آغاز فعالیت آکادمی عصر اوراکل

دوستان

به اطلاع میرسانم موسسه آموزشی آکادمی عصر اوراکل با مدیریت آموزشی اینجانب حمیدرضا قاسمی از ابتدای سال 1398 آغاز بکار کرده است. علاقه مندان میتوانند جهت اطلاع از دوره های آموزشی آکادمی عصر اوراکل به وبسایت AsreOracle.com مراجعه و یا با شماره تلفن [phone] تماس حاصل نمایند.

دوره های قابل ارائه در آکادمی عصر اوراکل به شرح زیر میباشد:

 

  توسعه برنامه های کاربردی

نام دوره	مدت دوره (ساعت)	مدرس
Oracle Database 18c: Introduction to SQL	40	مهندس رستنده
Oracle Database 12c Program with PL/SQL	40	مهندس رستنده
Oracle Database: SQL Tuning for Developers>	16	مهندس رستنده
Oracle Application Express Workshop I	32	--
Oracle Application Express Workshop II	32	--

  پایگاه داده Oracle 18c

نام دوره	مدت دوره بر ساعت	مدرس
Oracle Database 18c: Admin, Install and upgrade Accelerated	48	مهندس رستنده
Oracle Database 18c: Data Guard Administration	32	مهندس رستنده/مهندس قاسمی
Oracle Database 18c: RAC and Grid Infrastructure Administration	32	مهندس رستنده/قاسمی
Oracle Database 18c: Security	32	مهندس رستنده
Oracle Database 18c: Performance Tuning	24	مهندس رستنده
Oracle Database 18c: New features	32	مهندس رستنده
Oracle Database 18c: Managing Multitenant	24	مهندس رستنده

  هوش تجاری و انبارداده اوراکل

نام دوره	مدت دوره بر ساعت	مدرس
Data Warehouse Fundamentals	16	مهندس قاسمی
Oracle Data Integrator 12c	40	مهندس قاسمی
Oracle Business Inteligence 12c: Create Dashboard & Build Repository	56	مهندس قاسمی
Oracle Golden Gate 18c	24	مهندس قاسمی
Oracle Data Warehouse Performance Tuning	8	مهندس قاسمی
Oracle Business Intelligence 12c: Special Features	12	مهندس قاسمی

  علم داده (داده کاوی و بیگ دیتا)

نام دوره	مدت دوره بر ساعت	مدرس
Data Mining Concepts & Techniques with R	40	دکتر عشقی
Python Standard	40	مهندس سهامی
Machine learning with Python	40	مهندس سهامی
Hadoop Big Data Fundamentals	40	مهندس نادری

  سیستم عامل لینوکس

نام دوره	مدت دوره بر ساعت	مدرس
Linux 7.x For Data Engineers	40	مهندس ثابتی مقدم
Linux 7.x Essentials and System Administration	16	مهندس ثابتی مقدم

