1

6. Sustavi poslovne inteligencije

O čemu će biti riječi?

� Što je poslovna inteligencija (BI) ?� Što je skladištenje podataka?� Koja je uloga skladišta podataka u

informacijskom sustavu tvrtke?� Koje se razine analiza koriste za obradu

podataka u skladištu?� Koji se alati koriste kod skladištenja

podataka?� Koji su trendovi razvoja BI sustava?

2

Što je poslovna inteligencija?

� Poslovna inteligencija (eng. Business Intelligence – BI) je skup metodologija i softverskih alata koji omogućavaju:� korištenje podataka (najčešće iz skladišta podataka

(eng. Data Warehouse)) i � njihovo pretvaranje u informaciju potrebnu za

donošenje poslovnih odluka (Klepac, Mršić, 2006).

Cilj BI – iz podataka iznjedriti informaciju koja će povećati uspješnost poslovanja

� Uočiti neočito, nepoznato i skriveno, na temelju obrade velike količine internih i eksternih podataka tvrtke

Kako je sve počelo?

� Otkrića zaslužna za otkrivanje znanja u bazama podataka:� Starogrčki matematičari – Euklid, Pitagora (razvoj algoritama za

clusteriranje)� Bayes, Pascal, Laplace, Newton, Lobachevski, Gauss – razvoj

teorija vjerojatnosti, optimizacije i dr. � BI nekad – postojao u smislu poslovne špijunaže, gdje

je cilj bio doći do informacija koje će povećati uspješnost tvrtke u odnosu na konkurenciju (tzv. “James Bond BI”)� Glavni problem = kako doći do informacije

� BI danas – orjentiran na alate i metodologiju koja će otkriti uzorke, uzroke problema ili predviđanja� Glavni problem = kako masu informacija obraditi i iz nje izvući

zakonitosti

3

Začetak BI u današnjem smislu - skladište podataka

� William H. Inmon, "The Father of Data Warehousing" - kreator ideje o skladištu podataka (1990).

� Autor 46 knjiga, više od 650 članaka, kolumnist u časopisu The Business Intelligence Network.

� Svoj koncept skladištenja podataka u informacijskom sustavu tvrtke nazvao je Corporate Information Factory� Nedavno napravio dizajn informacijskog sustava za javnu administraciju, pod nazivom Government Information Factory.� Kao poduzetnik osnovao tvrtke Prism Solutions, Pine Cone Systems (Ambeo) i Inmon Data Systems, Inc. � Kreirao portal za edukaciju o skladištenju podataka www.inmoncif.com.� Najpoznatija knjiga: BUILDING THE DATA WAREHOUSE, FOURTH EDITION, John Wiley and Sons, New York, 2005.

Skladištenje u Hrvatskoj

SITUACIJA:� Neke od hrvatskih tvrtki koje se bave izgradnjom i implementacijom

sustava poslovne inteligencije: IDC Adriatics, Poslovna inteligencija, SoftPro Tetral, Reifessen Consulting, i dr.

� 2006. - u Hrvatskoj za tzv. BI softver i pripadajuće informatičke usluge utrošeno 12,2 milijuna dolara ili 30 posto više nego u godini prije

• listopad 2007 – Bill Inmon gost-predavač na konferenciji IDC Business Intelligence u Zagrebu

Izvor: Lider,

4

Zašto skladištenje podataka?

� poslovna inteligencija izvodi se iz podataka što nastaju tijekom redovitog poslovanja tvrtke

� zbog obima, ti se podaci svake godine arhiviraju, brišu i u bazi podataka ostaju samo podaci tekuće godine

� osim toga, podaci u bazi moraju biti ažurni, pa se stari podaci zamjenjuju novima (npr. stare cijene, stare količine na skladištu ili u prodavaonici se zamjenjuju novima), i tada se starim vrijednostima gubi trag u bazi

� za operativno vođenje poslovanja stare vrijednosti npr. količina na skladištu nisu važne, ali su važne za poslovnu inteligenciju koja prati vremenski redosljed zbivanja pojedinih poslovnih događaja

zaključak transakcijske baze više nisu dovoljne, javlja se potreba za SKLADIŠTEM PODATAKA

Po čemu se skladište razlikuje od baze podataka?

� Skladište nisu nagomilani svi podaci iz baza podataka proteklih godina.

� U skladištima se arhiviraju neki podaci iz baze podataka, za koje se smatra da su važni za analize (relevantni).

� Podaci u skladištu se organiziraju u višedimenzionalne kocke (eng. cubes).

