Knowledge Management E Business Intelligence

Transcript

1 Knowledge Management E Business Intelligence 1

2 Il valore della Conoscenza DATI: sono nozioni grezze e incomplete. INFORMAZIONI: hanno origine dai dati aggiungendo ad essi valore attraverso processi di analisi e sintesi, contestualizzazione, calcolo, categorizzazione CONOSCENZA: trasferimento delle informazioni all interno dell organizzazione. Identificazione di relazione causa-effetto tra informazioni attraverso esperienza, relazioni sociali etc. Dati Conoscenza Informazioni 2

3 Business Intelligence Definizione Semplificata: Business Intelligence: significa trasformare i dati grezzi in informazioni utilizzabili, distribuire e condividere le informazioni, creando una conoscenza collettiva della propria impresa. Dati Trasform. Informazioni Conoscenza Aziendale 3

4 Knowledge Management Knowledge Management (Gestione della conoscenza) significa: Creazione, raccolta e classificazione di informazioni provenienti da varie fonti di dati (fonti interne, Web, sistemi ERP) che vengono quindi distribuite ai vari utenti sulla base degli specifici interessi tramite mezzi e strumenti diversi. Una piattaforma di Knowledge Management, quindi, raccoglie, organizza, distribuisce e rende facilmente accessibili le conoscenze aziendali a chi ne ha bisogno, nel momento e nel contesto in cui servono 4

5 Esempio: Funzionalità sistema di BI 5

6 Continua 6

7 Struttura e Livelli di Informazione ALTA DIREZIONE MANAGER DI LINEA PERSONALE ESECUTIVO 7

8 Relazioni tra livelli d Informazione e Sistema Informativo Aziendale ALTA DIREZIONE D.S.S. 3 livello MANAGER DI LINEA Enterprise Reporting 2 livello PERSONALE ESECUTIVO Legacy Sistemi transazionali 1 livello 8

9 Sistema Informativo 9

10 Data Warehouse Definizione 1: DWH è semplicemente un sinonimo di database fisico (relazionale o multidimensionale) che contiene dati. Definizione 2: Il DWH può essere definito come: un ambiente con strutture dati finalizzate al supporto delle decisioni, fisicamente separato dai sistemi operazionali. NON sono definizioni complete 10

11 Data Warehouse 2 Inmon: lo definisce come: una raccolta di dati integrata: da fonti transazionali o esterne diverse subject oriented: organizzati per argomento (non per applicazione) time variant: organizzati per riferimento temporale non-volatile: non modificabili: sola lettura Costruito per supportare i processi decisionali L integrazione dei dati di un DWH costituisce una delle premesse necessarie che ne consentono una progettazione adeguata e che lo distinguono da ogni altro sistema di supporto alle decisioni 11

12 Data Warehouse 3 Integrata: requisito fondamentale di un DWH è l integrazione della raccolta dati. Nel DWH confluiscono dati provenienti da più sistemi transazionali e da fonti esterne. L obiettivo dell integrazione può essere raggiunto percorrendo differenti strade: mediante l utilizzo di metodi di codifica uniformi, mediante il perseguimento di una omogeneità semantica di tutte le variabili, mediante l utilizzo delle stesse unità di misura 12

13 Data Warehouse 4 subject oriented: perché il DWH è orientato a temi specifici dell azienda piuttosto che alle applicazioni o alle funzioni. In un DWH i dati vengono archiviati in modo che possano essere facilmente letti o elaborati dagli utenti. L obiettivo, quindi, NON è più quello di minimizzare la ridondanza mediante la normalizzazione MA quello di fornire dati che abbiano una struttura in grado di favorire la produzione di informazioni. Si passa dalla progettazione per funzioni alla modellazione dei dati al fine di consentire una visione multidimensionale degli stessi. 13

