalitetnih informacij. Z nalogo poskušamo analizirati uspešnost uvedbe, uporabnost sistema ter pridobitve za podjetje oz. učinke projekta. S tem želimo izvedeti upravičenost uvedbe sistema in sprejetost s strani končnih uporabnikov. Vseskozi je obstajal dvom ali bodo uporabniki sistem sprejeli. Ugotavljamo, da je z implementacijo sistema OLAP v podjetje odločanje postalo znatno hitrejše in posledično s tem tudi njegova izboljšava. Povečala se je uspešnost servisiranja zaposlenih s kvalitetnimi informacijami in fleksibilnost poročil. Sistem se uspešno uporablja v okviru celotnega podjetja, tako na ravni vodstva, ki zahteva ažurne informacije v zvezi s ključnimi indikatorji uspeha, kot tudi pri uporabnikih, ki izdelujejo poročila na ravni urejevalnika preglednic. Pogostost uporabe sistema OLAP smo preverili s pomočjo statistike kreiranja poizvedb (čarovnik »Usage Analysis Wizard). Dostop do sistema je omogočen tudi preko spletnega brskalnika »Internet Eksplorer«. Prav tako se pri statistiki povezave na intranet vidi, da je področje OLAP na vrhu mreže. Pozitivnih ekonomskih učinkov, ki so nastali zaradi uvedbe sistema, ne moremo neposredno izmeriti, saj gre v večini primerov za neposredne ekonomske učinke, ki se na primer kažejo v hitrejših in pravilnejših odločitvah.

3

Kazalo vsebine: 1 UVOD.................................................................................................................................5

1.1 Opredelitev področja in opis problema ......................................................................5 1.2 Namen, cilji in osnovne trditve ..................................................................................5 1.3 Predpostavke in omejitve raziskave ...........................................................................6 1.4 Uporabljene raziskovalne metode ..............................................................................7

2 TEORETIČNE OSNOVE ZA RAZUMEVANJE SPROTNE ANALITIČNE OBDELAVE PODATKOV - olap .............................................................................................8

2.1 Odločanje v podjetju...................................................................................................8 2.2 Sistemi za podporo odločanja.....................................................................................9 2.3 Poslovno obveščanje – BI ........................................................................................10

2.3.1 Gradnja BI z Microsoft SQL Server 2000........................................................10 2.4 Vzroki za postavitev podatkovnih skladišč ..............................................................12 2.5 Opredelitev podatkovnih skladišč ............................................................................14

2.5.1 Arhitektura podatkovnih skladišč .....................................................................15 2.5.2 Struktura podatkovnih skladišč ........................................................................16

2.6 Večdimenzionalna kocka OLAP ..............................................................................16 2.6.1 Komplementarnost podatkovnih skladišč in OLAP-a ......................................16 2.6.2 OLAP................................................................................................................17 2.6.3 Tehnologija OLAP ...........................................................................................18 2.6.4 Večdimenzionalne operacije.............................................................................23 2.6.5 Shranjevanje večdimenzionalnih informacij ....................................................25

3 REŠITEV V PODJETJU METAL RAVNE, d.o.o. .........................................................27 3.1 Predstavitev podjetja ................................................................................................27 3.2 Vzroki in cilji uvedbe OLAP sistema.......................................................................28 3.3 Načrtovanje sistema..................................................................................................30

3.3.1 Dejavniki uspeha ..............................................................................................30 3.3.2 Temeljni poudarki projekta ..............................................................................31

3.4 Vir in skladišče podatkov ........................................................................................34 3.4.1 Vir podatkov.....................................................................................................34 3.4.2 Skladišče podatkov...........................................................................................34

3.4.2.1 Integriteta podatkov......................................................................................37 3.5 Modeliranje kocke in prototip ..................................................................................38

3.5.1 Razlika med kocko in tabelo dejstev ................................................................39 3.5.2 Dimenzije za kocko »prodaja« .........................................................................39 3.5.3 Mere..................................................................................................................43 3.5.4 Izdelava kocke in procesiranje .........................................................................43

4 DEJANSKA UPORABA TER UČINKI IN PRIDOBITVE ZA PODJETJE ..................45 4.1 Uvajanje in dejanska uporaba...................................................................................45

4.1.1 Varnost .............................................................................................................45 4.1.2 Izbira odjemalca ...............................................................................................47 4.1.3 Uporaba ............................................................................................................48

4.1.3.1 Statistika uporabe .........................................................................................49 4.2 Učinki in pridobitve za podjetje ...............................................................................49

5 SKLEP..............................................................................................................................51

4

6 POVZETEK .....................................................................................................................53 7 LITERATURA .................................................................................................................54 8 VIRI ..................................................................................................................................55 9 SLOVARČEK TUJIH IZRAZOV ...................................................................................57 Kazalo slik: Slika 1: SHEMA PROCESOV BI ............................................................................................11 Slika 2: VEČDIMENZIONALEN POGLED NA PODATKE ................................................19 Slika 3: PRIKAZ DVODIMENZIONALNEGA POROČILA.................................................20 Slika 4: PRIKAZ KOCKE........................................................................................................20 Slika 5: PRIKAZ ZAJEMA PODATKOV ZA ANALIZO PRODAJE IZDELKOV PO

MESECIH.........................................................................................................................21 Slika 6: PRIKAZ NOVEGA NIVOJA SKUPNI IZRAČUN..................................................21 Slika 7: PRIMER HIERARHIJE PODATKOV.......................................................................22 Slika 8: PRIMER TABELE DEJSTEV »PRODAJA«.............................................................36 Slika 9: PRIMER ZVEZDASTE STRUKTURE SKLADIŠČA PODATKOV »PRODAJA« 38 Slika 10: PRIKAZ DIMENZIJE ČAS......................................................................................40 Slika 11: PRIKAZ DIMENZIJE DRŽAVE .............................................................................40 Slika 12: PRIKAZ STRUKTURE VEČDIMENZIONALNE KOCKE PRODAJA................44 Slika 13: PRIKAZ DEFINIRANJA VLOG UPORABNIKOV ...............................................46 Slika 14: PRIKAZ VSEH VLOG UPORABNIKOV ZA KOCKO PRODAJA ......................47 Slika 15: PRIKAZ STATISTIKE POSAMEZNIH POIZVEDB V KOCKI PRODAJA.........49 Kazalo tabel: Tabela 1: PRIKAZ GNEZDENJA DIMENZIJ ........................................................................24 Tabela 2: TABELA RIZIKOV.................................................................................................32

5

1 UVOD

1.1 Opredelitev področja in opis problema Sodobni poslovni sistemi se srečujejo z ogromnimi bazami podatkov, ki imajo veliko vnosnih in dostopnih mest, kar povzroča velike težave pri obvladovanju teh podatkov. Težave so pri odkrivanju koristnih informacij iz takšnih virov podatkov, ki so nato podlaga za sprejemanje pravilnih odločitev. V podjetjih, kjer nimajo rešenega tega problema, so zaposleni, ki so dnevno postavljeni v vlogo odločanja, soočeni s problemom, kako brez ustreznih podatkov sprejeti odločitev. Odločitve so ponavadi povezane z analizami, kjer želijo dobiti prikaze vsot, povprečja različnih podatkov, rasti prodaje glede na časovno obdobje, vrsto izdelka, trg itd. Takšne analize zahtevajo razna poročila (tudi zelo zahtevna), ki jih pripravljajo ponavadi strokovni delavci za vodstvo. Priprava poročil je zamudna, saj običajno zahteva tudi predpripravo podatkov. Tisti, ki sprejemajo odločitve, pa potrebujejo določeno informacijo takoj. V konkurenčnem poslovnem okolju so uspešna le konkurenčna podjetja, torej tista, ki sprejemajo prave odločitve. Prave odločitve so možne le na podlagi hitrih, točnih in jasnih informacij. Z identičnim problemom so se soočili v podjetju Metal Ravne, d.o.o. in ga nato uspešno rešili z vpeljavo OLAP tehnologije kot dodatnim gradnikov sistema za podporo odločanja v podjetju. Vpeljava takega sistema v podjetje je vse prej kot lahka in zahteva temeljito načrtovanje, saj je potrebno izdelati učinkovit in uporaben sistem, ki bo prijazen in razumljiv za končnega uporabnika, ki nima zahtevnega računalniškega znanja.

1.2 Namen, cilji in osnovne trditve Namen diplomskega dela je predstavitev razvoja, uvajanja in uporabe sprotne analitične obdelave podatkov ali OLAP (ang. Online Analytical Processing) na področju prodaje izdelkov v podjetju Metal Ravne, d.o.o., ki ima dolgoletno tradicijo na področju proizvodnje jekla ter njegove prodaje doma in v svetu. Analiza obravnavanega področja omogoča širšemu krogu bralcev vpogled v reševanje problema pomanjkanja »kvalitetnih« informacij. Prav tako želim analizirati uspešnost uvedbe sistema v podjetje, torej vzroke za uvedbo, uporabnost s strani odjemalcev in pridobitve za podjetje oziroma učinke projekta. Cilj diplomske naloge je prikaz rešitve na dejanskem primeru, delovnem področju (problemu) ter povezava omenjenega s teorijo. Praktično bom prikazal postavitev podatkovnega skladišča, modeliranje večdimenzionalne kocke za potrebe analize prodaje v podjetju Metal Ravne, d.o.o. ter dejansko uporabo. Cilj uvodnega dela je prikaz problematike na področju pomanjkanja ustreznih (kvalitetnih) informacij in s tem povezane težave zaposlenih pri pravilnem odločanju.

6

V drugem poglavju je cilj na kratko predstaviti teoretične osnove širše tematike, ki jo obravnavam v diplomskem delu (BI-poslovno obveščanje, SPO, podatkovno skladišče, podatkovna kocka, dimenzije, mere, OLAP in OLTP sistem,…). V tretjem osrednjem poglavju bom najprej podal kratek opis podjetja in zaradi lažjega razumevanja dimenzij v podatkovni kocki prodaje opisal organizacijo podjetja, proizvodnjo ter proizvodno prodajni program za posamezno skupino dimenzij. Glavni cilj tega poglavja je prikaz dejanske rešitve uvajanja sistema OLAP v podjetje, vzroki za uvedbo ter načrtovanje sistema, polnjenje skladišča podatkov iz podatkovnega vira in modeliranje kocke. V četrtem poglavju bom prikazal uvajanje ter dejansko uporabo sistema oz. »rezultate« uporabe. Pri tem bom pojasnil varnost sistema, potrebna administrativna opravila, poročila, statistiko uporabe,… Prav tako bom navedel učinke in pridobitve za podjetje, iz katerih se bo videlo, ali je bila vpeljava sistema v podjetje upravičena. Cilj naloge je med drugim tudi pridobitev znanja in izkušenj na praktičnem primeru. Razvit OLAP sistem mora biti pred dejansko uporabo sprejet s strani končnih uporabnikov z vidika točnosti podatkov. To pomeni, da so podatki v večdimenzionalni kocki primerljivi s podatki v okviru obstoječega OLTP sistema. Namen je dosežen, če si uporabniki sistema po njegovi uvedbi težko predstavljajo učinkovitost svojega dela brez njega. Večdimenzionalne rešitve so pogosto veliko bolj zmogljive in fleksibilne od tradicionalnih načinov poročanja. Izkoristiti vse zmogljivosti OLAP sistema predstavlja za vsako podjetje velik izziv.

1.3 Predpostavke in omejitve raziskave OLAP sistem je že implementiran v podjetje, tako da se že kažejo prvi rezultati vpeljave. Na osnovi teh rezultatov in predhodnih pričakovanj bom lahko podal analize. Preden nadaljujem bom navedel nekaj osnovnih kazalcev, ki kažejo na širino uporabe OLAP sistema v Metal-u Ravne: čas uvajanja: 1,5 let; število kock: 27; skupno število zapisov v skladišču podatkov za potrebe OLAP brez dimenzijskih tabel: okrog 39 mio; dokumentacija: 1200 strani, … Dejavnost podjetja Metal Ravne se močno odraža v celotnem OLAP sistemu, ki tako predstavlja zelo specifično in unikatno rešitev. Da bo razumevanje lažje bom navedel osnovne značilnosti proizvodnje in poslovanja Metal-a Ravne, d.o.o. V podjetju Metal Ravne se OLAP tehnologija uporablja tako za analizo podatkov, ki se pridobijo s procesno informatiko v sami proizvodnji jekla (merjenje temperatur, poraba plina, elektrike, …) kot tudi podatkov iz ERP sistema (finance, računovodstvo, komerciala, …). Poročila uporablja vodstvo podjetja kot vir ažurnih informacij o ključnih indikatorjih uspeha, kot tudi drugi uporabniki, ki izdelujejo poročila na ravni urejevalnika preglednic. V diplomski nalogi se bom omejil le na področje prodaje (kocka »prodaja«), saj bi drugače bila naloga preobsežna in nepregledna. Prav tako ne bom v okviru kocke »prodaja« prikazal vseh dimenzij (18) in mer (9), ki jih dejansko uporabljajo v podjetju.

7

Zaradi omejenosti naloge se bom v teoretičnem delu dotaknil le tistih gradnikov sistemov za podporo odločanja, ki jih bom dejansko uporabil na praktičnem primeru in za lažje razumevanje področja obravnave tematike tudi na kratko opisal teorijo SPO. Vse vrednosti, ki bodo prikazane v diplomskem delu in se nanašajo na analizo prodaje so izračunane iz predhodno naključno popravljenega vira podatkov in tako ne odražajo točnega stanja.

1.4 Uporabljene raziskovalne metode V diplomski nalogi bom uporabil naslednje metode raziskovanja:

- poslovna raziskava - komparativno statična raziskava - deskriptivni in delno analitični pristop

V okviru deskriptivnega pristopa bom uporabil metodo deskripcije, zgodovinsko metodo ter metodo kompilacije. V okviru analitičnega pristopa bom uporabil deduktivno sklepanje. Za zbiranje podatkov in pridobivanje informacij v zvezi z obravnavano tematiko bom uporabil vire iz podjetja Metal Ravne ter zunanje vire. Viri iz podjetja obsegajo interno dokumentacijo v obsegu, ki se navezuje na kocko »prodaja«: projektna naloga za potrebe uvajanja, tehnična dokumentacija OLAP sistema, tehnična dokumentacija skladišča podatkov ter pomoč mentorja iz podjetja. Ostale vire bom poiskal s pomočjo knjižničnega informacijskega sistema, interneta in bodo razna strokovna literatura, članki, povzetki, učbeniki, »tutorial-i« oz. praktične vaje, itd.

8

2 TEORETIČNE OSNOVE ZA RAZUMEVANJE SPROTNE ANALITIČNE OBDELAVE PODATKOV - OLAP

Preden pričnem z opisom dejanske rešitve uvedbe OLAP v podjetje Metal Ravne, d.o.o., v 3. poglavju, bi rad na kratko predstavil teoretične osnove za razumevanje sistemov za podporo odločanja oz. poslovnega obveščanja (angl. Business Inteligence - BI) ter prikazal OLAP kot delček širokega področja informacijskih sistemov oz. njegovo vedno pomembnejše mesto v upravljalnem sistemu podjetja.

2.1 Odločanje v podjetju Vsak poslovni sistem se upravlja z namenom doseganja njegovih ciljev (finančna uspešnost, kakovost, fleksibilnost,…). Upravljanje se sestoji iz dveh ponavljajočih faz: analize in sinteze. Analiza je spoznava sistema, ki je objekt upravljanja (informacije o stanju sistema, želenem stanju, merilih učinkovitosti, okolju sistema, omejitvah). Sinteza je fizično-tehnična uresničitev želenega obnašanja sistema (izbira ter izvedba upravljalnega dejanja). Izbira predstavlja proces odločanja. Rezultat odločanja je odločitev o tem, katero upravljalno dejanje naj se izvede (Gradišar in Resinovič 1998, 26). Upravljanje zahteva številne odgovorne odločitve, ki jih lahko sprejema le človek, informacijski sistemi mu lahko pri tem le pomagajo. Živimo v turbolentnem družbenem in gospodarskem okolju, kjer je potrebnega vedno več znanja. Rezultat hitrega naraščanja znanja je kompleksnost okolja, ki se odraža v visoki specializaciji tako posameznikov, kot podjetij, hkrati pa v njihovi intenzivni informacijski povezanosti. Turbolenca se kaže v zelo hitrem poteku dogodkov in kratkih odzivnih časih, potrebnih za reagiranje nanje (Bobek in Lesjak 1993, 19). Zaradi tega je poslovno odločanje vse pogostejše, hitrejše in veliko bolj zapleteno. Vse večje so potrebe pri prilagajanju informacijskih osnov za odločanje ter načinu, kako bodo poslovni sistemi pridobivali informacije (znanje) in jih obvladovali. (Prav tam 1993, 19). Kakovost informacije se kaže v tem, kako pripomore k kakovostnejšemu odločanju. Sodila kakovosti informacije so: dostopnost, pravočasnost, zgoščenost, ustreznost, razumljivost in objektivnost (Gradišar in Resinovič 1998, 48). Napredek informacijske tehnologije (tudi sistemov za podporo odločanja) omogoča rast kakovosti informacije in vse večjo podporo pri odločanju. Podatkovno skladišče (angl. Data Warehouse) in njegova orodja imajo pomembno vlogo v procesu upravljanja poslovnega sistema. Podatkovno skladišče je vez med informacijskim sistemom organizacije in uporabniki, ki so dnevno postavljeni v vlogo odločanja (Lalič 2005, 8; povzeto po Rajkovič 2004).

