Poslovna inteligencija

1. Poslovna inteligencija Doc. dr Angelina Njeguš Data Warehouse i OLAP Data Mining Business Intelligence

2. Sirovi podaci vs. poslovne informacije • Kompanija svakodnevno prikuplja velike količine podataka. Ti podaci su često sirove činjenice koje odražavaju tekuće stanje poslovanja. • Sirov podatak: • Maloprodajni lanac prodavnica internacionalne muzičke kuće prikuplja podatke o prodaji za svaki kupljeni proizvod, podatke o obrtu kapitala i dr. Sirov podatak opisuje na primer, da lanac prodavnica u Beogradu prodaje 10000 evra vrednosti prodate robe u Junu 2003. • Finansijska institucija prikuplja podatke o svim računima i ušteđevinama klijenata. Sirov podatak na primer, može pokazati da je Sefan M. podigao 50 evra sa svog računa jutros u Amsterdamu. • Izvedene informacije: • S obzirom da je vrednost prodate robe u 2002. godini iznosio 15.000 evra, a postavljen cilj za 2003. godinu je bio 20.000 evra, očigledno je da lanac prodavnica u Beogradu nije ispunio željeni cilj. Analiza poslovanja treba da odredi posledice pada prodaje. Pitanja koja se postavljaju su: Koji se proizvodi prodaju, a koji ne?, Koji je efekat promocije proizvoda?. • Stefan živi u Beogradu, ali u proteklih pet meseci, Stefan je podizao novac u Londonu, Oslo-u, Stockolm-u, što dovodi do zaključka da on često putuje po Evropi. S toga bi možda on bio zainteresovan za specijalnu kreditnu karticu koji mu omogućava neograničen pristup svom računu u 16 različitih zemalja uz odgovarajuću godišnju članarinu. Pitanja koja se postavljaju nakon ove analize su: Koji je prosečan dnevni bilans njegovog računa?, Za koje proizvode bi bio zainteresovan?

3. OLTP sistemi • OLTP (on-line transaction processing) sistemi su operacioni sistemi koji prikupljaju poslovne transakcije i snabdevaju podacima data warehouse ili data mart. • Skladište podataka (Data Warehouse – DW) je analitička baza podataka namenjena samo za čitanje i koristi se kao osnova sistema za podršku odlučivanju. • Primeri OLTP operacionih sistema: aplikacije praćenja porudžbina, aplikacije usluga klijenata (npr., otvaranje računa klijentima), bankarske funkcije (npr, depoziti) itd. • Jedna od karakteristika koja razdvaja transakcione sisteme od analitičkih jeste dizajn baze podataka: • Transakcioni sistemi su dizajnirani tako da preuzimaju podatke, vrše izmene nad postojećim podacima, daju izveštaje, održavaju integritet podataka i upravljaju transakcijama što je brže moguće. • Analitički sistemi nisu predviđeni da obavljaju ove poslove. Oni se dizajniraju za veliki broj podataka namenjenih samo za čitanje, obezbeđujući informacije koje se koriste za donošenje odluka.

4. Data Warehousing (DW) • Skladištenje podataka - DW je proces integracije podataka u jedan repozitorijum iz kojeg krajnji korisnici mogu sprovoditi ad-hock analize podataka i praviti izveštaje. • Karakteristike DW: • Organizacija.Podaci su organizovani po predmetu i sadrže relevantne informacije za podršku odlučivanju. • Konzistentnost.Podaci u različitim operacionim bazama podataka se drugačije šifriraju. U DW ti podaci će biti šifrovani na konzistentan način. • Vremenski.Podaci se čuvaju mnogo godina kako bi se iskoristili za praćenje trendova, prognoze i vremensko poređenje. • Multidimenzionalni.Obično data warehouse koristi multidimenzionalnu strukturu. • Web-zasnovani.Danas je DW dizajniran tako da obezbedi jedno efikasno okruženje za web zasnovane aplikacije. • Warehousing koncept je skladištenje agregiranih, ekstrahovanih i filtriranih podataka u meta baze, koje omogućavaju slojevit, multidimenzionalni pristup podacima, kakav je potreban za donošenje odluka najvišeg strateškog nivoa. • Skladište podataka je informaciona baza podataka dizajnirana za podršku jedne ili više klasa analitičkih zadataka, kao što su nadgledanje i izveštavanje, analiza i dijagnoza i simulacija i planiranje.

