SVEUILITE U ZAGREBU

FAKULTET ORGANIZACIJE I INFORMATIKE

VARADIN

Anto Toma

POSLOVNA INTELIGENCIJA
-oblikovanje OLAP kocke na primjeru
ZAVRNI RAD

Varadin, 2014.

SVEUILITE U ZAGREBU
FAKULTET ORGANIZACIJE I INFORMATIKE
VARADIN

Anto Toma
Matini broj: 39136/10R
Studij: Informacijski sustavi

POSLOVNA INTELIGENCIJA
-oblikovanje OLAP kocke na primjeru
ZAVRNI RAD

Mentor:
Doc.dr.sc. Markus Schatten

Varadin, rujan 2014.

Sadraj
1. Uvod ...................................................................................................................................... 1
2. Poslovna inteligencija ............................................................................................................ 2
2.1. Odnos koliine i kakvoe podataka ................................................................................ 5
2.2. Potpora poslovne inteligencije strategiji poslovanja tvrtke ............................................ 8
2.3. Dijelovi sustava poslovne inteligencije .......................................................................... 9
3. Skladite podataka ................................................................................................................. 9
3.1. Definicija skladita podataka (data warehouse)........................................................... 10
4. OLAP ................................................................................................................................... 12
4.1. Obiljeja i inaice OLAP alata ..................................................................................... 13
4.2. OLAP alati .................................................................................................................... 15
4.3. OLAP kocka ................................................................................................................. 17
4.3.1. Zvjezdasta shema .................................................................................................. 18
4.3.2. Struktura OLAP kocke .......................................................................................... 19
4.3.3. Operacije nad kockom ........................................................................................... 21
5. Dizajniranje OLAP kocke ................................................................................................... 23
5.1. Izrada tablica ................................................................................................................ 23
5.2. Izrada OLAP kocke ...................................................................................................... 26
5.3. Analiza podataka .......................................................................................................... 34
5.3.1. Rotacija OLAP kocke i detaljiziranje .................................................................... 36
6. Zakljuak ............................................................................................................................. 40
7. Literatura ............................................................................................................................. 41
8. Prilog SQL skripte za unos podataka u tablice ................................................................. 42
8.1. Unos u tablicu djelatnosti.......................................................................................... 42
8.2. Unos u tablicu godine ............................................................................................... 42
8.3. Unos u tablicu varijable ............................................................................................ 42
8.4. Unos u tablicu razredi ............................................................................................... 43
8.5. Unos u tablicu strukturno poslovni pokazatelji ........................................................ 43

1. Uvod
Ono to je potrebno za postizanje poslovnog uspjeha u turbulentnoj okolini jest
inteligencija. Zbog estih promjena naina rada poslovanja te uvoenja novih tehnologija i
automatizacije u poslovanje svake organizacije, kompanije moraju biti bre, agilnije i to je
najvanije inteligentnije.
Kako bi organizacija poslovala to bolje te u skladu sa svojim ciljevima, mora znati
kako iskoristiti podatke koje posjeduje te iz njih izvui potrebne informacije i koristiti ih
tijekom svog poslovanja. Zbog toga se implementiraju sustavi poslovne inteligencije.
Sustavi poslovne inteligencije koriste podatke kojima raspolae odnosno podatke koji
se nalaze u tablicama i bazama podataka ili se izvlae iz nekih vanjskih izvora te pomou njih
stvara nuno potrebne informacije koji e koristiti u donoenju stratekih odluka poslovanja.
U ovom radu e se pokuati objasniti pojam poslovne inteligencije te potrebu za
poslovnom inteligencijom u praksi, to ukljuuje odnos kvalitete i kakvoe podataka. Autor
e objasniti pojam skladita podataka te odnos koji ima sa sustavom poslovne inteligencije. U
teorijski dio ulazi i definiranje multidimenzionalnih nizova podataka, OLAP alata, OLAP
kocke te moguih operacija nad kockom. U praktinom djelu e se pomou Microsoft SQL
Servera 2012 i ugraenog servisa za analizu (Analysis services) pokuati teoriju potkrijepit
odgovarajuim primjerima, to znai da e autor dimenzionirati OLAP kocku te prikazati
izvoenje operacija nad njom.

2. Poslovna inteligencija
Kako bi smo objasnili pojam poslovne inteligencije moramo odmah na poetku
napomenuti da se fenomenu poslovne inteligencije moe pristupiti s najmanje dva motrita:

s makroaspekta i

s mikroaspekta

Panian i Klepac (2003:21) su opisali poslovnu inteligenciju s makroaspekta:

Razmatran s makroaspekta, poslovna je inteligencija sloena, agregirana kategorija
koja

se

stvara

sustavnim,

ali

unaprijed

naciljanim

prikupljanjem

podataka

makroekonomskim kretanjima u odreenoj geopolitikoj sredini, njihovim organiziranim i

strukturiranim biljeenjem odnosno pohranjivanjem, pretraivanjem te logikom i
raunalnom obradom poradi otkrivanja makroekonomskih trendova ili tendencija te
predvianja i prognoziranja procesa i dogaaja u makroekonomskim sustavima i njihovih
buduih stanja.
Fenomen poslovne inteligencije razmatran s mikroaspekta privlai pozornost
strunjaka, ali i laika. Neke od reprezentativnih definicija i popratnih tumaenja pojma
poslovne inteligencije prema drugim autorima:
Liautaud (2001, prema Panianu i Kepcu, 2003:22):
Inteligencija podie informacije u organizaciji na viu razinu. Podaci i informacije
su stvari. Inteligencija je organska materija; izvedena iz informacija, ona pridonosi stvaranju
takvog stanja organizacije koje se moe nazvati kolektivnom inteligencijom. Inteligencija
proizlazi iz punog razumijevanja informacija, ranije poduzetih akcija i postojeih mogunosti,
odnosno opcija. Jednom posijana, inteligencija e se sama iriti irom organizacije. Kritika
masa pojedinaca koji imaju dobar uvid i dijele sline stavove i poslovnim procesima postaje u
takvim uvjetima vrlo mona snaga.
Banerjee, Pasumarthi (2003, prema Panianu i Kepcu, 2003:24):
Poslovna se inteligencija najvema koristi za karakterizaciju onih pristupa
poslovanju koju imaju za cilj pretvorbu eljenih rezultata u stvarnost. Prominentne svjetske
kompanije shvaaju poslovnu inteligenciju kao sredstvo ijom se primjenom njihovim
zaposlenicima otvaraju mogunosti za donoenje to boljih odluka, u to kraem vremenu, uz
visok stupanj pouzdanosti.

Javorovi, Bilandi (2007:205):

Business intelligence (poslovno-obavjetajna aktivnost) je obavjetajna aktivnost u
poslovnom svijetu koju planiraju, organiziraju i provode poslovni subjekti, pri emu ta
aktivnost podrazumijeva proces legalnog prikupljanja javnih i svima dostupnih podataka
etinim sredstvima, njihovu analizu i pretvaranje u gotove poslovno-obavjetajne analize
(znanje) radi pruanja potpore elnitvu poslovnog subjekta s ciljem donoenja i
realizacije to kvalitetnijih poslovnih odluka usmjerenih na ouvanje postojee pozicije
poslovnog subjekta u poslovnom okruenju, izbjegavanje bilo kakvih prijetnji i u konanici na
ukupni kvalitativni napredak poslovnog subjekta.
Iz navedenih definicija, koje nisu jedine jer pri tumaenju pojma poslovne
inteligencije ne postoji neki univerzalni konsenzus pa ga razliiti autori interpretiraju na
razliite naine, moemo izvesti neke zajednike elemente za koje se moe smatrati kako
predstavljaju osnovu moguih interpretacija pojma poslovne inteligencije, a prema Panianu i
Klepcu (2003:24):

Cilj stvaranja poslovne inteligencije je podrka i unapreenje postupaka

donoenja poslovnih odluka u poduzeima.

Poslovna inteligencija nastaje kao rezultat dobro upravljanog i promiljenog

procesa izvoenja novih ili prikrivenih znanja iz podataka koji se u poslovanju
rutinski generiraju, zahvaaju, memoriraju i koriste.

Poslovna se inteligencija moe izvesti iz operativnih podataka primjenom

odgovarajuih logiko-raunarskih metoda.

Stvaranje poslovne inteligencije nalae uspostavu koherentnog pristupa

upravljanju podacima i razvijanje jedinstvenog sustava prema njihovoj ulozi i
vanosti u poduzeu odnosno kompaniji.