9

2.2 Sistemi za podporo odločanja Ni informacijskega sistema, ki bi sam zagotovil vse informacijske potrebe celotne organizacije. Vsak informacijsko zadovoljujejo specifično vodstveno raven (najnižja, srednja in višja). Uporablja pa se tudi že četrta raven – nivo znanja (Laudon Kenneth C. in Jane P. 2000, 37). Informacijske sisteme, ki so namenjeni podpori organizacije delimo na (Gradišar in Resinovič 1998, 92)1:

- izvajalni (Transaction Processing Systems) sistemi - upravljalni (Management Information System) sistemi - sistemi za podporo odločanja (Decision Support Systems) - direktorski informacijski sistemi (Executive Support Systems) - sistemi za avtomatizacijo pisarniškega dela (Virtual Office) - sistemi za podporo dela v skupini (Group Support Systems) - sistemi za podporo znanja (Expert systems, Artificial Neural Networks)

Danes je težko neko aplikacijo uvrstiti v točno določeno kategorijo sistemov, saj zaradi vse bolj zahtevnih uporabnikov razvijalci izdelujejo več funkcionalne sisteme, ki združujejo lastnosti različnih kategorij sistemov (Babič 2002, 3). Prav tako sem opazil, da različna literatura različno kategorizira sisteme ter jih tudi imensko drugače poimenuje. Izvajalni ali operativni informacijski sistemi ali OLTP (angl. Online Transaction Processing) so taktični sistemi oz. aplikacije, ki podpirajo vsako dnevna operativna opravila v podjetju. Ne odgovorijo pa na vprašanje: «Kako lahko izpopolnim poslovanje?« Potrebujemo strateške aplikacije, ki prikazujejo poslovanje iz širše perspektive. Te aplikacije zbirajo poslovne informacije podjetja in jih pomagajo analizirati (omogočajo boljše poslovno odločanje), imenujemo jih tudi Sistemi za podporo odločanja. Sem spadata dve primarni komponenti: skladišče podatkov in orodja OLAP (Freeze 2000, 3), ki ju obravnavam v diplomskem delu. Sistemi za podporo odločanja (v nadaljevanju SPO) so računalniško zasnovani sistemi, ki zberejo podatke iz različnih virov, jih nato pomagajo organizirati in analizirati ter omogočajo modeliranje. Ti sistemi omogočajo uporabnikom (odločevalcem) dostop do relevantnih podatkov iz celotne organizacije v trenutku, ko jih ti potrebujejo pri odločitvi. (Sauter 1997, 4). V procesu odločanja pa le pomagajo – uporabnik sprejme odločitev sam. SPO servisirajo srednji nivo vodstva. Pomagajo reševati delno strukturirane2 in ne strukturirane, edinstvene, hitro spreminjajoče in ne vnaprej definirane odločitve oz. probleme. Na voljo morajo biti ves čas in ustrezati spreminjajočim pogojem. Imajo večjo analitično moč kot ostali sistemi. Zgrajeni in modelirani so tako, da lahko analizirajo podatke in/ali zgoščene podatke v obliki primerni za analizo. Uporabniki lahko delajo z njimi neposredno. Vključujejo uporabniku prijazno programsko opremo, so interaktivni, uporabniki lahko spreminjajo predpostavke, postavljajo nova vprašanja in vključijo nove podatke (Laudon Kenneth C. in Jane P. 2000, 44).

1 Glej tudi (Laudon Kenneth C. in Jane P. 2000, 39) 2 Strukturirane odločitve vsebujejo vnaprej definirane akcije za reševanje; nestrukturirane odločitve niso predvidljive, metod za rešitev ne poznamo dobro. Delno strukturirane odločitve so nekje vmes (Gradišar in Resinovič 1998, 97)

10

Karakteristike SPO: uporabniku omogočajo fleksibilnost, prilagodljivost, hitro odzivnost; ne potrebujejo profesionalnih uporabnikov; priskrbijo podporo odločitvam in problemom, ki niso vnaprej določeni; SPO uporabljajo orodja za analizo podatkov ter omogočajo modeliranje (prav tam 2000, 46). V nadaljevanju bom predstavil teorijo ključnih komponent za izgradnjo SPO ali danes t.i. poslovno obveščanje ali BI (angl. Business Intelligence), ki so jih v podjetju Metal Ravne uporabili za rešitev, predstavljeno v 3. poglavju. Potrebna so skladišča podatkov, kjer se zbirajo uporabni podatki iz ogromnih transakcijskih baz podatkov ali OLTP (angl. Online Transaction Processing) ter nato analitična orodja za analizo teh podatkov (v našem primeru OLAP, lahko pa tudi podatkovno rudarjenje).

2.3 Poslovno obveščanje – BI Podatek je posamezen računalniški zapis v bazi podatkov. Najnižji nivo podatkov, ki za uporabnika nima pomena, je poimenovan kot »raw data«. Podatke, ki imajo odločitveni pomen in so pomembni za uporabnika imenujemo informacije. Kadar lahko informacijo uporabimo pri odločitvi, temu pravimo znanje (angl. knowledge) (SGD Computing Inc. 2005). Procesu, ki organizira podatke na način, da se ustvari znanje imenujemo podatkovno skladiščenje (angl. Data Warehousing). Programski izdelki, ki to znanje predstavijo končnim uporabnikom pa so t.i. orodja poslovnega obveščanja (angl. Business Intelligence Tools). Cilj obojega je pretvorba podatkov v informacije in znanje. Orodja poslovnega obveščanja so zasnovana tako, da pomagajo poiskati, katera informacija je pomembna za odločitev (prav tam). Terminologija Poslovna Inteligenca ali BI (angl. Business Intelligence) je naslednik Sistemov za podporo odločanja (angl. Decision Support Systems - DSS) in Direktorskih IS (angl. Enterprise Information Systems - EIS), ki so se uporabljali v osemdesetih in zgodnjih devetdesetih letih (prav tam). Orodja poslovnega obveščanja so programi za večdimenzionalno analiziranje (OLAP), poizvedovalna orodja, podatkovno rudarjenje (angl. Data mining) ter druga novejša orodja (Document warehouses, Text mining,...). BI pomeni sposobnost, da na osnovi pravilnih in pravočasnih informacij spremljamo poslovanje ter razvijamo, spreminjamo in prilagajamo poslovno strategijo (hitro odzivanje na zahteve strank, spremembe na trgu, optimiranje poslovanja, stroškovna učinkovitost, najboljše izkoriščanje virov, napovedovanje prihodnosti,...) (SRC.SI).

2.3.1 Gradnja BI z Microsoft SQL Server 2000 Rešitev BI v podjetju Metal Ravne, ki je predmet diplomskega dela, so zgradili z programsko rešitvijo Microsoft SQL Server 2000 Analysis Services. Microsoft SQL Server 2000 vsebuje vse pomembne gradnike (spodnja slika), ki preoblikujejo podatke iz OLTP baze podatkov v OLAP informacije, ki so nato dostopne uporabnikom (MSDN 2006b).

11

Slika 1: SHEMA PROCESOV BI

Vir: MSDN (2006b)

Zgornja slika prikazuje sodelujoče komponente v procesu, ki naredi podatke uporabne in dostopne za končne uporabnike oz. odločevalce. Pomembnih je pet področij: podatkovni viri, vmesno shranjevanje podatkov, strežniki podatkovnega skladišča ter poslovno obveščanje. Za komuniciranje med komponentami oz. dostop do podatkov skrbi »OLE DB provider«, ki ga je definiral Microsoft (MSDN 2006b). SQL Server 2000 (relacijski strežnik) je primarna komponenta OLAP sistema in služi kot podatkovno skladišče oz. prostor za vmesne podatke, kamor se iz OLTP sistema prenašajo podatki (prav tam). Podatkovni viri so različni OLTP sistemi ter drugi viri. Ker morajo biti podatki v podatkovnem skladišču posebej prirejeni in v ustrezni obliki za potrebe OLAP, zato poskrbi DTS (Data Transformation Services) komponenta. Tukaj se vrši ETL proces. Gre za ETL (angl. extract, transform, and load) orodje za zajem, transformacijo in polnjenje podatkov v obliko, ki jo zahteva ciljno podatkovno skladišče. Podatki se prenašajo iz OLTP podatkovnih baz periodično (npr. tedensko, mesečno) (MSDN 2006c). ETL je proces podatkovnega skladišča, ki vključuje: (wikipedija 2006).

- izločitev (extract) podatkov iz zunanjih virov: »Extract« preoblikuje podatke različnih formatov (relacijske baze, tekstovni podatki – flat files, VSAM, ISAM) v enotno obliko za nadaljne procese obdelave.

- preoblikovanje (transform) podatkov za poslovne potrebe: Vsebuje serijo pravil oz. funkcije za »izločene« podatke v prejšnji fazi, da so pripravljeni za prenos (load) v naslednji fazi. Npr. izberejo se le določeni stolpci za prenos ( stolpci z vrednostjo –null- se ne prenesejo); vrednosti se prevedejo v kode (npr. moški v 1 in ženske v 2); dekodirajo se vrednosti različnih oblik; na novo se izračunajo vrednosti (npr. doda se cena); združijo (agregation) se podatki iz več virov; izračunajo se vsote več vrstic podatkov (summarizing); premeščanje in vrtenje (obrnemo večdelne stolpce v večdelne vrstice in obratno).

- prenos (load) podatkov v podatkovno skladišče: Ti procesi so zelo različni, odvisno od zahtev organizacije. Nekatera skladišča podatkov samo prepišejo stare podatke z

12

novimi. Zahtevnejši sistemi vzdržujejo zgodovino in pregledujejo sledi vseh sprememb podatkov.

Skladišča podatkov se polnijo po potrebi (urno, dnevno, mesečno,..). Podatki so združeni ter standardizirani tako, da jih lahko uporablja vodstvo po celotnem podjetju za pomoč pri odločitvah (Laudon Kenneth C. in Jane P. 2000, 247). Analysis Services je uporabniku prijazna, integrirana zbirka komponent, ki omogoča gradnjo večdimenzionalnih kock ter tako dostop raznim odjemalčevim aplikacijam do teh kock. Omogoča, da so kocke shranjene v relacijski obliki (ROLAP), večdimenzionalni (MOLAP) ali kombinaciji obojega (HOLAP) (MSDN 2006b). BI je zbirka orodij in aplikacij, ki omogočajo poizvedovanje po podatkih OLAP ter priskrbijo poročila in informacije za uporabnike (MSDN 2006c). SQL Server Meta Data Services hrani model organizacije podatkov v podatkovnih bazah (prav tam). »Meta Data« so podatki, ki opisujejo podatke v podatkovnih skladiščih, ki nam pomagajo pri upravljanju z bazami (podatki o tabelah, kockah, zapisih,…) (SDG Computing).

2.4 Vzroki za postavitev podatkovnih skladišč Podjetja imajo potrebo po zbiranju podatkov o poslovnih operacijah podjetja (inštitut za informatiko, 2002). Za te potrebe potrebujejo ustrezne podatkovne baze. Taktični (operativni) informacijski sistemi oz. transakcijski sistemi (OLTP), ki vsebujejo operativne baze podatkov, pogosto ne zagotavljajo takšnega dostopa do podatkov in njegove uporabe, ki bi bili namenjeni v podporo odločitvenim procesom v organizaciji, kajti njihov namen je omogočati opravljanje vsakodnevnih opravil v organizaciji ter beleženje sprotnih poslovnih dogodkov. Ker je pridobivanje informacij za potrebe odločitvenih procesov ponavadi vezano na obdelavo velikih količin zgodovinskih podatkov, bi to predstavljalo hude obremenitve operativnih podatkovnih virov (programske in strojne omejitve), kar bi slabo vplivalo na izpolnjevanje njihovih osnovnih zahtev, kot sta razpoložljivost in hitrost (Lalič 2005, 8). Prav tako so podatki v operativnih bazah sistemov za sprotno obdelavo transakcij shranjeni v močno normaliziranih (zapletenih) strukturah, ki so primerne za zajem in ažuriranje podatkov vendar ne za njihovo analizo (Golob in Welzer, 2002). Informacijske rešitve za podporo posameznim poslovnim funkcijam otežujejo pridobivanje enotne slike rezultatov poslovanja. Podrobni podatki teh sistemov se tudi običajno ne hranijo dalj časa, kar onemogoča analitične primerjave za daljše obdobje. Zaradi pogostega spreminjanja podatkov v operativnih sistemih so analize nezanesljive in neponovljive (Nova Vizija). Operativni podatki se konstantno spreminjajo in posodabljajo, so dinamični ter se lahko spremenijo vsak čas. Analitični podatki so zgodovinski, statični (se ne spreminjajo skozi čas, razen če je napaka v originalni informaciji). Ko npr. postane prodaja dokončna (se realizira) se lahko prenese iz dinamičnega vira v statični podatkovni vir. Analitični podatki

13

so informacije, ki se pogosto pregledujejo skozi neko časovno periodo (npr. skupna prodaja v januarju) (Sturm 2000, 2). Organizacije se soočajo z naraščajočimi potrebami po zbiranju točnih, integriranih in predvsem pravočasnih informacij, potrebnih za podporo odločitvenim procesom. OLTP sistemi teh potreb ne zadovoljujejo. Skladišča podatkov se pogosto uporabljajo kot osnova za sisteme za podporo odločanja. Rešujejo probleme, ki nastanejo, kadar poskušajo podjetja izvrševati strateške analize z uporabo podatkovnih baz OLTP sistemov (Isemenger 2000, 234). OLTP sistemi:

- Podpirajo veliko število hkratnih uporabnikov, ki aktivno dodajajo in spreminjajo podatke.

- Predstavljajo konstantne spremembe stanja v podjetju, ne shranjujejo pa njegove zgodovine.

- Vsebujejo ogromno število podatkov, vključno z obsežnimi podatki, ki se uporabljajo za dokazovanje transakcij.

- Imajo zapleteno strukturo (normalizirane strukture). - Naravnani so za odzive na potrebe transakcij. - Zagotavljajo tehnološko infrastrukturo, ki podpira dnevne operacije podjetja.

Težave, ki nastopijo, kadar se OLTP baze podatkov uporabljajo za sprotne analize:

- Analitiki nimajo strokovnega znanja, da bi izdelovali ad hoc3 poizvedbe iz zapletenih podatkovnih struktur.

- Zahtevne sumirane poizvedbe iz številnih podatkov slabo vplivajo na zmožnost sistema na odzive na sprotne transakcije.

- Sistem je, medtem ko se odziva na zahtevne poizvedbe, počasen, nezanesljiv, ne nudi zadostne podpore analitikom.

- Konstantno spreminjajoči se podatki ovirajo doslednost (konsistentnost) analitičnih informacij.

- Varnost postane kompleksnejša, kadar so sprotne analize v kombinaciji s sprotnimi transakcijami.

Skladišča podatkov rešujejo zgoraj omenjene probleme z organiziranjem podatkov za namene analize. Skladišča podatkov:

- Združijo podatke iz heterogenih virov podatkov v enojno homogeno strukturo. - Podatke organizirajo v preprosto strukturo (dimenzije in dejstva), ki je bolj

učinkovita za analitične poizvedbe kot za operativne obdelave (transakcije). - Vsebuje preoblikovane (prečiščene, dosledne, veljavne,..) podatke za namene

analize. - Priskrbijo stabilne ter zgodovinske poslovne podatke. - Se periodično posodobljajo (angl. update) z dopolnjenimi podatki. - Preprosto ustrezajo varnostnim zahtevam. - Priskrbijo bazo podatkov, ki je organizirana za OLAP in ne za OLTP.

3 Ad hoc poizvedba ni vnaprej določena, uporabniki lahko kreirajo neomejeno število specifičnih poizvedb (Wikipedija).

14

Velika razlika med taktičnimi aplikacijami in podatkovnimi skladišči je, da uporabnik v podatkovnih skladiščih ne more posodabljati informacij (lahko jih samo bere). Posodabljanje strateških informacij v podatkovnih skladiščih se vrši izven delovnega časa samodejno (angl. batch jobs) (Freeze 2000, 26).

