Programul “AGENDA DIGITALĂ pentru ROMÂNIA” · 2.1.1. Strategia Nationala privind Agenda Digitala pentru România 2020 Documentul defineşte următoarele patru domenii de acţiune:

INSTITUTUL NAŢIONAL

DE CERCETARE-DEZVOLTARE

ÎN INFORMATICŢ

NATIONAL INSTITUTE

FOR RESEARCH AND DEVELOPMENT

IN INFORMATICS

B-dul Mareşal Averescu 8-10, sector 1

011455, Bucureşti, ROMÂNIA, tel: :+40 21 3160736, +40 21 3165262

fax:+40 21 3161030

8-10 Averescu Avenue, sector 1 011455, Bucharest 1, ROMANIA phone:+40 21 3160736, +40 21 3165262 fax:+40 21 3161030

PLANUL SECTORIAL MCSI 2015-2017

Programul “AGENDA DIGITALĂ pentru ROMÂNIA”

Secţiunea “SERVICII ELECTRONICE””

Proiectul

Cercetare-Dezvoltare şi Inovare în TIC : "Dezvoltarea de produse şi servicii inovative care să deservească cele 10 sectoare identificate

în domeniul Smart Specialization"

Etapa I

Selectarea tematicilor CDI-TIC relevante pentru sectoarele de specializare inteligentă

Bucureşti, noiembrie 2015

Planul sectorial MCSI 2015-2017 Cercetare-Dezvoltare şi Inovare în TIC : "Dezvoltarea de produse şi servicii inovative care să deservească cele 10 sectoare identificate în domeniul Smart Specialization"

Etapa I - Selectarea tematicilor CDI-TIC relevante pentru sectoarele de specializare inteligentă (30-11-2015) i

C U P R I N S

1. Introducere .............................................................................................................. 1

2. Analiza tematicilor CDI prioritare pentru TIC ca sector de specializare inteligentă .. 3

2.1. Documente programatice la nivel naţional ................................................................. 3

2.1.1. Strategia Nationala privind Agenda Digitala pentru România 2020 ...................................... 3

2.1.2. Strategia Naţională pentru Competitivitate 2014 – 2020 ....................................................... 3

2.1.3. Programul Operaţional Competitivitate 2014-2020 ............................................................... 4

2.1.4. Strategia Naţională de Cercetare-Inovare 2014-2020 ........................................................... 4

2.2. Analiza tematică a domeniului de specializare inteligentă CDI TIC ............................ 5

2.3. Comparaţia cu referinţe la nivel european .................................................................. 7

2.3.1. Cercetare-inovare în TIC: Programul Orizont 2020 ............................................................... 7

2.3.2. Implementare-utilizare TIC: studiu privind Europa de vest, 2015 .......................................... 8

2.4. Selectarea tematicilor CDI TIC relevante pentru proiect ............................................. 9

3. Raport de analiză pentru tematica „Managementul, guvernanţa şi analiza datelor de mari dimensiuni (Big Data)” .............................................................................. 12

3.1. Descrierea tematicii ................................................................................................. 12

3.1.1. Managementul datelor şi guvernanţa datelor ...................................................................... 12

3.1.2. Fenomenul Big Data ............................................................................................................ 14

3.1.3. Guvernanţa datelor şi Big Data ............................................................................................ 17

3.1.4. Big Data Analytics ................................................................................................................ 18

3.1.5. Datele deschise şi valoarea lor economică ......................................................................... 20

3.1.6. Ştiinţa datelor şi experţii în ştiinţa datelor ............................................................................ 22

3.1.7. Tranziţia către întreprinderea reactivă şi condusă de date.................................................. 25

3.2. Potenţialul de impact pentru competitivitate ............................................................. 26

3.2.1. Rezultate şi perspective ....................................................................................................... 26

3.2.2. Impactul guvernanţei Big Data ............................................................................................. 28

3.2.3. Impactul utilizării "Big Data Analytics" ................................................................................. 30

3.2.4. Potenţialul şi limitele deciziei determinate de date .............................................................. 32

3.3. Tipologia de soluţii TIC specifice .............................................................................. 33

3.3.1. Tipuri de proiecte şi guvernanţa Big Data............................................................................ 33

3.3.2. Arhitectura de referinţă a sistemelor Big Data Analytics ..................................................... 36

3.3.3. Calculul în Cloud, Big Data şi Big Data Analytics ................................................................ 39

4. Raport de analiză pentru tematica „Suport decizional bazat pe soluţii de Inteligenţa Afacerilor” .............................................................................................................. 42


4.1.1. Evoluţii recente ale suportului decizional pentru mediul de afaceri ..................................... 42

4.1.2. Inteligenţa afacerilor............................................................................................................. 45

4.1.3. Sisteme BI ............................................................................................................................ 51


Etapa I - Selectarea tematicilor CDI-TIC relevante pentru sectoarele de specializare inteligentă (30-11-2015) ii



4.3.1. Principalele instrumente şi tehnici de asistarea deciziei manageriale ................................. 60

4.3.2. Soluţii BI şi BA ..................................................................................................................... 61

4.3.3. Tipologia soluţiilor BI “open source”, gratuite ...................................................................... 65

5. Raport de analiză pentru tematica „Timp real şi conectivitate extinsă” .................. 67


5.1.1. Sisteme în timp real pentru procese industriale .................................................................. 67

5.1.2. Internetul lucrurilor (IoT)....................................................................................................... 71

5.1.3. Suportul Cloud Computing pentru sisteme în timp real ....................................................... 77

5.1.4. Industry 4.0 .......................................................................................................................... 81



5.3.1. STR-CP cu acces la expertiză decizională avansată în Cloud ........................................... 85

5.3.2. Platforme de dezvoltare soluţii IoT ...................................................................................... 88

5.3.3. Infrastructuri STR-CP cu virtualizarea senzorilor ................................................................ 88

5.3.4. Sisteme tolerante la defecte ................................................................................................ 91

6. Raport de analiză pentru tematica „Aplicaţii pentru dispozitive mobile inteligente” 93


6.1.1. Aplicaţia mobilă .................................................................................................................... 93

6.1.2. Dezvoltarea aplicaţiilor mobile ............................................................................................. 94

6.1.3. Piaţa aplicaţiilor mobile ...................................................................................................... 103

6.1.4. Teme prioritare actuale pentru aplicaţiile mobile ............................................................... 106

6.2. Potenţialul de impact pentru competitivitate ........................................................... 107

6.3. Tipologia de soluţii TIC specifice ............................................................................ 112

6.3.1. Aplicaţii mobile predictive .................................................................................................. 113

6.3.2. Aplicaţii bazate pe senzori ................................................................................................. 114

6.3.3. Aplicaţii bazate pe servicii Cloud ....................................................................................... 115

6.3.4. Exemple de aplicaţii mobile bazate pe servicii Cloud ........................................................ 117

6.3.5. Tipuri de platforme de dezvoltare ...................................................................................... 118

7. Concluzii .............................................................................................................. 120

8. Bibliografie ........................................................................................................... 127

Etapa I - Selectarea tematicilor CDI-TIC relevante pentru sectoarele de specializare inteligentă (30-11-2015) 1

1. Introducere

Prezentul raport de etapă a fost elaborat în conformitate cu Planul de realizare al proiectului

intitulat „Cercetare-Dezvoltare şi Inovare în TIC : Dezvoltarea de produse şi servicii inovative

care să deservească cele 10 sectoare identificate în domeniul Smart Specialization", etapa I.

“Selectarea tematicilor CDI-TIC relevante pentru sectoarele de specializare inteligentă”.

Obiectivul general al proiectului îl reprezintă evidenţierea potenţialului cercetării-dezvoltării-

inovării în TIC de a susţine valorificarea avantajelor specializării inteligente (SI) la nivel

naţional.

Obiectivele specifice, care asigură realizarea obiectivului general, sunt următoarele:

a) aprofundarea tematicilor CDI în TIC, relevante pentru atingerea obiectivului general al

proiectului;

b) investigarea ofertei acestor tematici din punct de vedere al soluţiilor TIC generice,

caracterizate printr-un potenţial extins de aplicabilitate pe ansamblul sectoarelor SI;

c) valorificarea ofertei existente de soluţii TIC generice prin analiza şi testarea

posibilităţilor lor de configurare şi agregare pentru dezvoltarea de produse şi servicii TIC

inovative destinate sectoarelor SI.

Pentru îndeplinirea acestor obiective, planul de realizare al proiectului este structurat în trei

etape anuale, şi anume:

I. Selectarea tematicilor CDI-TIC relevante pentru sectoarele de specializare inteligentă;

II. Constituirea portofoliului de soluţii TIC generice (cu arie larga de aplicabilitate)

pentru tematicile CDI-TIC analizate;

III. Recomandări privind utilizarea soluţiilor de portofoliu pentru dezvoltarea de produse

şi servicii TIC inovative din sectoarele SI.

Rezultatele previzionate ale proiectului constau în:

Pentru etapa I: Rapoarte de analiză pentru tematicile CDI-TIC relevante pe ansamblul

sectoarelor de specializare inteligentă;

Pentru etapa II: Portofoliu de soluţii TIC generice, specifice tematicilor CDI-TIC analizate;

Pentru etapa III. Catalog de opţiuni de utilizare a soluţiilor de portofoliu pentru dezvoltarea de

produse şi servicii TIC inovative din sectoarele SI.

Pentru etapa I, activităţile prevăzute în planul de realizare au fost:

I.1. Analiza tematicilor CDI prioritare pentru TIC ca sector SI;

I.2. Investigarea tematicilor CDI-TIC relevante pe ansamblul sectoarelor SI.



Raportul de etapă este structurat în 7 capitole, în afara acestui capitol introductiv.

Capitolul 2 este dedicat activităţii I.1 şi prezintă demersul adoptat în analiza tematicilor CDI

prioritare pentru TIC ca domeniu de specializare inteligentă şi rezultatul acestui demers,

constând în lista de tematici TIC relevante pentru proiect.

Capitolele 3 – 6 sunt dedicate, respectiv, Rapoartelor de analiză pentru cele 4 tematici TIC

relevante, şi anume:

1. Managementul, guvernanţa şi analiza datelor de mari dimensiuni (Big Data)

2. Suport decizional bazat pe soluţii de Inteligenţa Afacerilor

3. Timp real şi conectivitate extinsă

4. Aplicaţii pentru dispozitive mobile inteligente

Aceste rapoarte reprezintă principalul rezultat al etapei I, ceea ce explică ponderea lor în

structura raportului de etapă. Rapoartele au structură similară, conformă cu prevederile

metodologiei de realizare a proiectului. Prima secţiune a raportului este dedicată descrierii

tematicii respective, cu accent principal pe conţinutul principalelor concepte care guvernează

evoluţia domeniului tematic respectiv, aşa cum sunt evidenţiate de literatura de specialitate şi

de oferta recentă sau de perspectivă imediată a pieţei de soluţii pe plan internaţional, pe de o

parte, de cerinţele de informatizare la nivelul organizaţiilor, cu precădere al companiilor

industriale de diverse mărimi, pe de altă parte. A doua secţiune prezintă potenţialul de impact

pentru competitivitate al tematicii respective, evaluat pe baza ofertei de produse şi servicii al

unor firme reprezentative în domeniu, analizelor şi studiilor prospective efectuate de firme de

consultaţă de prestigiu la nivel internaţional, rezultatelor recente şi interesului existent privind

implementarea unor asemenea soluţii, raportate de comunităţile de utilizatori. A treia secţiune

descrie tipologia de soluţii specifice, identificate pentru domeniul tematic respectiv, cu potenţial

de includere în portofoliul de soluţii generice care va fi constituit pe parcursul etapei II.

Secţiunea de referinţe bibliografice pentru fiecare raport de analiză a fost inclusă în capitolul 8.

Capitolul 7 sintetizează concluziile activităţii derulate în cadrul etapei, cu accent pe rezultatele

obţinute, pe îndeplinirea indicatorilor de etapă şi pe modul de continuare a proiectului pentru

valorificarea acestor rezultate.

Capitolul 8 cuprinde lista referinţelor bibliografice, ponderea principală revenind secţiunilor pe

tematicile TIC relevante.

In ceea ce priveşte contribuţia echipei proiectului la elaborarea raportului de etapă, fiecare din

membrii acesteia, care au un nivel ridicat de contribuţie şi experienţă în activitatea de

cercetare, a primit responsabilitatea câte unui raport de analiză, în concordanţă cu expertiza sa

profesională şi cu interesul curent de cercetare, după cum urmează: pentru tematica 1 – dr.

ing. Vladimir Florian, tematica 2 – dr. mat. Constanţa Zoie Rădulescu, pentru tematica 3 – dr.

ing. Florin Hărţescu, pentru tematica 4 – dr. ing. Alexandru Stanciu. Responsabilii de tematici

şi-au desfăşurat activitatea în directă colaborare cu responsabilul de proiect, care a avut

sarcina evaluării versiunilor intermediare ale rapoartelor de analiză, a validării versiunilor finale

şi a elaborării raportului de etapă. Ceilalţi membri ai echipei au fost la dispoziţia reponsabililor

de tematici pentru executarea unor sarcini punctuale, de complexitate mai redusă.


2. Analiza tematicilor CDI prioritare pentru TIC ca sector de specializare inteligentă

2.1. Documente programatice la nivel naţional

Această secţiune prezintă prevederile relevante pentru procesul de analiză tematică, ale

documentelor programatice adoptate la nivel naţional care asigură contextul de realizare a

proiectului.

2.1.1. Strategia Nationala privind Agenda Digitala pentru România 2020

Documentul defineşte următoarele patru domenii de acţiune:

Domeniul de acţiune I – eGuvernare, interoperabilitate, securitate cibernetică, cloud

computing, open data, big data şi media sociale

Domeniul de acţiune II - TIC în Educaţie, Sănătate, Cultură şi eInclusion

Domeniul de acţiune III - eCommerce, cercetare-dezvoltare şi inovare în TIC

Domeniul de acţiune IV – Broadband şi infrastructura de servicii digitale

Pentru domeniul III sunt formulate două teme majore:

a) TIC în eCommerce

b) Cercetare-dezvoltare şi inovare în TIC

Pentru tematica (b), documentul face conexiunea cu Strategia Naţională de Cercetare-Inovare

(v. cap. 2.1.4) , în care TIC este nominalizat domeniu de specializare inteligentă pentru CDI.

2.1.2. Strategia Naţională pentru Competitivitate 2014 – 2020

Acest document nominalizează cele 10 sectoare de specializare inteligentă, structurate pe 3

direcţii de politică industrială:

a) Rol economic important şi cu influenţă asupra ocupării: (1)Turism şi ecoturism, (2)

Textile şi pielărie, (3) Lemn şi mobilă, (4) Industrii creative

b) Dinamica competitivă: (5) Industria auto şi componente, (6) Tehnologia informaţiei şi

comunicaţiilor, (7) Procesarea alimentelor şi a băuturilor;

c) Inovare, dezvoltare tehnologică şi valoare adăugată: (8) Sănătate şi produse

farmaceutice, (9) Energie şi management de mediu, (10) Bioeconomie.

De subliniat că TIC este nominalizat sector de specializare inteligentă şi din punct de vedere al

dinamicii competitive.



2.1.3. Programul Operaţional Competitivitate 2014-2020

Programul POC operaţionalizează Strategia pentru competitivitate şi, în concordanţă cu

structura acesteia, stabileşte două axe prioritare:

AP 1 - Cercetare, dezvoltare tehnologica şi inovare (CDI) în sprijinul competitivităţii

economice şi dezvoltării afacerilor

AP 2 - Tehnologia informaţiei şi comunicaţiilor (TIC) pentru o economie digitală

competitivă.

Pentru cea de a doua axă prioritară, obiectivul tematic îl constituie îmbunătățirea accesibilității,

a utilizării și a calității tehnologiilor informației și comunicațiilor, pentru indeplinirea căruia sunt

definite trei priorităţi de investiţii:

2a - Extinderea conexiunii în bandă largă și desfășurarea rețelelor de mare viteză și

sprijinirea adoptării

2b - Dezvoltarea produselor şi serviciilor TIC, a comerțului electronic și a cererii de

TIC

2c - Consolidarea aplicațiilor TIC pentru e-guvernare, e-învățare, e-incluziune, e-cultură

și e-sănătate.

Pentru prioritatea (2b), obiectivul specific este OS2.2 - Creşterea contribuţiei sectorului

TIC pentru competitivitatea economică, prin care se reafirmă rolul TIC pentru dezvoltarea

afacerilor.

Analizei acestor trei documente programatice, coroborată cu obiectivul specific din Planul

sectorial căruia îi este subordonat prezentul proiect, şi anume “e-Comerţ şi cercetare-

dezvoltare-inovare în TIC”, a permis fundamentarea orientării tematice de ansamblu a

prezentului proiect, aspect determinant pentru activitatea de selectare şi analiză a tematicilor

TIC de interes pentru acest proiect: dezvoltarea afacerii şi competitivitate economică prin

aportul de inovare al TIC.

