UNIVERZA V MARIBORU EKONOMSKO-POSLOVNA FAKULTETA

MARIBOR

DIPLOMSKO DELO

ANALIZA IN POROČILA OLAP KOT DEL SISTEMA ZA PODPORO ODLOČANJU

Študent: Janez Miklavčič Naslov: Planina 164, 6232 Planina Št. Indeksa: 80022253 Izredni študij Program: 3/RSTR-R Študijska smer: podjetniška informatika Mentor: mag. Miro Petrič

Planina, junij 2007

2

PREDGOVOR Vsi se zavedamo pomembnosti informacij v vsakdanjem življenju. Za podjetje imajo odločilen pomen na vsakem koraku. Vse hitrejši razvoj spleta in tehnologij elektronskega poslovanja nas je popeljal v dobo nove ekonomije. Elektronsko poslovanje prek spleta pospešuje povezovanje med geografsko oddaljenimi organizacijami in s tem omogoča globalizacijo - poslovanje po celem svetu in internacionalizacijo – poslovanje prek meja posameznih držav. Značilnosti nove ekonomije so prepoznavne na vseh korakih našga življenja, med drugim tudi v širši globalizaciji poslovanja, v odpiranju in povezovanju trgov, kjer na eni strani vlada želja po sodelovanju vseh udeležencev v procesu poslovanja, na drugi strani pa velika konkurenčnost. Za podjetja se s tem odpirajo nove možnosti in obenem tudi težave, ki jih bodo morale premagati, da se bodo lahko uspešno vključevale v nove načine poslovanja. Ker se je Slovenija v letu 2004 vključila v Evropsko unijo, so ti dejavniki zelo pomembni tudi za slovenska podjetja, saj so vse bolj vpeta v mednarodno poslovanje in s tem pod pritiskom zagotavljanja konkurenčnosti na globalnem trgu. Informacijska in komunikacijska tehnologija po vsem svetu spodbujata novo industrijsko revolucijo, zasnovano na informaciji, ki je sama po sebi izraz človeškega znanja. Tehnološki napredek omogoča pridobivanje, obdelavo in posredovanje informacij v kakršnikoli obliki, brez geografskih, časovnih in količinskih omejitev. Široka razpoložljivost novih informacijskih orodij pomeni nove priložnosti za pridobivanje informacij in njihovo predelavo v znanje, ki je temelj današnje družbe. V zgodovini razvoja informacijskih sistemov je bil poudarek na operativnih sistemih in podatkih, ki so jih procesirali. V zadnjih desetletjih je razvoj računalništva preusmerjen na osebne računalnike in predstavljene so nove možnosti za poslovne analize. Uporabljati so se začeli sistemi, ki omogočajo shranjevanje in delo z informacijami, ki so pridobljene iz operativnih sistemov Diplomsko delo je zasnovano v dveh glavnih delih. V prvem delu bomo prikazali teoretične osnove skladišča podatkov kot najbolj opazne strukture v okviru sistemov za podporo odločanju. Kaj je podatkovno skladišče? Popolna definicija zahteva razlago več ključnih atributov sistema podatkovnega skladišča. Prikazal bom tudi dejavnike, ki so vplivali na razvoj podatkovnega skladišča. Opozoril bom predvsem na razloge, ki so vodili do ločitve podatkovnega skladišča od operativnega sistema. V drugem delu bom predstavil izgradnjo podatkovnega skladišča v podjetju Mercator in se dotaknil razlogov za njegovo gradnjo. Predstavil bom podatkovno skladišče blagovnega poslovanja, ki omogoča povezovanje različnih operativnih sistemov ter tako omogoča natančne informacije o poslovanju. Poudaril bom postopek transformacije podatkov, obrazložil osnovni dimenzijski model podatkovnega skladišča in njegove elemente. Opredelil bom tudi način generiranja agregatov in način dostopa do podatkov.

3

KAZALO 1. UVOD ........................................................................................................... 4

1.1. Opredelitev področja in opis problema .......................................................................4 1.2. Namen, cilji in osnovne trditve ...................................................................................5 1.3. Predpostavke in omejitve raziskave ............................................................................6 1.4. Predvidene metode raziskovanja ................................................................................7

2. SISTEMI ZA PODPORO ODLOČANJU..................................................... 8 2.1. Opredelitev sistemov za podporo odločanju ...............................................................8 2.2. Razvoj sistemov za podporo odločanju .......................................................................9 2.3. Prednosti in koristi SPO-ja ........................................................................................11 2.4. SPO v prihodnosti......................................................................................................12

3. TEHNOLOGIJA OLAP .............................................................................. 14 3.1. Uvod v tehnologijo OLAP.........................................................................................14 3.2. Lastnosti sistema OLAP v primerjavi s transakcijskim sistemom ............................14 3.3. Kratka razlaga osnovnih gradnikov tehnologije OLAP ............................................17

3.3.1. Meritve, dimenzije in kocke ..............................................................................17 3.3.2. Arhitektura sistema OLAP ................................................................................18 3.3.3. Zajemanje podatkov in polnjenje OLAP kock ..................................................19 3.3.4. Podatkovna struktura večdimenzionalnih kock.................................................21 3.3.5. Shranjevanje večdimenzionalnih podatkov .......................................................22

3.4. Učinkovita izdelava sistema OLAP...........................................................................24 4. IZDELAVA SISTEMA OLAP KOT DEL SISTEMA ZA PODPORO ODLOČANJU.................................................................................................... 27

4.1. Predstavitev podjetja Mercator, d. d..........................................................................27 4.2. Izhodišča zasnove podatkovnega skladišča...............................................................27

4.2.1. Izbira poslovnega procesa .................................................................................27 4.2.2. Nivo spremljanja poslovnega procesa ...............................................................30 4.2.3. Izbira dimenzij, ki se nanašajo na tabele dejstev...............................................30 4.2.4. Izbira merjenih dejstev ......................................................................................31 4.2.5. Ključni kazalci blagovnega poslovanja .............................................................33

4.3. Izgradnja podatkovnega skladišča .............................................................................35 4.3.1. Način gradnje podatkovnega skladišča .............................................................35 4.3.2. Polnjenje podatkovnega skladišča .....................................................................36 4.3.3. Agregiranje podatkov ........................................................................................37

4.4. Poizvedbe in poročila ................................................................................................38 5. SKLEP......................................................................................................... 41 6. POVZETEK S KLJUČNIMI BESEDAMI.................................................. 43 7. ABSTRACT WITH KEY WORDS ............................................................ 46 8. SEZNAM VIROV....................................................................................... 49

4

1. UVOD

1.1. Opredelitev področja in opis problema

Na trgu je vedno več konkurentov. Od sposobnosti hitrega reagiranja nanje je odvisen uspeh in obstoj posamezne organizacije. Zato je hitro dostopna informacija o poslovanju za vodilni menedžment ključnega pomena. Podjetja, ki lahko učinkovito organizirajo in zagotovijo dostop do podatkov o svojem poslovanju ter jih analizirajo, imajo veliko prednost. Analiza hiše Ernst&Young med 105 organizacijami kaže, da se je v organizacijah, ki so uporabljala informacije podatkovnega skladišča vsaj eno leto, izboljšalo trženje in izbira proizvodov za 49 %. S podatkovnim skladiščem razvija novo strategijo 45 % organizacij, 33 % pa jih trdi, da so s podatkovnim skladiščem povečale prodajo. Sedemintrideset odstotkov organizacij trdi, da so uspele s podatkovnim skladiščem povečati maržo, 33% organizacij pa je uspelo postopno znižati operativne stroške (Ernst&Young 1997, 9). Danes postajajo podatkovna skladišča orožje v bitki za zmanjševanje stroškov, povečanje maloprodajne marže in doseganje večjega tržnega deleža. Podatkovno skladišče se kot tehnološka rešitev tako kaže kot pomembna komponenta za vodenje oziroma za oblikovanje strategije podjetja. Omogoča analizo celotnega procesa oskrbe ter s tem hitrejše ukrepanje, proučevanje prodaje izdelkov in temu primerno prilagajanje oglaševanja izdelkov na trgu. Veliko trgovcev podatkovno skladišče uporablja za prodajo, oglaševanje in analiziranje navad in potreb kupcev. Živimo v svetu, ki je preobremenjen s podatki. Podjetja imajo ogromne baze podatkov, ki vsebujejo vse vrste podatkov, povezane s poslovanjem podjetja. Lahko si predstavljamo, koliko različnih šifer, številk, kontov in drugega vsebuje taka relacijska baza podatkov. Problem je seveda v tem, kako obvladovati vse te podatke oz. na kakšen način pridobiti koristne informacije, ki jih vodstvo, analitiki, manedžment in drugi potrebujejo za učinkovito odločanje. Ključ razumevanja poslovanja podjetja je boljša analiza podatkov o odjemalcih, dobaviteljih, zaposlenih, procesih in drugo. Brez poznavanja prednosti in slabosti podjetje ne more biti konkurenčno (Bidgioli, 1997). V poslovnih sistemih zbiramo velike količine podatkov, pa vendar imamo redne težave s poročili. Težave nastanejo takoj, ko delamo zahtevnejše analize, kjer na primer želimo pridobiti primerjave vsot ali povprečij za več let, rasti prodaje glede na mesece in kategorije izdelkov in podobno. Takšne analize so praviloma zamudne, večinoma zahtevajo tudi delno predpripravo podatkov. Obenem marsikdaj motijo poslovni proces, saj je priprava podatkov precej zahtevna. Dober sistem za podporo odločanju olajša strokovnjakom in vodilnim izvajanje analitičnih nalog na njihovih poslovnih področjih in jim omogoča interpretacijo informacij v njim prilagojeni obliki. Ob vsakem trenutku omogoča izdelavo poročil, katerih kriterije in predstavitev lahko uporabniki hitro prilagodijo glede na poslovne potrebe brez dragega poseganja informacijskih strokovnjakov.

5

Podatkovno skladišče je zbirka informacij iz podjetja, pridobljenih iz operativnih sistemov in podatkov iz zunanjih virov. Njihova specifična naloga je podpreti poslovne odločitve in ne poslovne operacije. Čeprav je koncept podatkovnega skladišča znan že več let, ga večina podjetij začenja uporabljati šele v novejšem času. Prava vrednost podatkovnega skladišča ni v zbiranju podatkov ampak v obvladovanju informacij ter njihovi predstavitvi pravim ljudem v najprimernejši obliki.

1.2. Namen, cilji in osnovne trditve Namen te diplomske naloge je predstavitev podatkovnega skladišča, ki zagotavlja podatke in informacije za kvalitetno odločanje. Pomemben razlog za razvoj podatkovnega skladišča je dosegljivost informacij, ki omogočajo pravočasno odkrivanje nepravilnosti v procesu razvoja, nabave in prodaje. Predstaviti želim vsebinsko osnovo podatkovnega skladišča na konkretnem primeru ter njegovo uporabnost za enotni informacijski sistem, uspešnost delovanja in organizacijo poslovanja podjetja Mercator. Strategija podjetja Mercator, d. d., je preobrazba v močno trgovsko podjetje. Eden ključnih pogojev za načrtovano preobrazbo je ustrezen informacijski sistem. Menim, da je za doseganje strategije pomembno podatkovno skladišče za blagovno poslovanje. V diplomski nalogi bom predstavil projekt »Podatkovno skladišče blagovnega poslovanja«. Cilj naloge je predstavitev:

• pridobivanja podatkov iz različnih virov ne glede na strojno in programsko opremo; • standardizacije registrov artiklov, blagovnih skupin kot osnove za enotni nabavni

promet v Mercatorju; • problema zagotavljanja nepodvojenih in točnih podatkov s pomočjo primerne

tehnološke infrastrukture ter reševanja učinkovitosti podatkovnega skladišča. Z nalogo želim nakazati potrebo po vključitvi podatkov iz TIS (transakcijski informacijski sistem) v podatkovno skladišče. Predstaviti želim možnost nadgradnje podatkovnega skladišča z vključitvijo tehnik rudarjenja podatkov, ki omogočajo odkrivanje trendov, ter analizo nakupovalnih navad naših kupcev. S tem bo podjetje Mercator vzpostavilo kvalitetnejšo povezavo s kupci. Potrebe nekaterih aplikacij so jasne. Na primer, komercialni sistem omogoča spremljanje materialnega poslovanja, nabavo, prodajo, skladiščnega poslovanja in drugo. Kadrovski sistem je namenjen zbiranju in obdelavi vseh vrst podatkov o zaposlenih (lastnosti, znanje, družinski člani in podobno). Kaj imajo ti informacijski sistemi skupnega? Vsi so taktične aplikacije, ki podpirajo določen poslovni proces v podjetju in omogočajo učinkovito zbiranje transakcijskih podatkov. So nujne za normalno poslovanje podjetja, saj omogočajo učinkovito opravljanje

6

vsakodnevnih opravil na operativnem nivoju. Vendar niso primerne za reševanje naslednjega vprašanja: »Kako lahko povečamo učinkovitost poslovanja?« Za iskanje odgovorov na zastavljeno vprašanje potrebujemo strateške aplikacije, ki omogočajo prikazovanje podatkov z višje perspektive. Zbrati morajo potrebne podatke o poslovanju, jih analitično obdelati in prikazati v takih oblikah, ki so razumljive vsem uporabnikom. Take aplikacije sestavljajo t. i. SPO (sistemi za podporo odločanju). Sprotna analitična obdelava ali OLAP (On-line Analytical Processing) je tehnologija, ki omogoča analitikom in managerjem hiter ter zanesljiv vpogled v podatke iz različnih zornih kotov. Obdela velike količine podatkov in uporabnikom v vsakem trenutku pripravi analize poslovnih procesov, ki so ključni vir strateških informacij pri procesu odločanja.

1.3. Predpostavke in omejitve raziskave V podatkovnem skladišču podatki niso namenjeni za operativne namene, ampak za analitične naloge: od identificiranja novih tržnih segmentov do uporabe znanja v podjetju. Analitični sistemi priskrbijo informacije, ki so potrebne za analizo problema ali situacije. Omogočajo primerjave z analiziranjem vzorcev in trendov. Njihove baze običajno ne vsebujejo tekočih podatkov, ampak podatke v določeni točki časa, ki jih potrebujejo analize. Take podatke imenujemo posnetke podatkov. Ideja o spremenljivih (tekočih) in nespremenljivih podatkih (v določeni točki časa) se nanaša na različno funkcionalnost operativnih in analitičnih sistemov. Med analitične sisteme prištevamo sisteme za pomoč pri odločanju in direktorske informacijske sisteme. Analitično procesiranje, ki vsebuje zelo obsežne poizvedbe (pogosto s pomočjo agregatov) in malo ali nič popravkov v bazi, se označuje kot sistem za podporo odločanju (decision support system) in je predhodnik podatkovnega skladišča, zato se podatkovno skladišče in sistem za podporo odločanju pogosto navezujeta drug na drugega. Veliko dela pri gradnji podatkovnega skladišča je namenjenega spoznavanju in razumevanju podatkov ter preverjanju njihove kvalitete. Velikokrat pa kvaliteta podatkov v podatkovnem skladišču posledično izboljša kvaliteto podatkov v operativnih sistemih. Podatkovno skladišče, ki ga bom poskušal predstaviti v svoji nalogi, je bil prvi poskus povezave poslovnih procesov spremljanja blagovnega poslovanja v podjetju. S standardizacijo postopkov pridobivanja podatkov, šifranta artiklov in blagovnih skupin, načina izračuna kazalcev blagovnega poslovanja in postopkov za izdelavo vpogledov v podatkovno skladišče smo zagotovili konsistentnost podatkov in poročanja vodstvenemu kadru. Na podlagi izkušenj, ki so bile pridobljene pri gradnji podatkovnega skladišča, navajam naslednja pomembna dejstva:

7

• Potrebna je skrbna priprava ter sodelovanje informatikov in uporabnikov. • Ključnega pomena je pomoč in vključitev menedžerjev pri zasnovi podatkovnega

skladišča. • Izbrana aplikacija naj bo na začetku majhna in obvladljiva. • Na začetku gradnje podatkovnega skladišča se je potrebno osredotočiti na dosegljive

cilje in zmožnosti. • Pomemben je prikaz rezultatov gradnje podatkovnega skladišča že v začetni fazi ter v

določenih fazah uporabe prototipa. • Z naraščanjem števila podatkov v podatkovnem skladišču se večajo potrebe po

zmogljivejši infrastrukturi. Tehnologija (strežniki, odjemalci, baza podatkov) in orodja sami po sebi ne naredijo podatkovnega skladišča, so pa nujni pogoj za njegovo postavitev.

