Datalager - erfarenheter av användning inom offentlig förvaltning

Storlek: px
Starta visningen från sidan:

Download "Datalager - erfarenheter av användning inom offentlig förvaltning"

Transkript

1 Uppsala Universitet Institutionen för informationsvetenskap Datalager - erfarenheter av användning inom offentlig förvaltning Ulrika Dybeck och Sanna Hjelm Kurs: Examensarbete Nivå: D Termin: HT -04 Datum:

2 Abstract Data warehousing is a subject that is becoming increasingly interesting but within which there is a lack of experience and knowledge. Therefore, there exists a need to examine what has been done in the area of data warehousing. This thesis focuses on how some of the swedish government authorities have chosen to solve the problem of implementing a data warehouse system in their organization. Personal interviews have been conducted in order to find out which problems they have encountered and how they have managed to overcome them. The outcome of these interviews are compiled and compared, resulting in an analysis summarizing the main issues. We have reached the conclusion that a data warehouse project can not be conducted in the same manner at a government authority as at a company. A company has as its main focus to earn a profit while a government authority focuses on making the business processes more effective and by doing so lowering the costs. A data warehouse project is best suited to be run by the department with the deepest knowledge and insight in the organization and not the ITdepartment. A condition for succeeding in such a project is involving people with that knowledge early in the project. The conclusion is also that a data warehouse fits well in a government authority considering the design and task of the organization, due to the fact that they can fully appreciate and take advantage of the potential and possibilities a data warehouse can offer.

3 Innehållsförteckning 1 Inledning Bakgrund Syfte Metod Avgränsningar Disposition Teoribakgrund Uppkomsten av datalager Definition av datalager Datalagrets arkitektur Första lagret - produktionsnivån Andra lagret - datalagernivån Tredje lagret - avdelningsnivån Fjärde lagret individuella nivån Olika typer av data Primitiv data Härledd data Metadata Dimensionell modellering Slowly Changing Dimension Dimensionella tabeller Stjärnmodell Kub Snöflingemodell Värdekedja OLAP-teknologi OLAP ROLAP MOLAP Design Kornstorleken Partitionering Datastruktur Integration Datamodeller Verktyg Framgångsfaktorer Vision Struktur Process...18

4 2.9.4 Teknik Individ Kostnader Presentation av myndigheter ESV VINNOVA Centrala studiestödsnämnden Arbetsmarknadsverket/Arbetsmarknadsstyrelsen Rikspolisstyrelsen NUTEK Kungliga Tekniska högskolan Intervjuteknik Strukturerade intervjuer Halvstrukturerade Öppna frågor Enkät Att välja intervjumetod Resultat av intervjuerna Genomförande VINNOVA Centrala Studiestödsnämnden Arbetsmarknadsverket Rikspolisstyrelsen NUTEK Kungliga Tekniska Högskolan Analys Slutsats och diskussion Slutsats Diskussion Källförteckning...53 Elektroniska källor...53 Intervjuer Referenslitteratur Bilaga 1 Intervjufrågor... 55

5 Förord Vi vill inleda med att tacka vår handledare på Ekonomistyrningsverket, Leif Lind, för att han har inspirerat oss och kommit med goda uppslag och idéer. Vårt tack går även till vår handledare vid instutitionen för Informationsvetenskap, Anneli Edman, för ovärderlig vägledning, goda råd och bra stöd under arbetets gång. Vi vill även rikta ett stort tack till de intervjupersoner som har ställt upp med sin tid och delat med sig av sin kunskap, Per-Åke Andersson och Mathias Patriksson på VINNOVA, Monica Lindquist på CSN, Mats Byström på AMV, Karin von Pongrácz på RPS och Robert Åkeby på NUTEK, samt Janette Johansson på KTH för hennes skriftliga svar på våra frågor. Dessa personer har gjort det möjligt för oss att genomföra detta arbete.

6

7 1 Inledning I en undersökning i ComputerSweden anger 36% av de tillfrågade företagen att de system de satsar mest på under 2004 är beslutsstöd och datalager. Mängden data ökar och behovet av att kunna jämföra data ur ett historiskt perspektiv har blivit allt större och viktigare. För att kunna effektivisera beslutsprocessen finns behovet att analysera den data som finns i ett företag, en myndighet eller en organisation på ett tillförlitligt sätt. Informationen måste finnas tillgänglig enkelt och snabbt. Ett datalager underlättar samordning av information. Det är därför tydligt att användandet av datalager är aktuellt och angeläget. Denna uppsats ska ta reda på och jämföra hur olika myndigheter har löst lagringen av data. 1.1 Bakgrund Under vårterminen 2004 kom vi i kontakt med en myndighet, Ekonomistyrningsverket, ESV, som är en expertmyndighet som stödjer regeringen och olika myndigheter när det gäller ekonomistyrningsfrågor. ESV har under sommaren tecknat ett ramavtal för system för integrerad verksamhetsstyrning. Det innebär att systemet ska kunna hämta upp information från andra system och sedan anpassa den till olika styrmodeller. ESV har skött upphandlingen, ställt kraven och förhandlat om priserna för dessa system. De ramavtal som har tecknats för de olika systemverktygen kan andra myndigheter sedan göra ett så kallat avrop på. Det innebär att de köper en färdig lösning där det även ingår installation och support. ESV är intresserade av hur myndigheternas lösningar ser ut nu, innan de eventuellt införskaffar något systemverktyg. En del av systemverktygen bygger på att man använder sig av ett mellanliggande datalager som huvudsaklig datakälla. På uppdrag av ESV i Stockholm genomför vi därför en undersökning av hur olika myndigheter har löst problemet med lagring av data. 1.2 Syfte Syftet med uppsatsen är att utröna vilka problem som kan uppstå när man använder sig av datalager, dels vid själva införandet, dels i den pågående verksamheten. Syftet är även att belysa hur organisationer gått tillväga i de fall då datalagren fungerar väl i verksamheten. Resultatet av undersökningen bör sedan kunna ligga till grund för när man i framtiden ska besluta om användningen av datalager passar bra in i verksamheten. 1.3 Metod För att genomföra arbetet med att skriva uppsatsen kommer vi först att studera litteratur som skrivits för att få en bra överblick över ämnet datalager. Vidare kommer vi att genomföra 1

8 intervjuer med ett antal olika myndigheter för att utreda hur deras lösning på problemet ser ut. Som hjälpmedel vid intervjuerna kommer vi att använda en bandspelare för att spela in varje intervju. En av intervjuerna kommer att genomföras via e-post. Med hjälp av dessa intervjuer kommer vi att göra en undersökning som grundligt går igenom hur olika statliga myndigheter har angripit problemet med datalagring. Intervjuerna är ämnade att ta reda på hur de gjort vid införandet och implementeringen, vem som sköter underhåll och dylikt. Vi ska även undersöka om de verksamheter som har använt lösningar med datalager har lyckats och vad de har för synpunkter på lösningarna. Genom att göra en jämförelse av hur de olika myndigheterna valt att lösa problemet kommer vi sedan att kunna dra vissa slutsatser och komma med synpunkter om hur det kan komma att se ut i framtiden. Intervjuerna kommer att genomföras med de personer inom verksamheten som har det övergripande ansvaret för lösningen. Intervjuerna kommer till en början ha formen av strukturerade men kommer i ett senare skede övergå till halvstrukturerade. Vi kommer även att medverka vid ett heldagsseminarium som ESV anordnar. Syftet med seminariet är att presentera de system för integrerad verksamhetsstyrning som ESV upphandlat och som andra myndigheter senare kan göra avrop på. 1.4 Avgränsningar Fokus för uppsatsen kommer inte att vara att undersöka hur datalagret är uppbyggt rent tekniskt såsom vilken den underliggande databasen är utan hur datalagerlösningen passar in i verksamheten. Vi kommer att begränsa oss till att undersöka sex olika myndigheter. 1.5 Disposition I inledningen har vi tagit upp bakgrunden till uppsatsen och presenterar även den myndighet, ESV, som är vår uppdragsgivare. I kapitel två följer sedan en redovisning av en del av den litteratur som finns publicerad och som studerats för att ge en insikt i ämnet. Det efterföljande kapitlet presenterar de myndigheter vi har varit i kontakt med. Kapitel fyra behandlar olika intervjutekniker som vi har studerat för att kunna välja en lämplig teknik för våra intervjuer. Därefter sammanställs de intervjuer som har gjorts med de olika myndigheterna och resultatet av dem. Analys av dessa intervjuer redovisas i kapitel sex och slutligen presenteras en slutsats med diskussion i kapitel sju. 2

9 2 Teoribakgrund Det finns ett antal modeller och metoder för att samla in och ladda data till ett datalager. Dessa ska vi redogöra för i detta kapitel. Vidare kommer vi att beskriva de olika delar som en datalagerarkitektur består av och hur ett datalager är uppbyggt. Kapitlet behandlar även ett antal faktorer för att nå framgång med sitt datalager. Kapitlet inleds med en generell översikt över ämnet datalager. 2.1 Uppkomsten av datalager När databaser började byggas på 70-talet kom även möjligheten att göra överföringar av data i realtid. Detta var en markant skillnad mot tidigare när data hämtades från eller lästes till magnetiska band. Många av de möjligheter vi ser idag hade varit omöjliga om vi fortfarande hade de magnetiska banden att hämta data ifrån (Inmon, 2002). Under 80-talet växte storleken på databaserna och behovet ökade att ta fram data ur dessa databaser för att data skulle bistå vid ledningens beslutstagande. Tidigare användes databaserna endast till att sköta rent operationella uppgifter, såsom traditionella transaktioner (a.a.). Så småningom uppstod problem med trovärdigheten till data i de aktuella databaserna. Om till exempel två olika avdelningar i ett fiktivt företag presenterar en rapport där den ena visar plus 15% och den andra visar minus 10%, vilken har då rätt? Ledningen blir tvungen att fatta beslut utifrån två olika uppfattningar eftersom ingen av dem är mer eller mindre trovärdig än den andra. En anledning till den här skillnaden är att det inte finns någon samtidig tidstämpel på data. Detta är ett problem eftersom data hela tiden ändras inom en verksamhet (Inmon, 2002). Inmon (2002) definierar ytterligare ett problem och det är hur och vad man analyserar. De olika avdelningarna analyserar data utifrån olika synvinklar och eftersom de då inte kan jämföras korrekt ställer det till med problem. Ännu ett dilemma är de externa data som kommer från källor utanför verksamheten som också måste tas hänsyn till. Var källdata ursprungligen kommer ifrån när de två olika avdelningarna ska analysera sina data ställer till med problem (Inmon, 2002). Det kan vara så att avdelningarnas olika källor inte alls är synkroniserade med varandra och därför leder det till problem med data som inte är direkt jämförbara och samtida. Slutligen gör svårigheten med att hitta rätt data att man måste söka igenom många filer, vilket tar tid, och många av dessa filer är sparade med olika metoder (a.a.). Det finns ett antal problem som man slipper vid användandet av ett datalager (Söderström, 1997). Vissa data är svåra att förstå eftersom de benämns på olika sätt i verksamheten och samma begrepp kan ha olika namn i olika databaser. Det är svårt att upptäcka problem i verksamheten eftersom data inte belyser detta. Det kan vara problem med att sammanställa och analysera data på ett tillfredställande sätt. Kvaliteten på data från olika källsystem är inte jämn vilket gör det svårt att jämföra data från olika källor. Det går inte att jämföra data från olika tidsperioder på ett 3