2.1.4. Strategia Naţională de Cercetare-Inovare 2014-2020

Relevanţa SN-CDI pentru prezentul proiect este justificată de nominalizarea domeniilor de

specializare inteligentă pentru activitatea CDI (SN-CDI 2020, 2014):

Bioeconomie

Tehnologia informaţiei şi comunicaţii

Energie, Mediu şi Schimbări climatice

Eco-nano tehnologii şi materiale avansate

Referitor la domeniul TIC, documentul menţioneză că acesta reprezintă una dintre cele mai

dinamice industrii din ţară, sprijinită de experienţa antreprenorială acumulată în ultimele

decenii, de calitatea ridicată a învăţământului superior şi a cercetării academice, precum şi de



prezenţa unor companii multinaţionale importante. Pentru a evidenţia importanţa şi ponderea

TIC pe ansamblul acestor domenii, trebuie subliniat suportul pe care îl asigură cercetărilor în

toate celelale domenii, ca şi rolul pe care îl joacă în abordările cu caracter interdisciplinar,

promovate prin această stategie.

In acelaşi document sunt nominalizate şi domeniile de prioritate publică pentru actualul ciclu

strategic:

Sănătate

Spaţiu şi Securitate

Patrimoniu şi identitate naţională, deschidere, coeziune şi comunicare interculturală.

2.2. Analiza tematică a domeniului de specializare inteligentă CDI TIC

Ca detaliere a domeniului TIC, Anexa 1 la versiunea februarie 2014 a Strategiei Naţionale de

Cercetare-dezvoltare-inovare 2014-2020 defineşte următoarele sub-domenii şi tematici

prioritare:

Analiza şi securitatea datelor de mari dimensiuni :

Culegerea (cu accent pe data streaming), filtrarea, stocarea, prelucrarea şi asigurarea

securităţii datelor în sisteme Big Data.

Partajarea, interoperabilitatea şi reutilizarea colecţiilor de date de mari dimensiuni.

Dezvoltarea de ecosisteme furnizoare de servicii de analiză prescriptivă şi data mining

(SaaS), performante din punct de vedere tehnic şi eficiente economic.

Securitate şi intimitate (privacy) a datelor în contextul analizei la scară largă

informaţiilor din sfera BigData

Corelarea datelor audio, video şi text.

Impactul Big Data asupra evoluţiei culturii decizionale la nivelul organizaţional.

Internetul viitorului :

Tehnologii de comunicaţii pentru dezvoltarea reţelelor eterogene de acces de bandă

largă şi reţelelor wireless inteligente, cu aplicaţii în telemetrie, telematice, teleasistenţă,

telemedicină, pentru asigurarea de conexiuni Internet de mare viteză şi pentru

înlocuirea reţelelor în banda largă de bază cu reţele NGA.

Reţele la domiciliu: reţele de acces şi de senzori pentru monitorizarea spaţiului interior

al locuinţei şi asistarea la distanţă a copiilor, bolnavilor sau bătrânilor

Vulnerabilităţi, riscuri şi disfuncţionalităţi specifice infrastructurilor critice de acces

pentru sisteme de comunicaţii de bandă largă şi influenţa acestora asupra securităţii

sistemelor de comunicaţii.

Reţele definite software (SDN), medii şi infrastructuri de reţea virtualizate (NVE),

infrastructuri specifice cloud computing şi administrarea autonomă a acestora.



Separaţia spaţiului de adresare a sistemelor finale de spaţiul de rutare/localizar

(protocoale inovative precum Locator / Identifier Separation Protocol -LISP) şi

paradigme avansate de comunicaţie peste IP, ca suport pentru dezvoltarea de noi

servicii.

Impactul noilor arhitecturi Internet şi ale soluţiilor de virtualizare a resurselor asupra

realizării obiectivelor la nivel macro şi micro economic ale Societăţii Informaţionale în

România.

Calculul de înaltă performanţă şi noi modele computaţionale :

Noi algoritmi de calcul paralel pentru: a) modelarea, simularea şi analiza sistemelor

complexe din domeniul fizicii, chimiei, ştiinţelor vieţii, ştiinţelor spaţiale, ingineriei,

materialelor; b) modelarea şi simularea numerică a evoluţiei sistemelor sociale; c)

prognozare în meteorologie şi hidrologie; d) analiza imaginilor satelitare; e) proiectare

industrială

Algoritmi paraleli pentru diverse domenii aplicative (data mining, calcul evoluţionar,

optimizarea microdispozitivelor, geometrie computaţională, grafică pe calculator,

procesarea imaginilor etc).

Metode numerice noi, concepute pentru programarea paralelă pe noi arhitecturi

hardware (multicore, GPU, GPGPU). Paralelizarea pentru noile arhitecturi hardware a

aplicaţiilor secvenţiale şi a bibliotecilor software existente. Programarea şi optimizarea

codurilor de calcul paralel hibrid (MPI + memorie partajată).

Tehnologii, instrumente şi metode pentru dezvoltare de software :

Standardizarea acordurilor de nivel al serviciilor, inclusiv pe probleme de

confidenţialitate şi securitate, în furnizarea serviciilor de cloud computing, precum şi

implementarea schemelor de certificare la nivelul UE pentru furnizorii fiabili de servicii

de cloud computing, atât pentru mediul comercial cât şi cel academic.

Analiza, verificarea şi testarea automată a proprietăţilor produselor software, precum şi

a certificării parametrilor de calitate ai acestora.

Cercetări în domeniul mobilităţii şi obiectelor purtabile pentru dezvoltarea de noi

modele şi tehnici de dezvoltare a aplicaţiilor mobile care folosesc mai bine

capabilităţile de procesare paralelă a informaţiei, sunt adaptate pentru folosire în medii

mobile prin oferirea informaţiei oriunde şi oricând, funcţie de context, asigură

otimizarea consumului energetic.

Cercetări privind specificarea sistemelor şi dezvoltarea bazată pe modele metode şi

instrumente soft pentru definirea de specificaţii functionale şi nefuncţionale, construcţia

de modele care să satisfacă specificaţiile şi pentru dezvoltarea şi analiza bazată pe

modele.

Noi modele şi paradigme de programare specifice dezvoltării aplicaţiilor mobile, pentru

asigurarea interoperabilităţii între diverşi producători.

Studii privind adoptarea şi percepţia utilizatorilor asupra soluţiilor software.



Analiza acestor tematici pe criteriul relevanţei pentru soluţii informatice la nivel de întreprindere,

ca premiză pentru susţinerea competitivităţii acestora, a permis formularea unei prime

variante de tematici de interes:

Operaţii de administrare şi politici de utilizare a datelor de mari dimensiuni (Big Data)

Suport decizional bazat pe analiza avansată a datelor

Sisteme cu conectivitate extinsă şi Internetul lucrurilor

Infrastructuri specifice cloud computing și administrarea autonomă a acestora

Aplicaţii mobile, metode şi tehnici de dezvoltare şi furnizare

Metode şi instrumente pentru specificare şi dezvoltare software.

2.3. Comparaţia cu referinţe la nivel european

2.3.1. Cercetare-inovare în TIC: Programul Orizont 2020

Programul Orizont 2020 reprezintă principala referinţă pentru domeniul CDI la nivelul european

şi chiar internaţional, având în vedere că un mare număr de ţări din afara spaţiului european

pot participa la acest program.

Ca argument în favoarea selecţiei preliminare, prezentate în subcapitolul anterior, au fost

identificate corespondenţe cu tematica apelurilor de proiecte publicate în versiunile 2014-2015

(WP ICT 2014-15, 2014) şi 2016-2017 (WP ICT 2016-17, 2015) ale Programul de lucru Orizont

2020 pentru ICT. Rezultatele acestei analize sunt exemplificate după cum urmează:

Operaţii de administrare şi politici de utilizare a datelor de mari dimensiuni (Big Data)

ICT 15 – 2014: Big data Innovation and take-up

ICT-16-2015: Big data - research

ICT4.4 – 2017: Big data PPP: research addressing main technology challenges of the

data economy

Suport decizional bazat pe analiza avansată a datelor

FoF-8-2015: ICT-enabled modelling, simulation, analytics and forecasting technologies

(Factories of the Future)

ICT4.7 – 2017: Big data PPP: skills

Sisteme cu conectivitate extinsă şi Internetul lucrurilor

ICT 30 - 2015: Internet of Things and Platforms for Connected Smart Objects

ICT1.4 – 2016: Smart Anything Everywhere Initiative

ICT7.3 – 2016: R&I on IoT integration and platforms

Infrastructuri specifice cloud computing și administrarea autonomă a acestora

ICT 7 – 2014: Advanced Cloud Infrastructures and Services



ICT2.2 – 2016: Cloud Computing

Aplicaţii mobile, metode şi tehnici de dezvoltare şi furnizare

ICT 11 – 2014: FIRE+ (Future Internet Research & Experimentation)

ICT-19-2015: Technologies for creative industries, social media and convergence

ICT3.6 – 2016: Net Innovation Factory

Metode şi instrumente pentru specificare şi dezvoltare software.

ICT 9 – 2014: Tools and Methods for Software Development

ICT3.4 – 2016: Software technologies

Conform statisticilor publicate de CE privind numărul propunerilor depuse pentru apelurile cu

termen în aprilie 2015, care este un indicator al interesului comunităţii TIC pentru tematicile

respective, apelurile menţionate mai sus au fost top-ul preferinţelor:

ICT-19-2015: Technologies for creative industries, social media and convergence (144

propuneri);

ICT-30-2015: Internet of Things and Platforms for Connected Smart Objects (137

propuneri);

ICT-16-2015: Big data - research (124 propuneri).

2.3.2. Implementare-utilizare TIC: studiu privind Europa de vest, 2015

Studiul intitulat „2015 IT Priorities” a fost efectuat de TechTarget - firmă de analiză şi

consultanţă pe segmentul de piaţă al cumpărătorilor de tehnologie TI, în primul trimestru al

anului 2015 (Schlack, 2015). Au participat 2.212 persoane, din care 26% din Europa de vest.

Mărimea media a companiilor participante a fost de 16,870 angajaţi. Aceste companii au

reprezentat 17 domenii de activitate, între care: servicii şi consultanţă TI (18%), servicii

financiare, bănci (12%), industrie şi apărare (8%), dezvoltatori TI (5%), distribuţie / retail (5%),

servicii şi consultatnţă de afaceri (2%), bunuri de larg consum (2%).

Persoanele participante au reprezentat comunitatea de informatică, cu următoarea repartizare

pe funcţii pentru cei din Europa: directori general TI (8%), directori TI (27%), decidenţi de nivel

mediu TI (23%), arhitecţi TI (10%), ingineri / programatori (13%), analişti (5%), alt personal TI

(15%). 82% lucrează în companii furnizoare de soluţii TI, 13% în departamentele TI din

comapniile beneficiare, 5% la furnizori de servicii Cloud.

Acest studiu a fost selectat ca reprezentativ pentru obiectivele proiectului de faţă, având în

vedere relevanţa segmentului de firme participante (companii medii-mari din ţări dezvoltate din

punct de vedere economic din Europa de vest) atât pentru activitatea de promovare prin

produse şi servicii a noilor tendinţe în TIC, cât şi pentru determinarea de a implementa aceste

orientări prin politicile de informatizare în vigoare la nivelul companiilor respective. In plus,

mesajele privind priorităţile de informatizare transmise prin acest studiu au prezentat avantajul

unor confirmări în planul interesului practic de utilizare al priorităţilor identificate în programele



de cercetare-inovare, precum şi al sugerării unor reformulări adaptate la cerinţele unei pieţe cu

un nivel ridicat de profesionalism şi exigenţă.

In continuare sunt redate principalele priorităţi concordante cu lista preliminară de tematici de

interes, prezentată mai sus, de interes începând cu anul 2015.

Iniţiative TI majore ce vor fi implementate în companie:

Mobilitate (1)

Upgrdarea infrastructurii informatice (locul 2)

Big Data (3)

Internetul lucrurilor (7)

Proiecte legate de mobilitate :

Implementarea unei aplicaţii mobile sau a unei platforme de dezvoltare aplicaţii mobile

(2)

Implementarea unei politici de utilizare a dispozitivelor mobile personale (BYOD) (3)

Implementarea unui program pentru mobilitate la nivel de companie (4)

Iniţiative software ce vor fi promovate de companie:

Inteligenţa afacerilor / Analytics / magazii de date (1)

Integrarea datelor (2)

Aplicaţii mobile (3)

Guvernanţa / calitatea datelor (5)

Big Data Analytics (6)

Prelucrarea / managementul Big Data (7)

Forme de livrare a funcţionalităţii informatice:

Aplicaţii în Cloud – Software as a Service (1)

Software / hardware localizat (2)

Infrastructură cloud privată (3)

Mobile (4).

2.4. Selectarea tematicilor CDI TIC relevante pentru proiect

Pe baza analizei priorităţilor identificate mai sus, formulate atât de mediul academic prin

strategii şi programe CDI pe termen mediu, cât şi de mediul de afaceri prin politicile de

informatizare pe termen scurt, au fost selectate următoarele patru tematici:

1. Managementul, guvernanţa şi analiza datelor de mari dimensiuni (Big Data)

2. Suport decizional bazat pe soluţii de Inteligenţa Afacerilor



3. Timp real şi conectivitate extinsă

4. Aplicaţii pentru dispozitive mobile inteligente.

Problematica Cloud nu este referită explicit, având în vedere că se regăseşte implicit ca

tehnologie suport pentru tematicile selectate, aşa cum relevă şi rapoartele de analiză

prezentate din capitolele 3-6. De asemenea, tematica referitoare la ingineria software a fost

considerată de interes specific pentru domeniul TIC, şi mai putin relevantă pentru celelalte

domenii de specializare inteligentă.

Această selecţie a avut la bază trei criterii de relevanţă. Primul criteriu de relevanţă se referă la

rolul de dimensiune / orientare prioritară în dezvoltarea unei soluţii informatice (sistem,

produs, serviciu) care îşi propune să valorifice suportul oferit de de activitatea CDI TIC:

dimensiunea “Date” – pentru rolul de activ informatic prioritar la nivelul unei

întreprinderi, generat de spcificitatea sa în raport cu beneficiarul soluţiei TIC, de

impactul asupra calităţii deciziilor, de amploarea procesului aflat în drulare privind

reconsiderare a ariei de cuprindere, a abordărilor şi tehnologiile dedicate, datorat

fenomenului Big Data;

dimensiunea “Suport decizional” – pentru rolul determinant în asigurarea

performanţei manageriale prin metode de inteligenţa afacerilor, prin promovarea noilor

abordări în analiza de afaceri, care valorifică noi categorii de date în beneficiul calităţii

deciziilor;

dimensiunea “Timp real” – pentru consistenţa modificărilor de natură conceptuală şi

tehnologică în domeniile tradiţionale pentru acest concept, dar şi pentru potenţialul său

de a fi consacrat ca deziderat de performanţă pentru o arie din ce în ce mai largă de

soluţii TIC de întreprindere, în contextul dezvoltării Big Data şi al Internetului lucrurilor;

dimensiunea “Mobile” – pentru rolul care revine dispozitivelor mobile inteligente şi

aplicaţiilor pentru aceste dispozitive în asigurarea performanţelor de tip agilitate şi

adaptabilitate în afaceri, dar şi în alte domenii de activitate în care suportul informatic

este determinant.

Al doilea criteriu de relevanţă se referă la complementaritatea funcţională a tematicilor,

determinantă pentru soluţiile generice TIC ce vor fi identificate pe parcursul etapei II, în

pespectiva constituirii catalogului de opţiuni de cuplare şi configurare a acestor soluţii pentru

realizarea de produse şi servicii de interes în sectoarele de specializare inteligentă.

Conformitatea cu acest criteriu este ilustrată prin următorele exemple de conexiuni între cele 4

tematici:

reţelele de senzori specifice conceptului de conectivitate extinsă reprezintă o sursă

importantă de fluxuri de date de amri dimensiuni; reciproc, implementările de tip

Internetul lucrurilor au nevoie de soluţii eficiente de prelucrare şi analiză a fluxurilor de

date colectate;

proiectele dedicate datelor de mari dimensiuni au nevoie de implementări performante

ale tehnicilor Analytics pentru valorificarea acestor date în suportul decizional;



conform ideii că datele neanalizate sunt inexistente pentru managementul afacerii, Big

Data şi Analytics reprezintă o contribuţie importantă pentru inteligenţa afacerii, cu

referire la valorificarea datelor nestructurate sau semistructurate;

sistemele cu funcţionare de timp real, bazate pe conectivitate extinsă, au nevoie de

eficienţă în analiza datelor pentru furnizarea „în timp util” a suportului decizional;

cerinţele de performanţă în adoptarea deciziilor, în condiţiile unui mediu de afaceri

dinamic şi exigent, impun integrarea sistemelor de conducere în timp real de la nivel

operativ cu sistemele de suport decizional de pe nivelurile supraordonate;

principalele categorii de aplicaţii mobile se bazează pe utilizarea senzorilor şi a analizei

predictive a datelor.

Al treilea criteriu de relevanţă îl reprezintă expertiza existentă la nivelul echipei de realizare,

care a trebuit să fie dimensionată corespunzător resurselor financiare ale proiectului. Nucleul

de bază al echipei, care include cercetători principali, cu nivel recunoscut de contribuţie şi

experienţă în activitatea de cercetare, este reprezentativ ca specializare profesională şi interes

curent de cercetare pentru cele 4 tematici selectate.