2.5 Opredelitev podatkovnih skladišč Podatkovno skladišče združi, prečisti in organizira podatke iz različnih operativnih baz z namenom podpore poslovnemu odločanju. Podatkovno skladišče hrani »zgodovino« delovne organizacije. Odločevalcem predstavi strateške, taktične informacije in odgovori na vprašanja tipa “kdo?” in “kakšen?”, vezana na pretekle dogodke (Inštitut za informatiko, 2002). Poznamo različne definicije podatkovnih skladišč različnih avtorjev. Predvsem zaradi napredkov v strojni in programski opremi se nenehno pojavljajo nove rešitve in arhitekture, zato celo nekatere osnovne definicije podatkovnega skladišča ne veljajo več. Zelo pomembno pa je, da se vsak načrtovalec podatkovnega skladišča odloči za primerno arhitekturo, saj le ta določa podatkovni model ter sosledje korakov pri razvojnem ciklu (Welzer in Golob 2000, 2). Predstavil bom definiciji dveh pomembnih predstavnikov teorije skladišč podatkov, to sta Bill Inmon in Ralph Kimball. Skladišče podatkov je kopija transakcijskih podatkov, posebej strukturiranih za poizvedovanje in analiziranje (Kimball 1998, 310). Vendar lahko skladišča podatkov vsebujejo tudi podatke, ki niso transakcijski. Vsekakor pa vsebujejo od 55 – 99% transakcijskih podatkov (Greenfield 2005). Skladišče podatkov je predmetno usmerjena, povezana ali integrirana, obstojna (angl. nonvolatile) in časovno opredeljena zbirka podatkov za podporo odločanja vodstva (Inmon 1996, 33). Predmetno naravnana zato, ker se osredotočimo na glavne subjekte podjetja (kupci, regije, proizvodi,…) v nasprotju z operativnimi (transakcijskimi) sistemi, kjer gre za različne aplikacije, kjer se vršijo dnevne transakcije oz. poslovni dogodki (prodaja, nabava, skladiščenje, računovodstvo…). Povezana ali integrirana zbirka podatkov pomeni, da so podatki, ki so preneseni v skladišče podatkov, konsistentni. Shranjeni so v dogovorjeni enotni obliki (enaka imena zapisov, mere atributov, fizične lastnosti podatkov, strukture ključev,..). V izvirni operativni bazi, pa so te oblike različne (nekonsistentne) oz. različne aplikacije vsebujejo različne oblike zapisov. Npr. v operativni bazi so mere za enak proizvod v cm, inches, mcf, in jds. V podatkovnem skladišču se uvede enotna mera npr. cm za vse proizvode. Podobno se različno definiran spol v aplikaciji (m,f ; 1,0 ; x,y ;…) definira z enotno šifro (npr. m,f) (prav tam, 35). Obstojna (trajna, nespremenljiva) zbirka pomeni, da se podatki, ki so bili preneseni v podatkovno skladišče, ne spreminjajo več. V operativni bazi se podatki ažurirajo (vpisujejo, brišejo, spreminjajo), vendar to ne vpliva na podatke v podatkovnih skladiščih.

15

Časovna opredeljenost se kaže v treh pogledih in sicer: časovno obdobje hranjenja podatkov je od 5 – 10 let (operativne baze od 60-90 dni); podatki so trenutni posnetki stanj (angl. snap shots), narejeni v različnih časovnih obdobjih (leto, mesec,..); v podatkovnem skladišču je vedno prisotna časovna razsežnost (komponenta) (prav tam, 36).

2.5.1 Arhitektura podatkovnih skladišč Podjetja lahko gradijo velika centralizirana podatkovna skladišča, ki servisirajo celotno organizacijo ali majhna decentralizirana skladišča, imenovana podatkovni trgi (angl. Data Marts). Podatkovni trgi vsebujejo le delček podatkov organizacije ter so namenjeni za specifične uporabnike (službe) in namene (Laudon Kenneth C. in Jane P. 2000, 247). Na kratko bom predstavil tri arhitekture podatkovnih skladišč: centralizirano, distribuirano in federativno (Golob, Welzer, 2000). V središču centralizirane arhitekture podatkovnega skladišča je podatkovno skladišče zaključenega organizacijskega sistema, ki »hrani« področna skladišča, polni se iz operativnih podatkovnih baz ter operativnega podatkovnega skladišča. Področna skladišča so odvisna struktura, saj so podatki pridobljeni izključno iz podatkovnega skladišča organizacije. Struktura je normalizirana, podatki so granularni (podrobni) in preprosti. Za osnovno modelirano tehniko se uporablja E-R diagram. Ta sistem ne priporoča izpeljave intervjujev za pridobitve zahtev uporabnikov zaradi njihovih preveč spremenljivih zahtev. Največji zagovornik takšne arhitekture je Inmon. Pri distribuirani arhitekturi je podatkovno skladišče unija področnih skladišč. Področno skladišče igra ponavadi vlogo oddelčnega, krajevnega ali funkcionalnega podatkovnega skladišča in podpira eno ali več specifičnih področij. Organizacija zgradi vrsto distribuiranih področnih skladišč in jih na koncu poveže v logično podatkovno skladišče celotne organizacije. Hackney tak pristop brez zadržkov poimenuje »od-zgoraj-navzdol« (angl. Bottom-up) (Golob, Welzer 2000 po Hackney, 1997). Vsako področno skladišče mora biti predstavljeno z dimenzijskim modelom, ki mora biti znotraj enotnega podatkovnega skladišča skladen. Skladna dimenzija (angl. conformed dimension) je dimenzija, za katero je značilno, da ima enoličen pomen, ne glede na to, s katero tabelo dejstev jo povežemo (podatek je predstavljen samo enkrat). Struktura področnih skladišč je nenormalizirana ali delno normalizirana. Za osnovno modelirano tehniko uporabljamo dimenzijsko modeliranje. Dimenzije, še posebno skladne, imajo ponavadi atomarne (granularne) podatke, prav tako tudi tabele dejstev (vsebuje podatke na najnižjem nivoju). To dejstvo olajšuje prehod podatkov iz operativnih podatkovnih baz v tabele dejstev. Prednost te arhitekture je, da omogoča hitro gradnjo prvega področnega skladišča, ki ga je mogoče hitro in enostavno implementirati. Če je odziv s strani uporabnikov in vodstva dober, lahko pričnemo z gradnjo novega področnega skladišča. Priporočena je izpeljava intervjujev z uporabniki že na samem začetku. Največji zagovornik te arhitekture je Kimball (Golob, Welzer 2000 po Kimball 1996; 1998). Federativno podatkovno skladišče je hibridna rešitev, temelječa na skupnem poslovnem modelu in področjih priprave informacij, ki so v skupni rabi. Skupni poslovni model se ažurira vsakič, ko se zgradi novo področno skladišče.

16

2.5.2 Struktura podatkovnih skladišč Ko imamo determinirane (predhodna analiza) informacijske potrebe, pričnemo z določanjem osnutka podatkovnega skladišča. Določimo si dimenzije, mere ter podatke, ki jih bomo zajeli iz virov (OLTP baze podatkov ali/in zunanji viri). Normalizirane relacijske baze podatkov (OLTP) niso primerne za analiziranje podatkov, zato podatkovna skladišča strmijo k čim manjši normalizaciji (podatki se lahko tudi podvajajo). S tem se zmanjša število operacij, ki so potrebne za dostop do podatkov in podatki se obdelujejo hitreje (Freeze 2000, 26-31). V večini primerov se za podatkovna skladišča uporablja zvezdasto4 podatkovno strukturo (angl. star schema). Je relacijska baza, sestavljena iz več dimenzijskih tabel in osrednjo tabelo – tabelo dejstev. Tabela dejstev vsebuje meritve, dimenzijske tabele pa vsebujejo podrobne informacije, ki pomagajo pregledovati ter sumarizirati meritve v tabeli dejstev na različne načine (prav tam, 32). V tabeli dejstev so le številčni podatki t.i. meritve, ki opisujejo poslovne operacije podjetja (vsebujejo tudi več milijonov zapisov, kar predstavlja večletno »zgodovino podjetja) (Inštitut za informatiko 2002). Vsaka dimenzijska tabela je direktno povezana s tabelo dejstev na osnovi relacije 1:N. Tabela dejstev je tako sestavljena iz tujih ključev dimenzijskih tabel ter meritev. Tabela dejstev vsebuje vse vrednosti (meritve), ki jih obdelujemo z orodji OLAP in zavzame večino prostora na disku. Neposredna agregacija (izračun povzetih vrednosti) v tabeli dejstev ni zaželena, ker izgubimo podrobnosti podatkov. Zaželeno je, da je zrnatost shranjenih podatkov čimbolj fina (prav tam 2002). Tabelo dimenzije sestavljajo kvalitativni atributi, katerih vrednosti opisujejo kvantitativna dejstva v tabeli dejstev (npr. ime, kraj, barva,…). Posebej obravnavamo časovno dimenzijo (npr. dan, mesec, leto). Dimenzije povedo, kako naj odločevalec iz tabele dejstev povzema informacije, da bodo le-te uporabne (omogočajo pregledovanje meritev iz različnih perspektiv oz. predstavljajo kategorije po katerih analiziramo podatke). Izpeljano numerično vrednost umesti v nek kontekst (prav tam 2002). Vsaka dimenzijska tabela predstavlja eno dimenzijo kocke. V nekaterih primerih se uporablja snežinkasto strukturo, kjer so posamezne dimenzije bolj normalizirane in vsebujejo relacije do drugih tabel. Pravimo tudi, da je podatkovna baza, ki razporedi vsak nivo dimenzijske hierarhije v ločeno dimenzijsko tabelo (Jacobson 2000, 24).

2.6 Večdimenzionalna kocka OLAP

2.6.1 Komplementarnost podatkovnih skladišč in OLAP-a Vse naštete težave z operativnimi bazami podatkov rešujejo OLAP analitične rešitve, ki s pomočjo izgrajenega podatkovnega skladišča omogočajo hitro odzivnost pri

4 Je struktura baze, posebej primerna za ad-hoc poizvedbe (Devlin 1997, 236).

17

zadovoljevanju raznolikih informacijskih potreb. Zaradi hitrosti pridobivanja zahtevanih informacij se izboljša poslovno odločanje (Nova Vizija). Poudarek je na »hitrost«. Gradnja skladišč vpliva na povečano zanimanje za analiziranje in uporabo zbranih zgodovinskih podatkov. Skladišča z milijoni zapisov ne koristijo odločevalcu, če nima le-ta na razpolago orodij, ki mu pomagajo v postopku analize in vrednotenja (Inštitut za informatiko, 2002). Zbrani »uporabni« podatki v skladišču podatkov so koristni le, ko jih uporabimo. V nasprotnem primeru so brez pomena. Za uporabo le-teh pa potrebujemo prava orodja, s katerimi iščemo uporabne informacije. Rezultati (statistike) so predstavljeni v obliki večdimenzionalnih (več razsežnih) poročil (Freeze 2000, 5). Včasih potrebuje vodstvo analizo podatkov, ki so predstavljeni na ne tradicionalen način. Npr. želijo vedeti dejansko prodajo določenega izdelka za določeno regijo, stranko itd, ter jih prav tako primerjati z načrtovano prodajo. Te analize zahtevajo večdimenzionalen pogled na podatke. Večdimenzionalne analize omogočajo uporabnikom pogled na iste podatke na različne načine in vidike oz. dimenzije (Laudon Kenneth C. in Jane P. 2000, 245). Orodje OLAP tipično predstavi podatke v obliki večdimenzionalnih poročil (prav tam, 5). Podatkovno skladišče shranjuje in upravlja podatke, OLAP pa pretvori podatke v strateške informacije. Odločevalec tako prehaja od podatkov k znanju, katerega uporabi pri reševanju problemov (inštitut za informatiko, 2002). Microsoft SQL Server 2000 Analysis Services (uporabljena programska in strojna rešitev v podjetju METAL) poskrbi, da so podatki pridobljeni iz skladišča podatkov točni, stabilni ter zagotavlja referenčno integriteto. OLAP priskrbi večdimenzionalno predstavitev podatkov iz podatkovnega skladišča. Model strukture podatkovnega skladišča vpliva na to, kako enostavno lahko modeliramo podatkovne kocke (Iseminger 2001, 235). Podatke za potrebe OLAP lahko črpamo tudi neposredno iz operativnih baz podatkov brez uporabe skladišč podatkov. Takšne rešitve so ponavadi začasne in služijo za testiranje oz. za prototip.

2.6.2 OLAP Sprotna analitična obdelava podatkov ali OLAP pomeni v ožjem smislu programsko orodje za analiziranje podatkov organizacije. Termin OLAP (Online Analytical Processing) so razvili zaradi razlikovanja od transakcijskega sistema OLTP (Online Transaction Processing)5, izumitelj je E.F.Codd6. OLAP (sistem) kot širši pojem pa se uporablja kot sinonim za podatkovno skladiščenje in večdimenzionalno analiziranje (SDG Computing, Inc. 2005). OLAP je arhitektura, ki omogoča uporabnikom pregledovanje, upravljanje in dinamično analizo večdimenzionalnih podatkov. Pokazatelj ustreznosti OLAP aplikacije je njena

5 Glej tudi Devlin 1997, str 240 6 v 80' letih je Codd snoval ime OLTP in postavil 12 kriterijev za uvrstitev baz med te sisteme. Enako je v 90' letih snoval ime OLAP (postavil 12 kriterijev, ki niso bili deležni tako širokega sprejema); Jacobson 2000, 6.

18

zmožnost, da zagotovi ravno tiste informacije, ki so potrebne za uspešno odločanje (inštitut za informatiko 2002). Podatke za daljša časovna obdobja je možno analizirati s sekundnimi odzivnimi časi (Nova Vizija). Medtem ko so skladišča podatkov namenjena skladiščenju analitičnih podatkov je OLAP tehnologija, ki omogoča odjemalčevim aplikacijam zmogljiv, dinamičen dostop do teh podatkov ter omogoča večdimenzionalno predstavitev podatkov. S pomočjo OLAP orodij izdelamo kocke, ki organizirajo in sumarizirajo podatke za učinkovite analitične poizvedbe in podporo pri odločanju (Isemenger 2000, 235). Odločanje postane s pomočjo OLAP orodij hitrejše, lažje (brez poznavanja jezika SQL) in učinkovitejše, zato je OLAP pomemben sestavni del sistema za podporo odločanja. Funkcionalnost OLAP-a, ki omogoča analitikom in ostalim uporabnikom hiter in zanesljiv vpogled na podatke iz različnih zornih kotov, opredeljuje predvsem dinamična večdimenzionalna analiza zgoščenih podatkov, pridobljenih iz podatkovnega skladišča (Babič 2002, 10). Omogoča identifikacijo problemov in priložnosti skozi izvajanje hitre podatkovne analize ter omogoča večdimenzionalno modeliranje, ker pomeni odločanje na osnovi vršenja in vrednotenja »kaj-če« in »zakaj« scenarijev (inštitut za informatiko 2002). Avtor Nigel Pendse je leta 1995 objavil t.i. FASMI test (angl. Fast Analysis of Shared Multidimensional Information), ki definira pravila, ki jih mora omogočati sistem, da se uvršča med sisteme OLAP: Omogočati mora hitrost, kar pomeni da je odzivni čas na poizvedbe manj kot 5 sekund. Sistem mora omogočati kakršnokoli analizo, ki jo zahteva uporabnik in biti pri tem enostaven za uporabo. Omogočati mora skupno rabo in pri tem zagotavljati varnost. Najpomembnejše in tudi osnovni namen je večdimenzionalen pogled na podatke. Nazadnje mora omogočati informacije, pri čemer se meri koliko informacij so sposobni obdelati in ne koliko hraniti (Pendse 2005). Za OLAP se zahteva med drugim tudi transparentnost (razumljivost), dostopnost, stalna kakovost predstavitve, arhitektura odjemalec-strežnik, neodvisna dimenzionalnost, dinamično obravnavanje redkih matrik, več uporabniška podpora, neomejenost operacij nad več dimenzijami, intuitivno upravljanje s podatki, prožno generiranje poročil, neomejeno število dimenzij in nivojev agregacije (inštitut za informatiko 2002).

2.6.3 Tehnologija OLAP Kot sem že nekajkrat omenil, mora OLAP uporabnikom zagotoviti večdimenzionalnost. Le –to pa zagotavlja njegova tehnologija. Večdimenzionalnost pomeni pristop k organizaciji podatkov, ki zagotavlja različne vpoglede in analize na iste podatke (inštitut za informatiko 2002). Trije vidiki večdimenzionalnosti so: dimenzije, mere oz. meritve ter čas, ki ga obravnavamo kot posebno dimenzijo s sekvenčnim in hierarhičnim značajem. Podatkovna vrednost v večdimenzionalni tabeli odraža določeno uporabnikovo perspektivo (zorni kot) glede na kombinacijo vrednosti dimenzij (prav tam 2002).

19

Slika 2: VEČDIMENZIONALEN POGLED NA PODATKE

Vir: Inštitut za informatiko (2002) Logični model OLAP sistemov je podatkovna kocka. Kocka (angl. cube) je koncept, ki omogoča organizacijo izvornih podatkov (dejstev), povzetih podatkov (agregacij) in dimenzij (inštitut za informatiko 2002). OLAP je baza podatkov, kjer so zbrani relacijski podatki organizirani s kocko, dimenzijami in merami. Ti elementi definirajo strukturo OLAP baze in so temelj za njegovo uporabnost (Altmann 2003). OLAP baza predstavlja večdimenzionalni podatkovni model. Idejo kocke ter ostalih gradnikov tehnologije OLAP bom prikazal na primeru (prav tam 2003): Glavna struktura OLAP baze je kocka. Kocka je ekvivalentna relacijski bazi podatkov, saj prav tako vsebuje zbir skupnih atributov. Vendar kocka ne vsebuje polj, namesto njih definiramo dimenzije. Dimenzija je organizirana hierarhija kategorij, ki opisuje številske podatke v kocki – mere. Na osnovi članov dimenzij, uporabnik izvaja analizo. Član je vsaka možna vrednost dimenzije (Inštitut za informatiko 2002). Predpostavimo, da smo lastnik trgovine s pisarniškim materialom in želimo analizirati prodajo in stroške zadnjega meseca. Celotna prodaja in stroški ne povedo veliko, zato se odločimo za prikaz stroškov in prodajo po proizvodih (glej sliko 3).

