Univerzitet u Novom Sadu

Tehniki fakultet Mihajlo Pupin

Zrenjanin

SEMINARSKI RAD
Prodaja Honda motocikala Data warehouse

Mentor:
Prof. dr Biljana Radulovi

Student:
Nenad Nikoli
Broj indeksa:
MIT 13/15
Smer:
Informacione tehnologije
Master
Zrenjanin, 2016.
0

Sadraj:
1

UVOD................................................................................................ 2
1.1
Datawarehouse osnovni pojmovi................................................2
1.1.1 Skladite podataka Datawarehouse.........................................................2
1.1.2 Transakciono i analitiko procesiranje podataka.........................................2
1.1.3 Razvoj skladita podataka...........................................................................3

Projektovanje baze podataka.............................................................4

2.1

Opis baze podataka Prodaja Honda motorcikala..........................4

2.2

EER model podataka....................................................................5

2.3

Relacioni model podataka............................................................6

2.4
Implementacija modela podataka u sistemu za upravljanje bazama
podataka.............................................................................................. 7
3

Kreiranje skladita podataka (Datawarehouse)...................................8

3.1. Analiza korisnikih zahveta za analitikim podacima........................8
3.2. Projektovanje OLAP kocke..............................................................8
3.1.1 Definicija eme zvezde................................................................................8
3.1.2 Definicija eme pahulje...............................................................................8
3.2
Molap, Rolap i Holap kocke...........................................................9
3.2.1 MOLAP.........................................................................................................9
3.2.2 ROLAP..........................................................................................................9
3.2.3 HOLAP.........................................................................................................9
3.2.4 pis dimenzija, agregacija, mera i izraunljivih podataka.............................9
3.3

Dimenzije OLAP kocke................................................................10

3.4
Metoda zvezde (Star)..............................................................10
3.4.1 Prodaja modela motorcikala po mestima..................................................10
3.4.2 Prodaja modela motorcikala po mesecima...............................................11
3.5
Metoda pahulje (Snowflake)....................................................12
3.5.1 Prodaja modela motorcikala po klasama, proizvoaima i regionima......12
3.5.2 Prodaja modela motorcikala po regionima, klasama, mestima,................12
mesecima i proizvoaima...................................................................................12
3.6
4

Kreiranje OLAP kocke (MOLAP, ROLAP, HOLAP)............................13

Analitiki podaci..............................................................................17
4.1
Izvoz analitikih podataka i kreiranje izvedenih (Pivot) tabela(ema
zvezde) prodaja modela motorcikala po mestima................................17
4.2
Izrada dijagrama i grafikona (Chart ema zvezde) prodaja
modela motorcikala po mestima..........................................................18
4.3
Izvoz analitikih podataka i kreiranje izvedenih (Pivot) tabela(ema
pahulje) prodaja modela motorcikala po regionima, proizvoaima i
klasama.............................................................................................. 19
4.4
Izrada dijagrama i grafikona (Chart ema pahulje) prodaja
modela motorcikala po regionima, proizvoaima i klasama..................21
4.5
Postavljanje upita i OLAP kocke..................................................22
4.5.1 MDX upiti (MDX queries)...........................................................................22

Zakljuak........................................................................................ 24

Literatura........................................................................................25

1 UVOD
1.1 Datawarehouse osnovni pojmovi
Skladitenje podataka (Data warehousing) je uz poslovnu inteligenciju tehnologija koja
optimizira ogromne koliine podataka u sisteme i procese za potrebe izvetavanja i analize
poslovanja.
Data Warehouse sadri veliku koliinu podataka koje su organizovana u manje logike
jedinice Data Mart ovi. Podacima koji su smeteni u Data Warehouse se pristupa preko
Data Mart-ova. Data Mart obino predstavlja podskup logiki povezanih podataka iz Data
Warehousa koji se odnosi na odreenu oblast. Data Mart-ovi se dizajniraju snamerom da
budu osnova potencijalnih upita od kranjih korisnika.
Data Warehouse arhitektura se sastoji iz sledeih nivoa:

Operativna baza i eksterna baza podataka

Nivo za pristup informacijama
Nivo za pristup podacima
Nivo direktorijuma podataka (metadata)
Nivo za upravljanje procesima
Nivo za komunikaciju aplikacija (messaging)
Nivo data warehouse
Nivo za transformaciju podataka

1.1.1 Skladite podataka Datawarehouse

Namena skladitenje podataka podrazumeva organizaciju silnih gomila podataka, koje se
javljaju s razliitih mesta, u organizacione celine iz kojih bi se po potrebi pozivali eljeni
poslovni podaci. Te celine su baze podataka. Bitna je kredibilnost podataka to upuuje na
potrebu stalnog auriranja. Skladitenje podataka sadri podatke na temelju kod kojih se vri
poslovno upravljanje, odnosno prikupljanje podataka i isporuka informacija u obliku znanja,
proizvoda ili usluga.
Cilj skladita podataka nije operativnost poslovanja, nego stvoriti to bogatiji izvor
informacija za razliite dugorone i kratkorone analize i predvianja.