� Podaci u skladištu su trajni i vežu se uz vrijeme nastajanja.

� Cilj skladišta podataka nije operativnost poslovanja, nego stvoriti što bogatiji izvor informacija za različite dugoročne i kratkoročne analize i predviđanja.

5

Što je skladište podataka?

� Prema definiciji W.H. Immona, skladište podataka je skup subjektno orjentiranih, integriranih, vremenski ovisnih i nepromjenjivih podataka za podršku poslovnom odlučivanju.

� To je onaj “oblik baze podataka kojemu su svojstvena sljedeća 4 obilježja:” (u Panian, Klepac, 2003): � usmjerenost predmetima (funkcionalnim područjima)� sadržajna nepromjenjivost� integriranost� vezanost uz vrijeme (vremenska određenost)

Kako nastaje skladište podataka?

Analiza podataka

Modeliranje podataka

Skladište podataka

Ad hoc izvještaji

Posebni izvještaji

Dubinski izvještaji (drill-down i drill-through)

Data Warehousing – skladištenje podataka

Informacijski sustav tvrtke (ERP)

baza podataka

Reporting, OLAP, Data mining

ETL procesi

6

Što su ETL procesi?

� ETL je skup procesa koji ima za cilj ekstrahirati odnosno zahvaćati ili vaditi (engl. Extract), transformirati odnosno preoblikovati (engl. Transform) i puniti ili unositi (engl. Load) podatke iz jednog ili više transakcijskih sustava u skladište podataka

Transakcijske baze

podataka

ETL procesi

Skladište podataka

izvor: Panian, Klepac, 2003, str.86, modificirano

Izvještaji poslovne inteligencije

Uloga ETL procesa

� ETL procesi su nužni kada se podaci prebacuju iz baze podataka u skladište podataka

� ETL procesi počinju pripremom podataka, koja uključuje:� reformatiranje (podaci koji su u datotekama s različitim

formatima se svode na isti format kako bi se mogli koristiti u daljnjim fazama obrade) - npr. formati različitih baza, excel formati, .txt formati i dr.

� usklađivanje (neki podaci su redundantni, pa ih treba otkriti i uskladiti, a neki inkonzistentni (nedosljedni), pa njihove vrijednosti treba ujednačiti) – npr. može se desiti da se ista prodavaonica vodi pod dvije različite šifre, ili da se naziv istog proizvoda ne podudara u svim tablicama baze

� čišćenje (ukloniti “prljave” podatke koji su nastali zbog ranijih grešaka u radu sustava ili su namjerno ubačeni) – npr. razni probni podaci, pogrešno uneseni, ili virusi)

7

Programski alati za ETL

Programski alati za ETL vrše:� ekstrakciju – omogućuju korisniku izbor relevantnih podataka iz

baze koji će se pohraniti u skladište (koji podaci o klijentima, računima, proizvodima, narudžbama, prodaji, zalihama itd.)

� transformaciju – prijenos podataka u format koji odgovara skladištu (reformatiranje, usklađivanje i čišćenje podataka iz baze) –oduzimaju 80% vremena cijelog ETL procesa

� punjenje skladišta – incijalno punjenje, punjenje povijesnih podataka i inkrementalno punjenjeNakon što se završi inicijalno punjenje i punjenje povijesnih

podataka, programi za inkrementalno punjenje se pokreću periodički (dnevno ili tjedno ili mjesečno) i stalno pune skladište podataka novim relevantnim podacima iz baze.

Izbor ETL alataAnaliza troškova i koristi

Stvaranje popisa ETL proizvoda i ponuđača

Usporedba ETL proizvoda i ponuđača

Objektivno ocjenjivanje svakog ETL proizvoda

Provjera referentne liste klijenata svakog ponuđača

Sužavanje popisa ETL proizvoda i ponuđača

Organiziranje demonstracija ETL proizvoda

Testiranje odabranih ETL proizvoda

Pri odabiru ETL alata koji će tvrtka koristiti, potrebno je proći sve ove faze do konačnog izbora.