Panian i Klepac (2003) u nastavku upozoravaju da se na poetku moe initi kako se

poslovna inteligencija stvara poradi stvaranja to vee koliine informacija o svim vanim
aspektima djelovanja tvrtke za ije se potrebe razvija i stvara ta poslovna inteligencija, ali to
nije tako. Naime, s obzirom na koliinu generiranih informacija, inteligencija koncepta
poslovne inteligencije nije stvaranje vee koliine informacija, ve iskljuivo generiranje
boljih, kvalitetnijih informacija potrebnih pri donoenju daljnjih poslovnih odluka. Upravo to
svojstvo poslovne inteligencije, da stvara kvalitetnije informacije za donoenje poslovnih
odluka, je zapravo svojstvo koje joj daje mo poticanja i stvaranja pozitivnih promjena u
3

sredini u kojoj se stvara i primjenjuje. Poslovna inteligencija bi svojim korisnicima trebala

pruiti upravo one informacije koje su im potrebne, ali pravovremeno i prikazane na nain
koji im najvie i odgovara. Moemo zakljuiti, da za uspjeno poslovanje neke organizacije
nije bitno s koliko ona informacija raspolae, ve koliko su te informacije potrebne, zato i jest
vano razdvojiti informacije od podataka.
Panian i Klepac (2003) kao primjer stvaranja poslovne inteligencije navode primjer
odreene organizacije ili institucije, koja e stvarati poslovnu inteligenciju o drugim
sredinama, odnosno o uim ili irim dijelovima geopolitikog okruenja. Ono to je bitno za
shvatiti je da ista organizacija moe stvarati poslovnu inteligenciju o sredini kojoj i sama
pripada, no to su

rjei sluajevi. Postupak stvaranja poslovne inteligencije u

makroekonomskom smislu u odreenim sluajevima ima nekih elemenata konspirativnosti pa

iz tog razloga zna nalikovati na pijunau. Ipak, poticaji i ciljevi u ovom sluaju vezani su
iskljuivo uz jaanje ekonomske pozicije odreene geopolitike zajednice u konkurentskom
okruenju, primjenom legitimnih instrumenata i mjera trine utakmice.
Tradicionalni sustavi za podrku odluivanju veinom ne personaliziraju informacije
pa ih zato u svakoj novoj primjeni treba mijenjati ili dotjerivati. Poslovna inteligencija se
pribliava sustavima za potporu odluivanju odnosno sustavima upravljanja znanjem, tako to
funkcionira prema modelu koji se sastoji iz informacije, analize i segmentacije,
personalizacije, dostave informacija putem vie kanala te akcije, interakcije i transakcije.
Shematski prikaz takvog modela moe se vidjeti na slici 1.

Stvaranje poslovne inteligencije

Informacija

Analiza i
segmentacija

Personalizacija

Dostava
putem vie
kanala

Akcija ,
interakcija,
transakcija

Slika 1 Komponente modela poslovne inteligencije (Izvor: Panian i Klepac, 2013:26)

Personalizacija iskazuje prilagodbu korisnikog iskustva njegovim potrebama i
neovisnost tog iskustva o primijenjenoj tehnologiji, drugim rijeima, korisnik bi uvijek trebao
primiti podjednako kvalitetnu informaciju.

Kada se govori o primanju informacija, treba opet napomenuti da mnogo informacija

ne znai nita dobro. Ukoliko korisnik prima mnogo informacija, a on od tih informacija
moe i eli iskoristiti samo neki mali postotak, to nee biti dobro. Zato upravo poslovna
inteligencija polazi od pretpostavke da korisnici ne vole nepotrebne informacije pa e rado
iskazati svoje preferencije glede tipa informacija koje ele dobivati, uestalosti prijema
poruka i komunikacijskog medija putem kojega e mu informacije pristizati.
U informatikom smislu moemo rei da e poslovnu inteligenciju initi informacijski
sustav koji e odreenim procedurama prikupljati podatke iz razliitih izvora, kako internih
tako i eksternih. Taj informacijski sustav e obraditi prikupljene podatke te ih spremiti u
obliku koji e korisnicima omoguiti jasno i brzo dohvaanje kvalitetnih informacija, koje e
potom koristiti u poslovanju.

2.1. Odnos koliine i kakvoe podataka

Prikupljanje podataka ulaz u jednu od faza cjelokupnog procesa poslovne
inteligencije, a prema Javoroviu i Bilandiu (2007) postoje dvije razine odnosno dva
pristupa:

Opi pristup prikupljanju podataka

Konkretni pristup prikupljanja podataka

Navedeni autori navode kako e u opem pristupu prikupljanju podataka sudjelovati i

svi radnici u organizaciji (uz profesionalne pripadnike sustava poslovne inteligencije). To se
konkretno odnosi na sve podatke koji nastaju prilikom izvoenja odreenih poslovnih procesa
organizacije, s time da se uzimaju u obzir podaci iz redovitih poslova u granicama opih
ciljeva, gdje se ne konkretiziraju pojedinani zadaci. Dok e konkretni pristup nalagati da se
odrede interesi i pojedinani zadaci te e tako podatke prikupljati samo za to odreeni
profesionalci sustava poslovne inteligencije. Iz navedenoga se moe zakljuiti da je glavna
razlika izmeu navedenih pristupa zapravo u tome to e se u konkretnom pristupu, prije
prikupljanja podataka i informacija, razraditi planovi za prikupljanje podataka.
Koliina podataka to nastaju nastupanjem poslovnih dogaaja i realizacijom
poslovnih procesa u poduzeu proporcionalna je brojnosti tih dogaaja i sloenosti procesa.
Isto tako je poznata injenica da izmeu koliine podataka i njihove kakvoe odnosno
kvalitete ne mora bezuvjetno postojati ravnopravna proporcionalnost. Jer velika koliina
podataka ne mora ujedno znaiti, po svojevrsnom automatizmu i njihovu visoku kvalitetu,
vrijednost i upotrebljivost u procesima odluivanja.
5

Postoje mnogi razlozi zbog ega je kakvoa podataka koje tvrtke prikupljaju o svojim
poslovnim procesima skromna, ali vjerojatno najvaniji meu tim razlozima je brojnost
razliitih izvora iz kojih tvrtka moe i mora crpsti podatke relevantne za njeno poslovanje.
Brojnost izvora podataka eksponencijalno raste onda kada se tvrtka u svojem djelovanju
odlui usmjeriti prema Internetu i konceptu elektrikog poslovanja.
Spomenuvi razliite izvore prikupljanja podataka, mora se napomenuti kako su
Javorovi i Bilandi (2007) opisali zone djelovanja prikupljanja podataka. Iako su
napomenuli da standardna kategorizacija na opoj razini ne postoji, naveli su da podatke
moemo razvrstati prema razliitim kriterijima, a sa stajalita business inteligencea podatke
su logiki strukturirali u tri ope kategorije:

Javni, otvoreni i svima dostupni podaci

Privatni podaci koje posjeduju pojedinci

Tajni podaci

Isto tako su definirali zone unutar kojih se mogu prikupljati podaci, a kategorizirane su
na sljedei nain (Prema Javoroviu i Bilandiu, 2007:209):

Bijela zona podrazumijeva uporabu zakonitih i etinih sredstava prilikom

prikupljanja podataka

Siva zona obuhvaa neetina, ali zakonita sredstva prikupljanja podataka

Crna zona podrazumijeva uporabu nezakonitih i neetinih sredstava

(pijunaa)

Kako navedeni autori navode, sustavi poslovne inteligencije su uglavnom usmjereni

na djelovanje unutar bijele zone, ali neki sluajevi upuuju i na odreena djelovanja unutar
sive zone.
Kada se govori o kvaliteti odnosno kakvoi poslovnih podataka, javlja se pitanje:
Kako osigurati zadovoljavajuu razinu kakvoe podataka ? . Nekvalitetni podaci mogu
utjecati na poslovanje poduzea na razliite naine i razliitim intenzitetom koji mogu varirati
(manji poremeaji u radu ; veliki financijski gubitci). Nedostatak kakvoa podataka moe biti
posljedica raznih uzroka, Panian i Klepac (2013:30) navode neke od njih:

Pogreka pri zahvaanju i unosu podataka

Pogreka u uitavanju podataka s Interneta

Netonosti podataka dobivenih ili kupljenih iz vanjskih izvora,

6

Zastarjelosti ranije prikupljenih podataka

Kako bi se rijeio problem kakvoe podataka, mora se pristupiti preispitivanju raznih

aspekata kakvoe podataka pohranjenih u odgovarajuim repozitorijima (datotekama, bazama
podataka, skladitu podataka), a danas se na tritu mogu nai prilino velik broj softverskih
alata upravo takve namjene (analiziranje integriteta podataka u repozitorijima podataka te
prevoenje statike obrade njihova sadraja i generiranja primjerenog izvjea o rezultatima
tih obrada).
Postoje etiri osnovne kategorije kakvoe podataka ije imaju izravnog utjecaja na
donoenje poslovnih odluka u poduzeu:

standardiziranost kako bi raunalni program prepoznao identine podatke

unesene u bazi podataka , donose se standardizacija poslovnih dokumenata i
ostalih izvora iz kojih podaci proizlaze, odnosno njihovo zahvaanje u
standardnim,

ujednaenim

formatima

koji

omoguiti

jednostavno

pronalaenje sadraja u bazi podataka;

podudarnost da se ne bi dogodio problem unoenja vie istih slogova u bazu

podataka, poslovna inteligencija stvara se zato primjenom sofisticiranih
metoda, algoritama i softverskih alata koji e moi uoiti podudarnost meu
nejednakim, ali vrlo slinim podacima;

verificiranost vano je posjedovati provjereni etalon podataka i primijeniti

primjerene, dovoljno precizne i kvalitetne alate za usporedbu podataka
zahvaenih u stvarnom sustavu s tim etalonom. Primjenom odgovarajuih
tehnika verifikacije podataka tvrtka e osigurati ispravnost podataka u svojim
repozitorijima;

proirivost pretpostavlja mogunost dodavanja novih podataka postojeem

skupu podataka ili pak mijenjanja vrijednosti podataka na nain kojim e ih se
uiniti dugorono korisnijima u odgovarajuim primjenama.