1.4. Predvidene metode raziskovanja Pri tej diplomski nalogi gre predvsem za raziskave »za mizo«, saj je glavni način pridobivanja podatkov študij literature s tega področja, ki je na voljo v naših knjižnicah. Povedati je treba, da je literature, ki obravnava podatkovna skladišča veliko, in da prav zaradi tega predstavlja poseben problem izbira ožje teme. Uporabil bom tudi literaturo, ki je nastala v PS Mercator, d. d. Tema diplomske naloge se osredotoča na izvedbo podatkovnega skladišča v PS Mercator, d. d., ter na analize in poročila OLAP, ki izhajajo iz tega podatkovnega skladišča. V nalogi bom poskušal prikazati vpliv teh poročil na poslovno odločanje v Mercatorju ter na uspešnost poslovanja podjetja. Iz opisanega lahko ugotovimo, da gre za poslovno raziskavo, katere namen je prikazati delovanje podatkovnega skladišča, njegovo vpetost v informacijski sistem podjetja ter njegov pomen za obstoj in razvoj podjetja. Torej gre za statično raziskavo. Pri tem pa sem uporabil metodo deskripcije, ker gre v tem primeru za navajanje dejstev in stanj. Moj namen ni znanstveno tolmačenje in pojasnjevanje. Rad bi le poudaril pomembnost obravnavane tematike za poslovno uspešnost Poslovnega sistema Mercator. Dokazati bom poskušal, da je izdelava podatkovnega skladišča v Poslovnem sistemu Mercator priložnost za znižanje stroškov in krepitev oskrbovalne verige ter s tem izboljšanje konkurenčnega položaja na trgu.

8

2. SISTEMI ZA PODPORO ODLOČANJU

2.1. Opredelitev sistemov za podporo odločanju

SPO-ji spadajo med t. i. strateške aplikacije, ki zbirajo potrebne informacije o poslovanju, jih analitično obdelajo in prikažejo v takih oblikah, ki so razumljive vsem uporabnikom. Na ta način veliko pripomorejo k povečanju učinkovitosti poslovanja (Peterson, Pinkelman 2000, 948). SPO je računalniški informacijski sistem, sestavljen iz množice strojne opreme, programske opreme in ljudi. Izdelan je za pomoč vsakemu zaposlenemu, ki sodeluje v procesu odločanja na vseh organizacijskih nivojih. Poudarek je tako na strukturiranih kot na nestrukturiranih odločitvah (Bidgoli 1997, 282). Strukturirane odločitve so tiste odločitve, ki vsebujejo vnaprej definirane izmenične akcije. Informacijske potrebe so točne določene in rezultat je jasen. Nestrukturirane odločitve niso predvidljive in predhodno ne moremo določiti, katere informacije potrebujemo. Značilne so za najvišje vodstvo, kjer se odloča o zapletenih strategijah (Bidgoli 1997, 284). Namen SPO-ja je podpora pri procesu odločanja tako na operativnem kot na taktičnem in strateškem nivoju. Uporabniki so zaposleni v najvišjem, srednjem in operativnem menedžmentu. SPO vključuje notranje in zunanje podatke. Notranji vir podatkov predstavljajo transakcijski sistemi, ki generirajo podatke o poslovanju podjetja. Zunanji podatki pa so podatki raznih finančnih in državnih ustanov, ki na primer obravnavajo vrednosti obrestnih mer, bruto domačega proizvoda, populacijske trende in podobno. SPO običajno vsebujejo poizvedovalni jezik, zmožnost statističnega obdelovanja in prikazovanja v obliki preglednic ter grafikonov za lažje primerjanje in ovrednotenje omenjenih podatkov. Boljši SPO-ji podpirajo tudi izdelavo modelov, s katerimi proučujemo, kako določena spremenljivka vpliva na končno stanje (Shally, Cashman, Rosenblatt 1998, 110).

9

SLIKA 1: VODSTVENE RAVNI V PODJETJU

Vir: Koletnik, Kovač, Rozman 1993, 22. Informacijske sisteme delimo na šest kategorij: transakcijski sistemi, menedžerski informacijski sistemi (MIS), sistemi za podporo odločanju (SPO), direktorski informacijski sistemi (DIS), ekspertni sistemi in pisarniški sistemi (Shally, Cashman, Rosenblatt 1998, 110). Z današnjimi naprednimi aplikacijami je včasih izredno težko klasificirati sistem v eno od klasičnih kategorij. Veliko sodobnih sistemov kombinira oz. vsebuje operativno moč, zmožnosti MIS in SPO. Uporabniki vse bolj zahtevajo aplikacije, ki omogočajo lažje in učinkovitejše opravljanje njihovega dela. Zato so sistemski razvijalci prisiljeni izdelovati take aplikacije in sisteme, ki združujejo več različnih lastnosti. Opažam, da v praksi velikokrat prihaja do nasprotij pri poimenovanju in opredeljevanju sistemov. Izpostavil bi primer, ki se pojavlja v našem prostoru. Aktualno je izdelovanje in trženje t. i. »direktorskih informacijskih sistemov« (DIS). Po definiciji je DIS računalniški informacijski sistem, ki vodstvu omogoča dostop do notranjih in zunanjih podatkov na osnovi »ad-hoc« poročil in z zmožnostjo vrtanja v globino. Nanaša se na ključne faktorje uspeha za vodenje trenutnega in bodočega poslovanja (Bidgoli 1997, 292). Pojavljajo se podjetja, ki ponujajo in tržijo sisteme, ki generirajo poročila in razne analize za vse nivoje odločanja. V tem primeru so uporabniki ne samo vodstvo kot po definiciji, ampak tudi komercialisti, prodajni vodje in drugi. Poraja se vprašanje, ali je tako poimenovanje upravičeno ali pa gre zgolj za trženjski prijem, saj je DIS zelo posrečeno ime in ima veliko tržno moč.

2.2. Razvoj sistemov za podporo odločanju

Od leta 1990 so se na trgu uveljavile štiri ključne tehnologije za izdelavo sistemov za podporo odločanju. Prva tehnologija je skladiščenje podatkov, naslednji dve, ki sta sledili in sta nadgradili (dopolnili) prvo, sta OLAP in »data mining« (podatkovno rudarjenje). Četrta nova

10

tehnologija pa je spletna tehnologija, ki je doživela veliko zanimanje v teh letih, še večji odmev pa bo imela v prihodnosti. Vse te tehnologije ostajajo vroča tema v podjetjih in akademskih publikacijah (Shim 2002, 114). Skladišče podatkov je vsebinsko orientirana, integrirana in dolgotrajna zbirka zgodovinskih podatkov. Osnove izgradnje skladišča podatkov so izhajale iz potreb izboljšanja tehnologije baz podatkov. Leta 1970 je Codd predlagal relacijski model baze podatkov in ta koncept je imel velik vpliv tako na transakcijske sisteme kot na SPO. Ravno tako so Coddove specifikacije o standardih za OLAP imele velik vpliv na izdelovanje SPO. V zgodnjih 90. letih je obstajalo le nekaj skladišč podatkov. Delo Inmona, Devlina in Kimballa (Shim 2002, 115) je podprlo in pospešilo njihov koncept (rešitev) za integriranje podatkov iz različnih operativnih baz za analitične namene. Podjetja so se vse bolj odločala za izgradnjo svojega skladišča podatkov, vendar so se neprestano pojavljala vprašanja o uporabi relacijske ali večdimenzionalne podatkovne tehnologije za sprotno analitično obdelavo (OLAP). Obe podatkovni tehnologiji sta trenutno v uporabi, vendar se za večino podatkovnih skladišč uporablja relacijska struktura z zvezdasto shemo. Gradnja velikega podatkovnega skladišča vodi do povečanja zanimanja za analiziranje in uporabo zbranih zgodovinskih podatkov. Ravno tako tudi elektronsko poslovanje in upravljanje odnosov s strankami (angl. Customer Relationship Management – CRM) povečujeta povpraševanje po vse bolj analitičnih transakcijskih podatkih. Rešitev za analiziranje zgodovinskih podatkov je uporaba tehnologije OLAP. OLAP omogoča transformacijo velikega števila zapisov podatkov v realno dimenzijo podjetja, ki je uporabnikom razumljivo, ter hitro, intuitivno in interaktivno poizvedovanje. Orodja OLAP so v zadnjih nekaj letih postala zelo zmogljiva, vendar se za zahtevne analize vse bolj uporablja tudi tehnologija umetne inteligence in orodja pod skupnim imenom »data mining«. Pogosto se imenujejo tudi podatkovno raziskovanje, odkrivanje informacij in znanja, rudarjene po podatkih ... Ta orodja iz podatkov najdejo vzorce in modele ter iz njih povzamejo pravila. Hitro povečevanje števila sprotnih podatkov, ki izhajajo iz eksponentnega povečevanja aktivnosti zaradi svetovnega spleta in elektronskega poslovanja, je tudi pripomoglo k povpraševanju in nabavi teh orodij. Od začetka 21. stoletja je spletno okolje postalo zelo pomembno za razvoj SPO-jev kot platforma za dostavljanje orodij in informacij. Osnova spletne tehnologije je strežnik, ki uporablja Hypertext Transfer Protocol (http). Vsebuje spletne strani, ki so izdelane s Hypertext Markup Language (html) in Java Script ter dostopne preko brskalnikov, kot sta Netscape Navigator ali Internet Explorer. Spletno orientirani SPO-ji so zmanjšali tehnološke pregrade in omogočili menedžerjem in geografsko razpršenim uporabnikom lažje in cenejše pridobivanje informacij. Zaradi notranje infrastrukture je sedaj SPO lahko uveden v podjetjih, ki imajo geografsko razpršene enote, ter se lahko vključi tudi dobavitelje in kupce po relativno nizki ceni. Uporaba spletne tehnologije priskrbi SPO-ju zmožnost podajanja informacij menedžerjem preko spleta, dobaviteljem in kupcem preko ekstraneta ali delničarjem po globalnem spletu. Splet povečuje dostop in uporabo dobro zasnovanih SPO-jev. Poleg tega pa povečuje hitro razširjanje najboljših metod analiz in odločanja (Shim 2002, 115).

11

Izgradnja SPO-jev z omenjenimi novimi tehnologijami ostaja zahtevno in kompleksno analitično delo. Nekateri konzultanti uporabljajo klasične vzorce za izgradnjo klasičnih podatkov, drugi pa strukturirane metode načrtovanja (angl. Structured design methodoligies). Prodajalci pospešeno tržijo aplikacije t. i. poslovne inteligence na osnovi spletne tehnologije in portale z namenom pospešiti razvoj spletnih SPO-jev. V nekaterih primerih obstoječa skladišča podatkov lahko priredimo za splet oz. so lahko dostopna tudi preko brskalnika, vendar lahko pride do težav pri dostavljanju podatkov velikemu številu »on-line« uporabnikov. Spletni SPO-ji, ki združujejo podatkovna skladišča in OLAP, so razpoložljivi štiriindvajset ur na dan in sedem dni v tednu. Nedvomno so se zahteve uporabnikov spremenile. Spletna podatkovna arhitektura mora obvladovati veliko število različnih poizvedb, medtem ko zagotavlja dovolj hiter časovni odziv pri neprestanem povečevanju števila podatkov in uporabnikov.

2.3. Prednosti in koristi SPO-ja Na vprašanje, koliko stane projekt za izgradnjo SPO-ja in koliko časa potrebujemo od izgradnje do implementacije, je izredno težko odgovoriti. Odvisno je od več dejavnikov: od same kompleksnosti podatkov, obstoječe in dodatne strojne opreme, izbire orodij, odjemalca, izvajalca projekta ... Vidimo, da je težko govoriti o cenah, kajti vsak projekt je edinstven in ima svojo ceno. Kako pa podjetja ocenjujejo koristi, ki jih prinaša tak sistem? Nekatera podjetja se osredotočijo na kalkulacijo »donosa na vložek« (ROI). Spremljajo, kako bo uvedba SPO-ja pozitivno vplivala na prihranke: preko zmanjšanja inventarja, plačil, časa, ki ga osebje porabi za pripravo poročil, povečanje prodaje in podobno. Druga podjetja vidijo koristi sistema na bolj generičen način. Zavedajo se, da jim znanje, ki ga pridobijo s pomočjo analiz, ki jih tak sistem generira, pomaga lažje obvladovati poslovanje, kar je težko ovrednotiti. Začutijo potrebo po takem sistemu za lažje nastopanje na izredno konkurenčnem trgu. (Peterson, Pinkelman 2000, 23). Peter G. Keen (1981) je izvedel zanimivo študijo. Ugotovil je, da po vsej verjetnosti odločitve za izdelavo SPO-ja temeljijo na vrednostih, ne na stroških. Izpostavil je naslednje koristi (Bidgoli 1997, 285):

1. Povečanje števila obdelanih alternativ. 2. Boljše razumevanje posla. 3. Hitrejši odziv na nepričakovane situacije. 4. Zmožnost izdelave takojšnjih analiz. 5. Nova sposobnost opazovanja in učenja. 6. Izboljšana komunikacija. 7. Zmanjšanje stroškov.

12

8. Boljše odločanje. 9. Bolj učinkovito skupinsko delo. 10. Prihranek časa. 11. Boljša uporaba virov podatkov.

Ta študija je pokazala, da so nekatere koristi merljive, večina pa je nemerljivih oz. merljivih le na podlagi subjektivne ocene, saj lahko vsak postavi svojo ceno. Na primer, teoretično lahko določimo vrednost oportunitetnih stroškov čakanja menedžerja na informacije, ki mu jih tak sistem takoj ponudi. Problem je, kako objektivno ovrednotiti njegov čas. Dokazano je, da SPO izboljša komunikacijo in interakcijo med strankami in organizacijo, med organizacijo in zaposlenimi in med samimi zaposlenimi. Poveča samokritičnost odločevalcev do svojega ravnanja, dela in izkoristka porabljenega časa. Resnično izboljšati komunikacijo in pospešiti učenje sta med najbolj pomembnimi cilji SPO-ja (Peterson, Pinkelman 2000, 29). V splošnem velja, da SPO doseže svoj namen, če zaposleni pri opravlajnju svojega dela najdejo v njem korist. Ko enkrat podjetje implementira tak sistem in ga uporabniki sprejmejo, si težko predstavljajo, kako bi lahko brez njega učinkovito opravljali svoje delo.

