New approaches in Materials and Manufacturing Education · 2012. 5. 10. · • Opisani ETL alati i...

ZAVOD ZA INDUSTRIJSKO INŽENJERSTVO

INFORMACIJSKI MENADŽMENT

D. Lisjak 1/100

Ver. 06.03.12.

Doc.dr.sc. Dragutin Lisjak

METODE POSLOVNE INTELIGECIJE KAO

POTPORA ODLUČIVANJU U PODUZEĆIMA

D. Lisjak 2/100

S A D R Ž A J

3. SUSTAV ZA PODRŠKU PROCESA DONOŠENJA ODLUKA

1. UVOD

2. OSNOVE BUSINESS INTELLIGENCE

4. SKLADIŠTENJE PODATAKA

5. MATEMATIČKI MODELI ZA DONOŠENJE ODLUKA

6. RUDARENJE PODATAKA

7. Microsoft SQL-Server 2008

8. Microsoft Business Inteligence Development Studio

9. PRIMJERI PRIMJENE RUDARENJA PODATAKA

D. Lisjak 3/100

Literatura

http://www.amazon.com/

D. Lisjak 4/100

Kratki opis tema poglavlja

Poglavlje 2.

• Opisane su osnove poslovne inteligencije s naglaskom na povezanost s ostalim

disciplinama.

• Objašnjena je važnost donošenja učinkovitih i pravovremenih odluka.

• Dan je pregled arhitekture sustava poslovne inteligencije i njegovog razvoja.

Poglavlje 3.

• Opisana je struktura sustava za podršku procesa donošenja odluka i proces

njegovog razvoja.

• Prikazane su prednosti koje uporaba sustava donosi, te neki problemi kod

implementacije.

Poglavlje 1.

• Uvod u tematiku problema.

D. Lisjak 5/100

Poglavlje 4.

• Bavi se skladištenjem podataka.

• Opisana je arhitektura skladišta podataka i objašnjeni su razlozi primjene skladišta

podataka.

• Opisani ETL alati i višedimenzionalne kocke podataka.

Poglavlje 5.

• Obrađeni su matematički modeli koji se koriste u sustavima poslovne inteligencije i

klase u koje su podijeljeni.

Poglavlje 6.

• Opisano je rudarenje podataka.

• Navedeni su primjeri primjene rudarenja, opisan je proces rudarenja podataka, i

analizirane su metodologije koje se koriste.

D. Lisjak 6/100

Poglavlje 7.

• Opisane su glavne komponente Microsoft SQL Server 2008 BI rješenja.

Poglavlje 8.

• Opisane su komponente SQL Servera za razvoj BI rješenja: SQL Server Analysis

Services, Business Intelligence Development Studio.

• Kod obrade tih komponenti naglasak je stavljen na rudarenje podataka.

• Opisani su svi algoritmi za rudarenje podataka koji su uključeni u navedeni softverski

sustav.

Poglavlje 9.

• Obrađen je konkretan primjer primjene BIDS-a za razvoj strukture rudarenja

podataka.

• Opisana je struktura u koju je uključeno više modela koji se temelje na različitim

algoritmima.

• Opisani su rezultati modela, te je izvršena njihova usporedba kako bi se odredio

najtočniji model koji će se koristiti za donošenje odluka.

D. Lisjak 7/100

1. UVOD

• Velike promjene koje su se dogodile u načinu proizvodnje i

gospodarskim odnosima dovele su do rasta važnosti razmjene

nematerijalne robe, koja se većim dijelom sastoji od prijenosa

informacija.

• Na to utječu dva važna faktora.

• Prvi je globalizacija, odnosno stalno rastuća međuovisnost

gospodarstva pojedinih zemalja - stvaranje jedinstvenog

globalnog tržišta sa visokim stupnjem integracije.

• Drugi faktor su nove informacijske tehnologije, koje predvodi

masivno širenje interneta i bežičnih uređaja - mogućnost brzog

prijenosa velike količine podataka te raznolikost u primjeni

sofisticiranih sredstava komunikacije.

D. Lisjak 8/100

• Jednostavan pristup informacijama i znanju nudi razne prednosti

sudionicima društveno ekonomskog okruženja.

• Pojedinci mogu puno brže doći do novih saznanja i

informacijama o događanjima, ili mogu obavljati trgovačke i

bankarske transakcije putem interneta.

• Poduzeća koja razvijaju nove proizvode i usluge mogu

uspješnije zadovoljiti potrebe korisnika, ili steći konkurentsku

prednost učinkovitijim korištenjem stečenog znanja.

• Pojava jeftinih tehnologija za masivnu pohranu podataka i

rasprostranjenost interneta omogućila je raznim organizacijama da

tijekom godina prikupe i pohrane veliku količinu podataka.

• Poduzeća koja su sposobna transformirati te podatke u znanja

mogu ih iskoristiti za donošenje učinkovitijih odluka i tako steći

konkurentsku prednost.

D. Lisjak 9/100

• Javne uprave mogu iskoristiti dostupne informacije za razvoj boljih

usluga za građane.

• Koliko god te tehnologije bile napredne, one ne mogu funkcionirati

bez potpore kvalitetnih stručnjaka i naprednih metodologija analiza.

• Business intelligence – definira se kao skup matematičkih modela i

metodologija analiza koje sustavno koriste raspoložive podatke za

dobivanje informacija i znanja korisnih za složene procese

donošenja odluka.

• Naziv Poslovna (business) sugerira da se metodologija odnosi

samo na primjenu u poslovnim (proizvodnim) poduzećima, međutim

business intelligence sustavi primjenjuju se i kod svih ostalih vrsta

složenih organizacijskih sustava.

D. Lisjak 10/100

• Metodologije poslovne inteligencije su interdisciplinarne i

obuhvaćaju više područja kao što su:

• prikaz i organizacija procesa donošenja odluka,

• teorije odlučivanja,

• prikupljanja i pohrana podataka,

• tehnologije skladištenja podataka,

• matematičkim modelima optimizacije i rudarenja podataka,

• operacijskim istraživanjem i statistikom,

• marketing,

• logistika,

• računovodstvo,

• kontrola, financija,

• javna uprava.

