La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

Modulo 2 Analisi multidimensionale di cubi OLAP Errare è umano, ma per incasinare davvero tutto ci vuole un computer. (Legge di Murphy- Quinta legge dell'inattendibilità)

Presentazioni simili


Presentazione sul tema: "Modulo 2 Analisi multidimensionale di cubi OLAP Errare è umano, ma per incasinare davvero tutto ci vuole un computer. (Legge di Murphy- Quinta legge dell'inattendibilità)"— Transcript della presentazione:

1 Modulo 2 Analisi multidimensionale di cubi OLAP Errare è umano, ma per incasinare davvero tutto ci vuole un computer. (Legge di Murphy- Quinta legge dell'inattendibilità)

2 Una storia… C’era una volta una fabbrica di bambole che decide di lanciare la loro nuova bambola interamente fatta a mano. La campagna marketing punta tutto sulla qualità della bambola e sul fatto che sia interamente prodotta in Italia. Il posizionamento prezzo è sulla fascia alta di mercato in quanto la marca è nota e il consumatore da valore alla marca. La produzione è partita e il prodotto è stato distribuito in tutti i punti vendita. Per rientrare delle spese di ricerca e sviluppo oltre che di comunicazione del prodotto, viene calcolato dalla direzione che si dovranno vendere 100 bambole a settimana per ogni punto vendita che tratterà il prodotto. Ci sono tutti i presupposti per un nuovo eclatante successo…

3 Una storia… RegioneVendutoPrev Emilia Lombardia Marche Umbria Lazio Piemonte Veneto Liguria Toscana Abruzzo Puglia Campania Sicilia RegioneVenduto Emilia Lombardia Marche Umbria Lazio Piemonte Veneto Liguria Toscana Abruzzo Puglia Campania Sicilia MeseVendutoPrev Gennaio Febbraio Totale complessivo MeseSettiamanaVendutoPrev Gennaio Febbraio Totale complessivo sono passati un paio di mesi dal lancio e alla riunione prodotto vengono portati i report per lo studio dell’andamento del prodotto:...e tiriamo qualche conclusione...

4 Una storia… L’evidente considerazione, per limitare le perdite, è eliminare il prodotto dall’assortimento in quanto non ha “performato” secondo le aspettative…....ed eliminare il responsabile del prodotto che non ha “performato” secondo le aspettative!

5 Una storia… E se invece dessimo al nostro responsabile prodotto un’ultima chance, e gli dessimo una settimana di tempo per capire cosa è successo? Forse i Sistemi Informativi aziendali, sotto la guida del nostro product manager, possono “tirare fuori” altri dati per capire cosa è successo…

6 E il risultato di un paio di notti in bianco è… Gennaio Febbraio RegionePunto vendita EmiliaBologna Modena Rimini LombardiaBrescia Desenzano Milano MarcheAncona Ascoli Piceno Pesaro UmbriaOrvieto Perugia Terni LazioFrosinone Latina Roma PiemonteCuneo Novara Torino VenetoPadova Treviso Verona LiguriaGenova La Spezia Savona ToscanaFirenze Livorno Pisa AbruzzoChieti L'Aquila Pescara PugliaBari Lecce Taranto CampaniaBenevento Caserta Napoli SiciliaCatania Messina Palermo

7 Analisi per “Punto Vendita” GennaioFebbraio RegionePunto vendita EmiliaBologna Modena Rimini LombardiaBrescia Desenzano Milano MarcheAncona Ascoli Piceno Pesaro UmbriaOrvieto Perugia Terni LazioFrosinone Latina Roma PiemonteCuneo Novara Torino VenetoPadova Treviso Verona LiguriaGenova La Spezia Savona

8 Analisi Multidimensionale Spesso le analisi che vengono fatte sono “ standard ” e lasciano poco spazio all’interpretazione dei dati da parte dell’utente. Questi limiti sono più dovuti alla carenza da parte delle aziende di capire come le informazioni possono essere utilizzate per l’analisi dell’attività e per comprendere come i sistemi di computer convertono dati grezzi in informazioni utili L’ analisi multidimensionale ci darà un approccio per la visualizzazione delle informazioni che ci permettono di eseguire una flessibile e potente analisi business, e unaconoscenza di come devono essere organizzati i dati per passare da sistemi che raccolgono i dati grezzi di una azienda in sistemi B.I. che trasformano tali dati in utili informazioni.