2 dimenziji 3 dimenzije 5 dimenzij

20

Slika 3: PRIKAZ DVODIMENZIONALNEGA POROČILA

Vir: Altmann (2003) Imamo dve spremenljivki, ki ju želimo analizirati (prodaja in stroški), vsaka zaseda vrednost za vsak element v skupini proizvodov. Pravimo, da imamo dve dimenziji: Spremenljivke (prodaja in stroški) in proizvode – ustrezajo stolpcem in vrsticam v zgornjem poročilu. Dimenzija Proizvod ima tri elemente ali člane (angl. members): nalivniki, svinčniki in radirke. Prav tako imamo dimenzijo Spremenljivke z dvema članoma: Prodaja in stroški. Predpostavimo, da zgornje poročilo prikazuje prodajo in stroške za januar 2002. Če sledimo razvoju mreže poročila in dodamo čas, moramo dodati tretjo dimenzijo in dobimo kocko. Dimenziji bomo rekli čas in vsebuje člane: prvih 6 mesecev leta 2002. Slika 4: PRIKAZ KOCKE

Vir: Altmann (2003) Iz slike 4 lahko razberemo, da je bilo meseca junija prodanih 450 nalivnih peres. Če bi še vedno izdelovali poročila na razpredelnicah ali tabelah (angl. spreadsheet) bi morali izdelati 12 poročil (za vsak mesec). Zanima nas tudi prodaja glede na kupce. V kocko dodamo novo dimenzijo, ki je sedaj n-dimenzionalna. Tukaj se tudi konča naša predstava kocke s tremi dimenzijami. Uporabljamo tudi izraz »hiper kocka« (angl. hypercube). Vendar se je svetovno uveljavil termin kocka, ki označuje večdimenzionalno strukturo. Orodje OLAP v MS SQL strežniku podpira več kot 65,000 dimenzij. Na podlagi kocke želimo izdelati poročila. Potrebujemo brskalnik kocke, ki je v obliki razpredelnice (npr. Excel). Z brskalnikom najprej vzpostavimo povezavo do OLAP baze in izberemo želeno kocko. Dimenzije postavimo v vrstice, stolpce in izberemo ustreznega člana, ki ga želimo analizirati.

Posamezna meritev – številčni podatek

450

21

Najzanimivejša posebnost brskalnika kocke je, da lahko razporedimo dimenzije na kakršen koli način. Pravimo, da dimenzije »vlečemo in spustimo« (angl. drag-n-drop operations). Slika 5: PRIKAZ ZAJEMA PODATKOV ZA ANALIZO PRODAJE IZDELKOV PO MESECIH

Vir: Altmann (2003) Če želimo npr. analizirati razvoj prodaje izdelkov po mesecih, bi zajeli podatke na kocki, ki je pobarvana rdeče. Hierarhije in formule: Radi bi dodali tudi skupni izračun (angl. total). V primeru delovnih zvezkov bi dodali eno vrstico in vpisali formulo. Seveda bi morali to narediti v našem primeru 12 krat (za vsak mesec). Pri uporabi večdimenzionalne baze pa kreiramo formulo, ki je tudi ključni element OLAP-a. Formula se uporabi za celotno kocko. Uporabljamo programski jezik za kreiranje formul, tako lahko definiramo formulo npr. »all products« za vse izdelke. Slika 6: PRIKAZ NOVEGA NIVOJA SKUPNI IZRAČUN

Vir: Altmann (2003) Realistični primeri imajo mnogo več članov (npr. proizvodi v skladišču) dimenzij kot v našem primeru. Ko raste število članov jih je lažje analizirati, če oblikujemo smiselne skupine (nivoje). Npr. dodamo še diskete in CD – medije.

22

Slika 7: PRIMER HIERARHIJE PODATKOV

Total - (prvi nivo) Writing Materials - (drugi nivo) Pens - (tretji nivo) Pencils Erasers Storage Media Diskettes CD-Rs CD-RWs Vir: Altmann (2003) Te nove člane imenujemo agregati (angl. aggregations) obstoječih članov. Najprej začnemo s t.i. »flat« dimenzijo: vsi člani so enakovredni. Nato začnemo izdelovati hierarhije. Dimenzije so strukturirane v nivoje (angl. levels). Nivoji pripadajo dimenziji in določajo hierarhijo članov. Poseben nivo je Vsi (angl. All), ki predstavlja najvišji nivo ter ima enega samega člana, katerega vrednost je agregacija vrednosti vseh članov na nižjih nivojih (inštitut za informatiko 2002). Hierarhije so zelo pomembne, kadar imamo na tisoče članov. Prikazujejo skupine in podskupine pomembnih podatkov za naše poslovanje. Večdimenzionalne baze vključujejo orodja in jezike za manipuliranje z hierarhijami (lahko jih grupiramo na različne načine). Formule definirajo način, kako se agregirajo člani, prav tako lahko definirajo člane zunaj hierarhije; preračunavajo razmerja, finančne mere, marže, itd. V našem primeru lahko dimenzijo spremenljivke razširimo z novim članom: Marža ali % marže.

- Meritve: Mere ali dejstva (angl. measures or facts) predstavljajo v kocki zbirko vrednosti na osnovi stolpcev tabele dejstev ter so pogosto številske. So osrednje vrednosti v kocki, ki jih analiziramo in ki zanimajo uporabnika. Celica večdimenzionalne kocke vsebuje vrednosti za vsako mero. Ni pomembno katera kombinacija članov je izbrana, rezultat bo mera. Vrednost je lahko izbrana iz agregacije kocke, podatkovnega vira, kopije na strežniku, lokalno na uporabnikovem odjemalcu, ali kombinaciji naštetih virov, odvisno od načina shranjevanja kock (Iseminger 2000, 87). Za mero je podana funkcija agregacije, ki določa, kako so vrednosti iz nižjih nivojev povzete, združene na višjem nivoju. Funkcije so še npr. sum., max., min., count., average. Meritve so lahko aditivne (angl. additive) ali neaditivne (angl. nonadditive) (Inštitut za informatiko 2002). Aditivne vrednosti lahko združujemo, kadar sumiramo (npr. prodajna cena); neaditivne ne moremo združevati, lahko jih npr. seštejemo, določamo povprečja (npr. ocena izpita). Uporabimo lahko tudi deskriptivne vrednosti (tekstualne mere – veliko, srednje, majhno,..).

- agregacije: Agregacije so vnaprej preračunani in shranjeni povzetki podatkov, ki izboljšajo odzivne čase povpraševanj, kar je tudi odraz tehnologije OLAP. Še preden uporabniki specificirajo

23

povpraševanja, so odgovori nanje že poznani. Za vsak odgovor ni potrebno sproti obdelati celotne tabele dejstev (Inštitut za informatiko 2002). Agregati so shranjeni v večdimenzionalni strukturi v celicah kot koordinate specifičnih dimenzij. Npr. zanima nas prodaja proizvoda X leta 2000 za državo Avstrijo? Imamo tri dimenzije (proizvod, čas in država) in meritev (prodaja). Odgovor je posamezen številski podatek v celici »prodaja«. Nekateri odgovori pa lahko vrnejo tudi več vrednosti, kot npr. Kakšna je bila prodaja proizvoda X po mesecih v Avstriji?. Več povzetih podatkov je shranjenih kot agregati, krajši so odzivni časi (angl. response time) poizvedb (Iseminger 2001, 148). Vnaprejšnji izračun vseh agregacij poveča odzivni čas na povpraševanja, vendar poveča prostorske zahteve za shranjevanje povzetih podatkov. Pomembno je razmerje med zahtevami po prostoru in odstotkom izračunanih agregacij (Inštitut za informatiko 2002).

2.6.4 Večdimenzionalne operacije Delo z orodji OLAP je precej intuitivno za uporabo, tako da kompleksnega predznanja ne potrebujemo. Potrebno pa je poznati operacije, s katerim pridemo do zanimivih ugotovitev o našem poslovanju. Rezultate pa je potrebno redno kontrolirati (jagarinec 2005). Zaposleni lahko medtem ko analizirajo podatke, dimenzije poljubno prestavljajo v vrstice ali stolpce ter jih tako prilagajajo svojim potrebam (inštitut za informatiko 2002). Funkcije “slice”, “dice” in “nest” služijo spreminjanju pregledovanih dimenzij. Možnosti “drill-down” in “roll-up” so analitična tehnika, ki omogoča odločevalcem navigacijo med nivoji podatkov, ki segajo od najbolj posplošenih, povzetih (“gor”) do najbolj podrobnih (“dol”) (prav tam 2002). V nadaljevanju bom prikazal nekaj pogostih operacij OLAP-a (Inštitut za informatiko 2002; Jagarinec 2005).

- Slice (rezanje): Je »Dvodimenzionalna rezina«, ki prikaže podatke za nek nabor dimenzijskih vrednosti. Predstavljamo si ga lahko kot list ali izrez kocke. Pri tej operaciji se omejimo na eno dimenzijo iz katere izberemo le en segment. Npr. naredimo rezino oz. izrez podatkov po eni dimenziji za izdelke. Kocko odrežemo tako, da nas zanimajo samo izdelki in nič drugega (ne glede na čas in prostor).

- Dice: Rotacija, vrtenje kocke omogoča odkriti drugo rezino podatkov - prikaže podatke za drugačen nabor dimenzijskih vrednosti. Če prerežemo podatke samo na eni dimenziji (npr. izdelek), gre za operacijo »slice« (glej zgoraj). Dobimo t.i. rezino podatkov. Če dodamo še kakšno dimenzijo (npr. prostor), gre za operacijo »dicing«, kar lahko prevedemo tudi kot večdimenzionalna rezina (Jagarinec 2005). Tako dobimo vpogled v manjšo podkocko, kjer so upoštevani kriteriji, ki smo jih uporabili (Pernat 2004, 22; po Han in Kamber 2001, 59-60).

24

- Pivoting (Jagarinec 2005):

Vrtenje kocke je operacija, ki nam samo oblikovno spremeni videz poročila, ne spreminja pa podatkov po vsebini. Npr. prikaz prodaje po letih v vrsticah prestavimo v stolpce.

- Nest: Gnezdenje dimenzij - prikaz podatkov iz ene dimenzije znotraj druge. Npr.: Dimenzijo leto gnezdimo znotraj dimenzije proizvod. Tabela 1: PRIKAZ GNEZDENJA DIMENZIJ

ProizvodA Kupci: VSI 1997 1998 Leto m

Država: SLO Vir: Inštitut za informatiko 2002

- Drill-down (vrtanje v globino): Raziskovanje, odkrivanje podatkov v naslednjih nivojih (spust za en nivo nižje) z več podrobnostmi vzdolž ene dimenzije. Npr.: Nižji nivo od leta so meseci, podatke prikažemo po mesecih

- Roll-up: Agregacija podatkov v nivoje povzetkov vzdolž ene dimenzije. »drill up« lahko rečemo tudi zvijanje navzgor (Jagarinec 2005). Npr. podatke v mesecih prikažemo po letih

- Filtriranje: Izberemo kriterije za prikazovanje podatkov. Npr. Prikažemo le države, v katere je bilo prodanih več kot X ton jekla.

Napredne funkcije Napredni funkciji, ki se uporabljata sta »drill through« in »write-back«. Sistem omogoča tudi posamezne akcije na dimenzijah. Primer za Metal Ravne: OLAP je povezan z drugimi spletnimi aplikacijami. S klikom na identifikacijsko šifro izdelka se odpre okno z podatki o lastnostih izdelka na OLTP sistemu.

- Drill-through (vrtanje skozi): Je operacija, pri kateri uporabnik izbere posamezno celico kocke in prejme nabor izvornih podatkov, ki so bili ovrednoteni pri izračunu vrednosti te celice. Tabelarična predstavitev vključuje stolpce za vse nivoje (kvalitativne atribute) vseh dimenzij in za vse mere (kvantitativne atribute) in samo tiste zapise iz tabele dejstev, ki so

25

upoštevani v funkciji agregacije pri preseku članov dimenzij, vezanem na dano celico. Vrtamo lahko tako dolgo, da ne dobimo posamezne vrstice v tabeli dejstev.

- Write-back: »Writeback« je zmožnost zapisa informacije v kocko, ki to omogoča (write-enable), z jezikom MDX7 (Multidimensional Expressions). Funkcija Write-back omogoča »what if« analizo. Pri tej analizi spreminjamo vhodne podatke, ki vplivajo na izhodne podatke. Npr.: Prihodek = prodaja * prodajna cena Pri »what if« analizi nas zanima, kaj se zgodi s prihodkom, če spremenimo prodajno ceno? Spreminjamo lahko »model podatkov« - to sta prodaja in prodajna cena. Prihodek je logični model (izračun) in ga ne moremo spreminjati. Vsak podatek, ki se zelo razlikuje od drugih, je potrebno dobro preveriti, da ni prišlo do napake pri prenosu iz sistema OLTP v podatkovno skladišče (Jagarinec 2005).

2.6.5 Shranjevanje večdimenzionalnih informacij Ko dejansko implementiramo sistem imamo možnost, da so informacije kocke shranjene v relacijskih tabelah (ROLAP), večdimenzionalnih strukturah (MOLAP) ali v kombinaciji omenjenih pristopov (HOLAP) (Inštitut za informatiko 2002). Način, ki ga izberemo vpliva na odzivni čas poizvedb, hitrost osveževanja kocke ter prostorske zahteve na diskih. Govorimo tudi o t.i. procesiranju kocke. Procesiranje kocke lahko definiramo kot izgradnjo kocke OLAP na način, da se zajamejo podatki iz izbranega vira in se nato na podlagi definirane strukture vnaprej izračunajo agregati. Namen agregatov je predvsem v skrajšanju odzivnega časa pri pregledovanju podatkov, saj strežnik uporablja za izračunavanje že predhodno izdelane agregate in ni potrebno uporabiti vseh osnovnih podatkov (Lalič 2005,51). Pri procesiranju kocke imamo opravka z dvema tipoma podatkov. To so vhodni podatki in agregacije. Glede na kakšen način bomo te shranili razlikujemo MOLAP, ROLAP in HOLAP (prav tam, 51). ROLAP (angl. Relational OLAP) model implementacije sistema shranjuje oba tipa podatkov v relacijski podatkovni bazi (relacijski strežnik). Večdimenzionalni model, nad katerim so definirane OLAP operacije, je preslikava relacijskega modela in SQL povpraševanj. (inštitut za informatiko 2002). Ker se vršijo SQL poizvedbe je odzivni čas poizvedb daljši. Občutno krajši pa je čas procesiranja, kajti procesiranja vhodnih podatkov ni potrebno izvrševati. Ko se podatek enkrat zapiše v skladišče podatkov je že predstavljen v OLAP odjemalcu. Temu načinu pravimo tudi kocka v realnem času (angl. real-time cube) (Lalič 2005, 52). MOLAP (angl. Multidimensional OLAP) način shranjuje oba tipa podatkov v večdimenzionalnih strukturah. Isti izvorni podatki so zapisani dvakrat, enkrat v relacijski 7 MDX je večdimenzionalni poizvedovalni jezik

26

in drugič v večdimenzionalni obliki. S tem se poveča čas procesiranja (osveževanja) kock ter poraba prostora na disku. Potrebno je določiti razmerje med zahtevami po prostoru in odstotkom izračunanih agregacij. Ker MOLAP zahteva vnaprejšnjo izračunavanje vseh možnih agregacij omogoča hitrejši dostop do podatkov ali hitrejše odzivne čase (Inštitut za informatiko 2002). Prav tako pa ob pregledovanju kock ne potrebujemo več vira podatkov in lahko ustvarimo t.i. lokalne kocke, ki niso povezane s strežnikom OLAP. Brez povezave z osnovnim virom lahko pregledujemo vse nivoje podatkov. HOLAP (angl. Hybrid OLAP) shranjuje vhodne podatke v relacijski bazi, agregacije pa v večdimenzionalni strukturi. Podatke upravlja kot ROLAP, agregate pa kot MOLAP. Če pregledujemo samo agregate, nam omogoča hitro poizvedovanje, hkrati pa prihrani čas osveževanja kock in prostor (Lalič 2005, 52; po Babič 2002,17).

