Business Intelligence Systems: Ths. Bùi Xuân Huy

Business Intelligence Systems
Ths. Bùi Xuân Huy

Khoa CNTT kinh doanh – ĐH Kinh tế TPHCM
huybx@ueh.edu.vn
2020
Tài liệu tham khảo
Kroenke D. & Boyle R.-J., Using MIS, 9th Edition, Pearson, 2017.
Slide BIS, Dr. Nguyễn An Tế, 2019
Havey M., Essential Business Process Modeling, O’Reilly Media, 2005.
Jeston J. & Nelis J., Business Process Management: Practical Guidelines to Successful
Implementations, 3rd Edition, Routledge, 2013.
Monk E. F. & Wagner B. J., Concepts in Enterprise Resource Planning, 4th Edition,
Course Technology, 2012.
Turban E., Sharda R., Delen D. & King D., Business Intelligence: A Managerial
Approach, 3rd Editon. Prentice Hall, 2013.
Vercellis C., Business Intelligence: Data Mining and Optimization for Decision Making,
5th Edition, John Wiley & Sons, 2009.
2
06/25/2024 HTTTQL Business Intelligence Systems
Mục tiêu (tt.)
 Hiểu khái niệm trí tuệ kinh doanh (Business Intelligence – BI)
kinh doanh thông minh, …
 Hiểu vai trò của BIS
 Hiểu các thành phần và các chức năng của BIS
3
Nội dung
1. Trí tuệ kinh doanh (Business Intelligence – BI)
2. Business Intelligence System (BIS)
3. Triển khai BIS
4
1.2 Trí tuệ kinh doanh
Nguồn: http://bizcubic.com/tag/business-intelligence-tools/
5
Nội dung

● Các chức năng và đặc trưng
3. Triển khai BIS
6
2.1 Các chức năng và đặc tính
 Quan niệm cũ (BIS 1.0) : khai thác dữ liệu một cách “thông
minh” trong việc hỗ trợ ra quyết định
System: chỉ là hệ thống máy tính ?
Khai thác dữ liệu
Dữ liệu dưới dạng bảng biểu,
Phân tích dữ liệu ( dạng thô)

Biểu hiện trạng thái dữ liệu
Nguồn: TalkWise Consulting
7
2.1 Các chức năng và đặc tính (tt.)
 Quan niệm cũ (BIS 1.0) : dữ liệu “thông minh”  hỗ trợ ra

quyết định
Nguồn: http://etl-tools.info/en/bi/datawarehouse_concepts.htm
8
 Đặc trưng của BIS 2.0: các chức năng hướng QTKD, hướng
dịch vụ
● dữ liệu đa dạng: text, multimedia, yếu tố thời gian/không gian
NG CÓ ● truy cập thông tin: real time, mobile, ubiquitous.
● phân tích chuyên sâu
● dự đoán, cảnh báo
● giao diện đa dạng, phong phú; thể hiện thông tin một cách linh
hoạt, hiệu quả
9
Digital Transformation
Thế giới các thực Không gian số

thể
10
● Faster: tự động hóa

● Better: có tổ chức (dễ kiểm soát, đánh giá)
● Smarter: phân tích, dự đoán, định hướng
11
Nội dung
3. Triển khai BIS

● Ứng dụng công nghệ
● OLAP
● Data mining
12
Nội dung
3. Triển khai BIS

● Ứng dụng công nghệ
● OLAP
● Data mining
● Các bước triển khai
13
3.1 Ứng dụng công nghệ
Các quy trình KD

(ISO)
Góc nhìn quản trị KD
Góc nhìn CNTT

ERP
Enterprise Resource Planning
Phần mềm
Thông tin
14
 Hệ thống thông tin là cái mà doanh nghiệp muốn
 ERP là giải pháp công nghệ

● Hiện thực hóa : Oracel, SAP, MS Dyanmic…
 Top of ERP:
● Không phải là tự động hóa quy trình nghiệp vụ
● Quản lý, hoạch định nguồn lực
● Tích hợp-quản lý-khai thác dữ liệu  hỗ trợ nhà quản lý ra
quyết định
15
3.1 Ứng dụng công nghệ (tt.)
 Khai thác dữ liệu