3. Raport de analiză pentru tematica „Managementul, guvernanţa şi analiza datelor de mari dimensiuni (Big

Data)”

3.1. Descrierea tematicii

3.1.1. Managementul datelor şi guvernanţa datelor

Studiile de sondare (survey) recente (Tallon et al., 2013), evidenţiază fenomenul creşterii

rapide a volumelor datelor colectate şi stocate în centrele de date ale orgnizaţiilor, în toate

domeniile de activitate. Aceste volume se dublează la fiecare doi ani, iar în anumite domenii,

cum ar fi ocrotirea sănătăţii, chiar anual. Deoarece datele sunt transformate în informaţii şi

acestea servesc la luarea deciziilor, devine evident că abilitatea de a extrage valoare utilă din

acestea este dependentă de capacitatea de a guverna ciclul de viaţă al informaţiilor.

Termenul de guvernanţă nu este prezent în dicţionarul limbii române. Cu toate acestea el este

utilizat din ce în ce mai frecvent în vorbirea curentă, fiind un echivalent pentru englezescul

“governance”, care are o traducere clară în limba română: conducere, administraţie, cârmuire,

stăpânire, guvernare (Dimitriu, 2011). Conform acestui document, “guvernanţa” este actul de a

conduce în sens de pilotare. Poate fi un proces separat sau o parte din procesele de

management sau conducere. În cazul unei întreprinderi sau a unei organizaţii non-profit,

“guvernanţa” se referă la management coerent, politici de coeziune, orientare, procese şi

drepturi de decizie pentru un anumit domeniu de responsabilitate. Termenul este utilizat pentru

a face o disticţie cât mai clară între actul de conducere exercitat de un guvern şi conducerea

exercitată în cazul unor structuri economice, sociale sau de altă natură. Referitor la dezvoltarea

de proiecte “guvernanţa” semnifică totalitatea proceselelor care trebuie să aibă loc pentru ca

proiectul să fie încheiat cu succes.

Termenul englez “Governance”, cu sensul de conducere, pilotare, a fost prezent în literatura de

management încă din 1960 (Tallon, Ramirez, & Short, 2013). Guvernanţa TIC a existat ca

subiect de cercetare, în diverse forme, în literatura care se ocupa de infrastructura TIC,

valoarea economică a TIC şi managementul de proiect, de peste două decenii.

„Guvernanţa datelor” este un set de procese care asigură că managementul activelor de tip

date este executat în mod formal, în conformitate cu regulile de bună practică, în cadrul unei

organizaţii (Otto, 2011). Niemi, (2013) afirmă că nu există (la nivelul anului 2013) o definiţie larg

acceptată pentru guvernanţa datelor şi preia din (Otto, 2011). În (Korhonen et al., 2013)

guvernanţa datelor este definită ca o abordare de management al datelor şi al informaţiilor la

nivelul unei organizaţii, care formalizează un set de politici şi proceduri ce cuprind întregul ciclu

de viaţă al datelor, de la achiziţie, utilizare şi până la eliminarea acestora.

Dicţionarul de management al datelor al DAMA (the Data Management Association

International), defineşte „guvernanţa datelor” ca "exercitarea autorităţii, a controlului şi luarea



deciziilor în comun (planificare, monitorizare şi aplicare) asupra managementului activelor de

date" (http://blogs.perficient.com/healthcare/blog/2012/06/12/data-governance-vs-data-

management/). DAMA a identificat 10 funcţii majore ale managementului datelor în DAMA-

DMBOK (Data Management Body of Knowledge). Guvernanţa datelor este componenta de

bază a managementului datelor, care leagă împreună alte 9 discipline, cum ar fi:

managementul arhitecturii datelor, management calităţii datelor, managementul datelor

principale (Master) şi al datelor de referinţă, etc. (Figura 3.1).

Fig. 3.1. Componentele DAMA-DMBOK ale managementului datelor [conform Pete Stiglich,

Perficient]

Guvernanţa informaţiilor (Tallon et al., 2013), este constituită din ansamblul de capacităţi şi

practici care servesc la crearea, culegerea, evaluarea, stocarea, utilizarea, controlul,

organizarea accesului, arhivarea şi distrugerea informaţiilor în decursul ciclului de viaţă al

acestora. Guvernanţa informaţiilor are două scopuri:

1. maximizarea valorii informaţiilor pentru organizaţie, prin asigurarea îndeplinirii

cerinţelor de fiabilitate, siguranţă şi accesibilitate pentru luarea decizilor;

2. protecţia informaţiilor, astfel încât valoarea lor să nu fie afectată de eventuale erori

umane sau tehnologice, intreruperi ale accesului, condiţii de utilizare neadecvate sau

accidente.

Spre deosebire de guvernanţa infrastructurilor TIC, guvernanţa informaţiilor ia în

considerare aspectele şi caracteristicile specifice artefactelor informaţionale. De

exemplu, spre deosebire de artefactele fizice, informaţiile pot fi replicate şi partajate la distanţe

mari în mod rapid şi facil. De asemenea, informaţiile sunt bunuri a căror valoare nu scade în



timp, spre deosebire de componentele infrastructurilor TIC ce se uzează moral sau fizic. Este

posibil chiar ca valoarea acestora să crească în timp şi pe măsura utilizării.

Artefactele informaţionale pot fi definite din cinci perspective diferite (Tallon et al., 2013):

ca instrumente de manipulare a informaţiilor (perspectiva instrumentelor);

ca mijloc prin intermediul căruia informaţiile sunt evaluate şi utilizate în luarea deciziilor

(perspectiva de reprezentant - proxy);

ca reprezentare a politicilor de interacţiune dintre utilizatori şi informaţii (perspectiva de

ansamblu);

ca reprezentare a straturilor de stocare şi management al capactăţii de stocare

(perspectiva computaţională);

ca un activ care determină performanţele sistemului TIC (perspectiva generică).

3.1.2. Fenomenul Big Data

Davenport, Barth & Bean, (2012) afirmă că organizaţiile înoată într-un ocean în expansiune

de date care sunt, fie prea voluminoase, fie prea nestructurate pentru a putea fi gestionate şi

analizate prin metode tradiţionale. Printre sursele de date în plină dezvoltare pot fi

enumerate datele de tip clickstream de pe Web, conţinutul social media (tweet-uri, blog-uri,

anunţurile de pe peretele Facebook etc.) şi datele video din marketing-ul on-line, precum şi

cele de divertisment video. Big Data cuprind de o gamă extrem de largă: de la date de voce

generate în centre de tip „call center”, la date de genomică şi proteomică din cercetarea

biologică şi medicină. De remarcat, doar o foarte mică parte a acestor informaţii este formatată

în rânduri şi coloane, conform bazelor de date convenţionale.

Companiile care vor învăţa să exploateze comercial Big Data vor folosi în timp real, informaţii

de la senzori, dispozitive RFID şi alte dispozitive de identificare, pentru a-şi înţelege mediul de

afaceri la un nivel mai granular, pentru a crea noi produse şi servicii, precum şi pentru a

răspunde la schimbările ce apar în modelele de utilizare pe masură ce acestea sunt adoptate

de clienţi. Aceste organizaţii care valorifică Big Data se diferenţiază în trei moduri

principale:

d) acordă atenţie fluxurilor de date şi mai puţin stocurilor.

e) se bazează pe experţi în date (data scientists) şi dezvoltatori de produs şi de proces şi

mai puţin pe analişti de date (data analysts).

f) mută analiza avansată a datelor (Analytics) dinspre sistemul TIC către activitatea de

bază, funcţiunile operaţionale şi de producţie.

a) Concentrarea pe fluxurile de date

Există mai multe tipuri de aplicaţii ale Big Data. Primul tip susţine procesele de lucru ale

organizaţiei, cum sunt identificarea fraudelor în timp real sau evaluarea pacienţilor în medicină

cu privire la riscurile pentru sănătate. Un al doilea tip implică monitorizarea continuă a

procesului pentru a detecta evenimente sau situaţii ca modificări ale percepţiei consumatorilor



sau necesitatea intrării în service a unui motor cu reacţie. Al treilea tip utilizeză Big Data pentru

a explora relaţiile în reţele sociale, cum ar fi prietenii propuşi pe LinkedIn şi Facebook.

În toate aceste aplicaţii, datele nu sunt constituite de "stocul" dintr-un depozit de date, ci dintr-

un flux continuu. Devine mai importantă evaluarea de fluxuri şi procese continue decât

ceea ce a avut loc în trecut. Aceasta reprezintă o schimbare substanţială faţă de situaţia în

care analiştii de date efectuau mai multe analize pentru a determina semnificaţia într-o cantitate

fixă de date.

„Streaming Analytics” permite prelucrarea datelor în timpul unui eveniment pentru

îmbunătăţirea rezultatelor (Davenport et al., 2012). Această capabilitate este din ce în ce mai

importantă în domenii cum ar fi asistenţa medicală. La Spitalul pentru copii din Toronto, de

exemplu, algoritmi de învăţare automată sunt în măsură să descopere modele predefinite care

anticipează infecţii la copiii prematuri înainte ca acestea să apară.

Volumul şi viteza crescute ale datelor în mediile de producţie vor determina organizaţiile

să dezvolte procese continue pentru colectarea, analiza şi interpretarea datelor. Deşi

"stocuri" mici de date situate în depozite sau baze de date vor continua să fie utile pentru

dezvoltarea şi rafinarea modelelor analitice folosite, odată dezvoltate modelele, acestea trebuie

să proceseze fluxuri de date continue cu rapiditate şi precizie.

Unele aplicaţii cu Big Data, cum ar fi analiza sentimentelor consumatorilor, nu sunt

performante pentru automatizarea deciziilor, dar sunt mai potrivite pentru monitorizarea în timp

real a mediului de lucru. Având în vedere volumul şi viteza Big Data, abordări convenţionale, de

luare a deciziilor sunt de multe ori inadecvate în astfel de medii. În momentul în care

organizaţia are informaţiile necesare pentru a lua o decizie, noi date devin disponibile ceea ce

face decizia caducă. În contexte de monitorizare în timp real, organizaţiile trebuie să adopte

o abordare mai continuă în analiza şi luarea deciziilor pe baza a o serie de ipoteze şi

presupuneri. „Social Media Analytics, de exemplu, preia tendinţele rapid schimbătoare în

sentimente clienţilor despre produse, mărci şi companii. În medii de Big Data este important să

se analizeze, să se ia decizii şi să se acţioneze rapid şi des.

b) Utilizarea suportului experţilor în date şi al dezvoltatorilor de produse şi procese

Deşi a existat întotdeauna necesitatea existenţei unor experţi în analiză pentru a sprijini

capacităţile analitice ale organizaţiei, cerinţele privind personalul de suport sunt diferite pentru

Big Data.

Deoarece interacţiunea cu datele în sine - obţinerea, extragerea, manipularea şi structurarea

acestora - este critică pentru orice analiză, personalul care lucrează cu Big Data trebuie să

deţină abilităţi substanţiale şi creative. De asemenea, ei trebuie să fie aproape de

produse şi procese în cadrul organizaţiilor, ceea ce înseamnă că trebuie să fie organizaţi în

mod diferit faţă de cum era personalul de analiză în trecut.

"Experţii în date", aşa cum aceşti profesionişti sunt cunoscuţi, înţeleg Analytics, dar, de

asemenea, sunt bine experimentaţi în TIC, având de multe ori studii avansate în informatică,

fizică computaţională sau biologie ori ştiinţe sociale. Setul lor actualizat de calificări în

gestionarea datelor - incluzând programare, competenţe matematice şi statistice, precum şi

înţelegere a afacerii şi abilitatea de a comunica eficient cu factorii de decizie - merge mult



dincolo de ceea ce era necesar pentru analiştii de date din trecut. Această combinaţie de

aptitudini, atât de valoroasă, este foarte greu de găsit.

Companiile îşi regândesc, de asemenea, structurile organizatorice pentru experţii în date. În

mod tradiţional, profesioniştii în analiză au fost adesea parte a organizaţiilor de consultanţă

interne, acordând consiliere managerilor sau directorilor executivi pentru deciziile interne. Cu

toate acestea, în unele industrii, cum ar fi reţelele de socializare online, jocurile de noroc şi

produsele farmaceutice, experţii în date fac parte din organizaţia dezvoltatoare a produsului,

dezvoltând noi produse şi caracteristici ale produselor. La Merck & Co. Inc, de exemplu,

experţii în date (pe care compania îi numeşte experţi în genetică statistică) sunt membri ai

organizaţiei care descoperă şi dezvoltă medicamente (Davenport, Barth & Bean, 2012).

c) Mutarea Analytics de la sistemul TIC către activitatea de bază şi funcţiunile

operaţionale

Volumele de date în creştere necesită îmbunătăţiri majore în bazele de date şi tehnologiile de

Analytics. Preluarea, filtrarea, stocarea şi analiza fluxurilor de Big Data pot înfunda reţelele

tradiţionale, matricele de stocare şi platformele de baze de date relaţionale. Încercările de a

reproduce şi a scala tehnologiile existente nu vor ţine pasul cu cerinţele Big Data, determinând

schimbarea tehnologiilor, abilităţilor şi proceselor TIC.

Piaţa a răspuns cu o gamă largă de produse noi destinate să prelucreze Big Data.

Acestea includ platformele open source, cum ar fi Hadoop, inventat pentru a sprijini gama largă

de date generate şi gestionate în Internet. Hadoop permite organizaţiilor să încarce, stocheze

şi interogheze seturi masive de date pe o reţea mare de servere ieftine, precum şi să execute

operaţii de Analytics avansate, în paralel. Bazele de date relaţionale au fost, de asemenea,

transformate: Noile produse au performanţă de interogare crescută cu un factor de 1.000 şi

sunt capabile de a gestiona o mare varietate de surse de Big Data. Pachetele de analiză

statistică evoluează în mod similar pentru a lucra cu aceste noi platforme de date, tipuri de date

şi algoritmi.

O altă tendinţă este furnizarea de capabilităţi Big Data în Cloud. Deşi nu este încă adoptată

pe scară largă în marile corporaţii, procesarea „în Cloud” este foarte adecvată pentru Big Data.

Multe aplicaţii de Big Data utilizează informaţii externe, care nu sunt proprietare, cum ar fi

modelarea reţelelor sociale şi analiza sentimentelor. Mai mult decât atât, tehnicile Big Data

Analytics sunt dependente de capacităţi de stocare şi putere de procesare extinse, care

necesită un sistem distribuit flexibil, care poate fi reconfigurat pentru nevoi diferite. Furnizorii de

servicii bazate pe Cloud oferă posibilitatea plăţii per cerere, cu reconfigurare rapidă.

O abordare specifică în gestionarea Big Data este de a lăsa datele acolo unde se află.

Aşa-numitele "pieţe de date virtuale" permit experţilor în date să partajeze datele existente,

fără replicarea acestora. eBay Inc, de exemplu, avea o problemă enormă cu replicarea datelor,

cu între 20 şi 50 de versiuni ale aceloraşi date împrăştiate pe diferitele sale pieţe de date.

Datorită utilizării pieţelor sale de date virtuale, problema companiei cu replicarea a fost redusă

drastic. eBay a creat, de asemenea, un "hub de date", un site Web intern pentru a face mai

uşor pentru manageri şi analişti de a se servi cu şi de a partaja date şi analize în cadrul

organizaţiei. De fapt, eBay a construit o reţea socială în jurul Analytics şi al datelor.

Alinierea la Big Data determină organizaţiile să-şi regândească ipotezele de bază cu

privire la relaţia dintre afaceri şi TIC, precum şi rolurile respective ale acestora. Rolul



tradiţional al TIC, automatizarea proceselor de afaceri, impune cerinţe precise, aderarea la

standarde şi verificarea modificărilor. Analytics a fost mai mult o revizuire pentru procesele de

monitorizare şi de notificare a managementului cu privire la anomalii. Big Data a condus spre

această abordare. Un principiu cheie al Big Data este că lumea şi datele care o descriu

sunt în continuă schimbare, şi organizaţiile care pot să recunoască aceste modificări şi să

reacţioneze rapid şi inteligent vor avea succes. Noile avantaje se bazează pe descoperire şi

agilitate, capacitatea de a explora in mod continuu sursele de date existente şi cele noi pentru

a identifica modele predefinite, evenimente şi oportunităţi.

Aceasta necesită o schimbare în activitatea de TIC în cadrul organizaţiilor. Pe măsură ce

volumul de date explodează, organizaţiile vor avea nevoie de instrumente analitice care să fie

fiabile, robuste şi să poată fi automatizate. În acelaşi timp, Analytics, algoritmii şi interfeţele

utilizator pe care le folosesc vor trebui să faciliteze interacţiunile cu oamenii care lucrează cu

instrumentele. Organizaţiile de succes vor instrui şi recruta oameni cu un nou set de

aptitudini care pot integra aceste noi capabilităţi de Analytics în mediile lor de producţie.

O altă modalitate prin care Big Data determină modificarea rolurilor tradiţionale de afaceri şi

TIC este aceea că prezintă descoperirea şi analiza ca prime comandamente ale afacerii.

Următoarea generaţie de procese şi sisteme TIC trebuie să fie proiectate pentru perspectivă,

nu doar pentru automatizare.

Arhitecturile TIC tradiţionale conţin aplicaţii (sau servicii) ca şi "cutii negre" care realizează

sarcini, fără expunerea datelor şi a procedurilor interne. În contrast, mediile de Big Data trebuie

să înţeleagă datele noi şi deci, raportarările rezumative nu mai sunt suficiente. În consecinţă,

aplicaţiile TIC trebuie să măsoare şi să raporteze în mod transparent pe o mare varietate de

dimensiuni, inclusiv interacţiunile clienţilor, utilizarea produselor, acţiunile de service şi alte

măsuri dinamice. Pe măsură ce Big Data evoluează, arhitecturile se vor dezvolta într-un

ecosistem de informaţii: o reţea de servicii interne şi externe partajând continuu informaţii,

optimizând deciziile, comunicând rezultatele şi generând noi perspective pentru afaceri.