D. Lisjak 11/100

• Može se reći da sustavi poslovne inteligencije promiču znanstveni i

racionalni pristup upravljanu poduzećima i složenim organizacijama.

• Business intelligence sustavi donosiocima odluka pružaju

informacije i znanja dobivena primjenom matematičkih modela i

algoritama nad dostupnim podacima.

• U nekim slučajevima, gotovo da se i ne primjenjuju kalkulacije

postotaka ili suma, već mnogo razvijenije analize koje koriste

napredne modele optimizacije te induktivnog učenja i predviđanja.

D. Lisjak 12/100

2. OSNOVE POSLOVNE INTELIGENCIJE

• Pojava jeftinih tehnologija pohrane podataka i velika

rasprostranjenost interneta, omogućila je pojedincima i

organizacijama pristup velikom broju podataka.

• Podaci su često u heterogenog podrijetla i razlikuju se sadržajem i

značenjem. Npr.:

• komercijalni uvjeti,

• financijski,

• administrativni,

• transakcije,

• e-mail adrese,

• tekstovi,

• hipertekstovi itd.

D. Lisjak 13/100

• Business intelligence – definira se kao skup matematičkih modela i

metodologija analiza koje sustavno koriste raspoložive podatke za

dobivanje informacija i znanja korisnih za složene procese

donošenja odluka.

2.1 Učinkovite i pravovremene odluke

• U složenim organizacijama odluke se donose na dnevnoj bazi.

• Odluke mogu biti više ili manje važne, mogu imati dugotrajan ili

kratkoročan učinak, i mogu uključivati ljude na raznim hijerarhijskim

razinama.

• Sposobnost za donošenje odluka, bilo pojedinca ili zajednice, je

jedan od primarnih faktora koji utječu na učinkovitost i

konkurentnost organizacije.

D. Lisjak 14/100

• Većina odluka se donosi koristeći jednostavne i intuitivne metode,

koje uzimaju u obzir specifične elemente kao što su iskustvo, znanje

i dostupne informacije.

• Takav pristup dovodi do stagnacije načina donošenja odluka, koji je

neprikladan za nestabilne uvijete nametnute učestalim i brzim

gospodarskim promjenama.

• U današnjim organizacijama, procesi odlučivanja su često

presloženi i dinamični da bi se radilo na intuitivan način. Umjesto

toga zahtijeva se stroži pristup temeljen na analitičkim metodama i

matematičkim modelima.

• Glavna uloga sustava poslovne inteligencije je pružanje alata i

metoda koje omogućavaju donošenje učinkovitih i pravodobnih

odluka.

D. Lisjak 15/100

Učinkovite odluke

• Primjena strogih analitičkih metoda omogućava donositeljima

odluka da se oslanjaju na informacije i znanja koja su pouzdanija.

• Rezultat toga je donošenje boljih odluka i planova djelovanja koji

omogućuju učinkovitije postizanje ciljeva.

• Analitičke metode zahtijevaju eksplicitan opis kriterija za procjenu

alternativa i mehanizama koji reguliraju problem.

• Nužan je temeljni pregled i razumijevanje temeljne logike procesa

donošenja odluka.

D. Lisjak 16/100

Pravovremene odluke

• Poduzeća posluju u gospodarskom okruženju koje karakterizira rast

razine konkurencije i visoka dinamičnost.

• Sposobnost da se brzo reagira na akcije konkurencije i na nove uvjete

tržišta kritični je faktor za uspjeh ili čak opstanak tvrtke.

• Kada se donosioci odluka suočavaju s problemima postavljaju si niz

pitanja i razvijaju odgovarajuće analize.

• Nekoliko opcija se ispituje i uspoređuje, te se s obzirom na uvjete koji

su uzeti u obzir, odabire najbolja.

• Ako se donosioci odluka mogu osloniti na Business Intelligence sustav,

mogu se očekivati velika poboljšanja cjelokupne kvalitete procesa

donošenja odluka.

• Pomoću matematičkih modela i algoritama, moguće je analizirati veći

broj alternativnih akcija.

• Zaključuje se da je glavna prednost usvajanja Business Intelligence

sustava povećanje učinkovitosti procesa donošenja odluka.

D. Lisjak 17/100

Prednosti primjene Business Intelligence sustava

D. Lisjak 18/100

2.2 Podaci, informacije i znanje

• U informacijskim sustavima, javnih i privatnih organizacija,

nakupljaju se velika količina podataka.

• Ti podaci potječu dijelom od internih transakcija administrativne,

logističke i komercijalne naravi, te dijelom od vanjskih izvora.

• Međutim, čak i ako su prikupljeni i pohranjeni na sustavan način, ne

mogu se izravno koristiti za donošenje odluka.

• Podaci trebaju biti obrađeni odgovarajućim alatima za ekstrakciju i

analitičkim metodama, sposobnim transformirati ih u informacije i

znanja, koja bi se mogla koristiti za donošenje odluka.

D. Lisjak 19/100

Znanje

• Informacija se pretvara u znanje kada se koristi za donošenje

odluka i planiranje odgovarajućih akcija.

• Znanjem se smatra skup informacija iz nekog područja,

potpomognutih iskustvom i kompetencijom donositelja odluka u

rješavanju složenih problema.

• Analiza prodaje maloprodajnog poduzeća, može otkriti da je grupa

kupaca koja živi na području, gdje je konkurent otvorio prodajno

mjesto, smanjila potražnju.

• S vremenom će znanje prikupljeno na ovaj način dovesti do akcije

koja će biti usmjerena na rješavanje problema, primjerice

uvođenjem usluge besplatne dostave za kupce na tom području.

D. Lisjak 20/100

• Znanje može biti prikupljeno iz podataka na pasivan način,

analitičkim kriterijem predloženim od strane donositelja odluka

(DO), ili aktivnom primjenom matematičkih modela, u obliku

induktivnog učenja ili optimizacije.

• Postoje javna i privatna poduzeća koja godinama razvijaju formalne

i sustavne mehanizme prikupljanja, pohrane i podjele znanja.

• Mehanizme prikupljanja sada smatraju neprocjenjivom

nematerijalnom imovinom.