10 lätt sätt. De data som beslutsfattaren behöver för att kunna fatta rätt beslut finns inte tillgänglig och han eller hon kan inte själv ta fram och sammanställa den när han eller hon behöver den. På grund av alla dessa problem uppkom idén med datalager (a.a.). Idén gick ut på att man skulle försöka samla data från olika system till ett ställe för att lättare kunna jämföra data och därmed lättare kunna ta ut rapporter och göra analyser. Ett datalager kan stödja verksamhetsstyrningen inom en organisation på sådant sätt att man kan plocka fram data som rör hela verksamheten och ur en tidsaspekt som man tidigare inte kunde (Söderström, 1997). Den person som fattar besluten kan själv ta fram data såsom han eller hon själv vill se information utan att vara beroende av att någon annan gör det åt honom eller henne. Data internt från verksamheten såväl som från externa källor kan kombineras. Kvaliteten på data i datalagret är jämnare än den data som finns i de interna och externa källsystemen. Även om det rör sig om en stor organisation med flera olika enheter spridda över olika platser kan data från hela verksamheten vara tillgänglig lokalt hos de olika enheterna. Med hjälp av datalager kan organisationen reagera tidigare på händelser som rör den egna verksamheten och omgivningen och därmed ta tillvara på sina resurser på ett bättre sätt (a.a.). 2.2 Definition av datalager För att ge en bättre beskrivning av vad ett datalager är kan man återge två olika definitioner av två författare, Peter Söderström och Ralph Kimball. Söderströms definition (1997): Ett datalager är en logisk sammanhållen datamängd, som är avsett för analys och som speglar flera tidsperioder genom att data regelbundet hämtas från andra register. Kimballs definition (1998): A data warehouse is a copy of transaction data specifically structured for querying and reporting. Datalagret kan fungera som en kunskapsbank i en organisation där verksamhetens samlade kunskap finns lagrad (Söderström, 1997). Datalagret kan sägas vara den frågbara datakällan i organisationen (Kimball, 1998). Det är till datalagret man ställer frågor som rör verksamheten och när man vill titta på verksamheten ur ett historiskt perspektiv. Resultatet från frågorna sammanställs i rapporter eller analyser. Dessa analyser och rapporter fungerar sedan som hjälp vid beslutsfattandet. Data i datalagret kommer från underliggande produktionssystem (a.a.). När data väl lagrats i datalagret kan det inte ändras utan sparas som det ser ut just då. Alla ändringar görs i de operationella systemen, produktionssystemen (Söderström, 1997). Innan data lagras i datalagret genomgår det tvättning och transformering (Kimball, 1998). Det som sker i en datalagerarkitektur är att varje dag görs ändringar i de databaser som hör ihop med produktionssystemen. På natten uppdateras och förs ändringarna till datalagret. Data 4

11 kvalitetskontrolleras innan det lagras. Dagen efter finns uppdaterad data i datalagret och de kan nu användas till att göra analyser och jämförelser mellan olika tidsperioder, till exempel jämföra två månader med varandra (Söderström, 1997). 2.3 Datalagrets arkitektur Enligt Inmon (2002) finns det fyra nivåer av data i en arkitekturmiljö i ett datalager. Dessa nivåer är produktionsnivån, datalagernivån, avdelningsnivån och den individuella nivån. I produktionsnivån finns primitiv data i de produktionssystem som används dagligen. Datalagernivån består mestadels av integrerad, historisk, primitiv data som till viss del är förädlad och härledd. Avdelningsnivån består enbart av härledd data. Här är även data förfinad för att passa den avdelning som ställt kraven. På individnivå genomförs sökningen som kommer att resultera i analyser och rapporter (a.a.). Följande stycken beskriver mer utförligt vad de olika nivåerna består av och vad som sker i dem. Ett datalager kan sägas bestå av i huvudsak fyra olika komponenter placerade i dessa olika nivåer, eller lager som man också brukar kalla dem (se fig 1). Data ligger lagrat i dessa nivåer och hämtas sedan fram från respektive underliggande nivå. Fig 1. Datalagerarkitektur 2.3.1Första lagret - produktionsnivån Det understa lagret i en datalagerarkitektur består av olika källsystem, även kallade produktionssystem, eftersom det är där som data produceras (Rosengren, 1996). Dessa system kan till exempel vara ekonomisystem, personaladministrativa system, ordersystem med flera. Allt 5

12 som händer inom en organisation sparas i dessa system. Fokusering ligger på att systemen ständigt är i gång och att de hela tiden är nåbara. I produktionssystemen ändras ständigt data vid uppdateringar, det vill säga ingen historisk data sparas som kan tala om hur tillståndet i företaget var för till exempel ett halvår sedan (Kimball, 1998). Systemen utgörs i sin tur vanligen av databaser. Dessa operationella datakällor brukar räknas som att de existerar utanför datalagret (Kimball, 2002) Andra lagret - datalagernivån Nivån närmast över produktionssystemen innehåller tillfälligt lagrad data och utgörs av olika processer, så kallade ETL-processer (Kimball, 2002). Dessa processer innebär att data tvättas och transformeras, eller omvandlas, innan de laddas till datalagret. ETL ETL brukar man kalla de verktyg som automatiserar den process som integrerar data från de underliggande operativa systemen. Förkortningen ETL står för extract, transform och load, på svenska extrahera, omvandla och ladda (Inmon, 2002). Med denna process omvandlas, omformateras och integreras data från en datakälla. Med detta menas att datalagret i och med denna process förses med ren, konsekvent och integrerad data (Pendse, ). Extraheringsprocessen är den första processen som utförs. Att extrahera något menas i det här fallet att man tar fram data från de underliggande källsystemen i datalagret och gör att data blir förståelig och läsbar (Kimball, 2002). Tvättning Nästa process är att omvandla data vilket också brukar kallas att data tvättas (Söderström, 1997). Här övergår så kallad smutsig data till ren data. Data standardiseras så att den får samma format, felskrivningar och felstavningar korrigeras. Dessa omvandlingsprocesser förbereder data för att laddas in i datalagret och för att senare presenteras för användaren (Kimball, 2002). Data genomgår denna process eftersom man vill att den data man sedan efterfrågar ska vara korrekt och fullständig (a.a.). När man hämtar data från ett datalager förväntar man sig, som ovan nämnt, att data man får fram är korrekt, relevant och fullständig, det vill säga att man får exakt det man efterfrågar. Data som ligger i datakällorna brukar benämnas som smutsig (Jarke, Lenzerinni, Vasiliou, Vassiliadis, 2003). Smutsig data kan till exempel vara när man får samma information från två olika källor om en och samma enhet fast med olika identitetsnycklar. Ytterligare ett exempel är när data har olika format fast de behandlar samma sak. Ett tredje exempel är när värdet för en och samma enhet inte är detsamma (Jarke m fl, 2003). För att lösa problemet med smutsig data använder man sig av så kallad tvättning (Jarke m fl, 2003). Det är viktigt att ett datalager innehåller relevant och, framför allt, korrekt data. Organisationen kommer att till stor del basera sina affärsbeslut på uppgifter som hämtats från 6

13 datalagret (Kimball, 2002). En värdemätning av hur ett system med datalager fungerar i en organisation grundar sig på de beslut som tas med stöd av data från datalagret. Datalagret kan alltså därför fungera som ett beslutsstöd i en organisations beslutsprocess (a.a.) Tredje lagret - avdelningsnivån När data hämtats från källorna och omvandlats påbörjas sedan processen med att ladda data (Kimball, 2002). Data som nu är tvättad laddas in i nästa lager. Dessa data måste nu förses med ett index för att hålla reda på nya data och för att användaren slutligen ska kunna ställa frågor på innehållet. När ny data laddats, indexerats och aggregerats på ett korrekt sätt så meddelas användaren att ny data har publicerats och är tillgänglig (a.a.). Det överliggande centrala lagret i en datalagerstruktur består oftast av vad Jarke med flera (2003) kallar det globala datalagret. I detta globala datalager lagras data ur ett historiskt perspektiv och det innehåller vanligen lagrad data som är flera år gammal. På denna nivå organiseras även data. Det är till detta lager slutanvändaren ställer sina frågor när han eller hon vill få fram data för att sedan kunna göra analyser eller skriva rapporter baserat på denna information. Lagret där data presenteras består ofta av så kallade data marts, även kallade dataskafferier (Söderström, 1997). Dataskafferi Det finns olika typer av lokala datalager och en är data marts. Begreppet data mart kan sägas benämna en typ av ett lokalt datalager inom själva datalagerstrukturen (Jarke m fl, 2003). Data som lagras på ett lokalt datalager kopieras från det huvudsakliga datalagret (Söderström, 1997). Dessa lokala datalager, eller dataskafferier som Söderström (1997) benämner dem, innehåller bara en del av det totala datalagret och används ofta inom en särskild avdelning inom organisationen. Varje skafferi innehåller då relevant data om den specifika avdelningen (Jarke m fl, 2003). Ofta har varje affärsaktivitet, och därmed avdelning, en koppling till ett dataskafferi (Kimball, 1998). Detta är ett effektivt sätt för användaren att alltid ha tillgång till relevant data för den uppgift han eller hon ska utföra. Volymen på data i skafferiet blir då inte heller lika stor och data blir därmed mer greppbar och lättolkad (Jarke m fl, 2003). Att använda sig av en datalagerstruktur med så kallade skafferier innebär ofta att man kan minska svarstiden när användaren efterfrågar information eftersom, som ovan nämnts, volymen på data som skafferierna innehåller oftast är mycket mindre än i det stora datalagret (Jarke m fl, 2003). Detta för att data som lagras i ett sådant skafferi är besläktad, det vill säga behandlar samma saker. Den är vad man kallar aggregerad. Data som lagras i det stora datalagret är i mindre grad aggregerad och till volymen betydligt större än i skafferierna. (a.a.). 7