3.1.3. Guvernanţa datelor şi Big Data

Big Data, (concept care implică, de regulă cantităţi mari de informaţii eterogene, structurate şi

nestructurate), este un fenomen foarte recent, care a pătruns în multe organizaţii indiferent de

mărime (corporaţii sau IMM-uri). Ca urmare, guvernanţa Big Data este într-un stadiu

incipient, şi există puţine ghiduri şi indicaţii metodologice răspândite pe scara largă asupra

realizării în mod eficient, a acesteia.

Cu toate acestea, guvernanţa şi integrarea informaţiilor sunt factori esenţiali pentru a

obţine valoarea maximă dintr-un proiect de tip Big Data. Fără garanţia că informaţiile pe

care se bazează sunt de încredere, organizaţiile nu pot lua decizii bazate pe tehnicile Analytics

şi Business Intelligence. Cele mai importante caracteristici şi aspecte care trebuie avute în

vedere în guvernanţa Big Data sunt următoarele.

Fenomenul Big Data este dinamic, volumul datelor care se acumulează într-o organizaţie

creşte continuu, în mod exponenţial şi cu viteze din ce în ce mai mari. Pentru a se evita

situaţia în care devine imposibil ca datele să fie clasificate şi interogate şi informaţiile imposibil

de gestionat este necesar a se adopta poltici de guvernanţă clare şi bine definite.



O mare parte din datele pe care organizaţiile trebuie să le exploateze provin din afara sferei lor

de control, sunt mai puţin structurate, şi mult mai puţin înţelese decât datele tranzacţionale cu

care s-au ocupat în mod tradiţional. În mod tradiţional, guvernanţa datelor s-a concentrat pe

informaţiile stocate în baze de date relaţionale. Guvernanţa Big Data implică noi tipuri şi

forme de informaţii, cum ar fi: bazele de date non-relaţionale sau incomplet relaţionale, date

nestructurate de tipul celor provenite din aplicaţiile informatice de tip „social media” sau

generate de senzori. Apar noi provocări pentru implementarea guvernanţei, deoarece aceste

noi tipuri de date trebuie să fie integrate cu infrastructurile de guvernanţă a informaţiilor şi

tehnologice existente.

Absenţa unei abordări coordonate a guvernanţei Big Data sau neglijarea imperativelor de

integrare în guvernanţa şi managementul datelor unei organizaţii conduce la apariţia

următoarelor situaţii de risc sau pericol:

„Inundarea” cu date care sunt dificil sau imposibil de regăsit şi analizat. Utilizatorii

instrumentelor software (factori de decizie sau operaţionali) întâmpină dificultăţi în

regăsirea informaţiilor necesare pentru luarea deciziiilor sau nu se pot baza pe

validitatea datelor pe care le accesează.

Neîndeplinirea conformităţii cu reglementările şi regulile interne, precum şi cu

standardele generale de calitate. Dacă în cadrul politicilor de guvernanţă adoptate

sau practicate nu sunt incluse şi proceduri robuste pentru asigurarea conformităţii,

devine foarte dificilă conformarea cu standarde sau reglementări adoptate la nivel

internaţional cum ar fi: Sarbanes-Oxley (SOX) sau Basel 2, Federal Rules of Civil

Procedure (FRCP) sau, the Federal Rules of Evidence (FRE), the Health Insurance

Portability and Accountability Act (HIPAA) sau reglementări similare ale U E.

Suportarea unor pagube financiare sau de reputaţie. În absenţa unei gestiuni clare a

ciclului de viaţă al tuturor tipurilor de informaţii, precum şi un control asupra suportului

de stocare a informaţiilor, riscul ca acestea să fie compromise sau furate este mult mai

mare. Efectele acestor situaţii pot fi suportarea unor amenzi, sau afectarea reputaţiei

datorită unor procese sau alte litigii.

Costuri sporite datorate unor politici neclare de retenţie a informaţiilor. Stocarea

unor volume mari de date pe perioade nedefinite sau mai mari decât este necesar se

poate datora absenţei sau unor politici de guvenanţă defectuoase care nu specifică

timpul de păstrare a diferitelor tipuri de date.

3.1.4. Big Data Analytics

„Analytics” este definit, în literatura de limbă engleză (Banerjee, Bandyopadhyay, & Acharya,

2013), ca o deliberare bazată pe fapte ce conduce la formularea de perspective de pătrundere

(eng. „insights”), diagnostice, precum şi la posibile implicaţii pentru planificarea viitoarelor

acţiuni, într-un mediu organizaţional. Aria de cuprindere a Analytics poate varia de la urmărirea

de rutină şi monitorizarea performanţei în afaceri şi a unor elemente de validare, indicatori de

tip „ar fi bine de ştiut”, până la o diagnosticare dirijată a cauzei principale a problemelor de

afaceri, precum şi o predicţie strategică cu privire la iniţiativele de afaceri viitoare. Caracterul

comun în toate aceste activităţi este faptul că sunt conduse în mod semnificativ de fapte



("raţionale", prin natură), obţinute prin colectarea intenţionată a datelor de piaţă de business ale

firmelor.

Deşi necesitatea de a utiliza inferenţa bazată pe evidenţa factuală în procesul de decizie în

afaceri a fost formulată de timpuriu în teoria managementului, disciplina Analytics a devenit un

curent dominant doar în ultima perioadă. Deoarece Analytics este un ansamblu de procese de

analiză a datelor la care contribuie în mod decisiv ştiinţe ca: statistica matematică, teoria

algoritmilor, ştiinţa computaţională, preeminenţa Analytics în mediul organizaţional se

datorează progreselor făcute în domeniul TIC, conducînd la infrastructuri de calcul performante

şi la apariţia unor tehnici şi instrumente software avansate pentru colectarea şi prelucrarea

informaţiilor.

„Business Analytics” - BA este un termen care poate fi definit ca "o mulţime a tuturor

competenţelor, tehnologiilor, aplicaţiilor şi practicilor necesare pentru explorarea şi investigarea

în mod iterativ, continuu, a performanţelor anterioare în afaceri, în scopul obţinerii unei

perspective şi conducerii planificării afacerii (Banerjee, Bandyopadhyay, & Acharya, 2013). În

funcţie de rezultatele sale, acest proces poate fi de tip descriptiv, de diagnosticare, predictiv,

sau prescriptiv .

Analytics-ul descriptiv descrie un fenomen prin diferite măsuri care ar putea capta

dimensiunile sale relevante. Scopul este de a descoperi pur şi simplu "ceea ce s-a

întâmplat", sau de alertare asupra a ceea ce se va întâmpla.

Analytics-ul de diagnosticare evaluează "de ce" s-a întâmplat ceva. Necesită o analiză

exploratorie a datelor existente sau a datelor suplimentare, dacă este necesar să fie

colectate folosind instrumente cum ar fi tehnici de vizualizare în scopul descoperirii cauzelor

profunde ale unei probleme.

Analytics-ul predictiv caută opţiuni pentru viitoarele imperative de afaceri, prezice

rezultatele potenţiale viitoare şi explică elementele determinante ale fenomenelor observate,

folosind tehnici statistice sau de data mining, (de ex. previziunea vânzărilor unui produs

pentru luna următoare sau comportamentul unui segment ţintă de clienţi).

Analytics-ul prescriptiv depăşeşte simpla descriere, explicând şi estimând pentru a sugera

"ce opţiuni sunt pentru cursul acţiunii" în viitor, pentru optimizarea proceselor de afaceri în

scopul atingerii obiectivelor de afaceri. Cu alte cuvinte, se asociază alternative de decizie cu

predicţia rezultatelor. Pentru Analytics prescriptiv, este folosită analiza deciziei, care include

instrumente cum ar fi optimizarea şi simularea.

Principalul avantaj al utilizării Analytics în procesul de luare a deciziilor de afaceri este

posibila evitare a subiectivităţii. Deşi creierul uman este capabil de prelucrarea mai multor

dimensiuni de date la un moment dat, acestuia îi lipseşte coerenţa, care este obtenabilă printr-

un proces ştiinţific raţional utilizând ajutor computaţional.

Prin urmare, analiza datelor a fost întotdeauna o armă adecvată pentru a contracara riscurile

de incoerenţe produse de deciziile nonraţionale. Tranziţia de la euristică la rezolvarea

problemelor pe bază de fapte a fost stimulată de accesul mai facil la datele de afaceri, atât prin

metode voluntare cât şi involuntare, cât şi dezvoltarea unor capacităţi de procesare mai

inteligente.



„Big Data Analytics” - BDA se referă la colectarea, organizarea şi analiza (Analytics) unor

seturi mari de date (numite "Big Data") pentru a descoperi modele predefinite, şabloane şi alte

informaţii utile. Big Data Analytics poate ajuta organizaţiile să înţeleagă mai bine informaţiile

conţinute în datele respective şi ajută de asemenea, la identificarea celor mai importante date

pentru afacere şi deciziile de afaceri viitoare. Analiştii de "Big Data" urmăresc să extragă

cunoştinţele care rezultă din analiza datelor.

Pentru cele mai multe organizaţii, BDA reprezintă o provocare, având în vedere volumul

mare de date şi formatele diferite de date (atât structurate cât şi nestructurate) care sunt

colectate la nivelul întregii organizaţii şi multiplele moduri în care diferitele tipuri de date pot fi

combinate, comparate şi analizate pentru a găsi modele şi alte informaţii utile afacerii. În multe

cazuri organizaţiile nici nu sunt conştiente că deţin aceste date.

Prima provocare constă în "spargerea" silozurilor de date pentru a accesa toate datele pe

care o organizaţie le stochează în diferite locuri şi, adesea, pe diferite sisteme. O a doua

provocare importantă a "Big Data Analytics" constă în crearea de platforme care pot colecta

date nestructurate la fel de uşor ca pe cele structurate. Acest volum masiv de date este de

obicei atât de mare încât este dificilă prelucrarea cu ajutorul bazelor de date şi al metodelor

software tradiţionale.

Big Data necesită implementări de înaltă performanţă ale tehnicilor Analytics. BDA se

realizează de obicei folosind instrumente software specializate şi aplicaţii pentru analiză

predictivă, explorarea datelor, explorarea textului, prognoză şi optimizare a datelor. Acestea

sunt procese specifice funcţiilor Analytics, dar funcţii extrem de integrate şi de înaltă

performanţă, utilizând suportul hardware, sisteme şi instrumente software de "Big Data". Astfel,

organizaţiile sunt capabile să proceseze datele pe care le-au colectat pentru a determina care

date sunt relevante şi pot fi analizate pentru a conduce la decizii de afaceri mai bune în viitor.

3.1.5. Datele deschise şi valoarea lor economică

Conţinutul şi datele deschise pot fi utilizate în mod liber, modificate şi împărtăşite de

oricine, în orice scop (http://opendefinition.org/). Redifuzarea acestora este permisă cu

respectarea cerinţelor care conservă provenienţa (dreptul de autor) şi deschiderea (partajarea

mai departe).

Există două dimensiuni în deschidere a datelor:

datele trebuie să fie deschise în mod legal, ceea ce înseamnă că trebuie să fie

plasate în domeniul public sau în condiţii liberale de utilizare cu restricţii minime;

datele trebuie să fie deschise din punct de vedere tehnic, ceea ce înseamnă că

trebuie să fie publicate în formate electronice care sunt uşor de citit în mod automat şi,

de preferinţă, non-proprietate. Astfel, oricine poate accesa şi utiliza datele folosind

instrumente software comune, disponibile în mod liber. Datele trebuie să fie, de

asemenea, disponibile public şi accesibile pe servere publice, fără restricţii de parolă

sau firewall. Pentru a face datele deschise uşor de găsit, cele mai multe organizaţii

creează şi gestionează cataloage de date deschise.

http://opendefinition.org/



În (Chui et al., 2014) se evidenţiază că seturile de date variază de la complet deschise la

complet închise, în patru dimensiuni:

1. accesibilitate (gama de utilizatori care au permisiunea de a accesa datele),

2. lizibilitate (uşurinţa cu care datele pot fi prelucrate în mod automat),

3. cost (preţul pentru a obţine datele), şi

4. drepturi (limitări cu privire la utilizarea, transformarea şi difuzarea/distribuţia datelor)

Informaţiile deţinute de corporaţii devin tot mai „lichide”, pe măsură ce acestea îşi

adâncesc colaborarea şi integrarea cu partenerii de afaceri sau chiar cu clienţii. Fenomenul

este concomitent cu apariţia unor noi iniţiative guvernamentale (SUA, Mexic, Singapore, etc.)

prin care instituţiile publice îşi pun datele la dispoziţia accesului on-line al publicului. Se

constată astfel, că nu numai datele interne sau proprietare sunt valoroase, ci şi cele care sunt

colectate din surse externe, deschise, public accesibile (Chui, Manyika, & Van Kuiken, 2014).

De asemenea, a apărut o nouă categorie de companii denumite „agregatori”, care se

ocupă cu asamblarea, anonimizarea şi valorificarea către terţe părţi a informaţiilor. Cererea

pentru acest tip de date este în creştere rapidă. La acestea se adaugă un volum uriaş de date

cum sunt cele rezultate din interacţiunile cu „social media” disponibile de la platforme de tip

Twitter sau Facebook, care sunt din start publice. Un exemplu ilustrativ, în acest sens este o

aplicaţie pentru telefoane mobile inteligente care utilizează datele furnizate de autorităţile şi

companiile de transport, în timp real pentru a informa utilizatorul despre timpul la care

următorul tren sau autobuz va sosi. Prin utilizarea datelor deschise sau publice provenite de la

cele mai diverse surse şi combinarea cu date interne, proprietatea unei companii se pot realiza

introspecţii şi aplicaţii inovative care pot fi exploatate pentru a face operaţiile din cadrul firmei

mai eficiente şi mai eficace, sau pot contribui la dezvoltarea de produse şi servicii noi şi

inovative.

Studiul efectuat de McKinsey Global Institute, McKinsey Center for Government, şi McKinsey

Business Technology Office (Chui et al., 2014) consideră că valoarea anuală generată de

utilizarea datelor deschise în aplicaţii care acoperă şapte domenii ale economiei globale

(Figura 3.2), poate depăşi 3 trilioane de dolari (un trilion = o mie de miliarde).

Comisia Europeană estimează că câştigurile economice din deschiderea informaţiilor din

sectorul public sau a datelor guvernamentale s-ar putea ridica la 40 de miliarde € pe an. Aceste

estimări au determinat un număr mare de întreprinderi mici şi mijlocii să dorească să fructifice

potenţialul datelor deschise. Se consideră că aceste companii practic „inundă” piaţa, cautând

să se poziţioneze cât mai avantajos, prin specializare, pentru a crea şi a capta valoare (Zeleti

et al., 2014).

Într-un studiu al Băncii Mondiale (Stott, 2014), se relevă apariţia unui sector economic nou,

denumit „infomediary”. Acesta este constituit de companiile care dezvoltă şi valorifică servicii

care au la bază date deschise. Numai în Spania, acest sector cuprinde 150 de companii cu

4000 de salariaţi şi generează 330-550 milioane € (Gross Value Added - GVA), atribuiţi

reutizării datelor deschise (Stott, 2014).



Fig. 3.2. Potenţialul de a crea valoare al datelor deschise (în miliarde $) [după (Chui et al.,

2014)]

Cu cât mai mult datele sunt deschise, cu atât mai mult ele pot fi folosite, reutilizate, readaptate

în alte scopuri, combinate cu alte date pentru a crea valoare adăugată. Pe măsură ce

economia şi societatea devin mai mult bazate pe cunoaştere, datele devin active de bază,

creând valoare şi deteminând inovarea socială şi economică, creşterea şi dezvoltarea.

Iată câteva moduri în care se creează valoare.

Reducerea costurilor în furnizarea de servicii existente, atât de către organizaţiile

guvernamentale, cât şi în sectorul privat (de exemplu a face acelaşi lucru pentru un cost

mai mic);

Apariţia unor noi servicii şi îmbunătăţirea calităţii serviciilor;

Contribuind în mod indirect la îmbunătăţirea guvernării şi a serviciilor de guvernare prin

îmbunătăţirea responsabilităţii şi implicării cetăţenilor, ambele generând o mai mare

încredere în guvernare.

3.1.6. Ştiinţa datelor şi experţii în ştiinţa datelor

Există în prezent, atât în domeniul academic, cât şi rândurile practicienilor, o dezbatere asupra

definiţiei ştiinţei datelor. Una din abordări constă în a considera ştiinţa datelor ca fiind un pas

evolutiv înspre un domeniu interdisciplinar care include: ştiinţa calculatoarelor, informatica,

modelarea, statistica matematică, Analytics şi matematică.

În esenţa sa, ştiinţa datelor presupune utilizarea metodelor automatizate pentru a analiza

cantităţi masive de date şi pentru a extrage cunoştinţe din acestea. Cu astfel de metode

automate aplicate peste tot, de la genomica la fizica energiilor înalte, ştiinţa datelor ajută la

crearea de noi ramuri ale ştiinţei, şi influenţează domenii ale ştiinţelor sociale şi umaniste.