● OLAP (OnLine Analysis Processing)
● Data mining
16
3.2 OLAP
 TPS: Khai thác số liệu thô, báo cáo liệt kê

NV nghiệp vụ
Hóa đơn Mặt hàng Ngày mua SL Đơn giá Thành tiền
HD001 Pepsi 6/12/2010 10 8.000 80.000
Bánh ngọt 6/12/2010 2 12.000 24.000

…
HD002 Trà xanh O2 7/12/2010 1 9.000 9.000
Chocolate 7/12/2010 2 32.000 64.000
Sữa tươi 7/12/2010 5 7.000 35.000
…
HD003 Bia 333 8/12/2010 6 11.000 66.000
Dầu ăn 8/12/2010 1 75.000 75.000
….
17
3.2 OLAP (tt.)
 Khai thác số liệu tổng hợp

Ngày Tổng số hóa đơn Doanh thu (triệu) Trưởng quầy
01/02/2012 1.260 4.349
02/02/2012 2.343 7.563
...
28/02/2012 1.948 3.134
29/02/2012 3.217 9.398
...
Cộng 98.467
18
3.2 OLAP (tt.) : mô tả đc trạng thái dữ lieu, thể hiện dưới
các góc nhìn khác nhau để dễ dàng đưa qdinh
 Phân tích số liệu: ra quyết định
Quý 1 Quý 2 Tổng doanh thu Phụ trách KD

Chủng loại Hàng hóa
(triệu) (triệu) (triệu)
Nước Pepsi 30 90 120
Coca Cola 34 123 157
Cộng 64 213 277
Bánh ngọt AFC 50 24 74
Choco Pie 30 60 90
Cộng 80 84 164
...
● nhiều (nhóm) tiêu chuẩn khác nhau: mặt hàng, nhóm hàng,
cửa hàng, tỉnh-thành, khu vực, nhà SX, …
19
3.2 OLAP (tt.)

Phụ trách KD
Pepsi Coca Cola ...

Thời
gian Miền Nam Miền Trung Miền Bắc Miền Nam Miền Trung Miền Bắc
Quý 1 653 289 345 769 396 478

Quý 2 342 134 237 546 312 321
Quý 3 429 274 206 689 426 411
Quý 4 567 256 198 568 368 389
Cộng 1.991 953 986 2.572 1.502 1.599
20
3.2 OLAP (tt.)
Phụ trách KD
Quý 1 Quý 2 ...

Thời
gian Miền Nam Miền Trung Miền Bắc Miền Nam Miền Trung Miền Bắc
Pepsi 653 289 345 342 134 237

Coca
769 396 478 546 312 321
Cola
...
Cộng
21
3.2 OLAP (tt.)
 Giả định tình huống: ra quyết định

● giảm giá mặt hàng nước giải khát 20%: doanh số ?
Phụ trách KD
● tăng giá dầu gội đầu 10%: doanh số ?

● ...
Là phần mềm
xử lý, ???
Khác với Excel
22
3.2 OLAP (tt.)
 Yêu cầu
● công cụ hỗ trợ phân tích số liệu hiệu quả Phụ trách KD
● thể hiện kết quả trực quan
Operational Systems Decision-Oriented Systems

Hoạt động thường xuyên, Hoạt động không thường xuyên (bất kì
lúc nào…)
Truy vấn đơn giản trên dữ liệu thô Truy vấn trên dữ liệu tổng hợp, thống kê
Truy vấn từng phần “nhỏ” của Cơ sở Truy vấn trên CSDL tích hợp
dữ liệu (CSDL)
Nguồn dữ liệu ít phức tạp Nhiều nguồn dữ liệu đa dạng, phức tạp
Khai thác chủ yếu số liệu hiện hành Khai thác số liệu hiện hành và quá khứ
(cập nhật) (quá trình)
23
3.2 OLAP (tt.)
 OLAP: công cụ hỗ trợ phân tích số liệu trực tuyến