5. Komponente DW sistema • DW sistem sadrži mnoge komponente koje prenose podatke sa izvornih sistema do korisnika koji izvršavaju analizu podataka: • Izvori podataka – Izvorni sistemi su operacioni sistemi, npr. OLTP sistemi koji mogu biti relacioni. • Oblast za pripremu podataka – skup procesa koji čisti, transformiše, povezuje i priprema izvorne podatke za korišćenje u DW. Podaci se transformišu u konzistente formate. Oblast za pripremu podataka se nalazi na jednom ili nekoliko kompjutera, ne mora da bude zasnovana na relacionoj tehnologiji, ne podržava koristničke izveštaje. • Data Mart – je podskup DW koji sadrži podatke specifične za određenu poslovnu aktivnost kao što su finansije ili analiza klijenata. Data martovi mogu biti uključeni u DW, mogu se izgraditi u relacionim ili OLAP bazama podataka i mogu detaljne ili sumarne podatke koje se mogu ili ne deliti kroz data mart-ove. • Data Warehouse – može se definisati i kao virtuelna unija data mart-ova sa integrisanim informacijama koje su deljive kroz data mart-ove ili kao centralizovano, integrisano skladište podataka koje obezbeđuje podatke data mart-ovima.

6. Data Warehouse Korisnički pristup podacima Izvori podataka Oblast za pripremu podataka Data Mart-ovi Ulazni podaci Pristup podacima Komponente DW sistema

7. Zaposleni_Dim ZaposleniKljuč ZaposleniID ... Proizvod_Dim Vreme_Dim ProizvodKljuč VremeKljuč ProizvodID ... Datum ... Špediter_Dim Klijent_Dim ŠpediterKljuč KlijentKljuč ŠpediterID ... KlijentID ... Arhitektura dimenzionog modela:šema zvezde Dimenziona tabela Tabela činjenica Prodaja_fakti VremeKljuč ZaposleniKljuč ProizvodKljuč KlijentKljuč ŠpediterKljuč IznosProdaje JediniceProdaje ...

8. Mere vreme_dim 134 1/1/2000 Komponente tabele činjenica Dimenzione tabele Mere predstavljaju analizirane vrednosti, kao što je jedinica prodaje ili broj zaposlenih. Mere su numeričke zbog toga da bi se mogla vršiti izračunavanja. Tabela činjenica Prodaje klijent_dim Spoljni ključevi 201 ALFI Alfred klijent_ključ proizvod_ključ vreme_ključ količina_prodaje iznos_prodaje proizvod_dim 201 25 134 400 10,789 25 123 TV

9. Šema pahulje • Definiše hijerarhiju koristeći višedimenzione tabele - Šema pahulje je varijacija šeme zvezda u kojoj su hijerarhija dimenzije skladištene u višedimenzione tabele. Na primer, dimenzija Proizvod je skladištena u tri tabele: kategorija proizvoda, podkategorija proizvoda i proizvod. • Normalizovana je. • Podržana je unutar analitičkih usluga. (samo jedna dimenziona tabela se pridružuje tabeli činjenica, dok su ostale dimenzione tabele povezane sa spoljnim ključem).

10. Izgradnja Data Warehouse-a 11

11. OLAP sistemi • OLAP rešenja omogućavaju korisnicima brz i fleksibilan pristup podacima i predstavljaju nadgradnju skladišta podataka. • Interaktivno analitičko procesiranje (On line Analytical Processing – OLAP) namenjeno je on-line analizama i izveštavanjima. • Krajnjem korisniku je neophodno sledeće: • da može da postavi bilo koje poslovno pitanje, • da bilo koji podatak iz preduzeća koristi za analizu, • mogućnost neograničenog izveštavanja. • U tu svrhu se koriste analitički OLAP sistemi koji obezbeđuju informacije koje se koriste za analizu problema ili situacija. • Analitičko procesiranje se primarno vrši korišćenjem poređenja ili analiziranjem šablona i trendova. Na primer, analitički sistem bi mogao da prikaže kako se određena vrsta štampača prodaje u različitim delovima zemlje. Takođe, mogao bi da prikaže i kako se jedna vrsta proizvoda trenutno prodaje u odnosu na period kada se proizvod prvi put pojavio na tržištu.