27

3 REŠITEV V PODJETJU METAL RAVNE, D.O.O. V tem poglavju bom predstavil glavne značilnosti rešitve OLAP od načrtovanja do uporabe. Za potrebe celotnega podjetja obstaja 27 OLAP kock. Osredotočil se bom na majhen sklop sistema oz. analizo prodaje in opisal izbor dimenzij in meritev za kocko »prodaja«. Prikazal bom le eno kocko, ki se nanaša na analizo prodaje. Predstavil bom zvezdasto strukturo ter tabelo dejstev skladišča podatkov, ki je namenjeno za integriteto in kamor se iz vira podatkov prenašajo prečiščene »uporabne« informacije. Za boljšo preglednost smo dimenzije razdelili v štiri skupine dimenzij: časovna dimenzija, komerciala, organizacija in proizvodnja. Za lažje razumevanje dejavnosti podjetja ter prodaje bom na kratko opisal vsako skupino dimenzij. Informacijski problem pomanjkanje »kvalitetnih« informacij za uporabnike, ki se odločajo oz. tiste, ki pripravljajo poročila, so v podjetju Metal Ravne, d.o.o. rešili s sistemom OLAP integriranega v informacijski sistem podjetja. Najprej se je zaradi potrebe po fleksibilnosti izdelave poročil porodila ideja za OLAP, skladišče podatkov je nastalo kot nujnost, brez katere pri uvajanju OLAP-a enostavno ne gre. Skladišče podatkov je nameščeno na strežniku MS SQL Server 2000 (Windows 2000). Omenjeni strežnik se je v podjetju že uporabljal za potrebe procesne informatike. Kot OLAP strežnik so uporabili Analysis Services, ki predstavlja poseben strežnik v okviru paketa Microsoft SQL Server 2000 ter teče na Windows 2003. Analysis Services igra bistveno vlogo strategije podatkovnega skladiščenja podjetja, ampak ne zadovolji vseh njegovih potreb. Zadovolji le dve od Kimball-ovih šestih zahtev: pomoč pri hitrem obnavljanju iz skladišča (angl. make retrieval from warehouse) in lažje rezanje ter kockanje podatkov (angl. slice and dice). Ne priskrbi pa direktnega orodja za uporabniku prijazno brskanje po podatkih (naslednja zahteva) – npr. uporabimo lahko MS Excel 2000 PivotTable za preprosto brskanje po skladišču podatkov. Naslednje tri zahteve, ki jih ne zadovolji so konsistentnost, zanesljivost in zaupanja vredni podatki. Slednje tri zagotovi skladišče podatkov (v podjetju Metal je to na SQL Server 2000) in morajo biti zagotovljene, pred uporabo Analysis Services (Jacobson 2000, 4). MS SQL Server s svojimi orodji dostopa (preko OLE DB) do različnih virov podatkov, jih preoblikuje (DTS) v poenoteno standardno obliko, preverja integriteto ter končno vstavlja podatke na analitični strežnik OLAP za lažji in učinkovit dostop do podatkov (Sturm 2000, 3).

3.1 Predstavitev podjetja Metal Ravne, d. o. o., je jeklarsko podjetje v skupini SIJ - Slovenska industrija jekla, d. d. in se v skupini ponaša z najdaljšo tradicijo proizvodnje jekla, saj zapisi prvič omenjajo proizvodnjo železa v dolini že leta 1620. Nosilni program so predvsem orodna in hitrorezna jekla ter nekatera specialna in konstrukcijska jekla v obliki valjanih in kovanih proizvodov. Izdelki iz teh jekel (več kot

28

280 kvalitet jekel) so vstopni materiali za izdelavo delov za avtomobilsko, elektro, strojno, kemijsko in živilsko industrijo, gradbeništvo, rudarstvo, petrokemijo, vojno industrijo in specialne namene. Cilj prodaje je povečevati prodajo visoko kvalitetnih orodnih jekel, ki predstavljajo tretjino skupne prodaje. Potrošniki orodnih jekel so izdelovalci različnih orodij za delo v hladnem in delo v vročem. Značilnost porabe tovrstnih jekel je veliko število relativno majhnih potrošnikov, značilnost prodaje pa je veliko število količinsko majhnih naročil s kratkimi dobavnimi roki. Prav zato potrošniki pogosto kupujejo v t.i. steel centrih, kateri je tudi na Ravnah. Izdelki metala so tako na trgih celotne Evrope, ZDA in bližnjega ter daljnega vzhoda. Glavni kupci po direktnih in indirektnih poteh prodaje so v Nemčiji, ZDA, Italiji, Avstriji in doma. Prodajo podpirajo tudi s koriščanjem prodajne mreže SIJ, ki razpolaga z agencijami, zastopstvi in podjetji v Nemčiji, Avstriji, Ameriki, Italiji, Poljski Madžarski in Rusiji. Izvozijo več kot 80% proizvodov. Celotna strategija razvoja temelji na proizvodnji izdelkov višjega cenovnega razreda, na dvigu produktivnosti, v prodaji pa bodo ohranili širok spekter izdelkov, ki jih bodo izdelovali tudi iz polizdelkov drugih proizvajalcev. So podjetje, ki je podvrženo globalizaciji konkurence v svoji metalurški panogi in so primorani iskati konkurenčne prednosti s povezovanjem aktivnosti na globalni ravni. Njihova strategija je izpolnjevati zahtevam TQM (Total Quality Management). Pridobili so si certifikate za okoljske standarde ter kakovosti.

3.2 Vzroki in cilji uvedbe OLAP sistema Vzroke za uvedbo sem omenil že v uvodnem delu, ko sem opisal problematiko diplomskega dela. Dejanski povod za izdelavo sistema so bile ugotovljene potrebe s strani vodstva podjetja Metal, ki je tudi naročnik projekta. V Metal-u Ravne je vseskozi obstajala potreba po servisiranju zaposlenih s kvalitetnimi informacijami, na osnovi katerih se lahko pravilno odločajo. Zbiranje in priprava podatkov za sprejemanje pravilnih odločitev je zahtevno opravilo. V bazi podatkov podjetja obstaja ogromna količina potrebnih podatkov (za potrebe prodaje), vendar ti podatki sami po sebi ne pomenijo nič, če niso dostopni pravim ljudem ob pravem času ter če niso realni in primerljivi. (Babič 2002, str. 8; povzeto po Thomsen 1997, str.5). Z uporabo OLTP baze podatkov, kamor se vsakodnevno vpisujejo različni podatki, so se zaposleni srečevali z za napredne analize neuporabnimi podatki. Poročila so bila obširna, v papirni obliki (nefleksibilnost) in niso vsebovala agregatnih vrednostih po posameznih kriterijih. Navsezadnje pa je bila tudi priprava nadaljnjih na osnovi takšnih podatkov zamudna, saj je bilo potrebno podatke najprej prenesti v uporabnikovo orodje za analizo (npr. Excel). Reševanje omenjenega je potekalo preko dolgotrajnih procesov zbiranja in spreminjanja podatkov v želeno obliko. Uporabniki so potrebovali hitre in točne

29

informacije, ki pa jih je bilo nemogoče vnaprej predvideti. Informatiki so morali pripravljali poročila za zaposlene na podlagi zahtevnih poizvedb. Vse skupaj je pripeljalo do nezadovoljstva uporabnikov informacij. V konkurenčnem okolju, v katerem deluje Metal Ravne, nihče ni pripravljen čakati na poročila. OLTP sistemi imajo drugačne značilnosti kot sistemi podatkovnih skladišč. Omejeni so glede zmogljivosti strojne in programske opreme, niso dovolj prilagodljivi hitro se spreminjajočim potrebam uporabnikov, ki zahtevajo informacije hitro in na svojem računalniku. Podatkovno skladiščenje s svojimi značilnostmi (prečiščeni podatki) omogoča kompleksna ad-hoc poizvedovanja ter celovit pogled na podatke podjetja ne glede na uporabljeno strojno in programsko opremo v operativnih sistemih (OLTP). V sinergiji z dodatnimi analitičnimi orodji (OLAP) pa omogočajo celovit pogled na poslovanje organizacije skozi različne vidike (Welzer, Golob 2001, str.2). OLAP tehnologija omogoča zaposlenim pregledovanje podatkov iz vseh možnih perspektiv, ne da bi ti poznali ne postopkovni strukturirani poizvedovalni jezik (angl. Structured Query Language – SQL). Informacije iz skladišča podatkov prikazuje na jasen način in jih naredi uporabne. Najprej je bila izražena želja po večji fleksibilnosti pri izdelavi poročil. Sledila je ideja za sistem OLAP, postavitev podatkovnega skladišča je nujnost, brez katere ni šlo. Podjetje si v OLAP »kocki« ne more privoščiti napak. Te pa predhodno javi skladišče podatkov. Zaposleni so prenehali prositi za poročila in so zahtevali informacije na svojem računalniku. Pomen dosegljivosti podatkov je vse pomembnejši, pri katerem pa igra pomembno vlogo spletna tehnologija. Vizija podjetja je bila izgrajen OLAP sistem, ki zagotavlja enostaven, hiter in interaktiven dostop do analitičnih virov za potrebe odločanja v podjetju Metal Ravne, d.o.o. Vizija je bila prav tako uporaba OLAP sistema v okviru celotnega podjetja tako na ravni vodstva, ki zahteva ažurne informacije v zvezi z ključnimi indikatorji uspeha kot tudi uporabniki, ki izdelujejo poročila na ravni urejevalnika preglednic. Podjetje si je zastavilo cilj uspešno in učinkovito končati projekt. Navedel bom glavne cilje, ki so si jih zadali na začetku, kar pa je tudi že uvod v naslednje poglavje načrtovanje sistema. Cilji:

Izbira optimalne programske in strojne opreme (povezava z DB2/VSE, RDBMS/OLAP strežnik, orodje za izdelavo poročil);

Zanesljiva povezava z OLTP virom podatkov (DB2/VSE); Uporaba predhodno prečiščenih podatkov (postavitev skladišča podatkov); Pregledna struktura OLAP podatkovne baze (obvladljivo število dimenzij); Uspešna izdelava prototipa OLAP sistema ter testiranje; Izdelava končnega modela ter polnjenje baze s podatki; Učinkovit prenos rešitve v uporabniško okolje ter sprejem s strani uporabnikov

30

3.3 Načrtovanje sistema Uspešnost projekta je odvisna od same uspešnosti faze načrtovanja. Dobro narejen načrt prihrani veliko denarja in časa, kar pa je bistvenega pomena. Na začetku je potrebno narediti koncept sistema ter ga seveda preveriti. Preveriti je potrebno delovanje OLAP sistema, razpoložljive možnosti, potencialna področja uporabe, orodja za izdelavo poročil. Za preverjanje koncepta so izbrali majhen in obvladljiv del poslovanja (neuspela proizvodnja in prodaja), kar je bila podlaga za ekstrapolacijo OLAP orodja v večjo sliko. V veliko primerih je koncept večdimenzionalnosti preveč odmaknjen od končnega uporabnika, zato je nujno, da v začetni fazi razvoja OLAP sistema dosežemo osnovno razumevanje oziroma kaj je možno in kaj ni (interna projektna naloga). Sodelovanje s strokovnimi delavci oz. zaposlenimi, ki so končni uporabniki OLAP sistema je neizogibno. V tem podpoglavju bom navedel glavne aktivnosti, poudarke ter pravila, ki si jih je podjetje postavilo v fazi načrtovanja sistema.

3.3.1 Dejavniki uspeha Za tako zahteven projekt kot je razvijanje OLAP sistema je potrebno sodelovanje vseh udeležencev, ki jih OLAP tako ali drugače zadeva. Razvijalci in končni uporabniki lahko imajo različne poglede na OLAP oz. si ga ne predstavljajo enako, kar je pogosto posledica nepravilnega razvijanja sistema. V nadaljevanju bom na kratko opisal nekaj navad oz. pravil, ki so jih upoštevali razvijalci sistema v Metal-u za učinkovitejši OLAP in so si jih začrtali pri načrtovanju (Comstock 2002).

• Razvijalci si morajo vseskozi predstavljati rešitev in jo jasno predstaviti vsem udeležencem z različnimi potrebami. Poslovni cilj je izdelava rešitve, kjer vsak posameznik individualno raziskuje in analizira pomembnost prečiščenih podatkov na njemu primeren način.

• Prav tako je pomemben izgled aplikacije. Različni uporabniki imajo brez dvoma različne zahteve. Glavni analitik prodaje ima potrebo po vrtanju v atomske globine, medtem ko vodjo prodaje zanimajo le vsote izračunov za posamezne izdelke. Arhitektura se lahko močno spremeni, če izpustimo pomembnega uporabnika. (Npr. veliko dimenzij ali nivojev dimenzij je lahko nepotrebnih.)

• Upoštevati je potrebno tudi navado »najprej prvo stvar«. Prepogosto se lotevamo lažjih stvari najprej (zmanjka lahko denarja) in najtežji problemi ostanejo nerešeni. Rešitev je dobro dolgoročno planiranje vseh resursov ter ustvarjanje prioritet.

• Osredotočiti se je potrebno na odjemalce in upoštevati njihove želje, tako da se zgradi uporaben sistem. Potrebno je definirati analize in poročila. Slednje je tudi stroškovno ugodneje. V tem delu so ugotovili, katera poročila navadno zaposleni

31

potrebujejo za učinkovito odločanje. To je osnova za vsebinski načrt sistema, saj bo projekt uspešen le takrat, ko bo ustrezal uporabnikom. Vsebino za potrebne dimenzije in dejstva so pridobili na podlagi intervjujev s končnimi uporabniki oz. zaposlenimi v podjetju na različnih nivojih vodenja in odločanja.

• Naslednja navada je »najprej poslušaj, nato izvedi«. Izrek je identičen izreku »izmeri dvakrat in enkrat reži«. Potrebno je delati intervjuje z uporabniki, si razjasniti njihovo strokovno terminologijo itd. Izdelati je potrebno prototip.

• Zelo pomembna je estetika predstavitve izdelka ter uvajanje. Slab prvi vtis je težko premagati, četudi je izdelava in ostali proces zelo dober. Predstavitev in uvajanje mora biti plod skupinskega dela.

• Vseskozi je potrebno pregledovati, analizirati ter ponavljati aktivnosti, da si pridobimo nove informacije, ki pomagajo reagirati na vseskozi spreminjajoče se potrebe uporabnikov.

3.3.2 Temeljni poudarki projekta8 Pri načrtovanju so posebej izpostavili naslednje poudarke rešitve: OLAP kocka, orodje za izdelavo poročil, razvojno okolje, zahteve končnih uporabnikov, točnost podatkov, varnost.

- OLAP kocka: OLAP kocka predstavlja temeljni člen v razvoju OLAP sistema od katerega je v veliki meri odvisen uspeh kasnejših projektnih aktivnosti. Pri izgradnji kocke je potrebno upoštevati zaporedje naslednjih korakov:

• Modeliranje strukture kocke; • Določanje lastnosti kocke (pogostost osveževanja); • Dodatni izračuni (npr. preračun v tujo valuto – EUR); • Polnjenje podatkov in njihovo preverjanje; • Optimizacija kocke.

- Orodje za izdelavo poročil: Odjemalec je izredno pomemben del sistema, saj ima temeljno funkcijo oz. namen sistema. Uporabniku omogoča uporabo OLAP-a, torej dostop do želenih podatkov. Pri izbiri OLAP orodja za izdelavo poročil so morali odgovoriti na naslednja vprašanja:

• Ali uporabnik lahko manipulira s pogledi, podatki, filtri, obliko poročila, ipd? • V kakšnem času lahko uporabnik izdela poročilo? • Ali omogoča spreminjanje podatkov na OLAP strežniku? • Vprašanje koliko razviti v okviru podjetja in koliko kupiti? • Ali se orodje poleg OLAP kocke poveže tudi z drugimi viri podatkov (RDBMS)? • Ali gre za orodje »zero install« kar pomeni, da ga je potrebno namestiti na strežnik?

Veliko naporov pri izgradnji učinkovite in uporabne baze je odveč prav zaradi neustreznega orodja, ki končnemu uporabniku ne ponuja pričakovane fleksibilnosti. 8 Povzeto po interni projektni nalogi

32

- Razvojno okolje: V podjetju so menili, da naj OLAP sistem vsebuje dve oziroma tri ravni strežnikov: razvojna raven, testiranje in produkcija. Hkraten razvoj in dejanska produkcija na enem strežniku predstavlja oviro za razvijalca ter tveganje za že delujočo aplikacijo. Na obstoječem strežniku, MS SQL Server 2000 v podjetju, je potrebno opraviti kompletno analizo vplivov OLAP sistema ob upoštevanju že delujočih aplikacij na strežniku. Odgovoriti je potrebno na naslednja vprašanja:

• Kakšne so zahteve za diskovni prostor? • Kakšne so zahteve za spomin? • Koliko uporabnikom bodo omogočili dostop do OLAP sistema? • Ali so potrebni dodatni porti?

- Zahteve končnih uporabnikov: Zahteve končnih uporabnikov določajo kaj vse se bo upoštevalo v projektu. Vse vključene strani morajo imeti realna pričakovanja kaj bo sistem v končni fazi nudil. Glede na zahteve uporabnikov se lahko v sistemu določi: kdo mora imeti 24x7 dostop?, ali bodo imeli uporabniki možnost spreminjanja podatkov?, kdo bo lahko kaj gledal?, kako pogosto in kdaj se bo kocka osveževala?, kakšna bo oblika poročil?

- Točnost podatkov: Razvit sistem mora biti pred dejansko uporabo sprejet s strani končnih uporabnikov z vidika točnosti podatkov. To pomeni, da so podatki v kocki primerljivi s podatki v okviru obstoječega OLTP sistema CICS.