9 Analisi Multidimensionale Limitazione dei database gestionali: ① Rapporti solo sulle informazioni internamente raccolte ② Tipicamente non consente una analisi dimensionale alla velocità del pensiero. Il loro lavoro è la gestione e dedicano il loro tempo a quello Dobbiamo avere a disposizione sistemi che permettono di rispondere a questo tipo di domande: ① Quali sono le vendite effettive rispetto alle previsioni di vendita per regione, per periodo, per punto vendita? ② Quale è la redditività per prodotto e per cliente? ③ Quale è l’arretrato per prodotto, per cliente nel tempo?

10 Sistema OLAP Perché l’elaborazione analitica on-line? La potenza dei sistemi OLAP deriva dalla strutturazione dei dati in modo allineato con il modo con cui le persone eseguono naturalmente l’analisi. Analizziamo ora in excel i dati di un ingrosso di frutta… O n L ine A nalytical P rocessing

11 Sistema OLAP O n L ine A nalytical P rocessing

12 Sistema OLAP Il sistema OLAP che abbiamo utilizzato nell’esempio dell’ingrosso di frutta ci permette di evidenziare la struttura di un “database OLAP” con la sua analisi alla velocità del pensiero che sfrutta metodi definiti Slice & Dice, Drill e Pivoting. Abbiamo quindi bisogno di immaginare il database come un Cubo di Dati. O n L ine A nalytical P rocessing Analisi Multidimensionale della vendita di frutta Quante mele sono state vendute nel mercato di Milano durante il terzo trimenstre?

13 Cubo OLAP Non necessariamente un cubo ha 3 dimensioni, anzi è molto probabile che il cubo abbia decine di dimensioni (in questo caso parliamo di ipercubo ) che di fatto moltiplicano le celle che dobbiamo gestire… Immaginiamo che il nostro ingrosso di frutta abbia 100 clienti a cui vende 20 tipi di frutta e vuole controllare gli ultimi 24 mesi 100 x 20 x 24 = informazioni da gestire Se poi l’azienda è anche interessata a sapere da quale dei sui 75 fornitori proviene la frutta, ecco che arriviamo a x 75 = informazioni da gestire O n L ine A nalytical P rocessing

14 Cubo OLAP Perché un cubo OLAP sia efficace abbiamo bisogno che sia strutturato in: O n L ine A nalytical P rocessing Dimensioni – fanno conoscere lo spazio occupato dal database Gerarchie – permettono di aggregare le dimensioni Misure – permette di confrontare le varie dimensioni

15 Cubo OLAP O n L ine A nalytical P rocessing ① I dati devono essere confrontabili ② I dati devono essere aggregabili Dimensioni – fanno conoscere lo spazio occupato dl database

16 Cubo OLAP O n L ine A nalytical P rocessing Gerarchie – permettono di aggregare le dimensioni Dimensione Relazioni Membri GERARCHIA

17 Cubo OLAP O n L ine A nalytical P rocessing ① Ci deve sempre essere almeno una misura ② Una misura è sempre una quantità o un’espressione che produce una quantità ③ La misura può assumere qualsiasi formato quantitativo ④ La misura può derivare da qualsiasi fonte dati o da un calcolo Misure – permette di confrontare le varie dimensioni Altrimenti non abbiamo l’elemento di confronto Un valore assoluto, una valuta, una percentuale, un rapporto,… Un input diretto, un’aggregazione, una media, una formula,… Perché deve essere appunto misurabile KPI - per interpretare misure e caratteristiche ; Benchmark - utilizzato per fare confronti

18 Esempio Excel Occupazione e giorni di malattia per reparto


Scaricare ppt "Modulo 2 Analisi multidimensionale di cubi OLAP Errare è umano, ma per incasinare davvero tutto ci vuole un computer. (Legge di Murphy- Quinta legge dell'inattendibilità)"

Presentazioni simili


Annunci Google