12. Komponente OLAP baze podataka • OLAP baza podataka je definisana sledećim komponentama: • Numeričke mere – Mere su vrednosti podataka ili činjenice koje korisnici analiziraju. Primeri mera su Prodaja, Jedinice, Troškovi prodate robe itd. • Dimenzije – dimenzije predstavljaju poslovne kategorije koje obezbeđuju kontekst numeričkim merama. Dimenzijama OLAP je lakše navigirati nego dimenzijama šeme zvezde. • Kocke – Kocke kombinuju sve dimenzije i sve mere u jedan konceptualni model. Kocka je logička struktura skladištenja OLAP baze podataka.

13. Primeri dvodimenzionih i trodimenzionih modela podataka • Podaci o prodaji za svaku oblast se nalaze u različitim tabelama • Svi podaci smešteni su u trodimenzioni niz Mesec Grad Mesec Pro i zvod Pro i zvod a) Dvodimenzioni model podataka b) Trodimenzioni model podataka

14. Različiti pogledi na iste podatke Mesec Grad P r o i z v o d Svi gradovi i meseci za jedan proizvod Svi proizvodi i meseci za jedan grad Svi proizvodi i gradovi za jedan mesec

15. Definisanje kocke Milano Bern Dimenzija Tržište Pariz Puževi Pečurke Beograd Kupine Dimenzije Proizvodi Maline Q1 Q2 Q3 Q4 Dimenzija Vreme • Kocka skladišti vrednosti prodaje za svaki proizvod, svako tržište i za svaki period vremena. • Da bi dobili ukupnu godišnju vrednost, korisnici biraju proizvod i tržište i sumiraju ćelije iz sva četiri kvartala.

16. Pravljenje upita nad kockom Fakti o prodaji Milano Bern Dimenzija Tržište Pariz Puževi Pečurke Beograd Kupine Dimenzija Proizvodi Maline Q4 Q1 Q2 Q3 Dimenzija Vreme • Kocka “Prodaja” sadrži tri dimenzije: Vreme, Proizvodi i Tržišta. Činjenice o prodaji su skladištene u presecima svih dimenzija u kocki. Korisnik koji nadgleda prodaju malina u Milanu želi upit za Q4 prodajne vrednosti.

17. Definisanje “kriške” (engl. slice) ili podskupa kocke Milano Bern Dimenzija Tržište Pariz Puževi Pečurke Beograd Kupine Maline Dimenzija Proizvodi Q4 Q1 Q2 Q3 Dimenzija Vreme • Menadžer distribucije malina želi da pregleda podatke o pečurkama po svim periodima i za sva tržišta.

18. Rad sa dimenzijama i hijerarhijama • Glavna svrha OLAP baza podataka je da obezbede fleksibilne modele za pronalaženje podataka. Dimenzije i hijerarhije omogućavaju tu fleksibilnost. • Dimenzije omogućavaju slice i dice: • Slice - izbor jednog člana iz dimenzije. Na primer: ukoliko želite da se fokusirate na samo jedan proizvod, slice vam omogućava da ignorišete sve osim željenog proizvoda. • Dice – kada primenjujete dice na kocki, onda postavljate više članova iz jedne dimenzije na jednu osu i više članova druge dimenzije na drugu osu. Ovakav način vam omogućava da sagledate međuodnose članova različitih dimenzija. • Hijerarhija vam omogućava drill down i drill up: • Drill Down - Sve dimenzije sadrže hijerarhiju i za većinu dimenzija hijerarhija se sastoji od više nivoa. Više nivoa hijerarhije omogućava drill down po jednom članu hijerarhije. Drill down omogućava da se fokusirate samo na određene podatke ili oblast problema. • Drill Up – Vide se samo zbirne informacije članova. Omogućava da se sagleda opšta slika.

19. Rad sa dimenzijama i hijerarhijama • Dimenzije vam dozvoljavaju • Slice • Dice • Hijerarhije vam dozvoljavaju • Drill Down • Drill Up

20. Vendori OLAP-a http://www.olapreport.com

21. Data mining i otkrivanje znanja • Korisnici informacionih sistema s pravom zaključuju da su im uvođenjem automatizovanog informacionog sistema obećavali sve i svašta, a dobili su samo gomilu podataka. Čak i najboljem analitičaru je teško da identifikuje ključne informacije koje su relevantne za upravljanje poslovanjem. • Data mining je automatski ili poluautomatski proces koji izvodi značajna pravila ili obrasce iz ogromne količine podataka. Data mining programi analiziraju delove podataka da bi identifikovali veze između naizgled "nepovezanih podataka". • Data mining otkriva oblike i trendove u sadržaju ove informacije. • Data mining otkriva relacije našeg svakodnevnog komuniciranja sa podacima. • Data mining se može definisati kao proces podrške odlučivanju u kojem se traže šabloni infomacija u podacima. • Osnovni cilj data mininga jeste otkrivanje skrivenih veza, predvidivih sekvenci i tačnih klasifikacija.

