UNIVERZITET U BEOGRADU
FAKULTET ORGANIZACIONIH NAUKA
Ivana Ž. Radosavljević
Razvoj sistema poslovne inteligencije u
elektronskom poslovanju „Nacionalne službe za
zapošljavanje“
Specijalistički strukovni rad
Beograd, 2011. godine
Mentor:
dr Marijana Despotović Zrakić,
docent Fakulteta organizacionih nauka u Beogradu
Članovi komisije:
dr Božidar Radenković,
redovni profesor Fakulteta organizacionih nauka u Beogradu
dr Dragana Bečejski Vujaklija,
vanredni profesor Fakulteta organizacionih nauka u Beogradu
Datum odbrane:
ii
Razvoj sistema poslovne inteligencije u elektronskom poslovanju „Nacionalne
službe za zapošljavanje“
Apstrakt:
Predmet ovog rada predstavlja primena poslovne inteligencije u elektronskom poslovanju na
primeru „Nacionalne službe za zapošljavanje“ Republike Srbije. U teorijskom delu rada su
definisani pojmovi, metodologije, strategije i faktori uspeha uvodjenja poslovne inteligencije
u elektronsko poslovanje. Rad će obuhvatati prikaz životnog ciklusa i načina upravljanja
projektima implementacije sistema poslovne inteligencije. Pored toga teorijski deo je usmeren
na opis arhitekture sistema i njenih specifičnosti kod primene u elektronskom poslovanju.
Posebno će biti analizirana uloga sistema poslovne inteligencije u elektronskom poslovanju
institucija državne uprave.
U praktičnom delu rada je prikazan primer razvoja sistema poslovne inteligencije u
elektronskom poslovanju „Nacionalne službe za zapošljavanje“ Republike Srbije. Praktičan
deo rada obuhvata definiciju i ciljeve projekta, analizu podataka i izbor tehnologije, te primer
načina implementacije ETL procesa i sistema izveštavanja i evaluaciju ostvarenih rezultata. U
kontekstu primenjene tehnologije na projektu rad daje sveobuhvatan prikaz Talend Open
Studio i IBM Cognos BI alata.
Cilj rada jeste analiza razvoja sistema poslovne inteligencije u elektronskom poslovanju
„Nacionalne službe za zapošljavanje“ Republike Srbije i unapredjenja procesa izveštavanja i
analize performansi poslovanja.
Ključne reči: elektronsko poslovanje, skladište podataka, poslovna inteligencija, data mining,
OLAP
iii
Business intelligence system implementation in e-business of National
employment service
Apstract:
Subject of this thesis is business intelligence system implementation in electronic business of
Republic Serbia National employment service. Theoretical part of work includes
implementation of business intelligence in electronic business term definition and strategy,
methodology and success factor evaluation. This thesis reviewing business intelligence
roadmap and project management practices in business intelligence implementation projects.
Also, theoretical part describes general system architecture and its characteristics in ebusiness implementation. Additionaly is evaluated business intelligence role in electronic
business of institutions in government sectors.
Practical part of thesis is review of business intelligence system implementation in electronic
business of Republic Serbia National employment service. It includes project and project
objectives definition, data analysis and evaluation of chosen technology, example of ETL
process implementation and report creation and, at the end, project evaluation. In the context
of applied project technology work gives a comprehensive view of Talend Open Studio and
IBM Cognos BI tools.
The objective of this thesis is review of business intelligence system implementation in
electronic business of Republic Serbia National employment service and evaluation of
improvement in corporate performance management process.
Key words: electronic business, data warehouse, business intelligence, data mining, OLAP
iv
SADRŽAJ
1.
Uvod ................................................................................................................................... 1
2.
Poslovna inteligencija ......................................................................................................... 2
3.
2.1.
Ciljevi i kriterijumi uspešnosti primene sistema poslovne inteligencije ..................... 6
2.2.
Klasifikacija sistema poslovne inteligencije ................................................................ 8
Uloga sistema poslovne inteligencije u procesima elektronskog poslovanja savremenih
kompanija ................................................................................................................................. 11
3.1.
Uloga sistema poslovne inteligencije u procesima elektronskog poslovanja institucija
javne uprave.......................................................................................................................... 19
4.
Upravljanje i životni ciklus projekata poslovne inteligencije .......................................... 22
5.
Arhitektura sistema poslovne inteligencije ...................................................................... 29
5.1.
6.
Data Warehouse ......................................................................................................... 29
5.1.1.
Data warehouse dizajn ........................................................................................ 34
5.1.2.
Data warehouse procesi i arhitektura.................................................................. 40
5.2.
OLAP ......................................................................................................................... 44
5.3.
Prezentacija i vizuelizacija ......................................................................................... 48
Razvoj sistema poslovne inteligencije u „Nacionalnoj službi za zapošljavanje“ ............. 56
6.1.
Definicija i ciljevi projekta ........................................................................................ 57
6.2.
Organizacija projekta ................................................................................................. 59
6.3.
Poslovna analiza ........................................................................................................ 60
6.4.
Analiza odabranih tehnologija ................................................................................... 64
6.4.1.
Sistem za upravljanje bazom podataka – DB2 ................................................... 65
6.4.2.
Sistem za integraciju – Talend Open Studio ...................................................... 68
6.4.3.
Sistem za upravljanje performansama poslovanja – IBM Cognos BI ................ 75
6.4.3.1.
Cognos Connection ..................................................................................... 77
6.4.3.2.
Framework Manager ................................................................................... 81
6.4.3.3.
Query Studio ............................................................................................... 83
v
6.4.3.4.
Report studio ............................................................................................... 85
6.4.3.5.
Analysis Studio ........................................................................................... 87
6.4.3.6.
Event Studio ................................................................................................ 88
6.4.3.7.
Transformer ................................................................................................. 89
6.5.
Arhitektura sistema poslovne inteligencije NSZ ....................................................... 92
6.6.
Evaluacija projekta .................................................................................................... 96
7.
Zaključak .......................................................................................................................... 99
8.
Literatura ........................................................................................................................ 100
vi
LISTA SLIKA
Slika 1 Razvoj sistema upravljanja poslovanjem ...................................................................... 3
Slika 2 BI proces ........................................................................................................................ 5
Slika 3 Komponente elektronskog poslovanja ......................................................................... 13
Slika 4 Inteligentno e-poslovanje ............................................................................................. 19
Slika 5 Razlike u primeni alata poslovne inteligencije u javnom i privatnom sektoru ............ 20
Slika 6 Tradicionalni tok projekta ............................................................................................ 23
Slika 7 Iterativni tok projekta ................................................................................................... 24
Slika 8 BI projektna organizacija ............................................................................................. 25
Slika 9 Zvezdasta šema............................................................................................................. 35
Slika 10 Pahuljasta šema .......................................................................................................... 36
Slika 11 Osnovna arhitektura skladišta podataka ..................................................................... 40
Slika 12 Arhitektura skladišta podataka sa stage oblašću ........................................................ 41
Slika 13 Arhitektura skladišta podataka sa stage oblašću i data martovima ............................ 42
Slika 14 OLAP kocka ............................................................................................................... 45
Slika 15 Klasifikacija BI korisnika........................................................................................... 50
Slika 16 Klasterizacija .............................................................................................................. 52
Slika 17 Dijagram organizacije projekta .................................................................................. 60
Slika 18 Talend Open Studio repozitorijum ............................................................................. 71
Slika 19 Kreiranje Talend projekta ........................................................................................... 71
Slika 20 Talend Open Studio interfejs ...................................................................................... 72
Slika 21 Repozitorijum ............................................................................................................. 73
Slika 22 Osvrt na otvoreni pristup podacima ........................................................................... 77
Slika 23 Cognos Connection .................................................................................................... 78
Slika 24 Prilagodjavanje portala ............................................................................................... 80
Slika 25 Tipovi izvora podataka ............................................................................................... 82
Slika 26 Svojstva stavke upita .................................................................................................. 83
Slika 27 Pristup BI alatima ....................................................................................................... 84
Slika 28 Query Studio radno okruženje .................................................................................... 85
Slika 29 Opcije prilikom kreiranja novog izveštaja ................................................................. 86
Slika 30 Standardne opcije prilikom kreiranja izveštaja .......................................................... 87
Slika 31 PowerPlay Transformer .............................................................................................. 90
vii
Slika 32 OLAP model i kocka .................................................................................................. 90
Slika 33 Arhitektura sistema poslovne inteligencije NSZ ........................................................ 92
Slika 34 Povezivanje ETL procesa ........................................................................................... 93
Slika 35 Parametri tDB2Input komponente.............................................................................. 94
Slika 36 SCD Tip 1................................................................................................................... 94
Slika 37 Primer Cognos izveštaja u formatu tabele .................................................................. 96
Slika 38 Primer izveštaja u vidu grafika ................................................................................... 96
LISTA TABELA
Tabela 1 BI alati za kategorije BI korisnika ............................................................................. 50
Tabela 2 Karakteristike i zahtevi BI korisnika ......................................................................... 55
Tabela 3 Komponente Talend Open Studio alata ..................................................................... 75
Tabela 4 Cognos connection - opis ikona linije sa alatima (toolbar) ....................................... 79
viii
1. Uvod
Predmet ovog rada predstavlja primena poslovne inteligencije u elektronskom poslovanju na
primeru „Nacionalne službe za zapošljavanje“ Republike Srbije. Rad je organizovan u sedam
osnovnih poglavlja.
Nakon prvog uvodnog poglavlja, u drugom poglavlju je definisan pojam poslovne
inteligencije. Opisan je tok razvoja sistema poslovne inteligencije i istaknute osnovne
karakteristike savremenih BI sistema. Posebno su precizirani ciljevi primene ovih sistema,
kao i generalni kriterijumi uspešnosti implementacije, te najčešće postavljeni zahtevi krajnjih
korisnika. Navedena je i klasifikacija sistema poslovne inteligencije s obzirom na korišćene
izvore podataka.
U trećem poglavlju definisan je pojam elektronskog poslovanja i detaljno analizirane njegove
ključne komponente kao što su Enterprise Resource Planning, Customer Relationship
Management, e-trgovina, upravljanje lancima snabdevanja i naravno, poslovna inteligencija.
Objašnjena je uloga sistema poslovne inteligencije u elektronskom poslovanju savremenih
kompanija i uveden pojam sistema inteligentonog elektronskog poslovanja. Poseban osvrt je
napravljen na ulogu poslovne inteligencije u elektronskom poslovanju institucija državne
uprave.
Četvrto poglavlje ukazuje na altrnative u toku realizacije projekata poslovne inteligencije,
počev od tradicionalnog vodopad toka projekta, preko agilnih i iterativnih pristupa do
organizacije u vidu potprojekata. Detaljno su definisane faze kroz koje projekat razvoja
sistema poslovne inteligencije prolazi, kao i specifične aktivnosti koje je potrebno realizovati
u okviru svake od faza.
Predmet petog poglavlja su elementi arhitekture sistema poslovne inteligencije - skladište
podataka, OLAP, data mining i različite komponente vizuelizacije i prezentacije. Navedene su
karakteristike, ciljevi primene i tipovi skladišta podataka, definisani osnovni pojmovi
i
tehnike dimenzionalnog modeliranja podataka uz pojašnjenje preporuka za dobar data
warehouse dizajn. Dodatna pažnje je posvećena OLAP tehologiji i njenim funkcionalnostima,
kao i najčešće korišćenim komponentama vizuelizacije u zavisnosti od zahteva pojedinih
kategorija korisnika.
1
2. Poslovna inteligencija
U savremenoj digitalnoj i globalnoj ekonomiji najznačajniji izvor postojane konkurentske
prednosti postaje efektivno korišćenje znanja. Danas se govori o konkurentnosti baziranoj na
znanju. Preduzeća razvijaju nove metode, kompetencije, procese, proizvode i usluge
zasnovane na znanju [4]. Načelo kompetitivne prednosti tvrdi da će svaka kompanija imati
korist ako se specijalizuje u onoj oblasti u kojoj može poslovati uz relativno niži trošak (u
kojima je relativno efikasnija od drugih kompanija). Kompanije teže ka tome da pronadju
onu komponentu poslovanja, koja će ih izdvojiti iz mora konkurenata i učiniti njihovo
poslovanje superiornijim. U nestabilnoj poslovnoj klimi gde je životni ciklus proizvoda sve
kraći, a globalna tržišta olakšavaju ulaz konkurencije za osvajanje svog dela tržišta,
pronalaženje ove komponente postaje od izuzetne važnosti za preživljavanje poduzeća.
Poslovna inteligencija (Business Intelligence - BI) predstavlja skup aktivnosti analize
podataka kompanije, kao i spoljnih podataka trećih lica, sa ciljem boljeg strateškog,
operativnog i taktičkog poslovnog odlučivanja i preduzimanja akcija koje će rezultirati boljim
poslovnim performansama. Ove aktivnosti obuhvataju prikupljanje, analizu, razumevanje i
upravljanje podacima o performansama operativnih procesa kompanije, aktivnostima klijenata
i dobavljača, finansijskom poslovanju, tržišnim kretanjima, konkurenciji, pravnoj regulativi i
kontroli kvaliteta [10].
Razvoj tehnologije promenio je način donošenja odluka koje je ranije bilo bazirano na
intuiciji, a uslovljeno nedostatkom tehnoloških resursa koji bi omogućili analizu velike
količine podataka. Sa automatizacijom procesa sve više podataka je postalo dostupno. Ipak,
integracija ovih podataka dugo je bila izazov s obzirom na nedostatak infrastrukture za
razmenu podataka i nekompatibilnost sistema. Razvoj alata koji se koriste kao podrška
poslovnom odlučivanju imao je hronologiju kao što je prikazano na Slici 1 [2]:
2
Slika 1 Razvoj sistema upravljanja poslovanjem
Sedamdesetih godina XX veka dominantnu ulogu su imali Sistemi za podršku odlučivanju –
SPO (Decision Support Systems - DSS). Sistemi za podršku odlučivanju su informacioni
sistemi, koji su slični i komplementarni standardnim informacionim sistemima i imaju za cilj
da podržavaju, uglavnom poslovne procese donošenja odluka [3]. Predstavljaju simbiozu
informacionih sistema, primene niza funkcionalnih znanja i tekućeg procesa donošenja
odluka.
Tokom 1980-ih dolazi do razvoja Izvršnih informacionih sistema (Executive Information
Systems - EIS). Oni zapravo predstavljaju specijalizovanu formu Sistema za podršku
odlučivanju. Kod EIS naglasak je na grafičkom interfejsu lakom za upotrebu. Tako je
vremenom slovo „E“ u skraćenici EIS počelo da znači „everyone“ -
engl. svako,
naglašavajući jednostavnost upotrebe i mogućnost da se raspoloživom tehnologijom istražuju
slabosti i snage organizacije bez pomoći programera.
Devedesetih godina razvoj tejnologije je značajno ubrzan. Poslovna inteligencija je postala
ključna u procesima planiranja, izveštavanja i analize. Transakcijski sitemi nisu više bili u
centru pažnje i na globalnom nivou. Sistemi za planiranje resursa preduzeća (Enterprise
Resource Planning - ERP) postali su alat koji se podrazumeva kao element podrške
poslovanju.
Iako su ove inovacije imale kao rezultat povećanu i bržu dostupnost informacija, ostalo je
otvoreno pitanje kako tehnologiju iskoristiti za bolje strategijsko delovanje. U centru
istraživanja su bile menadžerske tehnike koje su se fokusirale na problematiku strateškog
upravljanja. Jedna od najpoznatijih metoda - Balanced Scorecard (BSC) podrazumeva
merenje da li su manje operativne aktivnosti kompanije u skladu sa višim ciljevima kompanije
3
– strategijom i vizijom. Ona podrazumeva usresredjenost na operativne, marketinške i
razvojne inpute, a ne samo finansijske pokazatelje, što za uzvrat daje sveobuhvatni pogled na
poslovanje i pomaže da organizacija ostvari svoje dugoročne ciljeve. Ipak, upotreba ove
metodologije nije u potpunosti odgovorila na zahteve poslovnih korisnika.
Jedan od načina da se postigne prednost nad konkurencijom jeste takav pristup poslovanju
koji podrazumeva Upravljanje rezulatatima poslovanja (Corporate Performance Management
- CPM). Termin Upravljanje rezultatima poslovanja definisao je „Gartner“, poduzeće za
istraživanje i savetovanje, koji pod njim podrazumeva metodologije, metrike, procese i
sisteme koji se koriste za nadziranje i upravljanje poslovnim rezultatima neke korporacije.
Upravljanje rezultatima poslovanja je proces pristupanja napretku kompanije putem
ostvarivanja unapred definisanih ciljeva. Podaci iz ranije korišćenih sistema se ne odbacuju,
već se koriste kako bi se obezbedilo da podaci organizacije služe ciljevima organizacije i
pomažu u njihovom dostizanju. Upravljanje rezulatatima je blisko povezano sa Merenjem
rezultata. Često se dešava da se ova dva poima poistovete. Ipak, Upravljanje rezultitima je
mnogo šire i uključuje Merenje rezultata kao svoju komponentu.
Dakle, Upravljanje rezultatima poslovanja jeste skup procesa koji pomažu da organizacija
optimizuje svoje poslovne performanse. Ono je okvir za organizovanje, automatizaciju i
analizu metodolija, metrika, procesa i sistema organizacije koji obezbedjuju bolje rezultate
poslovanja. Upravljanje rezultatima pomaže da se u poslovanju efikasno koriste finansijski,
materijalni i ljudski resursi. Danas organizacije koriste različita rešenja (sisteme) kako bi
podržale ove procese i obezbedile efikasnije donošenje odluka. Može se reći i da Sistemi za
upravljanje rezultatima poslovanja predstavljaju sledeću generaciju Poslovne inteligencije.
CPM sistemi podržavaju kreiranje i sprovodjenje strategije, bazirano na planiranju,
budžetiranju, prognoziranju, konsolidaciji, izveštavanju i analizi. Omogućavaju dostavu prave
informacije, pravim osobama, u pravo vreme i u pravom kontekstu.
Danas je primena sistema poslovne inteligencije evoluirala u toj meri da se smatraju
sistemima kritičnim sa aspekta ostvarivanja misije kompanije tzv. mission-critical sistemi.
Mission-critical sistemi se definišu kao sistemi koji podržavaju poslovne procese i stvaranje
profita kompanije u toj meri da u slučaju nemogućnosti njihovog korišćenja u odredjenom
periodu, prema pravilama organizacije moraju biti zamenjeni ručnim procedurama kako bi se
4
predupredili eventualni gubici ili povećanje troškova [16]. Ovakvi sitemi moraju biti
projektovani na način da obezbede stalnu dostupnost i brz oporavak.
Poslovna inteligencija podrazumeva skup procesa, alata i tehnologija koje pomažu da se
poboljšaju performanse kompanije posredstvom unapredjenja produktivnosti, prodaje i
usluga. Pomoću BI metoda podaci kompanije se na bolji način organizuju i analiziraju i zatim
konvertuju u korisno znanje neophodno da bi se preduzele efikasne poslovne akcije. U
sistemima poslovne inteligencije koriste se brojni alati za konvertovanje velike količine
podataka kompanije u korisne informacije i podsticanje profitabilnih poslovnih aktivnosti uz
pomoć ovako stečenih znanja. Implementacija poslovne inteligencije je dug proces i zahteva
dosta analize i investicija. BI sistem uključuje poslovne modele, modele podataka, izvore
podataka, ETL alate za transformaciju i organizovanje podataka u korisne informacije,
skladište podataka, OLAP analize i alate za izveštavanje [8]. Razvoj sistema poslovne
inteligencije ne oslanja se samo na alate, tehnike i procese, on takodje podrazumeva učešće
ljudi koji poznaju poslovne procese i koji su zaduženi da proces implementacije usmeravaju u
pravom smeru. Posebno je značajno razumevanje zahteva poslovanja, adekvatno postavljanje
ciljeva, definisanje podatka koji će biti obuhvaćeni analizom, definisanje izvora ovih podataka
i načina njihove integracije kako bi se omogućila analiza svojstvena sistemima poslovne
inteligencije te izbor alata i tehnika koji će se koristiti za ostvarenje ovih ciljeva [8].
Jednostavan prikaz BI procesa dat je na Slici 2.
Slika 2 BI proces
5
2.1.
Ciljevi i kriterijumi uspešnosti primene sistema poslovne
inteligencije
Cilj uvodjenja sistema poslovne inteligencije je podrška i unapređenje postupaka donošenja
poslovnih odluka u poduzećima. Poslovna inteligencija nastaje kao rezultat dobro upravljanog
procesa izvođenja novih ili prikrivenih znanja iz podataka koji se u poslovanju rutinski
generišu, zahvataju, memorišu i koriste.
Da bi se iz operativnih podataka došlo do informacija koje imaju dodatnu vrednost neophodno
je primeniti odgovarajuće logičko-računske metode. Razvoj sistema poslovne inteligencije
zahteva uspostavljanje jedinstvenog pristupa upravljanju podacima kompanije, kao i
odgovarajućeg stava prema njihovoj ulozi i važnosti u poslovanju. Svrha koncepta poslovne
inteligencije nije stvaranje veće količine informacija, već isključivo generisanje boljih,
kvalitetnijih informacija potrebnih pri donošenju poslovnih odluka. Upravo to je ono svojstvo
poslovne inteligencije koje joj daje moć podsticanja i stvaranja pozitivnih promena u sredini u
kojoj se razvija i primenjuje (Actionable BI). Dobar sistem poslovne inteligencije pruža
korisnicima samo one informacije koje su im neophodne i korisne, ali iskazane u pravo vreme
i na način koji njima najviše odgovara. Primena ovih sistema nema za cilj da poveća broj
informacija kojima se zaposleni izlažu, već da poveća kvalitet i korisnost tih informacija.
Da bi se primena sistema poslovne inteligencije smatrala uspešnom neophodno je da
zadovolji četiri osnovna kriterijuma [14]:
 Kvalitet podataka – BI sistem mora obezbediti jedinstven i konzistentan pogled na
podatke organizacije iz različitih perspektiva analize. Cilj nije isključivo efikasnost,
već odgovarajući kvalitet i dobra reputacija sistema unutar kompanije. Ukoliko ovaj
kriterijum nije ispunjen svi naredni koraci u procesu odlučivanja su potpuno
bezvredni.
 Generisanje znanja – jedna od uloga BI sistema jeste da generiše informacije koje
imaju direktan uticaj na ostvarenje ciljeva organizacije. Do vrednih informacija ne
dolazi se na jednostavan načina, ali one imaju veoma veliki uticaj na poslovno
okruženje.
 Pravovremenost informacija – kako je za svaki od koraka u BI procesu neophodno
vreme, pravovremenost obezbedjenja informacija je jedan od najznačajnijih
6
kriterijuma. Kako bi rezultat procesa poslovne inteligencije bio relevantan neophodno
je da bude pravovremen, a vremenski intervali relativno kratki.
 Podsticanje akcije – sistemi poslovne inteligencije koji obezbedjuju smernice u kom
pravcu je neophodno preduzeti akcije kako bi se poslovanje unapredilo smatraju se
sistemima koji zadovoljavaju najviše kriterijume vrednosti u poslovnom procesu
organizacije.
Kako je prethodno istaknuto kvalitet podataka jeste jedan od četiri osnovna kriterijuma
uspešnosti primene poslovne inteligencije. Željko Panian i Goran Klepac u knjizi "Poslovna
inteligencija" navode četiri osnovne kategorije kvaliteta podataka koje direktno utiču na
donošenje poslovnih odluka u kompaniji:
 Standardizacija – u slučaju različite interpretacije odredjenog pojma ili korišćenja
istovetnog pojma za predstavljanje različitih mera postoji mogućnost neadekvatnog
odgovora sistema na korisničke upite i druge analize. Da bi se izbegla navedena
situacija preporučuje se sprovodjenje standadizacije poslovnih dokumentata i drugih
izvora podataka, te utvrdjivanje jedinstvene i standardne terminologije u okviru
organizacije. Na taj način obezbedjuje se jednoznačnost spovedenih analitičkih i
logičkih operacija nad sistemom.
 Podudarnost – u operativnom radu transakcionih sistema često se javlja problem
neplaniranog udvostručavanja ili umnožavanja slogova u bazi podataka. Do te pojave
dolazi zbog malih varijacija prilikom unosa određenih podataka, na primer imena,
prezimena i adrese. Primenom savremenih softversih alata moguće je uočiti
podudarnosti između nejednakih, a vrlo sličnih podataka i apstrahovati bitne od
nebitnih pojedinosti.
 Verifikacija - postupak verifikacije poduzima se radi osiguranja tačnosti podataka u
repozitorijumima preduzeća, a u cilju izvođenja pravilnih zaključaka odnosno
donošenja kvalitetnih poslovnih odluka. U toku sprovodjenja ovog procesa vrši se
provera podudarnosti podataka sa nekim od potvrdjenih izvora koji obezbedjuje
kontrolni set podataka.
 Proširivost - upotrebom sofisticirane informacione tehnologije danas je moguće
dodavati nove podatke postojećem skupu podataka kao i menjati vrednost postojećih
podataka kako bi se prilagodili promenama u okruženju. Tako se omogućuje
7
relevantnim korisnicima direktna unos podataka iz spoljnih izvora, kroz odgovarajuće
aplikacije za održavanje sistema.
Glavni zahtevi korisnika od infrastrukture sistema poslovne inteligencije su [14]:
 Sigurno okruženje - s obzirom da je značaj informacija u sistemu poslovne
inteligencije jednak važnosti podataka u izvršnim sistemima, traži se da informacije u
skladištu podataka budu dobro zaštićene od nedozvoljenog pristupa i korišćenja.
 Raspoloživost i dostupnost putem različitih kanala - od aplikacija poslovne
inteligencije traži se da budu dostupne u bilo koje vreme i na bilo kom mestu, odnosno
neprekidna raspoloživost.
 Visok stepen prilagodljivosti, tj. sposobnost obrade podataka u vidu brze reakcije na
dinamične promene u poslovnom okruženju i uslovima.
 Skalabilna memorija i zadovoljavajuća delotvornost - količina podataka rapidno raste,
a i broj korisnika sistema poslovne inteligencije se neprekidno povećava. Da bi sistemi
poslovne inteligencije i skladištenja podataka mogli podržati taj rast podataka kao i
brojne korisnike, moraju osigurati skalabilno i proširivo okruženje za punjenje,
ažuriranje, obnavljanje i reorganizaciju podataka.
 Brz razvoj i jednostavna administracija - korisnici sistema poslovne inteligencije traže
njegov što brži razvoj. Pri tom se kao problem javlja pronalaženje stručnog i
osposobljenog informatičkog osoblja. Proizvođači softvera se trude da razviju
automatizovane alate koji će olakšati kompanijama poslove vezane za administriranje
baza podataka.
2.2.
Klasifikacija sistema poslovne inteligencije
Osnovne podvrste poslovne inteligencije s obzirom na izvore podataka su [7]:
 Tržišna inteligencija kompanije (Market Intelligence)
 Unutrašnja inteligencija kompanije (Internal Intelligence).
Tržišna inteligencija kompanije obezbedjuje informacije o tržišnim kretanjima u grani u
kojoj kompanija posluje. Podrazumeva prikupljanje i analizu podataka za potrebe donošenja
odluka pri odredjivanju tržišnih mogućnosti, strategija prodora na tržište kao i analizu
podataka za praćenje tržišnih metrika. Cilj primene ove vrste analize su bolje razumevanje
tržišta i orijentacija na potrošače, identifikacija novih mogućnosti kroz praćenje trendova,
8
rano upoznavanje sa aktivnostima konkurencije, minimiziranje rizika investiranja, bolje
tržišno pozicioniranje i brže, efikasnije i troškovno efektivnije prikupljanje informacija bez
njihovog multipliciranja.
Osnovni izvori podataka tržišne inteligencije su:
 Klijenti – klijentska inteligencija (Customer Intelligence)
 Konkurencija – kompetitivna inteligencija (Competitive Intelligence)
 Dobavljači i ostali poslovni partneri – inteligencija lanca snabdevanja (Supply Chain
Intelligence).
Klijentska inteligencija podrazumeva prikupljanje, analizu i eksploataciju informacija o
klijentima kompanije. Informacije koje se najčešće analiziraju podrazuveju potrebe kupaca
(sadašnje i predvidjene), ponašanje kupaca i trendove, proces donošenja odluka kupca, sve sa
ciljem stvaranja novih prilika kroz inovativnost, liderstvo i orijentaciju na kupca u poslovnom
procesu. Ova vrsta inteligentne analize i aktivnosti predstavlja temelj nove ekonomije u svetu
elektronskog poslovanja.
Kompetitivna inteligencija podrazumeva procese koji su usmereni na indentifikaciju rizika i
mogućnosti koje nudi tržnišno okruženje. Radi se o legalnim i etičkim poslovnim procesima
analize, nasuprot industrijskoj špijunaži koja je nelegalna i sa kojom se ne može poistovetiti.
Fokus kompetitivne inteligencije je na poslovnom okruženju. To je proces koji podrazumeva
prikupljanje informacija i njhovo transformisanje u znanje koje podržava odlučivanje. Pri
tome posebno se ističe da ukoliko prikupljene informacije ne sadrže kvalitativni element i ne
podstiču na akciju zapravo i ne prestavljaju komponentu inteligencije.
Upravljanje lancima snabdevanja je donelo značajnu transformaciju u poslovnim procesima
prethodne decenije.
Enterprise Resource Planning (ERP) i Supply Chain Management
(SCM) aplikacije su automatizivale proces planiranja i organizovanja svake karike u lancu
snabdevanja. Sledeći korak podrazumeva analizu i definisanje metrika na osnovu njihove
primene, čime je proces evoluirao od upravljanja lancima snabdevanja do inteligencije lanaca
snabdevanja. Inteligencija lanca snabdevanja podrazumeva mogućnost analize, integracije i
deljenja informacija, proširenje operativnih aktivnosti dugoročnom strateškom dimenzijom i
9
stvaranje lanca snabdevanja koji je blizu real-time sinhronizaciji aktivnosti širokog kruga
partnera u e-mreži koja uveliko prevazilazi granice kompanije [20].
Unutrašnja inteligencija kompanije pruža informacije o performansama poslovanja same
kompanije. Osnovni izvori podataka za stvaranje unutrašnje inteligencije su:
 Operativni poslovni procesi – inteligencija poslovnih procesa (Business Process
Intelligence)
 Upravljački procesi – inteligencija menadžmenta (Management Intelligence).
10
3. Uloga sistema poslovne inteligencije u procesima
elektronskog poslovanja savremenih kompanija
Internet, informacione i komunikacione tehnologije prožimaju sve aspekte kako
svakodnevnice savremenog čoveka, tako i poslovanja. Danas na pomenu ove oblasti gotovo
da je niko više ne doživljava kao novu, dok dijapazon njenog uticaja postaje gotovo
neizmeran. Revolutivna brzina povećanja broja korisnika i opsega primene Interneta su jedna
od najistaknutijih karateristika savremenog informatičkog doba. Analize pokazuju da je u
junu 2010. godine 1966514816 svetskog stanovništva (28,7%) koristilo Internet, sa rastom od
444,8 % od 2000. godine [21].
Prateći medije, stiče se utisak da se .com revolucija zapravo odnosi na Web 2.0 apliakcije kao
što su Twitter, Facebook ili Wikipedia. Iako široko zastupljene, navedene aplikacije
predstavljaju sam mali deo „komercijalnog Interneta“. Zapravo, 25 godina posle prve .com
kompanije - Symbolics.com, koja se pojavila na svetskom tržištu 15 marta 1985. godine,
komercijalni Internet je napravio revoluciju u poslovanju, ekonomiji i društvenoj zajednici
širom sveta [22].
Elektronsko poslovanje, kao bilo koji proces koji organizacija realizuje posredstvom
računarske mreže, podrazumevajući i interne i eksterne komunikacione tokove, predstavlja
jednu od najjačih sila globalne ekonomije [1]. I poslovni i individualni korisnici se sve više
uključuju u transakcije elektronskog poslovanja, posebno elektronsku trgovinu koja
podrazumeva prodaju i kupovinu proizvoda i usluga posredstvom Interneta. Danas
elektronska trgovina medju kompanijama (B2B) zauzima više od 80% obima elektronskog
poslovanja, pri tome se očekuje se da će B2B elektronska trgovina nastaviti sa intenzivnijim
rastom u odnosu na B2C e-trgovinu.
Upotreba Interneta i savremenih informacionih tehnologija u komercijalne svrhe uzrokovala
je nastanak novih poslovnih modela, promenila proces stvaranja novih proizvoda i usluga,
način ponašanja potrošača, aktivnosti unutar kompanija, kao i način kooperacije medju
kompanijama i fundamentalno izmenila način interakcije medju pojedincima, proces
11
uspostavljanja zajednica i proces socijalizacije. Prema jednoj od definicija elektronsko
poslovanje u svetlu najnovijih trendova razvoja ekonomije i tehnologije uopšteno se definiše
kao primena komunikacionih i informacionih tehnologija u poslovnim transakcijama koje
kreiraju, transformišu i redefinišu veze u procesu kreiranja vrednosti unutar i izmedju
kompanija, kao i izmedju kompanija i pojedinaca [12]. Cilj elektronskog poslovanja jeste
unapredjenje poslovnog procesa. Ono predstavlja promenu organizacionih procesa kako bi se
isporučila dodatna vrednost klijentima kroz primenu tehnologija, filozofije i računarske
paradigme nove ekonomije.
U kontekstu savremenog poslovanja, posebnu ulogu ima i mobilno poslovanje (m-commerce)
koje podrazumeva obavljanje poslovnih transakcija posredstvom bežičnih mreža i uredjaja
kao što su mobilni telefoni ili PDA uredjaji (personal digital assistant). Lider u oblasti
mobilnog poslovanja jeste Japan.
Transakcije elektronskog poslovanja uključuju sledeće učesnike i preduslove [12]:
 Organizacija – sama organizacija koja poslovni proces proširuje dimenzijom
elektronskog mora ispuniti niz organizacionih i tehnoloških preduslova kako bi
konkurentno
poslovala.
Mora
biti
obezbedjena
odgovarajuća
infrastruktura
(softverska, hardverska i mrežna), zaposleni eduktovani tako da mogu da podrže
proces elektronskog poslovanja i definisana jasna strategija nastupa na e-tržištu.
 Transakcioni partneri – podrazumevaju npr. banke koje mogućavaju obradu novčanih
transakcija, zatim organizacije koje obezbedjuju isporuku dobara ili sistem
autorizacije koji podrazumeva treću stranu koja obezbedjuje sigurnost transakcija.
 Klijenti – za uspešno poslovanje mora postojati kritična masa potrošača koji imaju
mogućnost da posluju upotrebom savremene tehnologije, kao njihova spremnost za
obavljanje transakcija na ovaj način.
 Partneri – poslovni kooperanti takodje moraju biti spremni za poslovanje po pravilima
koje mora da zadovolji i sama organizacija.
 Državna uprava – mora obezbediti zakonske okvire za obavljanje e-transakcija, kao i
intitucije koje će štititi učesnike u e-poslovanju.
 Mrežna infrastruktura – jedan od neophodnih preduslova je da infrastruktura bude
razvijena na nivou koji obezbedjuje nesmetano obavljanje poslovnih procesa.
12
Elektronsko poslovanje podrazumeva širok skup poslovnih aktivnosti koje se realizuju
primenom informacionih i komunikacionih tehnologija (ICT) – prodaju i kupovinu proizvoda
i usluga, saradnju sa poslovnim partnerima, primenu e-učenja i obavljanje transakcija unutar
kompanije [1]. Slika 3 prikazuje komponente elektroskog poslovanja:
Slika 3 Komponente elektronskog poslovanja
Kao komponenta elektronskog poslovanja poslovna inteligencija ima specifičnu ulogu zbog
činjenice da integriše podatke iz različitih izvora bez obzira na način kako ih svaki od
pojedinačnih sistema čuva (analitičke i transakcione baze, datoteke, podaci sa weba, ...).
Zahvaljujući sistemima poslovne inteligencije korisnici su u mogućnosti da na jedinstven
način obavljaju analizu podataka i time dobiju integralnu sliku poslovnih performansi.
Primenom poslovne inteligencije eliminiše se mogućnost da istovetan indikator ima različite
vrednosti u zavisnosti koja poslovna funkcija obavlja analizu (finansije, marketing,
proizvodnja, itd.). Takodje, podaci iz različitih sistema, kao što su npr. ERP, CRM, SCM,
medjusobno se ukrštaju čime se analiza proširuje dodatnim informacijama. Svaka od
navedenih komponeti elektronskog poslovanja koja je potencijalno u korelaciji sa sistemom
poslovne inteligencije biće detaljnije definisana.
Enterprise Resource Planning (ERP) su poslovni informacioni sistemi koji podržavaju sve
poslovne funkcije i imaju mogućnost prilagodjavanja konkretnim potrebama organizacije
poštujući definisane standarde. Savremeni sistemi ERP su rešenja koja preduzećima
omogućavaju brz odziv i rad sa kupcima, dobavljačima i poslovnim partnerima na globalnom
tržištu putem Interneta, bilo gde i bilo kad. ERP kao integralni informacioni sistem:
13
 služi planiranju i izvršavanju poslovnih procesa,
 integriše u jednu celinu i automatizuje sve pojedinačne poslovne procese i informacije,
omogućava bolji i brži uvid u sve segmente poslovanja kompanije, kao i efikasno
praćenje i kontrolu na svim nivoima, što omogućava optimalizaciju radnih mesta,
smanjenje troškova i povećanje dobiti,
 omogućava brz i jednostavan pristup neophodnim transakcionim informacijama i nudi
veliki broj analiza i preciznih i pravovremenih izveštaja koji omogućavaju lakše
donošenje operativnih odluka,
 pruža brz
odgovor i
zadovoljenje kompleksnih zahteva klijenata/tržišta i
pojednostavljuje ulaz na regionalno i svetsko tržište.
ERP sistemi su modularno orijentisani i njihove funkcije su uglavnom grupisane po sledećim
oblastima poslovanja:
 upravljanje finansijama,
 upravljanje prodajom i marketingom,
 upravljanje nabavkom,
 upravljanje magacinskim poslovanjem,
 upravljanje proizvodnjom,
 planiranje resursa,
 upravljanje servisom i održavanjem,
 kadrovska evidencija.
Customer Relationship Management (CRM) označava metodologije i softverski sitem koji
pomaže kompaniji da na organizovan način upravlja odnosima sa svojim klijentima.
Označava sve ono što služi izgradi značajnih i dugotrajnih odnosa sa kupcima. On nije samo
automatizacija tri kritično važne korisnički orijentisane funkcije: prodaje, marketinga i
servisa, nego je kombinacija strategije, poslovnih procesa i tehnologije.
S obzirom na situaciju na tržištu, za uvođenje sistema CRM u preduzeće odlučuju se
kompanije koje su svesne koliko su važni:
 izgradnja dugoročnih odnosa sa klijentima,
 povećanje potrošnje svojih klijenata i povećanje sopstvenog udela u njihovom budžetu
sa detaljno planiranom unakrsnom prodajom proizvoda/usluga,
14
 merenje efikasnosti prodajnih i marketinških aktivnosti,
 razumevanje vrednosti pojedinih klijenata.
Prednosti uvođenja rešenja CRM obuhvataju razumevanje vrednosti pojedinog klijenta u
celokupnom životnom ciklusu; postojanje konzistentno struktuiranih i potpunih podataka o
klijentima; prepoznavanje klijenta kao pojedinca; integralna obrada klijenata preko svih
komunikacionih kanala (telefon, e-pošta, internet, posete); veći naglasak na zadržavanju
klijenata programima za povećanje vernosti; planiranje strategije unakrsnog marketinga
proizvoda; merenje efekata marketinških akcija i prodajnih aktivnosti; optimizacija,
automatizacija i nadzor marketinških, prodajnih i uslužnih procesa.
Supply Chain Management (SCM) sistemi za cilj imaju efikasnu integraciju dobavljača,
proizvodjača, skladišta, distributivnih centara i samih kupaca, kako bi se obezbedila isporuka
proizvoda u pravim količinama, na pravom mestu i u pravo vreme. Ovi sistemi podržavaju
sistem upravljanja na tri nivoa. Na strategijskom nivou pružaju informacije neophodne za
