Open source business intelligence – Pentaho

29. 9. 2010 | Vratislav Beneš | Recenze | 9160×

V tomto seriálu chci přiblížit open source řešení pro business intelligence (BI) Pentaho. Na úvod si dovolím krátkou exkurzi do  BI a popis jednotlivých oblastí. V dalších dílech se již zaměříme na vlastní softwarové řešení Pentaho a s ním spojené nástroje.

Obsah

• Schéma seriálu:
• Trocha teorie
• BI software
• Pentaho
  • Jak Pentaho řeší základní oblasti BI

Schéma seriálu:

1. Úvod – Trocha teorie k BI. Co to je a k čemu nám BI slouží v praxi?
2. Instalace a základní nastavení Pentaho, konfigurace databází a základní přizpůsobení
3. ETL – Extract, Transfer, Load aneb jak získávat a automatizovat nahrávání dat z rozličných zdrojů a formátů
4. Datové sklady a OLAP – databáze, datové kostky, analýzy, MDX, agregované tabulky, pohledy
5. Reporty – statické, dynamické, automatická distribuce
6. Dashboardy – kokpit nad daty, flexibilní analytický nástroj
7. Datamining – hledáme skryté informace v datech
8. Case study – praktické nasazení BI v konkrétní firmě

Trocha teorie

V současné době jsou firmy zahlcovány obrovským množstvím dat. Jejich zdrojem bývají firemní systémy (ERP, CRM, účetní a jiné vnitrofiremní systémy), externí dodavatelé (státní instituce, banky, výzkumné agentury), logy výrobních linek nebo také logy IT systémů.

Data obsahují nezměrné množství informací, které lidé potřebují transformovat ve znalosti a ty následně použít jako podklad pro svá rozhodnutí. A právě BI poskytuje nástroje, postupy a techniky vhodné pro extrakci informací z dat a nalezení relací mezi nimi.

Abychom toho byli schopni, potřebujeme systém, který by měl umět pokrýt následující oblasti:

1. Extrakci dat a jejich nahrávání – ETL
2. Systém pro uložení dat – datový sklad (DWH) a datové tržiště (DMT)
3. Analýza dat – Online Analytical Processing (OLAP)
4. Reportování – reporty, dashboardy, distribuci uživatelům
5. Hledání souvislostí v datech – datamining (DM) a následné modelování

Schématicky to lze vyjádřit takto:

Firemní systémy mají většinou svá data uskladněna v databázích rozdílných architektur a struktur. Na obrázku jsou to vnitropodnikové systémy ERP, CRM, software na sledování docházky (HR) a jako externí systémy jsou zastoupeny výpisy z banky nebo měnové kurzy.

Naším cílem je data ze všech zdrojů centralizovat, zobecnit, ale zároveň zachovat potřebnou detailnost. Takto připravená data slouží pro analýzy, reporty nebo modelování faktů, která nám jsou známá. Ta, která zůstala doposud skryta, se snaží odhalit metody dataminingu.

Co to v praxi znamená?

Na databáze ERP, CRM a HR systémů jsou napojeny datové pumpy (ETL), které automaticky nebo na vyžádání „vytáhnou“ nová data a uloží je do datového skladu. V případě banky nelze předpokládat přímý přístup do bankovní databáze, takže jako zdroj dat budou složit offline datové soubory (XLS, TXT, …). Kurzovní lístek bude nejspíše dostupný na webu dané bankovní instituce, takže zdrojem je webová stránka. V tomto případě ETL musí zajistit převod nestrukturovaných dat do podoby vyhovující datovému skladu, takže musí provést určitou transformaci (například vyhledání hodnot kurzů v HTML).

Datový sklad musí mít takové rozhraní, aby z něj bylo možné stavět reporty nebo jej použít jako zdroj pro analýzy či modelování. Datový sklad obsahuje možné kombinace všech vstupních dat. Jelikož je rozsah informací příliš komplexní, je množina „nabízených“ dat omezena podle oborového zájmu na její podmnožiny. Těmi jsou datová tržiště, která bývají realizována datovými kostkami (ne výhradně).

Jednotlivá oddělení firmy pak přistupují pouze ke svým informacím, nad kterými si spouštějí reporty, procházejí dashboardy, analyzují data a vytvářejí si modely.

Cílem je přinést každému uživateli co možno nejkomplexnější informace, ale zároveň v co nejjednodušší formě a co nejrychleji.

BI software

Poptávka po BI v poslední době značně roste. Svoji roli hraje nejen neustále narůstající množství dat, ale také vzdělanost manažerů v oblasti využití moderních nástrojů pro řízení firmy. Podle hesla „Co nemůžete změřit, nemůžete řídit“ se ve firmách generuje množství reportů, stanovují se KPI, která by se také měla měřit a vyhodnocovat, provádějí se analýzy, sestavují modely. BI sice není všelék, ale při vhodném nasazení a zejména interpretaci dokáže nalézt a také pomoci řešit problémy firmy.