ويژگي هاي اساسي يک معماري خوب براي سيستم BI چيست؟

1. Usability: ارائه تمامي امکانات BI به نحوي يکسان و مشترک براي تمامي کاربران مختلف و آمادگي براي تهيه تمامي اطلاعات مورد نياز کاربران مختلف.
2. استفاده از يک API مشترک و واحد براي يکپارچه­سازي (Integration) و گسترش­پذيري (Extensibility): يک API امکان يکپارچه کردن BI با ساير سيستم­هاي فعلي يا بعدي را به وجود مي­آورد. در اين راستا بايد از يک نوع API استفاده کرد که تمامي componentهاي BI را در برمي­گيرد.
3. استفاده بهينه از منابع موجود براي ساده­سازي و ROI: يک معماري نوين براي BI بايد بيشترين بازگشت سرمايه را با پياده­سازي و به کارگيري سريع سيستم BI دربرداشته باشد. اين معماري بايد از محيط برنامه­هاي کاربردي مختلف پيچيده و ترکيبي و يکپارچه­سازي با زيرساخت­هايي مانند platform ها، پايگاه­هاي داده، منابع OLAP، سرورها، برنامه­هاي کاربردي وب سرورها، تامين­کننده­هاي امنيت (Security Providers)، کاهش پياده­سازي­هاي جديد و هزينه­هاي نگه­داري پشتيباني نمايد.
4. دسترسي گسترده به داه­هاي سازمان: هر سازماني طيف گسترده­اي از داده­هاي مختلف و مکانيزم­هاي ذخيره­سازي براي کاربران مختلف و براي اهداف مختلف دارد. براي ايجاد انعطاف­پذيري سيستم (Flexibility) براي يکپارچه­سازي داده­ها (data Integration) و دسترسي به داده­ها بايد در معماري سيستم از يک استراتژي باز داده­اي (open data strategy) استفاده کرد. کاربراني که از داده­هاي استفاده مي­کنند بايد از جامعيت داده در سراسر سازمان اطمينان داشته باشند.
5. Common business view: فرايندهاي تجاري و تحليل­هاي انجام شده بر اساس آنها، فارغ از منبع داده و اطلاعات بايد در سراسر سيستم BI مشترک بوده و تمامي نتيجه­گيري­ها در يک راستا باشند. تا مديران و knowledge worker ها با اطمينان از صحت و جامعيت داده (Validity) از نتايج تحليلي استفاده نمايند.
6. Agility: معماري BI بايد به گونه­اي باشد که در صورت ايجاد تغييري در سازمان مانند يک استراتژي جديد، يک برنامه کاربردي جديد و... تغييرات لارم را به سرعت و درستي در ساير بخش ها اعمال نمايد.
7. Interoperability of BI Capabilities: کاربران تجاري نياز دارند به تمام capability هاي BIاز طريق يک رابط دسترسي داشته باشند. کاربران مي توانند از طريق اين واسط مشترک به تحليل ها و ابزارهاي مختلفي دسترسي داشته باشند و يا به صورت اشتراکي در تهيه يک گزارش شرکت کنند. کاربر گزارشي را تهيه کرده و در اختيار ديگران قرار مي دهد. هر کسي تنها اطلاعاتي را که بايد ببيند، مشاهده مي کند. در نهايت مدير تجاري از گزارش هاي مختلف را مشاهده کرده و نتايج به دست آمده را در اختيار ديگران قرار مي دهد.
8. سهولت در به کار گيري (Deploy): براي به دست آوردن حداکثر فوايد استفاده از BI، نيازمند معماري هستيم که به راحتي قابل پياده سازي، يکپارچه کردن و به کارگيري باشد. شرکاي تجاري و مشتري ها نياز مند سيستم هايي هستند که به راحتي قابل نصب، به کار گيري و استفاده باشد.
9. Scalability and Reliability.
10. Security: معماري BI بايد آماده پذيرش تعداد زيادي از security provider ها را داشته باشد.

معماري DWH از ETL تا پايان

معماري يك پايگاه داده تحليلي شامل سه لايه مي باشد:

1- لايه زيرين، منابع اوليه داده را تشكيل مي­دهد. اين لايه شامل پايگاه­هاي داده رابطه­اي، فايل­هاي مسطح و منابع ديگر است.

2- لايه مياني را خود پايگاه داده تحليلي و سرويس دهنده­هاي پردازش تحليلي برخط تشكيل مي­دهند. سرويس دهنده­هاي پردازش تحليلي بر خط، داده چند بعدي را براي ارائه به كاربران نهايي در اختيار قرار مي­دهند.

3- لايه انتهايي، سرويس گيرنده­ها هستند كه با عمليات داده­كاوي، پرس­وجو و تحليل، داده را از سرويس­دهنده­هاي پردازش تحليلي بر خط مي­گيرند.