• Aktivnosti pružanja podrške u širenju znanja, kroz organizaciju,

integracijom procesa donošenja odluka i usvajanjem informacijskih

tehnologija obično se nazivaju upravljanje znanjem.

D. Lisjak 21/100

• Znanje može biti prikupljeno iz podataka na pasivan način,

analitičkim kriterijem predloženim od strane donositelja odluka

(DO), ili aktivnom primjenom matematičkih modela, u obliku

induktivnog učenja ili optimizacije.

• Postoje javna i privatna poduzeća koja godinama razvijaju formalne

i sustavne mehanizme prikupljanja, pohrane i podjele znanja.

• Mehanizme prikupljanja sada smatraju neprocjenjivom

nematerijalnom imovinom.

• Aktivnosti pružanja podrške u širenju znanja, kroz organizaciju,

integracijom procesa donošenja odluka i usvajanjem informacijskih

tehnologija obično se nazivaju upravljanje znanjem.

D. Lisjak 22/100

Business intelligence i upravljanje znanjem

• Dijele neke sličnosti u svojim ciljevima.

• Glavni cilj obiju disciplina je razviti okruženje koje podupire

donosioce odluka u procesu donošenja odluka i aktivnostima

rješavanja složenih problema.

• Razlika:

• Metode upravljanja znanjem primarno orijentiraju na obradu

informacija koje su obično nestrukturirane, ponekad implicitne, i

uglavnom se nalaze u dokumentima, razgovorima i iskustvima.

• Business intelligence se temelji na strukturiranim

informacijama, najčešće kvantitativne prirode i obično

organizirane u baze podataka.

• Mogućnost analize e-mail adresa i internet stranica metodama

rudarenja kroz tekstove, postepeno se i business intelligence

sustavi počinju baviti nestrukturiranim informacijama.

D. Lisjak 23/100

2.3 Uloga matematičkih modela

• Business intelligence sustavi pružaju donositeljima odluka

informacije i znanja izvađena iz podataka, primjenom matematičkih

modela i algoritama.

• U nekim se slučajevima ova aktivnost može svesti na izračun

postotka i grafički prikaz jednostavnih histograma, dok složenije

analize zahtijevaju razvoj naprednih modela optimizacije i učenja.

• Klasične znanstvene discipline, poput fizike, uvijek su posezale za

matematičkim modelima da bi opisale realne sustave.

• Druge discipline, kao što su operacijska istraživanja, koriste

znanstvene metode i matematičke modele za proučavanje umjetnih

sustava, primjerice privatnih i javnih organizacija.

D. Lisjak 24/100

• Generalno gledano, usvajanje business intelligence sustava teži

promicanju znanstvenog i racionalnog pristupa upravljanju

poduzeća i složenih organizacija.

• Racionalni pristup business intelligenca može se podijeliti po

sljedećim fazama:

• Definiraju se objekti analize i pokazatelji performansi koji će se

koristiti za evaluaciju alternativnih mogućnosti.

• Razvijaju se matematički modeli koji se temelje na vezama

između varijabli, parametrima i mjerama evaluacije zadanog

sustava.

• Provodi se What-if analiza, kojom se vrši evaluacija

performansi koje ovise o varijaciji varijabla i promjenama

parametara sustava.

D. Lisjak 25/100

• Znanje o sustavu, koje je dobiveno izradom matematičkog modela,

moguće je jednostavno prenijeti svim pojedincima unutar

organizacije.

• Na taj je način omogućeno bolje očuvanje znanja u odnosu na

empirijski (iskustveni) proces donošenja odluka.

• Matematički modeli koji su razvijeni za specifičan slučaj, vrlo su

općeniti i fleksibilni pa se u većini slučajeva mogu primijeniti u

rješavanju sličnih problema.

D. Lisjak 26/100

2.4 Business inteligence struktura

Tipična Business Inteligence struktura

IZVORI SKLADIŠTA

METODE

D. Lisjak 27/100

Izvori podataka (engl. data sources)

• Početno, prikupljaju se i integriraju podaci, različitog podrijetla,

pohranjeni u raznim izvorima.

• Izvori se uglavnom sastoje od podataka koji pripadaju različitim

operacijskim sustavima, koji često sadrže nestrukturirane

dokumente kao što je elektronička pošta i podatke dobivene od

vanjskih dobavljača.

• Potrebni su veliki napori da se ujedine i integriraju različiti izvori

podataka.

Skladišta podataka (engl. data warehouses and data marts)

• Koriste se alati za vađenje, transformaciju i učitavanje podataka

(engl. extract, transforma, and load, ETL), kako bi se podaci iz

različitih izvora sortirali u baze podataka (skladišta podataka),

odnosno da bi se omogućile business intelligence analize.

D. Lisjak 28/100

Glavne komponente Business Inteligence sustava

D. Lisjak 29/100

Istraživanje podataka (engl. data exploration)

• Na trećoj razini piramide, nalaze se alati za provedbu pasivnih

business intelligence analiza, koji se sastoje od:

• upita (engl. query),

• sustava izvješćivanja (engl. reporting systems),

• statističkih metoda.

• Nazivaju se pasivnima zato jer je donosioci odluka moraju odrediti

hipoteze ili kriterije izvlačenja podataka, i onda koristiti alate za

analizu.

• Npr.,voditelj prodaje primijeti da su prihodi određene grupe kupaca

na određenom području smanjeni, te želi uporabom ETL alata i

statističkim testom provjeriti da li su njegovi zaključci na

raspoloživom skupu podataka ispravni.

D. Lisjak 30/100

Rudarenje podataka (engl. data mining)

• Na četvrtoj razini nalaze se aktivne business intelligence

metodologije, kojima je svrha vađenje informacija i znanja iz

podataka.

• Metodologije uključuju matematičke modele raspoznavanja, strojno

učenje i tehnike rudarenja podataka.

• Za razliku od alata navedenih u nižim razinama piramide, ovi su

modeli aktivni, te donosioci odluka ne moraju formulirati hipotezu,

koja će se kasnije provjeravati.

• Njihova svrha je proširiti znanje donosiocima odluka.

Optimizacija

• Model optimizacije omogućava odabir najboljeg rješenja od

mogućih alternativa.