donošenje strateških odluka visokog nivoa koje utiču na kompletnu organizaciju, kao što su
veličina i lokacija proizvodnih pogona, partnerstva sa dobavljačima, ciljna tržišta i sl.
Taktičke odluke podrazumevaju aktivnosti koji utiču na snižavanje troškova poput primena
novih pristupa specifičnih za delatnost kojom se kompanija bavi, razvoj startegije nabavke,
saradnju sa logističkim kompanijama u cilju smanjenja troškova isporuke i razvoj skladišnog
poslovanja u cilju smanjenja troškova zaliha. Procesi na operativnom nivou podrazumevaju
svakodnevne poslovne odluke koje utiču na tok proizvoda u lancu snabdevanja. To su npr.
rasporedi u proizvodnji, primanje narudžbina od korisnika, kretanje robe kroz skladište itd.
SCM tokovi se mogu razdvojiti u tri glavna pravca:
 Tok proizvoda
 Tok informacija i
 Finansijski tok.
Tok proizvoda podrazumeva kretanje dobara od dobavljača do krajnjeg kupca, kao i sve
povraćaje ili eventualne servise koji se kupcima pružaju. Tok informacija podrazumeva
prenos podataka o narudžbinama, kao i podatke ko što je status isporuke. Finansijski tok
15
podrazumeva uslove kreditiranja, plan naplate i različite oblike finansijskih sporazuma. SCM
sistemi moraju biti u mogućnosti da kvalitetan način podrže svaki od navedenih tokova.
Postoje dva osnovna tipa SCM sofvera – aplikacije za planiranje i izvršne aplikacije.
Aplikacije za planiranje koriste napredne algoritme kako bi odredile najbolji način upravljanja
lancem snabdevanja. Izvršne aplikacije prate fizički status dobara, upravljanje materijalima i
finansijske informacije svih učesnika u poslovanju.
Elektronska trgovina (ili e-trgovina) primarno se sastoji od distribuiranja, kupovine, prodaje,
marketinga, i servisiranja proizvoda i usluga putem elektronskih sistema kao što je Internet i
druge kompjuterske mreže. U užem smislu definicija obuhvata kupovinu i prodaju robe,
usluga i informacija putem mreže [1].
U elektronskoj trgovini prisutni su elementi karateristični za tradicionalnu trgovinu kao što su
[23]:
 Proizvod,
 Mesto,
 Marketing,
 Način za prijem narudžbina,
 Način za prijem novca,
 Isporuka,
 Mogućnost vraćanja proizvoda,
 Garancija,
 Tehnička podrška.
Oni ipak dobijaju u uslovima Internet poslovanja specifične karakteristike koje u mnogome
menjaju trgovinski proces. Tako su npr. u elektronskoj trgovini olakšani kreiranje ecommerce web sajta kao mesta trgovine; primanje porudžbina i primanje novca. S druge
strane veće prepreke na putu uspeha jedne elektronske prodavnice predstavljaju sledeći
činioci:
 navođenje saobraćaja na novonastalu web-prodavnicu,
 postizanje da posetioci dođu i drugi put na sajt prodavnice (povratne mušterije),
 diferenciranje od konkurencije,
16
 navođenje ljudi da zapravo nešto kupe u web-prodavnici, da zaista ukucaju broj
svoje kreditne kartice,
 čvršće integrisanje poslovnog procesa u e-commerce sajt.
U kontekstu navedenih ključnih poslovnih procesa značajnu ulogu ima i saradnja zaposlenih
unutar organizacije (Workgroup collaboration), koja podrazumeva deljenje resursa i
informacija posredstvom elektronske pošte, sastanaka, deljenja dokumentacije isl.
Automatizacija u ovoj oblasti unapredjuje produktivnost zaposlenih u obavljanju njihovih
zadataka i pozitivno utiče na zadovoljstvo korisnika. Ne treba zanemariti ni upravljanje
znanjem unutar organizacije (Knowledge Management - KM), koje podrazumeva upravljanje
informacijama i ličnim veštinama zaposlenih kako bi se proizveli pozitivni efekti na poslovni
uspeh.
U nizu navedenih procesa elektronskog poslovanja poslovna inteligencija ima ulogu da
objedinjuje i analizira veliki broj poslovnih informacija iz navedenih sistema i drugih
ekesternih izvora kako bi se ostvarila konkurentska prednost. Kada organizacija poveže svoje
kritične poslovne sisteme sa klijentima, dobavljačima, distributerima i zaposlenima radi
ostvarenja kompetitivne prednosti može se reći da postaje organizacija koja posluje
elektronski. Zajednica korisnika koja se nalazi u interakciji sa kompanijama koje posluju
elektronski jeste globalna, multijezična, zahteva dostupnost 24*7, uglavnom koristi internet
pretraživače kao klijentsku platformu, zahteva visoke standarde sigurnosti i zaštite privatnosti
i može generisati nepredvidive zahteve. Korisnici imaju velike mogućnosti izbora, najčešće se
kaže da su samo na klik udaljeni od konkurencije u svakom momentu, i u skladu sa tim
zahtevaju brze reakcije i napredne usluge. Uloga poslovne inteligencije je da unapredi
performanse poslovanja u prethodno opisanim uslovima. Njenom upotrebom kompanije mogu
unaprediti odnose sa klijentima i dobavljačima, bolje upravljati rizikom, povećati
produktivnost proizvoda i usluga, bolje kontrolisati troškove i ostvariti mnoge druge ciljeve.
Posredstvom aplikacija poslovne inteligencije kao što su marketing targetiranje, profilisanje
korisnika, analiza upotrebe proizvoda ili usluga informacije o klijentima postaju osnovno
sredstvo kompetencije.
Uloga poslovne inteligencije u elektronskom poslovanju jeste [24]:
17
 Podsticanje integracije s obzirom na izraženu potrebu za brzim reakcijama na promene
e-okruženja u odnosu na „brick and mortar“ poslovno okruženje. Integracija poslovnih
informacionih sistema u jedinstven poslovni proces se može ostvariti stvaranjem
jedinstvenog sistema donošenja odluka u kome se rezultati primene aplikacija
poslovne inteligencije usmeravaju ka korisnicima u formi koja podstiče akcije i ističe
specifične kritične tačke za poslovni uspeh.
 Podsticanje organizacija da razmotre proširenje ovakvog procesa donošenja odluka na
nivo prilagodjavanja poslovnih operacija i marketinških kampanja u realnom vremenu
na osnovu prezentovanih informacija posredstvom sistema poslovne inteligencije.
Ovakav jedinstven sistem donošenja odluka bi obezbedjivao sve potrebne analize na
osnovu zahteva korisnika i na taj način obezbedio značajnu prednost u tržišnom
pozicioniranju.
 Da podrži zahteve velike skalabilnosti jer e-poslovanje karakteriše nepredvidivost
obima podataka i česte izmene u tokovima informacija.
Sledeća slika pokazuje sistem inteligentonog elektronskog poslovanja i njegove relacije
[24]:
18
Slika 4 Inteligentno e-poslovanje
3.1.
Uloga sistema poslovne inteligencije u procesima elektronskog
poslovanja institucija javne uprave
Razvoj informacionih i komunikacionih tehnologija i široka primena Interneta uticali su na
intenzivne promene u načinu života pojedinaca i poslovanju kompanija bez obzira na njihovu
veličinu, delatnost i vlasničku strukturu. Transformacija je nastala i u organizacijama javnog
sektora, zahvatajući izmene u organizovanju poslovnog procesa, organizacionoj strukturi,
načinu pružanja usluga gradjanima, medjusobnoj saradnji sa drugim organizacijama javne
uprave, kao i privatnim kompanijama, te neophodnim kompetencijama zaposlenih. Poput
drugih procesa elektronskog poslovanja koji su detaljno razmatrani u prethodnom poglavlju, i
sistemi poslovne inteligencije imaju značajnu ulogu u funkcionisanju institucija javne uprave.
Poslovna inteligencija je proces koji podržava obradu i prikupljanje podataka, upravljanje
zasnovano na analizi podataka i odlučivanje podržano činjenicama u svim kompanijama bez
obzira na veličinu. BI pristup funkcioniše dobro upravo zato što uzima u obzir pogled na
19
poslovanje iz ugla kompanije i iz ugla klijenata, i pronalazi način da se svi indikatori
poslovanja kvantifikuju, a ne samo oni finansijski. Poslovna inteligencija podrazumeva
metode i aplikacije koje omogućavaju prikupljanje, analizu i prezentaciju podataka koji su
neophodni prilikom donošenja poslovnih odluka. Pri tome kada se kaže poslovnih, misli se na
veoma širok skup područja rada. Poslovna inteligencija se primenjuje u procesu poslovanja
državnih institucija kao podrška ostvarenju njihove misije delovanja, isto kao i u privatnom
sektoru.
Poslovanje i u javnom i privatnim sektoru podrazumeva upotrebu alata poslovne inteligencije
za slične zadatke i u sličnim poslovnim okolnostima. Naravno, postoji mnoštvo procesa i
okolnosti koje se razliku, ponekad čak i drastično. Na primer, oba sektora koriste poslovnu
inteligenciju u procesima upravljanja ljudskim resursima, budžetiranju i planiranju, za
finansijsku analizu i podršku klijentima. Medjutim, u privatnom sektoru akcenat analize
performansi je je na prodaji, marketingu i profitabilnosti, dok se poslovna inteligencija
kompanija javnog sektora fokusira na podršku njihovoj osnovnoj misiji, podršku upravljanja
različitim programima, primenjenoj poslovnoj politici i javnom dobru [18]. Navedene razlike
pokazuje Slika 5 [18].
Slika 5 Razlike u primeni alata poslovne inteligencije u javnom i privatnom sektoru
Razlike u analiziranim inputima i očekivanim rezultatima ova dva sektora i implikacije na
izbor alata poslovne inteligencije i drugih vidova tehnologije, mogu biti značajne. Alati
poslovne inteligencije i procesi dizajnirani i razvijeni za primenu u privatnom, posebno
20
profitno orijentisanom sektoru, zbog navedenog nisu uvek najbolji izbor za institucije državne
uprave. Primenjeni BI alati moraju moraju uzeti u obzir specifične potrebe i probleme
državnih institucija i biti dizajnirani u skaldu sa njima. Ovakvi sitemi su projektovani tako da
podstiču zaposlene u institucijama državne uprave da ispune definisanu misiju i postavljene
ciljeve i omoguće svim zainteresovanim stranama, uključujući i javnost da ostvari benefite od
dostavljenih informacija.
Svakodnevno, zaposlenima u institucijama državne uprave su potrebne informacije koje su
relevantne, tačne, kako bi donosili odluke koje će gradjanima obezbediti kvalitetne usluge
širokog spektra, a da pri tome na najbolji način iskoriste ograničene resurse. Specifično za ove
institucije jeste grupa stejkholdera, koja podrazumeva i javnost i odgovarajuće institucije
kontrole.
BI rešenja im omogućavaju:
 Širi pogled na sve aspekte organizacije obezbedjujući jedinstven pristup višestrukim
izvorima i lokacijama. Konsolidaciju, čišćenje i standardizaciju podataka iz različitih
izvora.
 Praćenje performansi u skladu sa postojećim procedurama upravljanja, kako bi
pojedinačne akcije bile u skladu sa globalnim skupom poslovnih pravila.
 Upravljanje troškovima u skladu sa budžetom koje pomaže da se adekvatno realizuju
planirani programi i identifikuju kritične tačke u realizaciji plana. Ostvareni rezultati
se na taj način mogu jasno povezati sa alokacijom budžeta, potrošnjom, prihodom i
utrošenim resursima.
 Automatsko praćenje i održavanje prava pristupa poverljivim informacijama.
Kontrolisan pristup informacijama od interesa za pojedine poslovne pozicije.
 Kombinovanje rada BI sistema sa postojećim alatima za saradnju i upravljanje
sadržajem kako bi se maksimizirala efikasnost.
 Postavljanje prioriteta unutar organizacije zbog bolje prilagodljivosti izmenama u
centralizovanim programima namenjenim gradjanima.
 Konstantno praćenje performansi nasuprot postavljanju ciljeva i jednokratnim
proverama ostvarenog.
21
4. Upravljanje i životni ciklus projekata poslovne inteligencije
Osnovne karakteristike projekata podrazumevaju složenost, neponovljivost, ograničenost u
pogledu ljudskih, materijalnih i vremenskih resursa, te usmerenost na ostvarivanje
postavljenih ciljeva. Proces upravljanja projektima je tokom razvoja koncepta poslovanja,
naučno zasnovan, u toriji i praksi potvrđen koncept koji uz pomoć metoda i tehnika
optimizacije, planiranja i kontrole vrši racionalno usklađivanje svih potrebnih resursa kako bi
se projekat realizovao na najefikasniji način. Bitnu karakteristiku dobro vođenog projekta
predstavlja činjenica da je u svakoj fazi procesa poznat stepen ostvarenja postavljenih ciljeva
projekta, što omogućava efikasan sistem izveštavanja i kontrole, a postizanje postavljenih
ciljeva u okviru unapred definisanih vremenskih, resursnih i troškovnih ograničenja
predstavlja rezultat efikasnog i efektivnog procesa upravljanja projektom. Projekat razvoja
sistema poslovne inteligencije podrazumeva primenu opšteprihvaćenih koncepata upravljanja
projektima u svim fazama životnog ciklusa.
Projekti razvoja sistema poslovne inteligencije se zahtevni po pitanju upotrebe resursa. Oni
zahtevaju upotrebu nove tehnologije, dodatne zadatke, uloge i odgovornosti koji se moraju
realizovati, i aplikacije koje moraju biti isporučene u kratkim rokovima i sa zadovoljavajućim
kvalitetom. Oni spadaju u kategoriju inženjerskih projekata i kao takvi prolaze kroz 6 faza
izmedju početka i implementacije [25]:
 Obrazloženje: Identifikacija potrebe za sprovodjenjem projekta ove vrste proizilazi iz
analize odredjenih poslovnih problema ili poslovnih prilika za koje se procenjuje da
mogu biti rešeni ili ostvareni primenom metodologija karakterističnih za odabrani
koncept.
 Planiranje: Neophodno je definisanje strategijskih i taktičkih planova koji će biti
glavna smernica u realizaciji svakog koraka na putu ka ostvarenju postavljenih ciljeva.
 Poslovna analiza: Analizom poslovnog procesa identifikuju se ključni korisnici BI
sitema, utvrdjuju i pojašnjavaju njihovi zahtevi i očekivanja, obim podataka i poslovna
područja koje je potrebno obuhvatiti.
 Dizajn: Konvertuje prethodne specifikacije poslovnih procesa u detaljni model.
22
 Razvoj: Na osnovu dizajniranog modela u skladu sa zahtevima krajnjih korisnika
pristupa se razvoju komponenti BI sistema.
 Početak primene (deployment): Sistem započinje sa regularnom primenom u okviru
poslovnog procesa pri čemu se kontinuirano vrše provere da li zadovoljava postavljene
zahteve i očekivanja.
Tradicionalno uvodjenje novog sistema u organizaciju imalo je jasan početak i kraj, takozvani
„vodopad“ (waterfall) tok projekta, uz jedinstven skup korisnika iz svakog segmenta
poslovanja. Ovakav način upravljanja projektom koji je prikazan na Slici 6 je adekvatan za
neintegrisane sisteme, jer obezbedjuje dovoljno dobro planiranje, budžetiranje i implemetaciju
nezavisnih sistema.
Slika 6 Tradicionalni tok projekta
Kako su sistemi poslovne inteligencije okruženja koja obezbedjuju integrisano donošenje
odluka povezujući sve delove organizacione strukture prikazani tok projekta nije adekvatan i
dovoljno efikasan. Interorganizacione aktivnosti nemaju za cilj rešavanje izolovanih problema
jedne grane poslovanja. Tradicionalni tok projekta ne podržava strategijsko planiranje,
unakrsnu analizu kroz čitavu organizacionu strukturu, niti koncept verzionisanja primenjenih
aplikacija. On obično počinje planiranjem, usresredjuje se na dizajn i implementaciju i
završava održavanjem.
Nasuprot prikazanom toku projekta razvoj integralnog BI sistema podrazumeva postojanje
više iteracija jer se radi o sistemima koji su suviše veliki i kompleksni da bi bili izgradjeni u
jednom ciklusu. Podaci i funkcionalnosti se definišu u svakom ciklusu i postaju osnov za
definisanje zahteva sledeće faze što pokazuje Slika 7.
23
Slika 7 Iterativni tok projekta
Deset osnovnih principa agilnih metoda razvoja po kojima se fundamentalno razlikuju od
tradicionalnih vodpad metoda su:
1.
Neophodnost aktivnog učešća krajnjih korisnika,
2.
Podsticanje projektnog tima na učešće u donošenju odluka,
3.
Zahtevi evoluiraju, ali vremenska ograničenja ostaju fiksna,
4.
Zahtevi se analiziraju na visokom nivou,
5.
Razvijaju se mali delovi, prikladni za inkremetalni razvoj,
6.
Fokus je na učestaloj isporuci proizvoda,
7.
Neophodno je kompletirati svaku komponentu pre nego što se predje na sledeći korak,
8.
Primena pravila 80/20,
9.
Testiranje je integrisano kroz ceo životni ciklus projekta,
10.
Kolaboracija i kooperacija izmedju svih učesnika na projektu (uključujući i korisnike)
je od esencijalnog značaja.
Ekspanzija elektronskog poslovanja zahteva integraciju procesa unutar cele organizacije. Pri
tome integracija ne označava povezivanje starih sistema unutar organizacije, već integraciju
informacija, integritet informacija, povezivanje poslovnih funkcionalnosti i usmeravanje
poslovnih procesa. Ovo podrazumeva razvoj arhitekture koja će biti primenjena na celokupnu
kompaniju, kao i odgovarajuće infrastrukture (tehničke i netehničke). Proces upravljanja
projektima poslovne inteligencije obezbedjuje fleksibilno okruženje pri čemu je omogućeno
24
da se na bilo kom koraku u razvojnom ciklusu uključe dodatni napori pod uslovom da
zadovoljavaju odredjene unapred definisane ulazne kriterijume. Takodje podstiče se i
paralelan razvoj gde se više koraka i različitih aktivnosti može izvršavati istovremeno. Tok je
dizajniran na način da bude agilan i prilagodljiv tako da se projekat može organizovati u vidu
više paralelnih podprojekata, pri čemu svaki od njih prolazi kroz sve prethodno opisane
iteracije nezavisno kao što pokazuje Slika 8.
Slika 8 BI projektna organizacija
Bez obzira na primenjeni tok projekta u toku njegovog životnog ciklusa sprovodi se veliki
broj različitih aktivnosti po fazama realizacije.
Kao što je ranije navedeno prvi korak u procesu razvoja sistema poslovne inteligencije jeste
sama procena o potrebi implementacije ovakvog sistema. Nadležnim osobama u okviru
organizacije moraju biti jasno predočene sve prednosti koje se mogu ostvariti ukoliko se
odredjena poslovna šansa ili problem rešava primenom BI metoda, kao i troškovi koji će
nastati ovim aktivnostima.
Faza planiranja podrazumeva dve jednako značajne komponente – definisanje infrastrukture i
kreiranje projektnog plana.
25
S obzirom da BI sistem podržava proces donošenja odluka na nivou čitave organizacije
neophodno je postojanje adekvatne infrastrukture u kompaniji koja podrazumeva dve
komponente:
1.
Tehničku infrastrukturu koja uključuje hardver, softver, sisteme za upravljanje
bazama podataka, operativne sisteme, mrežne komponente, aplikacije;
2.
Netehničku infrastrukturu koja podrazumeva standarde metapodataka, standarde
imenovanja, metodologije, uputstva, procedure testiranja, procedure praćenja
promena, procedure rešavanja problema sa sistemima itd.
Definisanje projektnog plana je od kritičnog značaja zbog toga što su projekti razvoja sistema
poslovne inteligencije izuzetno dinamični i svaka eventualna promena u obimu, budžetu,
tehnologiji, angažovanim stručnjacima može bitno uticati na projekat. Zbog navedenog,
projektni plan mora biti veoma detaljan, a praćenje i izveštavanje o stepenu ostvarenja
postavljenih ciljeva konstantno.
Prvi korak u okviru faze analize poslovanja jeste definisanje zahteva na koje projekat treba da
odgovori. Definisanje obima projekta je jedan od najsloženijih zadataka. Prirodna je želja
krajnjih korisnika da što brže dobiju odgovor na sve svoje zahteve, ali u interesu upravljivog
procesa realizacije projekta jeste definisati manja poslovna područja koja će biti obuhvatana
iterativno. Važno je imati u vidu da se zahtevi korisnika menjaju tokom projekta kao rezultat
upoznavanja sa mogućnostima i ograničenjima tehnologije. Definisanje zahteva korisnika
podrazumeva realizaciju intervjua i radionica sa korisnicima koji imaju ključnu ulogu u
procesu donošenja odluka. U toku ovih radionica preporučljivo je imati u vidu 6 takozvanih,
Kiplingovih pitanja – šta, kako, zašto, kada, gde i ko, npr:
1.
Šta su postavljenji ciljevi u vašoj oblasti? Šta nastojite da ostvarite?
2.
Kako merite rezultate poslovanja?
3.
Koji su vaši sadašnji izvori podataka?
Jedan od najznačajnijih faktora uspeha BI projekta jeste kvalitet izvornih podataka. Loše
navike je teško ispraviti, a jednako je teško i vremenski zahtevno pronaći i ispraviti sve
posledice koje iz njih proizilaze. Treba imati u vidu da BI projektu prethodi period analize
podataka iz ugla jedne grupe korisnika i da ti podaci nejverovatnije nisu bili dostupni, niti su
26
analizirani iz perspekive drugih delova organizacije. Analiza izvornih podataka je korak koji
zahteva značajan deo vremena u okviru celog projekta.
Analiza repozitorijuma metapodataka podrazumeva definisanje i dokumentovanje zahteva
koje tipove metapodataka je potrebno čuvati u metamodelu. Takodje i zahtevi za isporukom
metapodataka korisnicima moraju da se analiziraju. Što se više alata koristi po pravilu se
generiše više tehničkih metapodataka koji se nadovezuju na poslovne metapodatke.
Faza dizajna podrazumeva dizajn baze podataka i dizaj ETL procesa.
Dizajn baze podataka podrazumeva tri nivoa modeliranja – konceptualni, logički i fizički.
Konceptualni model obuhvata definisanje značajnih entiteta i relacija izmedju njih. Na ovom
nivou se ne definišu atributi niti ključevi. Cilj konceptualnog modeliranja jeste da se utvrde
relacije medju entitetima na najvišem nivou. Logički model sadrži sve entitete i relacije medju
njima, definisanje svih atributa, primernih ključeva za svaki od entiteta kao spoljnih ključeva
koji identifikuju relacije definisane relacije. Na ovom nivou modelar nastoji da opiše podatke
što je moguće detaljnije, bez obzira na to kako će oni biti fizički implementirani u bazi
podataka. Kada se radi o modeliranju skladišta pidataka čest je slučaj da se konceptualni i
logički model kombinuju u jednom koraku. Fizički model podataka podrazumeva detaljnu
specifikaciju svih tabela i kolona, definisanje spoljnih ključeva kako bi se identifikovale
relacije medju tabelama, odredjeni stepen denormalizacije. Na ovom nivo se specificira način
realizacije logičkog modela na nivou šeme baze podataka.
Od izvršenja ETL procesa očekuje se relativno kratak period izvršavanja. S obzirom na
kvalitet izvornih izvornih podataka i složenost zahtevanih transformacija često je neophodno
izvršavanje velikog broja zahtevnih procesa. Usled navedenog dizajniranje ETL procesa
predstavlja veliki izazov za većinu organizacija i jedan je od najkomplikovanijih i
najzahtevnijih koraka u čitavom projektu.
Nakon kreiranja odgovarajućih modela sledi faza razvoja ETL procesa i BI aplikacija. Za
razvoj ETL procesa koriste se napredni ETL alati koji olakšavaju obradu, automatizaciju i
praćenje izvršavanja ekstarkcije, transformacije i učitavanja podataka. Bez obzira na
sofisticiranost savremenih alata često je neophodan i dodatan razvoj odgovarajućih procedura
27
i drugih vidova obrada podataka. Kada su podaci dostupni u skladištu podataka omogućen je i
razvoj OLAP kocaka, kao i odgovarajućeg interfejsa koji će omogućiti OLAP analizu.
Razvija se i unapred definisan set izveštaja u skladu sa specificiranim zahtevima korisisnika.
Bitnu ulogu u celokupnom procesu ima i primena data mining alata čime se u organizacionim
podacima otkrivaju značajne i skrivene informacije i pravila.
Nakon razvoja sistema pristupa se testiranju i proveri kvaliiteta prezentovanih podataka. Kada
testiranje potvrdi očekivanja korisnika sistem je spreman za upotrebu u produkciji. Korisnici
moraju biti obučeni kako bi bili u mogućnosti da ostvare sve benefite razvijenog sistema.
Neophodno je obezbediti i sistem podrške koji obuhvata „help desk“ podršku, održavanje
baza podataka, praćenje ETL procesa i praćenje performansi.
Na kraju procesa od posebnog je značaja evaluacija projekta u celini. Ukoliko je utvrdjeno da
odredjeni alati, tehnike, procedure i procesi nisu ispunili očekivanja u toku projekta potrebno
je napraviti adekvatna prilagodjenja i izmene. Ukoliko je tokom projekta došlo do kašnjenja,
neplaniranih troškova, sporova neophodno je napraviti detaljnu analizu njhovih uzroka. Sva
prilagodjenja i izmene moraju biti precizno izdefinisana pre nego što se udje u novi projektni
ciklus. Bitno je naglasiti da svaki od navedenih koraka ne mora da se izvršava sekvencijalno,
naprotiv, najčešće se mnogi od njih izvršavaju paralelno u delu gde ne postoji striktna
medjuzavisnost.
28
5. Arhitektura sistema poslovne inteligencije
Poslovna inteligencija podrazumeva veliki broj alata za konvertovanje velike količine
podataka kompanije u korisne informacije i podsticanje profitabilnih poslovnih aktivnosti uz
pomoć ovako stečenih znanja. Tipično sistem poslovne inteligencije obuhvata sledeće
komponente:
 Ekstrakcioni sloj pomaže u dopremanju svih istorijskih podataka, ali i trenutnih
podataka u zajedničko skladište podataka (data warehouse). Skladište podataka
predstavlja osnovni izvor za dalju analizu.
 OLAP alati smeštaju podatke u specijalizovanu formu OLAP kocke pogodnu za
multidimmenizionalnu analizu i pretraživanje.
 Komponente za izveštavanje i upite omogućavaju prikaz traženih podataka u formi
tabela, dijagrama, složenih formatiranih izveštaja.
 Data mining pronalazi paterne u podacima, predvidja buduće trendove u poslovanju.
 Informacioni portal prati poslovne rezultate preko ključnih indikatora poslovanja.
 Poslovna analitika poseduje aplikacije namenjene pretraživanju i dinamičkoj analizi u
kontekstu mera i dimenzija.
Skladište podataka, OLAP, Data mining i komponente vizuelizacije kao ključni delovi BI
sistema pojedinačno predstavljaju složene sisteme specifične arhitekture, procesa i
metodologije razvoja, te će u tom smislu biti detaljno analizirani u sledećim poglavljima.
5.1.
Data Warehouse
Data warehouse (DWH) predstavlja bazu podataka dizajniranu na način da podrži proces
donošenja odluka u kompaniji [3]. Osnovna funkcija skladišta podataka jeste da obezbedi
pristup informacijama koje su potrebne upravi kompanije za uspešno vodjenje poslovanja.
Neki od ključnih momenata u istoriji razvoja koncepata skladišta podataka su:
1. Šezdesetih godina prošlog veka pojavili su se pojmovi dimenzija (dimension) i
činjenica (fact) kao rezultat zajedničkog istraživačkog projekata Dortmund koledža
(Dartmouth College) i kompanije Dženeral Mils (General Mills).
29
2. Sedamdesetih je kreiran prvi data mart za maloprodaju.
3. 1983. je Teradata kreirala sistem za upravljanje bazom podataka (Database
Management System) specijalno dizjaniran da podrži sisteme za podršku odlučivanju.
4. 1988. je prvi put upotrebljen termin business data warehouse – poslovno skladište
podataka u članku „An architecture for a business and information systems“ Berija
Devlina (Barry Devlin) i Pola Marfija (Paul Murphy) u časopisu „IBM Systems
Journal“.
5. 1991. Bil Inmon objavljuje knjigu „Building the Data Warehouse“ u kojoj su
postavljeni osnovni koncepti DWH, a 1996. Ralph Kimball knjigu „The Data
Warehouse Toolkit“ koja i danas daje ključne smernice za dobru praksu razvoja
skladišta podataka.
Prema Bilu Inmonu osnovne karakteristike skladišta podataka su:
1. Povezanost sa produkcionim bazama podataka koje se koriste u kompaniji. Ova
povezanost ne podrazumeva i podudaranje u organizaciji podataka.
2. Orijentisanost na predmet poslovanja, umesto orijentisanosti na aplikacije. Na ovaj
način se obezbedjuje konzistentnost pogleda na poslovne podatke.
3. Integrisanost usled konsolidacije podataka iz različitih sistema.
4. Vremenska orijentisanost koja proizilazi iz posmatranja podataka kroz vremensku
dimenziju, za razliku od transakcionih sistema koji prikazuju podatke u odredjenom
trenutku.
5. Konzistentnost koja je posledica činjenice da se podaci u DWH dodaju umesto da se
postojeći menjaju.
Veliki broj faktora uticao je na razvoj koncepta skladišta podataka kakvog ga danas
poznajemo. Organizacije su sa razvojem informacionih tehnologija stalno unapedjivale način
prikupljanja operativnih podataka. Kako je sve veći broj podataka postojao dostupan poseban
izazov je postala njihova analiza i upravo je mogućnost analize dobijala na vrednosti i
značaju. S druge strane baze podataka koje su dizajnirane da podrže transakcione sisteme
najčešće nisu pogodne za brz i efikasan pristup ovim informacijama. Baze podataka
transakcionih sistema su namenjene specifičnim poslovnim procesima, one ne obezbedjenju
integrisan pogled na oraganizaciju. Često korisnicima nije dozvoljen direktan pristup
transakcionim bazama usled mogućnosti da se performanse ugroze vremenski zahtevnim
30
upitima, te da se naruše pravila bezbednosti i integriteta podataka. S obzirom na to način
upravljanja podacima transakcionih i baza namenjenih podršci odlučivanju često nije moguće
usaglasiti na jednom sistemu.
Osnovna prednost primene DWH sistema je unapredjenje pristupa korporativnim
informacijama. Ovo unapredjuje produktivnost rada usled toga što korisnici ne troše vreme
tražeći informacije ili čekajući na njih. Bolji pristup informacijama omogućava i bolje
donošenje donošenje odluka.
Ciljevi primene skladišta podataka su [5]:
1. Lak pristup podacima organizacije.
Sadržaj skladišta podataka mora biti razumljiv svim korisnicima. Podaci
moraju biti intuitivni i logični poslovnim korisnicima, a ne samo onima koji su
učestvovali u njegovom razvoju. Sadržaj pojedinih objekata skladišta podataka
mora biti smisleno imenovan kako bi omogućili poslovnim korisnicima da
kombinuju ove podatke na neograničeno veliki broj načina posredstvom
tehnika koje su poznate pod nazivom slicing i dicing. Takodje alati koji se
koriste za pristup DWH moraju biti jednostavni i laki za upotrebu. Značajno je
da obezbede brz odgovor na postavljene upite.
2. Konzistenost prezentovanih podataka kompanije.
Data warehouse podaci moraju biti kredibilni. Podaci se prezentuju krajnjim
korisnicima tek kada je u potpunosti osiguran kvalitet procesa obrade podataka,
povezivanja različitih sistema te obezbedjen konzistetan pogled na podatke iz
različitih perspektiva analize. Ukoliko dve mere performansi poslovanja imaju
identičan naziv, moraju predstavljati istovetan pojam. Posledično, ukoliko dve
mere ne predstavljaju isti pojam, moraju biti nazvane drugačije. Samo
konzistentne informacije su i kvalitetne informacije. Konzistentnost implicira
da su sa krajnjim korisnicima usaglašene definicije svih pokazatelja sadržanih
u skladištu podataka.
3. Prilagodljivost promenama.
Promene su nezaobilazni element u poslovnom procesu, neprekidno se menjaju
potrebe korisnika, uslovi poslovanja, tehnologija. Promene koje nastaju ne
smeju negativno uticati na podatke koji se već nalaze u skladištu podataka. Ono
31
mora biti dizajnirano na način da ih može adekvatno inkorporirati. Ukoliko se
okolnosti poslovanja menjaju neophodno je obezbediti adekvatan odgovor na
novonastalu situaciju.
4. Adekvatan nivo bezbednosti.
Podaci koji se nalaze u skladištu podataka su najčešće vrlo osetljivi i veoma
vredni. Oni podrazumevaju mnogo detalja o ključnim indikatorima poslovanja,
te u pogrešnim rukama mogu biti veoma opasni. Skladište podataka mora
obezbediti efektivan sistem kontrole pristupa poverljivim informacijama o
poslovanju kompanije.
5. Pouzdan osnov za donošenje odluka.
Pravilno dizajnirana skladišta podataka obezbedjuju ključne podatke koji su
osnov procesa donošenja odluka. Mora postojati samo jedna slika stvarnosti
koju prezentuje skladište podataka.
Primena data warehouse tehnologija imala je više nivoa razvoja. Skladišta podataka na
početku razvoja su predstavljala prostu kopiju podataka sa transakcionog sistema na drugi
server. Na ovom nivou skladište podataka je zapravo predstavljalo off line operativnu bazu
podataka. Na ovaj način je korisnicima obezbedjen pristup podacima bez rizika da će se
performanse transakcionog sistema narušiti.
Sledeći nivo primene podrazumeva da se podaci u skladištu podataka osvežavaju prema
unapred definisanim vremenskim intervalima. Pri tome je skaldište podataka dizajnirano u
skladu sa potrebom za zahtevnim izveštajnim upitima. Ovaj koncept predstavlja On line
skladište podataka.
Real Time Data Warehouse predstavlja DWH koji se osvežava podacima svaki put kada
nastane neka promena na transakcionom sistemu. Još se naziva i Active Data Warehouse
ukazujući na osobinu da se podaci osvežavaju što je češće moguće, kako bi se zadovoljili
zahtevi korisnika za svežim podacima. Koncept aktivnog skladištenja podataka proširuje
tradicionalnu DWH funkcionalnost u sferu taktičkog donošenja odluka.
Cloud computing predstavlja novi način isporuke i korišćenja IT usluga bazirano na Internet
protokolima. Podrazumeva nov način korišćenja dinamički skalabilnih i virtuelizovanih
32
resursa. Pojam "cloud" se koristi kao metafora za Internet, zbog njegovog predstavljanja u
vidu oblaka na dijagramima. Cloud computing podrazumeva pristup sofveru, podacima i
uslugama bez potrebe da krajnji korisnik zna njihovu fizičku lokaciju niti konfiguraciju
sistema koji te usluge pruža. Primena sistema za pravljanje bazama podataka (DBMS) u
„cloud“ okruženju je dostupna od trenutka pojave ovog koncepta. Postoji veliki broj
potencijalnih korisnika DBMS u navedenom okruženju, medjutim tek od skoro nailazimo na
prve primene skladišta podataka. Glavni uzroci oklevanja za primenu cloud computing
koncepta su pitanja vezana za sigurnost, višestruko deljenje i krišćenje Intereneta za prenos
podataka. Iako postoji nekoliko manjih implementacija skladišta podataka u „cloud“
okruženju ono još uvek ne predstavlja koncept koji se usvaja velikom brzinom i prema analizi
Gartner grupe predvidja se da će proći bar još dve do pet godina pre nego što postane
uobičajena praksa.
Široko je prihvaćena primena skladišta podataka kao izvora za generisanje izveštaja i
izvršavanje upita. U savremenim uslovima postavljaju se znatno širi zahtevi prema DWH,
tako da današnja očekivanja podrazumevaju:
 Kontinuirano učitavanje podataka – slično funkcionisanju OLTP sistema (koje
podrazumeva rekreiranje indeksa i slične zahteve radio optimizacije DWH
sistema).
 Postojanje standardnog batch učitavanja podataka s obzirom da ne spadaju svi
podaci u kategoriju visoke vremenske osetljivosti. Pojedine informacije koje su
manje promenljivene zahtevaju često osvežavanje kako što je to slučaj sa
dinamičnijim podacima.
 Veliki broj standardnih izveštaja zahtevaju SQL tuning, korišćenje indeksa,
primenu particionisanja i drugih oblika optimizacije struktura podataka u
DWH.
 Postojanje poslovne analize na nivou taktičkog menadžmenta, gde korisnici sa
ograničenim poznavanjem upitnih jezika koriste ugradjene analitičke objekte
sa preagregiranim podacima i dizajniranim dimenzionalnim drill-down
funkcionalnostima.
 Sposobnost pružanja pravovremenog odgovora na ad hoc upite korisnika sa
promenljivim zahvatom podataka koji isključuje mogućnost prethodne
optimizacije tabela.
33
5.1.1. Data warehouse dizajn
Dimenzionalno modeliranje predstavlja set tehnika i koncepata koji se koristi za dizajn
skladišta podataka. Ono podrazumeva tehnike dizaniranja DWH orijentisane na unapredjenje
performansi izvršavanja upita krajnjih korisnika. Dimenzionalno modeliranje se značajno
razlikuje od modeliranja koje poštuje pravila normalnih formi karakterističnog za baze
podataka transakcionih sistema koje nastoji da eliminiše redudansu podataka. I jednom i u
drugom slučaju model se može prikazati dijagramom objekata i veza (entity-relationship
diagram – ERD), a ključna razlika je u stepenu normalizacije.
Relacioni model podataka teorijski je razradio britanski matematičar E.F. Codd. Transakcione
baze podataka su modelirane na način da poštuju pravila normalizacije do treće normalne
forme. Slog baze podataka je u prvoj normalnoj formi (1NF) ukoliko domeni podataka sadrže
samo atomske vrednosti [9]. Prva normalna forma implicira eliminaciju kolona sa duplim
vrednostima u okviru tabele i kreiranje nezavisnih tabela za svaku grupu povezanih podataka i
idenfikaciju svakog reda jedinstvenom kolonom ili skupom kolona (primarnim ključem).
Relacija je u drugoj normalnoj formi (2NF) ako i samo ako je u 1NF i svi njeni neključni
atributi potpuno funkcionalno zavise od primarnog ključa, tj. ako svi njeni atrubuti daju
jednoznačne činjenice samo o celom ključu [9]. Druga normalna forma eliminiše
funkcionalne zavisnosti od dela ključa tako što se podaci koji ne zavise od celog ključa
smeštaju odvojene tabele. Primer je rešavanje relacija više : više
korišćenjem entiteta
agregacije. Relacija je u trećoj normalnoj formi (3NF) ako i samo ako je u 2NF i ako svi njeni
neključni atributi netranzitivno zavise od primarnog ključa, tj. ako svi njeni atributi daju
jednoznačne činejnice o celom ključu i samo o celom ključu [9]. Primer je kreiranje look-up
tabela. Boyce-Codd-ova normalna (BCNF) predstavlja precizniju definiciju 3NF. Ukoliko
determinantu relacije predstavlja bilo koji atribut, prost ili složen, od koga neki drugi atribut
potpuno funkcionalno zavisi, kažemo da je relacija u BCNF ako i samo ako su sve
determinante u relaciji i kandidati za primerni ključ [9]. Relacija je u četvrtoj normalnoj formi
kada zadovoljava uslov da je u 3NF i ne sadrži višestruke skupove viševrednosnih zavisnosti.
Drugim rečima, 4NF podrazumeva da ne postoje entiteti sa višestrukim jedan : više
relacijama. Relacija je u petoj normalnoj formi (5NF) ako i samo ako se svaka zavisnost
spajanja može pripisati kandidatu za ključ.
34
U cilju postizanja što boljih performansi upita podaci su u dimenzionalnom modelu
denormalizovani i uskladišteni tako da postoji redundansa. Mada ta redundansa oduzima
prostor, ona umanjuje broj spajanja zahtevanih u upitu i time značajno smanjuje vreme
potrebno za obradu.
Karakteristične tehnike dimenzionalnog modelovanja:
 tehnika zvezdaste šeme i
 tehnika pahuljaste šeme.
Zvezdasta šema (Star Schema) se sastoji od centralne tabele činjenica (fact table) i
dimenzionalnih tabela koje su za nju vezane. Tabele organizovane na ovaj način podsećaju na
zvezdu i odatle potiče njen naziv. Šema zvezde ima jednostavnu strukuru sa relativno malo
tabela i dobro definisanim putanjama veza. Ovaj dizajn, za razliku od normalizovanih
struktura koje se koriste za operacionalno procesiranje transakcija, obezbedjuje brze odgovore
na upite i jednostavnu šemu koja je vrlo razumljiva za analitičare i korisnike, čak i one kojima
nisu poznate strukture baza podataka. Odražava, u dizajnu baze podataka, način na koji krajnji
korisnici obično razmišljaju o poslovanju i koriste podatke. Slika 9 prikazuje primer tabela
organizovanih u formi star scheme.
Slika 9 Zvezdasta šema
35
U slučaju pahuljaste šeme (Snowflake Schema) dimenzionalne tabele su normalizovane.
Normalizacija podrazumeva da su velike dimenzionalne tabele izdeljene u više manjih kako
bi se izbegla redudansa. Polja niske kardinalnosti (kao što su hijerarhije) razdvajaju se na
svoje sopstvene tabele. Primer dimenzija d_organizaciona_jedinica sa Slike 9 može se
podeliti u dve tabele d_organizaciona_jedinica i d_region kao na Slici 10. Pahuljasta šema se
dakle sastoji od fact tabele i dimenzionalnih tabela pri čemu su neke od njih medjusobno
povezane.
Slika 10 Pahuljasta šema
Osnovni pojimovi dimenzionalnog modela jesu tabela činjenica i tabela dimenzije.
Tabela činjenica je elementarna tabela dimenzionalnog modela koja sadrži numeričke mere
performansi poslovanja kompanije. Pojam činjenica ili fact se koristi da predstavi poslovnu
meru. Svaka mera se posmatra u preseku relevantnih dimenzija. Skup dimenzija definiše nivo
detaljnosti tabele činjenica i definiše opseg mera. Uprkos činjenici da nisu brojne, fact tabele
obično zauzimaju oko 90 ili više procenata ukupnog prostora dimenzionalne baze podataka
[5]. Tabele činjenica najčešće imaju veliki broj redova, naspram malog broja kolona. One
sadrže dva ili više spoljnih ključeva preko kojih su povezane sa primarnim ključevima tabela
dimenzija. Fact tabela ima sopstveni primarni ključ, ili složeni primarni ključ koji se sastoji
od podskupa spoljnih ključeva. Ovakav složeni ključ se naziva kompozitnim ili ulančanim
ključem. U skladu sa ovim tabelu činjenica možemo definisati kao tabelu dimenzionalnog
modela sa kojom su ostale tabele povezane vezom jedan : više.
36
Dobra praksa dizajna fact tabela zahteva izbegavanje null vrednosti, što se postiže
postojanjem reda u dimenzionalnoj tabeli koji označava da ona nije primenljiva u slučaju
odredjene mere [5]. Ovakav red bi trebalo da sadrži identifikator i opis koji ukazuje da se radi
o nepoznatoj vrednosti (npr. „Nepoznata organizaciona jedinica“, „Nepoznat stepen stručne
spreme“).
Mere performasi poslovanja koje se prate u tabelama činjenica se medjusobno razlikuju s
obzirom na mogućnost agregiranja po različitim nivoima hijerarhije u okviru dimenzija. Broj
nezaposlenih lica se može sumirati po organizacionim jedinicama i dobijena suma će
predstavljati validan rezultat. Medjutim, nije moguće agregirati ovu meru po vremenskoj
dimenziji jer ona predstavlja snimak stanja na odredjeni dan. Mere koje se mogu agregirati po
samo po odredjenim dimenzijama se nazivaju semiaditivne mere [6]. Ovaj tip mera se u
vremenskim periodima analizira izračunavanjem prosečne vrednosti ili analizom vrednosti na
poslednji dan u izabranom periodu.
Dimenzija jeste tabela koja sadrži opisne podatke poslovnih entiteta. U dobro dizajniranom
skladištu podataka dimenzije sadrže veliki broj kolona ili atributa. Ovi atributi detaljno
opisuju
redove.
Dimenzije
često
imaju
formu
hijerarhijskih
relacija
poslovanja.
Denormalizacijom dimenzija se dizajn skladišta podataka pomera od zvezdaste ka pahuljastoj
šemi. Redudantni atributi se eliminišu iz denormalizovane tabele. Dimenzionalne tabele bi
trebalo da ostanu što je više moguće ravne. Normalizovane tabele dimenzija usporavaju
unakrsnu analizu atributa i eleminišu mogućnost upotrebe bit-mapped indeksa. Ušteda
prostora koja se postiže normalizacjom je obično manja od 1 procenta ukupnog prostora, tako
da se preporučuje žrtvovanje prostora zarad performantnosti i prednosti koje se ostvaruju
lakim korišćenjem sistema [5].
Konformne dimenzije su dimenzije koje su zajedničke za više fact tabela. Koriste se za
analizu podataka u okviru više poslovnih područja (data mart). Prednosti korišćenja
konformnih dimenzija su:
 Koristi se za nalizu podataka u više fact tabela,
 Postoji konzistentan pogled na podatke svaki put kada se dimenzija koristi,
37
 Obezbedjuje konzistentnu interperetaciju atributa, kao i način agregiranja u više
poslovnih područja,
 Dimenzije se definišu na nivou kompanije i raspoložive su u slučaju daljih proširenja
sistema.
Atributi dimenzija su relativno statički, ali nisu nepromenljivi. Oni se menjaju tokom