Prilikom osmiljavanja dobre strategije cjelovitog nadzora, kontrole i upravljanja

kakvoom podataka valja uzeti u obzir osnovne zahtjeve kojima podaci moraju udovoljavati
da bi mogli predstavljati dobru osnovu za donoenje poslovnih odluka. Ti zahtjevi su
jednostavnost uporabe, prilagodljivost, uinkovitost, neovisnost o raunalnoj platformi te
ekonominost, a oni ujedno odreuju i obiljeja poslovne inteligencije koja e se izvoditi iz
raspoloivih poslovnih podataka.
7

2.2. Potpora poslovne inteligencije strategiji poslovanja tvrtke

Koliina podataka to nastaju nastupanjem poslovnih dogaaja i realizacijom
poslovnih procesa u poduzeu proporcionalna je brojnosti tih dogaaja i sloenosti procesa.
Osnovni cilj svake tvrtke je ostvarenje takvog povrata ulaganja kapitala koji
nadmauje trokove kapitala, a prema Panianu i Klepcu (2003:58) dva su naina na koje
tvrtka moe dosei taj cilj:

Djelovati u onoj djelatnosti u kojoj su ekonomski uvjeti povoljni, odnosno u

kojoj je stopa povrata ulaganja iznadprosjena.

Pobijediti konkurenciju i ostvariti povrat ulaganja vei od prosjeka djelatnosti.

Ove navedene stavke definiraju zapravo granicu izmeu korporacijske strategije i

poslovne strategije, jer se odluke u korporacijskoj strategiji odnose na integraciju s drugim
tvrtkama ili pripajanju drugih tvrtki vlastitoj, na pokretanje novih proizvodnih programa, na
rasporeivanje korporacijskih sredstava, itd. Dok se poslovna strategija odnosi na to kako e
se tvrtka nositi s konkurencijom u odreenoj djelatnosti. A ako je tvrtka uspjena u provedbi
poslovne strategije, biti e uspjena i u provedbi korporacijske strategije, ali uspjena
korporacijska strategija ne podrazumijeva nuno i uspjenu poslovnu strategiju.
Postoje dva imbenika koji presudno utjeu na uspjeh svake organizacije: unutarnja
struktura i vanjska okolina, a poznavanje i razumijevanje tih dvaju imbenika kljuna je na
svim razinama hijerarhije strategija tvrtke. Informacijske potrebe tako rastu od najnie prema
najvioj razini hijerarhije strategija tvrtke, a te informacijske potrebe su eksponencijalne a ne
linearne, odnosno kumulativne. Vii menaderi bi se zato trebali orijentirati koritenju sustava
poslovne inteligencije, a sustav poslovne inteligencije trebao bi biti oblikovan tako da zahvaa
podatke potrebne na svim razinama strategije (korporacijskoj, poslovnoj i funkcionalnoj).
Pet je osnovnih kategorija potencijalnih koristi od primjene poslovne inteligencije u
funkciji potpore poslovnom odluivanju:

Poveanje prihoda

Poveanje dobiti

Unaprjeenje zadovoljstva klijenata

Utede

Poveanje trinog udjela

2.3. Dijelovi sustava poslovne inteligencije

Podrazumijeva se da se poslovna inteligencija sastoji od skupa procesa i alata koji
pomau poduzeu odnosno viim menaderima, kojima je funkcija donoenje odluka, u
poboljanju uinka samog poduzea. Sustav poslovne inteligencije ine procesi za
konvertiranje velike koliine podataka koji ukljuuju DTS alate (alati za prenoenje i
transformaciju podataka iz razliitih izvora podataka), ETL procese (procesi ekstrakcije,
transformacije i punjenja), skladita podataka, OLAP alate (alati koji e podatke oblikovati na
nain da budu pogodni za analizu i pretraivanje), rudarenje podataka, alate namijenjeni
pretraivanju i dinamikoj analizi, ali isto tako i kadar koji e poznavati poslovne procese.

Slika 2 Informacijski sustavi kojima se koristi sustav poslovne inteligencije1

Sustav poslovne inteligencije mora koristiti druge sustave kako bi uspjeno izvodio
ono za to je predvien. Kao to slika 2 pokazuje, sustav poslovne inteligencije se moe
sastojati od sljedeih sustava:

Sustavi za podrku odluivanju

Sustavi upravljanja znanjem

Sustavi za on-line analitiku obradu

Sustavi za upravljanje informacijama

Sustavi za rudarenje podataka

3. Skladite podataka
Nagabhusana (2008:24) navodi kako poslovni ciklus pokazuje da poduzea moraju
razvrstati svoje operacije na tri razine:
1

Slika preuzeta sa sljedeeg izvora: http://www.invigorcommunications.co.uk/business/business-intelligence/

(2014.)

Operacijska razina

Taktika razina

Strateka razina

Operacijska razina obuhvaa sve one dnevne radnje koje poduzee izvodi i kako
moemo vidjeti u toj razini moemo uvrstiti tzv. operacijski sustav. Taktika razina obuhvaa
praenje operacijskog sustava odnosno svih operacija koji se izvravaju unutar operacijske
razine ali i definiranje politike izvravanja operacija. Strateka razina pak definira viziju,
ciljeve odnosno objektive poduzea. U kakvom su odnosu moemo vidjeti na slici 3.

Strategija

Praenje

Politika

(Sustav odluivanja)

Operacije
(Operacijski sustav)
Slika 3 Poslovni ciklus (Nagabhusana, 2008:24)
Kako bi sustavi za odluivanje imali to vie kvalitetnih informacija za prenoenje
stratekoj razini, ali i za razvijanje dobre poslovne politike poduzee mora imati dobro
razvijen sustav koji e spremati podatke i prenositi ih onima kojima su potrebi ti podaci. Kako
operacijski sustav ima zadatak izvravanja ali i spremanja razliitih tipova poslovnih
transakcija, to je i sustav koji bi trebao sustavu odluivanja davati informacije potrebne za
daljnje odluivanje. Kako operacijski sustav nije u stanju pravodobno davati kvalitetne
informacije sustavu za odluivanje, poduzea razvijaju skladita podataka.

3.1. Definicija skladita podataka (data warehouse)

Ukratko skladite podataka je skup odabranih podataka odreenog poduzea koji je
temelj sustavu za potporu odluivanju. Njegova je glavna funkcija da izdvoji podatke iz baze
10

podataka, dobivenih iz operativne razine, te ih spremi u posebnu bazu podataka u kojoj e ti

podaci biti pripremljeni za daljnju analizu kako bi se iz njih izvukle informacije potrebne za
uinkovito odluivanje. Podaci koji se nalaze u skladitu podataka su prikupljani u duem
vremenskom periodu to omoguuje bolju analizu odnosno usporedbu i predvianje. Zbog
analize podataka koji se nalaze u skladitu, vjerojatnost da e se odreeni podaci morati
aurirati je manja. Inmon (2005) navodi da orijentiranost prema poslovnim analizama ne
zahtjeva od skladita da se podaci promptno auriraju kao u bazi podataka.
Inmon (2005:29-33) u knjizi opisuje osnovne karakteristike skladita podataka:

Povezanost sa produktivnim bazama podataka koje se koriste u poduzeu, koja

ne podrazumijeva i podudaranje u organizaciji podataka.

Orijentiranost na predmet poslovanja, umjesto na aplikacije, ime se osigurava

konzistentnost pogleda na poslovne podatke.

Integriranost uslijed konsolidacije podataka iz razliitih sustava (prema

navedenom autoru, najvanija karakteristika).

Vremenska orijentiranost koja proizlazi iz promatranja podataka kroz

vremensku dimenziju, za razliku od transakcijskih sustava koji prikazuju
podatke u odreenom trenutku.

Konzistentnost koja je posljedica injenice da se podaci u skladitu podataka

dodaju umjesto da se postojei mijenjaju.

Prema Nagabhushani (2008:29) glavna svrha skladita podataka je:

Pruiti korisnicima pristup podacima

Pruiti jednu verziju istine

Precizno biljeenje prolih dogaanja

Uinkovito pretraivanje podataka

Razdvajanje analitikih i operacijskih procesa

Pruiti potporu sustavu odluivanja

Skladita pruaju pristup podacima koji su inae bili zakljuani u okruenjima koji
inae nisu user friendly, kada kaem zakljuani, mislim na to da bi korisnici morali raditi
vea pretraivanja da bi doli do podataka koji su im potrebni ili bi za te podatke morali traiti
razliita doputenja jer se nalaze na lokacijama koji im nisu ili ne smiju biti dostupni. Pod
pruanjem jedne verzije istine se podrazumijeva da odreeni podaci za odreene korisnike
mogu znaiti jednu informaciju dok ti isti podaci za nekog drugog korisnika znai neto
11

sasvim drugo. Iako te raznolikosti u shvaanju odreenih podataka mogu prividno biti
trivijalne, ali ponekad vode do brojnih loe donesenih odluka. Dinamiki izvjetaji pruaju
korisnicima mogunost da vide podatke iz razliitih kutova, korisnici koji e trebati odreene
informacije izvui iz podataka koji im stoje na raspolaganju jednostavno moraju imati
mogunost uinkovitog prolaenja kroz podatke iliti slice and dice through data.

4. OLAP
OLAP je kratica za On-Line Analytical Processing koja u doslovnom prijevodu
oznaava on-line analitiku obradu, no to nam ne govori mnogo o tome to ta kratica zapravo
oznaava.
Najkrae bi smo mogli definirati OLAP kada bi smo rekli da je to skup alata koji nam
slui za izvoenje znanja iz odreenih skladita podataka. Ono kljuno to svaki OLAP alat
ima zajedniko je multidimenzionalnost, odnosno mogunost pruanja korisniku da odreene
podatke pregledava odnosno analizira u razliitim dimenzijama. Pod razliite dimenzije
podrazumijevamo da odreene podatke moemo analizirati prema odreenom kriteriju
(mjernim jedinicama) kao to je vrijeme, duljina, koliina, lokacija, itd. Na slici 4 moemo
vidjeti odnos korisnika i OLAP-a.

korisnici

skladite
podataka

OLAP

Slika 4 Odnos korisnika s OLAP sustavom

Slika prikazuje korisnike koji e analizirati podatke preko OLAP-a, koji e podatke
vaditi iz skladita podataka. OLAP omoguuje dimenzioniranje tako zvanih OLAP kocki
(OLAP cube) odnosno viedimenzionalne kocke podataka koje e korisnici moi analizirati
12

razliitim metodama. Korisnici e zapravo biti OLAP klijenti koji e pomou aplikacija moi
vriti razliite analize na uitanim podacima. O pojmu OLAP kocke e se govoriti u nastavku
zavrnog rada.

