Business Intelligence

IT FOR BUSINESS AND FINANCE
Business Intelligence
Siena 14 aprile 2011
AGENDA
 Cos’è la Business Intelligence
 Terminologia
 Perché la Business Intelligence
 La Piramide Informativa
 Macro Architettura
 Obiettivi e Vantaggi
 Definizione di Data Warehouse /Data Mart
 Applicazioni Analitiche
 RDBMS vs MDDBMS
 Database multidimensionali OLAP
 Elementi di un database multidimensionale OLAP
 Rolap e Molap
 Il quadrante di Gartner
 Architettura BI Cognos
 Panoramica prodotti BI Cognos.
2
Business Intelligence – Cos’è?
Il termine fu coniato nel 1996 dagli analisti della Gartner Group per indicare:
Una vasta categoria di applicazioni e di tecnologia per:
La raccolta
L’immagazzinamento
L’analisi
L’accesso
ai dati utili per aiutare a prendere le decisioni migliori per l’azienda.
Ma il concetto di BI non è nuovo nella cultura aziendale; il termine con cui si è soliti chiamare i
sistemi di supporto al processo decisionale è mutato più volte

da Executive Information System (EIS)
a Decision Support System (DSS)
La definizione include varie sottocategorie che vengono identificate con sigle e
nomi diversi, come Data Warehousing, Data Mining, BPM, CPM, CRM,
Scorecards, Dashboards, Budgeting, Planning fino ad includere aree confinanti
come il Knowledge Management.
3
Business Intelligence – Terminologia (1/2)
4

Data Warehousing: “magazzino di dati” progettato per produrre analisi e
relazioni tra dati;

Data Mining: estrazione di informazioni utili da grandi mole di dati con
tecniche di tipo statistico;

BPM: Business Process Management, è l’insieme di attività necessarie per
definire, ottimizzare, monitorare e integrare i processi aziendali;

CPM: Corporate Performance Management, è l’insieme delle attività per
definire le strategie aziendali e assicurarne il corretto sviluppo;

CRM: Customer Relationship Management, è l’insieme delle attività di
gestione dei rapporti con la clientela;

Scorecards: Consentono la misurazione delle performance aziendali sotto
diversi profili. Finanziario, cliente, interno e innovazione. E’ una raccolta di
informazioni in linea con gli obiettivi strategici dell'organizzazione, che
consente ai dipendenti di sapere in che modo i loro obiettivi e le loro attività
si correlano agli obiettivi aziendali. Mostra velocemente come si sta
andando a fronte degli obiettivi.Comunica la strategia e gli obiettivi.
Business Intelligence – Terminologia (2/2)
Dashboards: forniscono una rappresentazione per immagini delle prestazioni
dell’intera organizzazione. E’ una raccolta di analisi e report KPI che offre
agli utenti una singola visualizzazione dati che li aiuta a monitorare
informazioni associate a un lavoro, un progetto o un obiettivo;
Budgeting:è il bilancio di previsione e rientra tra gli strumenti fondamentali di
programmazione e controllo dell'azienda;
Planning: processo di pianificazione;
Knowledge Management: condivisione della conoscenza
5
Business Intelligence – Perchè
Una parte importante del patrimonio di conoscenza di un’azienda è contenuto in forma
strutturata nelle basi dati delle applicazioni gestionali, conseguentemente le informazioni
venivano rese disponibili sotto forma di report statici, onerosi da produrre e spesso obsoleti una
volta arrivati nelle mani degli utenti.
Di conseguenza le organizzazioni si basavano più sull’intuito dei manager che su fatti concreti per
valutare l’andamento dell’impresa e prendere decisioni importanti.
Per consentire alle aziende di sfruttare il proprio patrimonio di informazioni, in vista di decisioni
tattiche e strategiche, sono stati messi a punto numerosi strumenti denominati di Business
Intelligence.
Grazie alla BI è possibile raccogliere tutte le informazioni utili, gestirle e trasformarle in
informazioni a supporto decisionale.
6
Business Intelligence – La Piramide Informativa
Reporting
Presentazione
Analisi Multidimensionale,
BSC, TDB, BDG e
Forecast
Modello e Analisi
DWH,DB
Integrazione
Transazione
ERP,CRM,
HOST,EXCEL
Infrastruttura
7
Macro Architettura di una soluzione BI
OLAP
Server
other
sources
Operational
DBs
Extract
Transform
Load
Refresh
Serve
Data
Warehouse
Analysis
Query
Reports
Data mining
Tools
Data Marts
8
Obiettivi della BI
 Gli obiettivi della BI sono:





passare da opinioni a fatti
aumentare la qualità dell’informazione
dare informazioni significative
diffondere informazioni
condividere informazioni
Scegliere in un’azienda le soluzioni idonee di DW/BI richiede una visione strategica
d’insieme considerando che si hanno a disposizione diverse classi di prodotti (di tipo Build o
Buy), per diverse tipologie di utenti (utenti finali, manager di linea, direzione), in diverse
aree aziendali, su diverse architetture tecnologiche.
9
Caratteristiche della BI (1/3)
Un sistema di BI deve rispondere a requisiti di funzionalità e progettazione che vanno ben oltre
quelli propri di un normale ambiente di reportistica facente parte di un'applicazione gestionale. In
particolare, un sistema di BI deve possedere le seguenti caratteristiche:
 Facilità d'uso: presentare i dati in un formato che sia facile da leggere e da interpretare, dove
sia possibile navigare sui dati seguendo dei percorsi di analisi facilmente comprensibili dall'utente
finale
 Velocità: possibilità di trattare grandi volumi di dati con tempi di risposta quasi istantanei grazie
all'uso di tecniche di modellazione, memorizzazione e indicizzazione dei dati orientate all'analisi
piuttosto che all'aggiornamento dei dati.
 Integrazione: integrare tra loro dati provenienti da fonti differenti, sia interne che esterne
all'azienda. Il processo di integrazione deve essere affidabile e testato, in modo che gli utenti possano
fare affidamento sui dati presenti nel DW. Se i dati provenienti dai sistemi operazionali non sono
puliti ed affidabili, prima di essere inseriti nel DW devono passare attraverso un processo di pulizia
(data cleansing) e certificazione.
10
Caratteristiche della BI (2/3)
 Storicizzazione: mantenere la storia dei cambiamenti subiti da certi attributi selezionati, per
permettere analisi storiche contestualizzate.
 Identificazione di trend ed anomalie: gli strumenti devono facilitare l'identificazione di
trend nei dati, ad esempio confrontando periodi e prodotti diversi. Queste operazioni sono
possibili solo con l'utilizzo di strumenti interattivi che permettano di effettuare operazioni di
drill down/drill up (visualizzazione dei dettagli su un certo dato) e di slice & dice (cambiamento
delle dimensioni di analisi sui due assi).
 Subject orientation: presentare i dati in modo da fornire la visione di un processo aziendale
(supply chain, vendite, qualità...), attraversando i confini delle singole aree dei sistemi gestionali.
11
Caratteristiche della BI (3/3)
 Simulazione scenari: in certi casi (applicazioni di budgeting, forecasting and planning) deve
essere possibile impostare degli scenari e confrontarli poi con i valori reali ("actual")
 Indipendenza dal reparto I.T.: gli strumenti di analisi e reportistica devono dare la
possibilità agli utenti finali di crearsi da soli i report di cui hanno bisogno
 Adattabilità nel tempo, intesa come la capacità di resistere alle inevitabili evoluzioni della
realtà aziendale, dei sistemi operazionali e delle esigenze di analisi
 Sicurezza: deve essere possibile controllare in maniera al tempo stesso stretta e flessibile
l'accesso ai dati, che in molti casi includono informazioni altamente riservate.
12
Vantaggi della BI
CONDIVISIONE
INFORMAZIONI
COMPETITIVITA’
Differenziazione dalla
concorrenza
Ottimizzazione dei processi
mediante la condivisione di
informazioni con clienti,
fornitori e partner.
Le aziende offrono ai dipendenti
un accesso facile ed intuitivo alle
informazioni strategiche

Condivisione responsabilità per la
crescita del business.
SEMPLICITA’
Uso degli strumenti senza
conoscenze tecniche
specifiche.
Vantaggi
CONTROLLO MERCATO
FLESSIBILITA’
Monitoraggio del mercato.
Individuazione di trend e
opportunità di sviluppo del
business.
13
Sperimentazione di modelli
e soluzioni diverse.
Analisi dinamiche.
Data Warehouse
Il Data Warehouse è un insieme di dati e strumenti software aventi lo scopo di prelevare i dati dai
sistemi gestionali di un'azienda o da fonti esterne e di utilizzarli per effettuare interrogazioni a
carattere generalmente statistico e analitico. Per rendere facili e veloci le interrogazioni di grandi
volumi di dati, questi ultimi devono prima essere organizzati in maniera differente dai normali
database operazionali (OLTP).
Per questo sono state concepite strutture di dati alternative a quelle dei database operazionali;
mentre questi si basano sui concetti e sulle regole relazionali (Entity-Relationship), i Data
Warehouse sono generalmente basati sul modello detto dimensionale o Star Schema, ottimizzato
per rispondere velocemente a interrogazioni di vario tipo.
L’attività di Data Warehousing, cioè di costruzione e gestione di un Data Warehouse, comprende
varie fasi:





14
individuazione dei dati di partenza
conversione, estrazione e pulitura dei dati
utilizzo di un DBMS per costruire il Data Warehouse
Gestione del Data Warehouse
Utilizzazione di strumenti di Business Intelligence per accedere
Data Warehouse vs Data Mart
 Quando la raccolta dati ha una localizzazione dipartimentale si suole dire che viene
costruito un Data Mart.
 In un progetto ben architettato Data Warehouse e Data Mart coesistono, essendo
collocati a due livelli diversi (il primo aziendale, il secondo dipartimentale).
 L’approccio più articolato offre molti vantaggi in termini di flessibilità e di ROI, ma
nello stesso tempo fa aumentare il rischio di perdere il controllo dell’architettura.
15
Applicazioni Analitiche
 La categoria delle Applicazioni Analitiche rappresenta il lato Buy della Business
Intelligence.
 Le applicazioni analitiche sono caratterizzate da tre elementi distintivi:
 includono un concetto di processo (di controllo o di sviluppo di
business), cioè non si limitano ad una rappresentazione di dati;
 vivono separate dalle applicazioni operative tradizionali;
 integrano dati da fonti multiple, introducendo un concetto di
evoluzione temporale.
 Le applicazioni analitiche si sviluppano principalmente in tre aree aziendali:
 l’area della gestione strategica e del cosiddetto BPM (Business
Performance Management);
 l’area marketing e più in generale il CRM;
 l’area delle Operations, con una diversa caratterizzazione nei
diversi mercati verticali, ma con un’attenzione particolare per
la pianificazione, la previsione, e la simulazione.
16
OLAP vs OLTP (1/2)
Cos’è un OLTP (On Line Transaction Processing)?
E’ il tradizionale sistema per l’elaborazione delle transazioni, che realizzano i
processi operativi dell’azienda: per l'elaborazione delle transazioni, tra aziende o
tra aziende e consumatori con massimi vincoli di efficienza e di tolleranza ai guasti.
Questi sistemi devono garantire transazioni in tempi brevi (pochi secondi)
stabiliti dal SLA (Service Level Agreement).
L'aggiornamento rapido del database e la tolleranza ai guasti nei sistemi OLTP
assumono un'importanza cruciale. Le caratteristiche principali per un sistema
OLTP sono:
 scalabilità e realizzazione di query nella stessa quantità di tempo, nonostante la crescita dei dati;
 integrità dei dati e delle transazioni;
 disponibilità e ripartizione delle risorse.
 Esempi di applicazioni OLTP sono il servizio Bancomat per effettuare acquisti e prelievi, ma anche
la gestione delle prenotazioni dei mezzi di trasporto da più terminali. I sistemi OLTP generalmente
forniscono anche dati al Data Warehouse, per calcoli statistici aziendali su un grande volume di
dati.
17
OLAP vs OLTP (2/2)
Cos’è un OLAP (On-Line Analytical Processing)?
E’ una particolare tecnologia, vista anche come estensione delle funzionalità
tipiche di un OLTP, in grado di supportare l’elaborazione di operazioni per il
supporto alle decisioni.
La struttura dati multidimensionale, contenente gli elementi da analizzare con
strumenti messi a disposizione da OLAP, è denominata cubo.
Gli strumenti OLAP si differenziano dagli OLTP per il fatto che i primi hanno come
obiettivo la performance nella ricerca e il raggiungimento di un'ampiezza di
interrogazione quanto più grande possibile; i secondi, invece, hanno come obiettivo
la garanzia di integrità e sicurezza delle transazioni
18
RDBMS vs MDDBMS (1/2)
 Quando si devono eseguire interrogazioni complesse su grandi quantità di dati strutturati
su più dimensioni (tra cui il tempo), invece di usare DBMS relazionali (RDBMS) si
preferisce ricorrere ai cosiddetti database multidimensionali (MDDBMS).
 Rispetto alla rappresentazione logica dei dati per tabelle bidimensionali dei tradizionali
RDBMS, i MDDBMS adottano una rappresentazione spaziale a ipercubi
 In un MDDBMS si individuano alcune grandezze di riferimento (in un esempio a 3
dimensioni: prodotti, aree geografiche e periodi temporali), una gerarchia di
raggruppamento all’interno di ogni dimensione (per esempio, giorni, mesi, anni sulla
dimensione temporale), una fonte di caricamento dei dati.
 La caratteristica principale dei MDDBMS sta nel fatto che le operazioni per isolare i
risultati all’incrocio fra le varie dimensioni sono pre-eseguite all’atto del caricamento.
 Ad un caricamento lento fa riscontro una risposta veloce in fase di utilizzo.
19
RDBMS vs MDDBMS (2/2)
 Tutti i principali produttori di RDBMS hanno aggiunto (tramite acquisizioni) servizi
multidimensionali tramite acquisizioni di aziende o licenze (Oracle con Express e
Hyperion, Microsoft con Analytic Services, IBM con Applix).
 Il più importante produttore di MDDBMS era Arbor con Essbase, che oggi si è fusa con
Hyperion ed ha dato vita ad uno dei principali produttori di Applicazioni Analitiche.
20
I sistemi OLAP
 MOLAP è la tipologia più utilizzata e ci si riferisce ad essa comunemente con il termine OLAP.
Utilizza un database di riepilogo avente un motore specifico per l'analisi multidimensionale e crea le
"dimensioni" con un misto di dettaglio ed aggregazioni. Caratteristiche: scelta migliore per quantità
di dati ridotte, velocità nel calcolare aggregazioni e restituire risultati, ma crea enormi quantità di
dati intermedi
 ROLAP lavora direttamente con database relazionali; i dati e le tabelle delle dimensioni sono
memorizzati come tabelle relazionali e nuove tabelle sono create per memorizzare le informazioni
di aggregazione. Caratteristiche: scalabile, richiede minor spazio disco e minore RAM, lento nella