2.4. SPO v prihodnosti V naslednjih desetih letih se predvideva veliko sprememb na področju SPO-jev. Trenutno prihaja do velikih sprememb pri organizaciji podjetij, uporabnikih in tehnologiji (Shim 2002, 120). To so trije ključni faktorji, ki bodo bistveno vplivali na nadaljnji razvoj SPO-jev. Moderna podjetja vse bolj izgubljajo hierarhično organizacijsko strukturo. Cilj je izoblikovati poslovne enote, ki so bolj fleksibilne in sposobne odzivati se na hitre spremembe poslovnega okolja. To bo povzročilo zmanjšanje osebja in srednjega vodstva, najvišje vodstvo pa bo vse bolj neposredno vpleteno v proces reševanja problemov, odločanja in planiranja. Konkurenca in globalno poslovanje povečujeta potrebe po točnih, raznolikih in hitrih informacijah, kar pospešuje rabo informacijske tehnologije za planiranje, odločanje, izvajanje in upravljanje. Fleksibilna podjetja zahtevajo od menedžerjev, da pogosto spreminjajo njihovo osredotočenost. SPO bo zato v tem hitro spreminjajočem se okolju odigral osrednjo vlogo. Pomemben dejavnik razvoja SPO-jev so nedvomno tudi uporabniki. Povečuje se število menedžerjev, ki so izredno vešči pri uporabi računalniških aplikacij in uporabi računalniške tehnologije. Zato ne bo potrebno vlagati toliko truda v izgradnjo sistema, ki bo uporaben tudi za neizkušene uporabnike. Nasprotno bodo bolj tehnično podkovani uporabniki pričakovali več funkcionalnosti od SPO-jev, saj informacijska tehnologija predstavlja strateško orodje, ki je med ključnimi elementi konkurenčne prednosti podjetja.

13

Zelo očiten trend na tem področju je izredno hitro uveljavljanje spletne tehnologije (angl. Web) kot skupne platforme, ki odpira nove možnosti SPO-jev. Standardni brskalnik kot uporabniški vmesnik omogoča podjetju uvajanje nove tehnologije po relativno nizki ceni v primerjavi s specializiranimi odjemalci. Poleg tega pa uporabniki potrebujejo manj dodatnega uvajanja in podpore. Velik pomen bo imela tudi personalizacija uporabniškega vmesnika, ki bo povečala uporabno moč SPO-jev. Poudarek tehnologije SPO-jev bo na mobilnih orodjih, mobilnih e-storitvah in brezžičnih protokolih, kot so »WAP« (Wireless Aplications Protocol), »WML« (Wireless Markup Language) in »iMode«. Na ta način bo omogočen neprestan dostop do informacij in orodij za podporo odločanju, boljše sodelovanje in lažje interaktivno odločanje kljub geografskim omejitvam. Povečala se bo produktivnost, profitabilnost in pospešil proces odločanja (Shim 2002, 121). Pozitivna plat uvajanja spletne tehnologije je podpora pri skupinskem vodenju in odločanju. Poleg SPO-jev je značilen pojav vzporedne gradnje strukture navideznih (virtualnih) skupin, ki se razvijajo v t. i. navidezno (virtualno) organizacijo (angl. Collaborative Support Systems). Z intranet rešitvami in sistemi ERP (Enterprise resource planning) celotna organizacija deluje preko tehnologije z malo ali brez neposredne osebne interakcije. Navidezne organizacije lahko premagajo vse časovne in prostorske omejitve ter tako vzpostavijo trdne odnose z oddaljenimi poslovnimi partnerji. Končni trend v tej domeni je razvoj mobilnih telekomunikacij in t. i. tankih odjemalcev (angl. Thin client devices), kot so digitalni telefoni in dlančniki. V takem okolju lahko navidezna skupina sodeluje kadarkoli in kjerkoli brez uporabe računalnika, ki je povezan v fiksno omrežje. Na tak način lahko posameznik sodeluje na bolj prijazen način in skupina kot celota je lahko bolj učinkovita pri procesu odločanja. Odločitve so sprejete na podlagi obravnavanih problemov iz več zornih kotov, kar zagotavlja konsistentno doseganje ciljev podjetja (Shim 2002, 122). Podjetja se nagibajo tudi k uvedbi in uporabi tehnologij poslovnih portalov, da bi rešila problem eksplozije najrazličnejših podatkov in podatkovnih virov. Vedno večji problem postaja preobremenitev z množico podatkov in podatkovnih virov, katerih le manjši del je resnično uporaben za reševanje določenega problema. Problem podatkovne preobremenitve je še posebej izrazit pri poslovanju podjetij. Podjetja prejemajo ogromne količine podatkov iz najrazličnejših notranjih in zunanjih virov, ki jih velikokrat niti ne uspejo klasificirati, kaj šele natančno proučiti ter iz njih pridobiti koristne informacije. Ravno to naj bi reševala tehnologija poslovnih portalov. Pojem poslovni portal naj bi bil prvič uporabljen šele leta 1998 v poročilu skupine Merrill Lynch, kjer so postavili naslednji dve definiciji poslovnega portala (Skupina Merrill Lynch 1998):

• Spletna aplikacija, ki podjetju omogoči učinkovito izrabo podatkov shranjenih znotraj kot tudi zunaj podjetja, ter uporabniku omogoča enoten dostop do pridobljenih informacij, ki so potrebne pri poslovnih odločitvah.

• Zlitje programske opreme, ki združuje, upravlja, analizira ter razpošilja podatke znotraj in izven podjetja.

14

3. TEHNOLOGIJA OLAP

3.1. Uvod v tehnologijo OLAP

Informacije imajo ključni pomen za učinkovito poslovanje. Njihov glavni izvor so lahko podatki, ki spremljajo poslovne procese v podjetju. To so lahko podatki o partnerjih, dobaviteljih, njihovih terjatvah, artiklih, zalogah v skladiščih in še več. Vendar ti podatki sami po sebi ne pomenijo nič, če niso dostopni pravim ljudem ob pravem času ter če niso realni in primerljivi (Thomsen 1997, 5). Sprotna analitična obdelava ali OLAP (On-Line Analytical Processing) je tehnologija, ki omogoča analitikom in menedžerjem hiter ter zanesljiv vpogled v podatke iz različnih zornih kotov. Obdela velike količine podatkov in uporabnikom v vsakem trenutku pripravi analize poslovnih procesov, ki so ključni vir strateških informacij pri procesu odločanja (Krsnik 2001, 65). V poslovnem svetu so za pripravo poročil menedžerjem zelo aktualne preglednice, ki imajo veliko analitično moč. Vendar se za njihovo pripravo lahko porabi veliko časa, saj mora zadolžena oseba v podjetju potrebne podatke zbrati in jih primerno urediti. Tako pripravljene preglednice so lahko za uporabnika delno neuporabne, ker težko najde ravno tiste podatke, ki jih potrebuje. Vzrok je v hitrem spreminjanju zahtev, zato se velikokrat zgodi, da vključujejo preveč ali premalo podatkov. Orodje OLAP rešuje vse te težave, saj ponuja logično, hierarhično in strukturirano pregledovanje podatkov. Podatki so primerljivi po času (npr. neposredna primerjava letošnjih in lanskih prihodkov), možen je vpogled v agregate in, če dovolimo, tudi v transakcijske podatke. Glavne prednosti sistema OLAP so: preprosta uporaba, izredno hitra odzivnost in možnost za nadgradnjo. Hitro se premikamo iz agregiranih podatkov na nižje nivoje in obratno. Omogoča dodatna preračunavanja ter napovedovanja. S pomočjo ustreznega odjemalca pa lahko na podlagi vsake izdelane preglednice v realnem času dobimo tudi rešitev v grafični obliki.

3.2. Lastnosti sistema OLAP v primerjavi s transakcijskim sistemom Transakcijski sistemi (sistemi OLTP – »Online Transaction Processing Systems«) so za uspešno poslovanje podjetja nujni. Njihov cilj je avtomatizacija poslovnih procesov. Glavna značilnost je operativna baza podatkov, ki je zbirka medsebojno povezanih operativnih podatkov, ki so shranjeni v računalnikovem pomnilniku brez nepotrebnega podvajanja na način, ki omogoča njihovo uporabo številnim uporabnikom z različnimi zahtevami. Podatki so shranjeni tako, da so neodvisni od programov, ki jih uporabljajo (Grad, Jaklič 1996, 1).

15

Sistemi OLTP so aplikacije, ki so namenjene za sprotno zbiranje podatkov poslovnih entitet. Zagotavljati morajo učinkovito vnašanje, ažuriranje in poizvedovanje majhnega števila vrstic podatkov naenkrat. Njihovi Tipični značilnosti sta hiter dostop do konkretnega zapisa podatkov in učinkovito obdelovanje majhnega števila transakcijskih podatkov hkrati. Da ti sistemi dosegajo te lastnosti, so običajno relacijski in normalizirani. V tem primeru nudijo izjemno zmogljivost in zagotavljajo konsistenco podatkov (Amo 2000, 8). Relacijska baza podatkov shranjuje podatke v več med seboj povezanih tabelah. Vsaka tabela vsebuje podatke o določeni entiteti, npr. artiklih, partnerjih, dokumentih in drugo. Relacija pa je vzpostavljena tako, da imajo tabele polja, ki so tuji ključi (ključi drugih tabel) ali pa je njihov ključ celo sestavljen iz njih. Shema relacijske baze podatkov je zato izredno razvejana in kompleksna, saj vsebuje veliko število hkratnih podatkovnih povezav. Ker se vse transakcije beležijo v podatkovni bazi, je ta baza praviloma zelo velika. Zaradi velikega števila transakcijskih mest pa tudi polno obremenjena. Transakcijska baza praviloma obsega le podatke omejenega časovnega obdobja, ponavadi enega poslovnega leta. Baza podatkov, ki je optimizirana za transakcijske sisteme, mora biti normalizirana. To pomeni, da se podatki v bazi ne smejo nepotrebno ponavljati. V primeru podvajanja podatkov v tabeli se uvede novo tabelo in se med seboj poveže z relacijo ena proti mnogo. Na tak način omogočimo enostavnejše in hitrejše ažuriranje podatkov. Relacijska struktura je izredno učinkovita za baze OLTP. Polja tabel so lahko indeksirana, da zagotovijo hitro poizvedovanje ali filtriranje (Berge 2001, 857). Sistem OLTP je izdelan za obvladovanje velikega števila podatkov, ki nastajajo z vsakodnevnimi opravili, vendar za iskanje odgovorov na vprašanje, ki si jih vodstvo in poslovni analitiki običajno zastavljajo. Poglejmo si vprašanje, ki je izredno poslovno usmerjeno: »Kateri artikel je izgubil največ tržnega deleža v zadnjih nekaj letih?« Sistem OLTP, ki mora v takem primeru kategorizirati in sešteti ogromno količino podatkov, ki so organizirani na relacijski način, dobesedno odpove, saj dela ni sposoben opraviti v dovolj kratkem času. Poleg tega izvajanje takih poizvedb nad podatkovno bazo zahteva veliko spcifičnega znanja, ki ga poslovni analitiki običajno nimajo. Podatke bi lahko pripravljala ustrezna služba, vendar ta način ne bi zadoščal osnovni zahtevi, to je hiter odzivni čas. Zato se je pojavila potreba po posebni podatkovni bazi, ki je namenjena poslovnim analizam (Krsnik, 2001). Za pridobivanje takih informacij potrebujemo drugačno strukturo baze podatkov, usmerjeno za obvladovanje bolj poslovnih, analitičnih in raziskovalnih poizvedb. Tako strukturo imajo podatkovna skladišča, ki so optimizirana za zajemanje in obdelovanje podatkov s pomočjo orodij OLAP. Zanjo je značilna zvezdasta (in snežinkasta) shema, ki je zelo preprosta. Rešitev OLAP je osredotočena samo na analiziranje podatkov. Daje hitre odzive na kompleksne poizvedbe, ki zahtevajo velike količine podatkov zaradi dveh značilnosti (Berge 2001, 859):

• podatki so shranjeni v večdimenzionalni in ne v relacijski in • predhodno izračunanih agregatih, da lahko doseže hiter odziv na uporabnikove

zahteve.

16

Značilnost zvezdaste sheme je, da vsebuje tabelo dejstev in nenormalizirane dimenzijske tabele. Za sistem OLAP se priporoča podvajanje podatkov, saj se lahko z zmanjševanjem normalizacije poizvedbe izvajajo na ožjem predelu podatkovne baze. To povečuje hitrost obdelovanja podatkov. Dodaten prostor, ki ga zasedajo nenormalizirane dimenzijske tabele, je dejansko zelo majhen v primerjavi s prostorom, ki ga zasedajo tabele dejstev (Berge 2001, 862). Ključna prednost sistema OLAP je, da omogoča pregledovanje podatkov iz vseh možnih perspektiv, ne da bi poznali nepostopkovni strukturirani poizvedovalni jezik (SQL – Structured Query Language) in brez nepotrebnega čakanja priprav poročil. Uporabniki so zaposleni, ki so dnevno postavljeni v vlogo odločevalcev in zato nujno potrebujejo hitre ter točne informacije, ki jih ne moremo vnaprej določiti. Poleg tega niso vešči pri uporabljanju baz podatkov in SQL-poizvedb, da bi lahko sami neposredno poiskali potrebne podatke. Sistem OLAP učinkovito rešuje omenjene težave. Ker olajša in pospeši proces odločanja, je sestavni del sistema za podporo odločanja. Pomemben vir podatkov sistema OLAP so transakcijski podatki, ki dnevno nastajajo. Te podatke lahko kot kumulative prenesemo v pripravljeno skladišče podatkov v časovnih intervalih (dnevno, tedensko ...) glede na potrebe uporabnikov. Lahko pa podatke črpamo neposredno iz operativne baze podatkov. Za sisteme OLAP je značilna tudi uporaba zunanjih podatkov. To so podatki konkurentov, raznih finančnih in državnih inštitucij. TABELA 1: NEPOSREDNA PRIMERJAVA OBEH SISTEMOV

Transakcijski sistemi (OLTP) Sistemi OLAP Vnašanje, brisanje in ažuriranje podatkov v

realnem času Branje in analiziranje zgodovinskih

podatkov Poizvedbe vključujejo relativno majhno

število vrstic podatkov Poizvedbe pogosto zajamejo celotno

množico podatkov Izvor podatkov so vnosni podatki

Izvor podatkov so zgodovinski OLTP

podatki Poročila so vnaprej pripravljena in jih

oblikuje programer Poročila oblikuje uporabnik sam

SQL-poizvedbe so preproste, vnaprej definirane in preizkušene, indeksi zanje

vnaprej opredeljeni

Večinoma zapleteni, večdimenzionalni in mnogokrat združene ad-hoc poizvedbe

Podatki niso med seboj primerljivi Možna primerjava podatkov Sistem mora biti ažuren Periodično dodajanje podatkov (dnevno,

tedensko ...) Podatke lahko spreminjamo Podatke lahko samo beremo

Veliko število uporabnikov (pisarniški delavci)

Majhno število uporabnikov (uporabniki so tisti, ki sprejemajo kakršnekoli odločitve)

Vir: Berge 2001, 861.

