SISTEMI INFORMATIVI AZIENDALI - venus.unive.itvenus.unive.it/borg/SistInf-1.pdf · SISTEMI...
Transcript of SISTEMI INFORMATIVI AZIENDALI - venus.unive.itvenus.unive.it/borg/SistInf-1.pdf · SISTEMI...
Prof. Andrea Borghesan
venus.unive.it/borg
Ricevimento:
Alla fine di ogni lezione
Modalità esame: scritto
1
SISTEMI INFORMATIVI AZIENDALI
Sistemi informazionali
La crescente diffusione dei sistemi informativi a supporto delle
attività aziendali ha fatto nascere un nuovo tipo di esigenza:
sfruttare il patrimonio dei dati per identificare le
informazioni utili al processo decisionale.
I primi strumenti di supporto alle decisioni furono:
Report
Fogli excel
Ben presto tali soluzioni mostrano evidenti limiti.
2
Sistemi informazionali
Limiti dei report:
Staticità dei dati estratti: un report fotografa un istante
aziendale secondo una logica prefissata. Un ulteriore dettaglio
richiede il lancio di un secondo report (se disponibile,
altrimenti bisogna implementarlo)
Difficoltà e lentezza iter di realizzazione: se il sistema
operazionale è fornito da una terza parte possono passare
anche mesi per l’effettiva realizzazione. Anche se sviluppato
internamente richiede più passaggi per la realizzazione
Parzialità: i report lavorano esclusivamente sulla base dati
operazionale presente in azienda e male si integrano con fonti
esterne3
Sistemi informazionali
Limiti dei fogli elettronici:
Macchinosità: i dati devono essere estratti dalle fonti e copiati
nei fogli. Se le fonti sono diverse spesso non sono nemmeno
copiabili
Scarso controllo dei dati: nessun controllo sulla natura dei dati
Proliferazione di strumenti personali di calcolo: ogni persona
crea la propria soluzione spesso replicando parzialmente il lavoro
di altri
Grande complessità strutturale del db operazionale: è
praticamente impossibile che un utente medio conosca la logica e
dunque possa identificare la locazione fisica delle informazioni
4
sistemi operazionali => sistemi
informazionali
Esempio di interrogazione:
Quale modalità di pagamento è stata concordata col cliente?
Quali fatture devo ancora pagare?
Cosa deve produrre oggi il centro di lavoro X
…
…
Esiste una correlazione tra la zona che risiede il cliente, la sua
scolarità e la propensione all’acquisto beni di lusso?
All’ultima interrogazione può rispondere solo un sistema
informazionale perché sui sistemi operazionali le interrogazioni
sono previste, prefissate e definite dai processi implementati
5
Concetti generali. Terminologia 1/2Aumenta la mole dei dati disponibili, aumenta la richiesta di
estrazione informazioni strategiche.
Nell’ambito dei sistemi informazionali sono d’uso corrente
terminologie e acronimi:
Data warehouse: è la base dati informazionale, raccoglie in un
unico magazzino (warehouse) tutti i dati di interesse per l’azienda
Data warehousing: insieme di attività che porta alla definizione,
costruzione e mantenimento struttura delle informazioni nel data
warehouse
Decision Support System (DSS): sistemi di supporto alle
decisioni, sono tutti gli strumenti informatici che servono
all’estrazione di informazioni per il processo decisionale. Es.
browser OLAP6
Concetti generali. Terminologia 2/2
Data mining: l’insieme di strumenti e tecniche utilizzate per
estrarre dai dati informazioni nascoste. Il data mining si basa sul
principio che spesso i dati possono rivelare relazioni che l’utente
non immagina
Business intelligence: si intende in senso ampio l’insieme delle
attività orientate a estrarre informazioni dai dati di business
Knowledge management: la conoscenza non è mantenuta dai dati
stutturabili/strutturati ma anche dall’insieme delle competenze e
conoscenze che ogni persona porta nell’azienda e dai dati
reperibili tramite web
7
Sistemi di data warehouse
I sistemi di data warehouse sono solitamente costituiti da:
Dal data warehouse vero e proprio, ovvero il database che
mantiene le informazioni
Dalle procedure che utilizzano il data warehouse, le più
svariate: popolamento del db, trasformazione, controllo e
riorganizzazione dei dati… al fornire strumenti di analisi per i
processi aziendali
Il “frutto finale” dei sistemi di data warehouse sono solitamente gli
analizzatori OLAP, On Line-Analytical Processing (Edgar Codd,
1993). Si possono definire come uno strumento interattivo di
analisi “guidata dalle ipotesi” sui dati. L’utente formula un’ipotesi
e interroga la base dati per verificare la veridicità dell’ipotesi.
8
Sistemi di data mining 1/2
I sistemi di data mining hanno lo scopo di portare alla luce
informazione nascoste nei dati, sono sistemi complessi in grado di
elaborare enormi quantità di dati difficilmente trattabili da una
persona. Le elaborazioni tipo sono:
ricercare schemi che si ripetono
Associazioni tra i dati
Cluster (dati che si dispongono in modo preferenziale attorno a
particolari valori)
singolarità (dati che si discostano dalla maggioranza degli altri)
Tendenze
Utilizzano tecniche complesse come il calcolo statistico multivariato,
pattern recognition e intelligenza artificiale.9
Sistemi di data mining 2/2Probabilmente non si può parlare di data mining senza avere alle
spalle un sistema solido di data warehouse.