● khai thác số liệu tổng hợp: phân tích hoạt động kinh doanh, lập
kế hoạch, ra quyết định, …
● thể hiện kết quả trực quan: thuận lợi cho người không chuyên
CNTT
24
Cho người qly nhìn đc nhiều góc độ khác
3.2 OLAP (tt.) nhau, các bộ khác đều có thể theo dõi
chung database
Pepsi Coca Cola
Miền Miền Trung Miền Bắc Miền Nam Miền Trung Miền Bắc
Nam
Quý 1 653 289 345 769 396 478
Quý 2 342 134 237 546 312 321
Quý 3 429 274 206 689 426 411
Quý 4 567 256 198 568 368 389
Miền Nam Miền Trung Miền Bắc
Quý 1 769 396 478
Coca Cola
Quý 2 546 312 321
Quý 3 689 426 411
Quý 4 568 368 389
Miền Nam Miền Trung Miền Bắc

Quý 1 653 289 345
Quý 2 342 134 237
Pepsi
Quý 3 429 274 206
Quý 4 567 256 198
25
3.2 OLAP (tt.)
Quý 1 Quý 2 Quý 3
M. Nam M.Trung M.Bắc M.Nam M.Trung M.Bắc M.Nam M.Trung M.Bắc

Pepsi 653 289 345 342 134 237 429 274 206
Coca Cola 769 396 478 546 312 321 689 426 411
M.Nam M.Trung M.Bắc

Quý 3
Pepsi 429 274 206
Coca cola M.Nam689M.Trung426 M.Bắc 411

Quý 2
Pepsi 342 134 237
Coca colaM.Nam546M.Trung312 M.Bắc321

Pepsi 653 289 345
Quý 1
Coca Cola 769 396 478
26
3.2 OLAP (tt.)
 Những yêu cầu đối với một hệ thống hỗ trợ OLAP

● tốc độ xử lý, tính toán
● công cụ mạnh hỗ trợ phân tích số liệu
● linh hoạt
● multi-user
27
3.2 OLAP (tt.)
 Khối dữ liệu (data cube): thể hiện dữ liệu đa chiều (n-chiều)
an
Q4
gi
ời Q3
Q2
Th
Q1
Dầu ăn 89
Chủng loại
Sữa tắm
Bánh kẹo
Nước
HCM CT Huế ĐN HN
Khu vực
28
3.2 OLAP (tt.)
 Ô dữ liệu (cell): liên kết giữa các chiều
89 89 89 (Dầu ăn, Q1, CT)

an
Q4
gi
Q3
ời
Q2
Th
Q1
Dầu ăn 89
Chủng loại
Sữa tắm
Bánh kẹo
Nước
HCM CT Huế ĐN HN
Khu vực
29
3.2 OLAP (tt.)
 Dimensions
● các thuộc tính dùng làm tiêu chí (chiều) để phân tích
● giá trị định lượng và định danh
 Hierarchies of levels
● phân cấp trên 1 chiều
Thời gian
Q4
an
Q3
gi
Q2
ời
Th
Q1 dimensions Khu vực

Dầu ăn
Chủng loại
Sữa tắm
Bánh kẹo Chủng loại

Nước
HCM CT Huế ĐN HN
Khu vực
30
3.2 OLAP (tt.)
 Measures
● các thuộc tính thể hiện yếu tố phân tích/tổng hợp
 Aggregations
● tổng hợp trên measures: SUM, AVERAGE, MIN, MAX, COUNT
● marginals: tổng hợp trên toàn bộ một hay nhiều chiều
Q4
Q3
Q2
Q1
Dầu ăn
measure: CTHD.sotien
Chủng loại
Sữa tắm
aggregation: SUM
Bánh kẹo
Nước
HCM CT Huế ĐN HN
Khu vực
31
3.2 OLAP (tt.)
Pivot
Slicin
g Dicing
Roll Drill
up down
32
3.2 OLAP (tt.)
 Slicing: cắt lát khối DL

an
Q4
gi
Q3 Chủng loại bánh kẹo

ời
Q2
Th
Q1
Dầu ăn
Chủng loại
Sữa tắm
Bánh kẹo 156 120
Nước
HCM CT Huế ĐN HN
Khu vực
33
3.2 OLAP (tt.)
 Slicing: cắt lát khối DL
an
Q4
gi
Q3
ời
Q2
Th
Q1
Dầu ăn 234
234
Chủng loại
Sữa tắm 123