D. Lisjak 31/100

Odluka

• Predstavlja zaključak procesa donošenja odluka.

• Odluku moraju donijeti donosioci odluka (DO).

• Donosioci odluka mogu na temelju neformalnih i nestrukturiranih

informacija promijeniti odluku preporučenu od strane matematičkih

modela.

Odgovornosti unutar piramide BI-sustava

• Na dnu piramide, potrebni su stručnjaci za informacijske sustave,

koji se obično nazivaju administratorima baza podataka.

• Za matematičke i statističke modele, koji se nalaze u srednjim

razinama piramide, odgovorni su analitičari-statističari.

• Za aktivnosti na vrhu piramide zaduženi su donosioci odluka.

D. Lisjak 32/100

2.5 Ciklus Business inteligence analize

• Svaka Business intelligence analiza slijedi svoj tok ovisno o

području primjene, subjektivnosti donosioca odluka, te dostupnih

analitičkih metodologija.

Glavne komponente Business Inteligence sustava

D. Lisjak 33/100

Analiza

• Tijekom analize prepoznaje se zadani problem i identificiraju se

kritični faktori koji se doimaju najvažnijim.

• Primjena BI metodologije omogućava brzi razvoj različitih modela

istraživanja, dok se ne pronađe zadovoljavajući model.

• Ova faza donosiocima odluka pruža mogućnost boljeg

razumijevanja danog problema.

• Npr., ako provedena analiza pokazuje da velik broj klijenata zatvara

policu osiguranja nakon isteka godišnjeg ugovora, onda se u ovoj

fazi identificiraju sličnosti koje ti klijenti dijele.

• U ovoj se fazi, informacije prikupljene u fazi analize, pretvaraju u

znanje.

D. Lisjak 34/100

Odluka

• Tijekom ove faze, znanje stečeno u fazi uvida pretvara se u odluku,

a zatim u akciju.

Evaluacija

• Posljednja faza business intelligence ciklusa uključuje mjerenja i

evaluaciju.

• Definira se metrika uspješnosti koja uključuje definiciju ključnih

pokazatelja uspješnosti (KPI) različitih odjela organizacije.

D. Lisjak 35/100

2.6 Ključni faktori Business inteligence projekta

Tehnologija

• Hardverske i softverske tehnologije bitni su faktori za razvoj

business intelligence sustava poduzeća i složenih organizacija.

• Tijekom posljednja dva desetljeća, snaga mikroprocesora povećava

se 100% svakih 18 mjeseci, a i cijena im je pada.

• Trend omogućava primjenu naprednih algoritama koji koriste

metode induktivnog učenja i modele optimizacije.

• Moguće je koristiti tehnike vizualizacije, s prikazima u realnom

vremenu.

• Eksponencijalno povećanje kapaciteta uređaja za pohranu

podataka, čija cijena također pada, što omogućuje organizacijama

pohranu velikog broja podataka u BI-sustave.

D. Lisjak 36/100

• Mrežno povezivanje, odnosno ekstranet (engl. extranet) i intranet

(engl. intranet), koji imaju jednu od glavnih uloga u širenju

informacija i znanja unutar organizacije.

• Jednostavnost integracije hardvera i softvera različitih proizvođača,

bitan je faktor koji utječe na alate za analizu podataka.

Analitika

• Matematički modeli i analitičke tehnologije imaju ključnu ulogu u

vađenju informacija i znanja iz dostupnih podataka.

• Vizualizacija podataka, ima važnu ulogu u olakšavanju procesa

donošenja odluka.

D. Lisjak 37/100

Ljudski potencijali

• Vrijednost ljudskih potencijala čine ljudi koji djeluju unutar

organizacije, bilo kao pojedinci ili timovi.

• Ukupna znanja koja posjeduju i dijele pojedinci čine organizacijsku

kulturu.

• Sposobnost prikupljanja informacija i pretvaranja u akcije jedan je

od glavnih faktora svake organizacije, i ima velik utjecaj na kvalitetu

procesa odlučivanja.

• Ako je poduzeće uvelo napredni business intelligence sustav, još

uvijek su potrebni radnici koji će provoditi analize, interpretirati

rezultate, pronalaziti kreativna rješenja i smišljati učinkovite planove

djelovanja.

• Organizacije, čiji su zaposlenici spremni prihvatiti promjene u

načinu donošenja odluka, steći će prednost nad konkurencijom.

D. Lisjak 38/100

2.6 Razvoj Business inteligence sustava

• Razvoj business intelligence sustava vrlo je sličan razvoju projekta.

• Sličan je jer je potrebno definirati konačan cilj sustava, vrijeme i

troškove razvoja sustava, te resurse koji su potrebni za izvođenje

planiranih aktivnosti.

• Glavne faze razvoja su:

• Analiza,

• Dizajn,

• Planiranje,

• Implementacija i kontrola.

D. Lisjak 39/100

D. Lisjak 40/100

Analiza

• Utvrđuju se potrebe organizacije koje su bitne za business

intelligence sustav.

• Faza se obično provodi kroz niz intervjua sa zaposlenicima u

organizaciji.

• Potrebno je jasno opisati glavne ciljeve i prioritete sustava, kao i

troškove te prednosti uvođenja business intelligence sustava.

Dizajn

• Faza se sastoji od dvije podfaze kojima je cilj odrediti privremeni

plan cjelokupne arhitekture, uzimajući u obzir razvoj u bliskoj

budućnosti.

• Proučava se proces donošenja odluka koji će business intelligence

sustav podržavati.

• Utvrđuju se faze razvoja, prioriteti, očekivano vrijeme razvoja i

troškovi, te potrebni resursi.

D. Lisjak 41/100

Planiranje

• Detaljno su definirane i opisane funkcije business intelligence

sustava.

• Procjenjuju se postojeći podaci i podaci iz vanjskih izvora.

• Oblikuje se struktura BI-sustava, koja se sastoji centralnog

skladišta podataka (engl. central data warehouse) i ako je potrebno

satelitskih skladišta podataka (engl. satellite data mart).

• Prepoznavanjem raspoloživih podataka, definiraju se matematički

modeli koji će se primijeniti.