17

3.3. Kratka razlaga osnovnih gradnikov tehnologije OLAP

3.3.1. Meritve, dimenzije in kocke Ko govorimo o tehnologiji OLAP je potrebno razumeti pomen treh bistvenih elementov: meritev, dimenzija in (večdimenzionalna) kocka. Namen vsake baze podatkov je shranjevanje podatkov o različnih poslovnih entitetah v podjetju, da lahko opazujemo in spremljamo njihove vrednosti. Na primer, zanima nas število artiklov, ki smo jih prodali, in koliko je znašala vrednost njihove prodaje. Numerični podatki (kot sta število artiklov in vrednost prodaje), ki so predmet naše obravnave in jih skušamo analizirati na podlagi združevanja in primerjanja, so meritve. To so podatki o: količini, ceni, vrednosti, dobičku, stopnji donosa in podobno. Vsaka numerična vrednost pa ni primerna za izračunavanje agregatov, na primer razna povprečja ali pa količina zalog artiklov po skupinah artiklov. Take vrednosti, ki jih je smiselno izračunavati kot kumulative, so aditivne. Ostale so neaditivne in niso primerne za meritve, ampak jih lahko skupaj z drugimi vrednostmi vključimo v matematične operacije, da dobimo izračunane meritve. Neaditivne vrednosti lahko prikazujemo le, če omejimo pregledovanje takih meritev samo na nivo osnovnih podatkov (brez agregatov) (Berge 2001, 874). Dimenzije pa lahko opredelimo takole. Prikazovanje podatkov samo iz najvišje perspektive (npr. vrednosti celotne prodaje) je z vidika zahtev uporabnikov premalo. Ljudje, ki želijo analizirati dano situacijo v podjetju, potrebujejo podatke razdeljene po kategorijah. Tako si želijo podatke o prodaji po artiklih, poslovnih partnerjih, stroškovnih mestih, obdobju in drugo. Po drugi strani pa v večini primerov ne potrebujejo preveč podrobnih podatkov, kot je na primer vrednost vsake postavke fakture. Z vsakim razčlenjevanjem celotne slike po neki kategoriji ali agregiranjem posameznih podatkov tvorimo različno dimenzijo. Drugače rečeno, dimenzije kategorizirajo podatke kock na hierarhičen način. Splošno uporabljene dimenzije so: artikli, organizacijske enote, poslovni partner, geografsko območje in drugo. Za dimenzije je značilno, da so lahko sestavljene iz več nivojev. Poleg razčlenjevanja agregatnih podatkov po kategorijah omogočajo še dodatno združevanje ali vrtanje v globino po korakih. V primeru več 100.000 različnih artiklov ni priporočljivo prikazovati vrednosti določenih meritev po vseh artiklih naenkrat. V tem primeru je smiselno to dimenzijo tako hierarhično strukturirati, da nam v najvišjem nivoju prikazuje podatek za vse artikle skupaj, v naslednjem nivoju pa po posameznih skupinah artiklov in šele nato po posameznih artiklih. Na ta način povečamo preglednost in informacijsko moč podatkov. V splošnem lahko dimenzije in meritve definiramo tako: če želimo videti podatek x, y in z razčlenjen na a, b in c, pomeni, da x, y in z predstavljajo meritve in a, b, in c predstavljajo dimenzije (Berge 2001 874). Bistvo tehnologije OLAP pa je večdimenzionalna kocka. Sestavljena je iz dimenzij in meritev. Predstavlja kompleksno SQL-poizvedbo ali množico podatkov poslovnega procesa (npr. fakturiranje), ki so shranjeni in prikazani na večdimenzionalni način. Kocke zgradimo iz

18

atributov poslovnih dimenzij. Dimenzijski atributi so koordinatne osi kocke. Tako na primer lahko zgradimo kocko z osjo, ki predstavlja mesta iz dimenzije »Poslovni partner«, z osjo, ki predstavlja dneve iz časovne dimenzije, in z osjo, ki predstavlja artikle iz dimenzije »Artikel«. Točka v tej kocki vsebuje tri vrednosti: kraj poslovnega partnerja, določen artikel in določen dan. Če imamo v tabeli dejstev vse vrednosti prodaje, lahko merimo celotno prodajo artikla v točki na kocki. V zgornjem primeru dobimo celotno prodajo za artikel na nek dan v nekem kraju poslovnega partnerja. Če pustimo nespremenjene vrednosti za dve osi in spreminjamo vrednost na tretji osi, lahko vidimo, kako se vrednosti spreminjajo po spreminjajoči se osi. SLIKA 2: OSNOVNI PRIMER KOCKE, KI JE SESTAVLJENA IZ MERITEV IN DIMENZIJ

Vir: Freeze 2000, 278.

3.3.2. Arhitektura sistema OLAP Arhitektura sistema OLAP je v osnovi zelo preprosta: podatke je potrebno prebrati z diska, izvesti večdimenzionalne transformacije in kalkulacije ter jih prikazati na zaslonu oz. predstaviti uporabniku. V nekaterih primerih lahko uporabniki izvajajo permanentne spremembe podatkov, ki se istočasno ali kasneje zapišejo nazaj na disk. Ne glede na zgoraj omenjeno (navidezno) preprostost se za aplikacije OLAP uporablja veliko različnih arhitektur in nekatere so zelo kompleksne. Raznolikost in kompleksnost izhajata iz naslednjih razlogov (Thomsen 1997, 217):

• Sistemi OLAP obdelujejo veliko število podatkov, ki jih ne moremo podvojiti za vsakega uporabnika. To zahteva hranjenje nekaterih ali vseh podatkov na osrednjem

19

mestu in dostop do njih s pomočjo osebnih računalnikov. To pomeni, da potrebujemo arhitekturo odjemalec/strežnik (angl. »client/server«).

• Ko je arhitektura odjemalec/strežnik implementirana, sta za izvajanje večdimenzionalnih informacij in kalkulacij na voljo tako odjemalčev kot strežnikov procesor. Odločitev, kako bo delo potekalo med dvema ali več razpoložljivimi procesorji, spreminja arhitekturo.

• Z vključevanjem več računalnikov obstaja verjetnost, da je potrebno v rešitev integrirati več orodij in baz podatkov. Kako, kdaj in koliko podatkov se izmenjuje, vpliva na zmogljivost prikazovalnega dela sistema in je funkcija arhitekture.

Kljub temu lahko s pomočjo slike 3 na poenostavljen način prikažemo arhitekturo odjemalec/strežnik, ki je primerna za sisteme OLAP. S pomočjo te arhitekture učinkovito rešujemo težave zagotavljanja redkih, a pomembnih virov podatkov, saj večdimenzionalne podatke hranimo na osrednjem OLAP-strežniku in uporabniki lahko do njih dostopajo preko svojih osrednjih računalnikov (OLAP-odjemalci). OLAP-strežnik pa dostopa do relacijske baze podatkov in poskrbi za transformacijo (transakcijskih) podatkov iz relacijske v večdimenzionalno obliko. SLIKA 3: POENOSTAVLJENA ARHITEKTURA ODJEMALEC/STREŽNIK ZA SISTEME OLAP

Vir: Nigel 2000, II-41.

3.3.3. Zajemanje podatkov in polnjenje OLAP kock Osnovno vprašanje pri izgradnji sistema OLAP je, kako zbirati in zajemati podatke za poslovne analize. Osnova analiz so notranji (transakcijski) in zunanji podatki, ki morajo biti shranjeni v bazi podatkov. Kako bomo podatke zbrali, je odvisno od potreb in zahtev podjetja. Možnih je več načinov in vsak ima svoje prednosti ter slabosti (Peterson, Pinkelman 2000,

20

53). Slika 4 prikazuje osnovni koncept pripravljanja in zajemanja podatkov, ki je najbolj zahteven in stabilen. Gre za prenašanje in kopiranje podatkov iz sistema OLTP in zunanjih podatkov na začasno področje, kjer se podatke prečisti, združi in pretvori v obliko, ki je primerna za analitične namene (zvezdasta struktura). Po transformaciji se podatke prenese v podatkovno skladišče, ki je lahko konceptualno zastavljeno na več načinov. V našem primeru je prikazano kot skupek področnih skladišč (tabel dejstev), ki uporabljajo skupne dimenzijske tabele. Vsako področno skladišče je osnova za eno ali več OLAP-kock, ki s pomočjo različnih uporabniških vmesnikov (aplikacij) omogočajo učinkovito pregledovanje in primerjanje podatkov iz različnih zornih kotov. SLIKA 4: OSNOVNI KONCEPTI PRIPRAVLJANJA IN ZAJEMANJA PODATKOV ZA SISTEM OLAP.

Vir: Peterson, Pinkelman 2000, 53. Opisan koncept izgradnje sistema OLAP je za velika podjetja zelo primeren, saj zagotavlja stabilen sistem in v primeru velikega števila podatkov omogoča učinkovito delovanje. Tak pristop skladiščenja podatkov in izdelave sistemov OLAP pa je izredno drag in zahteva veliko časa. Ker uporabniki tak sistem velikokrat potrebujejo takoj in po nizki ceni, se uporablja tudi druge koncepte izgradnje. Najbolj enostavno in hitro je črpanje podatkov neposredno iz operativne baze. V tem primeru ne gradimo skladišča podatkov in se hkrati izognemo prenašanju ter predhodnemu pripravljanju podatkov. V vsakem primeru pa je potrebno podatke prestrukturirati oz. omogočiti orodjem OLAP dostop do njih. To naredimo s pomočjo navideznih tabel, ki jih pripravimo kar v transakcijski bazi podatkov in predstavljajo osnovo

21

za izgradnjo OLAP-kock. Gre za kratkoročno rešitev, ki se običajno uporablja v primeru hitrega vpeljevanja sistema. V primeru velike količine podatkov lahko nastanejo določene težave, kot so prepočasno generiranje in osveževanje kock. Navidezne tabele, ki morajo združiti več tabel skupaj, predstavljajo izredno kompleksne in procesno zahtevne operacije. Zato se lahko v takem primeru uporablja vmesni pristop. Nekatere operativne podatke prekopiramo v ustrezni obliki na začasno področje in na tej osnovi gradimo OLAP-kocke. Gre za delno področno skladišče. Prekopirani so samo transakcijski podatki, šifranti pa se črpajo neposredno iz operativne baze. Na tak način omogočimo hitrejše generiranje kock in njihovo pregledovanje. Za obe delni rešitvi velja, da sta primerni za prototipni pristop, saj omogočata hitro vzpostavitev sistema. Uporabniki lahko začnejo sistem uporabljati v kratkem času in aktivno sodelovati pri nadaljnjem razvijanju. Dolgoročno pa je smiselno sistem dopolniti do osnovnega koncepta, saj rešuje težave arhiviranja podatkov in njihove uporabe za časovne analize (ugotavljanje trendov in drugo). V transakcijskih bazah podatkov običajno shranjujemo podatke tekočega in morebiti še predhodnega poslovnega leta. Poleg tega pa s skladiščenjem podatkov dosežemo red med podatki, saj nekatera podjetja uporabljajo več aplikacij, ki podatke shranjujejo na različne lokacije. Pri obeh delnih rešitvah OLAP-kocke predstavljajo področna skladišča. Pri osnovnem konceptu izdelave sistema OLAP pa so področna skladišča (oz. skladišča podatkov) izdelana iz niza tabel v relacijski bazi podatkov in OLAP-kocke predstavljajo metodo s katero uporabnikom predstavljamo podatke iz področnih skladišč.

3.3.4. Podatkovna struktura večdimenzionalnih kock Spoznali smo, da normalizirana relacijska baza podatkov, ki se uporablja za transakcijske sisteme ni primerna za anlitične namene. Zato se za sisteme OLAP v večini primerov uporablja podatkovno skladišče, ki se je pojavilo, ko je nastala potreba po zbiranju vseh podatkov na enem osrednjem mestu in izvajanju poslovnih analiz. Pravilno razumevanje podatkovnega skladišča daje osnove za za razumevanje večrazsežnosti OLAP-kock. V večini primerov se za podatkovno skladišče uporablja zvezdasto podatkovno strukturo. Ime je dobila po svojem videzu. Sestavljena je iz več dimenzijskih tabel, ki so povezane z osrednjo tabelo (t. i. tabelo dejstev) z relacijo 1 : N. Tabela dejstev je srce zvezdaste sheme in zavzane 97 % do 99 % prostora na disku od celotne strukture, ker vsebuje vse podrobnosti, ki jih z orodji OLAP obdelujemo. Sestavljena je iz dveh različnih tipov polj. Prvi so tuji ključi dimenzijskih tabel in drugi so vrednosti meritev. Tabele dejstev običajno nimajo posebej polja za glavni ključ, ampak je ta sestavljen iz vseh tujih ključev. Prilagojene so za izredno hitro naraščanje števila vrstic podatkov, ki se jih z novimi podatki polni na vsako uro, dan ali mesec. Na primer nočno polnjenje faktur, ki so bile izstavljene prejšnjega dne.

22

Dimenzijske tabele so razporejene okoli centralne tabele (tabele dejstev) in omogočajo pregledovanje meritev iz različnih perspektiv. Vsaka dimenzijska tabela predstavlja eno dimenzijo kocke. Vsebinsko so to entitete, ki se pojavljajo v poslovnem procesu: izdelki, poslovne enote, valuta, vrsta poslovanja in predvsem obdobje. Za zvezdasto shemo je značilna izredna preprostost. Osnovna struktura nima verige med seboj povezanih tabel. Vsaka dimenzijska tabela je neposredno povezana s tabelo dejstev (primarni ključ do tujega ključa). To omogoča hitro poizvedovanje nad velikim številom podatkov. Tabele, povezave in polja imajo v tej shemi posebno označevanje, prilagojeno večdimenzionalni strukturi OLAP-kock. Običajno se podatkov v tabeli nikoli ne ažurira in briše, izjemoma v primeru popravljanja napak ali pa pri popravljanju celotne sheme. Optimizirana je za namene sprotnega analitičnega obdelovanja in mora zato omogočiti učinkovito branje podatkov. Dimenzijske tabele so nenormalizirane, ker potrebujemo minimalno število povezav. V takem primeru pa se uporablja tudi snežinkasto shemo, za katero je značilno, da so tudi dimenzijske tabele normalizirane, kar ima za posledico bolj razvejano strukturo podatkov.

3.3.5. Shranjevanje večdimenzionalnih podatkov Pri izdelavi kock je potrebno določiti način shranjevanja obdelanih podatkov (osnovnih podatkov in agregatov). Običajno lahko podatke shranimo na dve različni lokaciji (Berge 2001, 877):

• v relacijsko bazo podatkov, ki jo uporabljamo kot primaren vir podatkov, ali • v poseben repozitorij, ki je organiziran za večdimenzionalno strukturo.

Glede na izbran način shranjevanja podatkov razlikujemo MOLAP, ROLAP in HOLAP. Izbira enega izmed teh načinov vpliva na učinkovitost delovanja sistema OLAP. MOLAP (Multidimensional OLAP) uporablja način shranjevanja podatkov, ki je bil narejen izrecno za večdimenzionalne analize. MOLAP podatke prepiše iz vira podatkov (podatkovno skladišče ali transakcijska baza) v specialne večdimenzionalne strukture. Ko se kocke pregledujejo, vir podatkov ni več potreben, ker so vsi podatki že v repozitoriju kock. Ravno tako se vsi izračunani agregati prepišejo v specializirano večdimenzionalno kockasto strukturo. ROLAP (Relational OLAP) uporablja strukturo relacijskih baz podatkov. Podatki se ne prepišejo iz vira podatkov. V primeru pregledovanja podatkov osnovnega nivoja se potegnejo neposredno iz vira podatkov. Agregati pa so shranjeni v isti relacijski bazi podatkov, v tabelah, ki jih orodje samo izdela.

23

HOLAP (Hybrid OLAP) kombinira oba načina. Podatke upravlja kot ROLAP, agregate pa kot MOLAP. Izbira posamezne možnosti različno vpliva na čas procesiranja, prostor shranjevanja in hitrost pregledovanja kock. Relacijski način shranjevanja, kot ga uporablja ROLAP je najlaže razumljiv, saj so agregati shranjeni kot tabele v relacijski bazi in jih lahko pregledujemo z SQL--stavki. Za lažje razumevanje primernosti posameznega načina shranjevanja OLAP-podatkov, bomo za vsakega podali nekaj značilnosti (Peterson, Pinkelman 2000, 55). Značilnosti MOLAP-a so:

1. Omogoča najhitrejše pregledovanje podatkov, tudi v primeru brez agregatov. Podatki, ki so prilagojeni večdimenzionalni obliki, so običajno hitreje dostopni.

2. Potrebuje več prostora za shranjevanje podatkov kot HOLAP. V primeru manjšega odstotka izračunavanja agregatov porabi več prostora kot ROLAP.