14 2.3.4Fjärde lagret individuella nivån Den fjärde och översta nivån kan beskrivas som ett gränssnitt mot användaren av ett datalager. Den utgörs av de olika verktyg slutanvändaren använder för att få åtkomst till de data som finns i datalagret. Dessa data, som är färdiga att presenteras för användaren, hämtas genom att en förfrågan görs till den nivån där data lagras (Kimball, 2002). Denna sökning efter data är det som resulterar i analyser och rapporter (Inmon, 2002). 2.4 Olika typer av data Inmon (2002) skiljer på två olika sorters data i en datalagerarkitektur, primitiv data och härledd data. Även metadata är ett exempel på en typ av data som förekommer i ett datalager Primitiv data Primitiv data är data som finns i produktionssystemen, det vill säga system och data man uppdaterar dagligen. Det innebär detaljerad och uppdaterad data som består av det nuvarande värdet. Systemen utgår från repetitiva procedurer och dessa används framför allt av administrativa funktioner inom verksamheten (Inmon, 2002) Härledd data Härledd data har blivit sammanställd eller förfinad. Den är inte uppdaterad på samma sätt som primitiv data. Man kan säga att härledd data är en snapshot, ögonblicksbild, av data vid en viss tidpunkt (Inmon, 2002). Härledd data kan bli omräknad men inte uppdaterad och den består oftast av historisk data. Systemen använder heuristisk sökning, alltså härledning, för att ta fram data som sedan används av verksamhetsledningen som beslutsstöd i beslutsfattandet. Härledd data har blivit tvättad och transformerad (a.a.) Metadata En annan typ av data som existerar i ett datalager men som har en annan funktion är metadata. Den information som finns i ett datalager och som inte är data från produktionssystemen brukar refereras till som metadata vilket ibland också beskrivs som data om data. Kimball (2002) liknar metadata vid ett uppslagsverk eftersom metadata innehåller information om den data som finns i datalagret. Man kan även likna metadata vid ett index över innehållet. Metadata existerar på en högre nivå och håller reda på vad som finns i datalagret (Inmon, 2002). Det finns metadata för alla olika lager i ett datalager. Där finns information som kan underlätta de olika processerna som pågår. Metadata om de underliggande datakällorna innehåller till exempel information som 8

15 underlättar extraheringsprocessen och de processer som transformerar och laddar data understöds också av metadata (Kimball, 2002). Metadata som beskriver den översta nivåns data innehåller bland annat information om namn på begrepp och definitioner som finns i de tabeller som användaren slutligen får presenterat för sig (Kimball, 2002). Metadata i det här fallet innehåller även information om användaren eller användarna av datalagret så som användarstatistik och hur och i vilken utsträckning de olika användarna har åtkomst till informationen (a.a.). I datalagret vill man att de olika varianterna av metadata slutligen ska vara katalogiserade och integrerade för att man lättare ska kunna hålla reda på även dem (Kimball, 2002). 2.5 Dimensionell modellering Dimensionell modellering kan enkelt beskrivas som ett sätt att göra databaser mer lättförståeliga och okomplicerade (Kimball, 1998). Målen med dimensionell modellering är att uppnå god användarförståelse, god frågeprestanda samt att data ska klara förändringar bra. Det är en specifik disciplin för att modellera data, särskilt inom datalager. Denna typ av modellering av data skiljer sig från den så kallade tredje normalformsmodelleringen, som man kan använda sig av när man normaliserar traditionella databaser, vad gäller nivån på normaliseringen (a.a.). När man normaliserar data till tredje normalform innebär det att man strävar mot att ta bort all överflödig, så kallad redundant, data. Tabellerna i de dimensionella modellerna innehåller däremot samma information ett antal gånger. I dessa tabeller kan man i regel också bara ha en nivå av dimensionstabeller (Söderström, 1997). Både dimensionell modellering och tredje normalformsmodellering kan representeras av så kallade ER-diagram. Att rita ett ER-diagram innebär att man drar linjer mellan tabellerna för att markera relationerna mellan dem. (Kimball,2002) Slowly Changing Dimension När man använder sig av dimensionell modellering får man ta i beaktande att attributen i de dimensionella tabellerna är statiska men inte oföränderliga vilket innebär att de förändras med tiden, om än relativt långsamt (Kimball, 2002). Därför måste utvecklarna av systemet se till att de tillsammans med representanter för organisationen i vilken systemet senare ska användas kommer fram till hur man bäst ska ta hand om problemet med attributen som ändras med tiden. (a.a.). Eftersom dimensionerna själva är relativt statiska och inte ändras med tiden så kan man med mindre ingrepp i strukturen anpassa dessa till de ändringar som attributen genomgår. För varje attribut måste man utveckla en handlingsplan för hur man ska ta hand om förändringarna. Kimball (2002) nämner tre olika strategier för att ta hand om de förändringar attributen genomgår. 9

16 Den första strategin går ut på att man skriver över det gamla värdet för attributet med ett nytt (Kimball, 2002). Det säkerställer att värdet man har på attributet alltid är det mest aktuella. Nackdelen med denna metod är att det gamla värdet försvinner när det skrivs över och att användaren därmed förlorar tillgången till vad det gamla värdet var (a.a.). Den andra metoden går ut på att man lägger till en ny rad för den post det gäller med det nya och ändrade attributet (Kimball, 2002). Ett exempel på detta är att om en person i en organisation byter adress så går den här metoden ut på att man lägger in samma person i en ny rad men med attributet för adressen ändrad till det nya värdet. Denna strategi innebär att det kommer att finnas två rader inom samma dimension med olika attribut. Om man använder den här strategin måste man också byta identitetsnycklar eftersom attributet är ändrat. Den här metoden har den fördelen att det gamla värdet finns kvar i datalagret och att man har tillgång till det. En nackdel är att tabellerna växer i snabb takt när nya rader läggs till och blir på så sätt efterhand mycket stora. (a.a.). Som den tredje och sista tekniken att ta hand om attribut som förändras med tiden nämner Kimball (2002) metoden där man lägger till en dimensionskolumn. Det som skiljer denna metod från den förra är att man med den här strategin möjliggör att man kan hitta information om en enhet som fortfarande har det gamla värdet på attributet med hjälp av det förändrade attributet. Som ett exempel kan nämnas att om man ändrar namnet på en produkt eller vara så kan man fortfarande hitta historiska data om den produkten med hjälp av det nya produktnamnet. Detta innebär att både det gamla och det nya värdet gäller, vilket är något som också skiljer denna metod från den förra (a.a.). Det finns egentligen ingen metod som är den ultimata. De olika strategierna uppfyller olika behov och vilken som helst av de tre kan vara den optimala vid olika tillfällen (Kimball, 2002). 2.6 Dimensionella tabeller På den nivå i ett datalager där data presenteras för användaren kan data vara baserat på olika typer av databaser. Det som presenteras kan vara baserat på en relationsdatabas och de dimensionella tabellerna kallas då för stjärnscheman eller stjärnmodell (Söderström, 1997). Om informationen däremot baseras på en multidimensionell databas så lagras data i kuber (Kimball, 2002). Det finns även andra typer av modeller man kan använda sig av, såsom snöflingemodell eller värdekedja (Söderström, 1997) Stjärnmodell En stjärnstruktur är en struktur där mitten av stjärnan kallas faktatabell (Söderström, 1997). Faktatabellen består av ett stort antal rader men få kolumner. Den omges av ett antal 10

17 dimensionstabeller som innehåller data som sammanställts utefter vissa kriterier (se fig 2). Dimensionstabellerna har ofta många kolumner men få rader. Dessa dimensionstabeller speglar på olika sätt de fakta som finns i faktatabellen och innehåller olika verksamhetsaspekter på dessa fakta. Det är baserat på dessa aspekter man kan göra sina förfrågningar på de data som finns. Svaren på dessa frågor är vad som sedan ligger till grund för den analys man gör av informationen (a.a.). Fig 2. Stjärnmodell Stjärnstrukturen är anpassad för beslutsstöd i en organisation. Den gör det enklare att förstå och referera till data. Dataåtkomsten blir effektivare och det är enklare att komma åt ackumulerad data (Söderström, 1997). I ett datalager är det denormalisering av dimensionstabellerna som görs. I en stjärnstruktur används denormaliserade dimensionstabeller eftersom det endast finns en nivå av dimensionstabellerna (Söderström, 1997) Kub Om presentationsarean är baserad på en multidimensionell databas eller ett OLAP-verktyg (OLAP-verktyg förklaras närmare i kapitel 2.7) så lagras data i kuber (Kimball, 2002). Kuberna består vanligtvis av många dimensioner, det vill säga fler än tre (Kimball, 1998) Snöflingemodell Snöflingestrukturen påminner om stjärnstrukturen i det avseendet att den också har en faktatabell i mitten. Däremot finns det flera nivåer av dimensionstabeller vilket inte finns i stjärnstrukturen (se fig 3). Detta gör även att snöflingestrukturen inte är helt denormaliserad (Söderström, 1997). 11

18 Fig 3. Snöflingemodell Det som skiljer snöflingemodellen från stjärnstrukturen är att den tidigare, som ovan nämnts, består av fler nivåer av dimensioner Värdekedja Söderström (1997) anger att en värdekedja består av ett antal stjärnstrukturer sammankopplade med gemensamma dimensioner. Kopplingen mellan faktatabellerna ska ske genom de gemensamma dimensionstabellerna. Delmängder skapas uitfrån dessa som sedan kopplas ihop istället för att koppla ihop faktatabellerna (se fig 4) (Söderström, 1997). Fig 4. Värdekedja En värdekedja kan sägas vara som en slags utökad stjärnstruktur där man kopplar ihop fler stjärnstrukturer med en gemensam dimensionstabell. 12

19 2.7 OLAP-teknologi Om informationen som presenteras för användaren är baserad på multidimensionella databaser eller så kallad online analytical processing -teknologi, OLAP, så lagras data i kuber (Kimball, 2002). Man kan använda dimensionell modellering både när man har relationsdatabaser som grund och när man har multidimensionella databaser som bas. Utvecklingen idag går mot att allt fler använder så kallad OLAP-teknologi (a.a.). Dimensionell modellering är det centrala inom OLAP-teknologin OLAP OLAP kan beskrivas som en aktivitet för att fråga efter och presentera text och siffror från datalagret (Kimball, 1998). Datalager är gjorda för OLAP-verktyg. OLAP beskrivs av Söderström (1997) som ett multidimensionellt analysverktyg. OLAP-verktygen är en del av beslutstödssystemen och används för att göra analyser av informationen som finns i ett datalager. En användare av OLAP-teknologin ställer frågor om data och använder sedan resultatet av dessa för att göra analysen (Jarke m fl, 2003). OLAP-verktygen är populära och används ofta av olika typer av organisationer (Söderström, 1997). När man använder sig av ett OLAP-verktyg lagras vanligen programvaran och data direkt på användarens lokala arbetsstationen. Data hämtas från produktionssystemen, datakällorna, och sammanställs sedan och laddas till arbetsstationen. OLAP-teknologin innebär dock vissa begränsningar vad gäller strukturen (Söderström, 1997). I ett OLAP-system ska data helst vara av stjärnstruktur vilket innebär att man bara har en faktatabell som man sedan beskriver med dimensioner. Data är dock sällan strukturerat på det sättet utan innehåller vanligen fler typer av fakta och dessa ska då helst representeras med separata kuber som man tar hand om var för sig (a.a.). På grund av dessa begränsningar räcker ibland inte OLAP-teknologin till och det finns då olika typer av OLAP-teknologier som kan användas om de grundläggande OLAP-systemen inte täcker organisationens behov. Exempel på dessa är ROLAP och MOLAP (Söderström, 1997) ROLAP ROLAP, eller relations-olap, betecknar en teknologi där data lagras i en relationsdatabas. Databasoperationerna utförs här direkt på servern (Söderström, 1997). ROLAP kan ses som ett antal gränssnitt och applikationer som ger en relationsdatabas ett multidimensionellt utseende (Kimball, 1998). Dessa verktyg är bra att använda om volymen på data är mycket stor eftersom eftersökning och sammanställning av data sker med hjälp av databashanteraren som ofta klarar av att hantera större volymer data. (Söderström, 1997). 13