14 Data Warehouse 5 time variant: i dati archiviati all interno di un DWH hanno un orizzonte temporale molto più esteso rispetto a quelli archiviati in un sistema operazionale. Ciò, tuttavia, comporta che i dati contenuti in un DWH sono aggiornati fino ad una certa data, che nella maggior parte dei casi, è antecedente a quella in cui l utente interroga il sistema. Situazione del tutto differente, al contrario, si manifesta in un transazionale in cui i dati corrispondono sempre ad una situazione costantemente aggiornata che tuttavia non fornisce un quadro storico del fenomeno analizzato 14

15 Data Warehouse 6 non-volatile: tale caratteristica indica la non modificabilità dei dati contenuti nel DWH che consente accessi in sola lettura. Comporta, inoltre, una maggiore semplicità di progettazione del database rispetto a quella di un database relazionale che supporta una applicazione transazionale. In tale contesto non si fronteggiano le possibili anomalie dovute agli aggiornamenti e tanto meno si ricorre a strumenti complessi per gestire l integrità referenziale o per bloccare record a cui possono accedere altri utenti in fase di aggiornamento 15

16 DWH - In sintesi Il data warehouse, quindi, descrive il processo di acquisizione, trasformazione e distribuzione di informazioni presenti all interno o all esterno delle aziende come supporto ai decision maker. Esso si differenzia, però, in modo sostanziale dai normali sistemi gestionali che, al contrario, hanno il compito di automatizzare le operazioni di routine. Inoltre, si può notare che la definizione di Inmon precedentemente citata introduce un concetto di assoluta indifferenza rispetto alle caratteristiche architetturali dei sistemi transazionali e alla dislocazione fisica dei dati nei diversi database. Se il focus viene posto sulla capacità di supportare il processo decisionale, il data warehouse può essere costruito secondo modalità differenti che vanno da una logica completamente accentrata, a una logica completamente distribuita 16

17 ETL (Extraction, Transformation, Loading): Extraction: I dati vengono estratti da fonti eterogenee Sistema Informativo centrale (Back Office) Applicazioni dipartimentali (Front/Middle Office) Strumenti di Supporto interni: fogli elettronici, tool di Report interni, Db Provider Esterni Transformation: - Attività di pulizia (analisi di dati): - Scorretti - Inconsistenti - Ridondanti - Mapping di formati (tool parametrici) - Filtraggio sistematico per attività di loading a regime Loading: - Caricamento - Strutturazione - Allineamento - Monitoraggio 17

18 ESEMPIO FUNZIONAMENTO ETL 18

19 Sistemi per l accesso l ai dati e la produzione di informazioni Sistemi di Business Intelligence Sistemi per l integrazione l e l archiviazione dei dati semilavorati Datawarehouse Altri sistemi di tipo operativo (call center, customer service, etc.) ERP o sistemi gestionali tradizionali Sistemi web (e-commerce,, B2B e B2C, etc.) Sistemi di origine dei dati elementari 19

20 Data Mining 1: Definizione Processo di estrazione di conoscenza da banche dati di grandi dimensioni tramite l'applicazione di algoritmi che individuano le associazioni "nascoste" tra le informazioni e le rendono disponibili In altre parole, con data mining si intende l'applicazione di una o più tecniche che consentono l'esplorazione di grandi quantità di dati, con l'obiettivo di individuare le informazioni più significative e di renderle disponibili e direttamente utilizzabili nell'ambito del decision making. 20

21 Data Mining - Caratteristiche Indipendentemente dal tipo di applicazione specifica, un processo di estrazione di conoscenza percorre alcune fasi che possono essere schematizzate in: 1. Definizione dell'obiettivo 2. Individuazione delle fonti di dati 3. Estrazione/acquisizione dei dati (ed integrazione, se provenienti da fonti o data bases diversi) 4. Pre-processing (Pulizia dei dati - Analisi esplorative - Selezione - Trasformazione - Formattazione) 5. Data Mining (Scelta dell'algoritmo - Individuazione dei parametri - Elaborazione - Valutazione del modello) 6. Interpretazione/valutazione dei risultati 7. Rappresentazione dei risultati 21