4.1. Obiljeja i inaice OLAP alata

Prema Panianu i Klepcu (2003:236) OLAP ima sljedea svojstva:

OLAP predstavlja konceptualni i intuitivni model koji e razumjeti svi

korisnici, neovisno o tome koliko oni obrazovani bili, ak i ako nisu
specijalizirani za obavljanje analitikih poslova. Model se zasniva na
multidimenzionalnosti odnosno mogunosti pregledavanja podataka kroz vei
broj filtara.

OLAP alati omoguuju obavljanje brzih analiza to menaderima omoguuje

dobivanje odgovora na pitanja koje stoje pred njima u kraem vremenu, a to se
odraava na kvalitetu odluka koje kasnije donose.

Multidimenzijska struktura postavlja specifine proraunske zahtjeve koje

OLAP alati moraju znati rijeiti. Broj dimenzija je teoretski neogranien to
nam govori da ti alati moraju ukljuiti snane sposobnosti raunanja.

Kako Nagabhushana (2008) navodi, postoje 18 pravila kojih se OLAP alati moraju
drati, a Codd2 je ta pravila podijelio u etiri grupe nazivajui ih znaajkama.
Neka od Coddovih pravila za OLAP prema Nagabhusani (2008:205-209):
1. Osnovne znaajke

Multidimenzionalni konceptualni pogled pogled kroz vie dimenzija iliti

filtara.

Intuitivna manipulacija podataka prema Coddu to se odnosi na model

pruanja izbora prilikom manipulacije odnosno obrade podataka, jer svaki
korisnik ima svoj pristup odreenim operacijama stoga treba imati
mogunost izbora na koji nain e odreene operacije obavljati.

Pristupanost

Edgar Frank Codd (19.08.1923. 18.04.2003.) osmislio relacijski model

13

Batch vaenje vs interpretativno pravilo koje nalae da alati pruaju

mogunost pristup eksternim bazama podataka koliko i vlastitim bazama
podataka.

OLAP modeli analiziranja odnosi se na analiziranju i istraivanju

podataka koji ukljuuju operacije kao to su slice, dice, drill down, drill up
ali i parametarskog statikog izvjeivanja.

Klijent/Server arhitektura

Transparentnost korisnici bi trebali imati puni pristup svim podacima koji

su im potrebni, ali ne bi ih se trebalo zamarati s informacijom odakle
dolaze ti podaci ukoliko to oni ne ele znati.

Viekorisnika podrka

2. Specijalne znaajke

Obrada ne normaliziranih podataka to se odnosi na integraciju OLAP

sustava i ne normaliziranih izvora podataka, Codd navodi da bilo koja
auriranja podataka u OLAP okruenju ne bi smjeli dopustiti mijenjanje ne
normaliziranih podataka u sustavu.

Spremanje OLAP rezultata radi se o tome da Codd smatra kako OLAP

aplikacije ne bi trebale biti implementirane direktno na transakcijskih
podacima, a OLAP promjene podataka bi se trebali drati odvojeno od tih
transakcijskih podataka. Nagabhushana navodi kako je najbolji primjer za
to upravo Microsoftov Analysis Services o kojemu e autor detaljnije pisati
u praktinom djelu ovog zavrnog rada.

Ekstrakcija vrijednosti koji nedostaju

Obrada vrijednosti koji nedostaju sve NULL vrijednosti bi se trebali

ignorirati od strane OLAP sustava neovisno o izvoru tih podataka odnosno
vrijednosti.

3. Izvjetajne znaajke

Fleksibilni izvjetaji korisnici bi trebali imati mogunost kreiranja

fleksibilnih izvjetaja, odnosno mogunost da kreiraju izvjetaje prema
onim dimenzijama koje oni ele.

Ujednaeni izvjetaji

Automatska prilagodba fizikoj razini

4. Kontrola dimenzija
14

Generika dimenzionalnost svaka dimenzija mora biti ekvivalentna u

strukturalnim i operacijskim sposobnostima.

Neogranien broj dimenzija

Neogranien broj operacija krianja dimenzija Codd navodi da bilo koja

forma kalkulacija mora biti mogua u svakoj dimenziji, to je vrlo vano
ako se rade sloeni izrauni ne samo preko tablica, a posebno su vani u
aplikacijama koje analiziraju profitabilnost.

4.2. OLAP alati

Postoje etiri glavne vrste OLAP alata:
1. Relacijski OLAP
2. Multidimenzionalni OLAP
3. Desktop OLAP
4. Hibridni OLAP

MOLAP

funkcionalnost

DOLAP

razmjestivost

HOLAP

performase

kapacitet
ROLAP
Slika 5 Inaice OLAP alata (Nagabhushana, 2008:222)
Relacijski OLAP iliti ROLAP alati sve podatke koje dobiju spremaju u standardne
sustave relacijskih baza podataka, ne spremivi tako nita u eksterne repozitorije. Sposobni su
raditi s vrlo velikim skupom podataka, ali su kompleksni to dovodi do toga da su vrlo skupi
za implementirati, a isto tako imaju spore performanse izvoenja upita te nisu sposobni
izvoditi sloenije financijske kalkulacije. ROLAP alati ne spremaju nuno podatke za analizu
odvojeno od ostalih izvornih podataka. Panian i Klepac (2003) isto tako navode kako u
15

ROLAP alati imaju oteanu primjenu standardnih upitnih jezika (npr. SQL-a), na koje su
korisnici zapravo navikli pa neke druge oblike interakcije s bazama podataka ne smatraju
zapravo prednou nego nedostatkom.
Multidimenzionalni OLAP, skraeno MOLAP predstavlja alate kod kojih su podaci
spremljeni u multidimenzionalne kocke, kako se ne mogu koristiti relacijske baze podataka
veinom su ti podaci spremljeni u vlastite optimizirane baze podataka viedimenzionalne
matrine strukture. Panian i Klepac (2003) navode kako je najvea prednost ovakve OLAP
arhitekture zapravo brzina, a Nagabhushana (2008) navodi kako takvi alati jednostavno
moraju pruiti visoke performanse, sofisticirane multidimenzionalne kalkulacije i
funkcionalnosti. No ba zbog toga, mana ovih alata se vidi u zauzeu ogromnog prostora u
sluaju postojanja veeg broja dimenzija.
DOLAP alati su klijent bazirane te esto koriste i relacijske i multidimenzionalne baze
podataka. Nerijetko imaju vrlo limitirane funkcionalnosti u usporedbi s ostalim
specijaliziranim OLAP proizvodima. Razlog tome je to su prilagoene za stolna raunala,a
samim time su prilagoene da zadovoljavaju potrebe pojedinanih korisnika.
Hibridni OLAP koristi kombinaciju tehnika spremanja podataka. Predstavljaju
kombinaciju ROLAP i MOLAP arhitekture jer e odreene podatke spremati u
multidimenzionalne baze podataka dok e drugi dio podataka spremiti u relacijske baze
podataka te tako koristi neke pogodnosti obaju tehnika. Panian i Klepac (2003) su opisali
kako HOLAP prvotne podatke dri u relacijskoj bazi podataka i pristupa njima pomou drillthrough procedura, a saetak dri u multidimenzionalnoj kocki, ime se postie velika brzina
pristupa i relativno malo zauzimanje prostora.

Arhitektura

Razlike

Prednosti

Nedostaci

ROLAP

izrauni u relacijskim

analiza velike koliine

izvoenje moe biti loe

bazama podataka, veliki

podataka, koritenje

ovisno o koliini

kapaciteti podataka

funkcionalnosti sustava

podataka, oteanu

relacijskih BP

primjenu standardnih
upitnih jezika

MOLAP

izrauni u server baziranim

odlino izvoenje zbog

prilikom izrauna nije

multidimenzionalnim

koritenja

mogue obuhvatiti velike

bazama podataka, kocke

multidimenzionalnih

koliine podataka jer se

16

HOLAP

DOLAP

pruaju pristup za unos

OLAP kocki, brz pristup

oni moraju agregirati,

proraunskih podataka i

podacima, primjenjivost

zauzee prostora prilikom

obavljanje what-if analiza

sloenih izrauna

velikog broja dimenzija

Sakupljanje u cache ali

Koristi

pristupanje podacima

ROLAP

pomou drill-through

arhitekture, velike brzine level

procedura

pristupa, relativno malo preraditi

funkcionalnosti Spor kao ROLAP kada

i

MOLAP pokuate pristupiti leafpodacima,

sve

treba

prilikom

zauzimanje prostora

unosa novih podataka

klijent bazirane, mini cache

user-frinedly, odline

ograniene

izgraen prilikom run-time

performanse upita,

funkcionalnosti i kapacitet

upita

najlake za razviti i

podataka koje moe

koristan mobilnim

spremiti

korisnicima koji se ne
mogu esto spajati na
skladite podataka

Tablica 1 Prikaz OLAP arhitektura i njihovih razlika

Tablica prikazuje osnovne razlike izmeu podjela OLAP-a (Howson, 2008:42),
njihove prednosti i nedostatke.

