Skip to main content

DIT - Business intelligence

Subject name

Business intelligence

Details
Code
VSITE276
Abbrev.
PINT
ECTS
5
Year
2
Semester
Summer semester
Type
major obligatory
NQF Level 7
Master's study
E-Learning
0%
Activities
DIT zg - Win 23/24
ECTS
Units
Hours
Total
T
1
15
2
30
N
0
0
0
0
L
1
10
3
30
S
0
0
0
0
PN
0
0
0
0
PT
0
3
1
0
PR
0
0
0
0
EN
0
0
0
0
ET
0
1
2
0
AL
3
1
90
90
TeachersLeaders: mr. sc. Danijel Vještica Obradović, v. pred.
PrerequisitsNone
Content

Potreba za poslovnom inteligencijom. Kvaliteta podataka. Vrijednost poslovnih informacija. Analitička primjena poslovne inteligencije. Skladište podataka. Spiralni pristup. Strukturirani i ne strukturirani tipovi izvora podataka. Snimanje stanja, metadata i granularnost. Izdvajanje, transformacija i čišćenje podataka (ETL). Priprema podataka. Priprema i struktura dimenzijskih i činjeničnih tablica. Povrat ulaganja u poslovnu inteligenciju. Upravljanje pomoću informacija. Korporacijski portali. OLAP alati.

Learning objectives

Osposobiti studenta za primjenu metoda poslovne inteligencije.

Learning outcomes

1. Explain the need for business intelligence, explain return on investment.
2. Specify data quality and the value of business information.
3. Use structured and unstructured data sources.
4. Specify data warehouses, metadata, dimensional and historical tables.
5. Implement ETL procedures.
6. Apply OLAP.

Competencies

Osposobljavanje studenata za implementaciju i korištenje skladišta podataka, integracijskih i analitičkih sustava te poslovnog izvještavanja.

Recommended Literature

1. Panian, Ž.; Klepac, G. Poslovna inteligencija, Masmedia Zagreb, 2003.
2. R. Kimball, M. Ross, The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling (Second Edition).

Additional Literature

1. Inmon, W. H.: Building the Data Warehouse, Wiley; 4 edition, 2005.
2. Kimball, R.; Caserta, J.: The Data Warehouse ETL Toolkit; Wiley; 1 edition, 2004.

lectures (T)
  1. Uvod u kolegij. Znanje kao strateški resurs
  2. Upravljanje znanjem, skupljanje znanja i lanac znanja. Osnove informacijskih sustava.
  3. Povijest poslovne intelignecije (PI). Definicija sustava za potporu u odlučivanju (SPO) i PI. Razlozi za uvođenje SPO i PI. Proces uvođenja PI.
  4. Definicija i planiranje PI projekata. Životni ciklus PI.
  5. Struktura tima PI. Mjerenje vrijednosti PI. Integracijski centar kompentencije (ICC). Kompetitivna inteligencija. Budućnost PI.
  6. Tipovi podataka. Povijest razvoja baza podataka. Model podataka: konceptualni, logički i izvedbeni.
  7. Modeliranje podataka. Normalizacijske forme. Uvod u relacijske baze podataka. Transformacija modela u relacijsku bazu podataka. Paralelna usporedba MSSQL i Oracle baze podataka.
  8. Oracle arhitektura. MSSQL arhitektura.
  9. Skladiste podataka. Usporedba skladišta podataka i operativnih baza podataka. ETL.
  10. Informacijski sustav za potporu u odlučivanju. Arhitektura SPO sustava. Izgradnja sustava od gore prema dolje te od dolje prema gore. Integracijski alati.
  11. Punjenje skladišta podataka. Pripremno područje. Načini dohvata podataka. Preduvjeti za stvarno-vremensku izvedbu skladišta podataka.
  12. Referencijski integritet i domenska ograničenja. Tehnike inicijalnog i inkrementalnog punjenja. Korištenje nagovještaja. Punjenja kod ekstremno velikih količina podataka. Optimizacija. Indeksi. Zrnatost. Meta-podaci i repozitorij.
  13. Više-dimenzijski model podataka. Dimenzijske tablice. Surogatni ključ. Datumsko-vremenska dimenzija. Dijeljiva dimenzija. Sporo-promijenjive dimenzije: tip 1, tip 2 i tip 3. Brzo promijenjive dimenzije. Otpadne dimenzije. Heterogene dimenzije. Hijerarhije: balansne, ne balansne i ofucane te mosne tablice.
  14. Činjenične tablice. Degenerirane dimenzije. Agregacijske tablice. Specijalne izvedbe činjeničnih tablica. Tehnike punjenja činjeničnih tablica. Analitičke tehnike. OLAP: MOLAP, ROLAP i HOLAP. Učestalo korištene analitičke tehnike. Alati za upravljanje s kockama.
  15. Kvaliteta podataka. Upravljanje matičnim podacima. Algoritmi i tehnike za povećanje kvalitete podataka. Alati za kvalitetu podataka. Alati za izvještaje. Dubinska analiza podataka. Veliki podaci. NoSQL. Hadoop.
laboratory exercises (L)
  1. SQL Data modeler, uvod u alat.
  2. SQL Data modeler - kreiranje DWH modela
  3. Informatica PC - uvod u alat.
  4. Informatica PC - osnovne aktivnosti unutar alata.
  5. Informatica PC - expression, file list, filter.
  6. Informatica PC - joiner, tips&tricks, lookup , dates, sequence.
  7. Informatica PC - lookup keš, soritanje, agregiranje, router, update strategija.
  8. Informatica PC - dinamicki keš, Log greške, ne povezani lookup, maplet, radni dijagram.
  9. MSSQL Integration services - uvod u alat. MSSQL Reporting Services - uvod u alat.
  10. MSSQL Analysis Services - uvod u alat.
  11. Not defined
  12. Not defined
  13. Not defined
  14. Not defined
  15. Not defined
preliminary exam - theory (PT)
  1. Znanje. IS. Poslovna inteligencija.
  2. Podaci, modeli i modeliranje. Skladište podataka.
  3. Više-dimenzijski model podataka. Analitičke tehnike.
exam - theory (ET)
  1. Not defined
autonomus learning (AL)
  1. testovi i kolokviji, konzultacije, samostalni rad i samostalno učenje

Ulica Vjekoslava Klaića 7, 10000 Zagreb, tel. 01/3764200 fax. 01/3764264