Firmy jako IBM, Microsoft, Oracle, SAP si toto uvědomují a většinou na vrchol svých databázových produktů stavějí BI řešení. Jelikož se jedná o komplikované systémy zahrnující i umělou inteligenci, jejich cena nebývá právě nejnižší. Z tohoto důvodu firmy často sahají po nestandardních řešeních, jakými je třeba nevhodné použití tabulkových procesorů. Nakonec ale s rostoucím množstvím dat a požadavků tato řešení čím dál více uživatelům ztěžují práci a více než analýzám problémů se věnují hledání chyb ve vzorcích a překopírovaných tabulkách.

Svět open source nabízí pro BI několik nástrojů (BI Jasper, Palo, Pentaho). V našem seriálu se budeme zabývat řešením od spolešnosti Pentaho – Pentaho BI. To patří mezi nejrozšířenější a nejkomplexnější open source nástroje pro BI. Zahrnuje několik samostatných aplikací (Mondrian, Kettle, Weka, jfreecharts, …), které jsou samy o sobě velmi kvalitní, a proto i často nasazované. Neodmyslitelnou součástí uceleného BI řešení je databázový systém jako zdroj dat.

Pentaho

Pentaho je komerční opensource nástroj, který je k dispozici v Community edition a Enterprise edition. Community edition je vydávána pod GNU GPLv2 licencí a je plně zdarma. Enterprise edition je placená a obsahuje některé komponenty, které nejsou vydávány pod GNU GPL2 nebo jinou svobodnou licencí. Srovnání obou verzí naleznete na http://www.pentaho.com/products/. Jako u většiny komerčních verzí open source je hlavní rozdíl mezi Comunity a Enterprise edition hlavně v podpoře ze strany Pentaho nebo jejich partnerů. Vedle toho Enterprice edition obsahuje i vylepšení, jako jsou Single-sing on, analyzátor výkonu systému nebo pokročilý grafický analyzátor OLAP kostek. Obě edice mají stejný základ, a to javovskou web aplikaci, běžící v aplikačním serveru (Tomcat, JBoss nebo třeba Glassfish). Některé moduly (designer kostek, reportů, ETL) jsou tvořeny samostatnými aplikacemi. Výsledek je publikován na server s Pentaho BI.

Jak Pentaho řeší základní oblasti BI

1. ETL (Extract Transformation Load) je řešen pomocí nástroje Kettle. Jedná se o javovskou aplikaci umožňující navrhovat, provozovat a plánovat datové pumpy, propojující externí data a datový sklad. Pro zvýšení dostupnosti a výkonnosti lze Kettle provozovat v clusteru. Díky Javě je platformně nezávislý.
2. Datový sklad je tvořen relační databází. V základním balíku jsou předkonfigurovány MySQL, Hypersonic, Oracle 10g a PostgreSQL. Ale lze použít libovolnou databázi komunikující přes JDBC.
3. OLAP je v Pentaho řešen ROLAPem projektu Mondrian, který čerpá data nejen z výše uvedených DB, ale z kterýchkoli jiných s rozhraním JDBC. Analytickou část přes webové rozhraní zajišťuje komponenta jpivot.
4. Reporty lze sestavovat statické, dynamické s možností výstupu do html, xls, doc, pdf nebo obrázků. Vedle nich lze definovat i tzv. dashboard, které lze přirovnat ke kokpitu, kde je celý pozorovaný systém zobecněný do několika základních údajů s určitou mírou agregace, zobecnění. Reporty i dashboardy mohou být interaktivní, čímž umožní uživateli poměrně snadno měnit výchozí omezení. Tím mu dávají mocný nástroj k získání bleskového přehledu o dané oblasti. Reporty lze distribuovat mezi příjemce pomocí e-mailu nebo je vkládat do intranetových portálů.
5. Datamining je řešen aplikací Weka, která vznikla v univerzitním prostředí. V důsledku toho je velmi často rozšiřována o nové algoritmy a postupy, což není pravidlem u komerčních aplikací. V Pentaho není implicitně řešeno modelování, ale lze jej rozšířit o statistický nástroj R-project. Modelování je výsostně specifická oblast, proto většina uživatelů sáhne po svém oblíbeném nástroji nebo postupu. Naše firma např. používá neuronové sítě.