4.3. OLAP kocka

Prije nego ponem govoriti o samoj OLAP kocki, potrebno je neto rei dimenzijskim
i podatkovnim tablicama.
Multidimenzionalna reprezentacija podataka je osnovana na tako zvanoj zvjezdastoj
shemi (star schema) koja se sastoji od dva tipa tablinih podataka (Varcellis, 2009:69):

Dimension tables dimenzijske tablice

Fact tables podatkovne tablice

Vercellis (2009) navodi kako su dimenzije povezane s entitetima oko kojih vrte
procesi odreene organizacije. Dimenzijske tablice tako odgovaraju primarnim entitetima
sadranim u skladitima podataka. Svaka dimenzijska tablica je esto interno strukturirana
kako bi odgovarala hijerarhijskim vezama. Dimenzije tako predstavljaju glavni put preko
kojeg e se OLAP analize razvijati. Moemo rei da dimenzijske tablice uspostavljaju
kontekst injenica odnosno podataka, pa one spremaju vrijednosti koje opisuju podatke. Evo
nekoliko primjera dimenzija za odreene organizacije prema Naghabushani (2008:167):
17

Telekomunikacije: vrsta poziva, vrijeme poziva, odredite poziva

Bankarstvo: ime kupca, broj rauna, datum, ogranak

Osiguravajue tvrtke: vrsta police, police osiguranja

Zrakoplovstvo: broj leta, odredite leta, razred leta

Podatkovne tablice se uglavnom odnose transakcije i prema Vercellisu (2009) sadre

dva tipa podataka:

Linkove na dimenzijske tablice, koji su potrebni da bi se valjano referencirale

informacije sadrane u svakoj podatkovnoj tablici

Numerike vrijednosti atributa koji karakteriziraju odgovarajue transakcije i

koje predstavljaju one vrijednosti koje e se koristiti u analizi

Znai one zapravo predstavljaju tablice koje e snimati podatke i vrijednosti iz

poslovanja poduzea. Naghabushani (2008:167) navodi i primjere injenica odnosno podataka
za podatkovne tablice:

Telekomunikacije: duljina poziva u minutama, prosjeni broj poziva

Bankarstvo: prosjeni dnevni saldo, broj transakcija

Osiguravajue tvrtke: broj zahtjeva, broj izdanih polica

Zrakoplovstvo: cijena karata, teina prtljage

4.3.1. Zvjezdasta shema

Multidimenzionalni pogled na podatke se prikazuje semantikom relacijskih baza
podataka, a taj pogled je pruen dizajnom sheme baze podataka nazvan zvjezdasta shema
odnosno star schema na engleskom. Radi se o tome da informacije mogu biti klasificirane u
dvije grupe: podatke iliti injenice i dimenzije. Podaci/injenice e biti vrijednosti koje e se
analizirati a dimenzije e biti atributi tih vrijednosti (to smo ve nauili). Vizualno,
dimenzijska shema izgleda kao zvijezda, podatkovna tablica e biti u sredini sheme dok e
dimenzijske tablice biti nacrtane oko nje, kao to moemo vidjeti na slici 6.

18

Slika 6 Zvjezdasta shema (Vercellis, 2009:56)

Postoji i pahuljasta shema (slika 7), odnosno snowflake schema koja zapravo
predstavlja detaljniji prikaz zvjezdaste sheme, jer dimenzijske tablice mogu biti vezane za
druge dimenzijske tablice preko procesa parcijalne standardizacije podataka, kako bi se
smanjio utroak memorije. Varcellis (2009) navodi i primjer galaxy sheme u kojoj se
ukljuuje vie podatkovnih tablica unutarnje povezane s dimenzijskim tablicama.

Slika 7 Pahuljasta shema (Vercellis 2009:56)

4.3.2. Struktura OLAP kocke

19

OLAP kocka predstavlja multidimenzionalni niz podataka, odnosno skupinu elija

podataka rasporeeni po dimenzijama. Ako govorimo o OLAP kocki podrazumijeva se da
postoje tri dimenzije kojima se definiraju podaci, a primjer OLAP kocke moemo vidjeti na
slici 8. Multidimenzionalni niz podataka moe imati i vie od tri dimenzije, ali takav niz je
teko predoiti i naziva se hiper-kocka.

Slika 8 Primjer OLAP kocke3

Na primjeru OLAP kocke (slika 8) moemo vidjeti da sadri tri dimenzije:

Godine

Varijable

Razredi

Navedena kocka zapravo predstavlja godinji strukturno-poslovni pokazatelj poduzea

prema NKD-u 2007 za djelatnost trgovine4.

Koriteni primjer OLAP kocke preuzet sa: http://snowplowanalytics.com/analytics/tools-andtechniques/converting-snowplow-data-into-a-format-suitable-for-olap.html. Posjeeno: 15.08.2014.

4
Izvor: http://www.dzs.hr/. Posjeeno: 16.08.2014.

20

4.3.3. Operacije nad kockom

Kako bi se to lake proitale odreene informacije iz podataka, kreiraju se izvjetaji, a
kako bi korisnik mogao sastaviti izvjetaj koji e njemu u tom odreenom trenutku
odgovarati, on mora imati mogunost razliitih operacija nad podacima s kojima raspolae.
Vercellis (2009) navodi kako su OLAP analize bazirane na hijerarhijskih koncepata kako bi se
podaci konsolidirali te kako bi se kreirali logiki pogledi preko dimenzija skladita podataka.
Hijerarhije koncepata odnosno pojmova se koristi kako bi se izvele odreene vizualizacije
operacija koje se ine sa podatkovnom kockom u skladitima. to moemo vidjeti na slici 9.
Operacije koje se mogu izvoditi nad kockom su sljedee:

Roll-upp / Drill up operacija koja se sastoji od agregiranja odnosno

sakupljanja podataka u kocki ime ovu operaciju moemo nazvati
agregiranjem. Isto kao i drill down to je jedna od analitikih tehnika gdje
korisnik ima mogunost navigacije razina podataka od najsaetijih (drill up) do
najdetaljnijih (drill down).

Slika 9 Hijerarhija pojmova za dimenzije lokacije i vremena (Vercellis, 2009:60)

Roll-down / Drill down operacija koja omoguuje korisniku analizu podataka

prema veoj razini detalja u hijerarhiji koncepata. Kao primjer moemo uzeti
dimenziju lokacija (imamo mogunost analize za dravu, upaniju, opinu,
grad, itd.), gdje sputanjem kroz dimenzijske razine lokacije nazivamo drill
down operacijom odnosno detaljiziranjem.

21

Slice and Dice operacije koje pokreu korisnici, a ukljuuje interaktivnu

navigaciju kroz pogled stranice, kroz specifikaciju kriki (slices)5 pomou
rotacija i agregiranja i detaljiziranja. Postoji mogunost horizontalnog i
vertikalnog analiziranja podataka. Pogled stranice je pojam koji oznaava
trenutnu

orijentaciju

odnosno

pogled

na

multidimenzionalnu

kriku.

Horizontalne dimenzije idu preko pogleda definirajui dimenziju stupca, dok

vertikalne dimenzije idu niz pogled stranice definirajui tako sadraj reda
dimenzija.

Slika 9 Primjer slice i dice operacija6

Pivot operacija rotacije koja omoguava rotiranje osi, mijenjajui

odreene

dimenzije

kako

bi

se

stekao

drugi

pogled

na

multidimenzionalnu kocku. Operacija se moe sastojati od mijenjanja

redova i stupaca, pomicanja jednog reda dimenzije u dimenziju stupca,
itd. Ovisno o tome koliko kocka ima dimenzija, poveava se broj
mogunosti pivotiranja.

Krika (slice) podskup multidimenzionalnog niza koji odgovara jednoj vrijednosti za jednu ili vie lanova
dimenzija koja nije u navedenom podskupu.
6
Izvor: http://snowplowanalytics.com/analytics/tools-and-techniques/converting-snowplow-data-into-a-formatsuitable-for-olap.html. Posjeeno: 17.08.2014.

22

Slika 10 Primjer pivot operacije6

5. Dizajniranje OLAP kocke

Za dizajniranje OLAP kocke autor je koristio SQL Server 2012 te njegov integrirani
Analysis services uz dodatak SQL Server Dana Tools-a za Visual Studio.
Podatke koje je autor koristio preuzeo je sa slubene stranice dravnog zavoda za
statistiku, a radi se o godinjem strukturno-poslovnom pokazatelju poduzea prema NKS-u
2007. za djelatnost Trgovine (ralamba prema veliini razreda po broju zaposlenih osoba).
Ono to se mora napomenuti jest da nisu koriteni svi ponueni podaci zbog velikog
obujma, stoga su koriteni podaci za zadnje dvije upisane godine, a to se odnosi na godine
2011 i 2012.

5.1. Izrada tablica

Prvo to je autor morao napraviti su tablice koje bi sadravale sve potrebne podatke za
implementaciju OLAP kocke. Tako je uitao sve potrebne podatke te ustanovio da e OLAP
kocka imati etiri dimenzijske tablice. Radi se o tablicama:

Djelatnosti

Godine

Razredi

Varijable

Sve etiri tablice e zapravo predstavljati ifranike jer e se u njima nalaziti ifre i
nazivi odreenih dimenzija odnosno filtara podataka.
Strukturu dimenzijskih tablica i podatke koji se nalaze u njima moete vidjeti na
sljedeim slikama:

23

Slika 11 Tablica djelatnosti

Slika 12 Sadraj tablice djelatnosti

Slika 13 Tablica godine

Slika 14 Sadraj tablice godine

24

Slika 15 Tablica razredi

Slika 16 Sadraj tablice razredi

Slika 17 Tablica varijable

Slika 18 Sadraj tablice varijable

Na slici 18 moete vidjeti ERA model dimenzijskih tablica i tablice u kojoj e se
nalaziti svi podaci koje e se analizirati. Tu tablicu moemo nazvati mjerljiva tablica
(measure table). To je tablica strukturno_poslovni_pokazatelji.

