2005-10-13 Gk/ÖK:ITO, gj 1

Informationsarkivering för operativ

och strategisk verksamhet

F5

2005-10-13 Gk/ÖK:ITO, gj 2

Arkiveringsperspektiv

• Operativa databaser– Används för att arkivera information som

används för att utföra dagligt arbete och att fatta beslut som har med det dagliga arbetet att göra

• Strategiska databaser– Används för att arkivera information som

behövs för att kunna fatta strategiska beslut dvs. beslut på längre sikt

2005-10-13 Gk/ÖK:ITO, gj 3

Dagens föreläsning• Arkivering av information för strategiska

ändamål– Beslutsfattande, Data Warehousing, Data

Warehouse, Datamining• Kunskapshantering• Arkivering av information för operativa ändamål

– Informationsbehov, databas(er), DatabaseManagement System, datamodellering, E-R diagram

• SQL– Insert, update, delete, select

2005-10-13 Gk/ÖK:ITO, gj 4

Strategisk informationsarkivering

2005-10-13 Gk/ÖK:ITO, gj 5

Beslutsprocessen

Intelligence

- Samla och analysera data om problemet

Problemlösning

Design

- Skapa alternativ, skapa kriterier för utvärdering, utvärdera resultat av alternativ

Choice

- Välj prioriterat/optimalt alternativ

Implementation

-Informera om beslut, genomför valt alternativ

Hitta problemet

Resultat

Precisera problemet

2005-10-13 Gk/ÖK:ITO, gj 6

Beslutsteorier – om hur beslut gårtill/bör gå till

• Satisfactory – tillräckligt bra alternativ väljs i stället för ett optimalt alternativ (rationality)

• (Carbage can – lösning kan söka problem i stället för tvärtom)

• (Political model – beslut som fattas beror påkompromisser mellan grupper)

2005-10-13 Gk/ÖK:ITO, gj 7

Alters definition av beslutsstödssystem

• ”Beslutsstödssystem är ett interaktivt informationssystem som tillhandahåller information, modeller, datamanipuleringsverktyg för att stödja beslutsfattande i semistrukturerade och ostrukturerade situationer när ingen vet exakt hur beslut ska tas”

2005-10-13 Gk/ÖK:ITO, gj 8

Data warehousing arkitektur

Query/Reporting

ExtractConsolidationFilteringCleansingTransformationAggregationUpdating

Serve

Data warehouse

External källor

Data marts

Analysis/OLAP

Falö aöldfflaöd aklödfalö alksdf

Data mining

Productt Time1 Value1 Value11

Product2 Time2 Value2 Value21

Product3 Time3 Value3 Value31

Product4 Time4 Value4 Value41

Operational DBs/TPS/OLTP

SlutanvändarverktygBusiness Intelligence tools

Data staging areaETL process (Extract, Transform, Load)

”The data warehouse”OLAP servers

Transaktionssystem (TPS) som sköter den dagliga verksamheten + externa källor

OLAP servers

OLAP servers

2005-10-13 Gk/ÖK:ITO, gj 9

Mer om DW

• Data som lagras i ett data warehouse laddas nedperiodiskt från transaktionsdatabaser, och laddas i en separat databas som ofta finns på en separat dator ochsom använder en speciell OLAP-server

• Genom att ha ett DW undviker man att störatranskationssystemens dagliga verksamhet

• Möjliggör strukturering av data så att användare kanfå snabba svar (stjärnstrukturer och kuber)

2005-10-13 Gk/ÖK:ITO, gj 10

Varför behövs ett DW?

