Nasza strona wykorzystuje ciasteczka by działać jak najsprawniej. Kontynuując przeglądanie wyrażasz zgodę na korzystanie przez nas z cookies.
JCommerce - Usługi IT

Usługi IT

W czasach Big Data duża ilość, zmienność i różnorodność danych wymaga zastosowania zaawansowanych narzędzi analitycznych. Firmy, które korzystają z naszych narzędzi Business Intelligence uzyskują pełen obraz płynący z danych, a dzięki temu nieograniczone możliwości prognozowania i odkrywania nowych informacji.

Słowniczek pojęć Business Intelligence

Business Intelligence

Business Intelligence (analityka biznesowa) jest pojęciem o bardzo szerokim znaczeniu. Najczęściej są to systemy definiowane jako „zintegrowany zestaw narzędzi, technologii oraz produktów programowych do zbierania danych z różnych rozproszonych źródeł, ich integrowania, analizowania i udostępniania”. Dzięki możliwości łączenia i analizowania danych obejmujących cały obszar działania przedsiębiorstwa, zgodnie z przyjętymi procesami biznesowymi, pozwalają one odpowiednio zarządzać wiedzą w organizacji, symulować i prognozować skutki przeprowadzanych działań oraz usprawniają proces podejmowania decyzji dzięki interaktywnym raportom oraz kokpitom menadżerskim. W systemach ERP sposób przechowywania danych jest zoptymalizowany do obsługi bieżących działań operacyjnych, jednak w przypadku zapytań analitycznych może to powodować znaczące wydłużenie czasu przetwarzania. Generowane wyniki przedstawiane są najczęściej w postaci dwuwymiarowej tabeli, która w przypadku zaawansowanych analiz zawierających większą ilość zmiennych może nie być wystarczająca do dokładnych analiz (zobacz więcej: Jakie korzyści niesie ze sobą wdrożenie Business Intelligence?).

Proces ETL

Proces ETL (ang. Extraction, Transformation and Loading) polega na integracji danych pochodzących z różnych źródeł w celu zapewnienia wysokojakościowych i spójnych danych. Proces ten ma kluczowe znaczenie w budowie i utrzymaniu hurtowni danych, ponieważ tylko odpowiednio zintegrowane i przekształcone dane będą użyteczne w analizach biznesowych. 
Zobacz więcej:
Jakie źródła danych można podpiąć pod system Business Intelligence? 
Czy do systemu Business Intelligence można sukcesywnie dodawać nowe systemy źródłowe?

Kokpity menedżerskie

Kokpity menedżerskie (Dashboards) prezentują kluczowe dane dotyczące działania organizacji. Posiadają wiele interaktywnych elementów graficznych, m.in. takich jak suwaki, rozwijane menu, widgety (kontrolki), które zapewniają rozbudowane możliwości analizy danych, umożliwiając tym samym, np. analizę najważniejszych KPI przedsiębiorstwa.

Kokpity menedzerskie JCommerce

Narzędzia tego typu umożliwiają sprawną analizę przedsiębiorstwa, pozwalają zwiększyć trafność podejmowanych decyzji przez menedżerów, ułatwiają zarządzanie przepływem informacji w firmie oraz pozwalają monitorować na bieżąco wyniki firmy, dzięki czemu zwiększona jest efektywność działania całej organizacji.

KPI

KPI (Key Performance Indicators) to wskaźniki pozwalające mierzyć stopień realizacji procesów biznesowych (np. sprzedaż) oraz ocenić efektywność ich realizacji (koszt, czas, jakość). KPI pozwalają na sprawną interpretacje wyników, dzięki czemu można, m.in. szybko reagować na pojawiające się problemy (np. spadek sprzedaży), czy też śledzić efekty wprowadzanych zmian.

KPI najczęściej mają postać wskaźników, bądź ukierunkowanych strzałek, co widać na poniższych przykładach.

KPI JCommerce

KPI JCommerce 2

Hurtownia danych

Hurtownia danych (DWH – Data Warehouse) – baza, w której dane są przechowywane w sposób umożliwiający wykonywanie w sposób szybki i wydajny zaawansowanych zapytań analitycznych, których wyniki można wykorzystać w procesie decyzyjnym.

Logika asocjacyjna

Analiza asocjacyjna naśladuje prace umysłu człowieka – kojarzy elementy, łączy w jedną całość i znajduje wzajemne związki. Na tym właśnie bazuje unikatowa technologia, która umożliwia dokonywanie wszystkich obliczeń w czasie rzeczywistym, w momencie klikania przez użytkownika. Wyszukiwanie informacji jest więc tak proste jak w popularnej przeglądarce Google. Analizy można prowadzić wyjątkowo szybko, elastycznie, bez konieczności ich ograniczania do predefiniowanych ścieżek zapytań, widząc zawsze wszelkie zależności pomiędzy danymi. 
Budując natomiast klasyczny system BI konieczne jest zdefiniowanie powiązań między danymi, w szczególności hierarchii. Tworząc model danych, prawie zawsze wszystkie połączenia muszą zostać po kolei przeanalizowane, rozważone i skonfigurowane. Dopiero w kolejnym kroku dodawane są potrzebne, wynikłe z wcześniejszej analizy hierarchie, które zapewniają możliwość drążenia. Każda nowa potrzeba pociąga zatem za sobą zmiany w modelu i ręczne dodawanie połączeń i hierarchii. Logika asocjacyjna różni się tym, że wszystkie dane są automatycznie od razu ze sobą powiązane. Jeżeli jakieś powiązanie jest niepotrzebne lub niepoprawne, zostaje usunięte. Znacząco przyspiesza to prace podczas modelowania danych w celu zaprezentowania ich w raportach.

