|
|
Metodika vývoje a nasazování Business Intelligence v malých a středních podnicích
Rydzi, Daniel ; Jandoš, Jaroslav (vedoucí práce) ; Vlček, Radim (oponent) ; Slánský, David (oponent)
Disertační práce pojednává o vývoji a nasazování Business Intelligence řešení v malých a středních podnicích (SME) v České republice. Práce je vyvrcholením dosavadní profesní snahy autora o sestavení metodického modelu vývoje těchto aplikací v malém a středním podniku s využitím vlastních sil a minimálních nákladů. Tuto práci lze rozdělit do pěti základních částí, které se dále dělí na kapitoly. První část, popisující v práci užité technologie, je rozdělena do dvou kapitol. První kapitola popisuje soudobý stav oblasti Business Intelligence a její součástí je i původní rozdělení jednotlivých úrovní tohoto konceptu. Druhá kapitola popisuje dvě techniky z oblasti dobývání znalostí z databází (KDD), které byly vybrány pro tvorbu řešení užitých v případových studiích. Druhá část popisuje oblast společenského života, ve které tato práce vznikala a pro kterou je učeno její využití, tedy oblast malých a středních podniků v ČR. Tato oblast je reprezentována jednou kapitolou, ve které jsou definovány vymezující rozdíly malých a středních podniků oproti ostatním, tedy velkým společnostem. Dále jsou zde vysvětleny autorovy pohnutky zaměření se na tuto oblast. Třetí samostatný celek představuje výsledky průzkumu, který byl uskutečněn mezi českými SME s podporou Katedry informačních technologií Fakulty informatiky a statistiky VŠE Praha. Cílem průzkumu bylo zmapovat připravenost českých SME na vývoj a nasazování aplikací typu BI, determinovat, jaké jsou nejčastější problémy SME, s jejichž podporou řešení by takové aplikace mohly pomoci a determinovat nejvýznamnější faktory omezující vyšší míru nasazení BI řešení mezi českými SME. Čtvrtá část práce je zároveň jejím jádrem. Ve dvou kapitolách jsou zde popsány existující metodiky implementace BI řešení včetně známé metodiky CRISP-DM a především původní Metodika vývoje a nasazování Business Intelligence řešení v malých a středních podnicích. Poslední, pátá část, se skládá z kapitoly o představení konkrétního podniku, ve kterém byl pro potřeby této práce prováděn výzkum vývoje a nasazování Business Intelligence řešení a z kapitol, které představují jednotlivé případové studie nasazování BI řešení v tomto podniku dle původní metodiky a které přinášejí důkaz o jejím ověření v praxi.
|
|
|
Využití principů business intelligence v dotazníkových šetřeních
Hanuš, Václav ; Maryška, Miloš (vedoucí práce) ; Novotný, Ota (oponent)
Tato práce je zaměřena na praktické použití nástrojů pro dolování dat a business intelligence. Mezi hlavní cíle patří zpracování zdrojových dat do vhodné podoby a zkušební nasazení vybraného nástroje na testovací úloze. Jako vstupní data posloužila databáze vzniklá zpracováním dotazníkových šetření, užitých pro ověření úrovně výuky IT a ekonomických předmětů napříč českými vysokými školami. Tyto data jsem následně upravil tak, aby je bylo možné zpracovat pomocí nástrojů pro dolování dat, které jsou obsaženy v balíku software Microsoft SQL Server 2008. Pro ověření možností jsem zvolil dvě úlohy. První úloha byla zaměřena na shlukování s využitím algoritmu Microsoft Clustering. Její náplní bylo roztřídění škol do shluků na základě jednotlivých atributů odpovídajících skupinám předmětů ohodnocených počty kreditů z nich získaných. Při řešení nastaly dva problémy. Bylo třeba snížit počet skupin předmětů, jinak hrozilo, že pro shlukování vznikne větší množství shluků, než dovedu pojmenovat. Dalším problémem bylo nestejnoměrné ohodnocení jednotlivých skupin předmětů a od toho se odvíjející problémy s váhami jednotlivých atributů. Řešení bylo nakonec vcelku jednoduché. Ve skupinách předmětů jsem vybral atributy, které se obsahově blíží nebo se překrývají a ty jsem následně sloučil do obecnějších kategorií. Co se týče následného nestejnoměrného rozložení kreditů použitých pro ohodnocení, pomocí parametru jsem každou nově vzniklou skupinu předmětů převedl na stupnici 0-5. Ve druhé úloze jsem se zaměřil na předpověď budoucí hodnoty a využití algoritmů Microsoft Logistic Regresion a Microsoft Neural Network. Zde bylo cílem provést předpověď počtu studujících studentů. K dispozici byla historická data z let 2001-2009. Na jejich základě byl sestrojen prediktivní model, jehož výsledky jsem mohl porovnat se skutečnými daty. Také bylo v rámci řešení potřeba upravit zdrojová data tak, aby umožnila nasazení testovaného nástroje. Původní data byla umístěna v pohledu namísto tabulky a navíc data obsahovala i záznamy nejenom o studujících, ale i různě roztříděné. Například podle pohlaví. Řešením bylo tedy vytvoření nové tabulky, do které se umístily jen záznamy podstatné pro řešenou úlohu. Posledním problém nastal při pokusu o predikci roku 2010, ke kterému nebyla skutečná data. Software nahlásil chybu a predikci neprovedl. Při mém pátrání, jsem na technické podpoře společnosti Microsoft nalezl několik odkazů na podobný problém, takže je pravděpodobné, že se jedná o systémovou chybu, která bude opravená v rámci aktualizace. Splnění těchto úkolů mi poskytlo dostatek indicií pro ověření možností softwaru dodávaného společností Microsoft. Po mých předchozích školních zkušenostech se software pro dolování dat od společností IBM (dříve SSPS) a SAS tak mohu dobře porovnat, zda se prověřovaný nástroj těmto hlavním hráčům na trhu dokáže vyrovnat a zda je vhodný pro seriózní využití.
|
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
host ::
RSS.