DBMSDB

DBMSDB

DBMSDB

DBMSDB

End userapplication A

End userapplication B

End userapplication C

Det finns behov av att samla data som finns utspridd på flera databaser/IT-system – som underlag för strategiska och taktiska beslut

2005-10-13 Gk/ÖK:ITO, gj 11

Alters definition av DW

“Ett data warehouse (datalager) är en kombination av en databas och en mjukvara som är utformad för att stödjaverksamhetsanalys och beslutsfattande påledningsnivå snarare än att stödja minut till minut-processande avverksamhetstransaktioner”

2005-10-13 Gk/ÖK:ITO, gj 12

Vad är OLAP?Akronym för “On-line Analytical Processing”

OLAP-system fanns redan på 1970-talet, innan det talades om data warehousing. Idag är OLAP nära knutet till data warehousing.Kända OLAP-system idag är Hyperions “Essbase”, Cognos“PowerPlay”, IBMs “DB2 OLAP Server”, Microsofts “Analysisservice”.

OLAP är ett beslutsstödssystem som stödjer ad-hoc frågor (frågorsom formuleras beroende av aktuell kontext), vilket möjliggör för organisationsledning och analytiker att interaktivt manipulera data

Idén är att låta användare enkelt och snabbt manipulera och visualisera data genom multidimensionella vyer, det vill säga ur olika dimensioner eller perspektiv

2005-10-13 Gk/ÖK:ITO, gj 13

Spreadsheet (kalkylblad) output från OLAP-verktyg

mounthquarter

productproduct group

officeregion Dimensioner/Vyer

Product Group Region First Quarter - 1997Group A ABC 1245Group A XYZ 34534Group B ABC 45543Group B XYZ 34533

Column headers(join constraints)

Column header(application constraint) Answer set representing

focal event

Row headers

Fakta

Dimensioner/Vyer

2005-10-13 Gk/ÖK:ITO, gj 14

Kuben: “multidimensionell” vy av data

En populär konceptuell modell som influerat utformning av:

• slutanvändarverktyg (OLAP-klienter)

• modellering av databasschema (dimensionell modellering)

2 300

200

130

The data cube:

5 024

2005-10-13 Gk/ÖK:ITO, gj 15

Spreadsheets:

quar

ter

office

service

2 300

200

130

The data cube:

5 024

office

130

service

quar

ter

5 024

2 300

200

Kuben: “multidimensionell” vy av data

- Numeriska fakta (e.g. antal, summa) beror på en mängd dimensioner/vyer/perspektiv

2005-10-13 Gk/ÖK:ITO, gj 16

Dimensional modelling - Star-join schema

Service used

Telephone calls

Time

Office DimensionCustomer

- service name- service group

- date- month- quarter- year

- customer name- address- region- income group

- seller name- office

- sum ($)- number of calls

2005-10-13 Gk/ÖK:ITO, gj 17

Dimensional modelling - Star-join schema

Date/Key Month Quarter Year991011 9910 4 - 99 99991012 9910 4 - 99 99

Key Customer Address RegionIncomegroup

C210 Anna N Stockholm Stockholm BC211 Lars S Malmö Skåne BC212 Erik P Rättvik Dalarna CC213 Danny B Stockholm Stockholm AC214 Åsa S Stockholm Stockholm A

Key ServiceServicegroup

S1 Local call Group AS2 Intern. call Group AS3 SMS Group BS4 WAP Group C

Key Seller OfficeF11 Anders C SundsvallF12 Lisa B SundsvallF13 Janis B Kista

Service Dimension Time Dimension

Office DimensionCustomer Dimension

Fact table - Transactions

SumNumberof calls

C210 S1 F11 991011 25:00 3C210 S3 F11 991011 05:00 1C212 S2 F13 991011 89:00 1C213 S1 F13 991011 12:00 1C214 S4 F13 991012 08:00 1

2005-10-13 Gk/ÖK:ITO, gj 18

Två star-join scheman

Service

Calls

Office

Quarter

Service

Subscription

ordersOffice

Quarter

Customer

Customer

Data Mart A

Data Mart B

Data Warehouse = Data Mart A + Data Mart B

2005-10-13 Gk/ÖK:ITO, gj 19

Alters definition av data mining

• ”Data mining är användning av dataanalysverktyg för att finna mönster i stora transaktionsdatabaser”