3. Omogoča pregledovanje vseh nivojev podatkov tudi brez povezave z osnovnim virom podatkov. Primeren je za situacije, kadar se potrebujejo podatki tudi na drugih lokacijah, za prenosne računalnike in ljudi, ki niso vedno povezani v omrežje podjetja.

4. Ni učinkovit v primeru, ko operiramo z relativno veliko količino podatkov, ki se jih malo uporablja. Porabimo veliko časa za procesiranje kock in prostora za shranjevanje podrobnih in agregatnih podatkov v večdimenzionalni strukturi.

Značilnosti ROLAP-a so:

1. Pregledovanje podatkov poteka počasneje kot pri MOLAP-u, enako pa v primerjavi s HOLAP-om.

2. Čas procesiranja je običajno krajši, še posebej v primeru velikega števila agregatov. 3. Pregledovanje podatkov ni možno, dokler nismo povezani tudi s primarnim virom

podatkov. 4. V primeru, ko ne uporabljamo agregatov, ne potrebujemo dodatnega prostora za

shranjevanje. 5. Agregati pa porabijo veliko več prostora v primerjavi z MOLAP-om in HOLAP-om

(še posebej v primeru določanja velikega odstotka predhodnega izračunavanja agregatov).

Značilnosti HOLAP-a so:

1. Pri manjšem številu agregatov deluje enako kot ROLAP, pri večjem pa kot MOLAP. 2. Brez povezave s primarnim virom podatkov ni mogoče pregledovanje podatkov. 3. Je zelo primeren, če ne pregledujemo osnovnih nivojev podatkov. Če pregledujemo

samo agregate, omogoča enako hitrost pregledovanja kot MOLAP, hkrati pa prihrani čas osveževanja kock in prostor na trdem disku.

24

3.4. Učinkovita izdelava sistema OLAP Postavitev sistema OLAP (in skladišča podatkov) je pred nekaj leti veljala za izredno drag projekt. Namenjen je bil samo velikim podjetjem, ki so vanj lahko vložila tudi po več milijonov dolarjev. Uspešni projekti so vplivali na povečanje konkurenčnosti, dodane vrednosti, donosnosti na vložek (ROI) in drugo. Veliko projektov pa je bilo neuspešnih zaradi različnih dejavnikov. Velikokrat se je zgodilo, da so bili načrti preveč optimistično zasnovani, kar je kasneje povzročilo dodatno podaljšanje rokov izdelave in povečanje stroškov investicij. To je privedlo najprej do počasnega zmanjševanja interesa s strani vodstva in kasneje do ustavitve projekta. Strokovnjaki so na področju skladiščenja podatkov vložili veliko truda, da bi razvili metodologijo, ki bi povečala možnost uspeha. Poleg tega so se osredotočili na to, kako uporabo sistemov OLAP omogočiti tudi manjšim podjetjem. Kot odgovor velikim in dragim projektom skladiščenja podatkov je veliko strokovnjakov v letih 1997/1998 začelo širiti idejo o cenejšem, manjšem in hitrejšem skladiščenju podatkov oz. t. i. področnem skladišču (data marts). Z razvojem strojne opreme in novih orodij se je cena takega projekta zelo zmanjšala in postala dostopna tudi manjšim podjetjem. Microsoft je na podlagi svoje strategije za dostopno ceno ponudul zmogljiva orodja (MS SQL SERVER, MS OFFICE ...), ki naj bi vsebovala vse za razvoj sistema OLAP (Peterson, Pinkelman 2000, 60). Z razvojem področnih skladišč se je začel uveljavljati tudi prototipni pristop izgradnje sistemov OLAP, ki omogoča uvajanje delnih rešitev za nižjo ceno in sprotno nadgrajevanje glede na potrebe uporabnikov. Tak pristop omogoča implementacijo sistema tudi v manjših podjetjih in hkrati povečuje možnost uspeha projekta, saj uporabniki dobijo v kratkem času (in po ustrezni ceni) ravno to, kar potrebujejo. V splošnem velja, da mora OLAP služiti poslovnemu namenu podjetja. Da dosežemo ta cilj, moramo pri izvajanju projekta upoštevati naslednje naloge:

• od uporabnikov ugotoviti, do katerih informacij si želijo dostopati s pomočjo OLAP pregledovanja,

• prečistiti podatke iz OLTP-sistema in jih pretvoriti v primerno (zvezdasto) strukturo, • zgraditi večdimenzionalne kocke, • investirati v novo strojno opremo, • izdelati ali nabaviti OLAP odjemalca, • uvesti uporabnike v sistem.

Zelo zanimivo vprašanje je, kakšen bi moral biti sistem OLAP. Nigel Pendse in Richard Creeth, avtorja dela »OLAP Report«, sta razvila test, imenovan FASMI (fast analysiy multidimensional information), ki opredeljuje, ali se produkt uvršča med sisteme OLAP. Sistem OLAP mora omogočiti:

1. Fast – hitro pregledovanje. Po njunem mnenju mora biti odziv na poizvedbo v manj kot petih sekundah. Hitrost manjša od dveh sekund daje uporabniku občutek, da se podatki prikažejo v hipu. Razlagata, da je ta odziv več kot samo cilj, saj je to nujna

25

značilnost sistema OLAP. Obstaja več načinov kako to doseči. Za doseganje hitrega odziva pri vseh poizvedbah je potrebno uporabljati način shranjevanja MOLAP.

2. Analysis – aplikacija mora vsebovati analitična orodja tako za razvijalca kot za uporabnika.

3. Shared – kocka mora zagotavljati varovanje določenih podatkov. 4. Multidimensional information – glavna značilnost sistema OLAP je ravno v

prikazovanju večdimenzionalnih podatkov. Hiter začetni razvoj je tudi eden od dejavnikov, ki lahko pozitivno vpliva na uspeh projekta. V primerih, ko je OLAP nekaj novega v podjetju, je zelo priporočeno, da se uporabi prototipni pristop: izdela se del sistema in se ga predstavi uporabnikom, da dobijo občutek, kakšen naj bi bil končni rezultat. Tako se lahko že v tej fazi izvajajo določeni popravki ali pa izpusti, kar uporabniki v resnici ne potrebujejo. Običajno se izbere tisti del, ki ne zahteva velike predelave in dopušča črpanje neposredno iz operativne baze. Določi se MOLAP-kocke in čas osveževanja ob nočnih urah, ko je operativna baza neobremenjena. Za uporabniški vmesnik se lahko pripravi spletno stran (z uporabo vrtilnih tabel) ali uporabi MS Excel 2000, ki zahteva izredno malo programiranja. Kupiti je možno tudi specializirane programe, ki imajo že vgrajene potrebne funkcije (Petersen, Pinkelman 2000, 31). Zelo pomembno je zagotoviti kakovostne podatke. Problem je v tem, da operativni podatki niso vedno točni, saj lahko pride do nepravilnosti pri vnašanju, brisanju in podobno. Podatki so lahko manjkajoči, nekonsistentni in netočni. Zato jih je potrebno preverjati in ob prenosu zagotoviti, da so zajeti vsi potrebni podatki. Paziti pa moramo tudi na situacije, ko se popravlja operativne podatke, ki so že preneseni v podatkovno skladišče (Peterson, Pinkelman 2000, 33). OLAP odjemalec je tudi bistven za uspeh projekta. Imeti mora naslednje lastnosti: biti mora preprost za uporabo, zagotoviti mora intuitivno metodo izdelovanja novih poročil, podpirati mora grafično prikazovanje podatkov, »kaj-če« (angl. »what if«) analize, shranjevanje pogledov v različnih oblikah (html), tiskanje izdelanih poročil, ustrezno zaščito podatkov, hiter odziv in drugo. Zelo pomembno je, da omogoča izvajanje naslednjih operacij (Jarke 2000, 112):

• združevanje (angl. Roll-up, Drill-up, ali Consolidate); poizvedba, ki omogoča združevanje in prikazovanje podatkov, ki spadajo v enako skupino ali dimenzijo za hitro in grobo pregledovanje stanja. Nov podatek (agregat) je lahko predstavljen kot vsota vseh podatkov, ki spadajo v to skupino, ali kot delež celote;

• vrtanje v globino (angl. Roll-down, Drill-down ali Drill-through); poizvedba za prikazovanje bolj detajlnih podatkov. Koraki vrtanja so definirani s hierarhijo dimenzij;

• filtriranje (angl. Filtering, Selection, Screening); možnost izbiranja kriterijev za prikazovanje podmnožice podatkov. Na primer, velikokrat se uporablja prikazovanje kupcev, ki so presegli vrednost prodaje;

• listanje (angl. Slicing); pregledovanje vseh podatkov na podlagi enega ali več izbranih članov dimenzije. Lahko si predstavljamo kot en list ali izrez kocke;

26

• omejevanje (angl. Scoping); omejevanje pogleda na določeno podserijo oz. področje podatkov;

• vrtenje dimenzij (angl. Rotate); spreminjanje orientacije dimenzij kocke. V primeru preglednice gre za preprosto premeščanje dimenzij iz stolpca v vrstico in obratno.

Nenazadnje je zelo pomembno uporabiti ustrezno strojno opremo. V večini primerov je potrebno strojno opremo nadgraditi. Transformacija podatkov in procesiranje kock sta procesno intenzivna in časovno obsegajoča procesa. Sistem bo hitro deloval, če se uporablja zmogljive večprocesorske računalnike. Tako odjemalec kot OLAP-strežnik potrebujeta zmogljiv spomin za predpolnjenje podatkov. Potrebno je imeti zmogljive diske za skladiščenje podatkov in shranjevanje varnostnih kopij (Peterson, Pinkelman 2000, 54).

27

4. IZDELAVA SISTEMA OLAP KOT DEL SISTEMA ZA PODPORO ODLOČANJU

4.1. Predstavitev podjetja Mercator, d. d. Poslovni sistem Mercator, d. d. ima korenine v letu 1949, ime Mercator se uporablja od leta 1953. V skoraj petdesetih letih se je iz skromnega, zgolj ljubljanskega grosističnega podjetja Mercator razvil v vseslovensko podjetje, organizirano kot koncern trgovskih, proizvodnih kmetijskih in storitvenih družb. Osrednja in v slovenskem prostoru najbolj prepoznavna dejavnost Poslovnega sistema Mercator je trgovina, ki ustvari okoli 83 % vseh prihodkov koncerna. Glede na to, da je trgovina temeljna dejavnost poslovnega sistema, so njeni razvojni cilji najbolj definirani in njihovo uresničevanje tudi najbolj operacionalizirano. Mercator želi v slovenski trgovini obdržati status največje in najboljše trgovske družbe in ga še bolj utrditi s povečanjem sedanjega tržnega deleža. Poleg tega pa je strateška usmeritev Mercatorja tudi prodor na tuje trge. Za doseganje zastavljenih ciljev mora Mercator zagotoviti konkurenčne cene, ponudbo kakovostnih izdelkov, ponudbo izdelkov s svojo blagovno znamko, poenotene poslovne procese, pregledno in racionalno notranjo organiziranost, primerljivo strukturo stroškov in zaposlenih, prepoznavno celostno podobo itd. Največ pozornosti je namenjene prestrukturiranju obstoječih maloprodajnih objektov v korist večjih, širitvi sedanjih prodajnih območij z gradnjo srednje velikih in velikih nakupovalnih centrov in z drugimi strateškimi prijemi, racionalizaciji števila zaposlenih in izobraževanju zaposlenih v trgovini (Reorganizacija 1998, 5).

4.2. Izhodišča zasnove podatkovnega skladišča

4.2.1. Izbira poslovnega procesa V Poslovnem sistemu Mercator smo leta 1996 začeli graditi podatkovno skladišče blagovnega poslovanja, ki ga od začetka leta 1997 polnimo s podatki o poslovanju veleprodajnih skladišč in se po obsegu postopno širi z vključevanjem večjega števila skladišč. Zbirka podatkov zajema celotni ciklus poslovanja (nabave, zaloge, prodaja oziroma dobava v maloprodajo). V začetku je bilo nameščeno za največjo družbo poslovnega sistema, sedaj pa je zajel že celoten veleprodajni del Mercatorja. Podatkovno skladišče pa se tudi že polni s podatki iz nekaterih največjih maloprodajnih enot.

28

Zasnova podatkovnega modela je izredno pomembna sestavina podatkovnega skladišča. Da bi se izognili raznim neusklajenostim, je bila na začetku projekta opravljena vrsta razgovorov s predstavniki komercialnih in marketinških družb ter vodstvom podjetja, na katerih so bile opredeljene informacijske potrebe na področju blagovnega poslovanja. Napori pri zasnovi podatkovnega modela v začetni fazi projekta podatkovnega skladišča veliko prinesejo k učinkovitemu podatkovnemu skladišču, odločanje pa je zaradi velikega števila možnih izvedb zahtevno. Temeljna izhodišča v zasnovi podatkovnega skladišča za blagovno poslovanje so:

• enotnost: podatkovno skladišče blagovnega poslovanja je postavljeno enotno za ves Mercator, ne glede na vsebinsko in tehnološko ureditev v operativnem poslovanju;

• uporabniška prijaznost; rešitev je enostavna in razumljiva, omogoča enostaven uporabniški pristop;

• povezanost; informacije v blagovnem procesu je mogoče povezovati in primerjati; • učinkovitost; rešitev zagotavlja dober odzivni čas in ekonomično izrabo razpoložljive

informacijske tehnologije. Cilje, ki jih želimo v Mercatorju doseči z uvedbo podatkovnega skladišča, moramo deliti na poslovne in tehnične. Poslovna cilja sta:

• zagotoviti informacijsko podporo pri sprejemanju strateških odločitev in • razviti standardne registre (artiklov, blagovnih skupin) kot osnovo za enoten nabavni

promet v Mercatorju. Tehnični cilji pa so:

• razviti in uvesti podatkovno skladišče za veleprodajo za omejeno število uporabnikov, ki bo omogočalo nadaljnji razvoj in dopolnjevanje z drugimi področji (spremljanje maloprodaje, finančno poročanje ...);

• razviti podatkovno skladišče, ki pridobiva podatke iz različnih virov, ne glede na strojno in programsko opremo;

• priskrbeti točne in ne podvojene podatke s pomočjo primerne tehnološke opreme. Zasnova podatkovnega skladišča temelji na treh glavnih komponentah:

• populaciji podatkovnega skladišča – pridobivanje podatkov iz operativnih sistemov, zgodovinski dogodki in povezane informacije, potrebne za izolacijo in agregacijo teh dogodkov. Zaradi velike količine je potrebno paziti na kakovost podatkov v podatkovnem skladišču;

• administraciji podatkovnega skladišča – vzdrževanje meta podatkov, ki nudijo potrebne izračune, priznavanje izjem, integritete, kontrole itd. Meta podatki poenostavljeno pomenijo slovar podatkovnega skladišča, definirajo pravila in vsebino skladišča in te podatke povezujejo z uporabnikovimi poizvedbami na eni strani in operativnimi izvori na drugi strani;

29

• pripomočkih za sprejemanje odločitev – pridobitev fleksibilne, odgovorne, interaktivne in za uporabo enostavne metode o konstrukciji in izvajanju poizvedb v skladišču. Periodična strateška poročila so integrirana v arhitekturo tega dela.

V nadaljevanju bom predstavil izhodišča zasnove podatkovnega skladišča v podjetju Mercator preko štirih odločitev, ki jih priporoča Ralph Kimball v svoji knjigi (Kimball 1996, 22): izbira poslovnega procesa, nivo spremljanja poslovnega sistema, izbira dimenzij, ki se bodo nanašale na tabele dejstev, in izbira merjenih dejstev. V Mercatorju smo se na začetku odločili za spremljanje poslovnega procesa, ki ga glede na potek distribucije delimo na:

• poslovanje preko lastnih skladišč in • tranzitno poslovanje, ki poteka mimo Mercatorjevih skladišč.

