Reportistica, Tecnologia OLAP, Data Mining

Tre sono i differenti tipi di interrogazioni di un DWH, supportati da validi strumenti che sono :

 Reportistica

 Tecnologia OLAP

 Data Mining

1. REPORTISTICA

La reportistica viene definita come il tipo di interrogazione più semplice e più usato, gli strumenti usati che sono la query e il data retrieval conducono alla realizzazione di analisi e presentazioni di report ad hoc che sono indirizzati verso utenti che hanno necessità di accedere a intervalli di tempo predefiniti a delle informazioni strutturate pressoché invariabili. È definito semplice perché si conosce già a priori la forma di questi rapporti. L’interrogazione che viene fatta comporta la selezione e quindi l’aggregazione dei dati multidimensionali.

La presentazione può avvenire in modo tabellare o grafica.

La query è uno strumento veloce e semplice da usare che permette di esplorare i dati a vari livelli aziendali, recuperandone le informazioni richieste.

Il data retrieval è sempre uno strumento di interrogazione del sistema che consente l’estrazione di dati secondo dei criteri stabiliti a priori.

Ad esempio se si vuole avere un elenco anagrafico di tutti gli occupati che lavorano in un determinato reparto e che hanno subito degli infortuni (si definisce a priori il reparto e si interroga il sistema sugli infortuni avvenuti). La caratteristica principale che deve avere uno strumento di reportistica è la flessibilità nei meccanismi usati per la distribuzione dei dati.

Un’ulteriore informazione da dare è che la reportistica non nasce con il DWH, ma è grazie alla diffusione di quest’ultimo che ha acquisito benefici in termini di affidabilità e tempestività dei risultati.

2. OLAP

Queste tecnologie sono di gran lunga avanzate e riescono ad elaborare dati ed informazioni allo stesso modo di come farebbe un cervello umano, ma con la differenza che queste essendo tecnologie sofisticate sono molto più veloci.

La conoscenza che ne deriva è su base multidimensionale, infatti solitamente per rappresentare una tecnologia OLAP ci si avvale di un cubo multidimensionale nel quale si riescono a studiare più di due dimensioni.

Sostanzialmente la creazione di un database OLAP consiste nel fotografare delle informazioni in un determinato momento e trasformarli appunto, in dati multidimensionali.

La novità sta nel fatto che le interrogazioni ottengono delle risposte molto rapide in quanto sono effettuate su dati già strutturati39, cosa differente rispetto a database tradizionali.

Ovviamente è necessario che la conoscenza che viene fuori venga riportata su tabelle o grafici opportuni che ne permettono la facile lettura e possa essere condivisa tra i livelli interessati.

Solitamente il cubo multidimensionale viene raffigurato a forma di stella dove al centro c'è la tabella dei ‘fatti’ che elenca i principali elementi su cui sarà costruita l'interrogazione e collegate a questa, ci sono varie tabelle delle ‘dimensioni’ che specificano come saranno aggregati i dati.

Figura 2.3 Struttura di un cubo multidimensionale OLAP (informazioni di vendita, territorio e tempo) Fonte: appunti presi dal corso di Gestione Informatica dei dati aziendali, unipi2008

39

La figura 2.3 mostra l’esempio di un cubo multidimensionale, dove le dimensioni in considerazione sono il Tempo, il Territorio (la regione di riferimento) e le informazioni relative alle vendite.

Per capire come funziona in pratica si prende a riferimento un ipotetico archivio clienti, il quale può essere sottoposto a delle interrogazioni varie, la prima ad esempio per il tipo di vendita, a sua volta questa può essere ulteriormente interrogata nel dettaglio per tipo di prodotto o per servizio da erogare. Inoltre potrebbe essere interrogato per regione che a sua volta può essere scissa in varie ed eventuali, e così via.

Il calcolo di queste diverse combinazioni forma la struttura OLAP che appunto può avere delle risposte per ogni tipo di interrogazione. Ovviamente, viene memorizzato solo un certo numero di possibili risposte ma il continuo aggiornamento permette alla tecnologia in questione di essere ‘pronta’ per ogni esigenza aziendale.