Najpoznatiji alati takve vrste su Ardent DataStage i Informatica.

izvor: Panian, Klepac, 2003, str.94, modificirano

8

Arhitektura skladišta podataka

Danas su u upotrebi 3 osnovne arhitekture skladišta podataka (Panian, Klepac, 2003):

� dvoslojna s jednim zajedničkim skladištem podataka (Izvori podataka + Data Warehouse)

� dvoslojna s većim brojem nezavisnih lokalnih spremišta podataka (Izvori podataka + Data Marts)

� troslojna s jednim skladištem i većim brojem spremišta (Izvori podataka + Data Warehouse + Data Marts)

Najviše u upotrebi: troslojna arhitektura

Troslojna arhitektura skladišta

Skladište podataka

Spremište podataka

Spremište podataka

Spremište podataka

Spremište podataka

Spremište podataka

izvor: Panian, Klepac, 2003, str.99, modificirano

Podaci iz naslijeđenih sustava

Operativni podaci

Podaci iz vanjskih izvora

Data Mart Data Mart Data Mart

Data Warehouse

9

Karakteristike troslojne arhitekture

� Veći broj lokalnih spremišta podataka (Data Marts) povezan je u jedno skladište podataka

� Skladište je pozicionirano između lokalnih spremišta i izvora podataka

� U skladište se pohranjuju podaci iz baza podataka tvrtke da bi se onda isporučivali lokalnim spremištima u jedinstvenom usklađenom formatu

� Lokalna spremišta podatke dobivene iz skladišta agregiraju i sažimaju prema kriterijima koje diktiraju njihove lokalne aplikacije (tj. uzimaju one podatke koji im trebaju, po potrebi ih sintetiziraju)

� Lokalna spremišta su zavisna o skladištima, jer jedino preko njih dobivaju podatke

Prednosti i nedostaci troslojne arhitekture skladišta

Prednosti:� radno opterećenje informatičara se smanjuje (jer su podaci već

usklađeni u skladištu, pa se u spremištu samo preuzimaju)� više mogućnosti dodavanja novih aplikacija� unapređenje točnosti i preciznosti informacija (jer sve potiču iz jednog

skladišta)� manje poteškoća u komunikaciji i suradnji org. jedinica i dijelova

tvrtke na poslovima koje treba obavljati zajednički� moguće korištenje aplikacija koje nadilaze okvire tvrtke (povezivanje

sa dobavljačima i kupcima u lancu vrijednosti)Nedostaci:� razmjerno visoki troškovi uspostavljanja zajedničkog skladišta na

razini tvrtke (da bi se ovaj nedostatak otklonio, radi se postupna (inkrementalna) izgradnja skladišta: najprije se kreira prvo spremište, zatim miniskladište, te se radi postupno dodavanje novih spremišta i aktiviraju nove aplikacije, a na kraju dolazi do osamostaljenja “pravog” skladišta)

10

Kako su podaci u skladištu organizirani?

Tablice činjenica (fact tables) Tablice dimenzija (dimension tables)

podaci koji se analiziraju

podaci po kojima se vrši grupiranje činjeničnih podataka

Npr. prodaja se može grupirati po prodavaonicama, po artiklima, vremenskim razdobljima, i dr., pa tako postoje dimenzijske tablice o prodavaonicama, artiklima, vremenskim razdobljima.

Dimenzijski model podataka u skladištu

� Svako funkcionalno područje poslovanja može se promatrati kroz više dimenzija

� Ako npr. prodaju želimo promatrati prema vrstama proizvoda, prodavaonicama i vremenu, tada će se u skladištu podaci formirati u trodimenzionalnu kocku, gdje će se promatrati kroz te 3 dimenzije

tržište

vrijeme

proizvodi

(prodajna mjesta)

(artikli)

npr. količina prodanog artikla X u prodavaonici Y na dan 24.05.2007.

UPIT 1

11

Faze u izgradnji skladišta podataka

1. odabrati platformu (DBMS) – npr. Oracle, SQL Server ili dr. (najbolje onaj sustav koji se već koristi ako omogućuje i skladištenje)

2. definiranje potrebnih podataka u skladištu i grupiranja podataka

3. definiranje strukture skladišta (obavljaju projektanti)4. ETL procesi – ekstrakcija, transformacija, punjenje - inicijalno

učitavanje podataka u skladište (initial load)5. automatizirano osvježavanje podataka u jednakim vremenskim

razmacima (incremental load)6. određivanje metapodataka (tko popunjava podatke, što, kada,

kako) i autorizacija pristupa7. analize (kreiranje upita i izvještaja) – generatori izvještaja,

OLAP i kopanje podataka (Data mining)izvor: Jackson, 2002

Alati za skladištenje podataka

� vodeći proizvođači DBMS sustava i statističkog softvera nude svoja rješenja (npr. Oracle, Microsoft, SAS)

� veći ERP-ovi također nude svoje OLAP servere (npr. SAP)