vremena, no prilično sporo. Generalno, u modelu skladišta podataka možemo predvideti
dimenzionalne
strukture
koje
se
promenama
mogu
približiti
relativno
malim
prilagodjavanjima. Ovakve dimenzije nazivaju se sporo menjajuće dimenzije (slowly
changing dimensions). Termin sporo menjajuća dimenzija prvi je upotrebio Ralph Kimball
1994. godine i od tada se u oblasti skladištenja podataka odomaćio akronim SCD.
Postoje tri osnovne tehnike praćenja promena atributa dimenzije. Za svaki od atributa
potrebno je definisati način na koji će se promene beležiti u sistemu. Za svaku od navedenih
tehnika podrazumeva se da originalni identifikator ostaje konstantan.
 SCD Tip 1 podrazumeva da prepisivanje stare vrednosti atributa tekućom vrednošću.
Na taj način, atribut uvek reflektuje najnovije stanje podataka. Ova tehnika je
jednostavna za implementaciju, ali ne omogućava praćenje istorije promene
odabranog atributa.
 SCD Tip 2 je najčešće primenjivana tehnika održavanja sporomenjajućih dimenzija
koja podrazumeva dodavanje novog reda u dimenzionalnu tabelu sa svakom izmenom
atributa. Pri tome prihvaćena je praksa da se dimenzionalna tabela proširi kolonama
koja sadrži datum izmene atributa i datum isteka perioda važenja sadržane
kombinacije osobina.
 SCD Tip 3 se koristi kada je potrebno pratiti prethodnu i postojeću vrednost nekog
atributa i impelemntira se tako što se u dimenziju dodaje kolona koja sadrži istorijski
podatak (npr.organizaciona_jedinica_naziv, prethodna_organizaciona_jedinica_naziv).
Ovakvo predstavljenje dimenzionalnih podataka često se naziva i alternativna realnost.
Vremenska dimenzija jeste dimenzija koja se gotovo obavezno pojavljuje u svakom data
martu. Postavlja se pitanje zašto se je neophodna eksplicitna tabela vremenske dimenzije s
obzirom da postoji mogućnost da se standardnim SQL operacijama filtriraju podaci kao što su
mesec ili godina ukoliko bi datumski ključ u fact tabeli bio datumskog tipa podataka, te da se
38
izbegnu potencijalno skupa spajanja tabela. Razlozi su višestruki. Najpre, tipičan poslovni
korisnik ne poznaje napredne SQL operacije. Zatim, ugradjene SQL funkcije ne podržavaju
filtriranje atributa kao što su radni i dani vikenda, praznici, fiskalni periodi, sezone ili drugi
bitni predefinisani dogadjaji. Na kraju, savetuje se korišćenje integer tipa podataka kao ključa
vremenske dimenzije [5]. Na ovaj način se štedi 4 bajta po svakom redu fact tabele u odnosu
na ključ tipa podataka - date. Vremenska dimenzija najčešće sadrži veliki broj atributa koji
detaljno opisuju ključ iz različitih perspektiva, npr. godina, kvartal, mesec, nedelja,
godina_mesec,
godina_kvartal,
dan_u_mesecu,
dan_u_nedelji,
dan_u_godini,
prvi_dan_u_mesecu, poslednji_dan_u_mesecu, radni_dan, vikend, praznik itd.
Bill Inmon preporučuje korišćenje surogat ključa u dimenzionalnim modelima umesto kodova
izvornih sistema. Surogat ključ je zamena za izvorni ključ podataka, jedinstveni identifikator
svakog reda u dimenzionalnoj tabeli. Pored termina surogat ključ u literaturi se nailazi i na
pojmove veštački, sintetički, neprirodni, integer ključ. To su celi brojevi koji se generišu
sekvencijalno kako se popunjavaju vrednosti u dimenziji. Koriste se za povezivanje dimenzija
i tabela činjenica. Ključevi skladišta podataka nisu govoreći, u smislu da se njihovim čitanjem
može doći do značenja podatka u dimenziji. Prednost koja se postiže primenom surogat
ključeva je nezavisnost skladišta podataka od izvornih sistema. Njihovo održavanje je
nezavisno od internih pravila svakog izvornog sistema vezanih za generisanje, ažuriranje,
brisanje i ponovno korišćenje kodova. Takodje, upotreba surogat ključeva donosi prednosti u
performansama izvršenja procesa skladišta podataka i izvršenja upita. Često su kodovi
transakcionih sistema alfanumerički. Surogat ključevi koji zahtevaju manje memorije za
skladištenje rezultiraju manjim fact tabelama. Ukoliko skladište podataka sadrži
višemilionske fact tabele značajno se multiplicira količina potrebnog prostora sa povećanjem
primenjenih ključeva. Pored navedenog, upotreba surogat ključeva omogućava praćenje
promena atributa dimenzije na način koji je prethodno opisan što je jedan od najznačajnijih
razloga za njihovu upotrebu. Posebno je značajna uloga surogat ključa u slučaju kada se ne
koriste identični kodovi u više različitih izvornih sistema koje je potrebno integrisati.
Tri najčešće predrasude o primeni i načinu modeliranja su sledeće [6]:
 Dimenzionalni model i data mart se koristi samo za sumarne podatke – preagregirani
sumarni podaci se koriste u skladištu podataka isključivo radi poboljšanja performansi
upita, ali ne i kao zamena za detaljne podatke. S obzirom da nije moguće unapred
39
predvideti sve zahteve krajnjih korisnika neophodno je obezbediti i detaljne
informacije koje će pružiti odgovor na sva poslovna pitanja.
 Dimenzionalni modeli i data martovi su rešenja za pojedina poslovna područja, ne za
kompaniju u celini – preporuka je da se skladište podataka dizajnira nezavisno od
organizacione strukture kompanije već u skladu sa poslovnim procesima.
 Dimenzionalni modeli i data martovi nisu skalabilni – skladišta podataka karakteriše
velika količina podataka i uz podršku savremenih sistema za upravljanje bazama
podataka skalabilnost i performanse su značajno optimizovani.
5.1.2. Data warehouse procesi i arhitektura
Arhitektura skladišta podataka može varirati u zavisnosti od specifičnosti same kompanije.
Tri uobičejene arhitekture su [26]:
 Osnovna arhitektura skladišta podataka,
 Arhitektura sa stage oblašću,
 Arhitektura sa stage oblašću i data martovima.
Slika 11 prikazuje osnovnu arhitekturu skladišta podataka. Podaci iz izvornih sistema se
najpre obradjuju i čiste pre učitavanja u skladište podataka, a zatim im pristupaju krajnji
korisnici.
Slika 11 Osnovna arhitektura skladišta podataka
40
Iako je učitavanje direktno iz izvornih sistema moguće, najčešće arhitektura skladišta
podataka podrazumeva korišćenje stage oblasti.
Slika 12 Arhitektura skladišta podataka sa stage oblašću
Dalje unapredjenje arhitekture prikazane na Slici 12 ostvaruje se dodavanjem data martova
dizajniranih specijalno za pojedinačna poslovna područja. Slika 13 ilustruje primer gde su
nabavka, prodaja i skladištenje razdvojeni u zasebne data martove. Data martovi oslanjaju se
na centralno skladište podataka koje im isporučuje podatke u obliku koji daje ujednačen uvid
u sve segmente poslovanja preduzeća. U odnosu na prethodna dva modela prednosti su veća
tačnost informacija bez obzira s kog izvora su zahvaćene, olakšana je komunikacija među
organizacionim jedinicama, smanjena opterećenost informatičara i povećana skalabilnost i
proširivost platforme za skladištenje podataka.
41
Slika 13 Arhitektura skladišta podataka sa stage oblašću i data martovima
Komponente arhitekture skladišta podataka na osnovu prikazanih šema su izvori podataka,
stage oblast, prezentacioni nivo skladišta podataka i alati za pristup [5].
Izvori podataka podrazumevaju transakcione sisteme uz pomoć kojih se beleže podaci o
dnevnim transakcijama kompanije. Ne postoji kontrola nad ovim sistemima, strukturom
podataka i njihovom sadržaju. Prioriteti u radu transakcionih sistema su performantnost i
dostupnost. Upiti koji se nad njima izvršavaju su predefinisanog formata, deo uobičajenog
toka transakcija i ograničene kompleksnosti. Izvorni sistemi čuvaju relativno malo istorijskih
podataka i dobro razvijeno skladište podataka ih može znatno rasteretiti obaveze čuvanja
podataka ove vrste.
Stage oblast je namenjena skladištenju ekstrahovanih podataka iz izvornih sistema, kao prvom
koraku u ETL (extract-transform-load) procesu. Nad podacima ove DWH komponente vrši se
niz transformacija kako bi se podaci u adekvatnom formatu učitali u prezentacijski sloj.
Ključna karakteristika stage oblasti je da je nedostupna krajnjim korisnicima za analizu i
čitanje podataka. Prilikom učitavanja podataka iz izvornih sistema u stage vrši se
identifikacija izmena u odnosu na stanje sistema u momentu prethodnog učitavanja. Postoji
više načina da se razlike registruju:
 Replikacija podataka se zasniva na korišćenju trigera za registrovanje izmena na
izvornom sistemu. Triger je skup SQL komandi koje se automatski izvršavaju u
42
momentu kada dodje do izmene podatka. Ove akcije se koriste kako bi se izmene
zabeležile i sačuvale.
 Chage Data Capture (CDC) obuhvata niz metoda za identifikaciju izmena na
izvornim podacima. Izmenjeni redovi se mogu npr. filtrirati na osnovu datuma
izmene na redovima, broja verzije podatka, indikatora statusa, analizom logova baze
podataka itd.
Prezentacijska oblast je dizajnirana i organizovana tako da olakša analizu podataka i
donošenje odluka krajnjim koriscima. Sposobnost obrade velikog broja kompleksnih i
zahtevnih kalkulacija je značajan apekt skladišta podataka usled kompleksnosti ad hoc upita i
velikog obima podataka nad kojima se oni izvode. Skladiše podataka se može koristiti na više
načina. Ono može biti centralizovano ili organizovano u formi serije integrisanih subjektnih
područja tj. data martova.
Redovnim učitavanjem podataka u data warehouse ostvaruje se njegova osnovna svrha – laka
poslovna analiza. Učitavanje podataka podrazumeva da se podaci ekstrahuju iz jednog ili više
transakcionih sistema i prenose u skladište podataka. Ovaj proces je poznat pod nazivom ETL
od engleskih reči extraction (izvlačenje), transformation (transformacija) i load (učitavanje).
Akronim ETL je na odredjeni način pojednostavljena slika stvarnog procesa s obzirom da on
podrazumeva širok skup aktivnosti, a ne tri precizno razdvojena i jasno definisana koraka.
Metodologije i aktivnosti specifične za ETL procedure nisu karakteristika samo skladišta
podataka. Brojne aplikacije i baze podataka čine informatičku okosnicu svake savremene
kompanije. Podaci se dele izmedju različitih sistema i ukrštaju u odredjenom obimu. Deljenje
podataka izmedju aplikacija najčešće se realizuje procesima koji su slični ETL mehanizmu.
Skladišta podataka imaju zadatak da odgovore istom izazovu, ali sa dodatnim zahtevima, jer
ne obuhvataju samo razmenu podataka već i integraciju, uredjivanje i konsolidaciju podataka
iz različitih sistema s ciljem generisanja jedinstvene informacione baze za poslovnu
inteligenciju. Pored navedenog na ceo proces značajno utiče podatak da DWH okruženje
obuhvata veliki obim podataka.
43
Prvi korak ETL procesa je ekstrakcija podataka. Željeni podaci se identifikuju i izvlače iz
izvornih sistema, uključujući baze podataka i datoteke različitih formata. Identifikacija
željenog seta podataka nije uvek jednostavna tako da se dogadja da se ekstrahuje i znatno veći
obim podataka od neophodnog kako bi se u nekom od sledećih koraka izvršila selekcija. U
zavisnosti od karakteristika izvornih sistema neke transformacije se mogu izvršiti i tokom
ekstrakcije podataka. Obim ekstrahovanih podataka varira i do više gigabajta u zavisnosti od
specifičnosti poslovnog procesa. Takodje postoje velike varijacije u podrazumevanom
vremeskom razmaku izmedju dva ETL procesa. Učitavanje može biti dnevno, ali i izvršavano
u vremenskim razmacima koji se mere u satima, pa i minutima čime se skladište podataka
približeva real-time sistemima.
Nakon ekstrakcije podaci se fizički prenose u ciljne tabele ili u medjuoblast kako bi se dalje
procesirali. U zavisnosti od željenog načina prenosa podataka neke transformacije mogu biti
uradjene i u ovom koraku. Prilikom prenosa podataka posebna pažnja se posvećuje
skalabilnosti. Mnoge alternativne operacije su upravo razvijene upravo da bi pružile efiksanu
obradu u zavisnosti od količine podataka. Transformacija i integracija podataka podrazumeva
kompleksne operacije i po pitanju primenjenih logičkih algoritama i po pitanju zahtevanih
resursa. U okviru ETL procesa najviše vremena se troši upravo na postupak transformacije
podataka, prema stručnim procenama i preko 80 posto od ukupnog ETL procesa. Kompleksne
transformacije imaju više uzroka. Izazovi za koje je potrebno pronaći efikasno rešenje su
postojanje nekonzistentnih šifarnika u različitim izvornim sistemima koji se integrišu,
postojanje različitih formata podataka kako medju izvornim sistemima, tako i u odnosu na
ciljno skladište podataka, problem sinonima i homonima gde se isti podaci pojavljuju pod
različitim nazivima, ili se identični nazivi koriste da bi označili potpuno različite podatake itd.
[15].
5.2.
OLAP
Pojam OLAP odnosi se na skup alata za izvođenje znanja iz skladišta podataka. OLAP je
akronim engleskog naziva Online Analytical Processing koji je definisao britanski
matematičar E.F. Codd. Kao što sam naziv ističe u fokusu OLAP alata je analiza, a ne
transakciona obrada podataka. OLAP predstavlja konceptualni i intuitivni model zasnovan na
multidemenzionalnoj analizi podataka, podaci iz skladišta podataka i data martova
vizuelizovani i agregirani na način da obezbede perspektivu multidimenzionalnog pogleda na
44
podatke. Za poslovne korisnike poseban naglasak je na reči „multidimenzionalno“, odnosno
na mogućnosti da se metrike analiziraju po različitim dimenzijama kao što su vreme,
geografski regioni, organizaciona struktura itd. Osnovna ideja dimenzionalnog modelovanja
je da skoro svaki tip poslovnih podataka može da bude predstavljen u vidu kocke gde ćelije
kocke sadrže merne vrednosti, a ivice kocke definišu prirodne dimenzije podataka. “Kocka”
je metafora koja obezbedjuje novi pristup vidjenju kako su podaci organizovani. U poslovnim
primenama se podrazumeva više od tri dimenzije, pa se kocka može nazvati hiperkockom.
Grafički organizacija podataka se u ovom slučaju može predstaviti na sledeći način:
Slika 14 OLAP kocka
Na primeru OLAP kocke prikazanom na Slici 14 može se videti na koji način se mera Broj
nezaposlenih lica posmatra iz perspektive tri dimenzije – Vreme, Stepen stručne spreme i
Region. Analizom posmatrane mere u preseku navedenih dimenzija možemo doći do podatka
da je 2007. godine, u regionu Istočena Srbija bilo 17400 nezaposlenih lica bez stepena stručne
spreme (BSS, nezavršena osnovna škola). Navedeni podatak je hipotetički, generisan radi
prezentacije OLAP koncepta i ne odgovara stvarnim statističkim podacima.
U zavisnosti od primenjene tehnologije, OLAP strukture možemo podeliti na dva tipa [17]:
Multidimenzionalni OLAP (Multidimensional OLAP - MOLAP) i Relacioni OLAP
45
(Relational OLAP - ROLAP). Hibridni OLAP (Hybrid OLAP – HOLAP) podrazumeva
tehnologiju koja kombinuje MOLAP i ROLAP.
MOLAP jeste tradicionalni način OLAP analize gde su podaci smešteni u multidimenzionalne
kocke. Skladištenje nije u relacionim bazama podataka, već u formatima karakterističnim za
primenjenu tehnologiju (zavisi od konkretnog alata odabranog za kreiranje OLAP kocaka).
Prednosti primene MOLAP tehnologije su:
 Odlične performanse – OLAP kocke su generisane za brz pristup podacima i
optimizovane za nalizu karakterističnu za OLAP alate.
 Primenljivost složenih kalkulacija – sve kalkulacije su izgenerisane prilikom kreiranja
kocke. Dakle, složena računanja ne samo da su primenljiva već se do rezultata tokom
analize dolazi velikom brzinom.
MOLAP nedostaci su:
 Ograničenje u broju podataka koji se može obradjivati – s obzirom da se sve
kalkulacije računaju u momentu kreiranja kocke nije moguće obuhvatiti veoma veliki
broj podataka. Ovo ne znači da se podaci u kocki ne mogu izračunati na osnovu velike
količine podataka, već da se ti podaci moraju agregirati na višem nivou u okviru same
kocke.
 Mogu zahtevati dodatne investicije u zavisnosti od odabrane tehnologije u samoj
kompaniji.
ROLAP podrazumeva medologiju rada sa podacima u relacionim bazama podataka na način
da se stekne utisak rada sa tradicionalnim MOLAP tehnologija u smislu primenljivih načina
analize.
Prednosti primene ROLAP metodologije su:
 Mogućnost analize velikog obima podataka pri čemu je ograničenje isključivo
dirigovano tehnologijom sistema za upravljanje bazom podataka.
 Korićenje funkcionalnosti relacionih baza – kako relacione baze imaju ugradjenje
funkcionalnosti ROLAP tehnologije ih mogu iskorititi u svrhu unapredjenja analize.
ROLAP nedostaci obuhvataju:
46
 Moguće je da performanse budu loše jer je svaki ROLAP izveštaj u stvari SQL upit
(ili više njih) nad relacionom bazom, a veliki obim podataka utiče na vreme izvršenja
upita.
 Ograničenje funkcionalnosti koje proizilazi iz ograničenja operacija koje se mogu
izvesti primenom klasičnih SQL upita.
HOLAP alati predstavljaju hibridni proizvod pomoću kog je moguće sprovoditi
multidimenzionalne analize simultano iz podataka uskladištenih u multidimenzionalnoj kocki
i iz sistema upravljanja relacionim bazama podataka. Time je omogućeno kombinovati
prednosti MOLAP i ROLAP alata.
Višedimenzionalna struktura podataka pruža velike mogućnosti za otkrivanje mnogih detalja
različitim postupcima analitičke obrade kao što su agregacija i detaljizacija ili bušenje (drill
up, drill down, drill through), unakrsno tabeliranje (cross tabulation), selekcija, isecanje,
izdvajanje i kombinovanje svih dimenzija (slice and dice requirement), rotacija odnosno
isticanje jedne dimenzije dok su druge u pozadini (pivoting), prognoza, modelovanje, grafičko
prikazivanje (charting), statistike analize (trend, klaster) itd.
Karakteristika OLAP struktura je da su dimenzije organizovane u vidu hijerarhija. U tom
smislu dimenzija predstavlja skup jedne ili više hijerarhija u kocki koje korisnik razume i
koristi kao bazu za analizu podataka. Na primer, vremenska dimenzija može da uključi
hijerarhiju gde su datumski podaci hijerarhijski organizovani poštovanjem Gregorijanskog
kalendara ili alternativnu hijerarhiju organizovanu po fiskalnim periodima. Hijerarhija
predstavlja logičku strukturu stabla u kojoj su organizovani članovi neke dimenzije, i to tako
da svaki član ima jedan nadređeni član i nijedan podređeni član ili nekoliko njih. Podređeni
član nalazi se na susednom nižem nivou u hijerarhiji koji je direktno povezan sa trenutnim
članom. Na primer, u hijerarhiji „Vreme“ koja sadrži nivoe kvartal, mesec i dan, „Januar“ je
podređeni član „Kvartala 1“. Nadređena vrednost je konsolidacija vrednosti svih podređenih
članova. Na primer, u hijerarhiji „Vreme“ koja sadrži već navedene nivoe, „Kvartal 1“ je
nadređen članu „Januar“. Dakle hijerahije su podeljene na nivoe tako da su podaci
organizovani u više i niže nivoe detalja. Član je stavka u hijerarhiji koja predstavlja jedno
pojavljivanje podataka ili više njih. Član može da bude jedinstven ili nejedinstven. Na primer,
godine 2009 i 2010 predstavljaju jedinstvene članove na godišnjem nivou vremenske
47
dimenzije, dok „Januar“ predstavlja nejedinstven član na mesečnom nivou zato što u
vremenskoj dimenziji može biti više januara ukoliko ona sadrži podatke za više godina.
Multidimensional Expressions - MDX (višedimenzionalni izraz) je upitni jezik za OLAP baze
podataka, poput SQL upitnog jezika za relacione baze podataka. Slično kao i SQL u mnogim
aspektima, MDX pruža bogatu i snažnu sintaksu za čitanje i manipulaciju višedimenzionalnih
podataka, kao što su podaci u OLAP kockama. MDX se može koristiti za opisivanje
višedimenzionalnih upita, definisanje strukture kocka i promenu podataka. Prihvaćen je od
većine OLAP dobavljača i postao de facto standard za OLAP sisteme. Prilikom analize OLAP
struktura primenom nekog od korisničkih alata, analitičari ne koriste direktno MDX sintaksu.
Krajnji korisnici barataju vizuelno prezentovanim podacima, generišući izveštaje željene
strukture, a svaka njihova aktivnost je u pozadini praćena automatskim generisanjem MDX
upita za dohvat podataka.
5.3.
Prezentacija i vizuelizacija
Alati za pristup skladištu podataka i OLAP strukturama pružaju vizuelizaciju sadržanih
podataka na način koji je blizak ljudskim kognitivnim procesima. Današnji savremeni alati su
najčešće zero footprint aplikacije koje ne zahtevaju instalaciju softvera na računarima krajnjih
korsnika. Njima se pristupa posredstvom internet pretraživača, kompanijskih portala, a često
je obezbedjena integracija sa Microsof Office paketom.
Podacima sistema poslovne inteligencije pristupa se sledećim alatima prezentacije i
vizuelizacije:
 Alati za izveštavanje – podrazumevaju pristup izveštajima predefinisane, struktuirane i
statične strukture nemenjenih širem krugu korisnika.
 BI alati za analizu OLAP kocke pružaju mogućnost analitičke obrade podataka koju
karakteriše dinamičnost sagledavanja hijerarhijskih struktura.
 Alati za ad hoc upite i analizu namenjeni su kreiranju jednostavnijih izveštajnih
struktura od strane samih poslovnih korisnika.
 Statistički, matematički i data mining alati za prediktivnu analizu, otkrivanje uzročnoposledičnih veza izmedju više metrika, financijsku analiza, predvidjanje itd.
 Alati za distribuciju izveštaja i upozoravanje (report delivery and alerting) se koriste
za slanje čitavih izvešta ili upozorenja većeg broja korisnika, a baziraju se na
48
rasporedima izvršavanja (scheduling) ili bitnim dogadjajima vezanim za podatke (npr.
slanje upozorenja da je broj nezaposlenih lica u okviru odredjene organizacione
jedinice je prešao unapred definisan kritičan broj).
Kontrolna tabla ili dashboard je grafički korisnički interfejs koji organizuje i predstavlja
informacije u formatu koji je jednostavan za čitanje, interpretaciju i navigaciju. On je polazna
tačka za pregled indikatora performansi poslovanja za mnoge korisnike u okviru organizacije.
Daje kompanijama činjenični i pravovremeni pogled na poslovne procese, pomaže
identifikaciji anomalija koje bi se mogle pretvoriti u značajane poslovne probleme, te pruža
polaznu tačku za dublju analizu uzroka. Dashboard za svakog korisnika obezbedjuje
personalizovani pogled na ključne parametre u njegovoj interesnoj oblasti. Njegova osnovna
karakteristika je visok stepen vizuelizacije sa grafovima i dijagramima različitog formata.
Kontrolne table moraju biti otvorene prema novim sadržajima. Poslovni korisnici se
konstantno suočavaju sa izazovom da pronadju najrelevantnije informacije koje su im
potrebne za donošenje odluka. Važno je da novi podaci mogu lako biti dodati kako pružili
odgovor na brojna pitanja koja se nameću.
Različiti alati za pristup podacima skladišta podataka koriste se u zavisnosti od potreba i
karaktera zahteva svakog od korisnika. Ponniah je klasifikovao korisnike BI sistema prema
načinu pristupa podacima, željenim informacijama i preferencijama u četiri klase prikazane na
Slici
15. To su turisti (tourists) koji koreliraju izvršnim menadžerima, zatim operatori
(operators) koji se odnose na niži nivo menadžmenta i podršku poslovanju, farmeri (farmers)
koji su ekvivalenti poslovnim korisnicima, istraživači (explorers) odnosno poslovni analitičari
i na kraju rudari (miners) usmereni na aktivnosti specifične za data mining [11].
49
Slika 15 Klasifikacija BI korisnika
Ne postoji relacija jedan-na-jedan izmedju klase korisnika i interfejsa koji zadovoljava
njihove potrebe, npr. predefinisane izveštaje mogu koristiti i operatori i istraživači i turisti.
Tabela 1 prikazuje relacije izmedju tipičnih alata poslovne inteligencije i klase korisnika.
Korisnik
Alat poslovne inteligencije
Turista
Dashboard i scorecard
Operator, Farmer, Turista
Standardni izveštaji
Rudar
Data mining alati
Istraživač, Farmer
OLAP alati
Farmer, Istraživač
Alati za izveštavanje i ad hoc analizu
Tabela 1 BI alati za kategorije BI korisnika
Dashboard i scorecard aplikacije pružaju menadžerima višeg nivoa kombinaciju izveštaja i
grafika koji ističu izuzetke od definisanih poslovnih pravila i imaju drill-down mogućnosti
kako bi se analizirali podaci iz više poslovnih procesa. Karakteristično je da su podaci su
prikazani na visokom nivou agregacije. Scorecarding je pristup praćenju, merenju i
upravljanju performansama na strategijskom i taktičkom nivou organizacije, projekta ili tima.
Na strateškom nivou je vredan alat sistema upravljanja performansama koji se koristi za
mapiranje korporativne strategije i komunikaciju u kompaniji. Balanced Scorecard metod je
50
prvi put definisan u časopisu „Harvard Business Review“ 1992. godine. Članak pod nazivom
„The Balanced Scorecard: Measures that Drive Performance“ su napisali Kaplan i Norton i
istakli da finansijske metrike utiču samo mali deo odluka koje se donose u organizacijama.
Balanced Scorecard definiše ključne indikatore na nivou kompanije i prikazuje način na koji
oni utiču na kreiranje vrednosti i konkrentske prednosti. Jedna od komponenti ovog alata su i
mape strategije, koje vizuelno ističu uzročno posledične veze izmedju strategijskih ciljeva,
procese koji se koriste kako bi se dostigli ovi ciljevi, materijalne i nematerijalne resurse
poterne za njihovo ostvarenje. Primenom alata koriste se različite metodologije za upravljanje
performansama kao što su: Six Sigma, Total Quality Management (TQM), Activity-Based
Costing (ABC) i Economic Value Added (EVA).
Alati za izveštavanje i ad hoc analizu se koriste za direktan pristup skladištu podataka.
Intuitivni ad hoc alati se koriste za brz pristup podacima u jednostavnom formatu. U slučaju
složenijih formi ovi alati mogu poslužiti za kreiranje struktuiranih izveštaja kojima će
pristupati i drugi korisnici.
OLAP alati su grafički alati koji omogućavaju korisnicima multidimenzionalni pogled na
podatke uz primenu specifičnih operacija analize za OLAP izvore koji su opisani u
prethodnom poglavlju.
Data mining alati podržavaju proces istraživanja podataka kako bi se pronašli paterni i veze
od koristi za organizaciju. Cilj primene data mining alata je traženje objašnjenja za odredjene
dogadjaje i pojave, istraživanje u cilju potvrde hipoteza i analiza novih i neočekivanih veza
(Hoffer). Data mining se može podeliti u pet osnovnih kategorija – klasterizacija,
klasifikacija, neuronske mreže, grupisanje afiniteta i utvrdjivanje anomalija [11].
 Klasterizacija označava formiranje grupa, odnosno data mining tehniku koja za cilj
ima utvrdjivanje grupa tj. klastera podataka sa zajedničkim osobinama. Za razliku od
klasifikacije, kod koje se segmentacija podataka vrši u klase koje su prethodno
definisane, na početku klasterizacije ne zna se po kojim će atributima podaci biti
svrstani u grupe klastera. Primer jednog algoritma za odredjivanje klastera je K-means
algoritam. Na Slici 16 je dat primer identifikacije klastera nezaposlenih lica uzimajući
u obzir dve varijable – dužinu traženja posla izraženu u mesecima i učešće u merama
51
aktivnog zapošljavanja izraženo u broju primenjenih mera (obuke, plan zapošljavanja
itd.).
 Klasifikacija je metod pridruživanja svakog elementa analiziranog skupa podataka
nekoj od predefinisanih diskretnih klasa. Namera je klasifikacijske metode
identifikacija karakteristika koje označavaju grupu kojoj pripada svaki pojedini slučaj.
Primena neuronskih mreža, odnosno nelinearnih modela predviđanja interesantna je
jer omogućuje modeliranje velikih i kompleksnih problema u kojima može biti stotine
varijabli koje imaju mnogo interakcija [14]. Postojeće biološke neuronske mreže su
neuporedivo kompleksnije u odnosu na matematički model koji se koristi u praksi. U
matematičkom modelu neuronske mreže osnovna jedinica je dizajnirana po uzoru na
biološki neuron. Jedinice kombinuju ulaze u jedinstveni rezultat (najčešće funkcija
sumiranja), koji zatim biva preusmeren u funkciju transformacije koja kalkuliše
izlaznu vrednost i najčešće poprima vrednost između 0 i 1. Kombinacijska i transferna
funkcija zajedno čine aktivacijsku funkciju neurona. Osnovni princip učenja
neuronske mreže predstavljaju veze između eksperimentalnih uzoraka.
 Grupisanje afiniteta ili analiza relacija ima za cilj definisanje modela zavisnosti,
pomaže u definisanju zavisnosti izmedju podataka. Najčešće se koristi kod analize
potrošačke korpe tj. za analizu proizvoda koji se kupuju zajedno. Suština je u
otkrivanju asocijativnih pravila koja ukazuju koji se parovi proizvoda i s kojom
verovatnoćom kupuju zajedno.
 Utvrdjivanje anomalija se odnosi na grupu metoda za utvrdjivanje slučajeva koji
odstupaju od normi.
Slika 16 Klasterizacija
52
Standardni izveštaji su najjednostavniji način pristupa podacima okruženja poslovne
inteligencije. Kreirani su u predefinisanom formatu kako bi korisnicima obezbedili pogled na
poslovne informacije. Iako je njihova struktura statična, podrazumeva se i odredjeni nivo
interakcije sa korisnikom u smislu mogućnosti unosa parametara filtriranja, drill-down analize
do predvidjenog stepena detaljnosti, kao i postojanje veza izmedju samih izveštaja.
Neke od funkcionalnosti standardnih izveštaja su:
 Drill-down je aktivnost koja omogućava korisniku analizu podataka prema većem
nivou detalja u okviru dimenzionalne hijerarhije i utvrdjivanje na koji način je
izvedena neka agregatna vrednost.
 Standardni grafici/dijagrami su neizostavni deo svakog okruženja poslovne
inteligencije i mogu imati više formata kao što su – vertikalni i horizontalni stubovi,
pite, linije, tačkasti dijagrami itd.
 Kondicionalno formatiranje podrazumeva da su korisnici u mogućnosti da definišu
sopstvene kriterijume za označavanje i način prikaza odredjenih opsega vrednosti, a
sve u cilju praćenja izuzetaka od definisanih normi.
 Integrisani grafici označavaju mogućnost integracije više pokazatelja u različitim
formatima prikaza na jednom dijagramu. Primenom ovog formata mogu na jednom
dijagramu prikazati dve Y ose koje imaju različito skalirane vrednosti.
 Pivot redova i kolona je standardna funkcionalnost većine BI alata. Njenom primenom
redovi i kolone izveštaja mogu zameniti mesta.
 Korisnički definisane kalkulacije jesu opcija koja dozvoljava krajnjem korisniku da
sam definiše metrike koje odgovaraju njegovim poslovnim potrebama korišćenjem
standardnih operacija i funkcija na raspoloživim podacima.
 Prikaz automatski generisanih upita je opcija koja olakšava rad naprednim korisnicima
sa informatičkim znanjima. Pojedini alati sadrže opciju pregleda i eventualne izmene
automatski generisanih upita u pozadini manipulacije grafičkim elementima alata, što
je korisno u slučaju nepredvidivih automatizovanih rezultata.
 Većina savremenih alata uključuje komponente kolaboracije krajnjih korisnika u
okviru BI interfejsa sa predefinisanim izveštajima. Korisnicima je omogućeno da dele
komentare, generišu zadatke ili šalju mailove vezano za rezultate koje prikazuju
izveštaji.
53
 Sortiranje i filtriranje su bitne stavke koje odražavaju interaktivnost standardnih
izveštaja i značajno olakšavaju analizu podataka.
Aplikacije poslovne inteligencije se mogu posmatrati iz perspektive svakog od navedenih
korisnika, tako što će pružiti odgovor na ključna pitanja analize – šta, kako, gde, ko, kada i
zašto. Tabela 2 prikazuje zahteve navedenih korisnika kada se radi o raspoloživim BI alatima
[11].
54
Pitanja
Prespektiva
Turista
Šta
Podaci
Sumarni podaci
Farmer
Specifičan
podskup podataka,
tekućih i
istorijskih
Rudar
Istraživač
Operator
Kako
Funkcije
Jednostavan
korisnički interfejs
u formi
kastimizovanih i
personalizovanih
deshboarda i
ograničenih drilldown mogućnosti
Alati za
izveštavanje i
upite, Standardni
izveštaji, OLAP
alati
Gde
Mreža
Izveštaji koji se
dostavljaju
posredstvom
portala ili
emailom
Ko
Korisnici
Izvršni menadžeri
Kada
Vreme
Rutinski
Zašto
Motiv
Strateško
odlučivanje
Izveštaji koji se
dostavljaju
posredstvom
portala ili
emailom, interfejs
ka OLAP
kockama
Konzistentno, npr.
mesečno, nedeljno
Status poslovanja
pojedinog
poslovnog
područja
Detaljni podaci,
uključujući i
istorijske
Data mining alati
Nepredvidivo, adhoc
Istraživanje
specifičnih
problema i
inicijativa
Veliki obim
detaljnih podataka
Tekući podaci
detaljnog nivoa
OLAP alati
Data mining alati,
alati vizuelizacije
podataka,
specifični data
martovi
Pristup DWH i
OLAP kockama
Izveštaji koji se
dostavljaju
posredstvom
portala ili
emailom
Poslovni korisnici
– specijalizovani
analitičari
npr.marketing ili
finansijski
analitičar,
zaposleni u grupi
za poslovno
planiranje itd.
Analitičari sa
specijalnim
zadacima
Napredni
analitičari
Niži nivo
menadžmenta i
podrška
poslovanju
Nepredvidivo, adhoc
Redovan brz
pristup
Istraživanje veza i
paterna
Praćenje tekućeg
poslovanja
Standardni
izveštaji
Tabela 2 Karakteristike i zahtevi BI korisnika
55
6. Razvoj sistema poslovne inteligencije u „Nacionalnoj službi
za zapošljavanje“
Početkom delovanja javne službe zapošljavanja u Srbiji smatra se 14. decembar 1921. godine,
kada je objavljen jedan od prvih propisa kojima se reguliše oblast zapošljavanja - "Zakon o
zaštiti radnika". Nacionalna služba za zapošljavanje (NSZ) kakvu poznajemo danas u
organizacionom i funkcionalnom smislu osnovana je 2003.godine, kada je Narodna skupština
Republike Srbije donela „Zakon o zapošljavanju i osiguranju za slučaj nezaposlenosti“ [27].
Nacionalnu službu za zapošljavanje čine Direkcija, dve Pokrajinske službe, 34 filijale, 21
služba i više od 120 ispostava u svim okruzima u Republici Srbiji. Predstavlja javni servis
koji pruža usluge nezaposlenim licima i poslodavcima u Srbiji. Institucija nastoji da napravi
iskorak od klasičnih službi za zapošljavanje (sa pretežnim funkcijama evidencije i
posredovanja), ka modernoj instituciji tržišta rada kakve postoje u tržišno razvijenim
zemljama, sa prevashodnim ciljem da se preduzeća, poslodavci i nezaposlena lica motivišu za
zapošljavanje. U skladu s tim, Nacionalna služba za zapošljavanje počela je sa aktivnim
merama, koje idu u susret rešavanju problema nezaposlenosti i viškova radne snage, pored
pasivnih mera kojima se, u skladu sa Zakonom, obezbeđuju naknade i druga prava
nezaposlenim licima. Primer usluga koje pruža NSZ su:
 Usluge nezaposlenim licima,
o Karijerno vodjenje i savetovanje,
 Procena zapošljivosti i individualni planovi zapošljavanja - razgovari sa
savetnikom za zapošljavanje, dogovor o aktivnostima i eventualnim
programima podrške,
 Obuka za aktivno traženje posla - ovladavanje veštinama ličnog
predstavljanja i informisanje o slobodnim poslovima,
 Klub za traženje posla,
 Savetovanje - izbor pravo zanimanja, usavršavanje znanja u skladu sa
interesovanjima i sposobnostima,
 Sajmovi
zapošljavanja
poslodavcima;
o Dodatno obrazovanje i obuka,
56
-
mogućnost
direktnog
kontakta
sa
 Pripravnici,
 Obuke za poznatog poslodavca;
o
Razvoj preduzetništva i programi zapošljavanja,
 Informisanje u poslovnim centrima,
 Obuka
za
započinjanje
sopstvenog
posla
''Put
do
uspešnog
preduzetnika'',
 Subvencija za samozapošljavanje,
 Isplata novčane naknade u jednokratnom iznosu za samozapošljavanje,
 Isplata jednokratnog podsticaja za zapošljavanje korisnika novčane
naknade;
 Usluge poslodavcima,
o Obuke nezaposlenih lica za poznatog poslodavca,
o Selekcija i klasifikacija,
o Sajmovi zapošljavanja,
o Mentoring program i specijalističke obuke,
o Subvenciju za otvaranje novih radnih mesta,
o Javni radovi.
Pored navedenog Nacionalna služba za zapošljavanje je organizacija za socijalno osiguranje,
zadužena za generisanje statistika iz područja nezaposlenosti i zapošljavanja.
6.1.
Definicija i ciljevi projekta
Nacionalna služba za zapošlavanje, kao javni servis koji pruža usluge nezaposlenim licima i
poslodavcima u Srbiji, predstavlja jedinstven sistem koji pored osnovnih informacija vezanih
za zaposlenje, a bitnih za nezaposlena lica i poslodavce, nastoji da jedinstvenim sistemom
motivacije inspiriše poslodavce na otvaranje radnih mesta i zaposlenje nezaposlenih lica.
Usluge koje predstvljaju osnovnu delatnost: karijerno vodjenje i savetovanje, dodatno
obrazovanje i obuka, razvoj preduzetništva i programi zapošljavanja i usluge poslodavcima
zahtevaju visok nivo sofisticiranosti u pogledu izbora informacionih sistema i podrške i u
obradi podataka kojima NSZ raspolaže.
Prethodni sistem za podršku odlučivanju poslovanja, odnosno prethodno softversko rešenje za
podršku odlučivanju koje je korišćen u NSZ, omogućavalo je mesečno izveštavanje o
57
kretanjima nezaposlenosti i zapošljavanja na tržištu rada, analizu sprovođenja mera aktivne
politike zapošljavanja i praćenje isplate novčanih naknada za nezaposlena lica uz integraciju
sa poslovnim portalom organizacije.
Tržišna kretanja vezana za zapošljavanje, kao i mere koje je društvo preduzelo vezano za
politiku zapošljavanja, kao i stalna potreba za unapređenjem niova kvaliteta usluge, bilo je
neophodno inkorporirati u sistem rada NSZ. Osnovnu prednost vezanu za brzinu izveštavanja,
raspoloživost i tačnost podataka, dostupnost istorijskih podataka, efikasno kreiranje ad hoc
analiza i izveštaja i optimizaciju sopstvenih procesa rada bilo je moguće ostvariti
implementacijom sistema poslovne inteligencije.
Projekat implementacije sistema poslovne inteligencije u NSZ podrazumeva uvođenje novog
softverskog rešenja, povezivanje istog sa postojećim naprednim sistemima na način koji će
omogućiti korišćenje prednosti postojećih sistema, kao i omogućavanje korišćenja svih
prednosti koje rešenje poslovne inteligencije podarazumeva, a na primeru funkcionisanja
sistema NSZ, koje direktno utiču na nivo kvaliteta osnovnih usluga koje pruža. Implemntirano
rešenje poslovne inteligencije omogućuje NSZ pouzdano praćenje efikasnosti sprovedenih
mera aktivne politike zapošljavanja kroz sve nivoe organizacione hijerarhije NSZ, pouzdano
praćenje efiksanosti i efektivnosti organizacionih jedinica vezano za trendove broja
nezaposlenih lica, brz odgovor na zahteve poslodavaca kroz naprednu integrisanu softversku
obradu tačnih i raposloživih podataka koji su pri tome dostupni prema različitim vremenskim
kriterijumima.
Ciljevi projekta:
 Primena naprednog fleksibilnog rešenja za podršku odlučivanju, izveštavanju i
planiranju,
 Omogućavanje efikasnijeg procesa prikupljanja i obrade podataka, kroz infrastrukturu
skladišta podataka i procese ekstrakcije, učitavanja i transformacije podataka na
dnevnom nivou,
 Smanjenje mogućnosti greške kroz procese čišćenja izvornih podataka i obrade u
skladu sa definisanim poslovnim procedurama,
58
 Omogućavanje efikasnijeg upravljanja posredstvom konstantno raspoloživih podataka
koji su osnov za kreiranje politike zapošljavanja i unapređenje stručnog rada u
zapošljavanju,
 Omogućavanje pristupa najnovijim podacima na zahtev korisnika,
 Jedinstveno upravljanje pravima pristupa podacima u skladu sa sferom interesa i
odgovornostima korisnika.
Realizacija i ostvarenje svakog pojedinačnog cilja odnosi se na specifičnu oblast, te samim
tim i rezultat predstavlja sistematizovano unapređenje određene oblasti poslovanja, a svaki
pojedinačni cilj, kako dodatni unapređuje prethodno postignuto.
6.2.
Organizacija projekta
Projektni tim mora biti organizovana u efektivnu i efikasnu strukturu kako bi ostvario
definisane ciljeve projekta što je bio jedan od osnovnih kriterijuma prilikom njegovog
organizovanja.
Posmatranjem dijagrama organizacije projekta (Slika 17) jasno se definišu odgovornosti za
isporuku projekta, odgovornosti za prihvatanje projekta sa strane korisnika kao i tokovi
formalne komunikacije.
Nadzorni organ na najvišem nivou prati ostvarenje zacrtanih ciljeva projekta, ispunjenje
vremenskih rokova i permanentno dostavljanje rezultate kontrole kvaliteta kao procesa koji
traje paralelno sa svim drugim aktivnostima na projektu.
Vodja projekta ima potpuni autoritet i odgovornost za planiranje, izvršenje i blagovremeno
okončanje projekta. Vodja projekta je osoba odgovorna za ostvarenje postavljenih ciljeva
projekta. Jedan od najvažnijih zadataka jeste upravljanje bazičnim ograničenjima projekta –
troškovima, vremenom i kvalitetom.
Odgovornost tehničkog vodje projekta odnosi se na upravljanje izvršenjem pojedinačnih
zadataka, definisanje tehničkih karakteristika implementiranih procedura i svim tehničkim
59
detaljima koji proizilaze iz dogovorenog opsega projekta, uključujući tehničku realizaciju svih
proizvoda projekta.
Slika 17 Dijagram organizacije projekta
6.3.
Poslovna analiza
Analiza poslovnog procesa ima za cilj utvrdjivanje ključnih korisnika sistema poslovne
inteligencije, identifikaciju njihovih zahteva i skladu sa tim definisanje poslovnih područja
koja je potrebno obuhvatiti, kao i obim podataka.
Nizom radionica, kroz analizu postojećeg sistema izveštavanje, zahteva korisnika za dodatnim
informacijama i funkcionalnostima, zatim analizu transakcionog sistema u smislu definisanja
raspoloživih informacija identifikovana su poslovna područja koje projekat obuhvata. Skup
podataka koji je obuhvaćen projektom razvoja sistema poslovne inteligencije u Nacionalnoj
službi za zapošljavanje obuhvaćeni su poslovni procesi koji predstavljaju osnovnu svrhu
njenog postojanja, tj. procesi usmereni ka pružanju servisa nezaposlenim licima i
poslodavcima. Sistem poslovne inteligencije usmeren je na podršku ostvarenju misije
delovanja organizacije, na podršku upravljanju različitim programima, primenjenoj poslovnoj
politici i javnom dobru. Projekat nije obuhvatio preostale interne poslovne procese, kao što su
poslovni procesi službe ljudskih resursa, finansija itd.
60
Zahtevi za izveštavanjem i analizom podataka proizilaze iz zakonske obaveze Nacionalne
službe za zapošljevanje za statističkim izveštavanjem, kao i potrebe za praćenjem performansi
poslovanja po organizacionim jedinicama, kao i po teritorijalnoj organizaciji Republike
Srbije. Performanse poslovanja, u smuslu trendova zapošljavanja, praćenja efekata mera
politike zapošljavanja i obezbedjenja zakonskih naknada nezaposlenim licima neophodno je
pratiti od najnižeg nivoa u organizacionoj hijerarhiji kao što su ispostave, preko preko filijala
sve do nivoa celovitog sistema zapošljavanja. Osnovni zahtev poslovnih korisnika jeste
praćenje i analiza kretanja radne snage, ponude slobodnih poslova i ostale evidencije koje su u
nadležnosti Nacionalne službe za zapošljavanje. Prate se podaci koji pokazuju i opšte stanje
na tržištu rada i mogu se podeliti u tri kategorije:

broj i struktura nezaposlenih lica (starosna struktura, stručna sprema, trajanje
nezaposlenosti, novoprijavljena lica na evidenciju NSZ, prestanak vođenja
evidencije);

prijavljene potrebe poslodavaca;

zasnivanje radnog odnosa.
Podaci o broju i strukturi nezaposlenih lica dobijaju se iz transakcionog sistema NSZ, a
podaci o prijavljenim potrebama poslodavaca za radnicima na osnovu pristiglih prijava o
slobodnim radnim mestima, za koja se traži posredovanje NSZ. Podaci o zasnivanjima i
prestancima radnog odnosa dobijaju se iz registra Republičkog zavoda za zdravstveno
osiguranje (RZZO).
Specifičnost Nacionalne službe za zapošljavanje, kao javne institucije, jeste grupa
stejkholdera, koja podrazumeva i javnost i odgovarajuće institucije kontrole.
Statistički izveštaji koje je neophodno realizovati predstavljaju jednu od osnova za
analiziranje tendencija/kretanja nezaposlenosti i zapošljavanja na tržištu rada, njihovoj
međuzavisnosti i odnosu. Analitička saznanja, do kojih se na ovaj način dolazi, predstavljaju
jedan od temelja za kreiranje politike zapošljavanja, prvenstveno mera za smanjenje
nezaposlenosti i unapređenje stručnog rada u zapošljavanju. Nacionalna služba za
zapošljavanje sastavlja statističke izveštaje koje publikuje mesečno (Mesečni statistički
bilten), polugodišnje i godišnje, putem niza izveštaja, pridržavajući se standarda i
metodologije izveštavanja proistekle iz zakona ili iz Sporazuma o učinku sa Ministarstvom
61
ekonomije i reginalnog razvoja. Podaci dati u Biltenu pokazjuju trenutnu sliku tržišta rada u
zemlji, podatke o registrovanoj nezaposlenosti, slobodnim radnim mestima i zapošljavanju.
Prilikom definisanja ključnih indikatora poslovanja neophodno je pridržavati se zakonom
regulisane metodologije praćenja mera zapošljavanja. U skladu sa tim sve mere koje će se
pratiti u sistemu poslovne inteligencije moraju biti u skladu sa sledećim definicijama:
Lice koje traži zaposlenje - nezaposleno lice ili zaposleni koji traži promenu zaposlenja
(Zakon o zapošljavanju i osiguranju u slučaju nezaposlenosti, „Službeni glasnik RS", br.
71/03).
Nezaposleno lice - lice od 15 do 65 godina, sposobno i odmah spremno da radi, koje nije
zasnovalo radni odnos ili na drugi način ostvarilo pravo na rad, a koje se vodi na evidenciji
nezaposlenih i aktivno traži zaposlenje. Nezaposlenim se ne smatra učenik, student,
penzionisano lice i zemljoradnik koji obavlja zemljoradničku delatnost i obavezno je osiguran
po osnovu katastarskog prihoda (Zakon o zapošljavanju i osiguranju u slučaju nezaposlenosti,
„Službeni glasnik RS", br. 71/03).
Lice kome miruju prava - licu koje traži zaposlenje miruje pravo po zakonu: za vreme
odsluženja ili dosluženja vojnog roka, za vreme izdržavanja kazne zatvora, izrečene mere
bezbednosti, vaspitne ili zaštitne mere u trajanju do šest meseci, ako je na boravku u
inostranstvu u slučaju kada je njegov bračni drug upućen na rad u inostranstvo u okviru
međunarodno-tehničke ili poslovno-kulturne saradnje u diplomatska, konzularna i druga
predstavništva (Zakon o zapošljavanju i osiguranju u slučaju nezaposlenosti, „Službeni
glasnik RS", br. 71/03).
Nezaposleno lice privremeno nesposobno ili nespremno za rad - opravdanim razlozima za
neaktivno traženje posla i neraspoloživost za rad smatraju se: porodiljsko bolovanje,
zdravstvena nesposobnost (duže bolovanje) nezaposlenog ili članova njegove uže porodice,
selidba, smrt člana uže ili šire porodice, elementarna nepogoda, odazivanje na poziv državnih
organa (vojna vežba...), drugi razlozi nastali bez krivice i volje nezaposlenog (Zakon o
zapošljavanju i osiguranju u slučaju nezaposlenosti, „Službeni glasnik RS", br. 71/03).
62
Lica koja prvi put traže zaposlenje - nezaposlena lica koja se nalaze na evidenciji Nacionalne
službe za zapošljavanje, a koja ranije nisu bila u radnom odnosu.
Stopa registrovane nezaposlenosti - predstavlja udeo registrovanih nezaposlenih u zbiru
registrovanih nezaposlenih i zaposlenih lica, uključujući individualne poljoprivrednike koji
plaćaju doprinose za penzijsko - invalidsko osiguranje.
Brisani zbog nepridržavanja zakonskih odredbi i prestanak vođenja evidencije - lica koja se
više ne vode na evidenciji Nacionalne službe za zapošljavanje, na osnovu nekog od razloga
brisanja ili prestanka vođenja na evidenciji, predviđenog Zakonom o zapošljavanju i
osiguranju u slučaju nezaposlenosti.
Potreba za zapošljavanjem - broj dostavljenih potreba za zapošljavanjem od strane
poslodavaca Nacionalnoj službi za zapošljavanje tokom izveštajnog perioda. (Na osnovu
odredbi Zakona o zapošljavanju i osiguranju za slučaj nezaposlenosti, „Službeni glasnik RS",
br. 36/2009, od 15.05.2009. godine, Nacionalna služba za zapošljavanje vodi evidenciju o
potrebi za zapošljavanjem. Prijavu potrebe za zapošljavanjem podnosi poslodavac koji ima
slobodan posao i želi da mu Nacionalna služba posreduje u zapošljavanju. To znači da ne
postoji više obaveza poslodavaca da dostavljaju Nacionalnoj službi za zapošljavanje prijavu o
slobodnom radnom mestu. Zbog toga podaci o prijavi potrebe za zapošljavanjem, o kojima
sada NSZ vodi evidenciju, i prijavljenim potrebama za radnicima, o kojima je NSZ vodila
evidenciju do stupanja na snagu Zakona, nisu metodološki uporedivi.)
Zapošljavanje - ukupan broj podnetih prijava o zasnivanju radnog odnosa od strane
poslodavaca, prijavljenih Nacionalnoj službi za zapošljavanje tokom izveštajnog perioda
(Zakon o evidencijama u oblasti rada, „Službeni list SRJ" broj 46/96 i „Službeni glasnik RS"
broj 101/05).
Zaposleni sa evidencije - lica koja su na osnovu prijave o zasnivanju radnog odnosa, koju
poslodavac dostavlja Nacionalnoj službi za zapošljavanje, zasnovala radni odnos tokom
izveštajnog meseca, a za koje je poslodavac kod načina zapošljavanja evidentirao da su sa
evidencije.
63
Zaposleni iz radnog odnosa i ostali - lica koja su na osnovu prijave o zasnivanju radnog
odnosa, koju poslodavac dostavlja Nacionalnoj službi za zapošljavanje, zasnovala radni odnos
tokom izveštajnog perioda, a da prethodno nisu bila na evidenciji nezaposlenih lica.
Korisnici novčane naknade - nezaposlena lica koja su u skladu sa zakonom ostvarila pravo na
novčanu naknadu u izveštajnom periodu (Zakon o zapošljavanju i osiguranju u slučaju
nezaposlenosti, „Službeni glasnik RS" br. 36/2009). Podaci o korisnicima novčane naknade u
tabeli 10 prikazani su za organizacioni nivo Nacionalne službe za zapošljavanje, tj za nivo
filijala. Poslednji publikovani Mesečni statistički bilten sadrži podatke koji su najrelevantniji
za izveštajne mesece u tekućoj godini, a do korekcija u broju prikazanih korisnika novčane
naknade dolazi zbog procedure donošenja rešenja kojima se priznaje pravo na novčanu
naknadu.
Klasifikacija - u izveštajima u kojima se podaci iskazuju po delatnostima koristi se
Klasifikacija delatnosti („Službeni list SRJ" br. 31/96), a kod iskazivanja podataka po
područjima rada, zanimanjima i stepenu stručne spreme koriste se Jedinstvena nomenklatura
zanimanja (JNZ, „Službeni list SFRJ" br. 31/90) i Šifarnik zanimanja i stručne spreme
(„Službeni list SRJ" br. 9/98).
Na osnovu definisanih ključnih indikatora poslovanja i parametara po kojima ih je neophodno
analizirati, a kao rezultat procesa analize poslovnog procesa i zahteva krajnjih korisnika,
definisan je model skladišta podataka na konceptualnom, logičkom i fizičkom nivou,
utvrdjena poslovna područja na koja je potrebno fokusirati analizu i u skladu sa tim definisan
osnovni set izveštaja koji će biti isporučen na kraju projekta, a koji će predstavljati osnovu za
dalji razvoj i usavršavanje sistema.
6.4.
Analiza odabranih tehnologija
Svakodnevno, zaposlenima na različitim nivoima hijerarhije NSZ su potrebne informacije
koje su relevantne i tačne, kako bi donosili odluke koje će nezaposlenim licima i
poslodavcima obezbediti kvalitetne usluge širokog spektra, a da se pri tome na najbolji način
iskoriste ograničeni resursi.
64
U izboru tehnologije za implementaciju sistema poslovne inteligencije uzeta su u obzir tri
kriterijuma, ograničeni raspoloživi finansijski resursi, postojeći sistemi i u skladu sa tim
postojeća znanja i ekspertiza zaposlenih u sektoru informacionih tehnologija, te reputacija i
dokazani kvalitet raspoloživih rešenja.
6.4.1. Sistem za upravljanje bazom podataka – DB2
Transakcioni sistem NSZ koristi DB2 sistem za upravljanje bazom podataka. Projektni tim
NSZ poseduje dugogodišnje iskustvo u radu sa navedenim sistemom, koji je dokazao svoju
performantnost u upotrebi. U skladu sa navedenim, napravljen je izbor DBMS sistema, pri
čemu su značajnu ulogu imale i sledeće mogućnosti DB2 baze podataka:

Napredni sistem kontrole pristupa (Advanced Access Control) kroz:
o Autentikaciju korisnika validacijom korisničkog imena i lozinke. DB2 pruža
set dodatnih dunkcionalnosti za obezbedjenje autentikacije, definisanje grupa
korisnika, mogućnost korišćenja Kerberos ili LDAP, kao i mogućnost razvoja
sopstvenog sistema ili integraciju sa trećim provajderom autentikacionih
usluga.
o Autorizaciju koja je proces u kome DB2 database manager vrši verifikaciju da
li je odredjenom korisniku dozvoljeno da obavlja odredjene operacije na
specifičnom skupu podataka ili resursa. Korisniku se mogu dodeliti specifične
privilegije za odabrani ser podataka ili dodeliti predefinisane role. DB2 pruža
mogućnost definisanja kastimizovanih rola kako bi se upravljalo skupom
privilegija odjednom.
o Praćenje posredstvom alata za nadzor pristupu podataka i obezbedjenje
informacija za naknadnu analizu. Auditing sistem pomaže da se otkriju
neželjeni, nepoznati ili neprihvatljivi pristupi podacima, kao i da se čuvaju
istorijski podaci o pristupu sistemu baze podataka.
o Label Based Access Control (LBAC) omogućava kontrolu pristupa tabelama
na nivou pojedinačnog reda, kolone ili kombinacije predhodna dva elementa.
Administrator ima mogućnost da definiše politiku pristupa zasnovanu na
labelama. Politika sigurnosti opisuje kriterijume koji se koriste za odredjivanje
prava pristupa podacima.
65
o Enkripciju podataka koja je podržana na nivou enkripcije korisničkih imena,
lozinki i podataka tokom prenosa posredstvom mreže. DB2 takodje podržava
eksternu enkripciju uz Secure Socket Layer (SSL). Ovim se osigurava siguran
tunel za podatke koji se prenose izmedju klijenta i servera. Sva komunikacija
može biti šifrovana.

