Week 9: Business Intelligence

ในช่วงต้นของคาบเรียน อาจารย์ได้อธิบายเพิ่มเติมเกี่ยวกับเนื้อหาในคาบที่แล้ว

Data Warehouse Processing: เป็นกระบวนการจัดทำ Data Warehouse โดยมีขั้นตอนดังนี้
1. เก็บรวบรวมข้อมูล : โดยจัดเก็บข้อมูลจาก Database ภายในองค์กร ได้แก่ ข้อมูล Operational Data) รวมไปถึงข้อมูลภายนอกองค์กร (External Data) เช่น ข้อมูลคู่แข่ง หรือข้อมูลเศรษฐกิจ
2.1 จัดทำ Meta Data: การจัดทำ Meta Data คือ การทำ Data about Data โดยจะจัดทำ รายละเอียดที่เกี่ยวกับข้อมูลดังกล่าว โดยจะมีการแยกประเภทข้อมูลที่ดึงมา พร้อมใส่รายละเอียดเกี่ยวกับข้อมูล เช่น ที่มาของข้อมูล เป็นต้น

2.2 Data Staging (ECTL or ETL): นอกจากจะต้องจัดทำ Meta Data แล้ว การทำ Data Warehouse จำเป็นจะต้องมีการดึงข้อมูลออกมา โดยขั้นตอนนี้จะมีการ Extract ข้อมูลตาม Attribute ที่มีประโยชน์ และเกี่ยวข้องกับการตัดสินใจออกมา และจะต้องทำการ Clean ข้อมูล โดยจะตัดข้อมูลที่ไม่เป็นประโยชน์ หรือข้อมูลที่เป็น Null ออกไป ตลอดจน Transform ข้อมูลใหม่ให้อยู่ใน Format ที่เป็น Standard และเกี่ยวข้องกับการตัดสินใจ และสุดท้ายก็จะทำการ Load เข้าไปยัง Data Cube ซึ่งจะประกอบไปด้วยหลายๆ Dimension ของข้อมูลเพื่อใช้สำหรับการวิเคราะห์เพื่อตัดสินใจเชิงกลยุทธ์

3. สร้าง Data Warehouse:  นำข้อมูล Data Cube ไปสร้าง Data Warehouse โดยจะมีการนำเสนอซึ่งยึด Business View เป็นหลัก ซึ่งการนำเสนอข้อมูลจะอยู่ในรูปแบบที่ง่ายต่อการวิเคราะห์ ตลอดจนสามารถ ปรับใช้งานได้ง่าย โดยมากจะอยู่ในรูปของ Dashboard

ดังนั้น โดยสรุป Data Warehouse มีประโยชน์ดังต่อไปนี้

1. ทำให้ผู้บริหารมีข้อมูลที่เกี่ยวข้องกับการวิเคราะห์ตัดสินใจที่รวดเร็ว ทันต่อการใช้งาน

2. ผู้ใช้งานสามารถเข้าถึงข้อมูลได้ง่ายขึ้น

ลักษณะข้อมูลสำหรับการวิเคราะห์ตัดสินใจของผู้บริหารนั้นจะได้แก่

1) Drill Downs ซึ่งจะให้ข้อมูลในภาพรวมก่อน แล้วให้ผู้สนใจในส่วนใดส่วนหนึ่งสามารถค้นคว้าลึกลงไปดูได้

2) Rollups

อย่างไรก็ดี ปัญหาที่อาจจะเกิดขึ้นก็คือ การ Access เข้าไปยัง Data Warehouse จากแต่ละ SBU พร้อมๆกัน ซึ่งอาจจะทำให้การทำงานมีปัญหา เช่น ระบบการดึงข้อมูลอาจจะใช้เวลานาน รวมไปถึงการเข้าไปถึงระบบอาจทำได้ยาก ทำให้ในบางองค์กรมีการนำ Data Mart มาใช้

Data Mart:  small scaled-down ของ data warehouse ซึ่่งออกแบบมาให้เหมาะกับการใช้งานเฉพาะหน่วยงาน เช่น การคัดแยกข้อมูลที่เกี่ยวข้องกับการตัดสินใจของ SBU แต่ละ SBU ออกมา โดย Data mart อาจแบ่งได้เป็น 2 ประเภท ได้แก่

1.  Replicated (dependent): คือการที่องค์กรมี Enterprise data warehouse อยู่แล้ว จึงทำการ replicated บางส่วนของ data warehouse มาเป็น smaller data marts สำหรับการใช้งานแต่ละ SBU
2. Stand-alone: เกิดจากการที่ องค์กรยังไม่พร้อมที่จะมี Enterprise data warehouse จึงมีการทำ data mart แยกในแต่ละ SBU

