Prof. Andrea Borghesan

venus.unive.it/borg

borg@unive.it

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

Creazione data mart tematici

19