123
Bánh kẹo 585

585
Nước 432
432
HCM CT Huế ĐN HN Khu vực Đà Nẵng

Khu vực
34
3.2 OLAP (tt.)
 Dicing: trích khối con
(Thời gian IN { Q1, Q2 }) AND

an
Q4
gi
(Khu vực IN { “Huế”, “ĐN”, “HN” }) AND

Q3
ời
Th
Q2 (Chủng loại IN { “Dầu ăn”, “Sữa tắm” })

Q1
Chủng loại
Dầu ăn
n
Sữa tắm
a
gi
ời
Bánh kẹo Q2
Th
Chủng loại
Q1
Nước Dầu ăn
HCM CT Huế ĐN HN
Sữa tắm
Khu vực
Huế ĐN HN
Khu vực
35
3.2 OLAP (tt.)
 Dicing: trích khối con
an
(Thời gian IN { Q1, Q2 }) AND
gi
Q4
ời
Q3 (Khu vực IN { “Huế”, “ĐN”, “HN” }) AND

Th
Q2
Q1
Chủng loại
Dầu ăn
Sữa tắm
an
gi
Bánh kẹo Q2
ời
Th
Q1
Nước
Dầu ăn
HCM CT Huế ĐN HN
Chủng loại
Khu vực Sữa tắm
Bánh kẹo
Nước
Huế ĐN HN
Khu vực 36
3.2 OLAP (tt.)
 Pivot: xoay khối

an
ại
gi
lo
ời
g
Th
ủn
Ch
Chủng loại
Thời gian
Khu vực Khu vực
37
3.2 OLAP (tt.)
 Roll up và drill down: phân cấp trên 1 trục
Thời gian
... 2010 2011 ...
Q1/2011 Q2/2011 Q3/2011 Q4/2011
T7/2011 T8/2011 T9/2011
T1 T2 T3 T4 T5 T6 T7 T8 T9 T10 T11 T12

Thời gian
38
3.2 OLAP (tt.)
 Roll up và drill down: phân cấp trên 1 trục
Khu vực
Miền Bắc Miền Trung Miền Nam

... ...
... HCM ... ...
Q1 Q2 ...
39
3.2 OLAP (tt.)
 Roll up: tổng hợp số liệu dần lên mức cao

an
gi
Q4
ời
Q3 Thời gian
Th
Q2 Quý 
Q1
Năm
Chủng loại
Dầu ăn 605 825 145 400 312

i an
Bánh 608 956 453 312 567
i g
h ờ
Kẹo 812 159 343 311 682 T
2010
Nước
Chủng loại
927 324 298 278 580
Dầu ăn
HCM HN HP ĐN CT
Bánh
Khu vực
Kẹo
Nước
HCM HN HP ĐN CT
Khu vực
40
3.2 OLAP (tt.)
 Roll up: tổng hợp số liệu dần lên mức cao

an
gi
Q4
Q3
ời
Th
Q2
Q1
Chủng loại
Dầu ăn 605 825 145 400 312
an
608 956 453 312 567
gi
Bánh Q4
Q3
ời
Kẹo 812 159 343 311 682
Th
Q2
Q1
Nước
Chủng loại
927 324 298 278 580
Dầu ăn
HCM CT Huế ĐN HN
Bánh
Khu vực
Kẹo
Nước
MN MT MB
Khu vực
TP  Miền Khu vực
41
3.2 OLAP (tt.)
 Drill down: phân tích số liệu xuống mức chi tiết
Thời gian
Quý  Tháng
an
gi
ời
Th
Q2
Q1
an
T6
Chủng loại
Dầu ăn T5
gi
T4
ời
Bánh T3
Th
T2
T1
Kẹo
Chủng loại
Dầu ăn
Nước
Bánh
MN MT MB
Kẹo
Khu vực
Nước
MN MT MB
Khu vực
42
3.3 Data mining
“We’re drowning in information and starving for knowledge”
Rutherford D. Rogers, Yale University librarian (NY Times 25/02/85)
Hiện trạng: “We are drowning in data, but starving for knowledge”
“Data Flood”
Data (các đối tượng rời rạc) Information (các đối tượng có mối Knowledge (quy luật chung / khuôn mẫu
liên hệ với nhau) của các đối tượng)
43
Thế giới các thực Không gian số
thể
44
Data, Information, Knowledge
▪ Data is often seen as a string of bits, or numbers and
symbols, or “objects” which we collect daily (by
observation, measurements, collection, etc.).
▪ Information is data stripped of redundancy, and reduced
to the minimum necessary to characterize the data.
▪ Knowledge is integrated information, including facts and
their relations, which have been perceived, discovered, or
learned as our “mental pictures” (“justified true belief”).
▪ Knowledge can be considered data at a high level of
abstraction
huybx@ueh.edu.vn
Data, Information, Knowledge
integrated information,
Metaphor:
including facts and their
Data: rock; relations (“justified true
knowledge: belief)
ore. Miner? Is this road appropriate for
such amount of cars?
Obtaining by
- Perceiving data equipped
- Discovering with meaning
- Learning Average of number
of cars
Obtaining by each hour, each day, each
- Processing week, each year on the road.
Un-interpreted signal
Obtaining by Number of cars
- Observing counted on a road by
- Measuring hours, by days of the
- Collecting week, by
huybx@ueh.edu.vn
months.
3.3 Data mining (tt.)
 Nguồn dữ liệu
● giao dịch kinh doanh, ngân hàng
● viễn thông
● Web
● …
Công nghệ phát triển, giá thành rẻ Dữ liệu 
Phân tích số liệu: OLAP