• Izrada jeftinog prototipa, ograničenih mogućnosti, s ciljem

otkrivanja različitosti između stvarnih potreba i onih definiranih u

projektu.

D. Lisjak 42/100

Implementacija i kontrola

• Razvijaju se skladišta podataka koja predstavljaju informacijsku

strukturu koja će BI-sustav snabdijevati s informacijama.

• Objašnjenja značenja podataka koji se nalaze u skladištima

podataka, zapisuju se u dokument koji se naziva arhiva

metapodataka (engl. metadata).

• Utvrđuju se ETL procedure koje će vaditi i transformirati podatke iz

primarnih izvora, te ih unositi u skladišta podataka.

• Razvijaju se ključne business intelligence aplikacije koje

omogućavaju provođenje planiranih analiza.

D. Lisjak 43/100

3. SUSTAV ZA PODRŠKU PROCESA DONOŠENJA ODLUKA

• Sustav za podršku procesa donošenja odluka je interaktivna

računalna aplikacija koja kombinira podatke i matematičke modele

kako bi pomogla donosiocima odluka riješiti složene probleme u

organizacijama i poduzećima.

• U ovom poglavlju opisano je:

• Sustav za podršku procesa donošenja odluka,

• Prednosti i ključni faktori bitni za njegovo uvođenje,

• Opisane su faze razvoja.

D. Lisjak 44/100

3.1 Sustavi za podršku procesa donošenja odluka (SPPDO)

• Sustav za podršku procesa donošenja odluka definiran je kao

interaktivni računalni sustav koji pomaže donosiocima odluka da

kombiniranjem podataka i matematičkih modela riješe djelomično

strukturirane i nestrukturirane probleme.

• Ova definicija povezuje tri glavna elementa sustava za podršku

procesa donošenja odluka:

• baze podataka,

• matematičke modele,

• grafičko sučelje.

D. Lisjak 45/100

Struktura sustava za podršku procesa donošenja odluka

D. Lisjak 46/100

Glavne značajke SPPDO sustava

Učinkovitost

• Sustavi za podršku procesa donošenja odluka trebali bi pomoći

donosiocima odluka da dođu do efikasnijih odluka.

• To ne znači nužno povećanje efikasnosti procesa donošenja

odluka.

• Uvođenjem sustava za podršku procesa donošenja odluka

uključuje preciznije analize koje zahtijevaju više vremena od samog

donošenja odluka.

• Međutim, veći napori obično rezultiraju boljim odlukama.

D. Lisjak 47/100

Matematički modeli

• Kako bi se postigle učinkovitije odluke, sustav za podršku

donošenja odluka koristi matematičke modele iz područja

operacijskih istraživanja i statistika, koji se primjenjuju na podatke iz

skladišta podataka.

• Korištenje analitičkih modela za transformaciju podataka u znanje i

pružanje aktivne podrške glavna je karakteristika koja čini razliku

između sustava za podršku donošenja odluka i običnog

informacijskog sustava.

D. Lisjak 48/100

Integracija u proces donošenja odluka

• Sustav za podršku procesa donošenja odluka trebao bi osigurati

pomoć za razne probleme, unutar istog stručnog područja, u

rješavanju djelomično strukturiranih i strukturiranih problema.

• Sustav je namijenjen za strateške, taktičke i operativne procese

donošenja odluka.

• Donosioci odluka trebali bi imati mogućnost integriranja sustava s

obzirom na svoje sklonosti i sposobnosti, prilagođavajući ga svojim

potrebama radije nego pasivno prihvaćati njegove rezultate.

• Na taj način sustav za podršku procesa donošenja odluka postupno

preuzima ulogu ključne komponente za rješavanje problema.

D. Lisjak 49/100

Organizacijska uloga

• U mnogim situacijama sustav za podršku procesa donošenja

odluka koristi se na različitim hijerarhijskim razinama, i pozitivno

djeluje na kvalitetu komunikacije između različitih dijelova

organizacije.

• Pružajući podršku za sekvencijalne i međusobno zavisne procese,

sustav može pratiti analize i informacije koje su dovele do određene

odluke.

D. Lisjak 50/100

Fleksibilnost

• Sustav za podršku procesa donošenja odluka mora biti fleksibilan i

prilagodljiv kako bi se uvele promjene potrebne za prilagodbu

okruženju i procesu donošenja odluka.

• Mora biti jednostavan za korištenje, sa intuitivnim interakcijskim

metodama, i kvalitetnim grafičkim prikazom informacija.

• Poželjno je da sustavi za podršku procesa donošenja odluka

koriste web preglednike kao sučelje za komunikaciju s korisnicima.

D. Lisjak 51/100

Upravljanje podacima

• Modul za upravljanje podacima obuhvaća bazu podataka

namijenjenu pohrani podataka potrebnih procesu donošenja

odluka, koje koristi sustav za podršku procesa donošenja odluka.

• Modul za upravljanje podacima uglavnom je povezan sa skladištem

podataka, koje predstavlja glavno spremište podataka dostupnih za

razvoj BI analiza.

Upravljanje modelima

• Modul sadrži korisnicima zbirku matematičkih modela izvedenih iz

operacijskih istraživanja, statistike i financijskih analiza.

• Obično su to relativno jednostavni modeli koji omogućavaju

provođenje vrlo korisne analize za vrijeme procesa donošenja

odluka.

D. Lisjak 52/100

Integracije

• U većini slučajeva, sustav za podršku procesa donošenja odluka

koristi se interaktivno za provođenje analiza.

• Korisnik podatke unosi na jednostavan i intuitivan način.

• Za interakciju se najčešće koristi web preglednik, a dobivene

informacije i znanja koja generira sustav prikazuju se u

odgovarajućem grafičkom obliku.

D. Lisjak 53/100

Upravljanje znanjem

• veći broj razmatranih opcija ili alternativa,

• veća svijest i bolje razumijevanje analiziranog područja i danog

problema,

• mogućnost izvođenja scenarija i what-if analiza variranjem

pretpostavki i parametara matematičkih modela,

• bolja sposobnost pravovremene reakcije na nepredviđene

situacije,

• bolja komunikacija i koordinacija između pojedinaca i

organizacijskih odjela,

• učinkovitiji razvoj timskog rada,

• veća pouzdanost kontrolnih mehanizama zbog boljeg

razumijevanja procesa odlučivanja.