22. Primene Data mininga • Reklamiranje na Internetu • Data mining se može koristiti za klasifikovanje grupa klijenata sa sličnim informacijama, kako bi se ciljno reklamiralo. • Kada se korisnik na primer registruje na e-commerce Web sajt koji prodaje sportsku opremu tada DBMS prikuplja informacije o klijentu, kao što su pol, godine, omiljeni sport i dr. Korišćenjem tehnika data mininga, web sajt će prikazivati baner sa motivima golfa za muškarce i dr. • Kada kupujete putem Interneta, ponekad vam se ponude i dodatni proizvodi za koje je Web sajt predvideo da ćete možda biti zainteresovani. Takva preporuka se zasniva na tehnikama data mininga koji pretražuje obrasce klijenata koji su na primer kupili istu knjigu koju vi sada kupujete. Sistem preporučuje: “Ukoliko vam se dopada x knjiga, proverite i sledeće ponuđene knjige”. • Upravljanje kreditnim rizikom • Kada uzimate kredit, banka prikuplja širok opseg informacija o vama, kao na primer prihodi, godine staža, bračni status, kreditna sposobnost itd. Koriščenjem data mining tehnika, banka može da predvidi da li ste dobar ili rizičan klijent za davanje kredita i takva informacija će odlučivati o odobravanju kredita.

23. Data mining modeli • Modeli Analysis Services SQL Servera su • Drvo odlučivanja (Decision Trees) –popularan metod za klasifikaciju i predviđanje. Korišćenjem serije pitanja i pravila za kategorizaciju podataka, mogu se predvideti da će izvesni tipovi imati specifične ishode. Na primer, osoba u starosnom dobu između 25-35 godina koja zarađuje 60.000€/godišnje, najverovatnije će biti zainteresovana da podigne kredit za stan nego neko u starosnoj grupi od 15-24 godina. Na osnovu godina, dohotka i dr. istorijskih činjenica, algoritam drveta odlučivanja će izračunati izglede da nekoj osobi trebaju neke određene usluge. • Pravila asocijacije (Association Rules) – ovaj algoritam pomaže u identifikovanju relacija između različitih elemenata. On grupiše po sličnosti, odnosno koristi se za pronalaženje grupe artikala koji se najčešće zajedno događaju u jednoj transakciji. Na primer, koristi se kod unakrsne prodaje gde se beleže veze između artikala i predviđa za koji proizvod će još biti zainteresovan da kupi. Ovaj algoritam može da radi sa enormno velikim katalozima. Bio je testiran na pola miliona artikala. • Naive Bayes – ovaj algoritam se koristi da jasno pokaže različitosti u određenim promenljivama kod različitih elemenata podataka. Na primer, promenljiva: dohodak jednog domaćinstva se razlikuje za svakog klijenta u bazi podataka i može da posluži kao predskazatelj za buduće kupovine. • Sequence Clustering – tehnika klasteringa omogućava grupisanje zapisa podataka koji su slični na osnovu sekvenci prethodnih događaja. Na primer, sa klasteringom možete segmentirati klijente sa sličnim karakteristikama u grupe. Korisnici Web aplikacije često prate različite putanje kroz sajt. Ovaj algoritam može da grupiše klijente prema njihovom redosledu otvaranja stranica na sajtu kako bi pomogli u analizi korisnika i u određivanju koje su putanje profitabilnije od drugih. Ovaj algoritam se takođe može koristiti u predviđanju koju će sledeću stranicu korisnik posetiti. • Vremenske serije (Time Series) – ovaj algoritam se koristi za analizu i prognozu vremenski zasnovanih podataka. Prodaje su najčešće analiziran i prognoziran podatak. Ovaj algoritam traži šablone prolazeći kroz višestruke serije podataka tako da poslovanje može da odredi kako različiti elementi utiču na analiziranu seriju. • Neuronske mreže(Neural Nets) – kao što čovek uči na osnovu iskustva tako može i računar. Neuronske mreže modeluju neuronske veze u ljudskom mozgu i na taj način simuliraju učenje. Ukoliko sastavljate podatke gde su ulazne i izlazne činjenice poznate, računar može da nauči iz tih obrazaca i postavi pravila i matematičke faktore kako bi npr., pomogao izračunavanje ili predvideo izlaznu vrednost. Pretpostavimo da želite da prodate kola, nekoliko faktora utiče na prodajnu cenu kao što su godine, stanje, proizvođač, model itd. Analizirajući cene kola, neuronske mreže mogu da kreiraju seriju ulaznih i izlaznih faktora kako bi predvideli cenu prodaje. • Text Mining – ovaj algoritam analizira nestruktuirane tekstualne podatke. Na primer, kompanije mogu da analiziraju nestruktuirani podatak kao što je deo za komentare gde klijenti unose svoje utiske, zadovoljstvo o proizvodu i druge komentare.