سرويس‌دهنده­هاي پردازش تحليلي بر خط كه در لايه مياني معماري پايگاه داده تحليلي قرار دارند، سه نوع هستند:

1- پردازش تحليلي برخط رابطه‌اي (Relational OLAP- ROLAP)

2- پردازش تحليلي برخط چندبعدي (Multi-dimensional OLAP- MOLAP )

3- پردازش تحليلي برخط تركيبي (Hybrid OLAP - HOLAP )

 

در این لایه بندی به DWH به عنوان یک black box نگاه شده است و جایگاه آن در بین سایر ابزار ها بیان شده است. همانطور که مشخص است، ارتباط بین لایه اول با لایه دوم از طریق فرایند ETL برقرار می شود. این فرایند در واقع همان مرحله اول ساخت DWH است که در بخش قبل بیان شد. لایه میانی خود DWH و گروهی از سرویس دهنده ها قرار گرفته اند، که سرویس های خاص DWH را در اختیار ابزارهای سطح بالا قرار می دهند. این ابزار ها در واقع در مرخحله سوم ساخت DWH به وجود می آیند. در انتها ایه ای از یک سری ابزار سطح بالای تحلیلی وجود دارد که در مرحله آخر به وجود می آیند. لایه انتهایی دارای ابزارهای خاص منظوره برای انجام فرایندهای تصمیم گیری در سطوح مختلف سازمانی است. لایه میانی یک بستر عمومی است که به وسیله هوش تجاری ایجاد می شود و قابلیت به اشتراک گذاری بسیاری از امکانات خاص را برای برنامه ها و ابزار های مختلف دارد.

ایجاد این بستر به طور کاملا ماجولار و جدا از سیستم های موجود در لایه پایینی و بالایی یکی از مهمترین فاکتورهای ایجاد یک هوش تجاری موفق می باشد.

مراحل ساخت پايگاه داده تحليلي

1- آماده­سازي (ETL)

·        استخراج داده

·        پاك­سازي داده

·        بايگاني كردن داده قبل و بعد از پاك­سازي

2- يكپارچگي(Integrity)

·        تطبيق داده و يكپارچگي چند منبع داده­اي

3- تحليل سطح بالا

·        محاسبه ديدهاي تحليلي از ديدهاي پايه - ايجاد پارامترهاي تحليلي

4- خصوصي­سازي

·        استخراج و خصوصي سازي اطلاعات - ايجاد پايگاه داده تحليلي خاص

 

هر یک از این مراحل، توسط افراد خاصی باید انجام شود. در واقع تخصص های مورد نیاز برای انجام هر یک از مراحل فوق با هم دیگر فرقق می کند.

باید توجه داشت که تقریبا از مرحله اول نیازمند وجود Repository  برای ذخیره meta data ها هستیم. همچنین ممکن است در مراحل آخر نیازمندی جدیدی برای مرحله ETL پیش آید که در این صورت نیازمند انجام مجدد مراحل اولیه هستیم.

Metadata Repository چيست؟

Metadata اطلاعات توصيف کننده داده هاي موجود در data warehouse است. اين اطلاعات شامل موارد زير مي­شود:

·        توصيف ساختار اطلاعات در data warehouse.

·             schema, view, dimensions, hierarchies, derived data definitions, data mart locations and contents

·        Metadata هاي عملياتي (operational).

·             data lineage (history of migrated data and transformation path)

·             currency of data (active, archived, or purged)

·              monitoring information (warehouse usage statistics, error reports, audit trails)

·       روش­هاي مورد استفاده براي خلاصه­سازي.

·       تناضر بين اطلاعات موجود در Data warehouse با محيط هاي عملياتي سازمان.

·       داده هاي مربوط به کارايي (performance) سيستم.

·       داده هاي تجاري: مانند اصطلاحات و تعاريف تجاري، مالکيت داده ها، سياست هاي تجاري و... .

Data Mart چیست؟

بخشي از اطلاعات موجود در DWH در Data Mart نگهداري مي شود. اين اطلاعات بر حسب نياز گروه­هايي که در بخش IT سازمان فعاليت مي کنند انتخاب و استخراج مي شوند. در حالت کلي، اطلاعات مذکور از منابع اطلاعاتي مختلف موجود در سطح سازمان قابل تهيه هستند. معمولا اطلاعات موجود درData Mart از يک DWH استخراج مي شود. در مجموع مي­توان گفت در يک Data Mart ايجاد شده براي يک گروه knowledge worker، اطلاعاتي وجود دارد که گروه مذکور، از لحاظ تحليلي و محتوايي به آن نياز دارند و اين اطلاعات را مي­توان به فرمت مناسب براي گروه مذکور نمايش داد. Data martها به سه صورت وابسته، منطقي و Operational Data Store (ODS) وجود دارند.