D. Lisjak 54/100

3.2 Razvoj sustava za podršku procesa donošenja odluka

• Za razliku od drugih aplikacija, kao što su informacijski sustavi i

uredski alati, SPPDO sustavi nisu dostupni kao standardne

aplikacije.

• SPPDO sustavi razvijaju se za potrebe rješavanje specifičnih

problema.

D. Lisjak 55/100

Faze razvoja sustava za podršku procesa donošenja odluka

D. Lisjak 56/100

Planiranje

• Definiraju se potrebe i mogućnosti, koje se prevode u projekt, a

kasnije u PPDO sustav.

• Uključuje analizu izvedivosti:

• definiraju se opći i specifični ciljevi sustava, korisnici, troškovi.

• Identifikacija prednosti sustava za podršku procesa donošenja

odluka.

• Glavna prednost većine sustava za podršku procesa donošenja

odluka nije povećana učinkovitost, već poboljšana kvaliteta

donesenih odluka.

• Potrebno je definirati aktivnosti, zadatke, odgovornosti i faze

razvoja.

• Kod planiranja se koriste klasične metodologije projektnog

menadžmenta.

D. Lisjak 57/100

Analiza

• U ovoj fazi detaljno se definiraju funkcije PPDO koje će se razvijati.

• Definiraju se zadaci sustava, korisnici, te način i vrijeme korištenja.

• Provodi se analiza procesa donošenja odluka koji će biti podržan,

tijekom koje je nužno uočiti sve povezanosti između zadanih

problema i okruženja.

• Ocjenjuju se posljedice uvođenja PPDO na organizaciju,

• Simulacija izbacivanja aktualnog procesa donošenja odluka i

procjena kako će novi proces izgledati kada se uvede sustav.

• Pregled podataka kako bi se utvrdilo koji podaci postoje, te podaci

koje se mogu dobiti iz vanjskih izvora.

D. Lisjak 58/100

Oblikovanje

• Određuje se način na koji će raditi sustav za podršku procesa

donošenja odluka.

• Definira se cijela arhitektura sustava, hardverska platforma,

struktura mreže, softverski alati za razvoj aplikacija i specifične

baze podataka koje će se koristiti.

• Detaljno se definira korisnička interakcija sa sustavom, unos

podataka putem maske, grafička vizualizacija na zaslonu ispis

izvještaja – interakcija putem web preglednika.

• Daljnji aspekt koji treba razjasniti tijekom ove faze je da li

implementaciju PPDO sustava prepustiti trećoj strani, u cijelosti ili

djelomično.

D. Lisjak 59/100

lmplementacija

• Jedan aspekt u ovoj fazi koji se često previdi, je opći utjecaj

sustava za podršku procesa donošenja odluka na organizaciju.

• Takve učinke treba pratiti pomoću tehnike upravljanja promjenama,

pazeći da se niko ne osjeća isključeno iz inovacijskog procesa ili da

odbacuje novi sustav.

• Ponekad projekt ne ispunjava očekivanja, ne dolazi se do

uspješnog završetka, ili čak ispada potpuni neuspjeh.

• Smanjenje rizika od neuspjeha - brza izrada prototipa (engl. rapid

prototyping development), gdje se umjesto za kompletni sustav

identificiraju autonomni podsustavi, za koje se razvijaju podsustavi

koji su ograničenih mogućnosti.

• Daljnjim razvojem tih podsustava, korak po korak, dolazi se do

sustava koji u cijelosti odgovara sustavu za podršku procesa

donošenja odluka.

D. Lisjak 60/100

• Brzi razvoj prototipa ima sljedeće prednosti, a u cilju smanjenja

rizika od neuspjeha:

• Podsustav može biti razvijen brže nego cijeli sustav, te je zbog

toga i ranije dostupan.

• Sustav je moguće predati korisnicima na testiranje čak i ako još

nije u potpunosti razvijen.

• U situacijama u kojima postoji jasna razlika između značajki

razvijenog prototipa i očekivanja korisnika, moguće je u ranoj

fazi prekinuti projekt što smanjuje krajnje troškove.

• Potrebno je predvidjeti daljnji razvoj aplikacije, te je potrebno

ostaviti mjesta za buduće promjene i prilagodbe.

D. Lisjak 61/100

lntegracija

• Oblikovanje i razvoj sustava za podršku procesa donošenja odluka

zahtijevaju skladan rad brojnih metodologija, alata, modela,

pojedinaca i organizacijskih procesa.

• To rezultira vrlo složenim projektom koji zahtjeva različite

sposobnosti i kompetencije.

• Važna je uloga sistemskog integratora.

• Sistemski integrator je stručnjak koji ima kompetencije iz

područja koja su uključena u razvoj PPDO sustava kao što su

arhitektura informacijskog sustava i matematički modeli.

D. Lisjak 62/100

Sudjelovanje korisnika

• Isključivanje ili marginalizacija budućih korisnika sustava i

donosioca odluka, iz projektnog tima, pogreška je koja se događa

tijekom oblikovanja i razvoja sustava.

• To se u mnogim slučajevima događa jer se sustav za podršku

procesa donošenja odluka smatra samo računalnom aplikacijom, te

se razvoj dodjeljuje isključivo ili prvenstveno odjelu za informacijske

tehnologije.

• Sudjelovanje donositelja odluka i korisnika u razvojnom procesu

vrlo je bitna da prihvate sustav kao novi alat za svakodnevnu

primjenu.

• Nužno je promicati neformalne komunikacije, posebno tijekom faza

oblikovanja i implementacije prvih prototipa.

D. Lisjak 63/100

Nesigurnost

• Izradom prototipa, korisničkom pristupačnošću, testiranjem sustava

u preliminarnim fazama i evolucijskom implementacijom moguće je

smanjiti nesigurnost neuspješnosti projekta i previsokih troškova.