Z vidika lastništva blaga ter s tem povezanih dogodkov nabave in prodaje ločimo:

• redno poslovanje, to je blagovno poslovanje z lastnim blagom, in • konsignacijsko poslovanje s tujim blagom. To blago odpokličemo šele po opravljeni

prodaji. Nabava obsega vhodni promet veleprodajnega skladišča. Poleg tega poznamo še konsignacijsko in tranzitno nabavo. Čeprav pri tranzitni nabavi ni pravega blagovnega poslovanja – blago ne potuje skozi naša skladišča – pa jo v podatkovnem skladišču spremljamo po enaki shemi kot redno nabavo. Glede na lastništvo zaloge je nabava členjena na nabavo za lastne zaloge ter na konsignacijsko nabavo. Skladiščenje je proces interne logistike in manipulacije z zalogami v enem veleprodajnem skladišču. Njegova vključitev v podatkovno skladišče omogoča celovito spremljanje blagovne vrednostne verige in upravljanja zalog. Veleprodaja obsega izhodni promet veleprodajnega skladišča; to so aktivnosti grosistične prodaje kupcem in oskrbe maloprodajne mreže. Glede na prejemnike blaga ločimo naslednje možnosti:

• premik je promet blaga med organizacijskimi enotami ene družbe oziroma je oskrba lastne maloprodajne mreže;

• interna prodaja je prodaja blaga med družbami znotraj poslovnega sistema.; • eksterna prodaja je prodaja v:

povezana podjetja Mercatorja in ostala podjetja – poslovne partnerje.

30

4.2.2. Nivo spremljanja poslovnega procesa Podatke polnimo iz posameznih veleprodajnih sistemov, in sicer stanje zalog (danes za včeraj) ter promet od 1.1.1997 dalje. Za učinkovito podatkovno skladišče je pomembna izbira stopnje podrobnosti podatkov. V mercatorju zajemamo osnovno transakcijo, najnižji nivo blagovnega poslovanja, ki ga opisujejo: dokument, pozicija dokumenta, artikel, kupec, datum.

4.2.3. Izbira dimenzij, ki se nanašajo na tabele dejstev Podatkovno skladišče vsebuje dve vrsti podatkov.

• Prvo skupino sestavljajo osnovni podatki o artiklih, kupcih in drugih poslovnih virih. Ti podatki se le malo spreminjajo in omogočajo grupiranje informacij ter preučevanje poslovanja z vidika ključnih poslovnih virov. Imenujemo jih dimenzijski podatki, tabele, v katerih jih hranimo, pa tabele dimenzij.

• V drugi skupini so podatki o prometu in stanjih. Ker opisujejo dejstva, ki so nastala ob nastopu poslovnih dogodkov, imenujemo tabele, ki jih vsebujejo, tabele dejstev. Te tabele so obsežnejše od tabel dimenzij in s časom naraščajo, saj je poslovnih dogodkov zelo veliko.

Podatkovno skladišče vsebuje naslednje tabele dimenzij:

• Koledar; tabela datumov z dodatnimi podatki o obračunskem obdobju in delovnem koledarju;

• poslovni partnerji; povzeti so iz enotnega šifranta poslovnih partnerjev; • artikli; tabela je oblikovana za potrebe podatkovnega skladišča; • blagovne skupine; tabela je oblikovana za potrebe podatkovnega skladišča; • organizacijske enote; tudi te so povzete iz enotnega šifranta; • vrsta prometa; šifrant poslovnih dogodkov v okviru blagovnega poslovanja;

Ker je Mercator nastal z združevanjem samostojnih podjetij, je iz zgodovinskih razlogov blagovni proces v posameznih okoljih različen. Zaradi integracije informacij v podatkovnem skladišču je bilo nujno poenotenje ključnih pojmov v zvezi z blagovnim poslovanjem (artikel, poslovni partner, organizacijska enota, prejemnik blaga, nahajališče, lastnik, dobavitelj, kupec).

31

4.2.4. Izbira merjenih dejstev V tabele dejstev zapisujemo podatke, ki jih v poslovnih procesih lahko merimo in so pomembni za upravljanje. Tako v tabeli »nabavni promet« zajamemo elemente nabavnega procesa:

• fakturno vrednost, • stroške nabave, • nabavno vrednost, • izračunano prodajno vrednost.

V tabeli »veleprodajni promet« pa:

• nabavno vrednost, • elemente prodajnega procesa:

o rabat, o davke, o dejansko prodajno vrednost.

Podatkovno skladišče sestavljajo naslednje tabele dejstev:

• nabavni promet; pozicije nabavnega prometa: redni, konsignacijski in tranzitni nabavni promet;

• dnevni presek zalog; presek stanja zalog artiklov po nahajališčih ob koncu delovnika; • premiki in popravki; pozicije prometa za premike v isti organizacijski enoti, inventure,

nivelacije itd.; • veleprodajni promet; pozicije prodajnega prometa redne in tranzitne prodaje.

Elementi, ki jih zajamemo v osnovni transakciji, predstavljajo postavke izkaza uspeha, s katerimi ugotavljamo uspešnost poslovnega procesa. Zvezdasta shema podatkovnega skladišča izhaja iz strukture predhodno opisanega blagovnega procesa. Zaradi potreb spremljanja podatkov po blagovnih skupinah ter njihovega spremijanja smo delno normalizirali zvezdasto shemo. Na tabelo artiklov smo povezali tabelo blagovnih skupin, kar enostavno zvezdasto shemo spremeni v delno shemo snežinke. Tabele dejstev si delijo iste tabele dimenzij, zato lahko podatke v analizah med seboj povezujemo. Primer: za izbranega poslovnega partnerja lahko izdelamo saldo blagovnega poslovanja tako, da z njegovo šifro povežemo pripadajoč nabavni in prodajni promet iz obeh tabel dejstev. Večina podatkov v tipičnem podatkovnem skladišču je tako zgrajena okoli časovne dimenzije.

32

Izračun sestoji iz zneskov, ki vežejo nabavno in prodajno ceno. Spodnja tabela podaja relacije med njimi z računovodskega in komercialnega vidika. Za projekt podatkovnega skladišča je osnova komercialni vidik. V nabavi nas zanima izračun od fakturne vrednosti pa vse do grosistične prodajne vrednosti, v prodaji pa od nabavne vrednosti do prodajne vrednosti. Ker v nekaterih veleprodajnih skladiščih poznajo tudi maloprodajno vrednost, zaradi predvidenega dograjevanja podatkovnega skladišča z maloprodajnim prometom uporabljamo tudi neto maloprodajno vrednost. Izračun v praksi poteka na različne načine, a vselej med postavkami kalkulacije veljajo gornje relacije in so seštevljive. To pomeni, da lahko npr. nabavno vrednost blaga seštevamo za različne artikle in dobimo zbirno nabavno vrednost. TABELA 2: PRIKAZ IZRAČUNA KALKULACIJ

I. Postavke kalkulacije –

računovodski vidik

II. Postavke kalkulacije –

komercialni vidik Fakturna vrednost nabave Fakturna vrednost nabave – popust dobavitelja – popust na fakturi dobavitelja + stroški nabave + stroški nabave = nabavna vrednost = nabavna vrednost + razlika v ceni + razlika v ceni (kalkulativna) = čisti prihodek od prodaje = grosistična prodajna vrednost – rabat = neto prodajna vrednost + davek + davek = prodajna vrednost + rabat = prihodek od prodaje Vir: Interna gradiva o zasnovi podatkovnega skladišča 1996, 6. Cene pa dobimo kot kvocient med vrednostjo in količino. Možnih kombinacij jeveliko, pomembni pa sta: nabavna vrednost nabavna cena = ---------------------------- (4,1) količina

33

grosistična prodajna vrednost veleprodajna cena = ------------------------------------- (4,2) količina Gornji izračun cene nam da nad podrobnimi podatki (npr. količinami in vrednostmi iz ene pozicije nabavnega dokumenta) ceno enote, na zbirnih ravneh (npr. za daljše obdobje) pa povprečno ceno enote. Stroški nabave so prikazani zbirno in vsebujejo tudi stroške kala, rabat je prav tako zbiren, vendar ne vključuje superrabatov in morebitnih ostalih popustov, ki so vidni šele iz finančnih poslovnih dogodkov ali blagovnega dokumenta kot celote. Prikazani so le rabati in popusti dobaviteljev, vidni neposredno iz prometa blagovnega poslovanja. Trošarine in davkov, ki jih plača dobavitelj, v podatkovnem skladišču ne vodimo. V blagovnem poslovanju nastajajo nekatere transakcije izključno v parih. Takih parov v podatkovnem skladišču eksplicitno ne vidimo, na primer:

• premik med skladišči predstavlja dva prometna dogodka – izdaja in prejem. Oba nastaneta v istem izvornem sistemu;

• premik med dvema veleprodajnima skladiščema predstavlja en prodajni in en nabavni promet, ki se dogodita v različnih izvornih sistemih in v različnem času.

4.2.5. Ključni kazalci blagovnega poslovanja Določili smo standardni način izračunavanja ključnih kazalcev podatkovnega skladišča za blagovno poslovanje:

• Obrat zaloge pove, kolikokrat smo v podanem obdobju prodali povprečno zalogo. Vključujemo naslednje obrate:

količinski promet

količinski obrat = --------------------------------------------- (4,3) povprečno količinsko stanje zalog promet po grosistični prodajni vrednosti obrat po prodajni vrednosti = ----------------------------------------------------- (4,4) povp. stanje zaloge po gros. prod. vred.

34

Izhajamo iz letnega obrata in pripadajočega prometa. Za posamezne artikle lahko izračunamo količinski in vrednostni obrat, v seštevkih (na primer po blagovnih skupinah) pa samo vrednostni obrat.

• Vezava zaloge pove, v koliko dneh bi prodali zalogo glede na povprečno stanje in promet v podanem obdobju. Izračunamo jo kot inverzno vrednost obrata zaloge.

• Odstotek razlike v ceni (RVC) je delež razlike v ceni v prihodku, izražen v odstotkih: razlika v ceni * 100

RvC = -------------------------------------- (4,5) nabavna vrednost Izračun % RvC je je lahko odvisen od oddelka oziroma tabele dejstev, ki jo opazujemo. Prikazan način izračuna (nabavna vrednost v imenovalcu) nam pove odstotek dobička glede na nabavno vrednost. Če je v imenovalcu grosistična prodajna vrednost oziroma neto prodajna vrednost (končni ceni v posameznem procesu), nam pove odstotek dobička v celotni prodajni vrednosti.

• Odstotek donosnosti sredstev naloženih v zaloge je sestavljeni kazalec, ki pove povratek investicije v enoto zaloge:

razlika v ceni * 100

donosnost sredstev = -------------------------------------------------------- (4,6) naloženih v zaloge povprečno stanje zaloge po nabavni vrednosti

Tekoče izračunavanje zbirnega prometa izvajamo z enostavnim seštevanjem ustreznega prometa za pripadajoče obdobje. Pri tem je ne glede na datum, ko je prometni podatek dejansko prispel v podatkovno skladišče, za izračun pomemben datum prometa. To je datum dogodka (v prometnem zapisu), s katerim promet spremeni stanje zalog v skladišču. Pri izračunu stanja zalog tekočega dne izhajamo iz znanega začetnega stanja poljubnega dneva (pred izbranim tekočim dnevom) s prištevanjem oziroma odštevanjem prometa v vmesnem obdobju do tekočega dneva. Ob zagonu podatkovnega skladišča dobimo začetno stanje zalog za novo vključeno nahajališče iz izvornih sistemov s presekom stanja na izbrani dan. V podatkovno skladišče jih prenesemo z dogovorjenim prometnim zapisom (npr. inventura). Enako postopamo ob inventuri. Prenos stanja torej izvedemo:

• ob vključitvi novega nahajališča v sistem podatkovnega skladišča in • ob inventuri v nahajališču.

35

Ta stanja predstavljajo mejnike, na katerih temelji pravilnost izračunanih zaporednih stanj naslednjih datumov. Natančnost izračuna stanj iz zbirnega prometa in s tem informacij, ki jih zagotavlja sistem, je odvisna od:

• pravilnosti prenesenih začetnih stanj in • celovitosti prenosa prometa za opazovano obdobje.

Postopek izračunavanja stanj iz prometa je odprt in dopušča vnos tekočega in zapoznelega prometa. Ob tem se morebitni predinventurni promet z nasprotnim prometom izniči tako, da ne spremeni poinventurnega stanja. Zato potem, ko je inventura vnesena v podatkovno skladišče, tega stanja ne moremo več spremeniti. Zakasneli vnosi prometa vplivajo tudi na vse iz njih izvedene agregate stanj in prometa. Pogostost in obdobje ponovnih izračunov agregatov narekujejo tehnološki parametri (zmogljivost računalnika, obseg podatkov in drugo).

4.3. Izgradnja podatkovnega skladišča

4.3.1. Način gradnje podatkovnega skladišča V nadaljevanju bom posebno pozornost namenil naslednjim pomembnim dejstvom pri izgradnji podatkovnega skladišča:

• podatki so prečiščeni in filtrirani, ko prehajajo iz operativnega sistema v podatkovno skladišče;

• časovna spremenljivost je odvisna od okolja (podatki v operativnih sistemih so sveži, v podatkovnem skladišču pa ne);

• podatkovno skladišče vsebuje agregirane podatke za učinkovito polnjenje in uporabniško prijazno vpogledovanje.

Osnovni način gradnje je bil prototipni pristop, ki temelji na uporabi sistema za upravljanje relacijske baze ORACLE, SQL orodij za poizvedovanje ter drugih at-hoc orodij. Zasnovan je bil na načelu od zgoraj navzdol (od preglednega modela podatkov podrobne zasnove). Podatkovne modele ter standardizirane vpoglede smo razvili in izdelali z orodjem Oracle Designer (orodje CASE). Tveganje pri uporabi nove tehnologije smo zmanjšali s preverjanjem zasnove skupaj z Oracle specialisti, ustreznost izdelkov pa preverjamo z uporabniki. Pred pričetkom pridobivanja podatkov iz izvornih sistemov smo izvedli analizo podatkov, identificirali povezave in določili način transformacije podatkov. Ker se lokalni artikli nahajajo v dislociranih skladiščih, primernih za njihovo skladiščenje (tehnika, hladilnica), je bilo potrebno določiti najbolj reprezentativno skladišče, nato pa smo opredelili vrstni red

36

vključevanja najbolj primernih veleprodajnih sistemov. Začeli smo z dvema največjima veleprodajnima skladiščema. Nadaljujemo pa s postopnim dodajanjem novih. Ne glede na datum vključitve posameznih veleprodajnih skladišč polnimo podatkovno skladišče s podatki o prometu od 1.1.1997 oziroma od začetka leta vključitve. Projekt podatkovnega skladišča tako ni posegel v osnove obstoječih računalniških aplikacij posameznih skladišč veleprodaje, saj je bil v osnovi zastavljen tako, da bo mogoče zajeti tudi blagovne tokove maloprodaje. Pripravljena pa je bila podpora za poročanje o poslovnih dogodkih po standardnih šifrah poslovnih partnerjev (uporaba pretvorbenih tabel) na način, dogovorjen v zasnovi podatkovnega skladišča. Šifrant poslovnih partnerjev je že bil postavljen v centralnem podjetju, vendar ga podjetja še niso imela vključenega v aplikacijah.