20 2.7.3MOLAP MOLAP står för multidimensionell OLAP och utnyttjar en multidimensionell databas (Söderström, 1997). MOLAP kan beskrivas som ett antal gränssnitt, applikationer och databastekniker av multidimensionell modell (Kimball, 1998). Problemet med MOLAP är, precis som med OLAP, strukturellt men MOLAP är bra när man har större datavolymer. I ett system med MOLAP är data lagrat på en server istället för lokalt på arbetsstationen. (Söderström, 1997). 2.8 Design När man designar ett datalager måste man fatta ett antal beslut. Man måste till exempel bestämma vilken kornstorlek man ska använda, hur man ska dela upp data fysiskt, vilken struktur man ska använda, hur data ska integreras från produktionssystemen och vilka verktyg man ska använda för gränssnittet. Dessa aspekter tas upp i följande avsnitt Kornstorleken Vid designen av datalagret måste man alltså ta hänsyn till kornstorleken, även kallad ackumuleringsgrad (Söderström, 1997). Kornstorleken innebär hur detaljerad eller översiktlig data i datalagret är. Ju högre detaljnivå desto lägre kornstorlek och tvärtom. Till exempel kan man säga att en transaktion har låg kornstorlek, det vill säga många detaljer. En sammanfattning av alla transaktioner under en månad kan sägas ha hög nivå av kornstorlek, det vill säga är översiktlig (Inmon, 2002). Kornstorleken är viktig att tänka på vid designen av ett datalager därför att det är det som avgör hur stor plats data i datalagret kommer att ta och vilka typer av frågor man kan ställa till datalagret. När data tas ifrån produktionssystemen är data av stor kornstorlek (Inmon, 2002). Kornstorleken avgör hur pass återanvändbar data är. Om data kan användas av många personer på olika sätt är den återanvändbar och det är en fördel (Inmon, 2002). Andra fördelar är att det går lättare att förena data, data är flexiblare och datalagret innehåller en historisk bild över hur det har sett ut. Om kornstorleken är tillräckligt detaljerad går det att återskapa data på många olika sätt i många olika avdelningar av organisationen. Den största fördelen är dock att det är lätt att anpassa till framtida krav. Inmon (2002) anser att den bästa datalagerdesignen löses med hjälp av två kornstorlekar i datalagret Partitionering Partitionering handlar om hur datalagret delas upp på olika fysiska enheter och hur de hanteras (Inmon, 2002). Att partitionera data rätt leder till många fördelar, till exempel när data ska laddas, arkiveras, tas bort, övervakas och lagras. När man partitionerar datalagret tillåter man att 14

21 storleken på data växer och att underhålla datalagret blir även lättare. Orsaken är att det är lättare att underhålla små mängder av data än stora mängder (a.a.) Datastruktur Det finns ett antal olika datastrukturer som kan användas i ett datalager. En variant är en enkel växande struktur som till exempel innebär att dagligen samla ihop och ladda över data till datalagret (Inmon, 2002). En annan variant på struktur är att dagligen samla och föra över data och på den åttonde dagen lägger man sedan ihop hela veckan och sparar den som den veckans data. Därefter nollställs dagarna. När en månad har gått samlas de fyra veckorna ihop och sparas som den månadens data. Veckorna nollställs sedan. När ett år har gått samlas månaderna ihop och sparas som årets data. Därefter nollställs månaderna. Så fortsätter det sedan på samma sätt (Inmon, 2002). Skillnaderna mellan dessa två datastrukturer är att den första kräver mycket plats att spara, den förlorar inga detaljer och den kräver mycket tid och resurser för att göra någonting med data. Den andra är väldigt kompakt, den tappar vissa detaljer och ju äldre data blir desto mindre detaljrika blir de (Inmon, 2002). En annan datastruktur är den enkla direkta filen. Den hämtas inte dagligen från produktionssystemen utan det tas en snapshot, ögonblicksbild, av produktionssystemet och sparas i datalagret. Detta görs till exempel en gång i veckan eller en gång i månaden. Sedan kan en fil från till exempel januari och en fil från februari sammanföras till en oavbruten fil. Data i den här filen representerar data från januari till den sista månaden (Inmon, 2002) Integration En komplex uppgift är att ta data från redan existerande källsystem och föra in den i datalagret. Data måste integreras för att kunna passas in i datalagret, särskilt när data tas från många olika produktionssystem. Ett vanligt problem är att samma data existerar i flera olika system men med olika namn. Integration av data så att det passar i datalagret är invecklat (Inmon, 2002). Ett annat problem uppstår vid laddandet av data. När programmet skannar efter ny data att ladda uppstår problem med att veta om programmet redan har sökt igenom befintlig data. Detta problem kan bland annat lösas med att man tidstämplar data. Inmon (2002) beskriver fem tekniker som finns för att begränsa mängden data som söks igenom när data ska laddas till datalagret. Första tekniken innebär att tidsstämplad data i produktionssystemet söks igenom. Det är endast den data som är ändrad eller uppdaterad som söks igenom, gammal data lämnas orörd. Den andra tekniken innebär att begränsa filerna som söks igenom genom att använda en deltafil. Deltafilen innehåller endast de ändringar som gjorts i produktionssystemet sedan den senaste 15

22 genomsökningen. Den tredje tekniken innebär att skanna en loggfil, ungefär på samma sätt som en deltafil. Den fjärde tekniken innebär att ändra i applikationskoden. Dock är detta inget bra sätt eftersom koden oftast är gammal. Den femte tekniken innebär att jämföra en före- och efterbild av produktionssystemet. En ögonblicksbild av systemet tas när något förändras i systemet, ännu en ögonblicksbild tas när nästa ändring sker och sedan jämförs de två bilderna. Detta är heller inte någon bra lösning eftersom det är en komplicerad teknik som kräver mycket resurser (Inmon, 2002) Datamodeller När man ska modellera data i datalagret så finns det tre nivåer av datamodellering. Högnivåmodellering (ERD), mellannivåmodellering (DIS, data item set ) och lågnivåmodellering (fysisk modell) (Inmon, 2002). I högnivåmodellen används entities and relationships diagram. Dessa modeller har den högsta abstraktionsnivån. Den består av namn i ovaler och relationer bestående av pilar. Kardinalitet visas med hjälp av siffror och riktning på pilen (Inmon, 2002). För varje entitet i högnivåmodellen skapas en mellannivåmodell. Mellannivåmodellen består av en primär grupp av data, en sekundär grupp av data och en konnektor. Det kan endast finnas en primär grupp av data medan det kan finnas flera sekundära grupper. Konnektorn kopplar ihop data mellan olika grupper (Inmon, 2002). Den fysiska modellen, eller lågnivåmodellen, skapas genom att utifrån mellannivåmodellen utöka datamodellen så att den även innehåller nycklar och andra fysiska attribut (Inmon, 2002) Verktyg Användaren har till sin hjälp olika verktyg för att kunna använda datalagret som det är tänkt (Kimball, 1998). Ett exempel på det är användarapplikationen som är gränssnittet mot användaren. Genom applikationen ställer användaren frågor till datalagret, applikationen analyserar och presenterar informationen för att vara ett beslutstöd till användaren. Svaren presenteras som grafiska figurer, tabeller eller dylikt i applikationen (a.a.). Klientverktyget är det verktyg som sköter kontakten med datalagret. Det har till uppgift att skicka SQL-frågor till servern (Kimball, 1998). Vissa användare kan själva skapa frågor till datalagret och då används Ad Hoc-verktyg (Kimball, 1998). Med ett sådant verktyg tillåts användaren att ställa spontana frågor till datalagret (Rosengren, 1996). De flesta har dock färdiga mallar som de använder för att få ut rapporter (Kimball, 1998). 16

23 Modelleringsapplikationer utnyttjas av användare som analyserar data, till exempel för att förutse vad som händer i framtiden, analysera kunders köpbeteende och för att sprida kostnader över grupper. Exempel på detta är data mining -verktyg (Kimball, 1998). Data mining är en teknik för att analysera och sammanställa data (Söderström, 1997). Den tekniken passar bra att utöva i datalager eftersom datalager består av detaljerad, historisk data (Inmon, 2002). När man använder data mining utgår man från en mindre mängd data som ska analyseras. I denna mängd söker tekniken efter mönster. Dessa mönster utvärderas sedan och används för att hitta exemplar i en större mängd data (Söderström, 1997). 2.9 Framgångsfaktorer Söderström (1997) anger bland annat vision, process, struktur, teknik och individ som framgångsfaktorer vid byggandet av ett datalager Vision Med vision menar Söderström (1997) att det är viktigt att veta i vilken riktning verksamheten är på väg. Datalagret måste tillhandahålla verktyg för att styra verksamheten åt rätt håll. I och med detta stödjer datalagret beslutsfattandet. Ett datalager är en resurs för att stödja organisationens många visioner (Söderström, 1997). Det är svårt att veta om införandet av ett datalager lönar sig, det vill säga om man gör de besparingar man trodde att man skulle göra innan man började bygga datalagret. Information är en förutsättning för beslutsfattande och verksamhetsstyrning. Inom ekonomistyrning efterfrågas bättre information men framför allt inom marknadsföring spelar information om kunder en stor roll. Detta är bland annat områden som ett datalager är behjälpligt inom (a.a.) Struktur För att få ett effektivt datalager är det viktigt att strukturera visionen rätt enligt Söderström (1997). Det är inte bara data som måste struktureras utan även de processer och mål som verksamheten har måste struktureras effektivt för att kunna bygga ett datalager. Även de begrepp som beskriver verksamheten måste struktureras (a.a.). En bra datastruktur är viktigt för ett datalager (Söderström, 1997). För att datastrukturen ska bli så bra som möjligt är det viktigt att skapa strukturen utifrån den aktuella verksamheten. Man måste med hjälp av modeller strukturera vilka mål och problem som finns och vilka processer och data som behövs för detta (a.a.). 17

