A dashboard jelentősége a vállalat döntéseinek meghozatalánál
Elmentve itt :
| Szerző: | |
|---|---|
| További közreműködők: | |
| Dokumentumtípus: | Diplomadolgozat |
| Kulcsszavak: | adatbázis szerkezet adatsorok elemzése Adatvizualizáció ábraelemzés Dashboard grafikon(ok) hibaelhárítás hibakeresés |
| Online Access: | http://dolgozattar.uni-bge.hu/29251 |
MARC
| LEADER | 00000nta a2200000 i 4500 | ||
|---|---|---|---|
| 001 | dolg29251 | ||
| 005 | 20210301135813.0 | ||
| 008 | 210301suuuu hu om 000 hun d | ||
| 040 | |a BGE Dolgozattár Repozitórium |b hun | ||
| 041 | |a hu | ||
| 100 | 1 | |a Kiss Richárd Gergely | |
| 245 | 1 | 2 | |a A dashboard jelentősége a vállalat döntéseinek meghozatalánál |c Kiss Richárd Gergely |h [elektronikus dokumentum] |
| 520 | 3 | |a A szakdolgozatomban egy fiktív cégnek a segítségével mutattam be magát az adatelemzésnek a folyamatát és ennek a végtermékét, a dashboardot. Ennek segítségével elemeztem a cég által használt adatokat, amik segíteni tudtak annak a döntésnek a meghozatalában, hogy bővítsék-e az üzlethelységeknek a számát Budapest térségén kívül.Az adatelemzésnél nem lehet elkerülni a Big Data témakörét. Manapság szinte minden cégnél naponta több ezer, vagy akár több millió adat is megfordul, amivel kezdeni kell valamit. Itt lép be a képletbe a Business Intelligence, vagyis az Üzleti Intelligencia. Ennek segítségével tudják a meglévő rengeteg adatot elemezni.Mielőtt ennek nekitudnának fogni először is meg kell vizsgálni magukat az adatokat. Meg kell találni a kapott adathalmazban a hibákat, azokat meg kell határozni és végül ki kell őket küszöbölni. Ez lenne az adattisztítás. Ezt a műveletet akár programozási nyelvekkel is végre tudjuk hajtani. Ilyen lehet például a Python vagy az SQL. Mind a kettő nyelvnek megvannak a maga sajátosságai, amikkel könnyedén ki lehet szűrni és ki lehet javítani a talált hibákat.A kapott adatokat szükséges valahogyan feldolgozni. Ezekben tudnak segítséget nyújtani az OLTP és az OLAP rendszerek. Ilyen segítség lehet például, hogy a kapott adatokkal különböző műveleteket tudunk végrehajtani, például a kapott adatokat tudjuk pivotolni vagy esetleg szeletelni. Magát az adatmodellt is meg tudjuk határozni, legyen az a csillagséma vagy a hópehelyséma.Miután létrehoztuk a megfelelő adatokat, mind formátumilag, mind tartalmilag, utána tudunk áttérni magára az adatvizualizációra. Ilyenkor tudjuk a kívánt adatokat megfelelően ábrázolni, hogy segíthessük a döntéshozatalt. Ilyenkor figyelni kell néhány íratlan szabályra, például hogy törekedjünk a lényeges adatok megjelenítésére. Ilyenkor kerülni kell azt, hogy rengeteg adatot sűrítünk bele egyetlen kimutatásba. Ugyanilyen probléma lehet a túlzott színhasználat, ami nagyban meg tudja nehezíteni az adatoknak az értelmezését a legrövidebb idő alatt.Az adatvizualizációt rengeteg erre szabott program tudja segíteni. Ilyen lehet például egy beépített lehetőség, mint az Excel Power Pivot, vagy azok a programok, amik kifejezetten erre lettek fejlesztve. Ilyen program a Microsoft Power BI és a Tableau. Mind a két programnak megvannak a maguk előnyei és hátrányai is.A végén ezeken a folyamatokon végig haladva tudunk értelmes és logikus döntést hozni, ahogyan azt a fiktív cég is megtette és mivel a terjeszkedés mellett döntöttek, rengeteg lehetőség tárult fel előttük. | |
| 695 | |a adatbázis szerkezet | ||
| 695 | |a adatsorok elemzése | ||
| 695 | |a Adatvizualizáció | ||
| 695 | |a ábraelemzés | ||
| 695 | |a Dashboard | ||
| 695 | |a grafikon(ok) | ||
| 695 | |a hibaelhárítás | ||
| 695 | |a hibakeresés | ||
| 700 | 1 | |a Kósa Tamás András |e ths | |
| 700 | 1 | |a Mészáros György |e ths | |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/29251/1/Kiss_Rich%C3%A1rd_Gergely_IAMBMI.pdf |z Dokumentum-elérés |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/29251/2/BA_TO_Kiss_Rich%C3%A1rd_Gergely_IAMBMI.pdf |z Dokumentum-elérés |