1.1.2 Transakciono i analitiko procesiranje podataka

OLTP (On Line Transaction Processing) opisuje nain na koji raunarski sistemi i krajnji
korisnici obrauju podatke. Usmeren je na detalje, sa estim auriranjem od strane krajnjih
korisnika. esto se opisuje kao nain korienja raunara za voenje neprekidnih (trajnih)
poslovnih procesa.

Budui da je proces donoenja poslovne odluke analitiki proces, stvorena je druga sintagma
- stalno dostupne analitike obrade.
OLAP (On Line Analitical Processing) je vrsta tehnologije koja omoguava analitiarima i
menaderima uvid u podatke kroz brz, konzistentan i interaktivan pristup velikom broju
raznovrsnih izvetaja, sainjenih na osnovu informacija dobijenih transformacijom sirovih
podataka. Na ovaj nain se oslikavaju sve dimenzije jednog poslovnog poduhvata. Data
warehouse podrazumeva ovaj pristup.

OLTP

OLAP

Obrada podataka

Analiza podataka

Velik broj transakcija

Kompleksni upiti

Mb-Gb podataka

Gb Tb podataka

Sirovi podaci

Sumarni i preraeni podaci.

Mnotvo razliitih korisnika

Donosioci odluka i analitiari

Aurirani podaci

Istorijski podaci

Tabela 1. Saet prikaz osnovnih razlika OLTP i OLAP obrade podataka.

1.1.3 Razvoj skladita podataka

Razvijanje skladita podataka temeljeno je na razliitim relacijskim platformama s posebnim
naglaskom na optimalnu veliinu i brzinu izvoenja podataka. Radna svojstva i izvoenja
prikupljanja, obrade, pohrane i dostupnosti potrebnih podataka potpomognute su primenom
OLAP tehnologije kojom se ostvaruje brz i smislen viedimenzijski pristup podacima
poslovanja.
Poznato je kako preduzea baziraju svoje poslovne odluke na mnotvu podataka koje crpe iz
spoljanjih i unutranjih izvora, a koje je potrebno ispravno uskladititi, organizovati i
koristiti.

2 Projektovanje baze podataka

2.1 Opis baze podataka Prodaja Honda motorcikala
U ovom seminarskom radu je prikazana baza podataka lokalnog uvoznika motorcikala, koja
treba da omogui memorisanje, uvanje, pretragu, obradu i analizu podataka o prodatim
motorciklima na nivou drave. Ovi podaci se prikupljaju od poslovnih partnera, tj. firmi koje
prodaju motorcikle za uvoznika ili od prodavnica samog uvoznika.
U bazi treba da se nalaze podaci o prodatim honda motorciklima, i to: serijski broj, naziv
modela, boja, oznaka auspuha, klasa, proizvoa, godina proizvodnje, godina i mesec
prodaje, mesto i region u kojem je prodat motor, kao i neki osnovni podaci o kupcu
motorcikla: JMBG, prezime, ime, ulica i broj, telefon.
Jedan kupac moe da kupi i vie motorcikala od uvoznika, dok se jedan motorcikl prodaje
samo jednom kupcu. U bazi se neevidentiraju podaci o motorciklima koji jo nisu prodati, a
nalaze se na placevima firmi ili prodavnica koje vre prodaju ovih motorcikala.
to se tie modela, za svaki motorcikl se uvek zna kom modelu pripada (proizvodni i
kataloki naziv), koja je zapremina motora motorcikla (u cm 3), snaga motora motorcikla (u
KS), prosena potronja motorcikla (u L/100km), zatim kojoj klasi motorcikla pripada (npr.
klasa CB nia klasa, CBF srednja kalsa, CBR nia srednja klasa, CR srednja klasa,
CRF via srednja klasa, CRR visoka klasa itd.) i koji proizvoa ga je proizveo.
Prodaja podrazumeva da je vei broj motorcikala istog modela prodat nekim kupcima. U bazi
podataka treba da su evidentirani svi modeli koje prodaje uvoznik, ak i ako nije prodat
nijedan motorcikl, da bi se mogla izvriti analiza podataka o prodaji honda motorcikala. to
se tie prodajnih mesta postoje samo ona koja su kao deo Moto kompleksa u Novom
Beogradu, Beogradu, Zemunu, Novom Sadu, Zrenjaninu, Kikindi, Sremskoj Mitrovici,
Beeju, Novom Beeju, Novoj Pazovi.