• Data Mart وابسته: يک پايگاه داده فيزيکي است که ممکن است سخت افزار آن از سخت افزار DWH مجزا باشد و شامل زيرمجموعه هاي کوچکي از اطلاعات مي شود.
• Data mart منطقي: به صورت فيزيکي وجود ندارد بلکه يک view فيلتر شده از DWH است. اين نوع Data Mart نيازي به حافظه اضافي ندارد و داده ها هميشه بروز هستند. البته در اين نوع Data Mart زمان پاسخ دهي سيستم بيشتر خواهد بود.
• ODS: يک پايگاه داده يکپارچه از داده هاي عملياتي سازمان هستند که معمولا اطلاعات باارزش يک دوره 30 يا 60 روزه را در بر دارند و براي گزارش گيري هاي مربوط به زمان حال که قابل دستيابي از DWHنيستند، مورد استفاده قرار مي گيرند.

لازم به ذکر است از Data Mart ها به صورت جداول ايندکس هم استفاده مي­شود به اين صورت که به جاي آنکه اطلاعات سيستم در يک پايگاه اطلاعاتي مرکزي تکرار شود، اطلاعات سازمان تنها در منابع اطلاعاتي اوليه ذخيره مي شوند و ايندکس هايي از اطلاعات ايجاد مي شوند. در اين ايندکس ها (که همان Data Martها هستند)، مشخص شده است که هر منبع اطلاعاتي شامل چه اطلاعاتي است و چگونه مي توان اطلاعات مورد نظر را از آن استخراج کرد. به اين روش، روش quick and dirty گفته مي شود. زيرا در اين روش Data Mart ها را مي­توان به سرعت ايجاد کرد و از طرفي اطلاعات مانند روش قبل پاکسازي نمي شوند.

يک Data warehouse براي جمع آوري تمامي اطلاعات در مورد موضوعات (subjects) مختلف مانند مشتري ها، محصولات، فروش، منابع، پرسونل و... ايجاد مي شود. اين اطلاعات در حوزه کل سازمان قرار دارد. ولي Data Martها اطلاعات زير مجموعه هاي سازماني را که روي يک موضوع خاص متمرکز است، در بر دارند.

براي ايجاد بستر داده اي براي BI به دو روش مي توان عمل کرد:

1- بالا به پايين (top-down): گه در اين روش يک DWH يکپارچه و يا يکODS براي کل يک سازمان ايجاد مي شود. اين پايگاه داده بزرگ تمامي اطلاعات و داده هاي عملياتي سازمان را در بر دارد. ايجاد، پياده سازي و استفاده از اين نوع پايگاه داده بسيار گران، هزينه بر و سخت است.

2- پايين به بالا (down-top): در اين روش داده هاي مرتبط با هم در يکdata mart قرار مي گيرند و چندين data mart در نقاط مختلف سازمان ايجاد شده و در راستاي همديگر يک DWH براي سازمان ايجاد مي کنند.

براي ايجاد بستر داده اي يک سازمان روش اول بسيار سخت و هزينه بر است و در بسياري از کاربرد ها غير ممکن به نظر مي رسد.

با توجه به اينکه بسياري از سازمان ها از قبل داراي منابع داده اي جدا هستند، استفاده از Data mart ها بسيار به صرفه به نظرمي آيد و عملا نيز بسياري از سازمان ها از اين روش در BI استفاده مي کنند. يکي از نقاط ضعف اين روش اين است که داده ها و اطلاعات مربوط به يک فعاليت در سازمان ممکن است در چندين data mart نگه داري شود که باعث ايجاد افزونگي در اطلاعات سازمان مي شود.

Data mart ها بنا به کاربرد و انتظاراتی که از لحاظ کارآیی از آنها دارند، طراحی و پیاه سازی می شوند. در کاربرد­هایی که نیاز است آخرین تغییرات داده های سازمان در Data mart وجود داشته باشد نمی توان از Data mart های وابسته استفاده کرد و بهتر است در صورت کوچک بودن حجم پردازش مربوط به queryاز Data mart منطقی استفاده شود. در صورتی که حجم پردازش بالا باشد و نتوان آن را در زمان مناسبی از DWH استخراج کرد بهتر است بنا به مقدار هزینه ای که برای استقرار در نظر گرفته شده است، از Data mart های وابسته و یا ODS ها استفاده شود.