Tendinţa este de aşteptat să se accentueze în anii următori, pe măsură ce datele provenite de

la senzori mobili, instrumente sofisticate, de pe Web şi din diverse alte surse cresc continuu şi



se acumulează. Astfel, în cercetarea academică, se consideră că în cadrul unui număr din ce

în ce mare de discipline tradiţionale vor apărea noi subdomenii cu adjectivul "computaţională"

sau "cantitativă". În aproape toate domeniile de reflecţie intelectuală, ştiinţa datelor oferă o

nouă abordare puternică pentru a face descoperiri. Prin combinarea de aspecte din statistică,

informatică, matematică aplicată şi vizualizare, ştiinţa datelor poate transforma mari cantităţi de

date pe care era digitală le generează în noi perspective şi noi cunoştinţe.

Provost & Fawcett, (2013) încearcă să clarifice conceptul ştinţei datelor şi frontierele sale,

precum şi de ce este dificil de definit exact. Ei consideră că următoarele aspecte sunt

importante pentru clarificarea exactă a definiţiei ştiinţei datelor:

înţelegerea principiilor fundamentale care stau la baza conceptului;

înţelegerea relaţiilor care există între acest concept şi cele mai importante concepte

apropiate, aflate în legătură cu acesta.

La nivel conceptual, ştiinţa datelor este un set de principii fundamentale care susţin şi

ghidează extragerea de informaţii şi cunoştinţe din date (Provost & Fawcett, 2013).

Probabil, conceptul cel mai strâns legat de ştiinţa datelor este explorarea datelor (Data Mining),

extragerea cunoaşterii din date, prin intermediul tehnologiilor care încorporează aceste

principii.

Aceste principii şi tehnici sunt aplicate pe larg în toate ariile funcţionale în afaceri. Cele mai

întâlnite aplicaţii de business sunt în marketing pentru sarcini cum ar fi marketingul ţintit,

publicitate online, precum şi recomandări pentru marketingul de tip „cross-selling”. De

asemenea, ştiinţa datelor se aplică în managementul relaţiilor cu clientii pentru a analiza

comportamentul clienţilor, în scopul de a gestiona gradul de acceptare faţă de produs şi de a

maximiza valoarea aşteptată de client. În domeniul financiar se utilizează ştiinţa datelor

pentru a aprecia eficenţa creditelor, precum şi în operaţiuni de detectare a fraudelor şi

management al forţei de muncă. Comercianţi cu amănuntul importanţi (de la Wal-Mart la

Amazon), aplică ştiinţa datelor în cadrul afacerilor lor, de la marketing la managementul lanţului

de aprovizionare. Multe firme s-au diferenţiat strategic utilizând ştiinţa datelor, uneori până la

punctul în care au evoluat în companii concentrate pe explorarea datelor.

Ştiinţa datelor provine din mai multe domenii tradiţionale de studiu. Se bazează pe principiile

fundamentale ale analizei de cauzalitate. O mare parte din ceea ce a fost în mod tradiţional

studiat în domeniul statisticii este fundamentală pentru ştiinţa datelor. Există, de asemenea

anumite situaţii în care este necesar aportul unor calităţi ca: intuiţia, creativitatea, simţul comun

şi cunoaşterea unei anumite aplicaţii. Perspectiva ştiinţei datelor oferă specialiştilor care o

practică un cadru pentru a trata în mod sistematic probleme de extragere de cunoştinţe utile din

date. Scopul fundamental al ştiinţei datelor, în cadrul unei organizaţii, este de a promova,

sprijini şi a ameliora în permanenţă procesele de decizie condusă de date.

Decizia determinată de date (eng. Data Driven Decision Making) este ansamblul de practici

şi tehnici de decizie asistată care se bazează pe analiza datelor şi nu pe intuiţie. De

exemplu, în marketing deciziile de selecţie a publicităţii se pot lua pe baza experienţei

specialiştilor în domeniu care decid „ce merge şi ce nu”, sau selecţia se poate executa pe baza

analizei datelor referitoare la modul în care consumatorii reacţionează la diverse reclame.

Trebuie remarcat că există o mulţime de alte prelucrări ale datelor, care nu ţin de ştiinţa datelor.

Ingineria şi prelucrarea datelor sunt critice pentru a sprijini activităţile ştiinţiei datelor, (Figura



3.3), dar ele sunt mult mai generale şi sunt utile pentru mult mai multe activităţi. Tehnologiile de

prelucrare a datelor, inclusiv cele care se ocupă de Big Data, sprijină multe alte sarcini de

afaceri care nu implică extragerea de cunoştinţe sau de luare a deciziilor conduse de date, cum

ar fi: prelucrarea eficientă a tranzacţiiilor, sistemele cu funcţionare pe Web, managementul

campaniilor de publicitate on-line şi altele.

Fig. 3.3. Procesele care implică date în cadrul unei organizaţii [după (Provost & Fawcett, 2013)]

Dar poate că cea mai sugestivă definire a ştiinţei datelor se poate face prin clarificarea

specializării celor care o practică. Conform (O’Neil et al., 2013) în mediul academic există mai

multe accepţiuni pentru această specializare, în funcţie de interesele şi aria de cuprindere a

organizaţiei în cauză.

În domeniul lucrativ, termenul de „expert în ştiinţa datelor” (eng. Data Scientist),

desemnează o persoană care ştie să extragă sens din date şi să interpreteze datele. Un astfel

de expert stăpâneşte instrumentele şi metodele statisticii şi de învăţare automată şi, de

asemenea, petrece mult timp în procesul de colectare, curăţare, şi punere în evidenţă a

datelor, deoarece acestea nu sunt niciodată curate. Acest proces necesită abilităţi şi

cunoştinţe de persistenţă, statistică, precum şi de inginerie software, competenţe necesare

pentru inţelegerea deviaţiilor în seriile de date, precum şi pentru depanarea datelor de

jurnalizare şi de ieşire provenite de la codul sursă.

Odată ce datele capătă o formă prezentabilă, o altă componentă esenţială este analiza

exploratorie a datelor, care combină metodele de vizualizare şi sensul din date. Expertul în

ştiinţa datelor va găsi modele predefinite, va construi modele şi algoritmi, poate proiecta

experimente şi este implicat ca parte esenţială a procesului decizional condus de date. Va

comunica cu membrii echipei, ingineri, şi persoane de conducere într-un limbaj clar pentru

aceştia şi cu vizualizări de date astfel încât, chiar dacă ei înşişi nu sunt scufundaţi în date, ei le

vor înţelege implicaţiile.



Davenport & Patil (2012), observă că importanţa acestei specializări a devenit evidentă abia în

momentul în care companiile au devenit conştiente de avantajul competitiv care poate fi obţinut

prin exploatarea datelor pe care le au la dispoziţie, precum şi de dificultăţile cu care sunt

confruntate, fiind practic inundate cu date. O mare parte din entuziasmul manifestat în prezent

în utilizarea Big Data se datorează apariţiei tehnologiilor care au făcut posibile managementul

datelor şi dezvoltarea de aplicaţii intensive ca date. În majoritatea cazurilor aceste instrumente

şi tehnologii, printre care se numără şi platforma Hadoop (cel mai utilizat cadru de prelucrare

bazat pe un sistem de fişiere distribuite) sunt de tip open source, lucrează în Cloud şi includ

tehnici şi limbaje de vizualizare sofisticate.

Caracteristic pentru aceste instrumente şi tehnologii este faptul că majoritatea au fost create în

cadrul unor companii ca Facebook, Google, Twitter sau Linkedin, de către specialişti care intră

în categoria experţilor în ştiinţa datelor şi care au excelat în afaceri datorită modului inteligent în

care au fructificat datele pe care le-au avut la dispoziţie.

3.1.7. Tranziţia către întreprinderea reactivă şi condusă de date

Examinând topul 20 S&P al celor mai valoroase companii, Meijer & Kapoor (2014) observă o

ascensiune a firmelor „bazate pe software”, cum sunt Uber, Tesla sau Airbnb şi în acelaşi timp

un declin al firmelor care urmează modelul tradiţional de afaceri (GlaxoSmithKline, Citigroup,

Philip Morris sau WallMart Stores). Succesul primelor companii se datorează faptului că

adoptă un model de afaceri puternic bazat pe software, ceea ce le permite să fie reactive şi

„conduse de date” (data-driven) şi astfel să reacţioneze rapid la factorii externi.

Tendinţa este ca succesul şi valoarea afacerii să se bazeze pe formula „business = date +

algoritmi”. Iată un exemplu în acest sens. Compania Uber nu deţine o flotă de maşini. Succesul

său se bazează pe colectarea datelor în timp real şi pe algoritmii pe care îi utilizează pentru a

transforma aceste date în decizii. Sistemul Uber urmăreşte în permanenţă condiţiile de trafic,

cererea şi oferta de servicii de transport, precum şi istoricul elasticităţii preţurilor la consumator.

Astfel este capabil să optimizeze tarifarea călătoriilor şi să direcţioneze maşinile către locurile

cu cea mai mare cerere de transport. Un pas în plus în aceeaşi direcţie este făcut de Google

care experimentază maşini autonome, fără şofer. În mod similar companiile Tesla şi Airbnb,

care produc efecte disruptive pe pieţele fabricării de autorisme şi, respectiv, industria hotelieră,

sunt în esenţă companii bazate pe software.

Majoritatea organizaţiilor aspiră astăzi să devină. A deveni companie condusă de date (data

driven) presupune cultivarea şi adoptarea unei mentalităţi conform căreia desfăşurarea

afacerii este bazată pe utilizarea continuă a tehnicilor de tip Analytics în luarea deciziilor

de afaceri pe bază de fapte. Scopul este acela de a se ajunge la un stadiu la care utilizarea

datelor şi a elementelor disciplinei Analytics de către personalul de decizie şi de către angajaţi

să devină o parte firească a fluxurilor de lucru zilnice ale acestora.

Personalul de decizie în domeniile de vânzări, marketing, financiar, precum şi din domeniul

operaţional trebuie să utilizeze în mod avantajos toate activele de date relevante pentru a

lua rapid deciziile adecvate. Pe măsură ce aceştia reuşesc să maximizeze utilizarea datelor

şi a Analytics, companiile cu performanţe de top sunt capabile să se diferenţieze în piaţă prin

abilitatea lor de a utiliza datele adecvate, la momentul potrivit, pentru adoptarea deciziilor.



Unul din aspectele care diferenţiază companiile conduse de date faţă de competitorii lor este

reprezentat de determinarea de a colecta datele relevante pentru toate aspectele afacerii

lor, ceea ce le permite să exploreze în adâncime pentru a înţelege cauzele principale din

spatele anumitor condiţii specifice ale afacerii, cum sunt modificările în comportamentul

clienţilor sau ale tendinţelor pieţei.

Pentru ca o organizaţie să devină condusă de date sunt necesare mai multe etape. Pentru cele

care sunt în starea de pornire a activităţii, este importantă definirea acelor metrici ale

succesului care vor fi evaluate şi maparea acestor metrici la seturile de date care vor

contribui la evaluările respective. Deşi poate părea o iniţiativă descurajatoare, acest exerciţiu

pregăteşte companiile pentru alinierea execuţiei tactice la nivel de departament cu strategia la

nivel de corporaţie şi măsurarea performanţei în raport cu scopurile şi obiectivele stabilite.

Urmează adoptarea utilizării datelor şi tehnicilor Analytics în fluxurile zilnice de lucru, în

întreaga organizaţie. Fără acest angajament de sus în jos şi de jos în sus, adoptarea şi

execuţia pe baza obiectivelor vor avea de suferit. Liderii şi personalul de decizie din cadrul

organizaţiei pot ajuta la adoptarea unitară prin cuantificarea şi apoi partajarea în mod liber a

beneficiilor financiare, de productivitate sau operaţionale pe care le-au experimentat. Această

"polenizare" ce acoperă mai multe compartimente funcţionale, cu cele mai bune practici

conduse de date permite tuturor componentelor organizaţiei să îşi consolideze utilizarea datelor

şi a disciplinei Analytics şi conduce la un nivel mai ridicat de performanţă a afacerii. Pe măsură

ce utilizarea Analytics de către companii se maturizează, adoptarea se va răspândi şi

colaborarea între echipe şi departamente se va îmbunătăţi în mod continuu.

Pe măsură ce o companie devine din ce în ce mai mult condusă de date, directori, manageri,

sau angajaţi deopotrivă, se vor descoperi ei înşişi că acţionează şi gândesc în mod diferit,

punând întrebări mai profunde şi esenţiale despre provocările operaţionale sau de conducere a

afacerii pe care fiecare încearcă să le rezolve. Cine sunt clienţii noştri cei mai profitabili? Care

clienţi ne oferă cea mai mare valoare neexploatată? Generează strategiile noastre de vânzări

îmbunătăţirile pe care le-am aşteptat ?

3.2. Potenţialul de impact pentru competitivitate

3.2.1. Rezultate şi perspective

Se apreciază că datele digitale, tehnicile computaţionale şi de automatizare vor declanşa o

nouă revoluţie industrială. Activităţile umane, procesele industriale şi cercetarea generează

cerinţe de colectare, memorare şi prelucrare de date la o scară fără precedent, având drept

rezultat noi produse şi servicii. Conform (CE, 2014), tehnologia şi serviciile Big Data vor creşte

la nivel mondial la 16,9 miliarde dolari în 2015, cu o rată de creştere anuală de 40 % —

aproximativ de şapte ori mai mare decât rata de creştere anuală a tehnologiei informaţiei şi

comunicaţiilor în ansamblu. Pentru a evidenţia potenţialul de impact la datelor se utilizează

termenul de „inovare bazată pe date”, care se referă la capacitatea mediului de afaceri şi a

organizaţiilor din sectorul public de a utiliza informaţii obţinute din analiza performantă a datelor

pentru a dezvolta servicii şi produse îmbunătăţite care să faciliteze viaţa de zi cu zi a cetăţenilor

şi a organizaţiilor, inclusiv a IMM-urilor (SIIA, 2013). La nivel macroeconomic, economia



bazată pe date este definită ca un ecosistem de tipuri diferite de actori care interacţionează în

cadrul unei pieţe unice digitale, conducând la mai multe oportunităţi de afaceri şi la o mai mare

disponibilitate de cunoştinţe şi de capital, în special pentru IMM-uri, precum şi o stimulare mai

eficace a cercetării şi inovării relevante (CE, 2014). O asemenea economie va avea

următoarele caracteristici:

disponibilitatea unor seturi de date de bună calitate, fiabile şi interoperabile,

precum şi a unor infrastructuri performante (HPC, infrastructuri şi servicii de reţea

şi cloud computing, infrastructură pentru statistici);

îmbunătăţirea condiţiilor-cadru care facilitează generarea de valoare din seturile

de date: competenţe cu caracter multidisciplinar, cooperare strânsă în domeniul

cercetării şi inovării prin facilitarea accesului la cunoştinţe şi tehnologie, între

universităţi/ institute publice de cercetare şi parteneri privaţi, în special IMM-uri;

existenţa unor domenii aplicative în care o mai bună administrare a Big Data

poate face diferenţa: sisteme TIC bazate pe obiecte inteligente interconectate,

utilizatori iniţiali cu rol de promotori şi catalizatori ai acestor sisteme.

The Economist Intelligence Unit (EIU), a realizat în septembrie şi octombrie 2014, un sondaj

sponsorizat de Teradata (Teradata, 2014) şi care a inclus 362 directori de organizaţii la nivel

mondial. Constatările şi opiniile exprimate în acest raport nu reflectă neapărat punctul de

vedere al sponsorului. Respondenţii reprezintă o serie de industrii, cel mai mare număr din

domeniul asistenţei medicale, produse farmaceutice şi biotehnologie (12%), industria

prelucrătoare (12%), precum şi TIC şi tehnologie (11%).

Sondajul EIU relevă o relaţie puternică între „centrarea pe date” şi realizarea de

performanţe superioare. Companiile în care managerii şi angajaţii se bazează pe date

"întotdeauna", pentru a justifica deciziile de afaceri sunt mult mai susceptibile să declare că îşi

depăşesc concurenţii (68% faţă de 40% dintre respondenţi de la companii care nu sunt

conduse de date, sau îşi bazează deciziile pe date doar "uneori" sau "rar"). Ele sunt, de

asemenea, mult mai probabil să declare că culturile lor sunt creative şi inovatoare (78% faţă de

37%).

O mai mare disponibilitate şi utilizare a datelor la aceste companii duce la o mai bună

partajare a cunoştinţelor (70% faţă de 41%), o gestionare a riscurilor superioară (67% faţă

de 43%) şi o organizare mai de colaborativă (59% faţă de 33%). Companiile conduse de

date, de asemenea, raportează o creştere a calităţii şi a vitezei de execuţie (55% faţă de

24%), o mai rapidă luare a deciziilor (55% faţă de 28%) şi satisfacţia angajaţilor mai mare

(44% faţă de 21%).

Concluzia care se poate trage din aceste exemple este faptul că utilizarea Big Data Analytics

poate depăşi ca performanţe tipuri tradiţionale de analiză şi judecată umană într-un număr în

creştere de domenii.