� specijalizirane tvrtke koje se bave proizvodnjom alata za poslovnu inteligenciju i skladištenje podataka temeljenog na OLAP server-u (neki od proizvoda su: Cognos, SoftPro Manager, WebIntelligence)

� postoje rješenja koja rade u lokalnoj mreži i rješenja za web (Web enabled OLAP)

12

Razine analize podataka u skladištu

1. generiranje statičnih izvještaja � ukoliko iz skladišta podataka trebamo samo izvještaj u

tabličnom ili grafičkom formatu o postojećim podacima, dovoljan alat su generatori izvještaja (npr. Microsoft Crystal Reports ili Oracle Reports), koji jednostavno iz baze prikazuju podatke filtirirane, sortirane ili sumirane po nekim kriterijima.

2. OLAP (On-line analytical processing)� Složenije analitičke obrade podataka po različitim dimenzijama

rade se kod relacijskih baza na OLAP tehnologiji (npr. ukoliko želimo dobiti podatke o prodaji auta “Mazda 323” s klima-uređajem u Osijeku petkom poslijepodne). Za prikaz podataka OLAP koristi najčešće trodimenzionalne kocke (cubes).

3. rudarenje (kopanje) podataka (Data mining)� najsloženiji dio obrade podataka, podrazumijeva sofistirane

metode za traženje skrivenih zakonitosti među podacima.

Primjeri upotrebe skladištenja podataka

� Wolkswagen AG – koristi Business Objects alate za praćenje svih podataka – od financija, proizvodnje, razvoja, istraživanja, prodaje, marketinga i nabave. Korisnici na svim razinama mogu pristupiti izvještajima u sklopu BI alata

� MasterCard International – koriste BI alat za praćenje podataka u području oglašavanja i autorizacije, te detekcije prijevara

� Magma koristi OLAP i BI alat za poboljšanje izvještajnog sustava o prodaji robe

13

Kako koristiti skladište podataka u cilju povećanja uspješnosti tvrtke?

� skladište omogućuje koncept upravljanja pomoću informacija –informacije postaju osnovni resurs poslovanja koji ostvaruje konkurentsku prednost i dodaje novu vrijednost

� skladište smanjuje troškove (potrebnih informatičkih stručnjaka za izradu izvještaja, administrativnih troškova i dr.) i vrijeme potrebno za dobivanje informacije o poslovanju

� koristiti skladište putem web-a - internetske tehnologije omogućuju brzinu, raspoloživost i dostupnost relevantnih informacija svim djelatnicima tvrtke, klijentima i partnerima

� osnovnu razinu korištenja skladišta – za izvještavanje o stanju tvrtke i procesa treba prevazići korištenjem skladišta za ostvarivanje poslovnih ciljeva (Management by Objectives)

Što je OLAP?

� skupina alata za izvođenje znanja iz skladišta podataka

� naziv: Online Analytical Processing dao je britanski matematičar E.F.Codd (autor relacijskog modela podataka) čime se naglašava da je svrha ovih alata u analitici, a ne u transakcijskom bilježenju podataka kao u bazi podataka

� OLAP predstavlja konceptualni i intuitivni model zasnovan na multidimenzijskoj analizi podataka (gledanje podataka kroz veći broj filtara, odnosno dimenzija)

� OLAP omogućuje obavljanje vrlo brzih analiza –korisnici (manageri) postavljaju pitanja (upite) i dobivaju odgovore (izvještaje) u vrlo kratkom vremenu

14

Što obuhvaća OLAP?

� OLAP alati obuhvaćaju širok spektar mogućnosti:� jednostavna pretraživanja i navigacije,� proračune (kalkulacije)� složenije analize, npr. analize vremenskih

nizova, predviđanja, modeliranje� OLAP pokriva razine: podataka, informacija i

znanja (poslovne inteligencije)

Arhitektura OLAP alata

OLAP klijent

OLAP poslužitelj (server)

korisnikIzvor: Klepac, Mršić, 2003, str. 238 modificirano

OLAP alat sastoji se od:• OLAP poslužitelja (servera) – nalazi se između korisnika i skladišta podataka, omogućava pohranjivanje podataka u obliku višedimenzijskih modela (najčešće 3D kocki i tablica), instaliran je na poslužitelju

• OLAP klijenta (korisnika) – omogućuje korisniku postavljanje upita na podacima iz kocki i tablica, te dobivanje grafičkih i tabličnih izvještaja, instaliran na korisničkim računalima ili na webu

skladište podataka

15

Arhitektura alata za skladištenje podataka

Softver za prikupljanje podataka koji puni skladište (IS ili ERP)

Podaci

+ DBMS

+ OLAP server

Klijent softver za analize podataka iz skladišta (OLAP klijent)

BACK END FRONT END

Skladište podataka

izvor: Jackson, 2002

Baza podataka

Uloga OLAP-a u skladištu podataka

� Koristeći podatke iz skladišta podataka, OLAP alati omogućuju postavljanje upita na podacima, dobivanje izvještaja, te analize podataka (jednostavne i složenije) kao npr. ABC analiza, trend kretanja, predviđanja, i dr.