25

Slika 18 ERA model

5.2. Izrada OLAP kocke

Prije nego to se krene sa obrazloenjem kako se definiranju dimenzije u alatu, autor
e objasniti postupak kreiranja novog projekta te definiranje izvora podataka koje e se
koristiti za implementaciju OLAP kocke. Svi koraci detaljno su objanjeni na stranicama
Microsofta u Analysis Services Tutorials biblioteci pod cjelinom Multidimensional Modeling
(Adventure Works Tutorial).7
Pokreemo SQL Server Dana Tools koji e pokrenuti radno okruje Microsoft Visual
Studio, kreiramo novi projekt, ali biramo Business Intelligence instalirani predloak i
Analysis Services Multidimensional Dana Mining Project. Primjer je prikazan na slici 19.

Izvor: http://msdn.microsoft.com/en-us/library/ms170208(v=sql.110).aspx. Posjeeno: 18.08.2013.

26

Slika 19 Kreiranje novog projekta

Nakon toga kreemo sa implementacijom nae OLAP kocke. Prvi korak do toga jest
definiranje izvora podataka. Nain na koji emo to napraviti jest:
1. u Solution Explorer-u kliknemo desnim klikom mia na Data Sources te
odaberemo opciju New Data Source te nam se pojavljuje arobnjak za
odabiranje izvora podataka (Data Source Wizard)

27

Slika 20 Definiranje izvora podataka

2. Potom odabiremo novi izvor podataka te definiramo izvor podataka odnosno
bazu podataka ovisno o tome gdje nam se nalazi. Primjer takvih postavki se
moe vidjeti na slici 21.

Slika 21. Primjer postavki za spajanje na bazu podataka

28

3. Nakon to se kreira odgovarajui izvor podataka preostaje nam kreirati pogled

na izvor podataka odnosno Dana Source View , to radimo desnim klikom mia
na Dana Source Views (isto tako u Solution Explorer-u) te odabirom
mogunosti New Dana Source View. Pojaviti e nam se arobnjak koji e
nas povesti do mogunosti odabira tablica koje emo koristiti za
implementaciju OLAP kocke, a to moemo vidjeti na slici 22.

Slika 22 Odabir tablica pomou arobnjaka za kreiranje pogleda izvora podataka

4. Preostaje nam definiranje dimenzija na kocke, a to radimo desnim klikom na
Dimensions te odabirom opcije New dimension, ime nam se pojavljuje
arobnjak za kreiranje nove dimenzije. Prvo to moramo napraviti je oznaiti
da elimo napraviti dimenziju prema ve postojeoj tablici, kao to moemo
vidjeti na slici 23.

29

Slika 23 Definiranje tablice za dimenziju

Potom odabiremo izvor podataka koji smo definirali ranije, glavnu tablicu koja e nam
predstavljati dimenzijsku tablicu, a u ovom sluaju je to tablica djelatnosti. Naziv stupca e
biti naziv_djelatnosti, kako bi nam prilikom analize podataka atribut bio sam naziv
djelatnosti a ne njegova ifra.

Slika 24 Definiranje dimenzijske tablice djelatnosti

30

Preostaje nam jo samo nazvati dimenziju to moemo vidjeti na slici 25.

Slika 25 Definiranje naziva kreirane dimenzije

Ukoliko ove korake ponovimo za sve tablice koje su predviene da budu dimenzijske
tablice. U Solution Explorer-u moi emo vidjeti prikaz svih dimenzija. Prikaz svih kreiranih
dimenzijskih tablica moemo vidjeti na slici 26.

Slika 26. Prikaz Solution Explorer-a

31

5. Kreiranje OLAP kocke se izvodi desnim klikom na Cubes te odabirom New

Cube. Pojavljuje nam se arobnjak za izradu kocke, a opet odabiremo
postojeu

tablicu,

ovom

sluaju

emo

odabrati

tablicu

strukturno_poslovni_pokazatelj, kao to je prikazano na slici 27.

Slika 27 Odabir tablice za OLAP kocku

Dimenzije e sam prepoznati jer smo ih kreirali prije samog kreiranja kocke, a kako
izgleda zadnji korak implementacije kocke moemo vidjeti na slici 28, koja nam prikazuje
mjerljive vrijednosti i dimenzije novo kreirane OLAP kocke.

32

Slika 28. OLAP kocka strukturno poslovni pokazatelji trgovine

OLAP kocka je kreirana, a pogled na kocku i primjer zvjezdaste sheme moemo
vidjeti na slici 29. Kao to vidimo u sredini se nalazi podatkovna tablica, a okruuju ju
dimenzijske tablice.

Slika 29 Primjer zvjezdaste sheme

33

Da bi analizirali podatke koristiti emo Microsoft Excel, tu mogunost nam prua

SQL Data Tools, kao to moemo vidjeti na slici 30. Ono to jo moemo uoiti na slici jest
tablica strukturno-poslovnih pokazatelja, a kao to moemo primijetiti jest da bi zbog velikog
obujma podataka bilo kakva analiza bila gotovo nemogua.

Slika 30 Koritenje Excel analize u SQL Dana Tools okruenju

5.3. Analiza podataka

Kao to je ve navedeno ranije, analiza podataka e se izvesti u Microsoft Excelu, a
poetni zaslon moemo vidjeti na slici 31, gdje vidimo glavne dijelove prozora i mogunosti
alata.
Kao to vidimo, potrebno je odabrati mjerljive vrijednosti, filtre izvjetaja, natpise
stupaca i natpise redaka. Navedeni filtri i natpisi e zapravo biti dimenzije nae kocke, dok u
mjerljive vrijednosti ide vrijednost strukturno-poslovnog pokazatelja.

34

Slika 31 Izgled Excel prozora prije samog izvoenja analize

Primjer odabira filtra, natpisa i vrijednosti moemo vidjeti na slici 32, gdje e se kao
natpisi stupaca koristiti dimenzijske tablice djelatnosti, varijable i razredi, dok e natpis retka
biti dimenzijska tablica godine.

Slika 32 Primjer postavki za prikaz podataka

35

Pregled podataka moemo vidjeti na slici 33, a uzeti emo u obzir da se zbog velike
koliine podataka prikazuju samo neki podaci.

Slika 33 Pregled podataka

Kao to moemo vidjeti na slici, imamo prikaz za 2011. te 2012. godinu, rasporeeno
u stupcima prema vrsti djelatnosti prvo, zatim prema vrsti varijable te na kraju prema razredu.
Ovako e nam podaci otii u irinu te nam ne predstavlja ba najbolji razmjer za dobru
analizu samih podataka. Ono to moemo jest mijenjati poglede na podatke tako to emo
jednostavno mijenjati natpise stupaca i redaka, a isto tako imamo mogunost uvoenja filtra.

5.3.1. Rotacija OLAP kocke i detaljiziranje

Prema ve ranije navedenom, rotacija iliti pivoting bi znailo da odreene dimenzije
premjetamo uz stupaca u retke i obrnuto. Na slici 34 moemo vidjeti kako premjetanjem
dimenzije varijable dobivamo potpuno drugaiji pogled na iste podatke. Slika 34 a)
predstavlja pogled na podatke, gdje su u natpisu redaka godine i varijable, a u natpisu
stupaca razredi, dok e djelatnosti biti u filtru. Filtar nam omoguuje da laganim
postupkom mijenjamo podatke koje elimo vidjeti, u ovom sluaju ovisno o tome koju
djelatnost odaberemo.

Slika 34 a) Rotacija pri kojoj godine idu u redak

36

Slika 34 b) Rotacija pri kojoj godine idu u stupac

Kao to moemo vidjeti na slikama razlika u pregledu podataka je evidentna. Preostaje
nam jo definirati drill-down i drill-up operacije. Najjednostavnije reeno, za detaljniju
analizu podataka moemo kliknuti na znak +, koji e nam, ukoliko promatramo sliku 34 b),
prikazati detaljnije podatke prema godinama, ali s obzirom na razrede. Navedenu operaciju
moemo vidjeti na slici 35.