Un colectiv de la MIT şi Wharton School Penn, a realizat recent un studiu al modului în care

deciziile determinate de date (DDD) influenţează performanţele firmelor (Brynjolfsson ş.a.,

2011). Ei au elaborat un indicator de masurare a DDD care permite evaluarea firmelor cu

privire la gradul de utilizare a datelor pentru a lua decizii în cadrul companiei. Rezultatele

obţinute arată statistic că, cu cât gradul în care o firmă este condusă de date este mai



ridicat, cu atât este mai productivă, chiar în condiţiile în care este nevoită şă controleze o

gamă largă de posibili factori de confuzie. Diferenţele înregistrate indică că o deviaţie standard

mai ridicată pe scara indicatorului DDD este asociată cu o creştere de 4-6% a productivităţii.

De asemenea, indicatorul DDD este corelat cu rentabilitatea mai mare a activelor, rentabilitatea

capitalului, utilizarea activelor şi valoarea de piaţă, iar relaţia pare să fie cauzală.

Un alt studiu (Tambe ş.a., 2011), a combinat datele provenite de la un important site Web de

recrutare (de locuri de muncă) cu datele unui sondaj privind practicile în sistemele informatice,

cu scopul de a determina de ce companiile bazate pe decizii determinate de date au

performanţe mai bune. Acest studiu a constatat că complementaritatea a trei componente,

TIC + orientarea organizaţiei către mediul extern + organizarea muncii, va duce la

câştiguri de productivitate.

În ştiinţele fizice, atunci când erorile de măsurare determină blocaje în procesul de descoperire

ştiinţifica, reacţia a fost de a dezvolta instrumente de măsurare mai perfecţionate. În contrast,

în marketing şi în ştiinţele sociale, răspunsul a constat în utilizarea de tehnici statistice de mai

mare putere pentru a depăşi problemele de măsurare. Cu toate acestea, doar tehnologiile

digitale sunt acum cele care fac posibilă îmbunătăţirea dramatică a măsurătorilor. Cu ajutorul

acestora, ne putem întoarce la modele mai simple, dar cu date mult mai voluminoase, mai fin

granulate, şi obţinute în timp mult mai util. Cea mai importantă sarcină şi rezultat este

structurarea datelor într-un mod care este semnificativ pentru analiză, precum şi

regândirea dependenţei de euristici depăşite în luarea deciziilor.

3.2.2. Impactul guvernanţei Big Data

Big Data, atunci când sunt utilizate judicios, pot determina obţinerea de valoare adăugată

pentru organizaţii. În acest context, creşte şi importanţa şi vizibilitatea guvernanţei datelor. Într-

un mediu în care se gestionează Big Data, la fel ca în orice mediu, utilizatorii finali pot fi

preocupaţi de credibilitatea rezultatelor analitice atunci când gradul de încredere a surselor de

date este limitat. Acestea au condus la dezvoltarea continuă şi maturizarea proceselor şi

instrumentelor de asigurare a calităţii datelor, standardizarea datelor, şi de curăţare a datelor.

Asigurarea calitatăţii datelor este văzută ca o disciplină matură, în special atunci când în

centrul atenţiei se află evaluarea seturilor de date şi aplicarea acţiunilor de remediere sau

corective asupra acestora (Loshin, 2013). La această percepţie au avut o contribuţie majoră

două fenomene ce s-au manifestat recent.

Primul este conştientizarea faptului că seturile de date create cu un anumit scop funcţional în

cadrul unei organizaţii (cum ar fi vanzări, marketing, contabilitate, sau de achiziţii publice pentru

a numi doar câteva) sunt refolosite în contexte diferite, în special pentru raportare şi analiză. În

consecinţă, calitatea datelor nu mai poate fi exprimată şi măsurată în funcţie de cât de

adecvate sunt unui anumit scop, ci trebuie să fie evaluate din perspectiva unor scopuri

multiple, luând în considerare toate utilizările şi cerinţele de calitate din aval.

Cel de al doilea, strâns legat de precedentul, este convingerea că asigurarea uzabilităţii datelor

pentru toate scopurile necesită o supraveghere mai cuprinzătoare. O astfel de supraveghere

ar trebui să includă controale monitorizate, încorporate în ciclul de viaţă al procesului de

dezvoltare a sistemelor şi să acopere întreaga infrastructură de aplicaţiilor de întreprindere.



Cele două fenomene au consolidat poziţia proeminentă a guvernanţei datelor în medii

caracterizate de Big Data. Când se concentrează pe procesele interne, guvernanţa datelor

permite nu numai un grad de control asupra datelor create şi partajate în cadrul unei

organizaţii, ci permite administratorilor de date să ia măsuri corective, fie printr-o comunicare cu

proprietarii datelor, fie prin intervenţie directă asupra datelor atunci când este necesar.

Atunci când se examinează caracteristicile cheie ale Big Data Analytics, analogia cu

abordările convenţionale ale calităţii datelor şi ale guvernanţei datelor începe să eşueze.

Conform acestor abordări ale calităţii datelor, nivelul de uzabilitate a datelor este măsurat pe

baza unor caracteristici, cum ar fi: precizia, completitudinea, consistenţa, coerenţa, gradul de

actualitate sau gradul de unicitate. Aceste tipuri de măsuri sunt, în general, destinate pentru

validarea datelor folosind reguli definite şi pentru a sesiza orice erori atunci când datele de

intrare nu sunt conforme cu aceste reguli. Sunt vizate seturi de date moderate ca dimensiuni,

din surse cunoscute, cu date structurate, cu un set relativ mic de reguli.

În contrast, seturile de date mari nu prezintă aceste caracteristici şi nici nu au tipuri similare de

impact în desfăşurarea afacerii. Big Data Analytics, în general, nu ia în considerare impactul

erorilor sau neconcordanţelor între diferitele surse, sau provenienţa acestora, sau frecvenţa de

colectare. Aplicaţiile Big Data preiau fluxuri de intrare multiple, provenind din interiorul şi din

afara organizaţiei, unele luate dintr-o varietate de fluxuri de social networking, fluxuri de date

sindicalizate, fluxuri de ştiri, filtre de căutare preconfigurate, seturi de date publice sau open

source, reţele de senzori, sau alte fluxuri de date nestructurate. Astfel de seturi de date nu pot

fi guvernate separat sau în mod singular.

O altă problemă este generată de modelul de dezvoltare si execuţie a aplicaţiilor Big Data.

Modelele dezvoltate în medii izolate, de tip „sandbox”, ocolesc adesea canalele tradiţionale TIC

şi de management al datelor, creind posibilităţi mai mari de neconcordanţe cu proiecte TIC în

care aceste modele sunt utilizate. Acest aspect este complicat mai mult în situaţiile în care

seturile de date sunt introduse direct sau descărcate direct, fără intervenţia TIC.

Dar, probabil, cea mai dificilă, este problema coerenţei. Când seturile de date sunt create în

interiorul organizaţiei şi un utilizator din aval sezizează o potenţială eroare, problema poate fi

comunicată proprietarilor sistemului de origine. Aceştia au apoi, posibilitatea de a găsi cauza

principală a problemelor şi apoi să corecteze procesele care au condus la erori. În cazul

sistemelor care lucrează cu Big Data, care absorb volume masive de date provenite din

exterior, există oportunităţi limitate de a implica proprietarii proceselor în executarea de

modificări la sursa. Pe de altă parte, în cazul în care se optează pentru "corectarea" fluxului de

date potenţial, se introduce o inconsistenţă cu sursa originală, ceea ce poate duce la concluzii

incorecte şi decizii eronate.

În concluzie, într-o anumită măsură, ceea ce ar putea fi numită abordarea standard a

guvernanţei datelor nu se poate aplica la toate aplicaţiile cu Big Data. Şi totuşi, este necesar un

anumit tip de supraveghere care poate asigura că rezultatele analitice sunt credibile. O

modalitate de a aborda nevoia de asigurare a calităţii şi consistenţei datelor, este de a adopta

conceptul de „politici de date” bazate pe caracteristicile de calitate a informaţiilor care

sunt importante pentru un anumit proiect Big Data (Loshin, 2013).

Sunil Soares, autor al mai multor lucrări privind guvernanţa datelor şi fostul director al

departamentului „Information Governance Practice” al IBM susţine necesitatea implementării

unui cadru de guvernanţă a datelor. Deşi implică un mare consum de energie şi resurse,



guvernanţa Big Data produce câştiguri în termeni de valoare pentru afacere mult mai mari.

Capacitatea de a analiza Big Data, şi de a lua măsurile necesare, pot avea un impact major

asupra profitului unei companii (Soares, 2012). Elaborarea unui model de maturitate pentru

guvernanţa Big Data este un prim pas important în contextul acestor eforturi. Soluţi afurnizată

de IBM este prezentată în Figura 3.4.

Fig. 3.4. Modelul IBM de maturitate pentru guvernanţa Big Data (Soares, 2012)

Modelul porneşte le a scopul afacerii , definit prin rezultatele aşteptate ale acesteia. Facilitatorii

care asigură obţinerea acestor rezultate sunt, la modul general, structurile organizatorice şi de

promovare, iar în mod specific pentru guvernanţa datelor, responsabilii de date, managementul

riscurilor legate de date şi politicile de date. Suportul pentru implementarea activităţilor de

guvernanţă este constituit de disciplinele de bază (managementul calităţii datelor,

managementul ciclului de viată al informaţiei, metodele de securitate şi confidenţialitate a

datelor) şi discipinele suport (arhitectura datelor, clasificarea datelor şi metadate, înregistrarea

şi raportarea auditului informaţiei).

3.2.3. Impactul utilizării "Big Data Analytics"

Pe măsură ce tehnologiile care ajută o organizaţie la "spargerea" silozurilor de date şi la

analiza acestor date se perfecţionează, domeniile de aplicaţie se extind. Progresele actuale în

tehnicile Big Data Analytics permit cercetătorilor să decodifice ADN-ul uman în câteva minute,

să prezică unde plănuiesc teroriştii să atace, să determine care genă este cel mai probabil să

fie responsabilă pentru anumite boli şi, desigur, la care anunţuri publicitare este cel mai

probabil să răspundă cineva pe Facebook.

Există de asemenea cazuri de valorificare a Big Data Analytics în domeniul comercial. De

exemplu, Netflix a explorat preferinţele abonaţilor săi pentru a pune ingredientele esenţiale

împreună în hitul recent House of Cards. Datele abonaţilor au determinat de asemenea

compania să readucă Arrested Development înapoi pe ecran.



Un alt exemplu este la Orange, unul dintre cei mai mari operatori de telefonie mobilă din lume.

Orange a lansat proiectul "Date pentru dezvoltare" prin eliberarea datelor de abonat pentru

clienţii din Coasta de Fildeş. Cele 2,5 miliarde de înregistrări, care au fost făcute anonime, au

inclus detalii privind apeluri şi mesaje text schimbate între 5 milioane de utilizatori. Cercetatorii

au accesat datele şi au trimis propuneri pentru Orange despre modul în care datele ar putea

servi ca bază pentru proiecte de dezvoltare în vederea îmbunătăţirii sănătăţii şi siguranţei

publice. Unul dintre proiectele propuse a arătat un mod de îmbunătăţire a siguranţei publice

prin urmărirea datelor de la telefoanele mobile pentru a localiza pe hartă locurile unde s-au

refugiat oamenii în situaţii de urgenţă, un altul a arătat cum să fie utilizate datele de la celulare

pentru izolarea unor epidemii / boli.

Companiile caută din ce în ce mai mult să găsească perspective utilizabile în datele lor. Multe

proiecte de Big Data au pornit de la necesitatea de a răspunde la întrebări specifice de afaceri.

Prin platforme Big Data Analytics adecvate, o întreprindere îşi poate spori vânzările,

creşte eficienţa şi îmbunătăţi operaţiunile, serviciile către clienţi şi managementul

riscurilor.

Compania QuinStreet, a efectuat o anchetă pentru a afla din care domenii economice sunt

companiile care intenţionează să folosească Big Data Analytics pentru a-şi îmbunătăţi

operaţiunile (http://www.webopedia.com/TERM/B/big_data_analytics.html). Din 540 de factori

de decizie implicaţi în achiziţii, aproximativ jumătate au declarat că utilizează aceste tehnici

pentru a creşte rata de păstrare a clienţilor, pentru a sprijini dezvoltarea de produse şi

pentru a obţine un avantaj competitiv. Domeniile care au atras cel mai mult atenţia se referă

la creşterea eficienţei economice şi optimizarea operaţiunilor. Mai exact, 62 % din repondenţi

au declarat că folosesc Big Data Analytics pentru a îmbunătăţi viteza şi reduce complexitatea.

Proiectul „2010 New Intelligent Enterprise Global Executive Study and Research” executat de

MIT Sloan Management Review şi Institutul IBM pentru valoare în afaceri (IBM Institute for

Business Value) a efectuat un studiu asupra eforturilor organizaţiilor de a valorifica informaţiile

şi a aplica Analytics (LaValle ş.a., 2013). Printr-un sondaj care a implicat aproximativ 3.000 de

directori, manageri, şi analişti, studiul a constatat următoarele:

organizaţiile cele mai performante folosesc Analytics de 5 ori mai mult decât cele cu

performanţe reduse;

60% dintre respondenţi au menţionat „inovarea pentru a realiza o diferenţiere

competitivă” ca fiind o provocare principală în afacere şi de asemenea, au fost de acord

că organizaţia lor are mai multe date decât poate utiliza în mod efficient;

aproape 40% dintre respondenţi au invocat o lipsă de inţelegere a modului de utilizare

a tehnicilor Analytics ca impediment principal în adoptarea pe scară largă a acestora.

Conform studiului, organizaţiile participante au fost de acord cu tărie că utilizarea informaţiilor

şi a Analytics le distinge în cadrul industriei în care activează şi le creşte şansele de a fi

performerii de top. Organizaţiile cu performanţe de top şi-au dublat şansele lor de a utiliza

Analytics pentru a direcţiona viitoarele strategii, precum şi de a utiliza introspecţiile pentru a

ghida funcţionarea de zi cu zi. Acestea iau decizii bazate pe analize detaliate în de două ori mai

multe cazuri decât cele cu performanţe mai mici. Cercetatorii au identificat o strategie în cinci

puncte pentru implementarea cu succes a managementului condus de Analytics şi

pentru a genera rapid valoare:

http://www.webopedia.com/TERM/B/big_data_analytics.html



1. concentrarea pe oportunităţile cu valorile cele mai mari şi cele mai înalte;

2. identificarea întrebărilor ce trebuie puse şi a introspecţiilor ce trebuie executate pentru

a îndeplini obiectivul principal de afaceri şi apoi identificarea datelor necesare pentru a

răspunde la aceste întrebări;

3. încorporarea introspecţiilor în comunicaţiile uzuale din cadrul companiei pentru a

impulsiona acţiunile şi de a genera valoare;

4. păstrarea capacităţilor existente, concomitent cu adăugarea unora noi;

5. planificarea de viitor, folosind o agendă de informaţii.

Acesta este modul în care cele mai bune organizaţii se transformă ele însele, nu numai în a fi

mai inteligente, dar şi în a acţiona mai inteligent.

3.2.4. Potenţialul şi limitele deciziei determinate de date

În mediul organizaţional există un spectru larg de decizie. La un capăt al spectrului sunt

deciziile operaţionale, care sunt, în general, de rutină, pe termen scurt şi foarte structurate şi

din ce în ce mai încorporate în aplicaţii software sofisticate. La celălalt capăt al spectrului sunt

deciziile strategice care stabilesc direcţiile şi politicile unei afaceri, guvern sau alte organizaţii

pe termen lung. Acestea sunt de obicei luate la un nivel ridicat de management. Ele tind să fie

complexe şi nestructurate datorită incertitudinii şi a riscurilor care însoţesc în general deciziile

pe termen mai lung. Între aceste extreme se află mai multe tipuri de decizii, inclusiv cele care

nu sunt de rutină ca răspuns la situaţii noi sau neprevăzute, dincolo de domeniul de

aplicare al proceselor operaţionale, precum şi deciziile tactice asupra adaptărilor necesare

pentru a pune în aplicare strategii pe termen mai lung.

Pe lângă avantajele acestei abordări, este importantă înţelegerea limitelor aplicării DDD,

identificate prin întrebări de genul (Wladawsky-Berger, 2013):

când se pot încorpora decizii în procese automate organizaţionale bine stabilite?

când automatizarea devine limitativă şi este necesar ca procesul decizional condus de

date să fie privit ca un instrument ajutător pentru decizii mai eficiente şi mai inteligente ?

Pe măsură ce se colectează mai multe date noi, şi se aplică metode de analiză mai sofisticate,

pot fi luate decizii cu intervenţie umană limitată sau inexistentă. În timp, Big Data şi aplicaţii

avansate de ştiinţa datelor vor permite decizii operaţionale la un nivel cu totul nou, într-o

mare varietate de discipline.

Big Data sunt capabile să furnizeze informaţii despre comportamentul uman. Acestea pot

proveni de exemplu, de la sistemul de localizare al telefonului mobil sau de la tranzacţiiile de

cumpărare executate cu cardul de credit. Luate fiecare în parte, sunt mici elemente de date pe

care le lasă în urmă oamenii în activitatea curentă. Prin analizarea acestui tip de date, se pot

extrage enorm de multe informaţii despre aceştia. Dar generarea nor decizii / concluzii pe baza

informaţiilor cu caracter personal obţinute din diverse surse poate genera suspiciuni serioase

cu privire la confidenţialitate, precum şi la probleme legate de proprietatea asupra datelor şi de

controlul datelor. Este important ca utilizatorii să fie conştienţi de aceste riscuri, precum şi de

faptul că au ultimul cuvânt cu privire la utilizarea datelor colectate despre ei. De exemplu, vom



accepta probabil, utilizarea datelor cu caracter personal în aplicaţii de management al

identităţii, dar s-ar putea să fim mai selectivi în modul în care sunt utilizate datele noastre

personale pentru a ne trimite oferte de marketing. Este necesar să se găsească echilibrul

corect între utilizarea unor astfel de aplicaţii de luare a deciziilor determinate de date şi

confidenţialitatea vieţii private.