• Särskilda algoritimer används för att hitta dessa mönster

2005-10-13 Gk/ÖK:ITO, gj 20

Regression

• Vid regression försöker hitta en linje eller kurva genom en mängd data, se figur

Ålder

X X XX XXX

XX X X

XX XX XXX

X X X

Lönsamma kunder

2005-10-13 Gk/ÖK:ITO, gj 21

”Klustring”

• ”Klustring” identifierar grupperingar

• Ett kluster är en grupp av objekt som grupperas tillsammans på grund av likheter, till exempel likartat beteende

Skulder

X X

XXX X

X X

XX

X X X

X X X

XLönsammakunder!

Inkomster

2005-10-13 Gk/ÖK:ITO, gj 22

Kunskapshantering

2005-10-13 Gk/ÖK:ITO, gj 23

Tyst och explicit kunskap

Tyst och explicit kunskap kräver olika former av kunskapshantering och kunskapshanteringssystem

• Tyst kunskap – är kunskap förstådd och tillämpad omedvetet. Erhålls och delas genom erfarenhet och social interaktion

• Explicit kunskap – är kunskap precist och formellt artikulerad. Ofta kodifierad som går att spara i dokument och databaser. Mera oberoende av individen

2005-10-13 Gk/ÖK:ITO, gj 24

Principer att hålla i minnet

• Den viktigaste kunskapen är tyst kunskap• Tyst kunskap utbyts bäst genom

personlig interaktion• Allt arbete är ”kunskapsarbete" i dagens

ekonomi• Organisationer förlorar kunskap när de

människor slutar

2005-10-13 Gk/ÖK:ITO, gj 25

Mål med kunskaps-hanteringssystem

Kunskapshanteringssystem är kommunikationssystem som ska underlätta delande av kunskap, snarare än information

2005-10-13 Gk/ÖK:ITO, gj 26

Operativ informationsarkivering

2005-10-13 Gk/ÖK:ITO, gj 27

Mina vänners intressen

2005-10-13 Gk/ÖK:ITO, gj 28

Informationsbehov?

• Jag vill gå på aktivitet X, vem av mina vänner skall jag be om att följa med?– Informationsbehov;

• det som jag behöver känna till om mina vänner för att kunna välja ut rätt vän att kontakta för att gå påaktivitet X.

• Var hittar jag den informationen?

2005-10-13 Gk/ÖK:ITO, gj 29

Entitet (företeelse)• Entitet; något som jag behöver information

om

AktiviteterVänner

2005-10-13 Gk/ÖK:ITO, gj 30

Vad behöver jag veta om en entitet?

AktivitetVän

NamnGatuadressPostnrPostorttelnr

namnExKalle

ExTennis

samband

2005-10-13 Gk/ÖK:ITO, gj 31

Var hittar jag informationen ?

Böcker(tabeller i en databas)

Bibliotek (databas)

Bibliotekarie (DBMS)(DataBase Management System)

Bok (fil) Bokhyllan(filhanteringssystem)Bok

Ej dator

Bokhylla

Dator

Dator

2005-10-13 Gk/ÖK:ITO, gj 32

Databas

• En samling strukturerad data som har samlats och som kontrolleras av en dator och det innebär att en dator även måste användas för att fååtkomst till data

2005-10-13 Gk/ÖK:ITO, gj 33

DataBase Management System (DBMS)

• Det är ett antal integrerade program som används för att definiera, uppdatera och kontrollera databaser.;

• lägga in ny data• ändra i data• radera data• hämta data

2005-10-13 Gk/ÖK:ITO, gj 34

Bibliotek kontra databas• Bibliotek

– Kategoriserad• Ämnesområden t.ex.

biologi

– Sorterad• Författarenamn t.ex. Karin

Wahlberg

• Databas– Kategoriserad

• Företeelser som man behöver samla in information om t.ex. människor

– Sorterad• Primär nyckel t.ex.