� OLAP alati omogućuju obrade višedimenzijskih i hijerarhijskih podataka

Zbog svoje vezanosti za skladište, OLAP se često koristi kao sinonim za skladištenje podataka.

16

Metode dimenzijske analize

� Slicing - raslojavanje (horizontalni presjek kocke)

� Dicing – presijecanje (vertikalni presjek kocke)

� Drilling – bušenje (dizanje analize na jednu razinu više ili spuštanje na nižu razinu grupiranja proizvoda, tržišta, ili vremena)

� Pivoting (rotating) – zaokretanje tablice tako da se podaci iz retka premjeste u stupac i obrnuto

Metode dimenzijske analizeOsnovna metoda: raslojavanje i presijecanje (eng. Slice

and Dice Method)

odjeli

ili prodavaonice

proizvodivri

jeme

Dice metoda – ako npr. promatramo samo jedan proizvodSlice metoda – ako npr.

promatramo samo jedan odjel (prodavaonicu)

17

Operacije na podacima

� OLAP omogućuje neograničeni broj različitih kombinacija tablica i izvještaja, te tako olakšava menadžerima dostupnost informacija

� menadžer ne može unaprijed predvidjeti koje izvještaje i podatke će trebati, a u OLAP-u ih može sam vrlo jednostavno kreirati po potrebi

OLAP alati na tržištu

Na tržištu su najpoznatiji OLAP alati (odnosno alati za skladištenje podataka) prema: http://www.skladistenje.com/jedan.asp?ID=179 :

� Cognos� Business Objects� MicroStrategy� Brio Technology� Crystal Decisions� Hummingbird� SoftPro Manager i CubePlayer – hrvatski proizvodi

18

Alati za skladištenje - Cognos

izvor: http://www.cognos.com

Alati za skladištenje – Soft Pro Manager

izvor: http://www.softpro.hr

19

Upiti u OLAP alatu

� Ukoliko su menadžeru potrebni neki podaci iz skladišta složeni u tablice – postavit će upit (Query) iz skladišta (queries) putem MDX tehnologije (klikom miša, bez poznavanja SQL jezika), izabrati koje podatke želi u tablicama, koju razinu grupiranja, i kako okrenute (što u retcima, što u stupcima)

� odmah dobiva označene minimalne i maksimalne vrijednosti u tablici radi uvida u kritične točke (eventualna mala prodaja nekih odjela ili nekih prodavaonica, ili dana u tjednu i sl.), te postotne vrijednosti

� ako treba rotirati tablicu, dobiti podatke na višoj ili nižoj razini, aktivirat će rotaciju, Drill-down ili Drill-up

Prozor za generiranje upita

izabrati dimenziju i razinu grupiranja (npr. prodavaonice, roba, transakcije)

izabrati vremensku dimenziju

postaviti izabrano u retke i stupce tablice

20

Primjer rezultata upitaRezultati upita mogu se prikazati u formatima: .xls, html, ascii, pa se mogu učiniti raspoloživima brojnim aplikacijama i korisnicima.

ABC analiza – identificirati najznačajnije

� obično se provodi za proizvode, ili dobavljače, ili kupce s ciljem uvida u njihovu značajnost u poslovanju

� polazi od pretpostavke da oko 30% prometa otpada na jednog ili dva najznačajnija proizvoda, ili dobavljača, ili kupca (ili njih 3%), što čini segment Aanalize, dok su ostali segmenti kreirani:� segment B – sastoji se od nekoliko članova (oko

15%) na koje otpada oko 50% prometa� segment C - već broj članova (oko 80%) koji

imaju mali pojedinačni doprinos prometu, s uk. udjelom oko 20%

� Cilj ove analize je identificirati najznačajnije aktere u poslovanju (dobavljače, kupce ili proizvode) kako bi se prema njima postavile strateške akcije

21

Primjer rezultata ABC analize

Na slici je ABC analizom dobiveno da se u našem primjeru segment A sastoji samo od jednog dobavljača koji ima udio u uk. nabavi od 61.41%, dok se segment B sastoji od 2 dobavljača koji zajedno čine 24.14% ukupne nabave. Ostali dobavljači (njih 12) pripada u segment C, koji oduzima oko 14.46% ukupne nabave.