Aceleaşi probleme şi dileme intervin în situaţii care impun decizii strategice cum ar fi

securitatea naţională sau ordinea publică. Acestea afectează politicile şi direcţiile pe termen

lung ale unei organizaţii sau comunităţi. Utilizarea Big Data şi a ştiinţei datelor în asemenea

cazuri necesită luarea în considerare a contextului şi este încă un domeniu de investigare.

Wladawsky-Berger (2013) subliniază necesitatea existenţei unui cadru care să sprijine

personalul de decizie să perceapă şi să descrifreze in mod rapid contextul în care se iau

deciziile. Un context ordonat, fie că e simplu sau complicat, presupune un univers ordonat, în

care relaţiile cauză-efect sunt perceptibile, iar răspunsurile corecte pot fi determinate pe bază

de fapte. Un context complex şi haotic este neordonat şi nu există o relaţie imediată între cauză

şi efect, iar calea de urmat este determinată pe baza unor şabloane care apar pe parcurs.

Universul ordonat este subiectul managementului bazat pe fapte, iar contextul neordonat este

gestionat pe bază de şabloane / modele. Una dintre cele mai mari provocări ale DDD constă în

a evita să se considere în mod greşit că un context neordonat, imprevizibil, complex este de

fapt unul ordonat, complicat, dar previzibil. Astfel de ipoteze încurajează simplificări care sunt

utile doar în anumite circumstanţe.

Un management eficient nu adoptă un singur mod de decizie (DDD sau decizia bazată pe

modele), indiferent de situaţie. În cazul deciziilor operaţionale, este necesar să se facă

distincţia între acele situaţii în care deciziile pot fi încorporate în procesele automate, precum şi

cele care necesită intervenţie umană. În cazul deciziilor strategice, trebuie făcută diferenţa

dintre contexte complicate, dar previzibile şi complexe, şi cele intrinsec imprevizibile.

3.3. Tipologia de soluţii TIC specifice

3.3.1. Tipuri de proiecte şi guvernanţa Big Data

Corrigan (2013) scoate în evidenţă faptul că obţinerea de rezultate cu tehnicile de Big Data

Analytics nu este posibilă dacă datele cu care se lucrează nu sunt de încredere. Cele trei

avantaje majore aduse de integrarea şi guvernanţa informaţiilor în condiţiile prelucrării

Big Data sunt următoarele:

1. Posibilitatea gestiunii şi integrării datelor incerte: informaţiile cresc nu numai în volum, ci

şi în varietate. Se estimează, (Corrigan, 2013), că în 2015 80% din date sunt incerte, atât ca

precizie, cât şi ca: origine, calitate, sau surse (senzori şi alte dispozitive care generează date).

Creşterea exponenţială a numărului de surse de date determină ca procesul de culegere a

unor date de încredere să fie tot mai dificil. Rolul managementului şi guvernanţei eficiente a

informaţiilor este de a masca aceste dificultăţi şi a facilita guvernarea unei infrastructuri

complexe în acelaşi mod ca guvernarea unei singure baze de date.



2. Asigurarea adaptabilităţii şi flexibilităţii sistemelor informatice: în permanenţă utilizatorii

unui sistem trec la noi aplicaţii, noi raportări sau noi moduri de exploatare a datelor pentru a

răspunde regulilor de funcţionare a organizaţiei şi astfel cresc complexitatea şi ponderea

informaţiilor neguvernate încă. Se pune întrebarea dacă sistemul sau modul său de guvernare

este suficient de agil şi performant pentru a satisface cerinţele afacerii. Implementarea unei

guvernanţe şi integrări agile permite adaptarea rapidă la cerinţele afacerii mereu schimbătoare

şi asigurarea că informaţiile sunt în permanenţă de încredere.

3. Asigurarea scalabilităţii: creşterea volumului Big Data implică o creştere continuă a cererii

pentru date de încredere în cadrul organizaţiilor. În aceste condiţii, se impune ca aplicaţiile

sistemelor informatice să fie extrem de scalabile, în special cele care implementează integrarea

şi guvenanţa informaţiilor.

Factorul determinant în adoptarea unei strategii de guvernanţă este tipul de proiect Big

Data care se urmăreşte a fi implementat (Corrigan, 2013). Perioada de valabilitate şi modul

de utilizare a datelor sunt indicatori importanţi care influenţează modul de abordare. Astfel,

anumite date au valoare pe perioadă scurtă, expirând rapid, altele dimpotrivă îşi păstrează

valoarea un timp îndelungat şi trebuie stocate pe perioade lungi. De asemenea, unele date

sunt utilizate în mod individual, la nivel de înregistrare, iar altele sunt anonimizate şi utilizate la

nivel agregat. În Figura 3.5 sunt grupate tipurile de proiecte cu diferite cerinţe impuse

guvernanţei şi integrării informaţiilor, în funcţie de necesităţile de prezervare, recunoaştere,

percepţie sau retenţie a datelor.

Fig. 3.5. Cadranul tipurilor de proiecte Big Data (după Corrigan, 2013)

Percepţia. Proiectele din această categorie colectează şi asamblează date cu scopul de a

identifica tendinţe (de exemplu să identifice sentimentele consumatorilor pe baza utilizării



analizei mijloacelor de difuzare de tip „social media”). Datele se acumulează rapid şi au o

durată de viaţă scurtă. În consecinţă, se pune accentul pe integrarea lor rapidă.

Rolul guvernanţei şi integrării informaţiilor este de a asigura livrarea datelor, consistenţa

impusă a acestora, protecţia datelor sensibile, precum şi distrugerea sau arhivarea în timp util a

acestora. Politicile de gestiune a ciclului de viaţă a datelor sunt aplicate la nivel agregat.

Politicile de retenţie şi arhivare sunt importante pentru că asigură controlul creşterii volumului

datelor. Datele sensibile trebuie mascate (nedivulgate) pentru a se asigura că rămân realiste,

protejate şi în siguranţă. Se impune un anumit nivel al calităţii datelor pentru asigurarea

consistenţei şi pentru a facilita analiza lor, dar nu este necesară aplicarea riguroasă a tuturor

aspectelor calităţii.

Retenţia

Această categorie de proiecte este similară celor din cadranul Percepţie, cu excepţia că datele

sunt reţinute (memorate) pe o perioadă mai lungă, în scopul exectării unor analize istorice. În

general cu cât datele sunt reţinute mai mult, cu atât este necesară mai multă guvernanţă.

Exemple de aplicaţii specifice acestui cadran sunt prognozarea stocurilor necesare sau analize

de tip demografic.

Proiectele din acest cadran se concentrează pe creşterea consistenţei datelor. Sunt utilizate

abilităţile de asigurare a calităţii datelor şi cele de stocare a datelor în formate consistente. Sunt

utilizate metode de management al datelor de test pentru a se asigura că orice modificare sau

upgrade în sistem se realizează în condiţiile păstrării eficienţei şi protecţiei datelor de test.

Managementul ciclului de viaţă al datelor este în continuare o capabilitate importantă, pentru a

păstra controlul asupra creşterii volumului de date. În acest cadran, guvernanţa şi integrarea

informaţiilor sprijină consistenţa, precum şi includerea datelor provenite din surse multiple.

Recunoaşterea

Proiectele de acest tip sunt similare celor din cadranul Percepţie, în sensul că perioada de

valabilitate a datelor este foarte scurtă (de exemplu analiza unor date de campanie de

marketing sau interpretarea datelor colectate de la dispozitive şi senzori). Însă această

categorie se distinge prin concentrarea pe date de tip individualizat, înregistrări separate.

Aria de cuprindere a calităţii datelor este mai largă în acest cadran. În consecinţă,

guvernanţa datelor trebuie să depăşească consistenţa şi să urmărească asigurarea

corectitudinii datelor. Pentru validarea şi recunoaşterea datelor este utilizat managementul

datelor principale (eng. Master Data Management – MDM). Acesta furnizează un set de entităţi

principale, unice derivate din surse de date fragmentate.

Aspecte importante în acest cadran sunt: arhivarea datelor pentru a controla creşterea

volumelor, managementul datelor de test, precum şi integrarea diferitelor tipuri de stocare

(replicare, pe loturi, federativă). În plus, se pune accentul pe asigurarea agilităţii, datorită

timpului scurt cerut de analiza datelor.

Prezervarea

În acest cadran se află proiectele care au cele mai avansate cerinţe pentru guvernanţă

ocupându-se de date individuale care trebuie prezervate un timp îndelungat (de exemplu

aplicaţii la nivel de întreprindere de tip „mission critical” sau sisteme de Analytics şi de raportare



în domeniul financiar). Sistemul informatic trebuie să asigure atât corectitudinea, cât şi

siguranţa şi confidenţialitatea datelor.

Principalele acţiuni avute în vedere în cadrul guvernanţei sunt: asigurarea acureteţii

mentenanţei datelor de încredere, asigurarea calităţii datelor şi asigurarea standardizării şi

validării informaţiilor. În acest scop este utilizat managementul datelor principale (MDM).

Obiectivul de interes major pentru managementul ciclului de viaţă al datelor se mută de la

politicile agregate la înregistrări individuale (de ex. arhivarea unor înregistrări particulare ale

consumatorilor).

Asigurarea confidenţialităţii şi siguranţei datelor personale sunt în centrul preocupărilor

proiectelor de acest tip. În acest scop sunt utilizate sisteme de protecţie şi monitorizare care

previn eventualele breşe şi maschează sau codifică datele sensibile. Toate aceste

funcţionalităţi sunt furnizate concomitent cu capacităţile de integrare a datelor distribuite,

federate sau replicate şi care pot proveni din prelucrări de tip loturi.

3.3.2. Arhitectura de referinţă a sistemelor Big Data Analytics

Procesul general de extragere de perspective din Big Data poate fi descompus în 5 etape

(Gandomi & Haider, 2015). Aceste 5 etape se pot grupa în 2 subprocese principale:

managementul datelor şi Analytics (Figura 3.6). Managementul datelor cuprinde procesele şi

tehnologiile suport pentru achiziţia şi stocarea datelor, precum şi pentru regăsirea şi pregătirea

acestora pentru a fi analizate. Analytics cuprinde tehnicile utilizate pentru a analiza datele şi a

extrage cunoştinţe şi soluţii din date.

Fig. 3.6. Procesele Big Data Analytics [(Gandomi & Haider, 2015)]

Demchenko, De Laat & Membrey (2014), furnizează o perespectivă asupra unei infrastructuri

Big Data generice, subliniind că aceasta include o infrastructură generală de management

al datelor, bazată în mod tipic pe Cloud, precum şi o parte de Big Data Analytics care se

bazează pe suportul obligatoriu al unui sistem distribuit şi a unei reţele de mare performanţă.

Serviciile generale componente ale infrastructurii Big Data includ:

instrumente de management al datelor, specifice Big Data (Big Data Management);

servicii de evidenţă, indexare, căutare/regăsire, semantică şi spaţiu de nume;



servicii de securitate şi siguranţă (controlul accesului, ranforsare a politicilor de acces,

asigurarea confidenţialităţii, a încrederii, a disponibilităţii şi protecţiei datelor personale);

medii suport pentru colaborare şi management de grup.

Pe lângă serviciile generale de infrastructură Cloud de bază (cum sunt cele de stocare, calcul

şi management al imaginilor virtuale), în sprijinul aplicaţiilor de Big Data Analytics sunt

necesare servicii şi instrumente specifice unei infrastructuri BDA (Demchenko ş.a., 2014):

servicii de administrare a clusterelor;

servicii şi instrumente specifice mediului Hadoop;

instrumente software de tip Data Analytics (jurnale, evenimente, explorarea datelor,

învăţare automată, etc.);

servere şi sisteme de gestiune a bazelor de date;

baze de date şi sisteme de prelucrare paralelă.

Bazându-se pe investigarea unor cazuri de utilizare, precum şi pe implementările de arhitecturi

de Big Data Analytics la principalele companii mari cu activitate pe Web (Facebook, Google,

Twitter, Netflix, Linkedin, etc), Pääkkönen & Pakkala (2015) au elaborat o arhitectură de

referinţă de nivel înalt pentru sistemele de Big Data Analytics. Această arhitectură (Figura

3.7), evidenţiază componentele funcţionale, subsistemele de stocare şi fluxurile de date din

cadrul sistemelor BDA.

Fluxul datelor se desfăşoară de la stânga la dreapta, fiind iniţiat de diversele surse de date şi

fiind în final, furnizat utilizatorului. Componentele funcţionale ale arhitecturii de referinţă sunt

interconectate de-a lungul acestui flux de date, formând o magistrală de prelucrare.

Componentele similare sunt grupate în zone funcţionale identificate prin denumiri concrete.

Activităţile de specificare a joburilor şi a modelelor sunt figurate separat pentru a ilustra

caracterul distinct al acestora faţă de cel al funcţiilor on-line care constituie fluxul datelor.

Sursele de date sunt definite în două dimensiuni, mobilitate şi structurare. Atributul in situ se

referă la datele care nu se mişcă. De exemplu, un fişier Hadoop ce urmează a fi prelucrat.

Datele de tip streaming sunt datele care aparţin fluxului, vin în mod continuu şi trebuie

prelucrate în timp real (de exemplu, fluxurile de date generate de Twitter).

Atributul structurare diferenţiază datele astfel încât acestea pot fi considerate structurate dacă

respectă un model strict (cazul bazelor de date relaţionale care respectă o schemă),

nestructurate dacă nu pot fi asociate cu nici un model (cazul paginilor Web sau al imaginilor)

sau semistructurate dacă nu sunt complet modelabile ca cele structurate, conţin neregularităţi,

structuri parţiale sau urmează modele sau scheme flexibile sau evolutive (cazul documentelor

în format XML sau JSON).

Extragerea datelor se referă la operaţiile de introducere a datelor in situ în sistem. Aceste

operaţii constau în extragerea datelor din structurile distribuite de stocare în care se află,

stocarea lor temporară în depozite temporare sau transferul şi încărcarea lor în spaţii de

stocare specifice, denumite depozite de date brute. La rândul lor, datele de streaming pot fi

extrase şi stocate temporar în depozite temporare de date de streaming.



Fig. 3.7. Arhitectura de referinţă BDA [după (Pääkkönen & Pakkala, 2015)]

Urmează etape de prelucrare a datelor (combinare şi curăţare), executate pe datele brute,

după care rezultatele sunt salvate în depozite temporare de date prelucrate. Operaţiile de

extragere a informaţiilor constau în extragerea de informaţii noi din datele brute, precum şi de

structurare a acestora şi stocarea în formate structurate în baze de date de nivel

organizaţional.

Operaţiile de tip Analytics în profunzime (Deep Analytics) se referă la executarea de joburi în

sistem pe loturi, asupra datelor in situ. Rezultatele acestor operaţii pot fi memorate în depozite

dedicate sau în depozite de tip „Publish & Subscribe”, care au rolul de a facilita regăsirea

rezultatelor analizelor în mod indirect, fără a exista o cuplare între componentele care publică

(plasează) date şi componentele care le preiau (abonaţi).

Analiza datelor în flux (Stream Analysis) produce rezultate care sunt transformate şi stocate

în depozite de tip server pentru aplicaţiile de vizualizare, panouri de bord şi interfaţă utilizator.

Aplicaţiile de tip interfaţă utilizator, spre deosebire de cele de vizualizare, furnizează un set

limitat de funcţii de control, pentru a putea rula pe dispozitive mobile inteligente.



3.3.3. Calculul în Cloud, Big Data şi Big Data Analytics

Calculul în Cloud şi Big Data sunt strâns legate. Tehnicile Big Data oferă utilizatorilor

posibilitatea de a folosi echipamentele obişnuite pentru a procesa cereri şi interogări distribuite

pe mai multe seturi de date şi să se furnizeze seturi rezultate în timp util. Calculul în Cloud

oferă motorul care stă la baza prelucrărilor Big Data prin utilizarea Hadoop, o clasă de

platforme de prelucrare a datelor distribuite.

Lucrarea (Hashem ş.a., 2015) propune o arhitectură pentru Bid Data în Cloud, prezentată în

Figura 3.8. Conform acestei arhitecturi, volume mari de date din Cloud şi Web sunt stocate

într-o bază de date distribuită tolerantă la defecte şi procesate prin intermediul unui model de

programare pentru seturi de date de mari dimensiuni, cu algoritmi paraleli, distribuiţi într-un

cluster. Scopul principal al vizualizării datelor, este de a prezenta rezultatele analitice într-o

formă vizuală, prin diferite grafice pentru luarea deciziilor.

Big Data utilizează tehnologii de stocare distribuită, cu localizare în Cloud. Aplicaţiile de

prelucrare utilizează intensiv tehnicile de virtualizate şi de scalare elastică specifice Cloud. Prin

urmare, calculul în Cloud oferă nu numai facilităţi pentru calculul şi prelucrarea Big Data, dar de

asemenea, serveşte ca un model de implementare şi furnizare a serviciilor.