با توجه به تقسیم بندی application های هوش تجاری در سطوح مختلف سازمانی (استراتژیک، تاکتیکی و عملیاتی) می­توان گفت data mart هایی که خاص منظور هستند، بیشتر ما بین سطوح عملیاتی و تاکتیکی کاربرد دارند. این data mart های اطلاعات ورودی خود را از سیستم های عملیاتی گرفته و با استفاده از ابزارهای هوشمند در سطوح میانی مدیریت که مربوط به مدیریت تاکتیکی می شود کاربرد دارند.

برای استفاده در سطوح استراتژیک که در سطوح بالای مدیریتی انجام می شود و در دفعات کم معمولا با انبوه اطلاعات enterprise wide سر و کار دارد، می توان از خود DWH و یا data mart های خاص استفاده کرد.

همچنین می توان از ترکیبی از روش های فوق برای پیاده سازی data martهای خاص استفاده کرد. برای مثال می توان از قسمتی از داده های یک Data mart وابسته را با استفاده از تکنیک data mart منطقی از بخش دیگری از یکData mart دیگر تهیه کرد.

ویژگی های اصلی DWH چیست؟

1- مبتني بر موضوع:

·                 سازماندهي داده­ها بسته به چگونگي ارجاع كاربران.

2- يكپارچگي

·                    يكپارچه سازي اسامي.

·                    يكپارچه سازي واحدهاي اندازه­گيري متغيرها.

·                    يكپارچه سازي ساختارهاي داده­اي از نظر محدوده ارزشها.

·                    حذف ناسازگاريها و اطلاعات متناقض.

3-  غير قابل تغيير

·                   داده­هاي فقط خواندني

4- محدوده وسيع زماني

·                   محيط هاي عملياتي: گستره زماني 60-90 روز

·                   پايگاه داده تحليلی: گستره زماني 5-10 سال

5- خلاصه شده

·                   داده هاي تحليلي مناسب براي تصميم­گيري­ها بر اساس اهداف تعيين شده

6- حجيم

·                   به علت محدوده وسيع زماني

7- نرمال­نشده

·                   امكان وجود افزونگي

پایگاه­داده تحلیلی در واقع پایگاهی است که خروجی فرایند ETL در آن قرار می­گیرد. داده­های استخراج شده و منتقل شده در این پایگاه داده load می­شوند. قابل ذکر است که در پیاده سازی یک DWH می­توان از روش­های مختلفی استفاده کرد که استفاده از data martها یکی از آن است. بسته به نحوه پیاده­سازی یک DWH میزان اهمیت خصوصیات فوق تغییر می­کنند.

دقت در خصوصیات مهم فوق نشان می دهد که آنچه در پیاده سازی و کارگیری یک DWH بیشتر مهم است، میزان توانایی آن در پاسخ گویی بهquery ها است و هزینه را بیشتر در بخش ایجاد و وارد کردن اطلاعات وارد می کنند تا هزینه زمانی کمتر و کارآیی بالاتری را در هنگام بازیابی اطلاعات به دست آورند. این نکته مهم در می تواند در معماری سیستم بسیار مهم باشد.

پایگاه داده تحلیلی (Data Warehouse) چیست؟

DWH يک سيستم کامپيوتري از اطلاعات است که به گونه­اي مناسب براي انجام عمليات گزارش­گيري و تحليلي داده­ها بر اساس زمان، طراحي شده است. اين سيستم اغلب به صورت جداگانه­اي از سيستم­هاي عملياتي روزانه قرار مي­گيرد. Bill Inmon که از او به عنوان پدر DWH ياد مي شود آن را به اين ترتيب تعريف مي­کند:

" DWH متشکل از يک پايگاه داده و تعدادي جز (component) متصل است با ويژگي هاي زیر:

• موضوع­گرا (Subject Oriented): پايگاه­داده به گونه­اي سازماندهي شده است که تمامي اطلاعاتي که به یک موضوع يا موجوديت خاص مربوط هستند با يکديگر مرتبط هستند.
• متغير با زمان: تغييرات ايجاد شده در پايگاه­داده اوليه در آن اعمال مي­شوند.
• Non-volatile: داده­هاي اطلاعاتي هرگز حذف نشده، با داده­هاي جديد جايگزين نمي­شوند.
• يکپارچه: اطلاعات موجود در پايگاه­داده از سراسر سازمان جمع­آوري شده­اند و با هم سازگاري دارند".