2.2 EER model podataka

Dobijeni konceptualni model podataka Power Designer 12. moe lako prevesti u fiziki
model podataka, a zatim i generisati konkretnu bazu podatka.
Osnovni elementi konceptualnog modela podataka su:

entiteti,

elementarni podaci,

atributi,

domeni,

relacije.
Na slici 1. je prikazan konceptualni model.

Slika 1. Konceptualni model podataka

2.3 Relacioni model podataka

Slika 2. Relacioni model podataka

Na slici 2. je prikazan relacioni model podataka. Relacioni model predstavljamo putem
eme koja je generisana od prethodnog CDM modela pomou paketa Power Designer 12.

2.4 Implementacija modela podataka u sistemu za upravljanje bazama

podataka

Slika 3. Relationships u Microsoft Access 2007

Logiki nezavistan EER model podataka je kreiran u Power Designer 12 CASE alatu. Zatim
je isti preveden u relacioni model i na kraju je implementiran u Microsoft Access 2007
sistemu za upravljanje bazama podataka.

3 Kreiranje skladita podataka (Datawarehouse)

Skladite podataka je kreirano u alatu: Microsoft Analyses Manager ver. 2000.

3.1. Analiza korisnikih zahveta za analitikim podacima

Analizom podataka u formi skladita podataka, potrebno je dati odgovore na sledee
korisnike zahteve:

Koliko je motorcikala prodato u nekom mestu?

Koliko je motorcikala prodato po regionima?
Prikazati prodaju motorcikala po proizvoaima?
Prikazati prodaju motorcikala po proizvoaima i klasama?
Prikazati prodaju motorcikala po regionima, proizvoaima i klasama?
Kako se kree prodaja motorcikala po mesecima?

3.2. Projektovanje OLAP kocke

Olap sistemi kao skladita podataka koriste multidimenzinonalnost i denormalizaciju i moe
se rei da predstavljaju nadogradnju skladita podataka.
Osnovni elepmenti OLAP sistema su:
Baza podataka, koja slui kao osnova za analizu,
OLAP server, za upravljanje i manipulaciju podacima,
Interfejs sistem, prema korisniku i prema drugim aplikacijama ,
Alati za administratiranje.

3.1.1 Definicija eme zvezde

emu zvezde karakteristie denormalizacija. Isti podaci se uvaju na vie mesta u skladitu,
ime se obezbedjuje jednostavnost i dobijaju potrebne performanse za procesiranje OLAP
sistema. Time ema zvezde zahteva velike memorijske resurse, a i velike dimenzione tabele
mogu uticati na pad performansi sistema.

3.1.2 Definicija eme pahulje

ema pahulje za razliku od eme zvezda primenjuje principe normalizacije. Time smanjujemo
redundantnost i smanjujemo koliinu podataka. Time se poboljavaju performanse sistema.
Nedostatak eme pahulje to mora da kreira dodatne veze, koje pri procesu upita mogu
pogorati performanse sistema, Takoe odravanje eme pahulje je relativno sloeno
sobzirom da u bazi postoji vei broj tabela.

3.2 Molap, Rolap i Holap kocke

3.2.1 MOLAP
MOLAP predstavlja tradicionalan nain OLAP analize. MOLAP baze podataka imaju
ogranienje veliine skupa podataka sa kojima mogu da barataju kao i na broj dimenzija
koje obezbedjuju dobre performanse sistema. Da bi se vrila bilo kakva analiza podaci
moraju da se uitaju u vie dimenzionalnu strukturu odnosno kocku. Pri tome se vre razni
prorauni da bi se kreirale agregacije i popunili podaci, to vremenski moe da traje dugo u
zavisnosti od performansi servera. Tek onda moe da se pone analiza. Prednosti MOLAP
arhitekture je to obezbedjuju odline performanse kada radi sa ve sreunatim podacima
(agregacijama). Nedostatak je to se teko dodaju nove dimenzije.