In genere le principali operazioni e tipo di analisi che si possono effettuare mediante la tecnologia OLAP sono :

 Drill –Down: i dati presenti in un report vengono disaggregati

aggiungendo una dimensione oppure aumentando il dettaglio della dimensione (ad esempio il dato riferito all’anno viene dettagliato per mese e successivamente per giorno);

 Roll – Up: i dati presenti in un report vengono aggregati eliminando una

dimensione oppure riducendone il dettaglio, svolgendo in sostanza un’operazione inversa alla precendente;

 Slice & Dice: letteralmente i termini significano affettare e ritagliare. L’operazione di slice seleziona (fissa) il valore di un attributo lungo una delle dimensioni, mentre quella di dice consente di derivare un cubo in un sottospazio ottenuto selezionando più di una dimensione simultaneamente (fissando, o limitando ad un intervallo, il valore dell’attributo).

 Rotation o Pivotting: il dato – cubo viene riorientato, vengono scambiate o

Figura 2.4 Operazioni effettuate su una tecnologia OLAP

Fonte:http://www.tutorialspoint.com/dwh/dwh_olap

Un’OLAP è quindi, una tecnologia tramite la quale l’utente è in grado di

elaborare e strutturare i dati secondo diversi schemi / modelli, al fine di effettuare delle analisi che mirano al raggiungimento di determinati obiettivi.

3. DATA MINING

Un’ulteriore strumento, nato dalle ultime generazioni di tecnologie per analizzare in modo automatico e intelligente grandi volumi di dati ed estrarne conoscenza è il KD (Knowledge Discovery), che si basa su soluzioni automatiche guidate dai dati che individuano anomalie ed eventi eccezionali e segnalano i punti di vista rilevanti per l’analisi.

Il Data Mining, si configura come fase principale di questo complesso processo di scoperta di conoscenza nel database.

Si intende il processo di selezione, esplorazione e modellazione di grandi masse di dati al fine di scoprire regolarità o relazioni non note a priori in modo

automatico o semiautomatico.

È un approccio multidisciplinare che abbraccia la statistica, sistemi di autoapprendimento, sistemi basati sulla conoscenza finalizzati al miglioramento

dei processi conoscitivi e a ridurre l’incertezza legata alla presa di decisioni. 40

40

Per non alimentare confusione si sottolinea che il processo di KD, indica il

processo di ricerca di nuova conoscenza dai dati; mentre il Data Mining si

riferisce agli algoritmi usati per la risoluzione di un problema di riconoscimento di forme o relazioni nascoste tra i dati.

Figura 2.5 Architettura di un sistema di BI

Fonte:http://www.tutorialspoint.com/dwh/dwh_olap

In aggiunta a questi metodi, in alcuni casi si aggiungono i seguenti strumenti:

 What if analysis: sono delle simulazioni che si fanno su possibili scenari

futuri in base ai dati attuali,

 Dashboard (cruscotto): sono rappresentazioni grafiche, che permettono di

visualizzare con facilità le aree di interesse per le aziende in tempo reale, e permette anche tramite delle formattazioni ad hoc, capire se vi sono delle anomalie, scostamenti critici che potrebbero alimentare un cambio di marcia. Sono solitamente indirizzati ai vertici aziendali.

I paragrafi precedenti hanno evidenziato in modo generale come i sistemi di BI funzionano, partendo appunto da un grande database di dati ai quali si applicano delle operazioni finalizzato a creare conoscenza per il supporto delle decisioni. La BI è un potente strumento che ha carattere multidisciplinare, infatti come

affermano41 Chaudhuri, Umeshwar e Narasayya in un’intervista del 2011 sono

tante le aree in cui può essere manifestato il suo geniale utilizzo, partendo dall’area medica, sino ad arrivare alla corporate, finance e ambiti settoriali molto più ristretti.

Ovviamente, in questo elaborato ci si soffermerà sulla grande rilevanza che uno strumento del genere ha in ambiti aziendali e ancor di più il collegamento che la tecnologia ha creato tra l’informatica e l’economia, si rafforza l’idea di come due mondi apparentemente lontani siano in realtà complementari.

2.3 I benefici della Business intelligence per le aziende