Autonomija sistema koja pomaže smanjenju troškova upravljanja podacima kroz
automatizaciju administriranja, povećanje efikasnosti čuvanja podataka, poboljšanje
performansi i jednostavan razvoj. Automatizovani procesi kao što su alokacija
memorije ili upravljanje prostorom oslobadjaju administratore podataka ove vrste
obaveza. Ovo je posebno bitno ako imamo u vidu da administracija baze podataka
može podrazumevati znatno više troškova u odnosu na trošak samog softvera ili
hardvera. Veoma je bitno vreme administriranja iskoristiti efikasno i efektivno.
o Alat za praćenje memorije reaguje na značajne promene u opterećenju
dinamičkom distribucijom dostupnih memorijskih resursa među potrošačima
memorije baze podataka. DB2 self-tuning memory manager (STMM) pomaže
u izbegavanju kritičnih procesa po vreme odziva baze podataka koji bi uticali
na dogovoreni nivo performansi.
o Alat za automatsko održavanje je odgovoran za kreiranje rezervnih kopija baze
podataka (backup), održavanje statistika, reorganizaciju tabela i indeksa
ukoliko je to potrebno. Dobra organizacija tabela i indeksa je kritična sa
stanovišta performansi pristupa podacima.
o Health Monitoring alat prati promene okruženja baze podataka koje mogu
dovesti
do
smanjenja
performansi
ili
potencijalnih
ispada
sistema.
Administratori mogu posediti kritične vrednosti pokazatelja koji bi trebalo da
se alarmiraju, kao i akcije koje se preduzimaju u slučaju njihove pojave kako
bi se rešili ili predupredili problemi.
o Atomatizovano upravljanje prostorom olakšava alokaciju neophodnog prostora
i prati njegove promene i rast.
o Alat za samokonfigurisanje automatski konfiguriše memoriju, prostor i
operacije održavanja DB2 baze podataka.

Kompresija podataka je osigurana posredstvom DB2 Storage Optimization alata
čime se podaci mogu transparentno kompresovati u cilju smanjenja zauzeća prostora
na disku. Podržani su sledeći tipovi kompresije podataka:
66
o Kompresija reda – utiče na smanjenje zauzeća prostora i do 83%. DB2 baza
podataka koristi varijantu Lempel-Ziv algoritma kako bi se kompresija vršila
na svakom pojedinačnom redu tabele. Log zapisi su takodje kompresovani na
ovaj način. Pored ovoga DB2 radi sa kompresovanim podacima i na disku i u
memoriji, te se na taj način smanjuje i potrebna količina memorije za obradu
zahteva korisnika i unapredjuju performanse.
o Kompresija vrednosti – pruža dodatne uštede prostora uz kompresiju na nivou
redova. Korišćenje ovog tipa kompresije optimizuje se korišćenje prostora
diska u slučaju postojanja null vrednosti, podataka nulte dužine u kolonama sa
varijabilnom dužinom podataka i sistemski podrazumevanh vrednosti.
o XML kompresija - priroda XMLa podrazumeva da XML fragmenati i
dokumenati obično konzumiraju puno prostora na disku. DB2 čuva podatke u
XML formatu tako što ih hijerarhijski parsira, menjajući nazive tagova (na
primer, lice) s celobrojnom oznakom. Ponovljenim pojavama istog taga
dodeljuju se iste oznake. Na ovaj način ne samo da se smanjuje potrošnja
prostora, već unapredjuju performanse prilikom postavljanja upita. Štoviše,
parsiranje XML tagova, kao i kompresija redova, vrši se tako da je to potpuno
neprimetno krajnjim korisnicima.
o Kompresija indeksa – obuhvata korišćenja naprednih tehnika kompresije koje
obavezno rezultuju unapredjenjem performantnosti sistema.
o Backup kompresija – rezultira menjim backup fajlovima koji ne samo da
zahtevaju manji prostor za čuvanje već i olakšavaju prenos izmedju sistema.

Sistem oporavka u slučaju katastrofe podrazumeva korišćenje DB2 High
Availability sistema koji je namenjen kompanijama spremnim da investiraju u dodatne
sistema obezbedjenja podataka u iznimnim situacijama.

Alati za optimizaciju performansi namenjeni su optimizaciji korišćenja postojećih
hardverskih resursa. DB2 Workload Manager daje vam grafički prikaz okruženja,
detaljnu kontrolu nad izvršavanjem procesa u DB2 okruženju, uključujući i praćenje
CPU i dodeljivanje prioriteta odredjenim procesima, kao i sposobnost izvršiavanja
procesa prema različitim poslovnim prioritetima.
67
6.4.2. Sistem za integraciju – Talend Open Studio
Usled ograničenja u budžetu projekta, kao i sve značajnije uloge, koju u poslovanju ima
upotreba open-source softverskih sistema, odlučeno je da se za integraciju podataka kroz ETL
procese koristi Talend Open Studio. U prilog korišćenju ovog alata govori široka zajednica
korisnika i veliki broj instalacija u komercijalne svrhe. Takodje, Talend Open Studio je prvi
open-source alat, koji se našao u Gartnerovom kvadratu alata za integraciju podataka. Talend
je svoju poziciju našao u kvadratu vizionara ove prestižne svetske kompanije.
Generalno, Talend open-source rešenja za integraciju podataka, se najviše koriste za ETL
procese sistema poslovne inteligencije, zatim za migraciju podataka, sinhronizaciju podatka,
itd. Kada se govori o ETL procesima veliki je broj izazova na koje jedan ovakav sistem mora
da odgovori. Prvenstveno, izazov predstavlja procesiranje sve većeg obima podataka. Zatim
potrebno je uzeti u obzir mogućnost povezivanja sa raznolikim izvornim sistemima, bilo da je
reč o aplikacijama (ERP, CRM,...), bazama podataka, datotekama, Web servisima.
Transformacije koje je potrebno realizovati zavise od specifičnosti ciljnog sistema, pri tome
mogu biti veoma kompleksne uključujući različite agregacije, parsiranja, statističke obrade, i
obrade specifične za BI sistema kao što je održavanje sporomenjajućih dimenzija. Savremene
BI sisteme karakteriše zahtev za čestim osvežavanjem podataka i kratko raspoloživo vreme za
učitavanje.
Talend Open Studio obezbedjuje:

Poslovno orijentisano modeliranje procesa koje uključuje sve stejkholedere i
osigurava pravilnu komunikaciju između zaposlenih u odeljenju informacionih
tehnologija i poslovnih korisnika,

Potpuno grafičko razvojno okruženje utiče na produktivnost i olakšava održavanje,

Mogućnost povezivanja sa širokim spektrom sistema i pristup podacima, kao i
jednostavno dodavanje novih izvornih sistema,

Veliki broj ugrađenih, naprednih komponenti za ETL, uključujući i manipulaciju
stringovima, sporo menjajuće dimenzije, lookup pretraživanje, podršku za bulk load,
itd.
68
Talend Open Studio je open source rešenje za integraciju podataka koje se sastoji od tri glavna
komponente - Business Modeler, Job Designer i Metadata Manager, u oviru jednog grafičkog
razvojnog interfejsa zasnovanog na Eclipse tehnologiji, koje se može prilagodjavati
potrebama
organizacije.
Izvorni
kod
je
dostupan
na
Web
lokaciji:
http://www.talendforge.org/trac/tos/. U cilju potpune transparentnosti, Talend pruža pristup
izvornom kodu komponenti sadržanih u komercijalnoj verziji alata, na zahtev klijenta.
Business Modeler alat namenjen dokumentovanju i struktuiranju tehničkih elementa koji se
uključeni u ETL proces u vidu dijagrama. Omogućava različitim timovima stručnjaka –
dizajnerima, tehičkim ekspertima, osobama zaduženim za testiranje, da rade na zajedničkom
modelu, pomoću jednog alata. Talend Open Studio sadrži i funkcionalnost automatskog
generisanja tehničke dokumentacije za kreirane procese (job). Dokumentacija sadrži sve
metapodatake (autor, verzija, status, datum kreiranja i izmene), grafički prikaz procesa, te
parametre svake implementirane komponente u HTML/XML formatu. Dokumentacija se
može jednostavno dopuniti dodatnim komentarima.
Job Designer je namenjen razvoju komponenti ETL procesa. Sadrži i funkcionalni i grafički
pogled na proces integracije. Razvoj se sastoji u korišćenju komponenti i konektora
raspoloživih na grafičkoj paleti, medjusobnom povezivanju i podešavanju ključnih
funkcionalnih parametara. Iscrpna biblioteka komponeti omogućava pristup velikom broju
izvora podataka. Veliki broj konektora je ključan za interoperabilnost aplikacija i baza
podataka i povezivanje različitih struktura podataka. Danas Telend Open Studio sadrži oko
550 različitih komponenti koje se besplatno koriste, pri čemu je oko 60% razvijeno od strane
open-source zajednice. Ovaj broj se kontinuirano uvećava daljim razvojem rešenja.
Komponente podržavaju operacije na samim podacima, zatim upravljanje podacima, kao i
upravljanje tokom procesa obrade. Konektori omogućavaju upis i čitanje podataka sa izvornih
i ciljnih sistema. Parametri se podešavaju na nivou svake od komoneti isljučivo na jednom
mestu ili se nasledjuju iz Metadata Manager komponente odnosno, repozitorijuma, kao što je
slučaj sa definicijama tabela ili parametrima konekcije na bazu podataka. Radi lakšeg
upravljanja procesom razvoja i izvršenjem ETL procesa svaki job može biti podeljen na
podkomponente (subjob). Različiti tipovi veza se koriste za definisanje redosleda izvršenja
pojedinih operacija. Korisnik prati proces izvršenja posredstvom konzole koja je integralni
deo ovog alata. ETL proces se može izvršavati kao batch ili real time proces. Talend
69
arhitektura ne ograničava izvršavanje razvijenih procesa s obzirom da generiše autonomni
proces koji se može primeniti na bilo kom serveru. Ipak, preporučljivo je izvršavanje sa
brzim pristupom podacima koji se obradjuju, kako bi se smanjilo vreme pristupa i eliminisala
uska grla u propusnom opsegu.
Talend Open Studio lako upravlja verzioniranjem. Definisane su dve oznake verzije velika
(major) i mala (minor) koje se automatski podešavaju prilikom kreiranja komponenti i
jednostavno se menjaju u toku razvoja i izmena. Ovim se može nezavisno upravljati
verzijama u toku procesa razvoja i korišćenja sistema u poslovnom procesu. Verzioniranje se
primenjuje na poslovne modele, jobove, rutine, metapodatke i dokumentaciju.
Osnovni pojmovi Talend Open Studio alata su:

Repozitorijum je lokacija koju Talend Open Studio koristi za čuvanje i pristup
svim podacima vezanim za sve tehničke komponente koje se koriste ili za definisanje
poslovnih modela ili dizajn ETL procesa. Talend Open Studio se može povezati sa
više lokalnih repozitorijuma po potrebi.