3.2.2 ROLAP
ROLAP pristupa podacima direktno iz data Warehouse-a i rade sa relacionim bazama
podataka. Ovi sistemi mogu da rade sa velikim skupovima podataka. im se odredi izvor
podataka odmah moe da se zapone analiza. S'obzirom da se direktno radi nad bazama
podatka korisniku su uvek dostupni tekui podaci. ROLAP nam omoguuje da radimo sa
velikom koliinom podataka jer moemo uvek da dodajemo nove dimenzije. U ovom sluaju
viedimenzionalna analiza se transformie u niz SQL naredbi koji se dalje prenose na
relacionu bazu podataka. Svaki ROLAP izvetaj sutinski predstavlja jedan ili vie SQL upita
ije izvrenje moe da traje dugo. Zbog toga prerformanse mogu da budu loe.

3.2.3 HOLAP
Moda najbolje reenje za OLAP sisteme je HOLAP arhitektura. On predstavlja kombinaciju
MOLAP i ROLAP arhitektura. HOLAP alati imaju pristup i viedimenzionalnim i relacionim
bazama podataka i ima za cilj da iskoristi dobre performanse visedimenzionalne analize tj.
kratko vreme odziva i analitike mogunosti i dinamiki pristup relaiconih baza. I onda
HOLAP je u stanju da izvrava vrlo sloene SQL naredbe a pritom se dodaju nove
mogunosti za rad sa viedimenzionalnim bazama podataka.

3.2.4 pis dimenzija, agregacija, mera i izraunljivih podataka

Dimenzije se smetaju u tabele dimenzija koje sadre nazive svakog lana dimenzije, a svaki
lan dimenzije naziva se atribut. U svetu skladita podataka kljuni atribut u tabeli dimenzija
mora da sadri jedinstvenu vrednost za svakog lana dimenzije. Jedna dimenzija moe da
sadri vie atributa. Atributi mogu da budu:

Grupiui
Negrupiui

Ne grupiui mogu da se nazivaju i osobinama lana dimenzije a grupiui atributu mogu da

se kombinuju u hijerarhije. Hijerarhije predstavljaju put kojim se u izradi analiza sistem kree
po dubini kroz vrednosti.

Mere se smestaju u tabele kojima nazivamo tebele injenica. Svaka kolona u tabeli injenica
je kljuna kolona uli kolona injenica. Kolona moe da sadri podatke o referencama. Tabela
injenica za svakog lana radije koristi ifru numerikog tipa nego naziv lana. Ukoliko se za
oznaavanje lanova dimenzije koriste celobrojni podaci, tada se za opisane podatke lanova
dimenzije kreiraju tabele dimenzija, to sustinski moemo shvatiti kao ifarnik.

3.3 Dimenzije OLAP kocke

Standardne dimenzije kocki koje e biti kreirane su podaci iz tabela:
Mesto Naziv mesta
Auspuh Naziv auspuha
Mesec Naziv meseca
Boja Naziv boje
Model Naziv modela
Klasa Naziv klase Naziv modela
Region Naziv mesta Naziv regiona
Proizvodjac Naziv proizvoaa Naziv modela
i prikazani su na slici 4:

Slika 4. Dimenzije OLAP kocke

3.4 Metoda zvezde (Star)

3.4.1

Prodaja modela motorcikala po mestima

10

Uraena je kocka metodom zvezde koja je prikazana na slici 5:

Slika 5. Prodaja modela motorcikala po mestima

Kada se startuje Cube Editor za meru(measures) autor je odabrao numeriku vrednost iz
FACT tabele motor id modela. U podeavanjima za meru koju je autor izabrao menjamo
naziv mere u broj motorcikala, a kao agregirana funkcija uzima se Count prebrojavanje.
Kod ove kocke, prodaja modela po mestima, koritene su dve dimenzije:
Mesto
Model
Obe dimenzije su uraene u wizardu. Za izradu ovih dimenzija koritena je ema zvezde.

3.4.2

Prodaja modela motorcikala po mesecima

Uraena je kocka metodom zvezde koja je prikazana na slici 6:

Slika 6. Prodaja modela motorcikala po mesecima

Kod ove kocke prodaja modela po mestim koritene su dve dimenzije:
Mesec
Model
Obe dimenzije su uraene u wizardu. Za izradu ovih dimenzija koritena je ema zvezde.