- Varnost: Varnostni sistem mora administratorju omogočiti enostavno kontrolo dostopa do kocke, aplikacij ter z njima povezanih objektov. Za uspešen varnostni model je značilno, da:

- Izpolnjuje osnovne poslovne zahteve - Dovoljuje primerno vrsto dostopa določenemu uporabniku - Ga je lahko vzdrževati

Za konec bom prikazal tabelo rizikov, ki bi lahko nastali pri projektu ter stopnjo verjetnosti, da se to zgodi. Tabela 2: TABELA RIZIKOV

Problem P-

verjetnostC- ocena posledic

F- faktor

Rešitev

1. Neustrezno sodelovanje med tehničnim osebjem in končnimi uporabniki zaradi nepoznavanja značilnosti OLAP sistema

1 3 3 (P) približati OLAP sistem končnim uporabnikom pred prehodom v produkcijsko okolje (K) dodatno izobraževanje

2. Nepregledna struktura 3 3 9 (P) optimalno število

33

kocke dimenzij ter vsebina posamezne dimenzije (K) zmanjšanje števila dimenzij oz. sprememba vsebine neustreznih dimenzij s pomočjo skladišča podatkov

3. Povezava z relacijsko bazo podatkov DB2/VSE kot virom podatkov za OLAP sistem ne deluje

4 5 20 (P) pred pričetkom projektnih aktivnosti preizkusiti povezavo z DB2/VSE relacijsko bazo (K) preizkus delovanja oz. nakup nove programske opreme

4. Orodje za izdelavo poročil nima pričakovanih lastnosti

2 2 4 (P) testiranje razpoložljivih orodij v okolju končnega uporabnika (K) zagotoviti nova orodja

5. Delovanje OLAP sistema v produkcijskem okolju zahteva dodatno programsko opremo, potrebne so dodatne sistemske nastavitve strojne in programske opreme (problematika virusov, ipd.)

3 5 15 (P) postaviti testno okolje za celoten OLAP sistem, ki je do določene mere primerljiv s produkcijskim okoljem (K) v začetni fazi razvoja OLAP sistema zagotoviti vzdrževanje s strani ponudnika programske in strojne opreme

6. Negativen vpliv na odzivnost obstoječih aplikacij

1 2 2 (P) Določiti optimalno strukturo kocke (število dimenzij, vsebina posameznih dimenzij) (K) zmanjšanje števila dimenzij oziroma sprememba njihove vsebine v okviru skladišča podatkov

7. Delovanje OLAP sistema preseže zmogljivost strojne opreme

1 4 4 (P) Določiti optimalno strukturo kocke (število dimenzij, vsebina posameznih dimenzij) (K) zmanjšanje števila dimenzij oziroma sprememba njihove vsebine v okviru skladišča podatkov

8. Neustrezen varnostni model

2 5 10 (P) določiti seznam uporabnikov OLAP sistema ter njihove pravice, (K) izgradnja novega

34

varnostnega modela Vir: Interna projektna naloga

3.4 Vir in skladišče podatkov

3.4.1 Vir podatkov Za zajem in obdelavo podatkov na poslovnem področju (finance, računovodstvo, komerciala,…) se v podjetju Metal uporablja CICS. CICS (Customer Information Control System) je transakcijski strežnik, ki pretežno deluje na IBM-ovih osrednjih računalnikih (angl.mainframe), npr. zSeries 890. CICS lahko na IBM zSeries strežnikih podpira tisoče transakcij na sekundo ter je glavna opora podjetnemu računalništvu (wikipedija, The Free Encyclopedia). CICS aplikacije so lahko napisane v številnih programskih jezikih (COBOL, PL/I, C, C++, Assembler, REXX in JAVA). V Metal-u ravne uporabljajo programski jezik PL/1. Zaposleni delavci v Metal-u imajo na svojih osebnih računalnikih uporabniški vmesnik (CICS), kjer obdelujejo sprotne podatke in s tem polnijo in spreminjajo bazo podatkov DB2/VSE. Vir podatkov, od koder se prenašajo podatki v skladišče podatkov, je DB2/VSE 7.4. DB2/VSE9 je močan, funkcionalen relacijski sistem za upravljanje baz podatkov ali RDBMS (angl. A relational database management system), ki podpira oboje, razvojno in interaktivno okolje. Pomaga izpopolniti in razširiti produktivnost neprekinjenih in razdeljenih operacij podjetja. Strežnik priskrbi vse, kar podjetje potrebuje za implementacijo rešitev razdeljenih baz podatkov. Baza podatkov je locirana na strežniku IBM server zSeries 890, ki je visoko zmogljiv in zmožen fleksibilno poganjati več aplikacij in operacijskih sistemov sočasno na enem strežniku (IBM 2006).

3.4.2 Skladišče podatkov V podjetju Metal se kot skladišče podatkov uporablja Microsoft SQL Server 2000. Za prenos podatkov iz vira (DB2/VSE) v podatkovno skladišče v primerni obliki se uporablja DTS (angl. Data transforamtion services), ki je integriran v Microsoft SQL 2000. DTS je zbirka objektov, ki omogoča samodejni prenos podatkov ali ETL (angl. Extract Transformation and Load) iz ali v podatkovne baze. Skoraj vedno se uporablja sočasno z MS SQL 2000 strežnikom, lahko pa tudi z drugimi – heterogenimi viri podatkov, kot so relacijski (DB2, Oracle), tekstovne datoteke, XML, itd. Za potrebe prenosa podatkov oziroma DTS mora biti na strežniku, kjer je skladišče podatkov ustrezno definirana (katalogizirana) DB2/VSE baza. V našem primeru gre za 9 DB2 je relacijski podatkovni model podjetja IBM; VSE (Virtual Storage Extended) je operacijski sistem za IBM glavne računalnike.

35

uporabo OLE DB; to pomeni, da se za dostop do DB2/VSE uporablja »OLE DB provider for DB2«. Zaradi velike količine podatkov in racionalizacije pri obremenitvi strojne opreme OLTP sistema se podatki za potrebe analize prodaje iz OLTP sistema prenašajo samo za tekoči mesec. Npr. Za mesec april se prenesejo podatki za mesec marec. Aprila 2006 lahko gledamo podatke od 1.1.1997 do marca 2006. Preden pričnemo s prenosom podatkov mora biti seveda predhodno izdelana tabela, kamor se lahko prenašajo podatki. Izdelamo jo s pomočjo SQL ukaza, tako da kreiramo tabelo dejstev »prodaja« in dimenzijske tabele ter določimo relacije ali veze (angl. constraints).

36

Slika 8: PRIMER TABELE DEJSTEV »PRODAJA«

Vir: Ekranska slika, Microsoft Enterprise Manager V tej tabeli so zajeti podatki najnižjega nivoja za vse dimenzije za potrebe kocke »prodaja«. Omenjena tabela ne vsebuje izračunov, vsebuje samo t.i. »raw data«. Formule za izračune definiramo na OLAP strežniku z Analysis Manager-jem. Zaradi ogromne količine podatkov tabela dejstev vsebuje le zaporedne številke (ključe) vseh članov dimenzij, namesto opisnih imen. S tem se tabela zmanjša in je bolj pregledna.

Stolpci dimenzij

Stolpci mer

37

3.4.2.1 Integriteta podatkov10 Integriteta podatkov je značilna za relacijske baze podatkov, posebno za operativne sisteme (OLTP). Poznamo več vrst integritet podatkov. Pomembna je tudi pri skladišču podatkov (v podjetju Metal Ravne podatkovno skladišče na SQL Server-ju skrbi za integriteto podatkov). MS SQL Server omogoča gradnjo kock direktno iz operativnih baz podatkov ter kontrolira oz. upravlja integriteto podatkov. V podjetju Metal pa uporabljajo za potrebe integritete podatkov podatkovno skladišče. Vrste integritete podatkov:

- Referenčna integriteta: Tabela dejstev »prodaja« vsebuje tuje ključe primarnih ključev atributov dimenzijskih tabel. Napaka RI nastopi, ko se prekrši pravilo določitve tujega in primarnega ključa (angl. Key-primary key constraint). Npr. Tabela dejstev vsebuje zapis (izdelek_ID), ki ne obstaja v dimenzijski tabeli izdelki.

- Vrednost NULL: Vrednosti NULL se pojavljajo v relacijskih bazah in so celo veljavne, potrebujejo pa posebno ravnanje v Analysis Services. Če vsebuje vrednost NULL meritev lahko to interpretiramo na več načinov: transakcija ne obstaja ali transakcija ima vrednost nič. MDX poizvedba se bo razlikovala glede na interpretacijo. Analysis services lahko nekatere vrednosti ohrani, druge preoblikuje ali jih posebej obravnava.

- Nezdružljiva povezava (Inconsistent Relationship): Analysis Service dovoljuje tudi relacije med atributi dimenzij. Npr. krši se lahko pravilo mnogo proti ena (pravilo: mnogo blagovnih znamk lahko vsebuje le en razred izdelka); pravilo kršimo, če lahko ima več razredov le eno blagovno znamko.

Zaradi količine podatkov, ki jo mora OLAP strežnik dnevno obdelati, je v podjetju Metal nujno, da se integriteta podatkov zagotovi že v podatkovnem skladišču. Vsak »constraint violation«, ki bi se odkril šele v postopku obdelave na OLAP strežniku, pomeni nepotrebno izgubo časa. V podjetju si tega ne smejo privoščiti. Analysis Services ponuja različne kontrole za ravnanje z integriteto: Unknown Member, Null Processing, Error Configuration. 10 Povzeto po MSDN 2006a, Handling Data Integrity Issues in Analysis Services

38

Slika 9: PRIMER ZVEZDASTE STRUKTURE SKLADIŠČA PODATKOV »PRODAJA«

Vir: Ekranska slika, Microsoft Enterprise Manager Na Sliki podajam primer zvezdaste strukture za podatke v podatkovnem skladišču na strežniku SQL Server 2000 za potrebe kocke »prodaja«. Zvezdasta struktura je grafični (le drugačen) prikaz relacij (»constraint-ov«) tabele dejstev »prodaja« (slika 8), kamor se prenašajo podatki iz DB2 baze podatkov.

3.5 Modeliranje kocke in prototip Za lažje razumevanje Analysis Services, kjer se definirajo modeli kock, bom še enkrat povzel značilnosti tega strežnika, ki sem jih omenil že v uvodu 3. poglavja. Skladišče podatkov je le »prostor, do koder imajo zaposleni dostop do podatkov«. Brez Analysis Server-ja je skladišče podatkov poročevalni sistem (angl. reporting system), sestavljen iz relacijske baze podatkov in poročevalnih aplikacij, ki prikazujejo te podatke. Funkcija Analysis Server-ja je posredovanje med prej omenjenima, ki preoblikuje

39

skladišče podatkov v obliko, ki omogoča hitro in fleksibilno izdelovanje analitičnih poročil (Jacobson 2000, 17). Primarna komponenta Analysis Server-ja je strežnik, ki teče v podjetju Metal na MS Windows 2003. Strežnik izloči (angl. extract) informacije iz skladišča podatkov in oblikuje podatkovne kocke. Ena kocka lahko ima od 1 do 64 dimenzij. Pred izdelavo končnega modela ter za preizkus delovanja so izdelali prototip.

3.5.1 Razlika med kocko in tabelo dejstev Kocka je konceptualno podobna tabeli dejstev, vendar ima nekaj značilnih razlik. Podobno kot tabela dejstev, je kocka sestavljena iz stolpcev dimenzij in mer ter vrstic za vse možne kombinacije članov dimenzij. Razlika je v tem, da tabela dejstev vsebuje le člane dimenzije najnižjega nivoja (angl. the lowest level member), kocka pa vsebuje vse člane vseh nivojev (prav tam, 18). Primer kocke s štirimi dimenzijami: Država Obrat Proizvod Čas Št.enot All All All All 1,000.000 SLO All All All 200.000 SLO Valjarna profili All 5.000 SLO Valjarna svetli profili All 800 SLO Valjarna svetli profili Qtr1 150 SLO Valjarna svetli profili mar 50 Zadnja vrstica zgornjega primera je zapisana v tabeli dejstev (najnižji nivo – brez agregatov). Konceptualno kocka vsebuje vse podrobne podatke iz tabel dejstev, vendar jih fizično ne kopira iz te tabele (skladišče podatkov). Kocka dinamično obnavlja le tiste podatke iz skladišča, ki jih potrebuje. Enako je z vrednostmi mer, ki so sumarizirane za vsak možen hierarhičen nivo dimenzije. Analysis services dovoljuje tudi izdelavo »navideznih« kock (angl. virtual cube), ki združujejo mere iz kock, ki si delijo najmanj eno skupno dimenzijo (prav tam, 19).

3.5.2 Dimenzije za kocko »prodaja« Prikazal bom dimenzije, ki jih vsebuje kocka »prodaja«. Zaradi preglednosti in razumljivosti smo dimenzije razvrstili v skupine: časovna dimenzija, komerciala, organizacija in proizvodnja. Naštel bom dimenzijske tabele kocke »prodaja« in jih nekaj tudi opisal oz. naštel njihove člane:

40

1.skupina – časovna dimenzija V to skupino spada dimenzijska tabela: Cas1997Mesec Slika 10: PRIKAZ DIMENZIJE ČAS

Vir: Ekranska slika, Microsoft Analysis Manager

2. skupina – komerciala Sem spadajo dimenzijske tabele: Država; Trg; Vrsta prodaje; Način prodaje; Aktivni kupci; Aktivni prejemniki; Referent; vrsta kupca. Slika 11: PRIKAZ DIMENZIJE DRŽAVE

Vir: Ekranska slika, Microsoft Analysis Manager

41

3. skupina – Organizacija Sem spada dimenzijska tabela: Obrat Člani dim. tabele obrata: valjarna, kovačnica, neznano, jeklovlek, skupne službe, prodajno skladiščni center, projekti K1, projekti K2, nabavljene gredice, raziskave R1, raziskave R4, raziskave R7 Podjetje ima locirane obrate na lokaciji železarne Ravne in povezujejo podjetje v organizacijsko celoto. Sledi kratek opis proizvodnih enot oz. obratov:

- jeklarna in valjarna gredic Jeklarno predstavljajo dislocirani obrati oz. oddelki, ki se po svoji funkciji in namenu bistveno razlikujejo: Priprava vložka; Jeklarna; EPŽ (elektro pretaljevanje pod žlindro); Valjarna gredic – težka proga (blooming), Deponija industrijskih odpadkov; Skupne službe.

- kovačnica Obrat kovačnice je sestavljen iz naslednjih oddelkov: Težka kovačnica; Avtomatska kovačnica; Toplotna obdelava (peči za toplotno obdelavo); Priprava dela.

- valjarna profilov Obrat valjarne profilov je sestavljen iz naslednjih oddelkov: Srednja in lahka proga; Toplotna obdelava; Adjustaža profilov; Delavnica za kalibriranje valjev, izdelavo armatur in orodja; Priprava dela s tehnologijo in krmiljenjem.

- proizvodnja svetlih profilov (jeklovlek) Oddelki: Luščenje; Vlečenje in luščenje; Adjustaža

- priprava proizvodnje - vzdrževanje

4. skupina – proizvodnja

Sem spadajo dimenzijske tabele: Grupa izdelka, kvaliteta, kvalitetna skupina, mehanska obdelava, toplotna obdelava, EPZ, klasifikacija izdelkov, program, vrsta toplotne obdelave, agregat. Primer člani dim. tabele kvalitetna skupina: 0-Neopredeljeno, 1-Konstr. neleg. jekla, 2-Konstr. leg. jekla, 3-Orodna nizkoleg. jekla, 4-Or. visokoleg. jekla – delo v HL, 5-Or. visokoleg. jekla - delo v VR, 6-Hitrorezna jekla Kvalitetna skupina bi lahko bila tudi kot višji nivo v dim. tabeli kvaliteta. Ta primer so imeli pripravljen (niso ga implementirali). Po njihovem mnenju je za oblikovanje poročil bolje, da ostaneta dve ločeni tabeli. Primer člani dim. tabele kvaliteta: 036-EMBRW1,037-EMBRW,038-EMBRCV, 039-EMBRCMO, 040-EMBRU, 041-EMBRC3, 042-EMBRC, 043-EMBRM2

42

Imamo tudi zelo majhne dimenzijske tabele z samo dvema članoma, npr. mehanska obdelava: 0-Črno, 1-svetlo. Za lažje razumevanje naštetih dimenzijskih tabel ter njihovih članov bom na kratko opisal proizvodni (prodajni) program podjetja. Proizvodni program ločimo po organizacijskih enotah (naštel sem jih v skupini organizacija – dim. tabela Obrat ) in po kvalitetah: a) Po organizacijskih enotah: Proizvodni program zajema: jeklarski program, valjarski progam in kovaški program. Proizvodi so različnih standardnih dimenzij in zajemajo:

- Jeklarski program (kapaciteta cca 1200 t): ingoti, gredice z zaobljenimi robovi, široki ploščati profili, plošče iz orodnih jekel.

- Valjarski program (kapaciteta cca 3300 t): gredice z zaobljenimi robovi, okrogli profili, kvadratni profili, ploščati profili, svetli profili (luščene in luščeno polirane palice; brušene in polirane palice).

- Kovaški progam (kapaciteta cca 2400 t): kovane palice, odkovki, diski, puše. b) Po kvalitetah: Proizvodni program zajema več kot 280 kvalitet jekel v obliki valjanih in kovanih proizvodov. Vsak izdelek ima ustrezno oznako, ki identificira njegovo kvaliteto. Kvaliteta označuje snov iz katere je proizvod, lastnosti proizvoda, namen uporabe. Prikaz prodaje za točno določen izdelek v kocki »prodaja« ni mogoče. V Metal-u je vsak izdelek določen z identifikacijsko številko in takšno analizo je potrebno izvesti z drugo kocko. Po kvalitetah ločimo v osnovi:

- Orodna jekla Nizkolegirana orodna jekla, visokolegirana orodna jekla za delo v hladnem, visokolegirana orodna jekla za delo v vročem

- Konstrukcijska jekla Nelegirana in legirana konstrukcijska jekla

- Specialna jekla - Hitrorezna jekla

Analizo prodaje po izdelkih obravnava druga kocka, ki jo v diplomskem delu ne obravnavam.