Projekat je strukturirana kolekcija tehničkih komponenti i njihovih metapodataka.
Svaki job ili poslovni model je organizovan u formi projekta. Na nivou jednog
repozitorijuma može se kreirati više projekata.

Radni prostor (workspace) je direktorijum u kome se čuvaju projektni folderi.
Jedan radni prostor je vezan za jednu konekciju (repository connection). Talend Open
Studio pruža mogućnost povezivanja na više različitih radnih prostora ukoliko je to
potrebno. Slika 18 prikazuje na relaciju izmedju repozitorijuma i radnog prostora.

Job je grafički reprezentovan proces koji se sastoji od jedne ili više medjusobno
povezanih komponenti i omogućava upravljanje procesom toka i obrade podataka.
Prevodi grafički dizajn u kod. Poziva različite izvore podataka, obradjuje i
transformiše podatke i učitava ih u definisane ciljne entitete.

Komponenta je predefinisan konektor koji se koristi za realizaciju odredjene
intergacione operacije. Komponente smanjuju potrebu za ručnim pisanjem koda
neophonim za manipulaciju podacima. Komponente su grupisanje s obzirom na
njihovu namenu i prikazane u paleti raspoloživoj u osnovnom prozoru Talend Open
Studio alata.
70

Stavka (Item) je elementarna komponenta projekta. To je bilo koji element sa
kojim se manipuliše u radu sa Talend Open Studio alatom.
Slika 18 Talend Open Studio repozitorijum
Prilikom kreiranja projekta neophodno je odabrati jedan od dva raspoloživa programska
jezika u kojima će se izgeneristi definisane komponente i posredstvom kojih će se definisani
proces izvršavati. Reč je o Java i Perl programskim jezicima. U zavisnosti od odabranog
programskog jezika, prilikom rada sa komponentama mora se koristiti adekvatna sintaksa. Na
Slici 19 su prikazane opcije prilikom kreiranja projekta.
Slika 19 Kreiranje Talend projekta
Osnovi prozor Talend Open Studio alata prikazan na Slici 20 se sastoji od sledećih elemenata:

Traka sa alatima i meni,
71

Repozitorijum,

Prostor za dizajn,

Prostor za konfiguracije organizovan u više kartica,

Outline view i Code Viewer.
Slika 20 Talend Open Studio interfejs
Repozitorijum je prikazan u formi stabla. Pruža pristup svim tehničkim komponentama kao
što su poslovni model, dizajn jobova, rutine ili dokumentacija koje su potrebne za razvoj ETL
procesa. Čvor Code je biblioteka koja grupiše rutine koje su na raspolaganju za posmatrani
projekt. Rutina je deo koda koji se može iterativno izvršavati. Predefinisane Talend rutine su
grupisane u sledeće kategorije: DataOperation, Mathematical, Numeric, Relational,
StringHandling, TalendDataGenerator, TalendDate i TalendString
72
Slika 21 Repozitorijum
Sistem kartica za konfiguraciju prikazuje specifične podatke za odabranu komponentu
organizovano u sledeće kartice - Component, Run Jobs, Problems i Error Log. Kartice
Modules i Scheduler su nezavisne u odnosu na odabranu komponetu u prostoru za dizajn.
Code viewer kartica prostora za dizajn prikazuje kod koji se generiše za odabranu
komponentu, kao i meni za pokretanje sa start, body i end elementima. Job predstavlja
izvršnu verziju poslovnog modela, tj. tehničku implementaciju dizajniranog toka podataka.
Neke od najčešće korišćenih komponeti koje se koriste za kreiranje ETL procedura su
prikazane u Tebeli 3.
Slika
Naziv komponente
Opis
tDB2Input
tDB2Input čita podatke iz baze podataka i
komponente
ekstrahuje kolone na osnovu definisanog SQL
upita koji je u njemu specificiran. U zavisnosti od
izvorne baze podataka postoje i ekvivalentne
komponente tOracleInput, tAccessInput itd.
tDB2Output
tDB2Output upisuje, ažurira, ili briše podatke u
definisanoj tabeli baze podataka.
tDB2SCD
tDB2SCD održava sporo menjajuće dimenzije
(Slowly Changing Dimension) tako što čita
izvorna podatke i beleži promene u odredjenoj
73
SCD tabeli prema definisanom tipu (1, 2, ili 3).
tFileInputDelimited
tFileInputDelimited čita podatke iz zadate
datoteke red po red na osnovu definisanog
separatora koji odredjuje kolone. Nakon što su
podaci pročitani šalju se do sledeće komponente
uz upotrebu Row link veze.
tFileOutputDelimited tFileOutputDelimited upisuje podatke u datoteku
definisanog formata.
tFileInputExcel
tFileInputExcel čita podatke iz Excel datoteke
(.xls or .xlsx) i ekstrahije ih red po red.
tFileOutputExcel
tFileOutputExcel upisuje podatke MS Excel tip
datoteke.
tDie
Obustavlja izvršenje tekuće Job komponente.
Koristi se sa tCatch komponentom u svrhu
logovanja.
tLogRow
Prikazuje podataka ili rezultat u Run konzolu.
tStatCatcher
Beleži podatke o pokretanju i okončanju izvršenja
Job komponente, kao i o vremenu ovih dogadjaja.
tAggregateRow
tAggregateRow agregira ulazne podatke na
osnovu definisanih kolona (agregacionog ključa).
Izlaz iz ove komponente je definisani ključ i
rezultat agregatnih operacija (min, max, sum...).
Ekvivalentan je SQL operaciji GROUP BY.
tConvertType
tConvertType omogućava specifične konverzije u
toku izvršavanja procesa iz jednog Talend
java tipa podataka u drugi.
tFilterColumns
Pomaže izmenu šeme ili izmenom redoleda kolona
ili uklanjanjem neželjenih kolona, a dodavanjem
novih.
tFilterRow filtrira ulazne podatke definisanjem
uslova na željenim kolonama.
tMap transformiše i usmerava podatke iz jednog
74
ili više izvora u jedanu ili više ciljnih komponenti.
tPivotToRows omogućava da se ulazni set kolona
transformiše u redove na izlazu.
Tabela 3 Komponente Talend Open Studio alata
Uobičajen način da se obradi više izvora podataka (tabela, datoteka itd.) i uz transformacije
usmeri ka drugim operacijama obrade jeste korišćennja tMap komponente. tMap izvršava
sledeće tipove operacija:

Transformacija podataka bilo kog tipa,

Spajanje i zamena polja,

Filtriranje podataka pomoću ograničenja,

Eliminacija podataka,

Multipleksiranje i demultipleksiranje podataka.
Da bi se obezbedio tok podataka u okviru joba ili izmedju jobova neophodno je definisati
veze. Svaka veza izmedju komponenti je detaljnije specificirana tipom trigera za izvršavaje.
Trigeri konekcija spadaju u jednu od dve kategorije:

Subjob trigeri: On Subjob Ok, On Subjob Error i Run if,

Trigeri komponenti: On Component Ok, On Component Error i Run if.
Navedene veze se koriste da bi se upravljalo izvršenjem ili da bi se lako pratile i detektovale
potencijalne greške.
U toku izvršavanja procesa važno je pratiti performanse. Talend Open Studio omogućava
praćenje statistika performansi izvršavanja ETL procesa. Pored toga postoji i opcija praćenja
podataka prilikom izvršavanja joba. Time se prikazuje red po red na nivou svake komponente.
6.4.3. Sistem za upravljanje performansama poslovanja – IBM Cognos BI
Sistem mesečnog izveštavanja koji duži period funkcioniše u NSZ zasnovan je na primeni
IBM Cognos BI alata. S obzirom na postojeću praksu, znanja i veštine zaposlenih, kao i
dokazane mogućnosti ovog naprednog softvera koje ga godinama čine liderom i inovatorom u
svojoj oblasti, projektni tim se opredelio za dalje unapredjenje njegove primene, uz izmenjenu
strukturu izvora podataka u smislu korišćenja skladišta podataka, početka korišćenja
75
naprednih OLAP struktura i Cognos connection portala kao jedinstvene ulazne tačke koja
omogućava širok pogled na podatke institucije.
IBM Cognos BI platforma je zajednička osnova za pristup podacima, upravljanje sistemom i
isporuku informacija koja obuhvata IBM Cognos Business Intelligence sistem kao i druge
IBM Cognos proizvode za upravljanje rezultatima poslovanja. IMB Cognos 8 platforma
obezbedjuje [8]:

Kompletan i konzistentat pristup podacima,

Upravljanje sistemom koje omogućava IT stručnjacima pouzdan razvoj,
upravljanje i prilagodjavanje potrebama poslovanja,

Modernu servisno orjentisanu arhitekturu koja se jednostavno prilagodjava
promenama i koja je zasnovana na otvorenim standardima koji podržavaju dugoročni
rast i razvoj.
IBM Cognos CPM sistem sadrži različite alate za merenje i nadgledanje, izveštavanje i
analizu, planiranje, budžetiranje i predvidjanje. Korišćenje ovih alata pruža mogućnost
korisnicima da daju odgovore na sva tri ključna pitanja u procesu donošenja odluka. Na
pitanje – „Kako radimo?“ odgovor pružaju Matric Management i Dashboarding alati. „Zbog
čega radimo?“ – se može utvrditi korišćenjem Query i Reporting, Analysis i Event
Management alata, dok se za planiranje koristi Cognos Planning aplikacija.
Svi alati IMB Cognos CPM sistema podržavaju otvoreni pristip najrazličitijim izvorima
podataka. Sve navedene CPM analize mogu se obavljati na relacijskim i dimenzionalnim
podacima, takodje obezbedjen je pristup različitim tipovima datoteka, kao i medjusobno
deljenje specifičnih podataka medju aplikacijama.
Na Slici 22 prikazani su različiti tipovi podataka koje IMB Cognos CPM može da koristi:
76
Slika 22 Osvrt na otvoreni pristup podacima
IBM Cognos BI je kompletno Enterprise business intelligence software rešenje s integrisanim
mogućnostima izveštavanja, analize, scorecarding-a i upravljanja događajima.

Metric Studio pomaže pri upravljanju rezulatima organizacije tako da nadgleda i
analizira pokazatelje na svim nivoima.

Query Studio daje brzi odgovor na usmereno pitanje.

Kroz Analysis Studio izvode se analize i poredjenja podataka (od jednostavnih do
složenih) u svrhu otkrivanja trendova, rizika i mogućnosti.

Report Studio izgrađuje složene izvještaje, uz mogućnosti višestranih prikaza, te
izveštaje koji se baziraju na višestrukim izvorima podataka.

Event Studio obaveštava korisnike o ključnim događajima ili događajima vezanim
uz rezultate koji mogu uticati na njihovo poslovanje.
6.4.3.1. Cognos Connection
Cognos Connection je Web portal posredstvom koga korisnici pristupaju Cognos izveštajima,
analizama, metrikama, kao i različitim alatima. U zavisnosti od uloge koja je dodeljena
korisniku, on može koristiti portal da pokreće, objavljuje, kreira, upravlja i organizuje
sadržaje kao što su izveštaji, agenti i sl. Administrator ima dozvolu da kreira role i definiše
prava pristupa. Izgled Cognos Web portala prikazan je na Slici 23.
77
Slika 23 Cognos Connection
Posredstvom Cognos Connection portala takodje se pristupa standardnim alatima za
upravljanje sadržajima (toolbar).
Toolbar ikona
Opis
List View – prikaz izveštaja i paketa u vidu
liste
Details View – detaljni prikaz izveštaja i
paketa
New Folder – kreiranje novog foldera
(fascikle)
New Job – kreiranje posla za automatizaciju
pokretanja jednog ili više izveštaja
New URL – dodavanja linka
New Page – kreiranje nove strane portala
Cut – isecanje sadržaja
Copy – kopiranje sadržaja
Paste – nalepljivanje kopiranog ili isečenog
sadržaja
Delete - brisanje
Set Properties – podešavanje svojstava
78
Piblic folder-a (prava pristupa, jezika...)
Order – redosled prikaza sadržaja na portalu
Tabela 4 Cognos connection - opis ikona linije sa alatima (toolbar)
Korisnici mogu prilagoditi portal sopstvenim preferencijama menjajući jezik i druge
regionalne postavke, zatim standardni format u kome se generišu izveštaji (PDF, HTML,
Excel) i dr.
Opcije za prilagodjavanje prilagodjavanje portala su prikazane na sledećoj slici i to su:

Number Of Entries In List View – broj objekata koji se prikazuje na jednoj strani
portala,

Report Format – standardni format pokretanja izveštaja (PDF, Excel, HTML,
CSV, XML),

Separators In List View – način razdvajanja objekata na strani portala,

Automatic Refresh Rate In Seconds – učestalost osvežavanja sadržaja portala,

Style – stil prikaza portala,

Show the welcome page at startup – prikaz strane dobrodošlice,

Show a summary of the run options – prikaz izabranih opcija prilikom pokretanja
izveštaja,

Default View – izgled u formi liste ili detalja,

Product / Content Language – jezik portala i jezik podataka,

Time Zone – podešavanja vremenske zone.
79
Slika 24 Prilagodjavanje portala
Cognos Connection predstavlja polaznu tačku za pristup različitim studijima IBM Cognos BI
sistema. Konkretno, to su sledaćih pet studija:

Metric Studio pomaže pri upravljanju performansama organizacije tako da
nadgleda i analizira pokazatelje na svim nivoima.

Query Studio daje brzi odgovor na usmereno pitanje. U pitanju je alat jednostavan
za korišćenje pomoću koga se brzo kreiraju jednostavni upiti bez potrebe za
poznavanjem naprednih tehnika kreiranja izveštaja.

Kroz Analysis Studio izvode se analize i predjenja podataka (od jednostavnih do
složenih) u svrhu otkrivanja trendova, rizika i mogućnosti. Najveće benefite prilikom
korišćenja Anylisis Studija korisnici imaju ukoliko rade sa multidimenzionalnim
podacima.

Report Studio izgrađuje složene izveštaje, uz mogućnosti multi-page prikaza, te
izveštaje koji se baziraju na višestrukim izvorima podataka.

Event Studio obaveštava korisnike o ključnim događajima ili događajima vezanim
za performanse koji mogu uticati na njihovo poslovanje. Obaveštenja mogu biti u vidu
poslatog e-maila, obaveštenja na portalu ili iniciranju pokretanja izveštaja.
80
6.4.3.2. Framework Manager
Da bi se kreirao bilo koji sadržaj koji prikazuje analizu podataka organizacije, izveštaj u
Report i Query studiju, analiza u Analysis studiju i sl, neophodno je napraviti model
metapodataka. Model metapodataka predstavlja poslovni prikaz informacija iz jednog ili više
izvora podataka. BI korisnici koriste taj model za analizu i izveštavanje na temelju svojih
izvora podataka. Framework Manager osigurava okolinu za razvoj modela metapodataka za
IBM Cognos BI.
Modeli koji se kreiraju mogu biti relacijski koji se uglavnom koriste za izveštavanje ili
dimenzijsko modelirani relacijski (DMR) za OLAP analizu i izveštavanje.
Prilikom kreiranja modela metapodataka prvi korak jeste kreiranje projekta u okviru koga će
se primeniti sve neophodne tehnike modeliranja. Krajnjim korisnicima se za korišćenje
objavljuju paketi, koji predstavljaju deo modela koji je njima namenjen. Više paketa može biti
kreirano iz jednog modela
Osnovni koraci koje treba primeniti prilikom kreiranja modela su [8]:

Kreiranje konekcije ka izvoru podataka

Kreiranje predmeta upita (query subject)

Podešavanje svojstava stavki upita (query items)

Definisanje relacija izmedju predmeta upita

Kreiranje poslovnog prikaza modela (business view)

Kreiranje paketa za korisnike studija

Objavljivanje paketa.
Prilikom kreiranja konekcije ka izvoru podataka korisnik ima mogućnost da izabere
odgovarajući tip izvora podataka u zavisnosti od sopstvenih potreba. Slika 25 prikazuje sve
raspoložive tipove izvora podataka sa kojima se može raditi pomoću IBM Cognos BI sistema.
Prilikom razvoja NSZ modela kreirane su konekcije ka skladištu podataka implementiranom
na DB2 sistemu za upravljanje bazom podataka, kao i konekcije koje omogućavaju analizu
podataka u Cognos PowerCubes OLAP kockama.
81
Slika 25 Tipovi izvora podataka
Predmet upita (query subject) se može kreirati na osnovu već postojećih predmeta upita, na
osnovu jedne ili više tabela iz izvora podataka ili na osnovu uskladištene procedure. Takodje,
ukoliko su potrebni odredjeni podaci kojih u izvornoj tabeli nema, mogu se kreirati
kalkulacije, koje na osnovu postojećih podataka preračunavaju potrebne. Stavka upita (query
item) je analogana koloni tabele, a može predstavljati i neku od kreiranih kalkulacija. Za svaki
stavku upita se definišu svojstva – da li predstavlja atribut, fakt vrednost ili identifikator, o
kom se tipu podataka radi, da li je njegova vrednost skrivena ili ne, kao i podrazumevani
način agregiranja (suma, prosek, prebrojavanje (count), varijansa, itd.). Medju kreiranim
predmetima upita se difinišu veze. Veza određuje na koji način su podaci iz jedne tabele
povezani s podacima iz druge tabele. Osoba koja kreira model eksplicitno deklariše te veze.
Kroz deklarisanje veza odražava se stvarnost poslovanja. Tip veze izmedju predmeta upita
odredjen je kardinalnošću. Min..max konvencija univerzalnog jezika za modeliranje
(Universal Modeling Language - UML) definiše kardinalnost kao što je niže navedeno:

0..n - nula slučaja na više slučaja,

1..n - jedan slučaj na više slučaja,

0..1 - nula slučaja na jedan slučaj,

1..1 - mora postojati jedan slučaj.
82
Slika 26 Svojstva stavke upita
Prilikom kreiranja modela različiti objekti (predmeti upita, folderi) mogu se medjusobno
razdvojiti kreiranjem prostora imenovanja (namespace). Praksa je da se originalni objekti koji
se modeliraju smeste u tzv. Import View namespace, a da se na osnovu njih kreira jedan ili
više prostora imanovanja koji su organizovani na način koji je najbliži logici poslovnih
korisnika. Taj prostor imenovanja se najčešće naziva Business View. Business view po pravilu
najbolje prakse sadrži prečice (shortcut) do predmeta upita koje će koristiti krajnji korisnici.
Nakon kreiranog poslovnog pogleda na model podataka, kreira se jedan ili više paketa koji
sadrže odabrane komponente modela. Sa paketima BI korisnici rade prilikom kreiranja
izveštaja, analiza, agenata i dr. Poslednji korak u procesu izrade modela metapodataka jeste
objavljivanje paketa na Web portal.
6.4.3.3. Query Studio
Query Studio je interfejs za kreiranje jednostavnih upita. Nemenjen je prvenstveno
korisnicima koji dobro poznaju poslovanje, ali ne i da kreiraju složene izveštaje. Pomoću
ovog alata korisnici dolaze do podataka iz izvora podataka i formatiraju ih na adekvatan
način. Izveštaj kreiran pomoću ovo alata se može podeliti sa licenciranim Cognos korisnicima
koji imaju pristup Cognos Connection portalu.
83
Query Studio može da pristupa kako relacionim tako i dimenzionalnim izvorima podataka.
Ikone koje prikazuju podatke prilikom rada se u ova dva slučaja razlikuju, a mogućnost za
drill-down i drill-up analizu podataka postoji samo ukoliko se radi sa dimenzionalnim
podacima.
Alatu se pristupa posredstvom portala, kao i svim drugima studijima. Sve što je potrebno da
bi se pokrenuo nalazi se na jednoj strani, tako da nema potrebe za korišćenjem više strana ili
tabova.
Slika 27 Pristup BI alatima
Pomoću Query Studio alata mogu se kreirati izveštaji različitih formata. Podaci se na izveštaju
mogu prikazati u vidu liste (podrazumevani prikaz), crosstaba (dobija se transformacijom
liste pomoću klika na crosstab dugme) ili u vidu grafika. Grafički prikaz pomaže da se podaci
vizuelizuju. Na raspolaganju su grafici u vidu linije, pite, radara i bar dijagrami. Query Studio
sadrži i dodatne opcije lake za upotrebu pomoću kojih se podaci mogu filtrirati, sortirati,
formatirati, grupisati i dodavati kalkulacije. Takodje se može menjati redosled kolona u
upitima. Upit koji se kreira može vraćati više podataka nego što je zapravo potrebno. Ukoliko
nije potrebno prikazati sve podatke, koriste se filteri. Pomoću filtera zadaju se kriterijumi koje
podaci treba da zadovolje da bi bili prikazani u izveštaju. Mogu se kreirati sopstveni filteri ili
koristiti predefinisani. Podaci se mogu i grupisati, što je korsno ukoliko upit vraća vrednosti
koje se ponavljaju iz reda u red. Grupisanjem se takodje dodaju sumarne vrednosti po stavci
na osnovu koje je grupisanje uradjeno. Nakon završetka rada izveštaj se može sačuvati i
pokretati naknadno sa Web portala. Svako pokretanje izveštaja podrazumeva istovremeni
84
zahvat podataka iz izvora podataka. Radno okruženje alata za kreiranje jednostavnih ad-hoc
izveštaja prikazano je na sledećoj slici:
Slika 28 Query Studio radno okruženje
6.4.3.4. Report studio
Report Studio je Web bazirana aplikacija koja omogućava kreiranje jednostavnih i složenih
izveštaja koji pomažu donosiocima odluka u bržem i efikasnijem donošenju odluka. Report
Studio donosi korisnicima fleksibilnost neophodnu za kreiranje lista, crosstabova, grafika i
dashboarda. Izveštaji pomoću studija mogu biti grupisani, sortirani i formatirani na više
načina kako bi zadovoljili potrebe poslovanja. Izveštaji mogu biti pokrenuti u standardnim
formatima u poslovanju – HTML, PDF, Excel.
Pristupa mu se preko Cognos Connectiona. Prilikom pokretanja Report Studija korisniku je
ponudjena mogućnost izbora izgleda izveštaja (što ne znači da se ove komponente ne mogu
kasnije dodavati i kobinovati). Ponudjene opcije su (Slika 29):

Blank – Kreira prazan template. Ukoliko nijedan od predefinisanih izveštaja nije
odgovarajući koristi se ovaj koji ne sadrži nijedan objekat.

List – Prikaz detaljnih izveštaja u vidu tabele.

Crosstab –Prikazuje sumarne informacije kao presek kolone i reda.
85

Chart – Grafički prikazuje podatke. Dostupne su varijante grafika: Column, Bar,
Progressive, Pareto, Line, Pie, Donut, Area, Combination, Scatter, Bubble, Point,
Radar, Polar, Goauge i Metrics Range.

Map – Podaci se prikazuju u geografskom značenju.

Financial – Podaci se prikazuju u finansijkom formatu.

Repeater Table – Ponavljaju se blokovi podataka u izveštaju. Pogodan za mailing
liste.

