Budapest University of Technology and Economics, Faculty of Electrical Engineering and Informatics

    Belépés
    címtáras azonosítással

    vissza a tantárgylistához   nyomtatható verzió    

    Üzleti intelligencia laboratórium

    A tantárgy angol neve: Business Intelligence Laboratory

    Adatlap utolsó módosítása: 2014. október 6.

    Budapesti Műszaki és Gazdaságtudományi Egyetem
    Villamosmérnöki és Informatikai Kar
    Mérnökinformatikus MSc szak, Alkalmazott Informatika főspecializáció
    Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
    VIAUMB00 3 0/0/3/f 4  
    3. A tantárgyfelelős személy és tanszék Dr. Ekler Péter, Automatizálási és Alkalmazott Informatikai Tanszék
    4. A tantárgy előadója

    Név:

    Beosztás:

    Tanszék, Int.:

    Dr. Ekler Péter

    adjunktus

    Automatizálási és Alkalmazott Informatikai Tanszék

    Dr. Dudás Ákos

    adjunktus

    Automatizálási és Alkalmazott Informatikai Tanszék

    Dr. Goldschmidt Balázs

    docens

    Irányítástechnika és Informatika Tanszék

    5. A tantárgy az alábbi témakörök ismeretére épít

    Adatbázis kezelés, webes technológiák, objektum orientált szoftverfejlesztés

    6. Előtanulmányi rend
    Ajánlott:

    Kötelező előtanulmányi rend, a tárgyat csak azok a hallgatók vehetik fel, akik már teljesítették a következő tárgyakat:
    BMEVIAUMA02 Üzleti intelligencia

    Ajánlott tárgy:
    BMEVIIIMA04 Szolgáltatásorientált rendszerintegráció

    7. A tantárgy célkitűzése

    A tárgy célja az Üzleti intelligencia és Szolgáltatásorientált rendszerintegráció tárgyak anyagának gyakorlása és elmélyítése laboratóriumi mérések elvégzésével.

    8. A tantárgy részletes tematikája

     

    Laboratórium anyaga

    1.

    A laboratóriumi foglalkozás során ismertetésre kerül a relációs és NoSQL alapú adatbázis készítés, kezelés és karbantartás.

    2.

    A laboratórium alkalmon bemutatásra kerülnek a legfőbb BI kezelő eszközök és az adatbetöltési lehetőségek. Ezt követően a résztvevők ETL folyamatok segítségével megvalósítanak adatbetöltési és adattisztítási feladatokat.

    3.

    Az előző laborfoglalkozás során betöltött adatokra építve ezen az alkalmon a résztvevők megismerkednek az adatmodellezéssel, további üzleti intelligencia eszközökkel és adattárházak építéssel, illetve alapvető statisztikai mérőszámok kinyerésével.

    4.

    A laborfoglalkozás keretében a résztvevőknek lehetőségük nyílik egy Hadoop alapú megoldás elkészítésében, megismerkedhetnek az adatbetöltéssel, tárolással és adat elérhetőséggel.

    5.

    Ezen alkalmon a report és dashboard készítés kerül bemutatásra, ahol a résztvevők gyakorolhatják az összetett reportok és dashboardok készítését, szűrések létrehozását, valamint az ütemezést és report kiajánlást. A laboralkalom a Hadoop alapú adatok kezelésére is kitér.

    6.

    A laborfoglalkozás keretében megismerkednek a hallgatók a BI rendszerek SDK-ival, melyek lehetőséget biztosítanak a megoldások kiterjesztésére. A laborgyakorlat során a feladat egy ilyen SDK felhasználása.

    7.

    A laborfoglalkozás keretében a résztvevők megismerkednek az üzleti folyamatok modellezésének kérdéskörével (BPEL, BPMN). A foglalkozás keretében egy összetett feladat kerül megoldásra.

    8.

    Az alkalom keretin belül a hallgatók megismerkedhetnek a reszponzív reporting és dashboard felületek összeállításával. Szintén a labor részét képezi reportok által előállított adatok kiajánlása és elérhetővé tétele külső kliensek, például mobil eszközök számára.

    9.

    Ezen alkalom során bemutatjuk a felhő alapú BigData rendszereket és a laboratóriumi alkalom keretében egy összetett feladat kerül ismertetésre. A feladat célja egy népszerű felhő szolgáltatás bemutatása az adatbetöltéstől az adatok megjelenítéséig.

    9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium)

    Laboratórium.

    10. Követelmények

    -        Az órarend szerinti foglalkozásokon való részvétel,

    -        A laboratóriumi gyakorlatok sikeres elvégzése, ennek feltétele a mérési gyakorlaton való felkészült megjelenés, amit a mérésvezető oktató szóban és/vagy írásban ellenőriz. Az elégtelen felkészültségű hallgatók a mérési gyakorlaton nem vehetnek részt, azt pótolniuk kell. További feltétel a mérés sikeres végrehajtása és az ezt dokumentáló jegyzőkönyv elfogadtatása a mérésvezető oktatóval.

    -        A félévközi jegy a jegyzőkönyvek osztályzatának átlaga.

    11. Pótlási lehetőségek

    A TVSZ előírási szerint, két mérés pótolható a szorgalmi időszak végén.

    12. Konzultációs lehetőségek

    A tárgy előadójával történt egyeztetés szerint.

    13. Jegyzet, tankönyv, felhasználható irodalom

    -        Alex Holmes: Hadoop in Practice, Second Edition, 2014.

    -        John Russel: Cloudera Impala, 2013.

    -        Phil Simon: Too Big to Ignore: The Business Case for Big Data, 2013.

    -        Stephen Few: Information Dashboard Design: Displaying Data for At-a-Glance Monitoring, 2013.

    -        Ralph Kimball, Margy Ross, Warren Thornthwaite, Joy Mundy, Bob Becker: The Kimball Group Reader: Relentlessly Practical Tools for Data Warehousing and Business Intelligence, 2010.

    -        Howard Dresner: The Performance Management Revolution: Business Results Through Insight and Action, 2007.

    14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
    Kontakt óra42
    Félévközi készülés órákra38
    Felkészülés zárthelyire0

    Mérési jegyzőkönyv elkészítése

    40
    Kijelölt írásos tananyag elsajátítása0
    Vizsgafelkészülés0
    Összesen120
    15. A tantárgy tematikáját kidolgozta

    Név:

    Beosztás:

    Tanszék, Int.:

    Dr. Ekler Péter

    adjunktus

    Automatizálási és Alkalmazott Informatikai Tanszék

    Dr. Dudás Ákos

    adjunktus

    Automatizálási és Alkalmazott Informatikai Tanszék

    Dr. Goldschmidt Balázs

    docens

    Irányítástechnika és Informatika Tanszék