43

3.5.3 Mere Zaposleni analizirajo meritve, opisane v tem podpoglavju, glede na omenjene člane dimenzijskih tabel. Vsakemu članu pripada številska vrednost oz. mera (lahko pa vsebujejo tudi izračunane mere). Navadne mere so mere prepisane iz skladišča podatkov. To so prodana teža jekla v kg.; lastna vrednost, ki je vsota kalkulacije stroškov izdelave in fakturna vrednost kateri so dodani številni cenovni dodatki (npr. provizija, legirni dodatki, krčenje, špediterske storitve, odpadek,…). Vrednosti so v SIT ter v EUR. Iz navadnih mer se v kocki »prodaja« izračunajo cene za fakturno vrednost in lastno vrednost v SIT in EUR ter uspeh, ki je prikazan v % deležu fakturne vrednosti glede na lastno vrednost. Navadne mere: Teza v kg, Fakturna vrednost v SIT in EUR, Lastna vrednost v SIT in EUR. Izračunane mere: Uspeh % = 100 * Fakturna vrednost v SIT / Lastna vrednost v SIT Cena11 (EUR/kg) za fakturna vrednost = Fakturna vrednost v EUR / Teza v kg Cena (EUR/kg) za lastna vrednost = Lastna vrednost v EUR / Teza v kg

3.5.4 Izdelava kocke in procesiranje Preden pričnemo z izdelavo nove kocke, moramo pripraviti OLAP podatkovno bazo (ta vsebuje kocke, vloge, podatkovne vire, deljene dimenzije itd.), kjer bo kocka shranjena. V tej bazi je lahko ena kocka povezana le z enim podatkovnim virom, baza pa vsebuje več virov in kock. Ker kocka obnavlja svoje podatke iz tabele dejstev podatkovnega skladišča (podatkovni vir), mora ta biti definiran znotraj OLAP podatkovne baze. Potrebno je narediti povezavo do podatkovnega skladišča. To naredimo s pomočjo MS OLE DB Provider-ja. Omenjeno opravimo s pomočjo menija Data Link Properties, kjer izberemo »provider« in podatkovno skladišče (Pearson 2002; Jacobson 2000, 31). Določanje kocke se najprej prične z določevanjem mer ali kvantitativnih vrednosti iz baze, ki jo želimo analizirati (indikatorji naših poslovnih aktivnosti). Kot sem že omenil v podjetju Metal Ravne uporabljajo zvezdasto strukturo podatkovnega skladišča. Zvezdasta struktura skladišč podatkov je danes najenostavnejši način, ki omogoča večdimenzionalna poročila iz relacijskih podatkov, medtem ko prihajajo operativni podatki iz različnih virov (Pearson 2002). Kocka »prodaja« je sestavljena iz mer (Teza v kg, Fakturna vrednost v SIT, Lastna vrednost v SIT, Fakturna vrednost v EUR, Lastna vrednost v EUR), ki so pridobljene iz tabele dejstev »prodaja« in dimenzij iz dimenzijskih tabel. Torej pri postavitvi kocke najprej imenujemo tabelo dejstev, izberemo mere in ustrezne dimenzije. Izdelamo lahko tudi nove dimenzije. Čarovnik za izdelavo kock (Cube Wizard) v orodju »Cube editor« nam vse to olajša z logičnimi zaporednimi koraki. 11 Do leta 2007 se cene izračunavajo tudi v SIT

44

Slika 12: PRIKAZ STRUKTURE VEČDIMENZIONALNE KOCKE PRODAJA

Vir: Ekranska slika, Microsoft Analysis Manager Pri izbiri načina shranjevanja OLAP kock so se v Metal-u odločili za MOLAP način shranjevanja podatkov. S tem so pridobili hitrejše odzivne čase na poizvedbe in nekaj več porabljenega prostora na disku. Večja poraba prostora na disku ob današnjem napredku informacijske tehnologije ni ključnega pomena. Kot sem že omenil v teoretičnem delu, je potrebno določiti razmerje med zahtevami po prostoru na disku in odstotkom izračunanih agregacij. Čarovnik »Storage Design Wizard« v Analysis Services nam lahko pri tem pomaga. V Metal-u je to razmerje določeno z 50% proti 50%. Povprečni odzivni čas poizvedbe v Metal-u za kocko »prodaja« je manj kot 5 sekund.

45

4 DEJANSKA UPORABA TER UČINKI IN PRIDOBITVE ZA PODJETJE Dejal sem že, da so zbrani podatki v skladišču podatkov uporabni le, ko jih dejansko uporabimo. S pomočjo OLAP kock pridobimo pogled na podatke na večdimenzionalen način, kar omogoča uporabnikom učinkovito analizo podatkov. Izbira odjemalca pa je ključnega pomena, saj le ta omogoča uporabnikom dostop do želenih podatkov oz. do kock na Analysis Server-ju.

4.1 Uvajanje in dejanska uporaba

4.1.1 Varnost Varnost je pomembna pri sistemih za podporo odločanja, zato ji je potrebno nameniti posebno pozornost. Skladišča podatkov so že po naravi sporna glede varnosti. Naš cilj je, da so podatki dostopni na kolikor je mogoče enostaven način. To še posebej zahtevajo ad-hoc OLAP poizvedbe in analize. Po drugi strani pa so podatki pogosto zelo dragoceni in občutljivi. Včasih so skladišča podatkov uporabljali le višje ravni vodstva in ni bilo potrebe po visoko varnostnem mehanizmu. Danes pa raste nivo potencialnih uporabnikov analitičnih orodij na vse zaposlene, tudi na stranke ter poslovne partnerje. Zaščita podatkov pred nepooblaščeno uporabo je danes ključno vprašanje. Ni uporabnika, ki bi imel pravico dostopa do vseh podatkov (Torsten in Gunther 2001). Zaščita v OLAP sistemu, ki temelji na večdimenzionalnem modelu, se zelo razlikuje od tradicionalnih zaščit v operativnih sistemih, ki temeljijo na relacijskem modelu. Zaščita ni definirana v lastnostih tabel, ampak v dimenzijah, hierarhičnih poteh, granularnih12 nivojih (prav tam 2001). OLAP sistem mora vsebovati vse potrebne varnostne mehanizme za skupinsko analitično delo, še posebno, če je uporabnikom omogočeno popravljanje podatkov za namene "what-if" analiz. Varnost je pri večini programov tovarniško pomanjkljiva, ker se predvideva, da bo OLAP namenjen le za branje. Tudi Microsoft SQL Server 2000 Analysis Services ima pomanjkljivo zaščito, čeprav ima vgrajeno funkcijo, ki omogoča uporabniku povratno pisanje v OLAP kocko ( Šmid 2002,24 po Codd, 1993). Varnostne kontrole glede avtoriziranega dostopa do podatkov se razlikujejo glede na način sistema (ROLAP ali MOLAP). Pri ROLAP sistemu kontrola temelji na relacijah. Pri MOLAP sistemih je avtorizacija specificirana direktno v podatkovnih kockah (Wang, Jajodia, Wijesekera 2004). Pri definiranju varnosti v Analysis Services izdelamo vloge (angl. Rules) v OLAP podatkovni bazi (Jacobson 2000, 332). 12 Granularnost pomeni nivo podrobnosti ali povzetka podatkov oz. dejstev (summary). Bolj podrobni so podatki, nižji je nivo granularnosti (npr. zapisani so vsi tel. klici v nesecu) in obratno. Visok nivo je npr. če so povzeti podatki tel. klicev po kupcih mesečno (Inmon 1996, 46).

46

Omejimo lahko različne uporabnike, ki imajo dostop do strežnika (Analysis Services). Najprej omejimo administratorje, ki imajo dostop do strežnika preko Analysis Manager-ja in jim določimo administrativne funkcije. Nato omejimo končne uporabnike, ki dostopajo do strežnika preko svojih odjemalcev. Določimo lahko, kateri končni uporabnik lahko dostopa do podatkov in tipe operacij, ki jih lahko izvaja ali pravice (angl. permissions). Končnega uporabnika lahko kontroliramo na različnih nivojih podatkov na strežniku, ki vključuje kocko, dimenzije in celice kocke. Za kontrolo varnosti končnega uporabnika se uporablja:

- avtorizacija med povezovanjem na strežnik - modeli vlog (angl. Rules) za bazo podatkov ter kock, ki so definirane v Analysis

Manager-jo Za vsako vlogo se definira skupina končnih uporabnikov in njihov dostop. Vloga se definira na nivoju baze podatkov in se nato dodeli na kocko, do katere lahko uporabnik dostopa. Na sami kocki pa se lahko napravijo še razne spremembe. Te spremembe ne vplivajo na vloge na nivoju baze podatkov. Vlogo lahko različno definiramo za vsako kocko (Iseminger 2000). Slika 13: PRIKAZ DEFINIRANJA VLOG UPORABNIKOV

Vir: Ekranska slika, Microsoft Analysis Manager

47

Slika 14: PRIKAZ VSEH VLOG UPORABNIKOV ZA KOCKO PRODAJA

Vir: Ekranska slika, Microsoft Analysis Manager Tipična poizvedovanja v OLAP sistemu so v načinu »samo za branje« (angl. Read-only). Prikazane omejitve so omejene »le za branje«, čeprav sistem omogoča tudi funkcijo »write-back«. Varnost na nivoju celic (angl Cell-level security) je še posebej pomembna pri kockah, ki dovoljujejo da se jih spreminja (write-enabled). Uporabnikom se mora dodeliti pravico (pri »write-enable« kockah) pisanja v kocko (angl. read/write permission) (Jacobson 2000, 358).

4.1.2 Izbira odjemalca Za dostop do podatkov na strežniku Analysis Services so morali izbrati odjemalca. Podjetje ima možnost nakupa odjemalca ali pa izdelave samostojne aplikacije. Pomembno pa je, da so odjemalci enostavni za uporabo, zagotavljajo intuitivnost, grafično prikazovanje ter niz funkcij. Če uporabnik sistema ne bo uporabljal je ves trud izdelave sistema odveč… V podjetju Metal so imeli težave pri implementaciji sistema predvsem zaradi neustrezne strojne in programske opreme uporabnikov. Podjetje zajema velik obseg uporabnikov OLAP sistema in nekateri so imeli že precej zastarele računalnike. Uporabniki so pred dejansko uporabo delali s testnimi podatki. V postopku preizkušanja se je izkazalo, da strojna in programska oprema na računalnikih uporabnikov ni ustrezala sistemskim zahtevam, ki jih je postavil Microsoft. Rešitev so izvedli na ta način, da so različnim uporabnikom namestili različne odjemalce oz. orodja za dostop do kock. Izbrali so optimalne kombinacije orodij za izdelavo poročil in sicer MS Excel 2002 in XMLA Browser for the MS Analysis Services. Za komuniciranje z Analysis Services se uporablja PivotTable Services (vrtilna tabela), ki se avtomatično inštalira na računalnik,

48

ko namestimo Analysis Services ali Office 2000. V okviru podjetja so razvili aplikacijo na podlagi ASP (Active Server Pages), JavaScript in DHTML tehnologije, ki omogoča brskanje po kocki s spletnim brskalnikom (Internet Eksplorer). Poizkusili so tudi programski izdelek ProClarity, ki se je izkazal za predrag uporabniški vmesnik, saj je na testiranjih dal slabše rezultate kot Excel 2002.

4.1.3 Uporaba Orodja za izdelavo poročil je bilo najprej potrebno predstaviti uporabnikom. Oblikovali so manjše zaključene skupine zaposlenih ter jim predstavili delovanje orodij. Zaposleni so po predavanjih sami praktično preizkusili orodja. Izkazalo se je, da nimajo zadostnega znanja v smislu učinkovite uporabe vrtilnih tabel, imajo slabo predstavo o večdimenzionalnosti kocke, pojavljale so se pogoste napake pri definiranju poročil (določanje dimenzij v vrsticah in stolpcih). Potrebno je bilo organizirati dodatno izobraževanje uporabnikov. Pri dejanski uporabi sistema je pomembno tudi osveževanje kocke. Osveževanje je odvisno od več dejavnikov: npr. datum zaključka obdelave v OLTP sistemu, osveževanje drugih kock, potrebe uporabnikov,… Za nemoteno delovanje sistema so določiti administrativna opravila. Ta so predvsem: Posodabljanje programske opreme, spremljanje časov obdelave in preračuna kock (čas preračuna raste sorazmerno s količino podatkov. Vsaka sprememba v strukturi kocke pomeni podaljšanje časa, ki ga porabijo za definiranje »storage« kocke), izdelava in zapis potrebnih procedur, preverjanje točnosti podatkov, skrb za varnost, vzdrževanje modela, beleženje napak in njihovo odpravljanje,… Ugotovljene napake so bile predvsem: Obremenjenost strežnika (OLAP zahteva veliko CPU resursov, velikokrat zaradi tega niso normalno delovale nekatere druge aplikacije – print strežnik, DNS strežnik, active directory,…), relativno lahek dostop do podatkov, razmnoževanje podatkov, različne verzije programske opreme (Windows),..

49

4.1.3.1 Statistika uporabe

Slika 15: PRIKAZ STATISTIKE POSAMEZNIH POIZVEDB V KOCKI PRODAJA

X 10

Vir: Ekranska slika, Microsoft Analysis Manager Na zgornjem prikazu vidimo statistiko posameznih poizvedb, ki jih vršijo zaposleni. V največ poizvedbah (1750) so bili izbrani naslednji vidiki prodaje: glede na leto, vrsto prodaje, naziv kupca. Statistika je tedenska. Opazimo lahko precejšnjo uporabnost sistema OLAP v podjetju.

4.2 Učinki in pridobitve za podjetje Z uvedbo sistema OLAP v informacijski sistem podjetja postane proces odločanja za zaposlene v Metal-u, ki so dnevno postavljeni v vlogo odločanja, znatno hitrejši in učinkovitejši, saj lahko hitro in enostavno pridobijo informacije, ki so točne in pomembne za odločanje. Podatkovna kocka prodaje je namenjena poslovnim in tržnim analizam prodaje. Informacije iz različnih zornih kotov pojasnjujejo prodajo in vzpodbujajo ideje za njeno pospeševanje. Z uspešno dokončanim projektom uvajanja OLAP sistema in v primerjavi s statičnimi oz. vnaprej definiranimi poročili je podjetje Metal pridobilo na naslednjih področjih:

• Večja fleksibilnost za uporabnike informacij (pri izdelovanju poročil) in s tem zadovoljitev osnovnega povoda oz. ideje za vpeljavo sistema; lažje prilagajanje spreminjajočim in rastočim potrebam po analitičnih podatkih. Večja fleksibilnost uporabniku informacij omogoča tudi interakcijo, brskanje in analizo podatkov tudi za lastne potrebe in ne samo za izdelavo poročil.

50

• Lažji in hitrejši dostop do informacij. Več časa lahko namenijo poslovanju. Vsi zaposleni, ki delajo z osebnimi računalniki, imajo v obsegu svojih pooblastil dostop do sistema OLAP tudi preko brskalnika Internet Eksplorer. Vodstvo podjetja ima stalno zagotovljen hiter vpogled v vnaprej pripravljene analize.

• Hitrejše možnosti odločanja in posledično njegova izboljšava. • Širši krog potencialnih uporabnikov informacij. • Manjša poraba papirja. • Prihranek časa v primerjavi s klasično izdelavo poročila. • Poenotenje informacij in vira podatkov na ravni celotnega podjetja. Vsi upravljajo

z enakimi podatki in je manjša možnost netočnih oz. ne posodobljenih podatkov. • Poenotenje oblike poročil. • Dostop do podatkov v internetu in intranetu. • Boljše obveščanje poslovnih partnerjev. • Učinkovitejši pregled nad zgodovino poslovanja podjetja. • Povečanje znanja zaposlenih ter učenja na izkušnjah.

Pozitivnih ekonomskih učinkov, ki so nastali zaradi uvedbe OLAP sistema, ne moremo neposredno izmeriti, saj gre v večini primerov za neposredne ekonomske učinke, ki se na primer kažejo v hitrejših in pravilnejših odločitvah.