37

Slika 35 Detaljiziranje podataka

Kao to moemo vidjeti prema primjerima, postoje razliiti naini prema kojima
moemo prikazati podatke koje sadri OLAP kocka, a korisnik sam moe odabrati kako i to
eli vidjeti. Jedno od naela poslovne inteligencije je govorilo da korisnik treba imati
mogunost definiranja pogleda na podatke, a kao to vidimo, jako brzo i lagano se pogledi na
podatke rotiraju. Uvrten je jo jedan primjer, koji je prikazan na slici 36, u kojemu je autor
kao filtar odabrao dimenziju varijable, tako filtrom odluujemo koje vrijednosti od ponuenih
varijabli emo promatrati. Dok su u stupcima godine, u redovima se nalaze djelatnosti i ako
elimo detaljniji pogled moemo ih razgranati prema razredima.
38

Slika 36 Druga vrsta rotacije podataka

39

6. Zakljuak
Kao to smo mogli vidjeti u ovom zavrnom radu, pojam poslovne inteligencije iliti
business inteligence je dosta sloen, a njegova definicija se sastoji od razliitih
komponenata. Kao to je autor naglasio ranije, cilj stvaranja sustava poslovne inteligencije je
zapravo pruanje podrke sustavu za odluivanje odnosno menaderima koji su odgovorni za
donoenje odluka u odreenom poduzeu. A nastaje kao rezultat procesa vaenja znanja iz
podataka koji se generiraju u poslovanju. Isto tako moram napomenu odnos izmeu koliine i
kvalitete podataka, naime, nije u interesu da dobijemo veliku koliinu podataka ili informacija
koje emo moi koristiti prilikom voenja analize ili na kraju krajeva tijekom odluivanja,
poanta je u tome da se moraju generirati to kvalitetnije i to bolje informacije, to na kraju i
daje mo poticaja i stvaranja pozitivnih promjena.
OLAP je jedna od komponenti poslovne inteligencije, a oznaava mrenu analitiku
obradu. Kroz ovaj zavrni rad autor je pokuao prikazati kako se provodi analiza odreene
koliine podataka, a za to su se koristili sljedei alati i dodaci:

Microsoft SQL Server 2012

o Database Engine
o Analysis Services

SQL Server Dana Tools for Visual studio 2012

Microsoft Excel

Kao to se moglo vidjeti kroz primjere koji su predstavljeni u radu, postoje razliite
mogunosti analize podataka, a navedeni alati nam uvelike pomau u tome. Postoje brojni
besplatni alati koji nam mogu pruiti iste mogunosti kao alati Microsofta, no autor se odluio
za dotine alate zbog brojnih dokumenata koje se mogu besplatno nai na Microsoftovim
stranicama, a uvelike pomau prilikom koritenja navedenih alat i u izradi razliitih projekata.

40

7. Literatura
[1] Panian , Klepac G (2003) Poslovna inteligencija. Zagreb: Masmedia.
[2] Nagabhushana S (2006) Dana Waehousing: OLAP and Dana Mining. New Delhi: New
Age International.
[3] Javorovi B, Bilandi M (2007) Poslovne informacije i business inelligence. Zagreb:
Golden marketing-Tehnika knjiga
[4] Howson C (2008) Successful Business Intelligence. The McGraw-Hill Companies.
[5] Vercellis C (2009) Business Intelligence: Dana Mining and Optimization for Decision
Making. John Wiley & Sons Ltd.
[6] Halpin T, Morgan T (2008) Information Modeling and Relational Databases (second
edition). Burlington: Elsevier.
[7] W.H. Inmon (2005) Building the Dana Warehouse (fourth edition). Indianapolis: Wiley
Publishing
[8] Microsoft Developer Network. Posjeeno 15.08.2014: http://msdn.microsoft.com/enus/library/ms170208(v=sql.110).aspx
[9] Podaci za analizu preuzeti sa stranica Dravnog zavoda za statistiku. Posjeeno
16.08.2014: http://www.dzs.hr/

41

8. Prilog SQL skripte za unos podataka u tablice

8.1. Unos u tablicu djelatnosti
USE [bazaPodatakaZavrsniTomas]
GO
INSERT INTO [dbo].[djelatnosti]
([sifra_djelatnosti]
,[naziv_djelatnosti])
VALUES
(4,'Trgovina na veliko i malo;popravak motornih vozila i motocikala'),
(45,'Trgovina na veliko i malo motornim vozilima i motociklima;
popravak motornih vozila i motocikala'),
(451,'Trgoina motornim vozilima'),
(452,'Odravanje i popravak motornih vozila'),
(453,'Trgovina dijelovima i priborom za motorna vozila'),
(454,'Trgovina motociklima, dijelovima i priborom za motocikle te
odravanje i popravak motocikala'),
(46,'Trgovina na veliko, osim trgovine motornim vozilima i
motociklima'),
(461,'Trgovina na veliko uz naplatu ili na osnovi ugovora'),
(462,'Trgovina na veliko poljoprivrednim sirovinama i ivom stokom'),
(463,'Trgovina na veliko hranom, piima i duhanom'),
(464,'Trgovina na veliko proizvodima za kuanstvo'),
(465,'Trgovina na veliko informacijsko-komunikacijskom opremom'),
(466,'Trgovina na veliko strojevima, opremom i priborom'),
(467,'Ostala specijalizirana trgovina na veliko'),
(469,'Nespecijalizirana trgovina na veliko'),
(47,'Trgovina na malo u nespecijaliziranim prodavaonicama');
GO

8.2. Unos u tablicu godine

USE [bazaPodatakaZavrsniTomas]
GO
INSERT INTO [dbo].godine
(sifra_godine
,godina)
VALUES
(8, '2008'), (9, '2009'), (10, '2010'), (11, '2011'), (12, '2012');
GO

8.3. Unos u tablicu varijable

Adsfsadf
USE [bazaPodatakaZavrsniTomas]
GO
INSERT INTO [dbo].varijable
(sifra_varijable
,naziv_varijable)
VALUES
(11110, 'Broj poduzea'),
(12110, 'Promet'),

42

(12150, 'Dodana vrijednost (trokovi proizvodnih imbenika)'),

(16110, 'Broj zaposlenih osoba');
GO

8.4. Unos u tablicu razredi

Sadfsadfads
USE [bazaPodatakaZavrsniTomas]
GO
INSERT INTO [dbo].razredi
(sifra_razreda
,naziv_razreda)
VALUES
(1, 'ukupno'),
(2, '0-1 osoba'),
(3, '2-9 osoba'),
(4, '10-19 osoba'),
(5, '20-49 osoba'),
(6, '50-249 osoba'),
(7, '250 i vie osoba');
GO

8.5. Unos u tablicu strukturno poslovni pokazatelji

USE [bazaPodatakaZavrsniTomas]
GO
INSERT INTO [dbo].[strukturno_poslovni_pokazatelji]
([djelatnost]
,[godina]
,[varijabla]
,[razred]
,[varijednost])
VALUES
(4,11,11110,1,41834),
(4,11,11110,2,20363),
(4,11,11110,3,18333),
(4,11,11110,4,1844),
(4,11,11110,5,845),
(4,11,11110,6,366),
(4,11,11110,7,83),
(4,11,12110,1,221044342),
(4,11,12110,2,7006376),
(4,11,12110,3,35375283),
(4,11,12110,4,21805817),
(4,11,12110,5,36510742),
(4,11,12110,6,50303004),
(4,11,12110,7,70043119),
(4,11,12150,1,29775805),
(4,11,12150,2,883269),
(4,11,12150,3, 5724774),
(4,11,12150,4, 3436131),
(4,11,12150,5, 4490000),
(4,11,12150,6, 6180468),
(4,11,12150,7, 9061164),
(4,11,16110,1, 239934),

43

(4,11,16110,2,20294),
(4,11,16110,3,64747),
(4,11,16110,4,24250),
(4,11,16110,5,25118),
(4,11,16110,6,37313),
(4,11,16110,7,68212),
(4,12,11110,1,39908),
(4,12,11110,2,19223),
(4,12,11110,3,17663),
(4,12,11110,4,1762),
(4,12,11110,5,819),
(4,12,11110,6,354),
(4,12,11110,7,87),
(4,12,12110,1,216913301),
(4,12,12110,2,6656447),
(4,12,12110,3,33810491),
(4,12,12110,4,21204925),
(4,12,12110,5,36941122),
(4,12,12110,6,44215800),
(4,12,12110,7,74084516),
(4,12,12150,1,27183785),
(4,12,12150,2,922232),
(4,12,12150,3,5460312),
(4,12,12150,4,3271598),
(4,12,12150,5,3117892),
(4,12,12150,6,5852720),
(4,12,12150,7,8559030),
(4,12,16110,1,234127),
(4,12,16110,2,19176),
(4,12,16110,3,62358),
(4,12,16110,4,23196),
(4,12,16110,5,24105),
(4,12,16110,6,34282),
(4,12,16110,7,71010),
(45,11,11110,1,5333),
(45,11,11110,2,2355),
(45,11,11110,3,2617),
(45,11,11110,4,219),
(45,11,11110,5,105),
(45,11,11110,6,36),
(45,11,11110,7,1),
(45,11,12110,1,19976541),
(45,11,12110,2,0),
(45,11,12110,3,3323339),
(45,11,12110,4,2566246),
(45,11,12110,5,4311504),
(45,11,12110,6,8536570),
(45,11,12110,7,0),
(45,11,12150,1,2599652),
(45,11,12150,2,0),
(45,11,12150,3,562737),
(45,11,12150,4,376496),
(45,11,12150,5,598761),
(45,11,12150,6,902140),
(45,11,12150,7,0),
(45,11,16110,1,21272),
(45,11,16110,2,0),
(45,11,16110,3,8778),
(45,11,16110,4,2836),
(45,11,16110,5,3121),
(45,11,16110,6,3717),