11

3.5

Metoda pahulje (Snowflake)

3.5.1 Prodaja modela motorcikala po klasama, proizvoaima i regionima

Kreirana je kocka metodom pahulje koja je prikazana na slici 7:

Slika 7. Prodaja modela po proizvodjacima i regionima

3.5.2 Prodaja modela motorcikala po regionima, klasama, mestima,

mesecima i proizvoaima

Slika 8. Prodaja modela motorcikala po regionima, klasama, mestima, mesecima i

proizvoaima.

12

3.6 Kreiranje OLAP kocke (MOLAP, ROLAP, HOLAP)

U ovom svim sluajevima kreiranih kocki koristila se MOLAP analiza podataka.
Prikaz MOLAP kocke prodaja modela motorcikala po mestima
Na slici 9. prikazuje se editor kocke za broj prodatih modela motorcikala po mestima (ema
zvezde):

Slika 9. Editor kocke za broj prodatih modela motorcikala po mestima

13

 Prikaz MOLAP kocke podaja prodatih modela motorcikala po mesecima

Na slici 10. prikazuje se editor kocke za broj prodatih modela motorcikala po mesecima
(ema zvezde):

Slika 10. Prodaja prodatih modela motorcikala po mesecima

14

 Prodaja motorcikala po klasama, proizvoaima, modelima i regionima

Na slici 11. je prikazan editor kocke za broj prodatih motorcikala po klasama, proizvoaima,
modelima i regionima prodaje (ema pahulje):

Slika 11. Cube Editor za broj prodatih motorcikala po klasama, proizvoaima i regionima

15

Na slici 12. je prikazan editor kocke (sliena kocka) za broj prodatih motorcikala po klasama,
proizvoaima, modelima, mestima, po mesecu prodaje i regionima prodaje (ema pahulje i
ema zvezde). Dodao sam jo dve mere koji se izraunavaju, ukupan iznos sa merom CENA
UKUPAN IZNOS i prosena cena prodaje po prodatim modelima AVG CENA.

Slika 12. Cube Editor za broj prodatih motorcikala po modelima sa ukupnim iznosima i
prosenoj ceni

16

4 Analitiki podaci
4.1 Izvoz analitikih podataka i kreiranje izvedenih (Pivot) tabela(ema
zvezde) prodaja modela motorcikala po mestima
U Excel 2007 podaci iz kocki se preuzimaju na sledei nain. U stavci menija data nalazi se
opcija za eksportovanje podataka iz OLAP kocki From other sources. Bira se opcija From
Analyst Services gde se dobija konekcija sa serverom. Ubacuje se ime servera ako nema
ponuenih unese se naziv servera koji se koristi. Izvri konekcija, odabere se baza sa kojom
su se prethodno procesirale kocke. Dalje se bira kocka iz koje se eli da se prikau podaci.
U ovom sluaju uzima se broj prodatih modela motorcikala po mestima. Samim odabirom
kocke u Excel 2007 bira se Pivot table bez Chart-a tj. dijagrama, a takoe imamo opciju da
nam se prikae i dijagram za pivot tabelu koju elimo da nam se prikae.
Mesto
Becej
Honda CRR
650
Honda R6 SR
Beograd
Honda CB
185
Honda CRR
725
Kragujevac
Honda CBF
325
Melenci
Honda CF
285 AS
Nova Pazova
Honda CF
485 ASD
Honda CR
450
Novi Becej
Honda CBF
325
Honda CF
325 S
Honda CR
385
Honda CRF
460
Novi Beograd

Broj
motorcikal
a
2
1
1
2
1
1
1
1
1
1
2
1
1
4
1
1
1
1
2

17

Honda CB
225
Honda CR
385
Novi Sad
Honda CB
185
Honda CB
225
Pozarevac
Honda CRF
460
Honda CRF
600
Honda R1
Stara Pazova
Honda CFR
600 A
Honda CR
385
Honda CRF
460
Honda CRR
725
Temerin
Honda CRR
650
Honda R6
Zemun
Honda CR
450
Honda RR
Zrenjanin
Honda CBF
250
Honda CRF
600
Ukupno

1
1
2
1
1
3
1
1
1
4
1
1
1
1
2
1
1
2
1
1
2
1
1
29

Tabela 2. Pivot tabela prodaja modela motorcikala po mestu (ema zvezde)

