Architettura del sistema di business intelligence

Un modello di business intelligence si basa su un modello di architettura informatica. L’architettura informatica è costituito da tre stadi:



 La BI implica un’attività di elaborazioni di dati per la produzione di conoscenza, quindi il punto di partenza è:
Fonti dei dati (primo stadio) si dividono in:
- individuazione, raccolta e integrazione dei dati provenienti da fonti primarie (sistemi ERP, altri sistemi operazionali) e fonti secondarie (documenti non strutturati e dati personali, dati acquisiti esternamente).
La BI implica la trasformazione di dai in informazioni e conoscenza utili al supporto di processi decisionali.
Data warehouse e data mart (secondo stadio):
- i dati vengono estratti dalle fonti primarie, opportunamente trasformati e immagazzinati nei database preposti alle analisi di business intelligence mediante strumenti detti ETL (Extract, Transform, Load);
- il contenuto di tali database può essere di tipo generalizzato (data warehouse) oppure specializzato per area di indagine (data mart).
Il data warehouse è un serbatoio di dati che provengono dalle fonti primarie e secondarie, che subiscono un processo di trasformazione a seguito della loro estrazioni, prima di essere caricati all’interno di questo deposito (cambiando il modello logico). Questo perché per essere utili alle analisi di BI i dati devono essere puliti, omogeneizzati, accumulati con una profondità storica. In questo modo cambia anche il modello di rappresentazione dei dati.
A questo punto posso decidere se tenere insieme tutti i dati o se costruire dei piccoli serbatoi specializzati per dipartimento, area, funzione aziendale. Questi si chiamano data mart.
Metodologie di business intelligence (terzo stadio):
- I dati vengono infine estratti dai data warehouse e data mart per alimentare i modelli matematici e le metodologie analitiche di business intelligence.
- In un ambiente di business intelligence trovano collocazione le seguenti tipologie di applicazioni:
- analisi multidimensionale (OLAP);
- analisi esplorativa;
- analisi di serie storiche;
- modelli di apprendimento inferenziale (data mining);
- modelli di ottimizzazione.