Pentaho ve spojení s dobře navrženým datovým skladem je velmi výkonný a spolehlivý nástroj na BI. S přehledem obstojí i v konkurenci proprietárních řešení. Díky možnosti integrace do jiných prostředí (intranet, vlastní aplikace) umožňuje pohodlně reportovat a analyzovat data, bez nutnosti složitých a krkolomých řešení. Pevně věřím, že vám bude tento seriál nápomocen.

První díl tohoto seriálu má úvodní, informativní charakter. Příště si rozběhneme komunitní verzi, ukážeme si její nastavení proti databázi PostgreSQL a provedeme si základní přizpůsobení.

Na shledanou s Pentaho

       

Komentáře

[corwin78]

Těším se na pokračování. Díky.

[honza soukup]

Pro mě zajímavé téma, těším se na další díly, díky!

[pedro]

Tak na toto se hodně těším, Pentaho neznám, autorovi přeji pevné nervy a doufám, že seriál neuvadne po kapitole o instalaci.

[Petr]

Taky se těším, díky.

[Ladicek]

Taky jsem zvědav. Před časem jsem si trochu s Pentahem hrál a moc uchvácený jsem nebyl, to drsné programování v JSPčkách (sprosté slovo: skriptlety), co tam kucí provozují, je fakt odpudivé.

Na druhou stranu, trochu vidím akorát do Mondrianu, a ten je dost dobře vymyšlený, samostatné použití je vcelku bezproblémové. Jenom k vizualizaci je třeba ten JPivot (nic jiného jsem neviděl), což je odporná XSLT mrcha, která nezvládne od jednoho uživatele víc dotazů zároveň. Jo a ukládání naklikaného pohledu má (teda mělo, když jsem to zkoušel, což bylo naposled asi 2 roky zpátky) problémy s diakritikou (asi proto, že to není součást JPivotu, ale dobastlili to tam v Pentahu, a když jsem letmo listoval zdrojáky, získal jsem dojem, že s kódováním se tam vůbec moc nepářou).

[vratidlo007]

Slibuju, ze JSP se dotkneme jen jednou a to rovnou v pristi dile, ale jen abychom si zmenili uvodni logovaci stranku Dashboardy se pohodlne vytvareji javascriptem, na reporty, ETL, tvorbu kostek jsou klikatka, tak snad to nebude az tak moc krkolomne. S diakritikou si poradime. FYI: Staci spoustit javu s parametrem -Dfile.encoding=utf-8 a jpivot umi zobrazovat i hacky, carky.

[Ladicek]

K tomu kódování, možná jsem to vyjádřil špatně, fungovalo mi prakticky všechno, jenom jedna věc ne: Pentaho přidává do JPivotu tlačítko pro uložení aktuálního pohledu (které osy jsou rozbalené apod.), a tam byl problém. Teď už si nejsem jistý, jestli šlo jenom o pojmenování pohledu nebo o to, že některé hodnoty v MDX dotazu byly s diakritikou, ale na téhle funkci to prostě padalo. Ale dost možná, že dneska už je to úplně jinak.

[osvc1]

rad bych se zeptal, je to mozne nasadit (ma smysl) uz i ve firme, ktera ma mene nez 10 tisic zamestnancu?

[vratidlo007]

Pentaho ma smysl = je prinosem treba i jen pro jednoho uzivatele, ktery potrebuje analyzovat velka data (gigabyty) nebo generovat reporty pro ostatni uzivatele. Nasimi zakazniky jsou firmy/oddeleni o 5 lidech, ale take fabriky o stovkach zamestnancu. Nejbeznejsi nasazeni v praxi, mame pro skupiny o 20-30 uzivatelich napric nekolika oddelenimi (marketing, prodej, vyroba ...). Takze moje odpoved je, ze Pentaho (Jasper) ma smysl nasadit i ve firme < 10000 zamestnancu Tam ale nejspis budou mit trosku jine produkty

[jos]

první pokus Extract, Transfer, Load

druhej pokus Extract Transformation Load

wikipedia Extract, Transform, Load

sorry za to rejpání

[vratidlo007]

Jaj sorac! Spravne je samozrejme Extract, Transfer, Load. Kolega me na to taky upozornoval, ale nejak mi to uniklo. Musim to vic po sobe cist

[vratidlo007]

No tak znovu a lepe ETL = Extract, Transform, Load

[LuděkS]

Bezva práce! Díky!

[wike]

Ďakujem za dobrý článok na zaujímavú tému. Teším sa na pokračovanie.

[radecare]

Pentaho je pěkná věc. Sám se těším na pokračování tohoto článku.

Pro ty kdo by měly zájem o ROLAP platformu, kterou nemusí instalovat, tak je pěkná alternativa tvořena firmou GoodData (www.gooddata.com).

Jedná se o ROLAP jako platforma. Přístupné jak přes JS klienta z browseru, tak přes REST API.