22 DM - Tecniche e ambiti applicativi Il data mining è stato definito come un processo, all'interno del quale si utilizzano una o più tecniche per estrarre, da grandi quantità di dati, conoscenza in termini di associazioni, "pattern", regole, o sequenze ripetute. Le tecniche utilizzabili sono varie e, di conseguenza, anche gli algoritmi che le implementano. La scelta dipende principalmente dall'obiettivo che si vuole raggiungere e dal tipo di dati da analizzare. Le più utilizzate sono: Clustering Reti Neurali Alberi di Decisione Individuazione di Associazioni 22

23 Clustering Le tecniche di clustering e l'uso delle reti neurali NON supervisionate consentono di effettuare operazioni di segmentazione sui dati, cioè di individuare gruppi omogenei, o tipologie, che presentano delle regolarità al loro interno in grado di caratterizzarli e differenziarli dagli altri gruppi. 23

24 ESEMPIO Individuo Età Livello reddito Colore occhi Sesso A 62 Medio Marroni F B 53 Medio Verdi M C 47 Alto Marroni F D 32 Medio Verdi M E 21 Alto Azzurri F F 27 Alto Marroni M G 50 Basso Azzurri F H 46 Alto Azzurri M I 27 Basso Azzurri F L 68 Basso Azzurri M 24

25 Individuo Età Livello reddito Colore occhi Sesso C 47 Alto Marroni F E 21 Alto Azzurri F F 27 Alto Marroni M H 46 Alto Azzurri M A 62 Medio Marroni F Se Età compresa tra i 21 e i 47 anni e Livello di reddito alto allora Cluster A B 53 Medio Verdi M D 32 Medio Verdi M G 50 Basso Azzurri F I 27 Basso Azzurri F L 68 Basso Azzurri M 25

26 Reti Neurali Le reti neurali (supervisionate) e gli alberi di decisione consentono di effettuare operazioni di classificazione, fanno cioè uso della conoscenza acquisita in fase di addestramento per classificare nuovi oggetti o prevedere nuovi eventi. Le tecniche di analisi delle associazioni consentono di individuare delle regole nelle occorrenze concomitanti di due o più eventi. A queste si aggiungono "sequential patterns" (tecniche di individuazione di sequenze temporali), "naive Bayes", algoritmi genetici. 26

27 Onora il debito Non onora il debito Proprietà casa = Sì Proprietà casa = No Red.to > Red.to <= Se casa non di proprietà e reddito < = euro allora è un cliente che non onora il debito 27

28 DM - ambiti applicativi Analisi delle associazioni (Basket Analysis) - applicazione di tecniche di individuazione di associazioni a dati di vendita al fine di conoscere quali prodotti sono acquistati congiuntamente; questo tipo d'informazione consente di migliorare l'offerta dei prodotti (disposizione sugli scaffali) e di incrementare le vendite di alcuni prodotti tramite offerte sui prodotti ad essi associati 28

29 Esempio: Regole associative Succo d arancia Olive Latte Whisky Detersivo Succo d arancia Olive Latte Whisky Detersivo Se un cliente acquista succo d arancia d allora acquista anche latte Se un cliente acquista olive e latte allora non acquista detersivo Se un cliente acquista whisky e detersivo allora non acquista latte 29

30 Se un cliente acquista succo d arancia d allora acquista anche latte Nè latte nè succo d arancia =10 Combinazioni con latte = 30 Combinazioni con succo d arancia= 40 Sia latte sia succo d arancia d =20 Confidenza = 20/40=50% Copertura = 40/100=40% 30

31 DM - vantaggi Trattamento dei dati quantitativi, qualitativi e testuali. Non richiede ipotesi a priori da parte del ricercatore. Non richiede ipotesi a priori sulla forma distributiva delle variabili. Possibilità di elaborare un numero elevato di osservazioni. Algoritmi ottimizzati per minimizzare i tempi di elaborazione. Semplicità di interpretazione del risultato. Visualizzazione dei risultati. 31

32 e per concludere 32