4.3.2. Polnjenje podatkovnega skladišča V operativnih sistemih so vrednosti različno opredeljene in obstaja nekonsistentnost v uporabi kod., števil, datumov ali velikosti opisanih polj. Tudi če so bili standardi postavljeni, so se skozi čas spremenili, ne da bi pri tem spremenili stare aplikacije. Pred prenosom podatkov je potrebna logična transformacija podatkov, ki terja zahtevno analizo in napor pri zasnovi. Med operativnimi podatki je veliko podatkov, ki se nenehno spreminjajo, vendar sprememb ne zavajamo v podatkovnem skladišču. Veliko podatkov nikoli ne pride iz operativnega sistema, polnimo samo podatke, ki so potrebni za sisteme za pomoč pri odločanju. Vsi izvorni sistemi pošiljajo po standardih izračunane vrednosti v centralo, kjer se zbirajo v vhodni obdelovalni vrsti. Ta je implementirana kot ORACLE-tabela z enako strukturo zapisa, kot jo ima vhod ter dodatnimi stolpci, ki povedo oznake morebitnih napak oz. obdelovalni status posameznega zapisa. V podatkovno skladišče vnesemo le pravilne ter konsistentno izračunane vhodne zapise, napačne pa obravnavamo glede na stopnjo napake.

• Odpravljive napake vhodnih zapisov so tiste, ki jih z dopolnitvijo centralnih šifrantov artiklov, poslovnih partnerjev ali organizacijskih enot lahko popravimo. Tedaj odložimo napačen zapis v vhodno vrsto, kjer počaka na ponovno obdelavo.

• Ponovljeni vnosi so vhodni zapisi, ki se že nahajajo v podatkovnem skladišču. Ponovljen promet prepoznavamo preko številk dokumentov, ponovljena stanja zaloge pa na osnovi ponovitve izvornega sistema in datuma stanja. V obdelavi izhajamo iz predpostavke o pravilnem delovanju izvornih sistemov in pravilni namerni ponovitvi, zato zamenjamo obstoječi zapis z novim iz vhoda. Pri prometu zamenjamo le obstoječi zapis, pri stanjih pa vse zapise tega izvornega sistema in datuma stanja.

• Neodpravljive napake so vse ostale napake. To so sintaktične napake in druge napake, ki so posledica napačnih programov ali procesov. Tedaj zavrnemo vse zapise tega izvornega sistema in datuma (stanja ali vnosa prometa).

37

Omenjeni pristop je izbran zaradi narave podatkovnega skladišča, ki ima tudi nalogo odpravljanja napak operativnih sistemov. Potrebno je vodenje dodajanja manjkajočih podatkov ali popravljanje nepopolnih transformacij. Uporabnik podatkovnega skladišča pa mora imeti možnost, da izve, kateri so ti manjkajoči podatki in privzete vrednosti v transformacijskem procesu.

4.3.3. Agregiranje podatkov Pot do učinkovite informacijske podpore za vodenje blagovnega procesa vodi preko tabele dejstev, ki vsebuje najbolj elementarne podatke. Podatkovno skladišče lahko na ta način ustreže potrebam analitika sedaj in v prihodnje. Posledica je, da so elementarne tabele dejstev preveč podrobne in preobsežne za uporabniku prijazno brskanje po podatkih. Zato je bilo potrebno opraviti agregiranje elementarnih tabel dejstev v zbirne tabele dejstev. Izziv pri gradnji agregatov predstavljajo:

• razvoj in vodenje procesa za agregiranje, • določitev pravih agregatov, • potrebna računalniška oprema, • prostor na diskih, vodenje majhnih sprememb agregatov.

Možnih agregatov je veliko. Če bi vse agregate pripravili vnaprej, bi silno pomnožili obseg podatkovnega skladišča in podaljšali čas priprave podatkov. Po drugi strani pa je prepozno tvoriti agregate v času poizvedbe v podatkovnem skladišču, saj bi znova in znova seštevali milijone elementarnih podatkov. S tem bi presegli sprejemljiv odzivni čas za uporabnika (10 do 15 sekund za kompleksne poizvedbe). Pri gradnji agregata torej velja pomisliti na:

• količino podatkov; kje so podatki koncentrirani in v kateri dimenziji se število vrstic povečuje. Če dani dimenzijski element predstavlja veliko število vrstic v primerjavi z drugimi elementi v hierarhiji, potem agregacija po tej dimenziji občutno pripomore k učinkovitosti. Ter obratno, če dimenzijski element vsebuje malo vrstic oziroma le malo več kot nadrejena hierarhija, potem agregacija ne doprinese k učinkovitosti;

• uporabo vzorcev; kateri agregati bodo najbolj izboljšali učinkovitost pri izvajanju najbolj pogostih poizvedb končnega uporabnika.

Agregiramo tako, da zmanjšamo stopnjo podrobnosti v dveh smereh:

• z združevanjem po tabeli dimenzij (datum, mesec, leto, artikel, blagovna skupina) in • z opuščanjem dimenzijskih podatkov (nabava od dobavitelja v skupni vrednosti brez

artikla).

38

Načrtovanje in vzpostavitev agregatov narekujejo predvsem poizvedovalne potrebe. V Mercatorju smo nekaj najpomembnejših agregatov izdelali vnaprej. Ti pa za večino poizvedb odpravijo potrebo po obsežnem sprotnem agregiranju in so infrastruktura za učinkovito raziskavo podatkov. Tako iz različnih tabel dejstev tvorimo različne agregate: Iz tabele nabavnega prometa tvorimo::

• mesečni agregat po dimenzijah mesec, dobavitelj, prejemnik, artikel, vrsta prometa in • mesečni agregat po dimenzijah dobavitelj, prejemnik, vrsta prometa.

Agregati so namenjeni ABC analizi dobaviteljev ter kontroli stanja in gibanja poslovanja z izbranim dobaviteljem. Iz tabele veleprodajnega prometa tvorimo:

• mesečni agregat po dimenzijah kupec, prodajalec, artikel, vrsta prometa, tip prometa in • mesečni agregat po dimenzijah mesec, kupec, prodajalec, vrsta prometa, tip prometa.

ki podpirata ABC-analizo in vrsto poročil po artiklih. Iz tabel nabavnega prometa, internih premikov in veleprodajnega prometa so zgrajeni sledeči agregati:

• mesečno poslovanje po nahajališčih in artiklih, • mesečno poslovanje po artiklih in • mesečno poslovanje po nahajališčih.

Agregate prometa (npr. nabavnega, prodajnega) dobimo s preprostim prištevanjem novo dospelega prometa v pripadajoči agregat za podano obdobje. Agregate stanj in povprečnih stanj pa dobimo tako, da novo dospeli promet prištejemo končnemu in zbirnemu stanju obdobja, v katerega pade nov promet, ter začetnemu, povprečnemu in končnemu stanju obdobij, ki temu obdobju sledijo. Z agregiranjem mesečnih agregatov gradimo letne agregate. Za uporabnike je zanimivo celo leto ali pa obdobje do konca preteklega meseca. S pomočjo navigatorja agregatov je omogočeno hitrejše poizvedovanje in uporaba vseh izgrajenih pravih agregatov.

4.4. Poizvedbe in poročila Pri izgradnji podatkovnega skladišča pa ni dovolj, da zberemo podatke in jih postavimo v centralni repozitorij. Uporabniki morajo imeti možnost izvajanja analize trendov, primerjav in

39

preiskovanje v globino. Temu namenjena orodja za poizvedovanje morajo biti enostavna za uporabo in za učenje ter uporabnikom prijazna vse do točke, ko najnižji uporabnik ali pa menedžer s samo nekaj urami vaje prične uporabljati in analizirati podatke, ki jih potrebuje. Opozoriti velja na razliko pri uporabi poročil iz podatkovnega skladišča v primerjavi z operativnimi sistemi blagovnega poslovanja. Informacije v operativnih sistemih so podrejene predvsem tekočemu obvladovanju procesa po posameznih poslovnih dogodkih (rok, količina cena), podatkovno skladišče pa služi za:

• podporo odločanju pri oblikovanju poslovne strategije v zvezi s ključnimi poslovnimi viri: kupci, dobavitelji, artikli, oskrbovalno-prodajnimi potmi;

• celovit pregled poslovanja po ključnih poslovnih resursih zbirno prek vseh operativnih blagovnih sistemov, ki z njimi poslujejo;

• spremljanje realizacije zastavljene poslovne strategije: pogodbe, velike prodajne akcije itd.

Ad-hoc orodja ne glede na to kako so pogosta in učinkovita, uporablja samo okoli 10 % vseh potencialnih končnih uporabnikov podatkovnega skladišča, preostalih 90 % mora imeti na voljo vnaprej pripravljene aplikacije (predloge), ki ne zahtevajo sestavljanja končne poizvedbe. Zelo dobra ROLAP in druga ad-hoc orodja ta odstotek le podvojijo (Kimball 1996, 22). Za uporabnike smo pripravili naslednje poizvedbe:

• standardne vnaprej pripravljene poizvedbe (preproste za uporabo) – dogovorjene v skladu z načrtom projekta in prioritetnimi informacijskimi zahtevami;

• ad-hoc poizvedbe, ki jih kreiramo s pomočjo drugih orodij na zahteve uporabnikov; • poizvedbe z uporabo poizvedovalnega orodja ROLAP (zahtevnejši uporabniki).

Na začetku je pripravljeno vstopno okno, iz katerega kličemo nove poizvedbe. Uporabnik ima v meniju možnost izbire procesa (zaloge, nabava, prodaja) ločeno po ključnih poslovnih virih ter možnost opazovanja vseh šifrantov. Vsi vnaprej pripravljeni vpogledi so osnovani na standardizirani predlogi. V prvi vrstici se najprej nahaja oznaka – ime polja, ki označuje trenutno vrednost dimenzijskega parametra (šifra artikla, blagovne skupine, poslovnega partnerja). Sledi gumb za poziv iskalnika vrednosti dimenzijskega parametra. V nadaljevanju prve vrstice je omogočena izbira preostalih dimenzijskih parametrov. Dimenzijski stolpec – čas določimo z enostavnim večanjem oziroma manjšanjem. Za določene dimenzije ima uporabnik možnost izbire iz liste vrednosti (vrsta prometa, nabava, prodaja) ali z označitvijo (urejenost podatkov – naraščajoče ali padajoče zaporedje). V primeru velike količine podatkov je dodana lista vrednosti za mejne vrednosti (kumulativni odstotek).

40

V obstoječih vpogledih ima uporabnik poleg izbire opazovane dimenzije (artikel, blagovna skupina, dobavitelj) na voljo še dve dimenziji (čas in vrsta prometa). Zaradi povečanja potreb po podrobnejšem pregledovanju posamezne dimenzije je omogočena tudi izbira preostalih dimenzijskih parametrov. Ob prvem vstopu v poizvedbo uporabniku ponudimo začetne dimenzijske parametre, vse zadnje vrednosti iskalnih dimenzij pa se za vsakega uporabnika podatkovnega skladišča shranjujejo v posebni bazni tabeli. V podobni bazni tabeli (zgodovina – journal) beležimo vsako spremembo v iskalnih parametrih. Tako je omogočena tudi analiza uporabe podatkovnega skladišča in spremljanje uporabe agregatov, kar omogoča optimalno agregiranje. Ob vsaki spremembi iskalnih parametrov aktiviramo akcijo z gumbom, ki sproži branje iz baze podatkov ter zapis poizvedovalnih parametrov. Uporabnik ima možnost prenosa trenutno prikazanega sporočila v Excel, za enostavnost uporabe je pripravljen avtomatičen postopek preoblikovanja podatkov. Risalne funkcije v Excelu predstavljajo zelo uporabno poslovno analizo in funkcijo predstavitve. Klik na vrstici, prikazani na ekranu (na prikazanih vrednostih) zabeleži v prej omenjeno tabelo dimenzijske vrednosti za naslednje poizvedbe, za potrebe analiziranja oziroma preiskovanja v globino. Uporabnik lahko tako na primer analizira kupce artiklov, sledi prodaji po skladiščih ter opazuje obrat zaloge artikla.

41

5. SKLEP Veliko faktorjev je vplivalo na hiter razvoj podatkovnega skladišča. Eden najpomembnejših je bil napredek tako v programski kot strojni opremi. Padajoče cene in večja enostavnost uporabe današnje opreme je omogočila hitro analizo večjih količin podatkov in rudarjenje podatkov. Pomemben faktor so bile tudi korenite spremembe v poslovanju organizacij v zadnjih dveh desetletjih. Organizacije so razširile produkte na tuje trge, pri tem pa v drugačnem kulturnem in ekonomskem okolju naletele na nove konkurente. Povečanje blagajn POS v trgovinah, uporaba kreditnih kartic, avtomatičnih procesov naročanja omogoča zbiranje podatkov v operativnih sistemih. Ti so organizirani tako, da je omogočeno hitrejše delovanje, ne omogočajo pa rudarjenja podatkov. Podatkovno skladišče je namenjeno zbiranju podatkov iz različnih sistemov v predpisanih oblikah ter s tem ustvarjanju pomembne baze podatkov v podjetju. Na tem mestu velja opozoriti, da je to proces in ne le produkt s prodajnih polic. Podjetju priskrbi spomin, vendar je ta neuporaben brez inteligence, ki nam omogoča, da pregledamo podatke v smislu iskanja vzorcev, pravil ter novih idej pri odkrivanju in pripravi napovedi za prihodnost. Rudarjenje podatkov ne bo vedno rešilo vseh naših problemov in ne bo vedno pokazalo samo uporabnih rezultatov. Postopek je lahko dolgotrajen in rezultat nesmiseln. S pravim pristopom pa lahko dosežemo povrnitev investicije v naše podatkovno skladišče. Podatkovno skladišče, ki sem ga predstavil v nalogi, je bil prvi poskus povezave poslovnih procesov spremljanja blagovnega poslovanja v podjetju. S standardizacijo postopkov pridobivanja podatkov, šifranta artiklov in blagovnih skupin, načina izračuna kazalcev blagovnega poslovanja in postopkov za izdelavo vpogledov v podatkovno skladišče smo zagotovili konsistentnost podatkov in poročanja vodstvenemu kadru. Standardizacija šifranta artiklov in poslovnih partnerjev nam danes omogoča hitrejše in enostavnejše uvajanje projekta »Enotna nabava«, ki bo postopoma vključil vse družbe. Enostavnost uporabe, ki smo jo s standardiziranimi vpogledi dosegli, je pomemben ključ do večje uporabe podatkovnega skladišča. Podatkovno skladišče mora zadovoljiti tako potrebe uporabnikov, ki hočejo vedno več, kot uporabnikov, ki želijo poznati podatke, vendar želijo samo standardna poročila o poslovanju. Tehnologija je omogočila standardizacijo procesov v organizacijah, podatkovno skladišče pa je vodstvenemu kadru omogočilo razumevanje podatkov in možnost njihove uporabe pri vodenju. Odziv velikega števila analitikov in komercialistov, ki podatkovno skladišče uporabljajo, je pozitiven, vendar si želijo več. Z zniževanjem stroškov shranjevanja in potrebne moči za izračune ter z razpolaganjem z velikim številom podatkov iz zunanjih in notranjih virov bo postalo podatkovno skladišče pomembno za vodenje ključnih programov, kot so:

• mikro trženje in tržni program, ki ureja edinstvene potrebe za specifično trgovino, populacijo in stranke tržnega področja;

42

• prodajna politika oziroma pospeševanje; • programi za spremljanje zalog, ki so zasnovani za izboljšanje pozicij zaloge z

zmanjševanjem zalog; • programi za upravljanje blagovnih skupin – category management, ki vodijo kategorije

produktov kot strateški poslovni portfolio in razvijajo blagovne skupine in druge skupine, osnovane na njihovem povečanju poslovne učinkovitosti.

