BME VIK - Üzleti intelligencia laboratórium

vissza a tantárgylistához nyomtatható verzió

Üzleti intelligencia laboratórium

A tantárgy angol neve: Business Intelligence Laboratory

Adatlap utolsó módosítása: 2019. március 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,

4. A tantárgy előadója

Név:	Beosztás:	Tanszék, Int.:
Dr. Ekler Péter	docens	Automatizálási és Alkalmazott Informatikai Tanszék
Dr. Dudás Ákos	docens	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

Kötelező:

NEM
(TárgyEredmény( "BMEVIAUMB09", "jegy" , _ ) >= 2
VAGY
TárgyEredmény("BMEVIAUMB09", "FELVETEL", AktualisFelev()) > 0)

A fenti forma a Neptun sajátja, ezen technikai okokból nem változtattunk.

A kötelező előtanulmányi rend az adott szak honlapján és képzési programjában található.

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 óra	42
Félévközi készülés órákra	38
Felkészülés zárthelyire	0
Mérési jegyzőkönyv elkészítése	40
Kijelölt írásos tananyag elsajátítása	0
Vizsgafelkészülés	0
Összesen	120

15. A tantárgy tematikáját kidolgozta

Név:	Beosztás:	Tanszék, Int.:
Dr. Ekler Péter	docens	Automatizálási és Alkalmazott Informatikai Tanszék
Dr. Dudás Ákos	docens	Automatizálási és Alkalmazott Informatikai Tanszék
Dr. Goldschmidt Balázs	docens	Irányítástechnika és Informatika Tanszék

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

Üzleti intelligencia laboratórium