24 Inom en datalagerarkitektur är det slutanvändarna som är de som kommer att använda sig av datastrukturen och därför måste de veta hur den ser ut och förstå den (Söderström, 1997). Data i datalagret har mångsidiga användningsområden beroende på vilken sorts beslut som ska tas. Det går inte i förväg att veta vilka frågor som eventuellt kan ställas till ett datalager. Datalagret måste därför vara förändringsbart för att följa de förändringar som kan tänkas ske i verksamheten (a.a.). Datalagret ska anpassas till verksamheten såväl som till de visioner verksamheten har (Söderström, 1997). Att fatta beslut innebär att anpassa sig till förändringar. Den datastruktur som en beslutsfattare har till sin hjälp måste fungera i en verklighet som ständigt förändras. Den får inte enbart gälla vid en viss tidpunkt. Det som händer i omvärlden med konjunkturer och politiska beslut påverkar organisationen och ställer olika krav på beslutsfattandet (a.a.). Eftersom data i datalagret kommer från många olika källor är det viktigt att formatet på data är det samma (Söderström, 1997). Ännu viktigare är att man har en gemensam begreppsapparat, det vill säga att de begrepp som heter samma sak i datalagret innebär samma sak. En begreppsstruktur kan bestå av flera olika strukturer. I en generisk struktur visas hur de olika begreppen hänger samman logiskt eller begreppsmässigt. En partitiv struktur visar vilka delar som ett begrepp består av (a.a.). I en organisation är det viktigt att ha en samordnad begreppsapparat (Söderström, 1997). Så är inte alltid fallet i verkligheten. När det gäller datalager är detta ännu viktigare eftersom ett begrepp bara kan betyda en sak i datalagret. Tyvärr ser det inte alltid ut så i verksamheten, då ett begrepp kan ha flera olika betydelser och namn. En svårighet blir då att samordna detta. Innan begreppen förs in i datalagret kan det sammanställas i en så kallad begreppskatalog (a.a.). I ett datalager bör data lagras i så få tabeller som möjligt eftersom behovet att dela upp data efter normalisering inte finns. Data i datalagret behöver heller inget skydd mot samtidig uppdatering eftersom data inte uppdateras (Söderström, 1997) Process Söderström (1997) menar att begreppet process består av två företeelser, dels processen att bygga upp ett datalager och dels de processer i verksamheten som ett datalager ska stödja. Det finns många likheter mellan att införa ett datalager och att införa ett vanligt system (Söderström, 1997). Processen som sker under systemutvecklingen är den samma i ett datalagerprojekt med kravställande, utveckling och implementation. Men det finns också olikheter. Kraven är svårare att ställa eftersom man som användare inte vet vilka möjligheter som finns med ett datalager. Datakällorna går inte så lätt att styra eller få tillgång till eftersom det ofta är någon annan som ansvarar för dem. Det är svårt att mäta vilka vinster ett datalager ger. Data samlas i regel ihop från olika datakällor vilket man kanske inte har gjort någon gång tidigare (a.a.). 18

25 Söderström (1997) poängterar att det är viktigt att det är verksamheten som driver datalagerprojektet och inte IT-avdelningen. När idén väl är formulerad gäller det att förankra detta hos de grupper som är berörda, till exempel ledningen och användarna. Man får inte glömma bort att väl förankra datalagerprojektet hos ledningen. Det är viktigt att ledningen är med från början. Det är också viktigt att samordna begreppen begreppen hör till verksamheten, inte IT-avdelningen (Söderström, 1997) Teknik Teknik behövs i alla led i datalagerlösningen, från det att data fångas vid källan till det att den når slutanvändaren. Söderström (1997) anser att tekniken kan få alltför stor betydelse i motsats till de andra områdena som är minst lika viktiga, om inte viktigare vid införandet. Vid val av teknik är det viktigt att välja skalbar hårdvara och mjukvara eftersom datalager har en förmåga att växa (Söderström, 1997) Individ Individen ställer kraven på en datalagerlösning eftersom det alltid i slutändan är individer som ska använda det. Viktiga områden att tänka på här är utbildning och användarstöd (Söderström, 1997). Datalagret måste ses som en resurs för hela organisationen. Den måste anpassas för att nå organisationens övergripande mål och de fastställda målen hos verksamheterna. Även datalagret självt måste organiseras på ett tillfredställande sätt (Söderström, 1997). 2.10Kostnader Vinsten man får av att bygga ett datalager går inte att förutse innan man börjar bygga det. Give me what I say I want, and I can tell you what I really want. (Inmon, 2002). Därför kan utvecklaren egentligen inte se möjligheterna och potentialen av att införa ett datalager förrän den första laddningen till datalagret är gjord. Datalager byggs inkrementellt, det vill säga byggandet sker i etapper, vilket gör att man kan testa datalagret på en relativt liten mängd data (a.a.). Det kostar att skapa ett datalagersystem. Men de största kostnaderna ligger i att underhålla datalagret. Några skillnader i kostnader för ett datalager och ett vanligt system är mängden data som laddas in i datalagret, underhållet av gränssnittet mellan datalagret och produktionssystemet (antingen ett ETL-vertyg eller ett egenhändigt byggt) och det faktum att datalager aldrig blir färdiga. Att äga och underhålla ett datalager är hela tiden en iterativ process (Inmon, 2002). 19

Datalager och datautvinning

Datalager och datautvinning Datalager och datautvinning 1 Datalager och datautvinning! Databaser kan innehålla stora mängder information om ett företags eller en organisations verksamhet" Data kan också användas för att analysera

Läs mer

Databashantering och Beslutsstöd

Databashantering och Beslutsstöd Högskolan i Halmstad Sektionen för ekonomi och teknik Affärssystemprogrammet Databashantering och beslutsstöd, 7,5 hp Examinator Jesper Hakeröd 2011-02-25 Databashantering och Beslutsstöd Namn Innehållsförteckning

Läs mer

Tentamen för DD1370 Databasteknik och informationssystem

Tentamen för DD1370 Databasteknik och informationssystem Tentamen för DD1370 Databasteknik och informationssystem 13 Mars 2014 Hjälpmedel: Inga hjälpmedel utom papper och penna Tänk på: Skriv högst en uppgift på varje blad. Använd endast framsidan på varje blad.

Läs mer

BESLUTSSTÖD i Hudiksvalls kommun

BESLUTSSTÖD i Hudiksvalls kommun BESLUTSSTÖD i Hudiksvalls kommun PROCESSER SOM FINNS I BESLUTSSTÖDET STRATEGISK PLANERING I beslutsstödet kan kommunens styrmodell med vision och långsiktiga mål formuleras och kommuniceras. Detta ger

Läs mer

Vätebränsle. Namn: Rasmus Rynell. Klass: TE14A. Datum: 2015-03-09

Vätebränsle. Namn: Rasmus Rynell. Klass: TE14A. Datum: 2015-03-09 Vätebränsle Namn: Rasmus Rynell Klass: TE14A Datum: 2015-03-09 Abstract This report is about Hydrogen as the future fuel. I chose this topic because I think that it s really interesting to look in to the

Läs mer

Syns du, finns du? Examensarbete 15 hp kandidatnivå Medie- och kommunikationsvetenskap

Syns du, finns du? Examensarbete 15 hp kandidatnivå Medie- och kommunikationsvetenskap Examensarbete 15 hp kandidatnivå Medie- och kommunikationsvetenskap Syns du, finns du? - En studie över användningen av SEO, PPC och sociala medier som strategiska kommunikationsverktyg i svenska företag

Läs mer

Projektmodell med kunskapshantering anpassad för Svenska Mässan Koncernen

Projektmodell med kunskapshantering anpassad för Svenska Mässan Koncernen Examensarbete Projektmodell med kunskapshantering anpassad för Svenska Mässan Koncernen Malin Carlström, Sandra Mårtensson 2010-05-21 Ämne: Informationslogistik Nivå: Kandidat Kurskod: 2IL00E Projektmodell

Läs mer

Att skriva en ekonomisk, humanistisk eller samhällsvetenskaplig rapport

Att skriva en ekonomisk, humanistisk eller samhällsvetenskaplig rapport Att skriva en ekonomisk, humanistisk eller samhällsvetenskaplig rapport Eventuell underrubrik Förnamn Efternamn Klass Skola Kurs/ämnen Termin Handledare Abstract/Sammanfattning Du skall skriva en kort

Läs mer

Titel Mall för Examensarbeten (Arial 28/30 point size, bold)

Titel Mall för Examensarbeten (Arial 28/30 point size, bold) Titel Mall för Examensarbeten (Arial 28/30 point size, bold) SUBTITLE - Arial 16 / 19 pt FÖRFATTARE FÖRNAMN OCH EFTERNAMN - Arial 16 / 19 pt KTH ROYAL INSTITUTE OF TECHNOLOGY ELEKTROTEKNIK OCH DATAVETENSKAP

Läs mer

Insamling, lagring och bearbetning av data för beslutsstöd i stora organisationer

Insamling, lagring och bearbetning av data för beslutsstöd i stora organisationer Datavetenskap Eva Pettersson Johan Westerdahl Insamling, lagring och bearbetning av data för beslutsstöd i stora organisationer - En övergripande studie av datalager Examensarbete, C-nivå 2005:06 Insamling,

Läs mer

Introduktion till MySQL

Introduktion till MySQL Introduktion till MySQL Vad är MySQL? MySQL är ett programmerings- och frågespråk för databaser. Med programmeringsspråk menas att du kan skapa och administrera databaser med hjälp av MySQL, och med frågespråk

Läs mer

Tentamen för DD1370 Databasteknik och informationssystem

Tentamen för DD1370 Databasteknik och informationssystem Tentamen för DD1370 Databasteknik och informationssystem 24 Augusti 2015 Hjälpmedel: Inga hjälpmedel utom papper och penna Tänk på: Skriv högst en uppgift på varje blad. Använd endast framsidan på varje

Läs mer

Titel: Undertitel: Författarens namn och e-postadress. Framsidans utseende kan variera mellan olika institutioner

Titel: Undertitel: Författarens namn och e-postadress. Framsidans utseende kan variera mellan olika institutioner Linköping Universitet, Campus Norrköping Inst/ Kurs Termin/år Titel: Undertitel: Författarens namn och e-postadress Framsidans utseende kan variera mellan olika institutioner Handledares namn Sammanfattning

Läs mer

Skapa insikter till rätt beslut

Skapa insikter till rätt beslut Skapa insikter till rätt beslut Enklaste vägen till beslut med dynamiska rapporter Verksamhetskolls dashboards är tydliga och det är lätt att direkt ta till sig det väsentliga. Alla dimensioner i ditt

Läs mer

Hur används datalager av företag i deras verksamhet? (HS-IDA-EA )

Hur används datalager av företag i deras verksamhet? (HS-IDA-EA ) Hur används datalager av företag i deras verksamhet? (HS-IDA-EA-00-414) Johan Persson (a97johpe@ida.his.se) Institutionen för datavetenskap Högskolan i Skövde, Box 408 S-54128 Skövde, SWEDEN Examensarbete

Läs mer

Karlstads Universitet, Datavetenskap 1

Karlstads Universitet, Datavetenskap 1 2003-01-20 DAV B04 - Databasteknik 2003-01-20 KaU - Datavetenskap - DAV B04 - MGö 26 Relationsmodellen En formell teori som baserar sig på (främst) mängdlära predikatlogik Föreslogs av E.F Codd 1970 i

Läs mer

Vad är en databas? Databaser. Relationsdatabas. Vad är en databashanterare? Vad du ska lära dig: Ordlista

Vad är en databas? Databaser. Relationsdatabas. Vad är en databashanterare? Vad du ska lära dig: Ordlista Databaser Vad är en databas? Vad du ska lära dig: Använda UML för att modellera ett system Förstå hur modellen kan översättas till en relationsdatabas Använda SQL för att ställa frågor till databasen Använda

Läs mer

Datalagringsmetodik och arkitektur i Java. Projektdefinition. Projektdefinition. Björn Brenander. 7 maj 2001

Datalagringsmetodik och arkitektur i Java. Projektdefinition. Projektdefinition. Björn Brenander. 7 maj 2001 Datalagringsmetodik och arkitektur i Java Projektdefinition Dokumenttitel Projektdefinition Dokumentansvarig Dokumentförfattare Björn Brenander Dokumentnamn Projektdefinition.doc Version 16 Ref. nr. Skapades

Läs mer

VAD GÖR DU / VEM ÄR DU?