هدف اصلي DWH ايجاد بستري مناسب براي توليد اطلاعاتي است که به Knowledg worker هاي سازمان (مديران، عوامل اجرايي و تحليلگران) براي اتخاذ تصميم­هاي درست کمک مي­کند. براي اين منظور از DWH در تهيه گزارش­ها، اطلاعات تحليلي، تعامل بلادرنگ با سيستم­هاي عملياتي وProfiling استفاده مي­شود.

با DWH مي­توان در سازمان سيستم تصميم­يار (Decision support) ايجاد کرد. اطلاعاتي که در  DWH نگهداري مي­شود از آنچه در پايگاه­هاي داده نگهداري مي­شود (که شامل اطلاعات جزيي و روزمره است) به مراتب مهم­تر و ارزشمندتر است. در DWH تمامي اطلاعات موجود در سازمان از ابتدا تاکنون به صورت يکپارچه و سازماندهي شده نگهداري مي­شود. در اين مخزن اطلاعاتي، اطلاعات از تمامي منابع اطلاعاتي و در يک بازه زماني طولاني جمع­آوري مي­شوند و به اين دليل حجم اطلاعات بسيار زياد است.

در DWH نياز به سازماندهي مناسب اطلاعات و استفاده از روش­هاي مناسب دسترسي به اطلاعات وجود دارد. DWH با طراحي متفاوت خود به صورت چندبعدي (Multi dimensional) قادر است تمامي این موارد را در نظر بگيرد. براي مثال در اطلاعات نگهداري شده براي فروش، زمان فروش، ناحيه فروش، فروشنده و محصول به فروش رفته به عنوان ابعاد مختلف در نظر گرفته مي­شوند. اغلب اين بعدها حالت سلسله مراتبي (Hierarchical) دارند. مثلا ممکن است زمان فروش شامل تاريخ و ساعت فروش محصول باشد. طراحي مدل داده چند بعدي با استفاده از تکنيک­هاي مرسوم در محيط­هاي OLTPمانند ERD و نرمال­سازي مناسب نيست. زيرا آنچه در DWH مهم است ايجاد امکان پرس­و­جو و بارگذاري سريع اطلاعات است.

در بيشتر DWH از star schema براي ايجاد مدل داده چندبعدي استفاده مي­شود. در اين مدل، پايگاه­داده شامل يک جدول fact و تعدادي جدول مجزا براي ابعاد است. در جدول fact رکورد اطلاعاتي شامل تعدادي اشاره­گر (کليد خارجي) به جداول ابعاد و مقادير مربوط به معيارهاي عددي است. Attributeها به همراه کليدها در جداول ابعاد قرار مي­گيرند.

برخي از سازمان­ها تمايل دارند DWH به صورت سراسري طراحي شود به طوريکه تمامي اطلاعات موجود در سازمان در آن قرار گيرند. طراحي و استفاده از DWH به اين صورت کاري پيچيده و زمان­بر است. به همين علت در بسياري از سازمان ها از Data Mart استفاده مي­شود.