Report Template - za potrebe kreiranja izveštaja u Nacionalnoj službi za
zapošljavanje kreiran je šablon izveštaja kako bi se obezbedila uniformnost i
standardizacija ovog procesa.
Slika 29 Opcije prilikom kreiranja novog izveštaja
Radna površina ima tri različita režima rada. U Page Explorer režimu ubacuju se stavke upita
i različiti objekti kako bi se kreirao izgled izveštaja. U Query Explorer režimu rada može se
manipulisati upitima, stavkama upita i filterima. Kada je izabran Condition Explorer režim
rada mogu se menjati varijable i njihove vrednosti.
Neke od standardnih opcija koje se koriste prilikom kreiranja izveštaja su:
Opcije kreiranja
izveštaja
Opis
Koristi se za pokretanje izveštaja
Otključava i zaključava objekte izveštaja
Otvara dijalog za kreiranje filtera
Koristi se za sortiranje
Izlistava funkcije za sumiranje koje se mogu
primeniti na izveštaju
86
Koristi se za grupisanje podataka
Koristi se za kreiranje sekcija u izveštaju sa
stavkama upita koje se pojavljuju kao
zaglavlje sekcije
Služi za kreiranje zaglavlja i podnožja
strane
Koristi se za kreiranje promtne strane
Koristi se za promenu veličine slova
Menja boju izabranog teksta
Menja boju pozadine
Koristi se za promenu boje linija tabela
Koristi se za promenu stila linija tabela
Dodaje granice izabranom objektu
Služi za formatiranje podataka
Koristi se za formatiranje objekata zavisno
od odredjenih uslova
Slika 30 Standardne opcije prilikom kreiranja izveštaja
6.4.3.5. Analysis Studio
Analiza je sofisticiran proces za korisnike koji žele opsežnu analizu podataka. Analitiačar
najpre posmatra podatke kako bi se uverio da je sve u skladu sa očekivanjima. Medjutim,
ukoliko nije tako potrebno je detaljno proći kroz podatke kako bi se otkrio uzrok. Analiys
Studio predstavlja alat koji pomaže upravo kod ovakvih korisničkih zahteva. On omogućava
kretanje kroz prikaz podataka, primenu različitih filtera, prikaz najboljih ili najlošijih
pokazatelja, ubacivanje grafika i primenu šablona [8].
Pristupa mu se preko Cognos Connectiona i otvara se u posebnom prozoru Web pretraživača.
U Analisys Studio alatu analiza se kreira tako što se podacu ubacuju u crosstab. Može se raditi
sa kompletnim dimenzijama ili njenim pojedinim članovima.
Osnovna cilj koja se želi postići analizom je „kretanje“ kroz podatke. Ovo je omogućeno
drill-up i drill-down opcijama. Kada se bira drill-down opcija (propadanje), vide se deca
izabranog roditelja. Dete je detaljnija informacija koja se nalazi na nižem nivou u hijerarhiji
dimenzionalnih podataka. Na primer, ukoliko imamo dimeziju Geografski podaci na najvišem
nivou se nalazi nivo Država koji sadrži sve države koje su u sastavu neke kompanije. Ukoliko
87
u analizi kliknemo na link Srbija videćemo sledeći nivo – oblasti/regije. Ovaj nivo sadrži sve
oblasti/regije u kojima posluje organizacije. Klikom na neku od prikazanih oblasti/regija
spuštamo se na još niži nivo detaljnosti – gradove.
Kada se bira drill-up opcija vide se manje detaljne informacije tj. roditelj podatka koji se
trenutno posmatra. Dakle, smer je suprotan od prethodno opisanog, podaci se prikazuju od
gradova preko regija do država.
Jednom kada se kreira analiza pomoću Analysis Studio alata može se sačuvati. Podešavanja
prava korisnika odredjuju gde analiza može biti sačuvana i ko joj može pristupiti
6.4.3.6. Event Studio
Mnogim organizacijama neophodna su ažurna obaveštenja o promenama podataka kako bi se
adekvatno donosile odluke. Ovim organizacijama značajno je da se informacije dostavljaju
brzo kako bi donešene odluke delovale podsticajno na poslovanje. IBM Cognos BI
obaveštenja o dogadjajima se šalju na osnovu poslovnih pravila koje definišu korisnici.
Event Studio omogućava kreiranje agenata koji identifikuju kritične informacije u kompaniji i
brzo ih dostavljaju poslovnim korisnicima. Koristan je širokom krugu korisnika. Odredjeni
dogadjaj se inicira kada se pojavi specifična aktivnost ili kada se ispune predefinisani uslovi.
IT korisnik kreira uslov dogadjaja ili odredjenu promenu u podacima i kada je agent
detektuje, Event Studio inicira skup poslova koje je neophodno izvršiti kao što su slanje
email-a, postavljanje informacije na portal i sl.
Dogadjaji se sastoje od instanci dogadjaja (event instance), liste dogadjaja (event list), ključa
dogadjaja (event key) i pravila izvršavanja (task execution rules) [6]. Instanca dogadjaja je red
podataka koji zadovoljava uslov dogadjaja. Lista dogadjaja pokazuje dogadjaje koji se
obradjuju jednim agentom i mogu imati sledeće statuse:

Novi - dogadjaj se pojavio prvi put

Već se dogodio, ali je promenjen (Ongoing But Changed)

Već se pojavljivao i rezultati su nepromenjeni (Ongoing And Unchanged)

Zatvoren (Closed).
88
Ključ dogadjaja je jedinstvena kombinacija polja iz izvora podataka koji identifikuje dogadjaj
i koristi se za odredjenje statusa izveštaja. Pravila izvršavanja odredjuju status za koji će
dogadja inicirati izabranu aktivnost.
6.4.3.7. Transformer
PowerPlay Transformer je MOLAP alat koji se koristi za kreiranje multidimenzionalnih
struktura, odnosno kocki. PowerPlay Transformer je Cognos komponenta namenjena
definisanju OLAP modela i generisanju kocaka za multidemenzionalnu analizu koje se
nazivaju PowerCubes. PowerCube sadrži kalkulisane i sumirane podatke organizovane u
dimenzije i mere. Podaci koji se generišu posredstvom ovog alata mogu se čitati i analizirati
pomoću sledećih klijentskih aplikacija - PowerPlay Web Explorer, PowerPlay client for
Windows, PowerPlay for Excel ili preko IBM Cognos BI studija. Dakle, PowerCube jeste
struktura koja sadrži multidmenzionalne podatke i pri tome obezbedjuje:
 Bezbedan pristup podacima,
 Brz pristup i analizu podataka.
Cognos kocka se skladišti na sistemu u vidu datoteke sa ekstenzijom .mdc. Može se kopirati
kao svaka druga dataoteka izmedju različitih sistema, njen sadržaj se može analizirati
jednostavnim podešavanjem konekcije na nekom od navedenih klijentskih alata.
Proces kreiranja PowerCube kocke započinje kreiranjem modela. Da bi proces modeliranja
dao željene rezultate, preporuljivo je najpre napraviti analizu i plan modela. Plan modela
koristimo kako bi napravili kratak pregled dizajna i potrebnih podataka. Ovako definisan plan:
 Pomaže da se identifikuju svi traženi podaci, tj. da se definišu dimenzije i mere koje će
biti obuhvaćene,
 Pomaže da se procene neophodni koraci u modeliranju,
 Daje predlog modela,
 Služi kao smernica u izradi modela.
PowerPlay Transformer okruženje za definisanje OLAP modela je prikazano na Slici 31.
Sastoji se četiri ključna segmenta i to su:
89
 Mapa dimenzija (Dimension Map) koji se koristi za definisanje dimenzija kocke i
njihove hijerarhijske strukture,
 Lista izvora podatka (Data sources) se koristiza podešavanje konekcija ka izvorima
podataka.
 Lista mera (Measures) je sekcija specijalizovana za definisanje mera i podešavanje
njihovih specifičnih parametara.
 Lista kocaka (PowerCubes) namenjena kreiranju same kocke spremne za dalju analizu.
Slika 31 PowerPlay Transformer
Definisani model se u sistemu datoteka čuva u .pyi formatu. Vezu izmedju modela i
PowerCube kocke detaljno prikazuje sledeća slika:
Slika 32 OLAP model i kocka
PowerCube kocke se mogu distriburati posredstvom mreže ili se čuvati na lokalnim
računarima. PowerCube je zapravo izgenerisan binarni Transformer model spreman za
90
analizu. Trebalo bi imati u vidu da su kocke statičke strukture u smislu osvežavanja podataka,
te da se proces njihovog kreiranja periodično ponavlja u zavisnosti od karaktera podataka koji
je u kocki sadržan (svakodnevno, nedeljno, mesečno itd.). Prilikom rekreiranja kocke podaci
se čitaju iz definisanih izvora.
Izvor podataka kocke mogu biti produkcioni podaci, data warehouse tabele ili izvori kreirani
za specifične potrebe. Oni snabdevaju Transformer svim ili delom podataka definisim
modelom. Transformer radi sa podacima iz jednog ili više izvora podataka pri čemu može
koristi izvore podataka u više formata.
Specifičnost PowerPlay Transformer alata za kreiranje OLAP kocaka jeste automatizacija
kreiranja vremenske dimenzije. Vremenska dimenzija se kreira na osnovu kolone izvora
podataka za koju je specificirano da sadrži podatke datumskog tipa. Omogućava korisnicima
izveštaja da posmatraju podatke u različitim vremeskim periodima. Posebno je korisno za
nalazu postojanje relativnih vremensih kategorija. Relativne vremenske kategorije su
specijalne kategorije koje omogućavaju analizu trendova.
Mera predstavlja podatak koji se koristi za praćenje performansi poslovanja. U Transformeru
postoje dva tipa mera:
 Regularne mere - preuzimaju podatke direktno iz kolona izvora podataka.
 Kalkulativne mere - izvode iz postojećih mera i koje nemaju direktnu izvornu kolonu.
Na osnovu jednog Transformer modela može se kreirati veći broj kocaka. Kocke možemo
prilagoditi specifičnim zahtevima korisnika isključujući ili uključujući specifične dimenzije i
mere, prilagodjavanjem dimenzija uz pomoć tehnike kreiranja dimension view-a ili
kreiranjem grupa kocaka kako bi obezbedili manje i efikasnije kocke.
91
6.5.
Arhitektura sistema poslovne inteligencije NSZ
Nakon procesa planiranja projekta, analize poslovnog procesa i specifikacije zahteva
korisnika, isporuke fizičkog i logičkog modela skladišta podataka i izbora tehnologije, sledi
faza implementacije.
Najopštije posmatrano sistem poslovne inteligencije implementiran u Nacionalnoj službi za
zapošljavanje ima arhitekturu prikazanu na Slici 32.
Slika 33 Arhitektura sistema poslovne inteligencije NSZ
Kao što slika pokazuje izvor podataka predstavlja Jedinstveni informacioni sistem – JIS koji
je transakcioni sitem koji prati kompletan proces rada u Nacionalnoj službi za zapošljavanje.
Iz definisanog izvora podataka podaci se svake noći prebacuju u stage oblast skladišta
podataka. Jedno izvršenje ETL procesa označava se u skladištu podataka kao jedna
populacija. Svaka populacija, odnosno jedno izvršenje procesa ima svoj jedinstveni
identifikator. Identifikacija podataka koje je potrebno prebaciti zasnovana je na Change data
caputure (CDC) metodi koja se oslanja na datumske kolone u samom izvoru podataka (datum
unosa ili datum izmene podatka).
Za ekstrakciju podataka, njihovu transformaciju i učitavanje u prezentacijski sloj skladišta
podataka kreiran je veći broj jobova pomoću Talend Open Studio alata. Svi oni su
medjusobno sinhronizovani u jedinstveni ETL job mehanizmom podredjenih i nadredjenih
komponenti. Primer medjusobnog povezivanja jobova prikazan je na Slici 33.
92
Slika 34 Povezivanje ETL procesa
Da bi se podaci učitali u skladište podataka, neophodno je izvršiti veliki broj transformacija,
uključujući čišćenje podataka, definisanje medjusobnih veza, praćenje istorije promena, kako
na nivou dimenzija, tako i medjusobnih relacija medju dimenzija, preračun adekvatnih mera
itd. Na sledećoj slici prikazano je na koji način se SQL pitom definiše ulazni tok podataka u
okviru jednog koraka obrade, dok Slika 36 prikazuje definisanje parametra SCD komponente
uz korišćenje tipa 1 za praćenje promena.
93
Slika 35 Parametri tDB2Input komponente
Slika 36 SCD Tip 1
94
Nakon završetka procesa učitavanja podataka, započinje kreiranje kocaka pomoću PowerPlay
Transformer alata. To je iterativan proces koji se svakodnevno izvršava kako bi se kocke
osvežile novoučitanim podacima. Dakle, izvor podataka za Cognos PowerCubes jeste
skladište podataka. Modeli OLAP kocaka su dizajnirani u skladu sa zahtevima za izveštavanje
poslovnih korisnika. Dimenzije su organizovane u hijerarhije kako bi se obezbedio pogled na
podatke u različitom stepenu detaljnosti, u zavisnosti od potreba pojediih korisnika. U
najvećem broju slučajeva obezbedjen je pogled na podatke na dnevnom nivou što je bio jedan
od ključnih zahteva. Integrisane su mere u skladu sa definicijama utvrdjenim u toku analize
poslovnog procesa. Kreirano je više OLAP modela kako bi se grupisali podaci specifični za
pojedine poslovne procese.
Kreiranjem MOLAP struktura podataka korisnicima je pružena mogućnost pretraživanja i
dinamičke analize podataka u kontekstu mera i dimenzija. OLAP analize predstavljaju bitnu
dopunu standardinim izveštajima koji označavaju predefinisan pristup podacima okruženja
poslovne inteligencije. Standardni izveštaji su kreirani pomoću Cognos Report Studio alata u
formatu koji su definisali korisnici kako bi im se obezbedio pogled na poslovne informacije.
Iako je njihova struktura statična, podrazumeva se i odredjeni nivo interakcije u smislu
mogućnosti unosa parametara filtriranja, drill-down analize do predvidjenog stepena
detaljnosti, kao i postojanje veza izmedju samih izveštaja.
U okviru definisanog opsega projekta te utvrdjenih mera koje je potrebno pratiti, kao i
dimenzija prema kojima se fact vrednosti analiziraju kreiran je skup standardnih izveštaja
pomoću Cognos BI alata. Npr, na osnovu definisanog zahteva korisnika za analizom broja
nezaposlenih lica i zapošljavanja prema stepenu stručne spreme i polu, kreiran je izveštaj
„Nezapsolenost i zapošljavanje prema stepenu stručne spreme i polu“ koji je prikazan na Slici
37, dok su podaci na izveštaju prikazanom na Slici 38 prezentovani u formatu grafika.
95
Slika 37 Primer Cognos izveštaja u formatu tabele
Slika 38 Primer izveštaja u vidu grafika
Za ključne korisnike kreirane su dashboard strane gde su ključni indikatori prikazani u
formatu koji je jednostavan za čitanje, interpretaciju i navigaciju. Dashboard za svakog
korisnika obezbedjuje personalizovani pogled na ključne parametre u njegovoj interesnoj
oblasti. Dashboard strane su izrazito vizualizovane uz pomoć grafova i dijagramima
različitog formata i daju pogled koji je pogodan za praćenje trendova, identifikaciju
odstupanja koja bi se mogle pretvoriti u značajane poslovne probleme, te pružaju polaznu
tačku za dublju analizu uzroka.
6.6.
Evaluacija projekta
Projekat implementacije sistema poslovne inteligencije u NSZ od početka do krajnje
implementacije vođen je u skladu sa planom projekta, postavljenim ciljevima i vremenskim
rokovima, bez kašnjenja u isporuci osnovnih proizvoda projekta. Kvalitetna i pouzdana
96
implementacija u međufazama je dovodila do vrlo tačnih međurešenja, te su faze testiranja
završavane u kratkim rokovima, sa dosta malim brojem situacija koje su zahtevale otklanjanje
grešaka u implementaciji.
Konačna potvrda ostvarenja ciljeva implementacije sistema poslovne inteligencije postignuta
je već nakon 3 meseca rada NSZ sa novim poslovnim sistemom. Konačna potvrda se ogledala
u:
 Dnevnim izveštajima po identifikovanim poslovnim područjima,
 OLAP analizama,
 Just in time odgovorima na zahteve poslodavaca,
 Izveštajima o efikasnosti organizacionih jedinica vezanih za trendove broja
nezaposlenih lica prema različitim vremsnkim kriterijumima,
 Izveštajima o efikasnosti sprovedenih mera aktivne politike zapošljavanja kroz sve
nivoe organizacione hijerarhije NSZ dostupnim prema različitim vremsnkim
kriterijumima,
 Unapređenim znanjima zaposlenih u Službi informacionih tehnologija vezanim za
korišćenje i razvoj sistema poslovne inteligencije,
 Razvoju ad hoc izveštaja prema zahtevu korisnika korišćenjem internog znanja,
 Vremenu potrebnom za generisanje izveštaja koje je svedeno na minimum.
Projekat implementacije sistema poslovne inteligencije u NSZ je pored tehnički definisanih
zahteva kreirao napredan model za naknadnu implementaciju kvalitetnih softverskih rešenja.
Projekat je podrazumevao izradu procedura vezanih za procese rada u skladu sa
implementiranim poslovnim rešenjem, što je dovelo do optimizacije procesa rada i
konstruktivnijeg doprinosa svakog pojedinca rezultatu organizacije. Po prvi put u radu NSZ
uveden je sistem rada sa OLAP kockama i samim tim specifičnom perspektivom analize
podataka koju ova tehnologija omogućava. Kompletan ETL proces od čitanja podataka sa
izvornog sistema do učitavanja u ciljne DWH tabele ostvaruje se u vremenskom periodu od
2h. Posebnu prednost implementiranog rešenja predstavljaju dashboard stranice kreirane u
skladu sa poslovnim zahtevima višeg nivoa menadžmenta sa grafičkim prikazom ostvarenja
ključnih indikatora uspešnosti organizacije u poslovnoj godini.
97
Pored unapređenog znanja internih stručnjaka iz oblasti informacionih tehnologija, projekat
podrazumeva kontinuiranu podršku od strane implementatora, kako vezano za tehnička
pitanja, tako i vezano za dodatnu obuku i usavršavanje internog kadra NSZ zaduženog za
informacione tehnologije, a po pitanju implementiranog sistema poslovne inteligencije.
Značajan deo procesa evaluacije predstavlja činjenica da je obostranom ocenom,
implementatora i klijenta, prema standardima ocene uspešnosti u implementaciji projekata i
jedne i druge strane učesnice u projektu, projekat implementacije sistema poslovne
inteligencije u NSZ ocenjen kao uspešan.
S obzirom na to da niti jedno rešenje poslovne inteligencije nije univerzalno i da svako
zahteva
prilagođavanje
specifičnostima
poslovnog
sistema,
evaluacijom
projekta
implementacije sistema poslovne inteligencije u NSZ i analizom osnovnih proizvoda projekta,
dolazi se do zaključka da je postignut visok stepen prilagođavanja i da implementirano rešenje
isporučuje upravo početne zahteve poslovnog korisnika. Paraleno sa isporukom potpuno
prilagođenog rešenja poslovne inteligencije, univerzalno pravilo jeste da implementirano
rešenje podrazumeva visok stepen fleksibilnosti u pogledu praćenja promena poslovnog
procesa i mogućnosti nadogradnje različitih softverskih rešenja, što je u potpusnosti
postignuto u NSZ.
98
7. Zaključak
Cilj sistema Poslovne inteligencije i Sistema za upravljanje rezultatima poslovanja od samog
nastanka je da se donosiocima odluka u okviru organizacija obezbedi pogled na podatke koji
donosi novu vrednost i osnovu za akcije. Razvoj ovih sistema menjao je način na koji se ovaj
cilj ostvaruje. Može se reći da je sadašnjost i bliska budućnost još jedan period transformacija
u četvrtu generaciju pristupa ovoj problematici [28]. Jedna od ključnih karakteristika BI 2.0
koja predstavlja četvrtu generaciju Poslovne inteligencije je progresija u broju podataka i
zaposlenih u organizacijama koji nastoje iz poplave podataka da brzo izvuku korisne
informacije. Sa razvojem organizacija veliki broj zaposlenih i velika količina podataka su
termini koji su menjali svoju definiciju u apsolutnim brojkama
Osnovni izazovi koji se postavljaju pred savremene PI i CPM sisteme jesu:
 Sve veća količina podataka u okviru koje eventualni problemi i šanse mogu ostati
sakriveni,
 Brzina komunikacije globalne ekonomije koja pruža mogućnost konkurentima da
kopiraju proizvode i inovacije sa nižim troškovima,
 Nedostatak poverenja u javne informacije,
 Brzina anlize podataka (poželjna tri klika za pronalaženje bilo koje informacije nisu
dovoljna ukoliko postoje hijerahije podataka sa milionima članova).
Nove generacije sistema nastoje da se suoče sa ovim izazovima i ponude adekvatna
tehnološka rešenja koja moraju biti propraćena odgovarajućim izmenama u pristupu
poslovanju ukoliko se žele postići odgovarajući rezultati odnosno, ukoliko se nastoji
upravljati rezultatima poslovanja tako da organizacija optimizuje svoje poslovne performanse.
Implementirani sistem poslovne inteligencije u Nacionalnoj službi za zapošljavanje
predstavlja savremeno rešenje koje u potpunosti ispunjava zahteve definisane najboljim
poslovnim praksama u ovoj oblasti. Postojećom arhitekturom obezbedjen je sistem koji pruža
mogućnost prilagođavanja dodatnim zahtevima poslovnog procesa i stalnim izmenama istog u
kontekstu neprekidnog procesa usavršavanja i izmena odgovarajućih regulativa. Na ovaj
99
način sistem izveštavanja i analize ide u korak sa savremenim trendovima u ovoj oblasti i i
spreman je da se suoči sa izazovima koje savremeni tokovi poslovanja nose.
8. Literatura
[1]
Skripta za predavanja iz predmeta elektronsko poslovanje, FON, Beograd, 2008. god.
[2]
Michael Coveney, Corporate Performance Management,
http://www.businessforum.com/Comshare01.html (last visited 15.01.2011)
[3]
Prof. dr Milija Suknović, Doc. Dr Boris Delibašić, materijali sa predavanja „Sistemi za
podršku odlučivanju“, FON, Beograd, 2008. god.
[4]
Prof. Dr Vesna Milićević, Internet ekonomija, FON, Beograd, 2002.god.
[5]
Ralph Kimball, Margy Ross, The Data Warehouse Toolkit - The Complete Guide to
Dimensional Modeling, Wiley Publishing, 2002. god.
[6]
W. H. Inmon, Building the Data Warehouse, Wiley Publishing, 2005. god.
[7]
Prof. dr. sc. Željko Panian, materijali sa predavanja “Poslovna inteligencija”,
Ekonomski fakultet, Zagreb, 2008. god.
[8]
Dan Volitich, IMB Cognos Busness Inteligence: Official Guide, The McGraw-Hill
Companies, 2008. god.
[9]
Prof. Dr Branislav Lazarević, Prof.dr Zoran Marjanović, dr Nenad Aničić, mr Sladjan
Babarogić, Baze podataka, FON, Beograd, 2004. god.
[10] Vincent Rainardi, Building a Data Warehouse: With Examples in SQL Server, Apress,
2008. god.
[11] Baverley Teylor, A Case Stady of Business Intelligence Applications for Business
Users, http://ebookbrowse.com/2005-taylor-dissertation-pdf-d12267688 , (last visited
03.02.2011)
[12] Zorayda
Ruth
Andam,
e-Commerce
and
http://www.apdip.net/publications/iespprimers/eprimer-ecom.pdf,
13.02.2011)
e-Business,
(last
visited
[13] IBM Software Group, Government analytics - White Paper, IBM Corporation, 2010,
http://www-01.ibm.com/software/analytics/government/, (last visited 20.01.2011)
[14] Višnja Ljubetić, Upravljanje znanjem primjenom alata poslovne inteligencije,
Ekonomski fakultet Zagreb, 2005. god.
[15] Panian Ž., Klepac G., "Poslovna inteligencija", Masmedia, Zagreb, 2003.
[16] Donald Feinberg, Mark A. Beyer, Magic Quadrant for Data Warehouse Database
Management Systems, Gartner, 2010. god.
100
[17] http://www.1keydata.com/datawarehousing/molap-rolap.html , (last visited 27.03.2011)
[18] http://www.spacetimeresearch.com/government-business-intelligence.html
[19] www.cognos.com, (last visited 20.03.2011)
[20] http://www.businessobjects.com/pdf/whitepapers/accenture_sci_wp.pdf,
15.02.2011)
(last
visited
[21] http://www.internetworldstats.com/stats.htm, (last visited 03.04.2011)
[22] Robert D. Atkinson, Stephen J. Ezell, Scott M. Andes, Daniel D. Castro i Richard
Bennett, „The Internet Economy 25 Years After .Com, Transforming Commerce &
Life“, 2010. god.
[23] Martin Jovanović, Poslovna komunikacija,
Elektronski fakultet u Nišu,
http://www.martinjovanovic.com/pk/PK_II_MJ_01.pdf , (last visited 03.02.2011)
[24] IBM International Technical Support Organization, DB2 UDB’s High-Function
Business Intelligence in e-business, IBM redbooks, 2002. god.
[25] http://www.information-management.com/issues/20020201/4608-1.html , (last visited
01.03.2011)
[26] http://download.oracle.com/docs/cd/B10500_01/server.920/a96520/concept.htm , (last
visited 01.03.2011)
[27] http://www.nsz.gov.rs/ , (last visited 01.03.2011)
[28] http://www.scribd.com/doc/3502114/A-Business-Intelligence-Framework-for-theFuture , (last visited 15.03.2011)
101
Download

Razvoj sistema poslovne inteligencije u