VAD GÖR DU / VEM ÄR DU? INNEHÅLL Vad blir din roll Databaser vad är och varför Terminologi Datamodellering vad är och varför Utvecklingsprocessen SQL vad är det Data / Information / Kunskap Kapitel 1 delar av. Praktisk Datamodellering

Läs mer

Utvecklingen av ett tidregistrerings- och faktureringssystem

Utvecklingen av ett tidregistrerings- och faktureringssystem Datavetenskap Opponenter: Anders Heimer & Jonas Seffel Respondenter: Daniel Jansson & Mikael Jansson Utvecklingen av ett tidregistrerings- och faktureringssystem Oppositionsrapport, C-nivå 2006:10 1 Sammanfattat

Läs mer

SQLs delar. Idag. Att utplåna en databas. Skapa en databas

SQLs delar. Idag. Att utplåna en databas. Skapa en databas Idag SQLs delar Hur skapar vi och underhåller en databas? Hur skapar man tabeller? Hur får man in data i tabellerna? Hur ändrar man innehållet i en tabell? Index? Vad är det och varför behövs de? Behöver

Läs mer

UTBILDNING & ARBETE Uppsatsskrivandets ABC

UTBILDNING & ARBETE Uppsatsskrivandets ABC UTBILDNING & ARBETE Uppsatsskrivandets ABC Borgarskolan Polhemsskolan Vasaskolan 1 Innehåll Abstract... 1 Analys... 1 Argument... 1 Bilagor... 1 Citat... 1 Enkät... 1 Fotnot... 1 Frågeställning... 1 Innehållsförteckning...

Läs mer

4 grundregler. Minneshantering. Problemet. Windows minkrav

4 grundregler. Minneshantering. Problemet. Windows minkrav 4 grundregler 1. Man kan aldrig få för mycket minne 2. Minnet kan aldrig bli för snabbt Minneshantering 3. Minne kan aldrig bli för billigt 4. Programmens storlek ökar fortare än minnet i datorerna (känns

Läs mer

TENTAMEN TDDB77 Databaser och Bioinformatik 15 mars 2002, kl 14-18

TENTAMEN TDDB77 Databaser och Bioinformatik 15 mars 2002, kl 14-18 Institutionen för datavetenskap Linköpings universitet TENTAMEN TDDB77 Databaser och Bioinformatik 15 mars 2002, kl 14-18 Jourhavande lärare: Patrick Lambrix, 2605 Poäng: Tentan består ut av 2 delar. För

Läs mer

Pipelining i Intel 80486

Pipelining i Intel 80486 Lunds Universitet Pipelining i Intel 80486 EITF60 Datorarkitekturer med operativsystem Martin Wiezell 2017-12-04 Abstract This paper gives a brief description of the instruction pipeline of the Intel 80486

Läs mer

Vinjett 1: Relationsdatabas för effektivaste vägen

Vinjett 1: Relationsdatabas för effektivaste vägen Vinjetter Inledning I denna kurs kommer vi att utgå från transporter som tema för vinjetterna. Fokus för kursen blir vilken information som behöver vara tillgänglig och hur denna skulle kunna lagras. Man

Läs mer

Inbjudan. Hay Groups årliga Löne- och Förmånsundersökning 2010 för den svenska marknaden

Inbjudan. Hay Groups årliga Löne- och Förmånsundersökning 2010 för den svenska marknaden Inbjudan Hay Groups årliga Löne- och Förmånsundersökning 2010 för den svenska marknaden 2 Inbjudan till Hay Groups årliga Löne- och Förmånsundersökning 2010 för Sverige Härmed bjuder vi in dig att...delta

Läs mer

Titel på examensarbetet. Dittnamn Efternamn. Examensarbete 2013 Programmet

Titel på examensarbetet. Dittnamn Efternamn. Examensarbete 2013 Programmet Titel på examensarbetet på två rader Dittnamn Efternamn Examensarbete 2013 Programmet Titel på examensarbetet på två rader English title on one row Dittnamn Efternamn Detta examensarbete är utfört vid

Läs mer

Page 1. Aktuella utmaningar för ekonomistyrare. Tema: Aktuella utmaningar för ekonomistyrare. Vad är ekonomistyrning? Vilka är utmaningarna?

Page 1. Aktuella utmaningar för ekonomistyrare. Tema: Aktuella utmaningar för ekonomistyrare. Vad är ekonomistyrning? Vilka är utmaningarna? Aktuella utmaningar för ekonomistyrare Professor Fredrik Nilsson Uppsala 2010-02-12 Föreläsningens inriktning Tema: Aktuella utmaningar för ekonomistyrare Vad är ekonomistyrning? Vilka är utmaningarna?

Läs mer

Föreläsning 3.1: Datastrukturer, en översikt

Föreläsning 3.1: Datastrukturer, en översikt Föreläsning.: Datastrukturer, en översikt Hittills har vi i kursen lagt mycket fokus på algoritmiskt tänkande. Vi har inte egentligen ägna så mycket uppmärksamhet åt det andra som datorprogram också består,

Läs mer

ER-Diagram. Databasutveckling Diagram

ER-Diagram. Databasutveckling Diagram Databasutveckling Diagram Copyright Mahmud Al Hakim mahmud@webacademy.se www.webacademy.se ER-Diagram En vanlig konceptuell datamodell är den så kallade ER-modellen. "ER" står för "Entity-Relationship",

Läs mer

"Distributed Watchdog System"

Distributed Watchdog System Datavetenskap Emma Henriksson Ola Ekelund Oppositionsrapport på uppsatsen "Distributed Watchdog System" Oppositionsrapport, C-nivå 2005 1 Sammanfattande omdöme på exjobbet Projektet tycks ha varit av

Läs mer

Hem Resurser. SpinFire Professional. Partnerlogin. Deutsch 简 体 中 文 English. Centro. ActifyInsight. 1 av 10 2014-10-29 21:35

Hem Resurser. SpinFire Professional. Partnerlogin. Deutsch 简 体 中 文 English. Centro. ActifyInsight. 1 av 10 2014-10-29 21:35 1 av 10 2014-10-29 21:35 Hem Resurser FöretagetOm Oss Kontakt Kundsupport Partnerlogin English (UK) Swedish Deutsch 简 体 中 文 English SpinFire Professional Centro ActifyInsight 2 av 10 2014-10-29 21:35 Got

Läs mer

- A Scrum Planning Tool Case Study to Evaluate the The Rich AJAX Platform

- A Scrum Planning Tool Case Study to Evaluate the The Rich AJAX Platform Datavetenskap Opponent(er): Jhonny Carvajal Johan Bjärneryd Respondent(er): Fredrik Häggbom Erik Olsson Haglund Scrumptious - A Scrum Planning Tool Case Study to Evaluate the The Rich AJAX Platform Oppositionsrapport,

Läs mer

Nyttjande av kartor och kartteknik hur ser framtiden ut? Jonas Bäckström, Sokigo AB

Nyttjande av kartor och kartteknik hur ser framtiden ut? Jonas Bäckström, Sokigo AB Nyttjande av kartor och kartteknik hur ser framtiden ut? Jonas Bäckström, Sokigo AB Att förutsäga framtiden.. "I predict the Internet will soon go spectacularly supernova and in 1996 catastrophically collapse.

Läs mer

Sänk kostnaderna genom a/ ställa rä/ krav och testa effektivt

Sänk kostnaderna genom a/ ställa rä/ krav och testa effektivt Sänk kostnaderna genom a/ ställa rä/ krav och testa effektivt Kravhantering / Testprocess - Agenda AGENDA Grundläggande kravhanteringsprocess. Insamling, dokumentation, prioritering, Test och förvaltning

Läs mer

Kursintroduktion. B-uppsats i hållbar utveckling vårterminen 2017

Kursintroduktion. B-uppsats i hållbar utveckling vårterminen 2017 Kursintroduktion B-uppsats i hållbar utveckling vårterminen 2017 People build up a thick layer of fact but cannot apply it to the real world. They forget that science is about huge, burning questions crying

Läs mer

Databaser design och programmering. Design processen ER- modellering

Databaser design och programmering. Design processen ER- modellering Databaser design och programmering Design processen ER- modellering 2 Programutveckling Förstudie, behovsanalys Programdesign, databasdesign Implementation 3 Programdesign, databasdesign Databasdesign

Läs mer

Skriv! Hur du enkelt skriver din uppsats

Skriv! Hur du enkelt skriver din uppsats Skriv! Hur du enkelt skriver din uppsats Josefine Möller och Meta Bergman 2014 Nu på gymnasiet ställs högra krav på dig när du ska skriva en rapport eller uppsats. För att du bättre ska vara förberedd

Läs mer

Grafisk visualisering av en spårbarhetslösning

Grafisk visualisering av en spårbarhetslösning Datavetenskap Opponenter Johan Kärnell och Linnea Hjalmarsson Respondenter Agni Rizk och Tobias Eriksson Grafisk visualisering av en spårbarhetslösning Oppositionsrapport, C-nivå Report 2011:06 1. Generell

Läs mer

Mönster. Ulf Cederling Växjö University Ulf.Cederling@msi.vxu.se http://www.msi.vxu.se/~ulfce. Slide 1

Mönster. Ulf Cederling Växjö University Ulf.Cederling@msi.vxu.se http://www.msi.vxu.se/~ulfce. Slide 1 Mönster Ulf Cederling Växjö University UlfCederling@msivxuse http://wwwmsivxuse/~ulfce Slide 1 Beskrivningsmall Beskrivningsmallen är inspirerad av den som användes på AG Communication Systems (AGCS) Linda

Läs mer

Ökat personligt engagemang En studie om coachande förhållningssätt

Ökat personligt engagemang En studie om coachande förhållningssätt Lärarutbildningen Fakulteten för lärande och samhälle Individ och samhälle Uppsats 7,5 högskolepoäng Ökat personligt engagemang En studie om coachande förhållningssätt Increased personal involvement A

Läs mer

LEANanalyser En helt ny generations analys- och visualiseringsverktyg

LEANanalyser En helt ny generations analys- och visualiseringsverktyg LEANanalyser En helt ny generations analys- och visualiseringsverktyg 2018-10-23 Din uppgift är att ta fram en analys som ska baseras på data från ett antal olika källor. Ska du fortsätta med Excel eller

Läs mer

Introduktion till databaskursen. Välkomna. till kursen. Databasteknik och informationssystem. DD1370 (kursomgång dbtinf12)

Introduktion till databaskursen. Välkomna. till kursen. Databasteknik och informationssystem. DD1370 (kursomgång dbtinf12) Välkomna Introduktion till databaskursen Välkomna till kursen Databasteknik och informationssystem DD1370 (kursomgång dbtinf12) En kurs om grunderna i databasteknik DD1370 (Föreläsning 1) Databasteknik