Nhu cầu Knowledge
quản lý Data Information
Dự đoán xu hướng/
Mining
Data
Phân loại
47
 Các loại thông tin

● không tường minh / tiềm ẩn (implicit)
● chưa được phát hiện trước từ dữ liệu (previously unknown)
● không tầm thường (non-trivial)
● hữu ích (potentially useful) TÌM – KIẾM
48
“Data mining indicates the process of exploration and analysis of a dataset, usually
of large size, in order to find regular patterns to extract relevant knowledge …”
[Vercellis]
“Datamining refers to extracting or “mining” knowledge from large amounts of data”

[Han & Kamber]
“The process of extracting valid, previously unknown, comprehensible and

actionable information from large database and using that information to make
crucial business decisions.” [Simoudis]
Một số thuật ngữ khác:

 Knowledge Discovery in Databases (KDD), Data Driven Discovery
 Knowledge Extraction
 Exploratory Data Analysis
 Deductive Learning WHAT ?
49
Data Mining & Business Intelligence
Khả năng hỗ trợ

ra quyết định End User
Making
Decisions
Data Presentation Business Analyst
Visualization Techniques
Áp dụng cho các DN: y Data Mining Data Analyst

khoa, nhân sự,.. Information Discovery
Data Exploration
Statistical Analysis, Querying and Reporting
Data Warehouses / Data Marts DBA

OLAP
Data Sources
Paper, Files, Information Providers, Database Systems, OLTP
50
Áp dụng vào doanh nghiệp
Nhân Phân tích

sự khuyến
cáo
Khách
hàng
Bán Phân tích Phân

hàng
kinh doanh tích dự
báo
Thị
trường
Tài
Phân
chính
tích mô
tả
Sản
xuất
 Chức năng
Dự đoán (Prediction)
Data Mining
Mô tả (Description)
52
 Chức năng dự đoán

● suy luận từ dữ liệu “lịch sử” (học từ quá khứ)
● những kỹ thuật cơ bản
- classification
- regression
- time series analysis
- neural network
- …
Khách hàng sẽ có xu hướng mua hàng gì ? Giá vàng ngày mai tăng hay giảm ?
53
 Chức năng mô tả
● thể hiện các đặc trưng, mối liên hệ của các đối tượng/sự kiện
● những kỹ thuật cơ bản
- summarization, characterization, discrimination
- clustering
- association rules
- …
Khách hàng thân thiết của công ty thuộc độ tuổi nào ? tầng lớp xã
hội ?
Những đặc điểm của khách hàng khu vực Tp.HCM ?
54
 So sánh OLAP, và Data Mining
OLAP Data Mining
Chức Phân tích DL theo nhiều yếu Khám phá tri thức tiềm
năng tố, tiêu chuẩn ẩn trong các mẩu DL
Phương Thông kê DL đa chiều (thời Quy nạp (Induction)

pháp gian, vùng, chủng loại, …) Xây dựng mô hình, huấn
luyện DL  kết quả
Kết quả Thông tin Tri thức
Ví dụ Thu nhập bình quân của KH Ai sẽ là KH thân thiết

thân thiết theo vùng và thành trong năm tiếp theo và
phần XH ? tại sao ?
55
Olap: phân tích tỷ lệ ngày cao,..
3.3 Data mining (tt.) Data mining: tìm kiếm quy luật,
có thể chơi thể thao hay ko?
 Ví dụ so sánh OLAP, và Data Mining