44

(45,11,16110,7,0),
(45,12,11110,1,5139),
(45,12,11110,2,2220),
(45,12,11110,3,2569),
(45,12,11110,4,203),
(45,12,11110,5,108),
(45,12,11110,6,36),
(45,12,11110,7,3),
(45,12,12110,1,17650548),
(45,12,12110,2,0),
(45,12,12110,3,3123651),
(45,12,12110,4,2229093),
(45,12,12110,5,3834699),
(45,12,12110,6,6582023),
(45,12,12110,7,0),
(45,12,12150,1,2402768),
(45,12,12150,2,0),
(45,12,12150,3,573188),
(45,12,12150,4,357820),
(45,12,12150,5,520199),
(45,12,12150,6,732909),
(45,12,12150,7,0),
(45,12,16110,1,20992),
(45,12,16110,2,0),
(45,12,16110,3,8768),
(45,12,16110,4,2617),
(45,12,16110,5,3132),
(45,12,16110,6,3294),
(45,12,16110,7,0),
(451,11,11110,1,839),
(451,11,11110,2,438),
(451,11,11110,3,310),
(451,11,11110,4,67),
(451,11,11110,5,53),
(451,11,11110,6,20),
(451,11,11110,7,1),
(451,11,12110,1,13137443),
(451,11,12110,2,0),
(451,11,12110,3,1186357),
(451,11,12110,4,1279612),
(451,11,12110,5,293896),
(451,11,12110,6,6769264),
(451,11,12110,7,0),
(451,11,12150,1,1292703),
(451,11,12150,2,0),
(451,11,12150,3, 128208),
(451,11,12150,4,130605),
(451,11,12150,5,393228),
(451,11,12150,6,546710),
(451,11,12150,7,0),
(451,11,16110,1, 6657),
(451,11,16110,2,0),
(451,11,16110,3, 1184),
(451,11,16110,4,898),
(451,11,16110,5,1630),
(451,11,16110,6,2042),
(451,11,16110,7,0),
(451,12,11110,1,852),
(451,12,11110,2,406),
(451,12,11110,3,304),
(451,12,11110,4,61),

45

(451,12,11110,5,58),
(451,12,11110,6,21),
(451,12,11110,7,)2,
(451,12,12110,1,11322883),
(451,12,12110,2,0),
(451,12,12110,3,1055548),
(451,12,12110,4,1072990),
(451,12,12110,5,275098),
(451,12,12110,6,5012944),
(451,12,12110,7,0),
(451,12,12150,1,1155032),
(451,12,12150,2,0),
(451,12,12150,3, 134526),
(451,12,12150,4,123615),
(451,12,12150,5,335431),
(451,12,12150,6,432501),
(451,12,12150,7,0),
(451,12,16110,1,6659),
(451,12,16110,2,0),
(451,12,16110,3,1179),
(451,12,16110,4,810),
(451,12,16110,5,1727),
(451,12,16110,6,1819),
(451,12,16110,7,0),
(452,11,11110,1,3428),
(452,11,11110,2,1500),
(452,11,11110,3,1809),
(452,11,11110,4,93),
(452,11,11110,5,25),
(452,11,11110,6,1),
(452,11,11110,7,0),
(452,11,12110,1,2638892),
(452,11,12110,2,0),
(452,11,12110,3,1094456),
(452,11,12110,4,675626),
(452,11,12110,5,656624),
(452,11,12110,6,0),
(452,11,12110,7,0),
(452,11,12150,1,525254),
(452,11,12150,2,0),
(452,11,12150,3,249258),
(452,11,12150,4,132647),
(452,11,12150,5,89631),
(452,11,12150,6,0),
(452,11,12150,7,0),
(452,11,16110,1,9300),
(452,11,16110,2,0),
(452,11,16110,3,5802),
(452,11,16110,4,1181),
(452,11,16110,5,746),
(452,11,16110,6,0),
(452,11,16110,7,0),
(452,12,11110,1,3278),
(452,12,11110,2,1395),
(452,12,11110,3,1777),
(452,12,11110,4,82),
(452,12,11110,5,22),
(452,12,11110,6,2),
(452,12,11110,7,0),
(452,12,12110,1,2246621),
(452,12,12110,2,0),

46

(452,12,12110,3,10061053),
(452,12,12110,4,533699),
(452,12,12110,5,481858),
(452,12,12110,6,0),
(452,12,12110,7,0),
(452,12,12150,1,510373),
(452,12,12150,2,0),
(452,12,12150,3,263377),
(452,12,12150,4,121699),
(452,12,12150,5,75693),
(452,12,12150,6,0),
(452,12,12150,7,0),
(452,12,16110,1,8900),
(452,12,16110,2,0),
(452,12,16110,3,5762),
(452,12,16110,4,1016),
(452,12,16110,5,605),
(452,12,16110,6,0),
(452,12,16110,7,0),
(453,11,11110,1,872),
(453,11,11110,2,340),
(453,11,11110,3,437),
(453,11,11110,4,53),
(453,11,11110,5,27),
(453,11,11110,6,15),
(453,11,11110,7,0),
(453,11,11110,1,3933307),
(453,11,12110,2,0),
(453,11,12110,3,934928),
(453,11,12110,4,469036),
(453,11,12110,5,670983),
(453,11,12110,6,0),
(453,11,12110,7,0),
(453,11,12110,1,744237),
(453,11,12150,2,0),
(453,11,12150,3,171794),
(453,11,12150,4,91263),
(453,11,12150,5,115902),
(453,11,12150,6,0),
(453,11,12150,7,0),
(453,11,12150,1,4978),
(453,11,16110,2,0),
(453,11,16110,3,1604),
(453,11,16110,4,688),
(453,11,16110,5,745),
(453,11,16110,6,0),
(453,11,16110,7,0),
(453,11,16110,1,871),
(453,12,11110,2,344),
(453,12,11110,3,431),
(453,12,11110,4,54),
(453,12,11110,5,28),
(453,12,11110,6,13),
(453,12,11110,7,1),
(453,12,11110,1,3830997),
(453,12,12110,2,0),
(453,12,12110,3,928971),
(453,12,12110,4,469305),
(453,12,12110,5,601861),
(453,12,12110,6,0),
(453,12,12110,7,0),

47

(453,12,12110,1,698888),
(453,12,12150,2,0),
(453,12,12150,3,163105),
(453,12,12150,4,88437),
(453,12,12150,5,109076),
(453,12,12150,6,0),
(453,12,12150,7,0),
(453,12,12150,1,5098),
(453,12,16110,2,0),
(453,12,16110,3,1638),
(453,12,16110,4,719),
(453,12,16110,5,800),
(453,12,16110,6,0),
(453,12,16110,7,0),
(454,11,11110,1,144),
(454,11,11110,2,77),
(454,11,11110,3,61),
(454,11,11110,4,6),
(454,11,11110,5,0),
(454,11,11110,6,0),
(454,11,11110,7,0),
(454,11,12110,1,266899),
(454,11,12110,2,17329),
(454,11,12110,3,107598),
(454,11,12110,4,141972),
(454,11,12110,5,0),
(454,11,12110,6,0),
(454,11,12110,7,0),
(454,11,12150,1,37458),
(454,11,12150,2,1999),
(454,11,12150,3,13477),
(454,11,12150,4,21982),
(454,11,12150,5,0),
(454,11,12150,6,0),
(454,11,12150,7,0),
(454,11,16110,1,337),
(454,11,16110,2,77),
(454,11,16110,3,188),
(454,11,16110,4,72),
(454,11,16110,5,0),
(454,11,16110,6,0),
(454,11,16110,7,0),
(454,12,11110,1,138),
(454,12,11110,2,75),
(454,12,11110,3,57),
(454,12,11110,4,6),
(454,12,11110,5,0),
(454,12,11110,6,0),
(454,12,11110,7,0),
(454,12,12110,1,250046),
(454,12,12110,2,18866),
(454,12,12110,3,78080),
(454,12,12110,4,153099),
(454,12,12110,5,0),
(454,12,12110,6,0),
(454,12,12110,7,0),
(454,12,12150,1,38475),
(454,12,12150,2,2227),
(454,12,12150,3,12179),
(454,12,12150,4,24069),
(454,12,12150,5,0),

48

(454,12,12150,6,0),
(454,12,12150,7,0),
(454,12,16110,1,335),
(454,12,16110,2,74),
(454,12,16110,3,189),
(454,12,16110,4,72),
(454,12,16110,5,0),
(454,12,16110,6,0),
(454,12,16110,7,0),
(46,11,11110,1,17897),
(46,11,11110,2,9760),
(46,11,11110,3,6624),
(46,11,11110,4,887),
(46,11,11110,5,444),
(46,11,11110,6,164),
(46,11,11110,7,18),
(46,11,12110,1,112599883),
(46,11,12110,2,0),
(46,11,12110,3,20295236),
(46,11,12110,4,13450439),
(46,11,12110,5,27301591),
(46,11,12110,6,27188525),
(46,11,12110,7,0),
(46,11,12150,1,14086798),
(46,11,12150,2,0),
(46,11,12150,3,3295699),
(46,11,12150,4,2122324),
(46,11,12150,5,3068403),
(46,11,12150,6,3252438),
(46,11,12150,7,0),
(46,11,16110,1,82863),
(46,11,16110,2,0),
(46,11,16110,3,24798),
(46,11,16110,4,11813),
(46,11,16110,5,13251),
(46,11,16110,6,15018),
(46,11,16110,7,0),
(46,12,11110,1,17305),
(46,12,11110,2,9395),
(46,12,11110,3,6469),
(46,12,11110,4,846),
(46,12,11110,5,418),
(46,12,11110,6,160),
(46,12,11110,7,17),
(46,12,12110,1,110699608),
(46,12,12110,2,0),
(46,12,12110,3,19922619),
(46,12,12110,4,13383857),
(46,12,12110,5,28041430),
(46,12,12110,6,25052830),
(46,12,12110,7,0),
(46,12,12150,1,12407683),
(46,12,12150,2,0),
(46,12,12150,3,3192173),
(46,12,12150,4,2051756),
(46,12,12150,5,1830737),
(46,12,12150,6,3142855),
(46,12,12150,7,0),
(46,12,16110,1,79032),
(46,12,16110,2,0),
(46,12,16110,3,24157),

49

(46,12,16110,4,11241),
(46,12,16110,5,12364),
(46,12,16110,6,13839),
(46,12,16110,7,0);
GO

50