Kurs pokrývá problematiku druhotného zpracování podnikových dat pro potřebu rozhodování. Jeho cílem je
seznámení se všemi základními pojmy a hlavními oblastmi vytváření a provozu datových skladů a BI řešení.
Detailněji se věnuje vybraným tématům, jejichž osvojení tvoří základní rámec znalostí pro uplatnění v oblasti DW a
BI. Kurs vychází z publikovaných teoretických materiálů a praktických zkušeností řady odborníků, dlouhodobě se
zabývající realizací tohoto typu řešení.
Pro absolvování předmětu je nezbytná znalost látky pokryté předmětem NDBI025 Databázové systémy.
Poslední úprava: T_KSI (26.04.2007)
The Data Warehousing (DW) and Business Intelligence (BI) course covers the area of secondary data processing for
decision support process. Its goal is making students familiar with all basic terms and main areas of DW and BI solutions
building and operation. In detail it focuses on some particular topics which compose a base frame to be exploited in DW&BI
area. The course is based on published documents and practical experience of many specialists with the long working
experience in this area.
Literatura
Poslední úprava: T_KSI (05.05.2004)
Kimball, Ralph: The Data Warehouse Toolkit, Wiley, 1996
DOHNAL, Jan - POUR, Jan: Architektury informačních systémů v průmyslových a obchodních podnicích, 1997
Berry, Linoff: Data Mining Techniques For Marketing, Sales, and Customer Support
Sylabus -
Poslední úprava: T_KSI (26.04.2007)
1. Úvod do datových skladů a business inteligence.
Co je datawarehousing (DW) a business inteligence (BI); Vymezení dílčích disciplin; Principy a specifika DW a BI; Základní pojmy, komponenty.
2-3. Architektura DW.
Vrstvy DW; Modely Datových skladů (centrální, distribuovaný, datamarty, operativní data store, aktivní DW); Komponenty DW; Prezentace dat (Reporting, OLAP, dolování dat, speciální agendy).
4.-5. Modelování DW.
Multidimensionální model, hierarchie; Typy modelů (hvězda, vločka, souhvězdí, sněhová bouře, konformované dimenze), typy dimenzí a faktů , speciální dimenze, další typy modelů; optimalizace modelu.
6. Metadata a Master data.
Metadata (účel, typy, správa); Master data (účel, vznik, správa a údržba); řízení master dat/metadat.
7.-8. Nástroje a technologie.
Přehled technologických komponent; Standardy; Datové systémy; ETL/ELT; Prezentace (nástroje, techniky)
9. Správa DW.
Životní cyklus DW; životní cyklus informací v DW; Optimalizace výkonu; Řízení změn obsahu.
10.-11 Kvalita dat.
Základní pojmy řízení kvality dat (DQ); agendy a principy DQ; architektura řízení DQ; Metodiky řízení DQ; Ochrana osobních údajů.
12. Dolování dat.
Účel; Základní principy a pojmy; Modely a metody; Prediktivní modelování
13.-14. Pokročilé metody BI.
Analytický CRM; Segmentace, typy segmentací; Řízení kampaní; Customer Business Performance DW; Risk Management, Attrition Management, Cross/Up-sell, Fraud Detection; Customer Value Management.
Poslední úprava: T_KSI (26.04.2007)
1. Introduction to datawarehousing and business intelligence. What is datawarehousing (DW) and business intelligence (BI); Definition of partial disciplines; DW and BI principles and specifics; Basic terms, components.
2-3. DW architecture. DW layers; DW models (central, distributed, datamarts, operational data store, active DW); DW components; data presentation (Reporting, OLAP, data mining, special agendas).
4.-5. DW modelling. Multidimensional model, hierarchy; model types (star, snowflake, constellation, snowstorm, conformed dimensions), dimension and fact types, special dimensions, other model types; model optimization.
6. Metadata and Master data. Metadata (purpose, types, administration); Master data (purpose, creation, administration and maintenance); master data/metadata management.
7.-8. Tools and technologies. Technology components overview; Standards; Data systems; ETL/ELT; Presentation (tools, techniques).
9. DW management. Lifecycle pf information in DW ; Performance optimization; Change management.
10.-11 Data quality. Data quality (DQ) basic terms; DQ principles and tasks; DQ management architecture; DQ management methodologies; Personal data protection.
12. Data mining. Purpose; Basic principles and terms; Models and methods; Predictive modelling.
13.-14. Advanced BI methods. Analytic CRM; Segmentation, segmentation types; Campaign management; Customer Business Performance DW; Risk Management, Attrition Management, Cross/Up-sell, Fraud Detection; Customer Value Management.