จากนั้นอาจารย์ก็ได้ขึ้นหัวข้อใหม่ ซึ่งเป็นเรื่องของ Business Intelligence

Business Intelligence: เป็นการผสมผสานโครงสร้างของเทคโนโลยีสารสนเทศ เครื่องมือ ตลอดจน Applications โดยมีวัตถุประสงค์เพื่อ ที่ใช้ในการรวบรวม จัดเก็บ เตรียมข้อมูล ตลอดจนแปลงข้อมูลดังกล่าว ให้เป็นสารสนเทศ วิเคราะห์ และนำเสนอข้อมูลในรูปแบบที่สามารถ ทำการวิเคราะห์ตลอดจน ปรับเปลี่ยนได้อย่าง interactive

โดย BI จะประกอบไปด้วย 3 กลุ่ม Function และ Features ได้แก่ 1) Reporting and Analysis, 2) Analytics และ 3) Data Integration

    1. Reporting and Analysis - เป็นส่วนออกรายงานให้แก่ผู้ใช้ เช่น
- Enterprise Reporting System 

- Dashboards

- Scorecard

           2.Analytics - เป็นการใช้เครื่องมือในการวิเคราะห์ข้อมูล ได้แก่

- Online Analytical Processing (OLTP): เป็นเครื่องมือขั้นพื้นฐานของผู้บริหารที่ช่วยในการวิเคราะห์ ซึ่งจะสามารถช่วยระบุปัญหาและวิเคราะห์ได้ในพื้นฐานเท่านั้น ไม่สามารถตอบคำถามเชิงธุรกิจได้ ซึ่งการวิเคราะห์ข้อมูลด้วยเครื่องมือนี้จะทำให้ได้ ผู้ใช้เข้าถึง insight ของข้อมูล และมักจะแสดงผลนั้นออกมาในรูปของแผนภูมิและกราฟ นอกจากนี้การวิเคราห์จะเป็นแบบ Multi-dimensional

- Data Mining – เป็นการ extract ข้อมูลออกมาเพื่อ1) พยากรณ์แนวโน้มที่อาจจะเกิดขึ้น หรือ 2) ค้นหา Patterns ที่ไม่เคยรู้มาก่อน

Data Mining เหมาะสำหรับบริษัทที่มี Database ขนาดใหญ่ เนื่องมาจาก การที่มีฐานข้อมูลขนาดใหญ่ ทำให้ยากต่อการตัดสินใจว่า Data ดังกล่าวนั้นมีประโยชน์ หรือไม่ โดยในจุดนี้ต้องาศัยวิจารณญานช่วยในการตัดสินใจ เปรียบได้กับการแยกโลหะมีค่า เช่น ทองคำ เพชร หรือพลอย ออกจาก หินในการทำ Mining โดย Data Mining นั้น จะให้ผลลัพธ์ออกมา 5 รูปแบบดังต่อไปนี้

1.Clustering - นำเสนอข้อมูลที่มีความสัมพันธ์กันเอง
2.Classification - นำเสนอข้อมูลตามสมมติฐานที่เราคิด โดยให้ทดสอบว่าสมมติฐานนั้นจริงหรือไม่ อย่างไร
3.Association - นำเสนอผลสืบเนื่อง
4.Sequence discovery - consequence ที่เกิดตามหลังมา
5.Prediction – นำเสนอโดยการพยากรณ์สิ่งที่จะเกิดขึ้น

ข้อดีและข้อเสียของ Data Mining
- เป็นเครื่องมือที่ใช้งานง่ายสำหรับพนักงานระดับปฏิบัติการ
- แต่เทคนิคอาจมีความซับซ้อนมากเกินไป ทำให้ต้องการความรู้และการอบรม
- ผู้ใช้อาจต้องมีความรู้ด้านสถิติในการอ่านและแปลผล

-Text mining: เป็นการ mining สำหรับข้อมูลที่เป็น Unstructured Data ได้แก่ Feedback ของลูกค้า ซึ่งเครื่องมือนี้จะช่วยในการหา hidden content จากข้อมูลที่ไม่มีรูปแบบ และจับกลุ่มข้อมูลที่มีลักษณะเดียวกันเข้าด้วยกัน โดย Applications ของ text miningนั้นได้แก่

 - Automatic detection of email spam or phishing through analysis of the document content
 - Automatic procession of messages or e-mails to route a message to the most appropriate party to process that message
 - Analysis of warranty claims, help desk calls/reports and so on to identify the most common problems and relevant responses