Optimization of Multidimensional Data Models using Multiple-Criteria Decision Analysis

Sodoben sistem za podporo odločanju mora učinkovito podpreti procese pridobivanja ustreznih informacij ter omogočiti uporabo metod za proces odločanja v čim krajšem času od nastanka dogodkov. V ta namen se uporabljajo različna orodja in metode, pod krovnim imenom poslovna inteligenca, ki preoblikujejo velike količine podatkov v uporabne informacije. Veliko sistemov za poslovno inteligenco ne zaživi v praksi, ali pa je njihova izkoriščenost nizka, predvsem zaradi kompleksnosti prikaza informacij in načina uporabe. Sistemi so običajno konfigurirani enako za vse vrste uporabnikov in niso prilagojeni specifičnim potrebam, zato si morajo prilagoditve izvesti uporabniki sami, kar je zamudno in lahko privede do zakrivanja pomembnih odločitvenih informacij. V doktorski disertaciji je predstavljen metoda za optimizacijo sistema poslovne inteligence, ki na osnovi različnih poslovnih vlog in preferenc posameznih uporabnikov, ustrezno spreminja karakteristike niza večdimenzionalnih modelov. Vhod v model so rezultati analize sledi uporabe sistema za poslovno inteligenco in atributi večrazsežnostnih podatkovnih modelov. Z uporabo predlagane metode se zmanjšuje kompleksnost sistema za poslovno inteligenco, na ta način pa se povečuje njegova uporabnost in izkoriščenost ter posledično kakovost odločitvenega procesa. Razvoj predlaganega modela optimizacije temelji na povezavi treh uporabljenih metod: segmentacije uporabnikov, večrazsežnostnih podatkovnih modelov in večparametrskega odločanja. S segmentacijo uporabnikov na osnovi opazovanja uporabe sistema ločimo vse uporabnike v manjše število skupin z različnimi preferencami. Z namenom poenostavitve in prilagoditve večrazsežnostnih podatkovnih modelov, uporabimo metodo kvalitativnega večparametrskega odločitvenega modeliranja DEX. Rezultat kvalitativne večparametrske analize mer in dimenzij je spremenjen večrazsežnostni model, ki je poenostavljen in prilagojen potrebam posamezne skupine uporabnikov. Metodo smo preizkusili na dejanskih podatkih o prodaji srednje velikega podjetja, kjer smo primerjali tri konfiguracije sistema za poslovno inteligenco: ne-optimiziran sistem, sistem, optimiziran z našim modelom, ter sistem, optimiziran z metodo Topsis. Rezultati kvalitativnega vrednotenja kažejo, da pri uporabi predlagane metode dosegamo optimalnejšo uporabo sistema za poslovno odločanje v smislu nižjih povprečnih časov uporabe in nižjega povprečnega števila klikov. Tudi analiza kvalitativnega vrednotenja je pokazala, da je tako konfiguriran sistem za poslovno inteligenco enostavnejši za uporabo. Pričujoča raziskava potrjuje smer razvoja predlaganega modela v smislu učinkovitejše uporabe sistema in večjega zadovoljstva uporabnikov. Hkrati odpira številne možnosti za nadaljnje raziskave v smeri kot je npr. samodejno prilagajanje atributov večparametrskih metod, personalizacija informacijskih vsebin z upoštevanjem vseh posebnosti osebnega načina dela, prilagajanje grafičnih vsebin s poudarkom na mobilni tehnologiji.This dissertation presents a novel approach to the adaptation of multidimensional data models to user-specific needs. The multidimensional data models used in contemporary business-intelligence systems are inherently complex. In order to reduce the complexity of these models, we proposed using a qualitative multiple-criteria decision modelling method that is based on using a hierarchical tree of the criteria to decompose the larger problem into a group of smaller problems. The final value is derived by aggregating the criteria values using simple “if-then” rules, which form the knowledge-based expert rules in the hierarchical criteria tree that reflect users’ preferences. The multiple-criteria analysis of the multidimensional model structure results in a multidimensional model that exhibits a reduced complexity and is adapted to users’ needs. The model was validated using sales data from a medium-size enterprise. The qualitative (through questionnaires) and the quantitative (through usage mining) evaluation of the proposed methodology both showed that the proposed approach increases the ease-of-use of business intelligence systems and also contributes to a higher user satisfaction