51

5 SKLEP V turbolentnem in konkurenčnem okolju, kjer danes delujejo podjetja, so za obstoj na trgu potrebne hitre in točne informacije, ki so pogoj za učinkovit proces odločanja. Le pravilne odločitve vodijo k uresničevanju zastavljenih ciljev podjetij. Podjetja vsakodnevno obdelujejo in hranijo ogromne količine podatkov. Za enostavno, fleksibilno ter hitro analizo teh podatkov, brez čakanja na informacije, brez zahtevnih predpriprav podatkov, brez kompleksnega računalniškega znanja (SQL jezik,…) pa potrebujemo prave informacijske rešitve oz. orodja. Omenjenim informacijskim rešitvam pravimo tudi sistemi za podporo odločanja ali novejše poslovno obveščanje – BI. BI omogoča podjetju, da uporabne informacije uporabi pri odločitvi oz. prinese uporabniku t.i. znanje. V diplomski nalogi sem obravnaval sistem OLAP ter podatkovno skladišče kot dve pomembni komponenti BI, ki so ju uvedli tudi v Metal-u Ravne. V podjetjih uporabljajo za sprotno beleženje poslovnih dogodkov izvajalne oz. transakcijske ali OLTP baze podatkov, ki ne hranijo zgodovine poslovnih podatkov, prav tako podatki niso v obliki primerni za analizo. Za hrambo večletne zgodovine podatkov iz različnih virov (OLTP ter zunanji viri) v primerni obliki za analizo pa se uporabljajo skladišča podatkov. Podatki se tukaj ne spreminjajo več (kot v OLTP) ter se periodično posodabljajo oz. prenašajo (ETL proces) iz drugih virov. Podatki so organizirani v preprosti strukturi, primerni za večdimenzionalno analizo. Zbrani podatki v skladišču podatkov so koristni le, ko jih uporabimo. OLAP je tehnologija, ki omogoča odjemalčevim aplikacijam dinamičen, zmogljiv, hiter dostop do podatkov v podatkovnem skladišču ter njihovo večdimenzionalno predstavitev. Podatki so organizirani z kocko, dimenzijami in merami. Teoretične osnove OLAP sistema sem praktično prikazal na dejanski rešitvi podjetja Metal Ravne. Opisal sem kocko »prodaja« za analizo prodaje od skupaj 27 kock. Za implementacijo rešitve v podjetje so uporabili Microsoftov programski produkt SQL Server 2000 Analysis Services. SQL Server 2000 je strežnik, kjer je nameščeno skladišče podatkov. Skladišče podatkov (preprosta relacijska zvezdasta struktura) skrbi za integriteto, točnost, zanesljivost podatkov, ki jih v podjetju analizirajo s pomočjo orodja OLAP, ki je nameščeno na strežniku Analysis Services. Na njem je shranjena kopija podatkov iz skladišča (MOLAP način shranjevanja). Vir podatkov, od koder se prenašajo podatki v podatkovno skladišče, je IBM-ova relacijska baza DB2/VSE. Strežnik Analysis Services lahko dostopa do relacijskih baz podatkov Oracle, DB2, Access itd, tudi brez posredovanja SQL Server-ja 2000. V podjetju so ugotovili, da brez postavitve skladišča podatkov pri tako veliki količini podatkov enostavno ne gre. Kot odjemalec na osebnih računalnikih, ki omogoča dostop zaposlenim do kock na Analysis Services, se kot najoptimalnejši uporabljata Excel 2002 ter v podjetju izdelana spletna tehnologija, ki omogoča dostop do kock preko Internet Eksplorer-ja. Z uvedbo omenjene tehnologije v podjetje Metal je postalo odločanje znatno hitrejše. Povečala se je uspešnost servisiranja zaposlenih s kvalitetnimi informacijami ter

52

fleksibilnost poročil, kar je bil tudi povod za uvedbo OLAP sistema. OLAP sistem se uspešno uporablja v okviru celotnega podjetja tako na ravni vodstva, ki zahteva ažurne informacije v zvezi z ključnimi indikatorji uspeha, kot tudi uporabniki, ki izdelujejo poročila na ravni urejevalnika preglednic. Vseskozi je obstajala bojazen ali bo sistem prijazen, razumljiv do uporabnika, ki nima zahtevnega računalniškega znanja ter ali bo učinkovit in sprejet s strani uporabnikov? Izkazalo se je, da so ga uporabniki sprejeli in so zadovoljni. S pomočjo statistike kreiranja poizvedb smo izvedeli, da se sistem OLAP precej pogosto uporablja pri delu zaposlenih. Pri statistiki povezave na intranetu je prav tako področje OLAP na vrhu mreže tik pod področjem, ki je namenjeno vodstvu (tekoča problematika). Vse to je tudi posledica skrbnega načrtovanja sistema, skupinsko delo ter primerna predstavitev sistema vsem udeležencem, ki jih sistem zadeva. Odločitev podjetja, da sami postavijo sistem OLAP se je izkazala kot pravilna. V letu 2005 so ugotavljali ceno storitve, če »kocko« izdela zunanje podjetje. Povprečna cena izdelave kocke (zelo preprosta struktura z npr. tremi dimenzijami: kupci, trg, čas) je nekje okrog 9.000 EUR. Za podjetje Metal Ravne tako z grobim in posplošenim izračunom pridemo do vrednosti najmanj 200.000 EUR. V primerjavi z ocenjeno vrednostjo je cena programske opreme, ki jim omogoča OLAP, zanemarljiva. Na področju OLAP v podjetju Metal Ravne se neprestano nekaj dogaja in se najverjetneje bo tudi v prihodnje. Pravkar pripravljajo nove kocke za račune in naročila investicij. Ker bo SIT nadomestil EUR se vsi preračuni (calculated cell) na osnovi SIT počasi ukinjajo. Prav tako se spreminjajo stolpci v tabelah dejstev. Če se v podjetju na hitro ozrejo nazaj v leto 2002 na zametke OLAP-a in jih primerjajo s širino možnosti uporabe, ki jo imajo uporabniki na voljo v tem trenutku, je več kot očitno, da gre za precej velik preskok.

53

6 POVZETEK V diplomski nalogi obravnavam problem organizacij, kako odkriti koristne informacije iz ogromnih transakcijskih baz podatkov. Takšne informacije so podlaga za sprejemanje pravilnih odločitev (analiziranje), pomembnih za doseganje poslovnih ciljev podjetja. Sistemi za podporo odločanja oz. orodja poslovnega obveščanja zagotavljajo hitro, fleksibilno ter enostavno analizo ogromne količine podatkov. V nalogi predstavljam sistem OLAP ter podatkovno skladišče kot dve pomembni komponenti poslovnega obveščanja, ki so ju uvedli tudi v podjetje Metal Ravne. V uvodnih poglavjih sem opisal teorijo sistemov za podporo odločanja, pojem poslovno obveščanje, podatkovno skladišče ter sistem OLAP. Skladišča podatkov se uporabljajo za zbiranje ter hrambo zgodovine podatkov podjetja ter zagotavljajo, da so podatki točni, popolni, zanesljivi ter v primerni strukturi in obliki za poročanje in analiziranje. OLAP je tehnologija, ki omogoča fleksibilen, zmogljiv, hiter dostop do podatkov v podatkovnem skladišču ter njihovo večdimenzionalno predstavitev. Podatki so organizirani s kocko, dimenzijami in merami. V tretjem poglavju pa sem omenjeno teorijo prikazal na praktičnem primeru uvedbe sistema OLAP v podjetje Metal Ravne, d.o.o. Ključne besede: sistemi za podporo odločanja, poslovno obveščanje, podatkovno skladišče, OLTP, OLAP. The thesis is the organization's problem is the how to find useful information from the huge transaction databases. Such information is the basis for good decision making (analysis) which are important to reach business goals. Decision support systems or Business Inteligence tools make analyzing huge amounts of data fast, flexible and easy. In the present work I am explaining the OLAP system and data warehouse as two important components of Business Inteligence, which is also set up in Metal Ravne, d.o.o. The initial chapter describes the theory of Decision support systems, concept of Business Inteligence, data warehouse and OLAP system. Data warehouse is a database that collects and stores an organization's historical data, which must be consistent, complete, reliable and organised to hold information structured and formated which best supports reporting and analysis. OLAP is a technology, the purpose of which is to make access to data in data warehouse flexible, efficient, fast and assures its multidimensional presentations. Data is organised with cube, dimensions and measures. In chapter 3 I present the previously mentioned theory on a practicall example of OLAP system set up in Metal Ravne, d.o.o. Key words: Decision support system, Business Inteligence, Data warehouse, OLTP, OLAP.

54

7 LITERATURA

1. Altmann, Brian. (21.1.2003 ). Introduction to OLAP, [Online] URL: http://www.geocities.com/brianaltmann/olaptopic-intro.html [6.3.06]

2. Babič, Matjaž. 2002. Analize in poročila OLAP kot del sistema za podporo odločanja. Diplomsko delo. Ljubljana: Ekonomska fakulteta

3. Bobek, Samo in Dušan Lesjak. 1993. Informatika za Ekonomiste. Maribor: Ekonomsko poslovna fakulteta.

4. Comstock, Norman. 2002. 7 Habits of Highly Effective OLAP Development Teams, [Online] URL: http://www.intelligententerprise.com/print_article_flat.jhtml?article=/020114/502feat3_1.jhtml [6.3.06]

5. Freeze, Wayne S. 2000. Unlocking OLAP with Microsoft SQL Server and Excel 2000. NY: IDG Books World Wide, Inc.

6. Golob, Izidor in Welzer, Tatjana.2001.Arhitekture podatkovnih skladišč.Arhiv referatov na posvetovanju Dnevi slovenske informatike 2001. Slovensko društvo informatika [Online] URL: http://www.drustvo-informatika.si/dogodki/arhiv/dsi2001/ [15.3.06]

7. Gradišar, Miro in Gortan Resinovič. 1998. Informatika v Organizaciji. Kranj: Moderna organizacija.

8. Greenfield, Larry. 2005. A defenition of Data Warehousing. The Data Warehousing Information Center. [Online] URL: http://www.dwinfocenter.org/ [15.3.06]

9. IBM.2006.DB2 Server for VSE&VM [Online] URL: http://www-306.ibm.com/software/data/db2/vse-vm/features.html#Header_21 [27.3.06]

10. Inmon, W.H. 1996. Building the Datawarehouse. Second Edition. Canada: John Wiley&Sons. Inc.

11. Inštitut za informatiko. 2002. Gradiva za vaje. OLAP (On-line Analytical Processing). Maribor: Fakulteta za elektrotehniko, računalništvo in informatiko.

12. Iseminger, David. 2001. Microsoft Analysis Services. Washington: Microsoft Corporation.

13. Jacobson, Reed. 2000. Microsoft SQL Server 2000 Analysis Services, step by step. Washington: Microsoft Corporation

14. Jagarinec, Darko (12.12.2005). Operacije v OLAP-u. Moj Mikro [Online], 13 odstavkov. URL: http://www.mojmikro.si/articles/mi12_80-81%20podatkovne.pdf [5.6.06]

15. Kimball, Ralph 1998. The Data Warehouse Lifecycle Toolkit. New York: John Wiley&Sons. Inc.

16. Lalič, Robert. 2005. Vpeljava sistema OLAP v podporo obveščevalnemu in analitičnemu delu policije na področju prepovedanih drog. Specialistično delo. Ljubljana: Ekonomska fakulteta.

17. Laudon, Kenneth C. in Jane P. Laudon. 2000. Management Information System. Sixth edition. New Yersey: Prentice-Hall. Inc.

18. MSDN. 2006a.Handling Data Integrity Issues in Analysis Services 2005 [Online] URL:

55

http://msdn.microsoft.com/sql/bi/analysis/default.aspx?pull=/library/en-us/dnsql90/html/as2k5dataintegrity.asp [10.4.06]

19. MSDN. 2006b. SQL Server 2000 Data Warehouse and OLAP Components [Online] URL: http://msdn.microsoft.com/library/?url=/library/en-us/architec/ar_dts_whs_82nn.asp?frame=true [9.8.06]

20. MSDN. 2006c. Transforming OLTP Data to OLAP Data Warehouses [Online] URL: http://msdn.microsoft.com/library/default.asp?url=/library/en-us/architec/ar_dts_whs_7cbq.asp [10.8.06]

21. Pahor, David. 2002. Leksikon računalništva in informatike. Ljubljana: Založba Pasadena

22. Pearson, William (3.9.2002). Introduction to SQL Server 2000 Analysis Services. Creating our first cube [Online] URL: http://www.databasejournal.com/features/mssql/article.php/10894_1429671_3 [19.6.06]

23. Pendse, Nigel. 2006. The OLAP report. [Online] URL: http://www.olapreport.com/Comment_Microsoft.htm [6.3.06]

24. Pernat, Uroš. 2004. Podatkovna skladišča in OLAP na področju CRM. Diplomsko delo. Maribor: Ekonomsko-poslovna fakulteta

25. Sauter, Vicki. 1997. Decision Support Systems. Canada: John Wiley & Sons, Inc.

26. SDG Computing.2005.The Business Intelligence and Data Warehouse glosarry [Onlne] URL: http://sdgcomputing.com/index.htm [22.6.06]

27. Sturm, Jake. 2000. Data Warehousing with Microsoft SQL Server 7.0 Technical Reference. Washington: Microsoft Corporation.

28. Šmid, Tomaž. 2002. Uporaba računalniškega govora in transforamcije naravnega jezika v MDX sintakso pri kreiranju večdimenzijskih poizvedb iz velikih skladišč podatkov. Magistrsko delo. Ljubljana: Ekonomska fakulteta

29. Torsten Priebe. Gunther Pernul: A Pragmatic Approach to Conceptual Modeling of OLAP Security, 2001 [Online] URL: http://www-ifs.uni-regensburg.de/PDF_Publikationen/PrPe01b.pdf [27.3.06]

30. Wang Lingy, Sushil Jajodia, Duminda Wijesekera. Securing OLAP Data Cubes Against Privacy Breaches, 2004 [Online] URL: http://www.cs.cornell.edu/People/egs/syslunch-fall04/OLAP.pdf [27.3.06]

31. Žižmond, Egon. 1998. Kako nastane pisno delo. Maribor: Ekonomsko-poslovna fakulteta.

8 VIRI

1. IBM Corporation. Integrated Marketing Communications. Server Group. 2004. IBM@Server zSeries 890

2. IBM, DB2. 2001. Universal Database. Business Intelligence Tutorial. Version 7, 3. Interna projektna naloga podjetja za potrebe uvajanje, 4. Izpisi iz OLAP sistema (MS Analysis Services) 5. Marketinški dokumenti podjetja za predstavitev podjetja

56

6. Nova vizija. OLAP analitične rešitve. [Online] URL: http://www.vizija.si/pdf/ProPIS-OLAP.pdf [28.7.2006]

7. Spletna stran podjetja [ URL: http://www.sz-metal.si/ ] 8. SRC.SI Sistemske integracije. 2006. Poslovno obveščanje [Online] URL:

http://www.src.si/resitve/poslovnoobvescanje/default.asp [26.7.2006] 9. Wikipedija. Open Encyclopedia. 2006. [Online] URL: http://open-

encyclopedia.com 10. Zapiski predavanj pri predmetu Računalniška podpora Managementa

57

9 SLOVARČEK TUJIH IZRAZOV Ad hoc query – poizvedba, ki ni vnaprej predvidena Additive – aditivne meritve, ki jih lahko združujemo ali sumiramo Aggregation/s – združevanje / agregati Bottom-up – »od zgoraj navzdol« Business Inteligence (BI) – poslovno obveščanje Cell-level security – varnost na nivoju celic Conformed dimension – skladna dimenzija Constraint violation – kršitev pravila relacije Constraints – veze Data Marts – podatkovni trgi Data mining – podatkovno rudarjenje Data Transformation Services (DTS) – MS komponenta za prenos podatkov, omogoča ETL Data Warehouse (DW) – podatkovno skladišče Data Warehousing – podatkovno skladiščenje Decision Support Systems – sistemi za podporo odločanja Drag-n-drop operation – operacije, kjer elemente povlečemo in spustimo Drill-down – vrtanje v globino Drill-through – vrtanje skozi Dynamic HTML (DHTML) – tehnologija za kreiranje interaktivne in animirane spletne strani. Podpira spletne standardne tehnologije HTML, Javascript,… Enterprise Information Systems (EIS) – direktorski informacijski sistemi Executive Support Systems – direktorski informacijski sistemi Expert systems – sistemi za podporo znanja Extract, transform and load (ETL) – zajem, transformacija in polnjenje Group Support Systems – sistemi za podporo dela v skupini Hybrid OLAP (HOLAP) – hibridni OLAP, ki shranjuje vhodne podatke v relacijski bazi, agregacije pa v večdimenzionalni Hypercube – n-dimenzionalna kocka Inconsistent Relationship – nezdružljiva povezava Knowledge – znanje Levels – nivoji Management Information System – upravljalni sistemi Measures/facts – mere/dejstva Multidimensional Expressions (MDX) – večdimenzijske izjave za poizvedovanje v večdimenzionalnih bazah Multidimensional OLAP (MOLAP) – večdimenzionalni OLAP, ki shranjuje vhodne podatke in agregacije v OLAP kockah Nest – gnezdenje On-line Analytical Processing (OLAP) – sprotna analitična obdelava podatkov On-line Transaction Processing (OLTP) – sprotno obdelovanje transakcij Permissions – pravice Pivot table – vrtilna tabela

58

Pivoting – vrtenje Raw-data – neobdelani podatki (najnižji nivo) Real-time cube – kocka v realnem času Relational Database Management System (RDBMS)– sistemi za upravljanje relacijskih baz podatkov Relational OLAP (ROLAP) – relacijski OLAP, ki shranjuje vhodne podatke in agregacije v relacijski bazi Reporting system – poročevalni sistem Response time – odzivni čas Roll-up – združevanje podatkov v višje nivoje Rules – vloge Slice and dice – rezanje in kockanje Snow-Flake shema – snežinkasta podatkovna struktura/shema Spreadsheet – preglednica Star schema – zvezdasta podatkovna struktura/shema Structured Query Language (SQL) – sestavljeni jezik za poizvedbe The lowest level member – člani najnižjega nivoja Transaction Processing Systems – izvajalni sistemi Virtual Office – sistemi za avtomatizacijo pisarniškega dela What-if analysis – analiza kaj-če Write-back – pisanje v kocko