Ngày Thời tiết Nhiệt độ (F) Độ ẩm Gió ? Chơi thể thao ?
1 nắng 85 Cao không không
2 nắng 80 Cao có không
3 âm u 83 Cao không có
4 mưa 70 Cao không có
6 mưa 65 Trung bình có không
7 âm u 64 Trung bình có có
8 nắng 72 Cao không không
9 nắng 69 Trung bình không có
11 nắng 75 Trung bình có có
12 âm u 72 Cao có có
13 âm u 81 Cao không có
14 mưa 71 Cao có không
56
 OLAP
● Tuần 1, tuần 2 có thời tiết thế nào, có chơi thể thao không ?
Có: 9 ngày
Nắng Mưa Âm u
Không: 5 ngày
3 ngày
2 ngày 2 ngày
Tuần 1 Có: 2 ngày
Không: 2 ngày Có: 2 ngày
Không:1 ngày
3 ngày 2 ngày
2 ngày
Tuần 2 Có: 2 ngày Có: 1 ngày
Có: 2 ngày
Không:1 ngày Không: 1 ngày
57
 Data Mining
● Quy luật chơi thể thao  dự đoán
- Nếu thời tiết = nắng
– Độ ẩm cao: KHÔNG Thời tiết
– Độ ẩm trung bình: CÓ âm u
nắng
mưa
- Nếu thời tiết = âm u: CÓ
Có
- Nếu thời tiết = mưa Gió Độ ẩm
– Có gió: KHÔNG
– Không có gió: CÓ không có trung
cao
bình
Không
Có
Có Không
58
 Ứng dụng - Kinh doanh: dự đoán nguồn KH thân thiết

● Nhu cầu: dự đoán loại KH thân thiết trong tương lai (tiềm tàng)
và loại KH nào có nguy cơ chuyển sang sử dụng sản phẩm

của đối thủ
● Phương pháp: tìm đặc trưng, phân lớp
59
 Ứng dụng - Kinh doanh: tư vấn sản phẩm có liên quan

● Nhu cầu: tư vấn, xác định các nhóm mặt hàng mà thường
được mua kèm với nhau
● Phương pháp: luật kết hợp
60
 Ứng dụng - Tài chính: chính sách cho vay / tín dụng
● Nhu cầu: dự đoán khả năng trả nợ và tín dụng của KH trước
khi cho vay, xác định những yếu tố ảnh hưởng “nhiều” đến việc
thể hiện khả năng chi trả của KH như mức thu nhập, quá trình
chi trả nợ (payment history),…
61
 Ứng dụng - Tài chính: phân nhóm, khoanh vùng thị trường
● Nhu cầu: phân chia thị trường thành các cụm nhỏ để có thể
xác định thị trường mục tiêu (target market)
● Phương pháp: phân lớp, gom cụm
62
 Ứng dụng - Tài chính: phát hiện gian lận

● Nhu cầu: dự đoán các trường hợp có ý định gian lận trong giao
dịch ngân hàng, trốn thuế
63
 Ứng dụng - Viễn thông

● Nhu cầu: chiến lược cung cấp dịch vụ viễn thông (xác định
dạng mẫu, tối ưu hóa tài nguyên, chống gian lận)
64
 Ứng dụng – Y tế: tìm phương pháp điều trị hiệu quả
● Mục tiêu: xây dựng phương pháp/phác đồ điều trị các loại
bệnh
● Phương pháp: phân lớp, time-series
65
 Thể hiện trực quan (Visualization): công cụ / kỹ thuật biểu diễn

tri thức dưới dạng ngôn ngữ mức cao (high level languages)
● Ưu điểm: trực quan, dễ hiểu, dễ sử dụng
 Một số dạng biểu diễn