تکنيک ها و ابزار به کار رفته در BI

در يك راه حل BI ارائه شده براي يك سازمان، افراد مختلفي در بخش هاي مختلف درگير مي شوند. اين افراد بايد از نرم افزارهاي كاربردي و تكنولوژي هاي مختلف در مراحل مختلف شامل جمع آوري، ذخيره سازي و تجزيه و تحليل اطلاعات و ارائه نتايج به دست آمده، استفاده كنند. براي اين منظور، ابزارهاي مختلفي توسط شركت هاي مختلف تهيه شده اند. ابزارهاي BI نرم افزارهاي کاربردي هستند که براي فرآيندهاي موجود در BI طراحي شده اند و با آنها مي توان اطلاعات را مورد تجزيه و تحليل قرار داد و آنها را به صورت مناسبي ارائه کرد.
در مراحل مختلف BI با توجه به عمليات مورد نظر در آن مرحله از تکنيک هاي مختلفي استفاده مي شود که در ادامه به بيان آنها خواهيم پرداخت. لازم به ذکر است ابزار طراحي شده نيز بر مبناي اين تکنيک ها هستند.
1-ETL
Data Ware House -2
OLAP- 3
4- داده کاوي (Data Mining)
5- نرم افزارهاي گزارش گيري
6- On-Line Transaction Processing
Intelligent Decision Support System -7
Intelligent Agent -8
Knowledge Management System -9
Supply Chain Management -10
Customer Relationship Management -11
Enterprise Resource Planing- 12
Enterprise Information Management- 13 

ابزارها و تکنیک ها در سطوح مختلفی قرار می گیرند به گونه ای که سطوح پایین تر خود، ابزارها و تکنیک های سطوح بالاتر محسوب می شود. می توان گفت برخی از تکنیک ها به صورت افقی (horizontal) و برخی به صورت عمودی (vertical) در هوش تجاری مورد استفاده قرار می گیرند. تکنیک های افقی تکنیک هایی هستند که در اکثر بخش ها و اجزای هوش تجاری مورد استفاده قرار می گیرند. مانند OLAP، پردازش های هوشمند، داده کاوی، سیستم های خبره و... تکنیک های عمودی تکنیک هایی هستند که با استفاده از برخی تکنیک های افقی و برخی تکنیک های خاص در حوزه خاصی از فرایند تجاری سازمان کارایی دارند.
از این رو تکنیک های افقی نیازمند دقت بیشتری در پیاده سازی و گسترش هستند به طوری که بتوانند با اجزای مختلف در platform های مختلف در رابطه باشند. پیاده سازی این اجزا بر اساس استانداردهای خوب یکی از چالش های مهم در رابطه با هوش تجاری است.
می توان در معماری هوش تجاری برای سازمان، این دو بخش را از همدیگر جدا کرد و هوش تجاری را سبدی از جنس ابزارهای افقی دانست که هر ابزار عمودی را می توان در آن قرار داد. ایجاد یک معماری افقی ثابت برای یک سازمان، رشد هوش تجاری در آینده را ضمانت می کند.

گردش اطلاعات در فرآيند BI

داده ها با ورود به سيستم مورد پردازش قرار گرفته و تبديل به دانش مي شوند. سپس دانش به دست آمده مورد تحليل قرار گرفته و نتايج تحليلي از آن حاصل مي شود. از روی نتايج تحليلي بينشي نسبت به سازمان پيدا مي شود که بر اساس آن مديران تصميات لازم را اتخاذ مي کنند و اعمالي براي بهبود عملکرد سازمان انجام مي دهند.
از اين ديدگاه تجاری اطلاعات موجود ابتدا قادر به پاسخگويي به اين سؤال هستند: "در سيستم چه اتفاقي افتاد است؟" با پردازش اطلاعات موجود مي توان به اين سؤال پاسخ داد: "اين اتفاق چرا رخ داده است؟" در نهايت با تصميمي که مديران اتخاذ مي کنند ميتوان پيش بيني کرد: "چه اتفاقي خواهد افتاد؟"
فرايند BI را مي توان به صورت زير نشان داد: داده -> اطلاعات -> دانش -> برنامه قابل اجرا (Actionable Plan)
• داده به اطلاعات: فرايند تعيين داده هايي که بايد در يک حوزه (context) خاص بايد جمع آوري و مديريت شوند.
• اطلاعات به دانش: فرايندي که شامل اجزاي تحليلي مي شود. مانند: data warehousing، OLAP، data quality، data profiling، business rule analysis و data mining.
• دانش به برنامه قابل اجرا: مهمترين جنبه از فرايند BI است. داده اي داراي ارزش است که بتوان از آن برنامه قابل اجرا به دست آورد. اين ويژگي از مهمترين پارامترهاي ROI براي BI در يک سازمان است.