24. Decision Trees Clustering Naïve Bayes Time Series Sequence Clustering Neural Net Association Logistic Regression Algoritmi Data Mining-a Introduced in SQL Server 2000 Linear Regression Text Mining

25. Uvodni primer • Koji je ključni atribut za predviđanje da li će svršeni srednjoškolci upisati fakultet ili ne? • Postavljana su im sledeća pitanja: • Kog su pola? • Koliki je prihod njihovih roditelja? • Koliki im je IQ? • Da li ih roditelji ohrabruju da nastave studiranje ili ne? • Da li planiraju da upišu fakultet? • Da bi na osnovu prikupljenih podataka utvrdili koliko studenata će nastaviti školovanje, neophodno je da se postavi upit koji broji zapise studenata koji žele i onih koji ne žele da nastave školovanje.

26. Uvodni primer (nastavak) • Pretpostavimo da ste zainteresovani da odredite koji atribut ili kombinacija atributa imaju najveći uticaj da predvidi verovatnoću studenata koji će upisati fakultet. Ovo je složeniji upit i zahteva korišćenje tehnika data mininga. • Primenjujući algoritam drveta odlučivanja otkrivene su sledeće relacije: • Najuticajniji atribut je ohrabrivanje njihovih roditelja da upišu fakultet. Oni studenti koje roditelji ohrabruju da upišu fakultet, 60 % planira da upiše fakultet i to uglavnom oni sa visokim IQ..

27. Svi studenti Upisaće fakultet: 33% Da 67% Ne Ohrabrenje roditelja = Da Ohrabrenje roditelja = Ne Upisaće fakultet: 57% Da 43% Ne Upisaće fakultet: 6% Da 94% Ne Visok IQ Upisaće fakultet: 18% Da 82% Ne Nizak IQ Upisaće fakultet: 4% Da 96% Ne Visok IQ Nizak IQ Srednji IQ Upisaće fakultet: 74% Da 26% Ne Upisaće fakultet: 29% Da 71% Ne Upisaće fakultet: 9% Da 91% Ne Drvo odlučivanja Podsticaj od strane roditelja ? IQ IQ

28. Koraci kod izgradnje DM modela • Izbor tehnike data mininga • Identifikovanje slučaja (case) • Izbor entiteta koji treba da se predvidi • Identifikovanje podataka za analizu • Opciono kreiranje dimenzije i virtuelne kocke iz rezultujućeg modela • Obrada modela i prikupljanje rezultata.

29. Podaci za predviđanje Podaci Mining model Mining model Predvidljivi podaci Metodologija kreiranja Data Mining modela Da bi kreirali model morate da prikupite skup podatka, gde su atributi koji treba da se predvide unapred poznati. Podaci se ubacuju u DM model koji ih analizira i traži pravila i obrasce koji bi se kasnije mogli iskoristiti za predviđanje. Podaci koji se analiziraju su obično: • Istorijski podaci • Statistički predstavnik slučajeva (cases) za koje gradite model. Slučaj (case) je element koji se koristi za klasifikaciju i grupisanje podataka. DM engine procenjuje slučajeve i kreira model koji se zasniva na izabranom algoritmu. DM Engine DM Engine

30. Izgradnja Data Mining modelasa OLAP podacima • Uvod u scenario Članske kartice • Izbor Data Mining tehnike • Izbor slučaja (case) • Selekcija entiteta za predviđanje • Selekcija podataka za analizu (training data) • Kreiranje dimenzije i virtuelne kocke • Ispitivanje Data Mining modela