Na osnovi izkušenj, ki so bile pridobljene pri gradnji podatkovnega skladišča, navajam naslednja pomembna dejstva pri gradnji podatkovnega skladišča:

1. Potrebna je skrbna priprava ter sodelovanje informatikov in uporabnikov. 2. Ključnega pomena je pomoč in vključitev menedžerjev pri zasnovi podatkovnega

skladišča. 3. Izbrana aplikacija naj bo na začetku majhna in obvladljiva. 4. Na začetku gradnje podatkovnega skladišča se je potrebno osredotočiti na dosegljive

cilje in zmožnosti. 5. Pomemben je prikaz rezultatov gradnje podatkovnega skladišča že v začetni fazi ter v

določenih fazah uporaba prototipa. 6. Z naraščanjem števila podatkov v podatkovnem skladišču se večajo potrebe po

zmogljivejši infrastrukturi. Tehnologija (strežniki, odjemalci, baza podatkov) in orodja sama po sebi ne naredijo podatkovnega skladišča, so pa nujni pogoj za njegovo postavitev.

Podatkovno skladišče je torej pri nas in bo nadaljevalo svojo rast in pomembnost v prihodnjem poslovnem okolju. To ni samo prehodni produkt. Podatkovno skladišče je aktualna tema v organizacijah, vendar brez prave uporabe (rudarjenje podatkov) ne bo dovolj izkoriščeno. Konkurenčna podjetja, ki imajo podatkovno skladišče, ga uporabljajo kot konkurenčno orožje.

43

6. POVZETEK S KLJUČNIMI BESEDAMI V podjetju se vsak dan odvija proces odločanja na vseh treh vodstvenih nivojih (najvišjem, srednjem in operativnem). Hitre in točne informacije so pogoj, da je proces učinkovit in da podjetje odpravlja svoje težave ter izkoristi poslovne priložnosti, ki se na konkurenčnem trgu ponujajo. Dober sistem za podporo odločanju je lahko eden izmed ključnih faktorjev uspešnosti podjetja, saj prinaša veliko pozitivnih sprememb: povečanje števila obdelanih alternativ, boljše razumevanje posla, boljše odločanje, bolj učinkovito skupinsko delo, prihranek časa ... Ugotovili smo, da je večina teh sprememb oz. koristi nemerljivih, na dolgi rok pa zagotovo vplivajo na povečanje konkurenčnosti in profitabilnosti. Skladišče podatkov je vsebinsko usmerjena, integrirana in dolgotrajna zbirka zgodovinskih podatkov. Osnove izgradnje skladišča podatkov so izhajale iz potreb izboljšanja tehnologije baz podatkov in vodile do povečanja zanimanja za analize in uporabo zbranih historičnih podatkov. Skupaj s tehnologijo za sprotno analitično obdelavo podatkov (OLAP), ki omogoča hitro, interaktivno, sistematično in intuitivno pregledovanje podatkov, sta pripomogla k povečanju vrednosti in učinkovitosti SPO-ja. Orodja OLAP so v zadnjih nekaj letih postala zelo zmogljiva, vendar se za zahtevne analize uporablja tudi tehnologija umetne inteligence in orodja za rudarjenje po podatkih (angl. data mining). Od začetka 21. stoletja pa je spletno okolje postalo zelo pomembno za razvoj SPO-ja kot platforma za dostavljanje orodij ali informacij. Uporaba spletne tehnologije je zmanjšala tehnološke pregrade in omogočila menedžerjem in geografsko razpršenim uporabnikom lažje in cenejše pridobivanje informacij. V naslednjih desetih letih se predvideva veliko sprememb na področju sistemov za podporo odločanju, ki bodo posledica sprememb v organizaciji podjetij, pri uporabnikih in tehnologiji. Opuščanje hierarhične organizacijske strukture, povečevanje števila spletnih uporabnikov, nadaljnji razvoj spletne tehnologije in mobilnih telekomunikacij bo omogočil nove funkcionalnosti SPO-ja, ki bodo še dodatno izboljšale proces odločanja. Nekatera podjetja bodo posegala tudi po tehnologiji spletnih portalov, ki naj bi reševale problem eksplozije najrazličnejših podatkov in podatkovnih virov. Razvoj SPO-ja bo po drugi strani povzročil spremembe v razmišljanju in načinu dela ter podprl razvoj navideznih (virtualnih) podjetij in skupin. Sistem OLAP omogoča izvajanje dinamičnih večdimenzionalnih analiz zgoščenih podatkov, ki je bliže poslovnemu razmišljanju in nudi boljšo pomoč pri iskanju informacij za odločanje v primerjavi s transakcijskim sistemom. Praviloma temelji na arhitekturi odjemalec/strežnik. Izdelan je lahko na podlagi več konceptov. Od celovitega, ki zahteva izdelavo skladišča podatkov, kock in pripravo odjemalca, pa do delnih rešitev, ki omogočajo hitro in cenejšo izgradnjo sistema. Ne glede na izbrani koncept je za sistem OLAP bistveno, da ima vseskozi kratek odzivni čas, ne glede na število uporabnikov, velikost in zapletenost podatkovne baze. OLAP pomaga uporabniku pri sintezi podatkov preko primerjalnega pregledovanja, različnih analiz podatkov iz preteklega obdobja in različnih »kaj-če« analiz. Pri tem nudi uporabniku poljuben pogled na podatke.

44

Pokazali smo, da je z ustrezno izbiro orodij OLAP in koncepta izdelave mogoče izdelati učinkovit sistem OLAP, ki je cenovno dostopen tudi manjšim podjetjem. V našem primeru smo na podlagi realnega projekta prikazali izgradnjo sistema, ki je temeljil na delni rešitvi. Izgradili smo podatkovno skladišče in ga v začetku napolnili z zgodovinskimi podatki iz le nekaterih operativnih sistemov. Tistih, po katerih je bilo v začetku največ zahtev. Sedaj pa podatke v podatkovnem skladišču dopolnjujemo s podatki iz preostalih operativnih sistemov veleprodaje in tudi maloprodaje. S pomočjo posebne aplikacije smo uporabnikom omogočili hitro in preprosto pregledovanje ter primerjanje podatkov tako v grafični kot tabelarični obliki. V fazi implementacije, uvajanja in uporabljanja sistema smo opazili zelo pozitivne spremembe, ki sem jih v teoretičnem delu tudi naštel. Očiten je bil prihranek časa pri iskanju informacij, izboljšanje opravljanja določenih opravil, lažje spremljanje tekočega poslovanja in ugotavljanje težav. Po drugi strani je sistem OLAP povzročil, da so na dan prihajale določene interne nepravilnosti, ki so bile posledica starega načina dela. Nujna je bila konstruktivna komunikacija med vsemi vodstvenimi nivoji, da so lahko te težave uspešno odpravili. Izdelani sistem je mogoče (priporočljivo) še dodatno razviti in vključiti tudi druge tehnologije, ki lahko povečajo učinkovitost in uporabnost sistema. Smiselno bi bilo vpeljati spletno tehnologijo, kar bi olajšalo dostop tudi uporabnikom, ki so geografsko locirani v tujini. Ad-hoc poizvedovanje. Je poizvedovanje, ki ga ne moremo definirati preden uporabnik poizvedbo sproži. Orodje za poizvedovanje ga izvede s pomočjo dinamično sestavljenega SQL-ukaza. Arhitektura. Je splet pravil ali struktur, ki zagotavljajo okvir za celotno načrtovanje sistema. CASE-orodja. So grafična orodja, ki omogočajo programsko in podatkovno modeliranje (Angl. Computer Aided Software Engineering). DIS. Direktorski informacijski sistemi (Executive Information Systems – EIS) priskrbijo strukturiran vmesnik za predstavitev visoko agregirane informacije o poslovanju. Meta podatki. So podatki o podatkih, ki opisujejo dejansko vsebino podatkov. Normalizacija podatkov. Je analiza funkcionalnih odvisnosti med svojstvi. Namen normalizacije je prevedba kompleksnega modela uporabnika v množico preprostejših in stabilnejših struktur. OLAP. Sprotno analitično procesiranje (Angl. OnLine Analitical Procesing). Operativna baza podatkov. Je integrirana baza podatkov, namenjena za operativne podatke (ODS – Operational Data Store). Shranjuje tekoče podatke iz različnih izvornih sistemov v določenem časovnem obdobju.

45

Podatkovno skladišče. Je skladišče podatkov, ki več let vsebuje podatke iz različnih operativnih sistemov (kot so naročanje, zaloge, nabava) in podatke iz zunanjih virov, ločeno od operativnih sistemov. Relacijska baza podatkov. Je baza podatkov, katere predstavitev temelji na matematični teoriji relacij. ROLAP. Sprotno analitično procesiranje na osnovi relacijske baze podatkov (angl. Relational OnLine Analitical Processing). Sistemi za podporo odločanju. So sistemi, ki uporabnikom priskrbijo podatke za nadaljnje analize in za pomoč pri odločanju. SQL. Je standardni jezik (Angl. Structured Query Language) za delo z bazami podatkov. Zvezdasta shema. Je specifičen način predstavitve podatkov v relacijski bazi podatkov, uporaben v podatkovnem skladišču.

46

7. ABSTRACT WITH KEY WORDS In a company the process of decision making on all the three management levels (top , medium and operative level) is daily going on. Prompt and precise information is a prerequisite for the process to be effective and for the company to eliminate its problems and make use of business opportunities offered by a competitive market. A good decision making support system can be one of the key factors of the company's performance as it offers a lot of positive changes: increased number of processed alternatives, improved understanding of business operations, better decision making, more efficient team work, time savings, etc. It has been found out the majority of these changes or benefits is immeasurable, however, in a long term these changes definitively have an impact on the increase of competitiveness and profitability. In the terms of contents the data warehouse is oriented, integrated and a long-term collection of historical data. The foundations of data warehouse construction originated from the needs of database technology improvement and led to increased interest in analyses and utilization of the collected historical data. Together with the technology of online analytical processing (OLAP) allowing prompt, interactive, systematic and intuitive data scanning, they contributed to a rise in value and efficiency of the system of decision making support. In the recent years the OLAP tools have become highly efficient, however, for demanding analyses the technology of artificial intelligence and data mining tools have been gradually more and more used. After the beginning of 21st century the web environment became very important for the system of decision making support development as a platform for tools and information delivering. The use of web technology reduced technological barriers and made it possible for the managers and geographically dispersed users to acquire information in easier and cheaper ways. It is expected in the next ten years there will be a lot of changes in the field of decision making support systems resulting from changes in company organization, users and technology. The abandoning of hierarchical organizational structures, increasing numbers of web users, furhter development of web technology and mobile telecommunications will enable new funcions of decision making support system which will additionally improve the decision making process. Some companies will also introduce the technology of web portals expected to solve the porblem of various data and data source explosion. The development of decision making support system will, on the other hand, cause changes in thinking and manner of work, and give support to development of virtual companies and groups. The OLAP system enables execution of multidimensional analyses of data compaction which is nearer to a business way of thinking and offers a better help in search for information for deciding in comparison to transaction system. As a rule, it is based on the architecture client/server. It can be made out on the basis of several concepts. From the integral one, demanding the construction of data warehouse, cubes and preparation of a client to partial solutions, enabling a quick and cheaper construction of a system. Irrespective of the system selected it is essential for the OLAP that it has a throughout short response time

47

irrespective of the number of usres, size and complexity of a database. OLAP helps the user in making a data synthesis through comparative scanning, various analyses of the data from previous period and various »What if« analyses. In this respect, it offers the user an optional view of the data. It has been showed that by suitable choice of OLAP tools and concept of construction, it is possible to make out an efficient OLAP system, which is accessible also to smaller companies as regards its price. In our case and on the basis of a real project we have presented the construction of a system which was based on a partial solution. The data warehouse was constructed and at the beginning it was filled with historical data from just a few operational systems. Those, which were mostly in demand from the start. Now all the data contained in the data warehouse are being updated by the data from the remaining operational systems from wholsale, as well as, from retail trade. By the means of a special application we made it possible for the users to scan and compare the data quickly and simply, both in graphical and tabellary forms. In the phases of implementation, introduction and utilization of the system very positive changes have been noticed and also enumerated in the theoretical section. Time savings in information searching has been evident, as well as, improvement in certain function realizations, easier monitoring of current operations and trouble shooting. On the other hand, however, the OLAP system has caused certain internal irregularities – the consequences of old manner of work - to come to light. The constructive communisations among all the management levels have become urgent in order to solve these problems successfully. The constructed system can be (a recommendation) also further upgraded and other technologies, which can increase its efficiency and applicability, incorporated. It would be reasonable to introduce the internet technology which would facilitate the access to the users geographically located abroad. Ad-hoc query ……..is an investigation which cannot be defined before a user launches it. The investigation tool carries it out by the means of dynamically composed SQL instruction. Architecture…….is the set of rules or structures securing a framework for the entire system planning. CASE tools…….are graphic tools enabling Computer Aided Software Engineering. Executive Information Systems – EIS …….provide a structured interface for presentation of high aggregated information on business operations. Metafile…….are data on the data describing the actual data contents.

48

Data normalization…………is the analysis of functional dependences among characteristics. The purpose of normalization is the tranfer of a complex user model to a set of simpler and more stable structures. OLAP…….Online Analytical Processing. ODS – Operational Data Store……..is an integrated database designed for operational data. It stores current data from systems of various origins within a certain time period. Data warehouse…….. is a warehouse of data containing for many years data on various operational systems (such as order placing, stocks, purchasing), and also the data from external sources separate from operational systems. Relational database…...is a database the presentation of which is based on mathematical theory of relations. ROLAP. ………Relational OnLine Analytical Processing. Decision making support systems …….are the systems providing the users data for further analyses and an assistance in decision making SQL……… is Structured Query Language for the work with databases Stellar scheme…is a specific way of data presentation in a relational database, used in data warehouse.

49

8. SEZNAM VIROV

1. Amo, Wiliam C. 2000. Microsoft SQL Server developer's guide. Foster City: IDG Books Worldwide.

2. Bidgioli, Hossein. 1997. Modern Information System for Managers. California:

Academik press.

3. Berge, Susan. 2001. SQL Server and ADO programming complete. San Francisco: Sybex.

4. Ernst&Young. (1997). Ernst&Young 15th Annual Survey if Retail Information

Technology: Dostopno na: URL: Http://www.ey.com/global/content.nsf/International/Home. 10. 10. 2004.

5. Grad, Janez in Jaklič, Jurij. 1996. Baze podatkov. Ljubljana: Ekonomska fakulteta.

6. Jarke, Mathias. 2000. Foundamentals of Data Warehouses. Verlag: Springer.

7. Kimball, Ralph. 1996.The Data Warehouse Toolkit. New York: J. Wiley & Sons.

8. Koletnik Franc, Kovač Jure, Rozman Rudi. 1993. Managment. Ljubljana: Gospodarski

vestnik. 9. Krsnik, Jurij. 2001. Sprotno analitično procesiranje – OLAP. Dostopno na:

URL:http://www.bfro.uni-lj.si/zoo/org/centre/slov/govedo/objave/olap/main.htm. 10. 10. 2004

10. Mercator, d. d., 1998. Reorganizacija trgovine do leta 2000. Ljubljana: Mercator, d.d.

11. Peterson, Thimoty in Pinkelman James. 2000 Microsoft OLAP unleshed. Second

edition. ZDA: Sams Publishing.

12. Shally, Gary B., Cashman Thomas J. in Rosemblatt Harry. 1998. System analysis and design. Third Edition. Cambridge: Course Technology.

13. Shim J. P. et all. 2002. Past present and future of decision support technology.

Decision support systems and Electronic commerce. North-Holland.

14. Skupina Merrill Lynch. 2003. Enterprise Information Portals. Dostopno na: Http:/www.najdi.si/trident/quickprewiew.jsp?o=08q=merril+lynch&unomitted=true&qpts=1298rn=3882179

15. Thomsen, Eric. 1997. OLAP solutions. New York: J. Wiley & Sons.

50