Convegno organizzato dall Associazione ICT Dott.com. Business Intelligence L utilità per le imprese. Prof. Elena Baralis. Politecnico di Torino

Transcript

1 Cnvegn rganizzat dall Assciazine ICT Dtt.cm Business Intelligence L utilità per le imprese Prf. Plitecnic di Trin D B M G Data Base and Data Mining Grup f Plitecnic di Trin

2 Supprt alle decisini aziendali La maggir parte delle aziende dispne di enrmi basi di dati cntenenti dati di tip perativ queste basi di dati cstituiscn una ptenziale miniera di infrmazini utili Sistemi per il supprt alle decisini permettn di prendere decisini rapide e migliri Plitecnic di Trin 2

3 Supprt alle decisini aziendali Analisi e previsine dell evluzine della dmanda Individuazine di aree critiche Chiarezza dei cnti e trasparenza finanziaria reprting, pratiche antifrde e antiriciclaggi Definizine e realizzazine di strategie vincenti cnteniment di csti e aument di prfitti Plitecnic di Trin 3

4 Esempi Prestiti Stipendi Clienti di una banca che hann cntratt un prestit : clienti che hann mancat la restituzine di rate : clienti che hann rispettat le scadenze Plitecnic di Trin 4

5 Esempi Prestiti k Stipendi If stipendi < k then mancati pagamenti Plitecnic di Trin 5

6 Esempi Prestiti Stipendi Plitecnic di Trin 6

7 Elabrazine dei dati Mdalità tradizinale di us dei DBMS, caratterizzata da istantanea del valre crrente dei dati dati dettagliati, rappresentazine relazinale perazini strutturate e ripetitive access in lettura aggirnament di pchi recrd transazini brevi islament, affidabilità e integrità sn critici dimensine della base di dati 100MB-GB Plitecnic di Trin 7

8 Analisi dei dati Elabrazine dei dati per il supprt alle decisini, caratterizzata da dati di tip stric dati cnslidati e integrati applicazini ad hc access in lettura a milini di recrd interrgazini di tip cmpless cnsistenza dei dati prima e dp le perazini di caricament peridic dimensine della base di dati 100GB-TB Plitecnic di Trin 8

9 Data warehuse Base di dati per il supprt alle decisini, che è mantenuta separatamente dalle basi di dati perative dell azienda Dati integrati dipendenti dal temp dedicati ad un sggett specific Plitecnic di Trin 9

10 Perché dati separati? Prestazini ricerche cmplesse riducn le prestazini delle transazini perative metdi di access diversi a livell fisic Gestine dei dati infrmazini mancanti cnslidament dei dati qualità dei dati (prblema di incnsistenze) Plitecnic di Trin 10

11 Data warehuse: architettura Metadati Gestine DW Strumenti di back end OLAP servers Strumenti di analisi Srgenti di dati (esterne) Data warehuse Analisi dei dati Plitecnic di Trin Data marts 11

12 Data warehuse e data mart Warehuse aziendale: cntiene infrmazini sul funzinament di tutta l azienda prcess di mdellazine funzinale estes prgettazine e realizzazine richiedn mlt temp Data mart: sttinsieme dipartimentale fcalizzat su un settre prefissat realizzazine più rapida richiede prgettazine attenta, in md da evitare prblemi di integrazine in seguit Plitecnic di Trin 12

13 Strumenti di back-end Alimentazine del data warehuse (ETL = Etractin Transfrmatin Lading) estrazine dei dati da srgenti esterne trasfmazine e cnversini di frmat pulizia dei dati (errri, dati mancanti duplicati) caricament e refresh peridic Plitecnic di Trin 13

14 Strumenti di analisi dei dati Analisi OLAP: calcl di funzini aggregate cmplesse necessità di frnire supprt a diversi tipi di funzine aggregata (esempi: media mbile, tp ten, ) Analisi dei dati mediante tecniche di data mining varie tiplgie di analisi pesante cmpnente algritmica Plitecnic di Trin 14

15 Strumenti di analisi dei dati Presentazine attività distinta dalla ricerca: i dati ttenuti da una ricerca pssn essere rappresentati mediante diversi tipi di strumenti di rappresentazine Ricerca di mtivazini esplrazine dei dati mediante apprfndimenti (esempi: drill dwn) Plitecnic di Trin 15

16 Data mining: tiplgie di attività Classificazine e regressine: generazine di un mdell predittiv richiede un insieme di dati già classificati Regle di assciazine: ricerca di crrelazini tra i dati Clustering: suddivisine dei dati in gruppi mgenei richiede una definizine di distanza Plitecnic di Trin 16

17 Esempi: classificazine Età < 26 Età Tip aut Classe rischi 40 familiare bass 65 sprtiva alt 20 utilitaria alt 25 sprtiva alt 50 utilitaria bass Tip aut = sprtiva Alt Alt Bass Plitecnic di Trin Alber di decisine 17

18 Esempi: regle di assciazine E` data una cllezine di transazini di cassa di un supermercat (scntrini) Regla di assciazine Pannlini Birra il 2% delle transazini cntiene entrambi gli elementi il 30% delle transazini che cntengn pannlini cntiene anche birra Plitecnic di Trin 18

19 Link utili Generale su DW, cn catalg estes di strumenti per gni attività DW OLAP Cuncil Specific per data mining Plitecnic di Trin 19