fase di creazione tabelle e nel produrre il risultato delle interrogazioni
 HOLAP utilizza tabelle relazionali per memorizzare i dati e le tabelle multidimensionali per le
aggregazioni Caratteristiche: creazione più veloce di un ROLAP, più scalabile di un MOLAP.
La difficoltà nell'implementazione di un database OLAP parte dalle ipotesi delle
possibili interrogazioni utente; scegliere la tipologia di OLAP, lo schema e creare
una base dati completa e consistente è un'operazione complessa.
21
I sistemi OLAP
 La creazione di un database OLAP consiste nell'effettuare una fotografia di
informazioni in un determinato momento e trasformare queste singole informazioni
in dati multidimensionali.
 Una struttura OLAP creata per questo scopo è chiamata "cubo" multidimensionale.
Ci sono diversi modi per creare un cubo, ma il più conosciuto è quello che utilizza
uno schema "a stella"; al centro c'è la tabella dei "fatti" che elenca i principali
elementi su cui sarà costruita l'interrogazione, e collegate a questa tabella ci sono
varie tabelle delle "dimensioni" che specificano come saranno aggregati i dati.
 Per esempio un archivio di clienti può essere raggruppato per città, provincia,
regione; questi clienti possono essere relazionati con i prodotti ed ogni prodotto può
essere raggruppato per categoria.
 Gli strumenti OLAP si differenziano dagli OLTP per il fatto che i primi hanno come
obiettivo la performance nella ricerca e il raggiungimento di un'ampiezza di
interrogazione quanto più grande possibile; i secondi, invece, hanno come obiettivo la
garanzia di integrità e sicurezza delle transazioni
22
I sistemi OLAP – Punti deboli
 Inaccessibilità o difficoltà ad accedere al livello atomico del dato: gli strumenti OLAP funzionano
molto bene su dati di sintesi, non è conveniente usarli su dati analitici;
 Richiede una struttura denormalizzata per funzionare in maniera efficiente: i motori OLAP
generano grandi masse di dati per il semplice fatto che per migliorare le prestazioni di accesso sono
costretti a memorizzare chiavi ridondanti e sommarizzazioni;
 Possibile proliferazione del codice SQL: nel caso in cui il database su cui vengono effettuate le analisi
OLAP non sia multidimensionale (MOLAP) ma sia relazionale (ROLAP), le operazioni di slicing,
dicing, drilling provocano la generazione e l'esecuzione di query SQL estremamente complesse, che
richiedono molte risorse di elaborazione.
23
Tipiche richieste di BI
 Qual è il volume delle vendite per regione e categorie di prodotto durante l’ultimo
anno?
 Come si correlano i prezzi delle azioni delle società produttrici di hardware con i
profitti trimestrali degli ultimi 10 anni?
 Quali sono stati i volumi di vendita dello scorso anno per regione e categoria di
prodotto?
 In che modo i dividendi di aziende di hardware sono correlati ai profitti trimestrali
negli ultimi 10 anni?
24
Perché i sistemi tradizionali non sono
sufficienti?
Non gestiscono dati storici
Sono sistemi eterogenei
Basse prestazioni
DBMS non adeguati al supporto decisionale
Problemi di sicurezza
25
OLAP: Cubi Multidimensionali
Prodotti
Zona
Pisa
Roma
Firenze
sum
Latte Pane Birra
… ... sum
Tutti i Prodotti
Gennaio 09, Pisa.
Jan 09
Feb 09
… ...
sum
Ogni dimensione contiene una gerarchia di valori
una cella del cubo contiene valori aggregati (count, sum, max, etc.)
26
Tempo
OLAP: esempi
Il manager regionale esamina
la vendita dei prodotti
in tutti i periodi relativamente
ai propri mercati
Il manager finanziario esamina la
vendita dei prodotti in tutti i mercati
relativamente al periodo corrente e
quello precedente
magazzino
tempo
prodotto
Il manager strategico si concentra su
Il manager di prodotto esamina
una categoria di prodotti,
la vendita di un prodotto
un’area regionale e un orizzonte
in tutti i periodo e in tutti i mercati
temporale medio
27
Operazioni tipiche (1/2)
 Roll up:
 ES:il volume totale di vendite per categoria di prodotto e per regione
 Roll up: significa riassumere i dati, ovvero passare da un livello di dettaglio alto ad un livello più
basso;
 Drill down, drill through:
 ES:per un particolare prodotto, trova le vendite dettagliate per ogni venditore e per ogni data
 Drill-down: è l'operazione di ‘esplosione’ del dato nelle sue determinanti. L'operazione di drill-
down consente di visualizzare la gerarchia costruita sulla dimensione di analisi (p. es.: passaggio
dalla famiglia di prodotti all'insieme dei prodotti che ne fanno parte);
 Drill-through: il drill-through è un'operazione con cui un utente finale seleziona una singola cella
di un cubo e recupera un set di risultati dai dati di origine di tale cella allo scopo di ottenere
informazioni più dettagliate. Per impostazione predefinita, il set di risultati di un drill-through è
derivato dalle righe di tabella che sono state valutate per calcolare il valore della cella del cubo
selezionata.
28
Operazioni tipiche (2/2)
 Slice and dice:
 ES:Vendite delle bevande nelWest negli ultimi 6 mesi
 Slicing: è l'operazione di rotazione delle dimensioni di analisi. È un'operazione fondamentale per
analizzare totali ottenuti in base a dimensioni diverse o trasversali;
 Dicing: è l'operazione di estrazione di un subset di informazioni dall'aggregato che si sta
analizzando. L'operazione di dicing viene eseguita quando l'analisi viene focalizzata su una ‘fetta
del cubo’.
29
ROLAP & MOLAP
MOLAP (Multidimensional OLAP):
 Il modello di memorizzazione è un vettore multidimensionale
 Queries multidimensionali si mappano sul server in modo immediato
 Ma:
 Dati sparsi difficili da gestire
 Memoria sottoutilizzata