Tvrtka iz ovog primjera očito ovisi o jednom dobavljaču, i prema tome treba razmisliti o daljnjoj strategiji nabave (da li je mijenjati, ili dogovoriti povoljnije uvjete nabave s tim dobavljačem ili drugo).

Rezultati ABC analize dobivene za analizu dobavljača u programu SoftPro Manager

Primjer trend analize

Na slici je prikazana analiza lineranog trenda, gdje se prati kretanje prodaje po tjednima od početka poslovanja tvrtke do danas, i nastoji pronaći linija trenda koja najviše odgovara podacima (testiraju se linearni i nelinearni (polinomni) trend, i izabire se onaj koji je najbolje usklađen (ima najbolji fitting). Takva linija se koristi za predviđanja budućih kretanja npr. prodaje.

22

Analiza rangova

� Analiza rangova (eng. ranking) provodi se s ciljem pronalaženja vrlo uspješnih (ili neuspješnih) članova (npr. prodavaonica, proizvoda, odjela, i sl.)

� Prati se položaj nekog člana (npr. prodavaonice) u rangu, ali i stabilnost ranga kroz vrijeme (npr. po tjednima) i identificiraju se oni članovi koji duže vrijeme imaju najbolju ili najlošiju poziciju u rang ljestvici.

� Rezultati se mogu dobiti tablično i grafički

Primjer tabličnih rezultata rang analize

23

Primjer grafičkih rezultata rang analize

područje niskog ranga, a velike stabilnosti

područje niskog ranga, i niske stabilnosti

područje visokog ranga, a velike stabilnosti

područje visokog ranga, a male stabilnosti

Trendovi razvoja BI

� Metode skladištenja podataka sve više postaju integrirane u softverske pakete temeljnog informacijskog sustava tvrtke - novije verzije relacijskih baza podataka (kao npr. Oracle i SQL server) imaju dio za Data Warehousing integriran u svom paketu kao OLAP

� managerima nije potrebno angažirati poseban tim analitičara za obradu ključnih pokazatelja o stanju tvrtke, već takve podatke klikom miša mogu dobiti obrađene iz baze podataka, te koristiti kao potporu u donošenju poslovnih odluka, odnosno kao dio svog DSS-a.

� ekstranet postaje infrastruktura poslovne inteligencije u lancu vrijednosti tvrtke

� trend tzv. samposluživanja – tvrtke svojim klijentima omogućuju da sve više poslova s njom obavljaju sami koristeći korporacijski web portal

� načela upravljanja prema ciljevima (Management by Objectives) će biti podržana mogućnostima online pristupa bazama i skladištima podataka, kroz alate poslovne inteligencije

� koncept skladišta podataka usklađivanjem podataka omogućuje jedinstvenu istinu o tvrtci, š to povećava kredibilitet informacijskog sustava

24

Literatura

� Bidgoli, H., Intelligent Management Support System,Quorum, London, 1998.� Čerić, V., Varga, M., Birola, H.: Informacijska tehnologija u poslovanju,

Element, Zagreb, 2004.� Graupe, D., Principles of Artificial Neural Networks (2nd edition), Advanced

Series in Circuits and Systems - Vol. 6, World Scientific, Singapore 2007. � Jackson, J., Data Mining: A Conceptual Overview, Communications of the

AIS, Volume 8, 2002, pp. 267-296.� Klepac, G., Mršić, L., Poslovna inteligencija kroz poslovne slučajeve, Lider

Press, Tim Press, Zagreb, 2006.� Panian, Ž., Klepac, G., Poslovna inteligencija, Masmedia, Zagreb, 2003.� Prević, M., Što je poslovna inteligencija, InfoTrend, Broj 134, Studeni 2005,

http://www.trend.hr/clanak.aspx?BrojID=43&KatID=5&ClanakID=504, 10.04.2008.

� I.Š., 'Otac' skladištenja podataka Bill Inmon stigao u Zagreb na IDC-ovu konferenciju, Lider, 1. listopad 2007., http://www.liderpress.hr/Default.aspx?sid=27484, 10.04.2008.

� www.skladistenje.com, 21.05.2007.