4.2 Izrada dijagrama i grafikona (Chart ema zvezde) prodaja modela

motorcikala po mestima

18

Dijagram 1.Pivot chart - Prodaja motorcikala po mestima

19

4.3 Izvoz analitikih podataka i kreiranje izvedenih (Pivot) tabela(ema

pahulje) prodaja modela motorcikala po regionima, proizvoaima i
klasama
Naziv regiona, naziv
proizvoaa, naziv modela
Backa
AG Honda

Broj motorcikala
6
2

Honda R6

Honda R6 SR

Dajmler Honda

Honda CB 185

Honda CB 225

Honda CRR 650

Banat
AG Honda

7
2

Honda CF 285 AS

Honda CF 325 S

Dajmler Honda

Honda CBF 250

Honda CBF 325

Honda CR 385

Honda CRF 460

Honda CRF 600

Beograd
AG Honda
Honda RR

6
1
1

Dajmler Honda

Honda CB 185

Honda CB 225

Honda CR 385

Honda CR 450

Honda CRR 725

Srem
AG Honda

6
2

Honda CF 485 ASD

Honda CFR 600 A

Dajmler Honda

Honda CR 385

20

Honda CR 450

Honda CRF 460

Honda CRR 725

Sumadija
AG Honda
Honda R1
Dajmler Honda

4
1
1
3

Honda CBF 325

Honda CRF 460

Honda CRF 600

Ukupno

29

Tabela 2. Pivot tabela prodaja modela motorcikala po regionima, proizvoaima i klasama

(ema pahulje)

21

4.4 Izrada dijagrama i grafikona (Chart ema pahulje) prodaja

modela motorcikala po regionima, proizvoaima i klasama

Dijagram 2. Pivot chart - Prodaja modela motora po proizvoaima, regionima i klasama

(ema pahulje)

22

4.5 Postavljanje upita i OLAP kocke

4.5.1

MDX upiti (MDX queries)

Multidimenzioni termin
Relaciona analogija
Kocka (Cube)
Tabela (Table)
Nivo (Level)
Kolona (Column - string or discrete number)
Dimenzija (Dimension) Nekoliko povezanih kolona (Several related columns)
Mera (Measure)
Kolona (Column - discrete or continuous numeric)
Vrednost iz dimenzione Vrednost reda neke tabele
tabele (Dimension
(The value in the specific row and column of
member)
dimension table)
Tabela 3. MDX termini i ralaciona analogija
Primeri MDX upita:
1) Broj prodatih motorcikala u svim mestima:
select
{[Measures].[Broj motorcikala]} on columns
from [Prodaja modela po mestima]

Na slici 13. prikazan je MDXQuery editor za postavljanje upita nad kockama. U ovom
sluaju je postavljen upit da se prikae broj prodatih motorcikala u svim mestima.

Slika 13. MDXQuery izvravanje upita nad kockom prodaja motorcikala u svim mestima.

23

2) Broj prodatih motorcikala odreenog modela po mestima u junu mesecu :

Select
Klasa.Members on Columns,
Region.Members on Rows
From
[Slozena kocka]
Where
[Mesec].[All Mesec].[jun]

Slika 14. MDXQuery izvravanje upita nad kockom prodaja modela motorcikala po
regionima, proizvoaima i klasama (sloena kocka)

24

5 Zakljuak
Prava znanja i prave informacije su stvari koje su u vremenu u kojem ivimo najvrednije. U
modernom poslovanju praktino je nemogue biti uspean ukoliko ne posedujemo prave
informacije, ali je podjednako vano da znamo kako da upotrebimo te informacije.
Kreiranje DW nam prua mogunost da iz sopstvenog poslovanja utvrdimo konkretne zakone
trita na ovom primeru i da podatke koje imamo koristimo na naine na koje do sada nismo
mogli.
Imajui u vidu da su moto kompanije uglavnom veliki sistemi, donosiocima odluka je mnogo
lake da se upoznaju sa situacijom u svakom segmentu ako u svakom momentu mogu da
dobiju svaku zahtevanu analizu koja bi mogla da im bude potrebna i to bez velikog ekanja.
OLTP sistemi nisu u mogunosti da to prue i tu se javlja potreba za kreiranjem OLAP
sistema i Data Warehous a .

25

6 Literatura
[1].Alempije Veljovi Menadment informacioni sistemi u praksi, Kompjuter biblioteka
aak, 2002.
[2].Mike Gunderloy, Joseph L. Jorden SQL Server 2000, Mikro knjiga, Beograd, 2001.
[3].www.datawarehouse.ittoldbox.com
[4].www.databaseanswers.org/designing_olap_cubes_htm

26