D. Lisjak 64/100

4. SKLADIŠTENJE PODATAKA

• U ovom poglavlju opisane su:

• Značajke skladišta podataka i data marts,

• Dan je pregled arhitekture skladišta podataka,

• Objašnjena je uloga ETL alata i meta podataka,

• Objašnjena je on-line analitička obrada (OLAP),

• Objašnjene su višedimenzionalne kocke.

D. Lisjak 65/100

4.1 Općenito o skladištu podataka

• Termin skladištenje podataka uključuje čitav niz međusobno

povezanih aktivnosti koje uključuju oblikovanje, implementaciju i

korištenje skladišta podataka.

• Podatke koji se pohranjuju u skladište podataka moguće je podijeliti

u tri glavne skupine, a to su:

• interni podaci,

• vanjski podaci,

• osobni podaci.

D. Lisjak 66/100

Interni podaci

• Interni podaci prikupljaju se kroz transakcijske aplikacije koje se

koriste u raznim odjelima poduzeća, kao što je uprava,

računovodstvo, proizvodnja i logistika.

• Skup takvih transakcijskih aplikacija naziva se sustavom za

planiranje poslovnih resursa (engl. enterprise resource planning,

• Ti podaci obično dolaze iz različitih dijelova informacijskog sustava:

• back-office sustav - prikuplja osnovne transakcijske zapise kao što su

narudžbe, fakture, zalihe, logistički podaci i podaci iz proizvodnje.

• front-office sustav - sadrži podatke iz pozivnog centra, službe za

pružanje pomoći korisnicima, marketinških kampanja.

• web-based sustav - prikuplja transakcije prodaja putem internet

stranica, posjete internet stranicama, podatke iz obrazaca koje

popunjavaju postojeći i potencijalni klijenti.

D. Lisjak 67/100

Eksterni podaci

• Postoji više izvora eksternih podataka koji se mogu koristiti za

širenje informacija pohranjenih u internim bazama podataka kao

• agencije za prikupljanje podataka bitnih za prodaju, tržišni udio,

buduće trendove za specifične poslovne djelatnosti, ekonomske i

financijske pokazatelje.

• agencije za anketiranje tržišta i prikupljanje mišljenja potrošača

provode putem upitnika.

• geografski informacijski sustavi (GIS), koji predstavljaju skup

aplikacija za prikupljanje, organiziranje, pohranu i prikaz

teritorijalnih podataka. Ovi podaci omogućavaju izvođenje

specifičnih analiza nad podacima povezanih s geografskim

elementima i grafički prikaz rezultata.

D. Lisjak 68/100

Osobni podaci

• U većini slučajeva, donositelji odluka provode business intelligence

analize koje se oslanjaju na informacije i osobne procjene

pohranjene unutar radnih listova ili lokalnih baza podataka koje se

nalaza na njihovim računalima.

• Dohvaćanje tih informacija i njihova integracija sa strukturiranim

podacima iz internih i eksternih izvora jedan je od ciljeva sustava

upravljanja znanjem.

D. Lisjak 69/100

Učinkovitost

• Upiti (engl. queries) koji vade informacije za business intelligence

analize mogu opterećivati računalne resurse i utjecati na vrijeme

obrade.

• Ako se složeni upiti usmjeravaju na transakcijski sustav ugrožava

se učinkovitost ERP sustava, što negativno utječe na rutinske

aktivnosti unutar organizacije.

• Bolje rješenje je usmjeriti složene upite OLAP analiza, izravno na

skladište podataka koje je fizički odvojeno od operativnog sustava.

• Postoji više razloga zašto se skladišta podataka implementiraju

odvojeno od baza podataka za podršku OLTP aplikacija u

poduzeću. Neki od važnijih razloga su:

D. Lisjak 70/100

Integracija

• U mnogim slučajevima, sustav za podršku procesa donošenja

odluka koristi podatke iz više izvora, koji se nalaze u različitim

dijelovima organizacije ili raznim vanjskim izvorima.

• Skladišta podataka integriraju više izvora, koji su često heterogeni,

te je potrebno omogućiti pristup tim informacijama.

• Integracija podataka može biti postignuta primjenom različitih

tehnika kao npr. korištenjem metode jedinstvenog kodiranja, te

pretvaranja u standardne mjerne jedinice.

Kvaliteta

• Podaci koji se prenose iz operacijskog sustava u skladište

podataka ispituju se i ispravljaju kako bi se dobile pouzdane

informacije bez grešaka. Takvom praksom povećava se vrijednost

podataka pohranjenih u skladište podataka.

D. Lisjak 71/100

Protežnost

• Podaci se u transakcijskom sustavu nalaze privremeno, zbog

ograničenja memorijskog kapaciteta.

• Nakon određenog vremenskog razdoblja podaci se uklanjaju iz

OLTP sustava i trajno arhiviraju na off-line uređaje za masovnu

pohranu, kao što su DVD, magnetske vrpce i sl.

• Business intelligence sustavima potreban je pristup svim podacima

iz prošlosti. To je moguće korištenjem skladišta podataka koje

zadržava povijesne podatke.

D. Lisjak 72/100

Orijentiranost na entitete

• Podaci pohranjeni u skladišta podataka prvenstveno se bave

glavnim entitetima koji su bitni za analizu, a to su proizvodi, kupci,

narudžbe i prodaja.

• Dok su transakcijski sustavi više orijentirani prema operativnim

aktivnostima i temelje se na transakcijskim zapisima ERP

aplikacija.

• Orijentiranost na entitete omogućava procjenu rada tvrtke tijekom

business intelligence analiza i otkrivanje potencijalnih uzroka

neučinkovitosti.

• S obzirom na prethodno navedene značajke, skladišta podataka

možemo definirati kao zbirke podataka koje podržavaju procese

donošenja odluka i business intelligence sustave, te imaju sljedeće

karakteristike:

D. Lisjak 73/100

Vremenska promjenjivost

• Svi podaci uneseni u skladište podataka označeni su vremenskim

periodom kojem pripadaju.

• Vremenska dimenzija je ključan element u svim skladištima

podataka.

• Na taj način sustavi za podršku procesa donošenja odluka mogu

razviti analize povijesnih trendova.

Trajnost

• Kad se podaci unesu u skladište podataka, uglavnom se ne

mijenjaju.

• To olakšava proces ažuriranja i organiziranje korisnika kojima je

omogućen pregled tih podataka.