Läs mer

Manual HSB Webb brf 2004 03 23

Manual HSB Webb brf 2004 03 23 TERMINOLOGI I Polopoly används ett antal grundläggande begrepp för publicering och hantering av information, eller innehåll som det också benämns. Nedan följer en kort genomgång av denna grundläggande

Läs mer

Införande av Skolfederation. Erfarenheter i Sundsvalls kommun

Införande av Skolfederation. Erfarenheter i Sundsvalls kommun Införande av Erfarenheter i Sundsvalls kommun Innehåll 1. OM DOKUMENTET... 3 2. OM SKOLFEDERATION... 3 3. INFÖRANDE AV SKOLFEDERATION... 3 3.1 FASTSLÅ VERKSAMHETENS MÅLBILD FÖR SKOLFEDERATION... 3 3.1.1

Läs mer

CDC en jämförelse mellan superskalära processorer. EDT621 Campus Helsingborg av: Marcus Karlsson IDA

CDC en jämförelse mellan superskalära processorer. EDT621 Campus Helsingborg av: Marcus Karlsson IDA CDC6600 - en jämförelse mellan superskalära processorer av: Marcus Karlsson Sammanfattning I denna rapport visas konkret information om hur den första superskalära processorn såg ut och hur den använde

Läs mer

L0009B. Moment. Introduktion till geografiska databaser: G:\L0009B\Allmänt\IntroGeoDB.pdf (F)

L0009B. Moment. Introduktion till geografiska databaser: G:\L0009B\Allmänt\IntroGeoDB.pdf (F) L0009B Moment FL 1: Kursintroduktion. Kursinformation: G:\L0009B\Allmänt\KursInformationL0009B.pdf (F) Kursplan: Se https://portal.student.ltu.se/stuka/kurs.php?kurs=l0009b&lang=swe (F) Allt som markerats

Läs mer

Varför ska man lära sig sånt? Välkomna. Vad är databaser bra till? Kursansvarig. till kursen. Databasteknik och informationssystem

Varför ska man lära sig sånt? Välkomna. Vad är databaser bra till? Kursansvarig. till kursen. Databasteknik och informationssystem till databaskursen Varför ska man lära sig sånt? till databaskursen till kursen Databasteknik och informationssystem Nästan alla större system idag innehåller eller använder data lagrad i en databas Så

Läs mer

Affärsplan. Produkten. Affärsidén. Marknaden. Kunder. Konkurrenter

Affärsplan. Produkten. Affärsidén. Marknaden. Kunder. Konkurrenter Affärsplan En affärsplan är en strategisk plan för hur ett företag ska förverkliga sin affärsidé. Detta är ett bra verktyg för att planera framåt. Den hjälper dig också att tänka långsiktigt när du stöter

Läs mer

LEANalyser för användare

LEANalyser för användare 2018-03-12 LEANalyser för användare Vikten av att kunna hantera Big Data har blivit allt mer uppenbar i takt med att större och mer varierade datamängder genereras via Internet, sensorer, appar och IT-system.

Läs mer

Att skriva en ekonomisk, humanistisk eller samhällsvetenskaplig rapport

Att skriva en ekonomisk, humanistisk eller samhällsvetenskaplig rapport Att skriva en ekonomisk, humanistisk eller samhällsvetenskaplig rapport Eventuell underrubrik Förnamn Efternamn Klass Skola Kurs/ämnen Termin & årtal Handledare: namn Abstract/Sammanfattning Du skall skriva

Läs mer

Uppsatsskrivandets ABC

Uppsatsskrivandets ABC UTBILDNING GÄVLE GYMNASIEBIBLIOTEKARIERNA Uppsatsskrivandets ABC Borgarskolan Polhemsskolan Vasaskolan 1 Innehåll Abstract... 1 Analys... 1 Argument... 1 Bilagor... 1 Bilder... 1 Citat... 2 Enkät... 2

Läs mer

Utdrag från kapitel 1

Utdrag från kapitel 1 Utdrag från kapitel 1 1.1 Varför en bok om produktionsutveckling? Finns det inte böcker om produktion så att det räcker och blir över redan? Svaret på den frågan är både ja och nej! Det finns många bra

Läs mer

Vad motiverar personer till att jobba inom traditionella hantverksyrken?

Vad motiverar personer till att jobba inom traditionella hantverksyrken? Högskolan i Halmstad Sektionen för Hälsa Och Samhälle Arbetsvetenskapligt Program 120 p Sociologi C 41-60 p Vad motiverar personer till att jobba inom traditionella hantverksyrken? En studie om snickare

Läs mer

GYMNASIEARBETET - ATT SKRIVA VETENSKAPLIGT

GYMNASIEARBETET - ATT SKRIVA VETENSKAPLIGT GYMNASIEARBETET - ATT SKRIVA VETENSKAPLIGT Ditt gymnasiearbete ska bygga kring den frågeställning du kommit fram till i slutet av vårterminen i årskurs 2 och du ska i ditt arbete besvara din frågeställning

Läs mer

Idag. Hur skapar vi och underhåller en databas? DD1370 (Föreläsning 4) Databasteknik och informationssystem 7,5 hp Hösten / 20

Idag. Hur skapar vi och underhåller en databas? DD1370 (Föreläsning 4) Databasteknik och informationssystem 7,5 hp Hösten / 20 Idag Hur skapar vi och underhåller en databas? DD1370 (Föreläsning 4) Databasteknik och informationssystem 7,5 hp Hösten 2009 1 / 20 Idag Hur skapar vi och underhåller en databas? Hur skapar man tabeller?

Läs mer

Spårbarhet En underskattad dimension av informationssäkerhet

Spårbarhet En underskattad dimension av informationssäkerhet Datavetenskap Opponenter: Karl-Johan Fisk och Martin Bood Respondent: Jon Nilsson Spårbarhet En underskattad dimension av informationssäkerhet Oppositionsrapport, C-nivå 2007:10 1 Sammanfattat omdöme av

Läs mer

TENTAMEN. För kursen. Databasteknik. Ansvarig för tentamen: Cecilia Sönströd. Förfrågningar: 033-4354424. Anslås inom 3 veckor

TENTAMEN. För kursen. Databasteknik. Ansvarig för tentamen: Cecilia Sönströd. Förfrågningar: 033-4354424. Anslås inom 3 veckor TENTAMEN För kursen DATUM: 2014-08-20 TID: 9 14 Ansvarig för tentamen: Cecilia Sönströd Förfrågningar: 033-4354424 Resultat: Betygsskala: Hjälpmedel: Anslås inom 3 veckor Godkänt 20 p, Väl godkänt 32 p,

Läs mer

Idag. Varför modellera? Modellering. Modelleringsverktygets egenskaper. Modelleringsverktyget

Idag. Varför modellera? Modellering. Modelleringsverktygets egenskaper. Modelleringsverktyget Idag Varför modellera? Varför modellera? Konceptuell modell sverktyg Objektklasser Sambandsklasser Knepiga attribut sprocessen I all ingenjörsverksamhet där man hanterar komplicerade system behöver man

Läs mer

Exportmentorserbjudandet!

Exportmentorserbjudandet! Exportmentor - din personliga Mentor i utlandet Handelskamrarnas erbjudande till små och medelstora företag som vill utöka sin export Exportmentorserbjudandet! Du som företagare som redan har erfarenhet

Läs mer

Hjälpmedel och Välfärdsteknik beslutsstöd. Angelina Sundström

Hjälpmedel och Välfärdsteknik beslutsstöd. Angelina Sundström Hjälpmedel och Välfärdsteknik beslutsstöd Doktorand: Huvudhandledare: Handledare: Katarina Baudin Christine Gustafsson Maria Mullersdorf Angelina Sundström Doktorandprojektet Övergripande syftet är att

Läs mer

Att planera bort störningar

Att planera bort störningar ISRN-UTH-INGUTB-EX-B-2014/08-SE Examensarbete 15 hp Juni 2014 Att planera bort störningar Verktyg för smartare tidplanering inom grundläggning Louise Johansson ATT PLANERA BORT STÖRNINGAR Verktyg för smartare

Läs mer

Writing with context. Att skriva med sammanhang

Writing with context. Att skriva med sammanhang Writing with context Att skriva med sammanhang What makes a piece of writing easy and interesting to read? Discuss in pairs and write down one word (in English or Swedish) to express your opinion http://korta.nu/sust(answer

Läs mer

Webbsystems inverkan på innehåll och användbarhet på webbplatser - oppositionsrapport

Webbsystems inverkan på innehåll och användbarhet på webbplatser - oppositionsrapport Webbsystems inverkan på innehåll och användbarhet på webbplatser - oppositionsrapport Respondenter: Emma Henriksson och Ola Ekelund Opponenter: Eva Pettersson och Johan Westerdahl Sammanfattande omdöme

Läs mer

Pass 3: Metadata. Svensk nationell datatjänst, SND BAS Online

Pass 3: Metadata. Svensk nationell datatjänst, SND BAS Online Pass 3: Metadata Funktioner hos metadata Den här presentationen kommer att ta upp olika funktioner som metadata kan ha. Jag kommer också visa att det finns olika typer av metadata beroende på vilken funktion

Läs mer

PROMARK WORKFORCE MANAGEMENT ProPortal

PROMARK WORKFORCE MANAGEMENT ProPortal är en enkel, webbaserad ingång till ProMark både när det gäller att registrera sin egen tid, sina uppgifter, sin information och att utföra specifika arbetsuppgifter. körs i en webbläsare och kan även

Läs mer

Tentamen för DD1370 Databasteknik och informationssystem

Tentamen för DD1370 Databasteknik och informationssystem Tentamen för DD1370 Databasteknik och informationssystem 16 Januari 2015 Hjälpmedel: Inga hjälpmedel utom papper och penna Tänk på: Skriv högst en uppgift på varje blad. Använd endast framsidan på varje

Läs mer

SA TER Vision Center. SAUTER Vision Center. håller dig uppdaterad.

SA TER Vision Center. SAUTER Vision Center. håller dig uppdaterad. SA TER Vision Center SAUTER Vision Center håller dig uppdaterad. Modern fastighetsautomation blir alltmer komplex men, tack vare SAUTER Vision Center, så är konsten att övervaka systemet ganska enkel.