Ecco alcuni ambiti di utilizzo:
Ambito commerciale, i centri di distribuzione analizzano le
preferenze dei clienti. Tramite le carte fedeltà tracciano il profilo
del cliente e associare il dettaglio acquisti effettuati. Le variabili
sono numerose: del cliente (sesso, età, scolarità, nucleo familiare,
reddito) dell’acquisto (giorno, ora, prodotto, quantità, posizione
prodotto, promozioni, pagamento)
Ambito produttivo, le informazioni dei reclami e del
rilevamento non conformità sono analizzate congiuntamente con
quelle dei componenti utilizzati allo scopo di rilevare frequenze
particolari di guasti associandoli ad un determinato lotto o
lavorazioni10
Dati.
Operazionale vs informazionali 1/3
L’informazione analitica si differenzia in modo marcato
dall’informazione operazionale. Caratteristiche di scostamento
sono:
Finalità: i sistemi operazionali hanno come fine l’esecuzione o il
supporto all’esecuzione di operazioni quotidiane. I sistemi
informazionali devono descrivere il passato, aiutare a identificare i
problemi e le cause, suggerire i cambiamenti da apportare
Struttura: i dati dei sistemi operazionali sono articolati attorno a
funzioni, procedure ed eventi. Nei sistemi informazionali le
informazioni riguardano il soggetto (individuali o collettivi)
Utenza e strumenti: i sistemi operazionali sono utilizzati
prevalentemente da personale esecutivo e dai primi livelli di
management11
Dati.
Operazionale vs informazionali 2/3
Livello di dettaglio: nelle informazioni quotidiane interessa
accedere a informazioni puntuali sull’oggetto, esempio
l’operatore che inserisce un ordine vuole sapere condizioni
commerciali, di spedizione, pagamento… A livello decisionale
l’informazione dettagliata è inutile, servono dati aggregati per
cogliere contemporaneamente più punti di vista
Tipo di accesso: i sistemi informazionali non producono nessun
dato, cercano di cogliere le relazione fra i dati. L’accesso ai dati è
di solito in sola lettura. L’aggiornamento/inserimento dei dati
avviene nei sistemi operazionali con scadenza solitamente
giornaliera
12
Dati.
Operazionale vs informazionali 3/3
Differenze così marcate tra dati utilizzabili per i sistemi operazionali
e informazionali rendono le basi di dati progettate per il supporto
operazionale assolutamente inadeguate per il supporto
informazionale.
Conseguenza:
sistemi informazionali adottano il modello multidimensionale
13
Il modello multidimensionale
Perché utilizzare un modello a struttura multidimensionale?
Perché è intuitivo, facilmente interpretabile dall’utente,
particolarmente efficiente nelle operazione di aggregazione e
disaggregazione dei dati.
Esempi di analisi:
Abitudini di acquisto dei clienti =>
si valutano gli acquisti effettuati dai clienti
Efficienza della catena di distribuzione =>
si “associano” agenti e articoli
IL modello standard utilizzato prevalentemente è l’ipercubo: una
matrice multidimensionale14
Il modello multidimensionale
Per costruire un ipercubo dobbiamo identificare:
Fatto elementare o elemento, un valore per ogni possibile
cordinata
Misure numeriche che quantificano il fatto elementare
Dimensioni, le coordinate di ciascun elemento
Esempio:
Il fatto elementare è la vendita di un prodotto, le misure sono la
quantità e l’importo. Le dimensioni di analisi sono l’articolo
venduto, l’anno e la zona dove è stato venduto il prodotto
15
L’ipercubo
La figura rappresenta l’ipercubo a 3 dimensioni relativo all’esempio
nella slide precedente
16
Prodotto Area 2003 2004 Confronto
Articolo 1 Centro 60 56 7%
Est 203 220 8%
Ovest 64 64 0%
Prodotto Area Agente 2003 2004 Confronto
Articolo 1 Est Dal Farra 43 52 21%
Del Do 24 25 4%
Mansi 28 30 7%
Trevisan 28 30 7%
Ovest Brambilla 89 93 4%
Cozzi 71 75 6%
Raiteri 13 11 -15%
Rossi 27 28 4%
Si noti come dall’ipercubo risulta più facile leggere le informazioni
rispetto alle tabelle che contengono i dati
Data mart
Il data warehouse per completezza e profondità storica può
raggiungere dimensioni estremamente elevate e/o probabilmente
contenere dati che a qualcuno potrebbero non servire.
Esempio, il direttore delle vendite e marketing è poco interessato
alle informazioni relative alle spedizioni o sui dipendenti.
Al fine di ridurre la complessità viene utilizzato un data mart, una
sorta di data warehouse tematico che contiene solo i dati
riguardanti una certa area di indagine
18