D. Lisjak 74/100

Konsolidarnost

• Neki podaci koji se pohranjuju u skladište podataka sažetak su

primarnih podataka koji pripadaju operativnim sustavu iz kojeg

potječu.

• Primjerice, telefonske kompanije u skladište podataka mogu

pohraniti ukupni tjedni utrošak klijenta, umjesto pohrane pojedinih

poziva koje je zabilježio operativni sustav.

• Dva su razloga takvog načina pohrane:

• smanjenje prostora potrebnog za pohranu podataka u skladištu

podataka koji se gomilaju tijekom godina

• konsolidirani podaci mogu bolje ispunjavati potrebe business

intelligence sustava

D. Lisjak 75/100

Konsolidarnost

• Neki podaci koji se pohranjuju u skladište podataka sažetak su

primarnih podataka koji pripadaju operativnim sustavu iz kojeg

potječu.

• Primjerice, telefonske kompanije u skladište podataka mogu

pohraniti ukupni tjedni utrošak klijenta, umjesto pohrane pojedinih

poziva koje je zabilježio operativni sustav.

• Dva su razloga takvog načina pohrane:

• smanjenje prostora potrebnog za pohranu podataka u skladištu

podataka koji se gomilaju tijekom godina

• konsolidirani podaci mogu bolje ispunjavati potrebe business

intelligence sustava

D. Lisjak 76/100

Denormaliziranost

• Za razliku od operativnih baza podataka, podaci pohranjeni u

skladišta podataka nisu strukturirani u normalnom obliku, ali zato

može biti smanjena redundantnost, kako bi se omogućilo kraće

vrijeme odziva na složene upite.

• Granuliranost predstavlja najvišu razinu detalja izraženih primarnim

podacima sadržanih u skladištu podataka, koji se nazivaju i

atomskim podacima.

• Granuliranost podataka skladišta podataka ne može prelaziti onu iz

originalnih izvora podataka.

• Uglavnom je granuliranost manja zbog konsolidacije s ciljem

smanjena zauzetosti skladišnog kapaciteta.

D. Lisjak 77/100

4.1.1 Data marts

• To su sustavi koji prikupljaju sve podatke koji su potrebni za

određeni odjel tvrtke, kao što je recimo marketing ili logistika, s

ciljem obavljanja business intelligence analiza i izvođenja aplikacija

za potporu donošenja odluka.

• Data mart se smatra funkcionalnim skladištem podataka, sa

specifičnim podacima i manje je veličine nego što je skladište

podataka cijele tvrtke.

• Npr. marketinški data mart sadrži podatke o kupcima i prodajnim

transakcijama, iz centralnog skladišta podataka, ali i dodatne

podatke koji se odnose na funkcije marketinga, kao što su rezultati

marketinških kampanja.

D. Lisjak 78/100

4.1.2 Kvaliteta podataka

• Neki od problema koji utječu na valjanost i integritet podataka

New approaches in Materials and Manufacturing Education · 2012. 5. 10. · • Opisani ETL alati i...

Documents

EVOLUCIJSKA PSIHOLOGIJA EVOLUTIONARY PSYCHOLOGY …digre.pmf.unizg.hr/3306/1/Evolucijska psihologija.pdf · 1 sveuČiliŠte u zagrebu prirodoslovno – matematiČki fakultet bioloŠki

Matematički list XXIII/6 (1989)

SADRŽAJ - · PDF fileMarketing komuniciranje ... Stvaranje publiciteta i odnosi s javnošu, kampanja IMK, oglašavanje i direktni marketing bie opisani u etvrtom poglavlju

Matematički list XV/4 (1981)

Matematički list XXIII/5 (1989)

Matematički list XLII/1 (2007)

PRIRODOSLOVNO MATEMATIČKI FAKULTET BIOLOŠKI …

Olap kocke baze podataka.pdf

SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO MATEMATIČKI …digre.pmf.unizg.hr/3274/1/Seminarski rad_DHabulin.pdf · proteina (engl. knock out) prilično smanjuje stabilnost i aktivnost

Matematički list XXIII/1 (1988)

BUBBLE CUP 2011 - · PDF fileDrago Plecko, XV. Gimnazija 4 515 17. Royal Randoms Nina Radojicic, Matematički fakultet, Beograd Stefan Miskovic, Matematički fakultet, Beograd

math - COnnecting REpositoriesmath.e Hrvatski matematički elektronički časopis Metoda konačnih elemenata; teorija i praktična implementacija klavirska žica konačni elementi

PRIRODOSLOVNO – MATEMATIČKI FAKULTETdigre.pmf.unizg.hr/5516/1/Seminarski-2016-Spanic_DL.pdfU usporedbi s ostalim kralježnjacima, ptice imaju najveće koncentracije glukoze u krvi

EKOGEOGRAFIJA INVAZIVNE FLORE HRVATSKEdigre.pmf.unizg.hr/4019/1/Ekogeografija invazivne flore Hrvatske.pdf · prirodoslovno-matematiČki fakultet bioloŠki odsjek nina vukovi ć ekogeografija

MD.030 Application Design · Procesi sustava eListe čekanja opisani su detaljnije u dokumentu „Tehnički opis programskog sučelja eListe – G100“. Slijedi popis procesa sustava

Matematički list XX/2 (1985)

MATEMATIKA – Minimum est nihilo proximum.matka.splet.arnes.si/files/2015/10/ProstorninePovrsineR...Za koliko procentov se poveéata površina in prostornina kocke z robom a, ée

18. studenog 2014. - Prirodoslovno matematički fakultet ...mapmf.pmfst.unist.hr/~skresic/Matematika1/Folije/Derivacija.pdf · Neprekidnost funkcije jenu zan, alinije dovoljanuvjet

Fizikalno matematički model prijenosa topline

SINTEZA 3,4-DIHIDROPIRIMIDINONSKIH SPOJEVA I ...digre.pmf.unizg.hr/4438/1/Ivana Vecenaj_FINAL.pdfPRIRODOSLOVNO-MATEMATIČKI FAKULTET Ivana Večenaj SINTEZA 3,4-DIHIDROPIRIMIDINONSKIH