Läs mer

What Is Hyper-Threading and How Does It Improve Performance

What Is Hyper-Threading and How Does It Improve Performance What Is Hyper-Threading and How Does It Improve Performance Ali Muthanna, Lunds Universitet, IDA2, EDT621 Abstract Hyper-Threading (HT) is Intel s version of simultaneous multi-threading (SMT). Hyper-Threading

Läs mer

Fem steg för bästa utvecklingssamtalet

Fem steg för bästa utvecklingssamtalet Fem steg för bästa utvecklingssamtalet Hitta drivkraften, styrkan och nå målet! Gita Bolt 2013 Copyright: airyox AB Mångfaldigande av denna skrift, helt eller delvis, är enligt lagen om upphovsrättsskydd

Läs mer

Konsekvensutredning avseende förslag till ändrade föreskrifter om uppgiftsinsamling från huvudmännen inom skolväsendet m.m

Konsekvensutredning avseende förslag till ändrade föreskrifter om uppgiftsinsamling från huvudmännen inom skolväsendet m.m 2012-07-13 Dnr 62-2012:750 1 (9) Konsekvensutredning avseende förslag till ändrade föreskrifter om uppgiftsinsamling från huvudmännen inom skolväsendet m.m Generell beskrivning av problemet och vad som

Läs mer

Mälardalens högskola

Mälardalens högskola Teknisk rapportskrivning - en kortfattad handledning (Version 1.2) Mälardalens högskola Institutionen för datateknik (IDt) Thomas Larsson 10 september 1998 Västerås Sammanfattning En mycket viktig del

Läs mer

Gränssnitt för FakeGranska. Lars Mattsson

Gränssnitt för FakeGranska. Lars Mattsson Gränssnitt för FakeGranska av Lars Mattsson (larsmatt@kth.se) Innehållsförteckning 1 Introduktion...3 2 Genomförande:...3 3 Användning...5 4 Kända buggar:...6 5 Källförteckning...6 2 1 Introduktion Taken

Läs mer

WEBBSERVERPROGRAMMERING

WEBBSERVERPROGRAMMERING WEBBSERVERPROGRAMMERING Ämnet webbserverprogrammering behandlar funktionalitet för webblösningar och samspelet mellan beställare, användare, formgivare och utvecklare. Ämnets syfte Undervisningen i ämnet

Läs mer

DATALAGRING. Ämnets syfte

DATALAGRING. Ämnets syfte DATALAGRING Ämnet datalagring behandlar hur lagring av data görs på ett strukturerat sätt för att datorprogram ska komma åt data på ett effektivt sätt. Lagringen kan ske med hjälp av databashanterare av

Läs mer

Objektorientering. Grunderna i OO

Objektorientering. Grunderna i OO Objektorientering Grunderna i OO 1 Systemutveckling Tre systemnivåer: Verksamhet Informationssystem Datasystem Huvuduppgifterna i ett systemutvecklingsarbete: Verksamhetsanalys Informationsbehovsanalys

Läs mer

Kanban är inte din process. (låt mig berätta varför) #DevLin2012 15 Mars 2012

Kanban är inte din process. (låt mig berätta varför) #DevLin2012 15 Mars 2012 Kanban är inte din process (låt mig berätta varför) #DevLin2012 15 Mars 2012 Torbjörn Tobbe Gyllebring @drunkcod tobbe@cint.com Är du eller känner du en Kanban hipster? Förut körde vi X nu kör vi Kanban

Läs mer

INTRODUKTION TILL ER ENTITY-RELATIONSHIP

INTRODUKTION TILL ER ENTITY-RELATIONSHIP INTRODUKTION TILL ER ENTITY-RELATIONSHIP Mahmud Al Hakim mahmud@webacademy.se 1 REFERENS TILL DETTA MATERIAL: WWW.DATABASTEKNIK.SE/WEBBKURSEN 2 1 KONCEPTUELLA DATAMODELLER Om man ska skapa en databas som

Läs mer

Att fastställa krav. Annakarin Nyberg

Att fastställa krav. Annakarin Nyberg Att fastställa krav Annakarin Nyberg Disposition Del 1 Varför samla in krav? Typer av krav Interaktionsdesign och krav Del 2 Analys, tolkning och presentation Scenarios Use cases Task analysis Avslutning

Läs mer

Varför ska man lära sig sånt? Välkomna. Vad är databaser bra till? Kursansvarig. till kursen. Databasteknik och informationssystem

Varför ska man lära sig sånt? Välkomna. Vad är databaser bra till? Kursansvarig. till kursen. Databasteknik och informationssystem till databaskursen Varför ska man lära sig sånt? till databaskursen till kursen Databasteknik och informationssystem Nästan alla större system idag innehåller eller använder data lagrad i en databas Så

Läs mer

Samrådsgrupper Hösten 2014

Samrådsgrupper Hösten 2014 Sanja Honkanen Skoog Ungas Röst -Nuorten Äänet Hösten 2014 Situationen i samrådsgrupper i Sverige idag I mitten av september fick de 52 finska förvaltningskommuner som i dag har en koordinater eller samordnare

Läs mer

Databaser och Datamodellering Foreläsning IV

Databaser och Datamodellering Foreläsning IV Webbprogrammering - 725G54 Databaser och Datamodellering Foreläsning IV Agenda Databaser ERD SQL MySQL phpmyadmin Labb 4 Databaser Databas - samling med data Databashanterare Enkelt Kraftfullt Flexibelt

Läs mer

EG Utility Användarträff Årets IT-konferens för dig i energibranschenafdas

EG Utility Användarträff Årets IT-konferens för dig i energibranschenafdas EG Utility Användarträff 2018 Årets IT-konferens för dig i energibranschenafdas Digitalisering It is not the strongest of the species that survives, nor the most intelligent that survives. It is the one

Läs mer

ETL-verktyg för datavaruhus

ETL-verktyg för datavaruhus Examensarbete vid institutionen för datavetenskap Umeå Universitet Författare: Johan Unger Handledare: Tommy Jakobsen (ABB Power Technology Products AB) Johan Karlsson (Umeå Universitet)

Läs mer

Pass 2: Datahantering och datahanteringsplaner

Pass 2: Datahantering och datahanteringsplaner Pass 2: Datahantering och datahanteringsplaner Checklista för datahanteringsplaner Att utveckla en datahanteringsplan för ett projekt är inte alltid en enkel uppgift. Det finns många detaljer som man åtminstone

Läs mer

MÅLSTYRNING OCH LÄRANDE: En problematisering av målstyrda graderade betyg

MÅLSTYRNING OCH LÄRANDE: En problematisering av målstyrda graderade betyg MÅLSTYRNING OCH LÄRANDE: En problematisering av målstyrda graderade betyg Max Scheja Institutionen för pedagogik och didaktik Stockholms universitet E-post: max.scheja@edu.su.se Forskning om förståelse

Läs mer

Webprogrammering och databaser. Konceptuell datamodellering med ER-modellen

Webprogrammering och databaser. Konceptuell datamodellering med ER-modellen Webprogrammering och databaser Konceptuell datamodellering med ER-modellen 2 Programutveckling Interaktionsdesign, behovsanalys Programdesign, databasdesign Implementation 3 Programdesign, databasdesign

Läs mer

Kritisk reflektion av använd teori för införande av digitala teknologier, Tidsläckage Teorin.

Kritisk reflektion av använd teori för införande av digitala teknologier, Tidsläckage Teorin. Examensarbete Magisterprogrammet Digital Affärsutveckling, kurs uppgift 3 teori-reflektion. Kritisk reflektion av använd teori för införande av digitala teknologier, Tidsläckage Teorin. Författare: Magnus

Läs mer

SLUTRAPPORT RUNE TENNESMED WEBBSHOP

SLUTRAPPORT RUNE TENNESMED WEBBSHOP SLUTRAPPORT RUNE TENNESMED WEBBSHOP -05-30 Abstrakt Under 10 veckor har jag och Oskar Norling arbetat med att ta fram en webbshop-applikation till företaget Rune Tennesmed i Kalmar. I denna rapport tänker

Läs mer

Solowheel. Namn: Jesper Edqvist. Klass: TE14A. Datum: 2015-03-09

Solowheel. Namn: Jesper Edqvist. Klass: TE14A. Datum: 2015-03-09 Solowheel Namn: Jesper Edqvist Klass: TE14A Datum: 2015-03-09 Abstract We got an assignment that we should do an essay about something we wanted to dig deeper into. In my case I dug deeper into what a

Läs mer

Föreläsning 3 Dagens föreläsning går igenom

Föreläsning 3 Dagens föreläsning går igenom Databasbaserad publicering Föreläsning 3 1 Föreläsning 3 Dagens föreläsning går igenom E/R-modellen & Läs om E/R-diagram i kapitel 2-3 i boken "Databasteknik" eller motsvarande avsnitt på http://www.databasteknik.se/webbkursen/er/index.html

Läs mer

Databaser design och programmering. Fö 2: Design processen, ER-modellering

Databaser design och programmering. Fö 2: Design processen, ER-modellering Databaser design och programmering Fö 2: Design processen, ER-modellering 2 Programutveckling Interaktionsdesign, behovsanalys Programdesign, databasdesign Implementation 3 Programdesign, databasdesign

Läs mer

PROGRAMMERING. Ämnets syfte. Kurser i ämnet

PROGRAMMERING. Ämnets syfte. Kurser i ämnet PROGRAMMERING Ämnet programmering behandlar hur mjukvaror skapas, anpassas och utvecklas samt programmeringens roll i informationstekniska sammanhang som datorsimulering och praktisk datoriserad problemlösning.

Läs mer

Kristoffer Eriksson Christer Oscarsson Andreas Dahlberg Martin Bengtsson

Kristoffer Eriksson Christer Oscarsson Andreas Dahlberg Martin Bengtsson Rapport grupp 4 Software Engineering Kristoffer Eriksson Christer Oscarsson Andreas Dahlberg Martin Bengtsson 2009-10-29 Processer Sprinter Scrum har varit till stor hjälp för oss för att nå våra mål,

Läs mer

Lunds Tekniska Högskola Datorarkitektur med operativsystem EITF60. Superscalar vs VLIW. Cornelia Kloth IDA2. Inlämningsdatum:

Lunds Tekniska Högskola Datorarkitektur med operativsystem EITF60. Superscalar vs VLIW. Cornelia Kloth IDA2. Inlämningsdatum: Lunds Tekniska Högskola Datorarkitektur med operativsystem EITF60 Superscalar vs VLIW Cornelia Kloth IDA2 Inlämningsdatum: 2018-12-05 Abstract Rapporten handlar om två tekniker inom multiple issue processorer

Läs mer

Preschool Kindergarten

Preschool Kindergarten Preschool Kindergarten Objectives CCSS Reading: Foundational Skills RF.K.1.D: Recognize and name all upper- and lowercase letters of the alphabet. RF.K.3.A: Demonstrate basic knowledge of one-toone letter-sound

Läs mer

Vilka trender och tendenser påverkar ditt val av beslutssystem

Vilka trender och tendenser påverkar ditt val av beslutssystem Vilka trender och tendenser påverkar ditt val av beslutssystem Konsult vid IT plan www.itplan.se Peter.soderstrom@itplan.se Sammanfattning 1. Alla användare kan inte ha samma gränssnitt 2. Företaget bör

Läs mer

Webprogrammering och databaser. Konceptuell datamodellering med ER-modellen

Webprogrammering och databaser. Konceptuell datamodellering med ER-modellen Webprogrammering och databaser Konceptuell datamodellering med ER-modellen 2 Programutveckling Interaktionsdesign, behovsanalys Programdesign, databasdesign Implementation 3 Programdesign, databasdesign

Läs mer

Inbjudan Hay Groups årliga löne- och förmånsundersökningar 2011

Inbjudan Hay Groups årliga löne- och förmånsundersökningar 2011 Inbjudan Hay Groups årliga löne- och förmånsundersökningar 2011 2 Inbjudan till Hay Groups årliga löne- och förmånsundersökning 2011 Inbjudan Hay Groups årliga Löne- och Förmånsundersökning 2011 för den

Läs mer