30
… no join
… no interfaccia SQL (API)
… necessità sistema relazionale per dati dettaglio
… file molto grandi
… limitazioni a circa 10GB (problemi scalabilità)
DBMS multidimensionali
vendite
1
2
3
4
5
…
prodotto
mese
magazzino
vino
acqua
coca cola
acqua
acqua
…
febbraio
febbraio
aprile
maggio
settembre
…
A
B
A
A
C
...
magazzino
A
B
C
feb
tempo
apr
mag
set
prodotto
31
vino
acqua coca cola
Star Schema
32
Il quadrante di Gartner – BI Platform
33
Le ragioni di Gartner
Il Magic Quadrant for Business Intelligence Platforms
presenta una visione globale che comprende il parere di Gartner e
quello dei fornitori principali di software. Gli acquirenti devono
valutare i fornitori in tutti e quattro i quadranti, e non pensare che
solo le organizzazioni più grandi sono in grado di fornire soluzioni di
successo sulla BI. In aggiunta alle opinioni degli analisti Gartner, i
punteggi e commenti nel grafico precedente si basano su tre fonti:

le percezioni dei clienti dei punti di forza di ogni produttore;

un sondaggio online condotto dal vendor sui clienti a fine 2008;

un questionario compilato da alcuni fornitori sulla loro strategia
di BI.
34