 Logika asocjacyjna

Jak widać na powyższym schemacie między wybranymi obiektami są zdefiniowane wszystkie możliwe połączenia, dzięki czemu użytkownik wybierając, np. określone województwo automatycznie uzyskuje informacje o regionach jakie się w nim znajdują, o produktach, które są w nich sprzedawane oraz dane przedstawicieli handlowych, którzy pracują na tym obszarze.

OLAP


OLAP (Online Analytical Processing) – klasa systemów informatycznych do wspomagania działalności organizacji o zakresie taktycznym i strategicznym, w przeciwieństwie do systemów transakcyjnych, wspierających bieżącą działalność operacyjną. W praktyce zastosowanie znajdują różne odmiany OLAP. Najpopularniejszą implementacją tego typu systemu jest hurtownia danych często nazywana relacyjnym OLAP – ROLAP. Hurtownia danych opiera się fizycznie na tym samym rozwiązaniu, co bazy transakcyjne w bardziej zdenormalizowanej strukturze pod postacią, np. gwiazdy czy też płatka śniegu. Celowa denormalizacja pozwala na wydajne odpytywanie dużych zbiorów danych, np. na potrzeby raportowe. Rozwiązaniem typu OLAP jest również kostka wielowymiarowa (Multidimensional OLAP – MOLAP), która najczęściej jest kolejną warstwą abstrakcji osadzoną na hurtowni, gdzie dane są przechowywane w plikach o specjalnej wielowymiarowej strukturze. MOLAP posiada swój własny silnik przetwarzania, umożliwiający odpytywanie danych we wspomnianych plikach w intuicyjny i szybki sposób. Warty odnotowania jest fakt, iż oprócz danych w strukturach wielowymiarowych przechowywane są również wcześniej obliczone agregacje, dzięki czemu silnik bazodanowy nie musi przetwarzać danych o najwyższym stopniu szczegółowości, a już na wstępnie przetworzonych danych. W praktyce skrót OLAP często utożsamia się właśnie z wielowymiarową kostką analityczną. Wiele narzędzi jak, m.in. SQL Server umożliwia tworzenie wersji hybrydowej pomiędzy OLAPem relacyjnym a wielowymiarowym.

In-memory


In-memory jest jedną z wiodących technologii jeżeli chodzi o rozwój systemów informatycznych. Dotychczas tradycyjne narzędzia informatyczne, zarówno te związane z bazami danych, jak i z szeroko pojętym Business Intelligence opierały się na pobieraniu danych z plików znajdujących się na dysku twardym. Na przestrzeni lat zwiększano szybkość wspomnianego odczytu, m.in. za pomocą indeksów oraz poprzez wprowadzenie nośników SSD, jednakże dopiero In-memory dało drastyczny wzrost wydajności. W podejściu tym dysk służy jedynie do przechowywania danych, nie przetwarza ich. Podczas odczytu z dysku całość danych ładowana jest do pamięci i dopiero tam następuje późniejsze jej przetwarzanie i inne działania. Pamięć operacyjna RAM jest wielokrotnie szybsza od wszystkich dostępnych w tym momencie dysków twardych, między innymi poprzez wyeliminowanie narzutu czasowego stwarzanego przez nośnik, co sprawia, że dane są generowane dużo szybciej. Przy używaniu narzędzi opartych o technologię In-memory zwiększone jest użycie pamięci RAM, a co za tym idzie maszyny na których działa aplikacja muszą być wyposażone w odpowiednią jej ilość. W praktyce technologia jest szeroko wykorzystywana, m.in. w Qlik View, Microsoft Power Pivot czy też SAP HANA.

Tradycyjne Business Intelligence, a podejście „Self-Service”

Podstawową różnicą pomiędzy tymi podejściami jest miejsce przechowywania i przetwarzania danych. Tradycyjne podejście zakłada istnienie centralnego repozytorium danych w postaci fizycznego serwera/serwerów, do którego mają dostęp narzędzia klienckie. Tego typu obiekt wyposażony jest zazwyczaj w bardzo wydajne zasoby sprzętowe mogące obsłużyć dane wymagania analityczno-raportowe.

Self-Service BI (często nazywany również Personal BI) jest podejściem nieco innym. Nie wymaga ono centralnego obiektu w swojej architekturze, a uwydatnia role narzędzi klienckich, na których mogą być budowane i użytkowane modele analityczne. Ponadto użytkownik może modyfikować istniejące rozwiązania, a nawet samodzielnie je tworzyć bez długotrwałego procesu angażującego wiele osób. Self-Service BI w przeciwieństwie do podejścia tradycyjnego nie wymaga kosztownych inwestycji w sprzęt, ale również nie gwarantuje tego co poprzednik, a mianowicie „jednej wersji prawdy” i płynnego współdzielenia dokumentów.

Istnienie kilku rozwiązań dotyczących tego samego obszaru biznesowego może różnić się między sobą, co stwarza realny problem implementacyjny. Jednakże oba podejścia mogą istnieć równolegle, dając możliwość wyeliminowania wad każdego z podejść i uwypuklenia zalet. Jednym z tego typu rozwiązań hybrydowych jest osadzenie modelu Power Pivot na portalu serwera SharePoint, dzięki czemu wielu użytkowników końcowych może korzystać z gotowego modelu, ale również modyfikować go i współdzielić z innymi.

Aktualnie wielu czołowych dostawców oprogramowania umożliwia tworzenie rozwiązań Self-Service BI jak, np.: Microsoft Self-Service BI czy też QlikView.

Koncepcja Self- Service BI JCommerce

Koncepcja Self-Service BI w technologii Microsoft opiera się o MS Excel.

Tradycyjna koncepcja BI JCommerce

Tradycyjna koncepcja Corporate BI w technologii Microsoft. 

Wróć do FAQ

Skontaktuj się z nami