● bảng biểu
● đồ thị, biểu đồ, …
● cây
● luật
● ma trận
66
How Are Business Intelligence
Applications Delivered?
Chuyển giao đến KH

thông qua các thiết bị
Source: textbook[1], pg 312

BI Server - Management Functions
 the authorized allocation of BI results to users
 BI servers can be:

● Website from which users can download, or pull, BI
application results
● Portal server with customizable user interface.
● A BI application server: to support user subscriptions

to particular BI application results. (e.g. alerts via
email or phone whenever a particular event occurs)
BI Server – Delivery Functions
 use metadata to determine what results to send to

which users and, on which schedule.
 BI results can be delivered to “any” device. .
 exception alert
● a dramatic fall in a stock price or exceptionally high
sales volume.
Thảo luận
70

Business Intelligence Systems: Ths. Bùi Xuân Huy

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Business Intelligence Systems: Ths. Bùi Xuân Huy

Uploaded by

Copyright:

Available Formats

Business Intelligence Systems

Ths. Bùi Xuân Huy

Slide BIS, Dr. Nguyễn An Tế, 2019

Havey M., Essential Business Process Modeling, O’Reilly Media, 2005.

 Hiểu vai trò của BIS

 Hiểu các thành phần và các chức năng của BIS

1. Trí tuệ kinh doanh (Business Intelligence – BI)

2. Business Intelligence System (BIS)

3. Triển khai BIS

1. Trí tuệ kinh doanh (Business Intelligence – BI)

2. Business Intelligence System (BIS)

3. Triển khai BIS

Khai thác dữ liệu

Dữ liệu dưới dạng bảng biểu,

Phân tích dữ liệu ( dạng thô)

Nguồn: TalkWise Consulting

 Quan niệm cũ (BIS 1.0) : dữ liệu “thông minh”  hỗ trợ ra

Thế giới các thực Không gian số

● Faster: tự động hóa

1. Trí tuệ kinh doanh (Business Intelligence – BI)

2. Business Intelligence System (BIS)

3. Triển khai BIS

1. Trí tuệ kinh doanh (Business Intelligence – BI)

2. Business Intelligence System (BIS)

3. Triển khai BIS

Các quy trình KD

Góc nhìn CNTT

 ERP là giải pháp công nghệ

 Khai thác dữ liệu

 TPS: Khai thác số liệu thô, báo cáo liệt kê

Bánh ngọt 6/12/2010 2 12.000 24.000

Chocolate 7/12/2010 2 32.000 64.000

Sữa tươi 7/12/2010 5 7.000 35.000

Dầu ăn 8/12/2010 1 75.000 75.000

 Khai thác số liệu tổng hợp

 Phân tích số liệu: ra quyết định

Quý 1 Quý 2 Tổng doanh thu Phụ trách KD

 Phân tích số liệu: ra quyết định

Pepsi Coca Cola ...

Quý 1 653 289 345 769 396 478

 Phân tích số liệu: ra quyết định

Quý 1 Quý 2 ...

Pepsi 653 289 345 342 134 237

 Giả định tình huống: ra quyết định

● tăng giá dầu gội đầu 10%: doanh số ?

● thể hiện kết quả trực quan

Operational Systems Decision-Oriented Systems

 OLAP: công cụ hỗ trợ phân tích số liệu trực tuyến

Pepsi Coca Cola

Miền Nam Miền Trung Miền Bắc

Quý 1 Quý 2 Quý 3

M. Nam M.Trung M.Bắc M.Nam M.Trung M.Bắc M.Nam M.Trung M.Bắc

M.Nam M.Trung M.Bắc

Coca cola M.Nam689M.Trung426 M.Bắc 411

Coca colaM.Nam546M.Trung312 M.Bắc321

 Những yêu cầu đối với một hệ thống hỗ trợ OLAP

 Khối dữ liệu (data cube): thể hiện dữ liệu đa chiều (n-chiều)

 Ô dữ liệu (cell): liên kết giữa các chiều

89 89 89 (Dầu ăn, Q1, CT)

Q1 dimensions Khu vực

Bánh kẹo Chủng loại

 Slicing: cắt lát khối DL

Q3 Chủng loại bánh kẹo