31. Uvod u scenario Članske kartice • Direktor marketinga želi da oceni trenutni program članskih kartica. Da bi zadržao postojeće klijente i ispunio njihova očekivanja, želi da identifikuje mogućnosti kako bi povećao nivo usluga kod svih kartica: zlatna, srebrna, bronzana i obična. • Raspoložive informacije od klijenata su pol, bračni status, godišnji prihodi, nivo obrazovanja. • Da bi predvideli faktore koji utiču na izbor odgovarajuće kartice koristićemo Data mining: • Koristićemo tehniku drveta odlučivanja da bi pronašli obrazac za izbor članske kartice. • Odabraćemo Klijente kao dimenziju slučaja (case dimension). • Odabraćemo Člansku kartu kao informaciju koju će koristiti algoritam DM da bi identifikovao obrasce. • Iskoristiće se raspoložive informacije o klijentima kako bi se pronašao obrazac. • Ispitati drvo odlučivanja.

32. Izbor tehnike Data Mininga

33. Izbor slučaja (case)

34. Selektovanje entiteta za predviđanje

35. Selektovanje podataka za analizu (training data)

36. Kreiranje dimenzije i virtuelne kocke • Ukoliko želite na interaktivan ad-hoc način da isptujete drvo odlučivanja onda možete da uključite opciju kreiranja nove dimenzije i uključivanje iste u virtuelnu kocku..

37. Ispitivanje Data Mining modela Content Navigator – kompletan pogled DM modela; koristi se i za navigaciju kroz drvo odlučivanja i menjanja sadržaja u Content Detail. Content Detail – fokus DM modela Atributi – Predstavlja numeričke ili grafičke prezentacije entiteta za predviđanje za trenutno izabrani čvor. Node Path

38. Ispitivanje zavisnosti mreže

39. Pojam Business Intelligence • Business Intelligence (BI) podrazumeva korišćenje tehnologija za prikupljanje i efektivno korišćenje informacija kako bi se poboljšala poslovna efektivnost. • Idealni BI sistem omogućava zaposlenima, partnerima i dobavljačima lak pristup informacijama, analizu i međusobno deljenje informacija. • BI softver je opšti pojam koji opisuje DSS sisteme, ranije EIS sisteme, data warehouse softvere, ekspertne sisteme i data mining tehnike za interpretiranje podataka. • Danas, BI sistemi predstavljaju stratešku prednost preduzeća. • BI su neophodni kako bi se izvukao maksimum iz ERP sistema. • Demo na: http://www.businessobjects.com/global/flash/products/xi_tour/index_flash.asp

40. Zašto je teško postići veći Return Of Informationdanas… Mnoge tačke integracije podataka…slab integritet i pouzdanost podataka Visok stepen čišćenja podataka i ponovnog unosa ... intenzivan rad Data Mart-ovi Data Warehouses Visoko IT uticaj…duže vreme za vrednovanje Izvornisistemi Tekst Mining ERP Ručno kodiranje CRM Višestruka rešenja… skuplje, frustrirani korisnici LOB ETL Analiza podataka(OLAP, Data Mining) Unos od strane zaposlenih… sklon greškama Mnogi diskonektovani sistemi…nekompletni podaci…višestruke verzije istine

41. Business Intelligence Obezbeđivanjem uvida u poslovanje svim zaposlenima dovodi do donošenja boljih, bržih i relevantnijih odluka

42. Zašto je bitno izveštavanje? • Bolje odlučivanje u čitavoj organizaciji • Izgradnja izveštaja nad višestrukim izvorima podataka • Omogućava interaktivni pristup podacima • Omogućava krajnjem korisniku da napravi sopstveni ili modifikuje postojeći izveštaj • Obezbeđuje izveštaje u formatu koje korisnik želi • Sa lakoćom integriše izveštaje u aplikacije

43. Studija slučaja • Institut za Turizam Zagreb je iskoristio poslovnu inteligenciju da bi obezbedio Web zasnovane turističke informacije. • Razvijen je Business Intelligence System in Tourism (BIST). • Faza 1 – fokus na podatke o dolascima turista, broja prenoćišta i smeštajnim kapacitetima. • Naredne faze su uključile informacije o potrošnji turista, konkurentnosti, trendovima i predviđanjima. • Korisnici BIST-a mogu da vrše analize i pregledaju podatke preko nekoliko dimenzija: • Vreme (godina, mesec, sezona) • Teritorija (država, region, grad, ostrvo) • Tržište • Smeštaj (privatni, kolektivni) • Dolasci (domaći, strani) • Podaci se ažuriraju svakog meseca i korisnici mogu da pretražuju informacije od 2001. godine.