personnummer

2005-10-13 Gk/ÖK:ITO, gj 35

Definiera och organisera data i en databas

• Teknik; – Datamodellering(variant av konceptuell modellering)

• Resultat;– Entity-Relationship (E-R) Diagrams,

datamodeller(exempel på ett konceptuellt schema eller en konceptuell modell)

2005-10-13 Gk/ÖK:ITO, gj 36

Data modellering

1. Vilka företeelser (entiteter) behöver man information om?

2. Vilken information måste databasen innehålla för varje företeelse (entitetstyp)?

3. Vilka relationer finns det mellan de olika företeelserna (entiteterna)

2005-10-13 Gk/ÖK:ITO, gj 37

Vändatabas• E-R modell (diagram) som innehåller den

information som du behöver för att hitta rätt vän för att besöka aktivitet X.

• E-R diagrammet behöver innehålla information om– Vänner– Aktiviteter– Vilka aktiviteter som mina vänner deltar i

2005-10-13 Gk/ÖK:ITO, gj 38

EntitesbeskrivningEntitetsnamn

Attribut 1 Attribut 2Attribut 3etc

Databas deklaration behöver dessutomför varje attribut:typ av tecken t.ex. bokstäver, talAntal tecken per typ, tex. 30

Medlem

medlemsnr num 6fnamn anum 20enamn anum 30gadr anum 40postnr num 5postadr anum 10

Primär nyckel

2005-10-13 Gk/ÖK:ITO, gj 39

E-R diagram

Kardinalitet

Entitetsnamn

Attribut 1 Attribut 2Attribut 3etc

Entitetsnamn

Attribut 1 Attribut 2Attribut 3etc

Entitet

namn

Elev:

Tex Kalle, LisaRelation Elev:

KalleLärareTex Gudrun

2005-10-13 Gk/ÖK:ITO, gj 40

RelationstyperM:1-relation

Medlem Avgift

Sport

betalar

tränarM:M-relation

1:1-relationer

Kontaktperson

har

2005-10-13 Gk/ÖK:ITO, gj 41

Upplösning av M:M-relation

Medlem Avgift

Sport

betalar

medlemsnr avgiftsnr

sportdeltagare

PrimärNyckel

Medlemsnrsportnrsportnr

2005-10-13 Gk/ÖK:ITO, gj 42

Realisering av relation i tabellerna

medlem

medlemsnr

Avgift

avgiftsnrModell:

Avgift

avgiftsnr

medlem

medlemsnrtabeller:

avgiftsnr

Främmande nyckel:realiserar relationen mellan två olika entiter

2005-10-13 Gk/ÖK:ITO, gj 43

Vad behöver jag veta om en entitet?

AktivitetVan

vannrfnamnenamngadrpostnrmtelnr

aktnraktnamn

2005-10-13 Gk/ÖK:ITO, gj 44

Databas Vänner(E-R diagaram/Databasmodell)

Vanvannrvnamnvnamnvadrpostnrmtelnr

Aktivitet

aktnraktnamn

Van/akt

Vannraktnr

2005-10-13 Gk/ÖK:ITO, gj 45

Tabellbeskrivning av en entitet

Medlem

Medlemsnr fnamn eman gdr postnr postadr

10001 Eva Åström Storg 1 91436 Åby10002 Per Älvström Byg 1 72048 Åre10003 Lotta Byström Gåg 10 34091 Hjo

PostInstansobjekt

Entitetstypattribut

2005-10-13 Gk/ÖK:ITO, gj 46

Olika typer av databaser

• Lagringen av data– Hierarkiska

databaser– Nätverksdatabaser– Relationsdatabaser– Objektorienterade

databaser– Multidimensionella

databaser

• Typ av data – Geografiska databaser– Textdatabaser– Bilddatabaser– Hypertextdatabaser