Fig. 3.8. Arhitectura Big Data în Cloud [după (Hashem ş.a., 2015)]

Sullivan, Escaravage & Guerra (2014) redau rezultatele unei colaborări realizate între

compania Booz Allen Hamilton şi guvernul SUA ale căror eforturi au fost direcţionate către

utilizarea Big Data Analytics în căutarea de terorişti şi ameninţările acestora. Obiectivul a fost



integrarea unui spectru larg de surse de date şi aplicarea unor instrumente şi metode

sofisticate de Analytics pentru a descoperi legături şi modele predefinte ascunse. De

asemenea s-a urmărit dezvoltarea unei infrastructuri de furnizare a informaţiilor despre

insurgenţi sau alte entităţi care planifică plantarea de dispozitive explozibile improvizate sau

similare. Rezultatele colaborării s-au concretizat sub forma unei arhitecturi de referinţă

pentru Analytics în Cloud, prezentată în Figura 3.9.

Fig. 3.9. Arhitectură de referinţă pentru Analytics în Cloud [după (Sullivan ş.a., 2014)]

Un element fundamental al arhitecturii de referinţă pentru Analytics în Cloud este constituit de

depozitul central de informaţii denumit „lac de date”. Acesta este un spaţiu de stocare vast,

consolidat, care evită metodele rigide ale structurilor de date clasice. Orice căutare de



informaţii poate utiliza acest spaţiu de stocare în integralitatea lui şi, în plus, surse de date

externe. Utilizatorul nu mai este obligat să se mute de la o bază de date la alta şi să extragă din

acestea datele lor specifice pentru a realiza apoi o consolidare.

Un depozit de tip lac de date este mai mult decât un simplu mijloc de stocare, este un mediu

proiectat cu intenţia de a întări legăturile ce se află în date. Arhitectura de referinţă a fost

elaborată astfel încât să fructifice şisă exploreze aceste conexiuni, să identifice corelaţii şi

modele predefinite. Astfel se reduce complexitatea Big Data, mărind gradul de manevrabilitate

şi posibilitatea de administrare a acestora.


4. Raport de analiză pentru tematica „Suport decizional bazat pe soluţii de Inteligenţa Afacerilor”


4.1.1. Evoluţii recente ale suportului decizional pentru mediul de afaceri

Astăzi mediul de afaceri în care organizaţiile acţionează suferă permanente schimbări şi devine

din ce în ce mai complex. Lumea afacerilor a devenit mai competitivă şi mai puţin

predictibilă, accentuând importanţa unei asistări a deciziei efective şi a utilizării instrumentelor

suport de decizie. Organizaţiile, atât cele private cât şi cele publice, sunt forţate să răspundă

rapid la condiţiile aflate mereu în schimbare şi să fie permanent inovative în modul în care

acţionează. Activităţile pe care trebuie să le desfăşoare acestea implică luarea unor decizii

operaţionale, tactice şi strategice într-un timp scurt. Multe dintre aceste decizii au un mare grad

de complexitate şi pot cere volume mari de date relevante, informaţii şi cunoştinţe. Prelucrarea

acestora pentru adoptarea deciziilor necesare trebuie făcută foarte rapid, în timp real. De

regulă acest lucru necesită folosirea de calculatoare, a Internetului, a dispozitivelor mobile, etc.

Probleme complexe de decizie apar un numai în mediul de afaceri, ci şi în finanţe, sănătate,

educaţie, energie, agricultură, turism, consultanţă, publicitate, etc.

Deciziile pot fi clasificate în funcţie de factori cum ar fi:

timpul necesar pentru rezolvarea problemei

nivelul de management la care are loc problema de decizie

efectul problemei de decizie asupra scopurilor organizaţiei

gradul de structurare a problemei

disponibilitatea unor modele sau model care să fie folosit pentru o problemă particulară.

O apreciere a tipurilor de decizie poate ajuta la înţelegerea caracteristicilor de manevrare a

datelor, informaţiilor şi cunoştinţelor.

Există trei categorii principale de decizii, departajate după scala de timp, nivelul de

management, tipul de informaţie folosită şi a gradului de incertitudine implicat. Acestea sunt:

planificarea strategică, managementul de control şi controlul operaţional.

Planificarea strategică este legată de definirea obiectivelor unei organizaţii, de determinarea

politicilor necesare pentru atingerea acestor obiective. În mod normal managerii de la cel mai

înalt nivel realizează aceste decizii pe termen lung. Informaţia este externă sau internă, înalt

agregată şi cu grad mare de incertitudine. Planificarea strategică implică definirea unor

obiective pe termen lung şi a unor politici pentru alocarea resurselor.



Managementul de control sau planificarea tactică, este legată de deciziile şi politicile de

planificare strategică. Deciziile de la acest nivel sunt luate, în mod obişnuit, de către managerii

de la un nivel mediu. Obiectivul este de a certifica succesul politicilor şi obiectivelor definite de

planificarea strategică. Informaţia este moderat agregată, externă sau internă şi moderat de

incertă. Managementul de control înseamnă achiziţia şi folosirea eficientă a resurselor pentru

îndeplinirea obiectivelor organizaţiei.

Controlul operaţional este în mod normal realizat de managementul de pe un nivel scăzut.

Deciziile sunt orientate pe termen scurt şi legate de activităţi specifice. Informaţia este internă,

detaliată cu grad mic sau nul de incertitudine. Controlul operaţional constă în execuţia eficientă

şi efectivă a unor sarcini specifice.

“Ştiinţa managementului” (Management Science - MS) afirmă că în rezolvarea problemelor de

decizie managerii ar trebui să urmeze următorii paşi ai procesului de decizie:

1. Definesc problema de decizie;

2. Clasifică problema într-o categorie specifică;

3. Construiesc un model care descrie problema reală;

4. Identifică soluţii posibile la problema modelată şi evaluează soluţiile;

5. Compară, aleg şi recomandă o soluţie potenţială la problemă.

Factorii care influenţează procesul de luare a deciziilor se referă la:

contextul organizaţional în care o decizie este luată,

natura sau tipul de decizie care a fost produsă,

structura de preferinţă a decidentului, şi

limitările cognitive.

Aspectele noi legate de complexitatea şi diversificarea activităţilor decizionale, cât şi progresele

recente în tehnologia informaţiei au contribuit la impulsionarea cercetărilor în domeniile

Inteligenţei afacerilor (Business Intelligence - BI), Analizei de afaceri (Business Analytics -

BA) şi Sistemelor Suport de Decizie (Decision Support Systems - DSS) (Burstein şi

Holsapple, 2008; Mayer & Quik, 2015). Unele dintre aceste cercetări sunt cele legate de

funcţiile de analiză a volumelor mari de date şi informaţii, de cooperarea între decidenţi

organizaţi în echipe sau grupuri posibil virtuale.

În ultimii ani BI şi BA au apărut şi ca un domeniu nou de cercetare al DSS, cu un interes

deosebit în rândul cercetătorilor. În epoca Big Data, BI & BA pot contribui la îmbunătăţirea

performanţei organizaţionale, ca urmare a îmbunătăţirii luării deciziei de afaceri. BI şi BA s-au

născut din succesul BI în anii 1990 şi introducerea BA în anii 2000, ca element-cheie de

analiză a datelor în BI.

Afacerile inteligente au nevoie de BI pentru recunoaşterea, analiza, modelarea,

structurarea şi optimizarea proceselor de afaceri, precum şi pentru administrarea şi

analiza unor cantităţi masive de date structurate, semi-structurate şi nestructurate, în

scopul de a sprijini şi de a îmbunătăţi decizii critice în afaceri. Termenul "afaceri inteligente" nu

se limitează numai la societăţi comerciale, fiecare activitate complexă de afaceri poate profita

de avantajele furnizate de BI. BI a devenit o tehnologie de masă şi este, în conformitate cu cei



mai mulţi analişti în tehnologia informaţiei, în continuă şi prosperă dezvoltare. Aproape toate

întreprinderile şi organizaţiile de dimensiune medie şi mare sunt fie deja utilizatori ai unui

software BI, fie intenţionează să utilizeze BI în următorii câţiva ani.

Domeniul învăţare automată ("machine learning"), inclusiv analiza de date, reprezintă o parte

a tehnologiei BI. Înainte de putea învăţa din date, este nevoie de a colecta datele şi de a le

prezenta într-o formă unitară, proces care implică extragerea datelor din procesele de afaceri

relevante şi, eventual, din surse web, cum ar fi reţelele sociale, curăţare, transformarea, şi

integrarea acestora şi apoi încărcarea într-un depozit de date sau alt tip de bază de date.

Pentru a-i determina pe utilizatori să interacţioneze eficient cu diverse etape ale acestor

activităţi, sunt necesare metode şi instrumente de vizualizare a datelor. BI merge, de altfel, cu

mult dincolo de date simple şi îşi propune să identifice un model şi să optimizeze procesele de

afaceri ale unei întreprinderi.

Dezvoltarea Big Data a avut un impact important asupra BI. Avantajul îl constituie existenţa

mai multor date decât oricând despre aproape fiecare aspect al afacerii. Dezavantaj îl

reprezintă volumul mare de date şi viteza cu care se acumulează acestea, aspecte care fac

extrem de provocatoare analiza şi obţinerea de valoare (cunoştinţe), în timp util. De asemenea,

sunt dificultăţi legate de cum să se utilizeze aceste date în mod eficient, cum să se transforme

datele în informaţii, cunoştinţe, ce acţiuni să se iniţieze în beneficiul afacerii. Pe de altă parte,

datele îşi pierd valabilitatea rapid şi necesită actualizarea perodică sau chiar in timp real.

Organizaţiile trebuie să înveţe cum să acţioneze înainte ca datele pe care îşi pot fundamenta

aceste acţiuni să expire.

Soluţiile convenţionale de BI necesită mult timp pentru a furniza rezultate necesare unor acţiuni

eficiente în condiţiile în care cererile pieţei se schimbă rapid.

În ultimii ani, întreprinderile au apelat tot mai mult la BI, nu doar pentru a înţelege modul în care

afacerea lor este performantă, ci şi de ce este performantă, pentru a înţelege cum se poate

îmbunătăţi performanţa afacerii lor. Managerii de afaceri îşi pun întrebări şi caută răspunsuri

care necesită experienţa unor experţi BI care să analizeze afacerea din perspective noi şi

diferite. Este suficient să se cunoască ce se vinde şi impactul diferiţilor factori de stabilire a

preţului, sezonalitatea, geografia, concurenţa ca să se poată obţine o ghidare în luarea

deciziilor de management. Acum, managerii doresc să ştie nu doar ceea ce este de vânzare,

dar şi care sunt cumpărătorii, cum sunt aceştia motivaţi, precum şi ceea ce nu se vinde şi de

ce. Pe această cunoaştere, compania poate decide ce are de făcut pentru a genera afaceri mai

profitabile de la clienţii existenţi şi noi. Cu siguranţă există date pentru a genera această

cunoaştere. În era tranzacţiilor electronice prin canale multiple, companiile au devenit adepte

ale colectării de date cu privire la comportamentul clientului şi interacţiune. Problema constă în

filtrarea acestor date, analiza lor şi obţinerea de sens şi valoare din aceste date. Modele

analitice fac mai uşoară sarcina identificării valorii informaţiei, ascunse în cantităţi mari de date,

comparativ cu analiştii umani care, folosind rapoarte tradiţionale BI, analizează tabele şi grafice

pentru a ajunge la informaţie şi cunoaştere. Cu toate acestea, crearea de modele analitice şi

punerea lor la lucru în luarea deciziilor durează de multe ori prea mult, consumă resurse şi

necesită abilităţi de care majoritatea organizaţiilor nu dispun. Scopul final al utilizării BI, dificil

de realizat, îl constiuie crearea unui ciclu de învăţare automată, care în mod constant să

urmărească şi să înveţe din comportamentul clienţilor, pentru a îmbunătăţi profitabilitatea

afacerii.



În trecut, sistemele de inteligenţa afacerilor erau eficiente, deoarece datele şi condiţiile de piaţă

nu se schimbau la fel de des sau repede. Aceste aspecte joacă un rol important în furnizarea

unei imagini care să permită managerilor luarea unor decizii strategice pe termen lung.

Metodologii tradiţionale de BI nu se adresează totuşi necesităţilor de vânzări, marketing,

servicii cu clienţii şi altor unităţi din prima linie de responsabilitate pentru deciziile bazate pe

date care fac legătura cu clienţii. Astăzi, presiunea concurenţială impune luarea unor

măsuri care să transforme BI pentru a furniza strategii de acţiune şi a da rapid rezultate.

Pentru a înţelege mai bine cum se îmbunătăţeşte performanţa în afaceri, BI a evoluat de la

BA de tip descriptiv la BA de tip prescriptiv. BA descriptive operează cu metrici care ajută la

înţelegerea a ceea ce s-a întâmplat deja. BA prescriptive ajută la înţelegerea a ceea ce este

necesar să se facă pentru ca afacerea să evolueze într-o direcţie pozitivă.

Dezvoltarea capacităţilor de analiză pentru a ajuta la atingerea obiectivelor de business se poate realiza în trepte (Figura 4.1).

Fig. 4.1. Inteligenţa afacerilor şi procesul de management al deciziei

4.1.2. Inteligenţa afacerilor

4.1.2.1. Conceptul „Inteligenţa afacerilor”- BI

Corespunzător dezvoltării în domeniul TIC şi disponibilităţii datelor, putem distinge diferite

etape în dezvoltarea BI. Iniţial, BI a fost considerat ca un tip de sistem suport de decizie.

Tipurile de DSS sunt (a) DSS orientate pe modele, (b) DSS orientate pe date, (c) DSS orientate

pe comunicaţii, (d) DSS orientate pe documente şi (e) DSS orientate pe cunoştinţe. Conform

definiţiei Howard Dresner din 1989 (http://www.dresneradvisory.com/), termenul BI a devenit

popular în anii 1990 şi a fost înţeles mai mult ca DSS orientat pe date, în strânsă legătură cu

dezvoltarea depozitelor de date, utilizarea OLAP (online analytical processing) şi a

instrumentelor de raportare. În paralel cu evoluţiile din domeniul gestionării datelor, au

devenit populare şi instrumente de analiza a datelor, cum ar fi explorarea datelor (Data

Tip analiză de afaceri Intervenţie umană

Decizie

Date

Descriptiv Ce s-a întâmplat ?

Decizie Diagnostic De ce s-a întâmplat ?

Decizie Predictiv Ce se va întâmpla ?

Decizie Suport decizie

Acţiune

Decizie automată

Prescriptiv Ce ar trebui să fac ?



Mining) sau analiză predictivă. Uneori, acestea au fost denumite ca BAi (Business

Analytics), iar BI a fost considerat ca o colecţie legată de instrumente suport pentru diferite

activităţi în cadrul unei afaceri. În ultimii ani, disponibilitatea şi capacităţile de analiză a datelor

au crescut enorm şi au apărut noi domenii de cercetare pentru BI.

Conceptul de decizie asistată a fost implementat progresiv sub diferite denumiri de către mai

mulţi analişti şi comercianţi care au creat instrumente şi metodologii pentru asistarea deciziei.

Incepând cu anul 2006, majoritatea produselor comerciale şi serviciilor au apărut sub termenul

de “Inteligenţa afacerilor” (Business Intelligence – BI).

Conceptul de “Inteligenţa afacerilor” este un termen “larg” care combină arhitecturi,

instrumente, baze de date, instrumente analitice, aplicaţii şi metodologii (Raisinghani, 2004,

Grossmann & Rinderle, 2015).

Obiectivul major al BI este de a face posibil accesul interactiv (câteodată în timp real) la date,

de a face posibilă manipularea datelor şi de a da managerilor şi analiştilor abilitatea de a

conduce analize corespunzătoare. Prin analiza datelor istorice şi a celor curente decidenţii

obţin informaţii preţioase care le permit să elaboreze decizii mai bune şi mai informate.

Procesul de BI este bazat pe transformarea datelor în informaţii şi cunoştinţe apoi în decizii şi

în final în acţiuni. Transformarea se poate realiza însă şi prin instrumente independente

(Figura 4.2).

Fig. 4.2. Transformarea datelor în cunoştinţe şi instrumente asociate

În anii 1980 a fost introdus conceptul de Sistem de informare executivă (Executive Information

System – EIS). Acest concept a fost dezvoltat pentru managerii de vârf şi managerii executivi.

Câteva din caracteristicile introduse au fost raportarea dinamică multidimensională (ad-hoc sau

la cerere), previziunea şi predicţia, analiza tendinţelor, forarea până la detalii şi factori de

succes critici. Aceste caracteristici au apărut într-o mulţime de produse comerciale până la

mijlocul anilor 1990. Atunci aceleaşi caracteristici şi câteva noi au apărut în aplicaţii BI.

Există numeroase definiţii pentru BI, câteva exemple sunt prezentate în continuare:

BI este un concept care presupune extragerea şi transformarea datelor în informaţie

inteligibilă (cu sens). Odată cu dezvoltarea aplicaţiilor BI cantităţi imense de date aflate în

diverse formate (spreadsheets, baze de date relaţionale, weblog-uri) pot fi consolidate şi

prezentate analiştilor din domeniu (Whitehorn & Whitehorn, 1999).

Utilizarea datelor disparate ale unei organizaţii pentru a furniza informaţii semnificative şi de

analiză angajaţilor, clienţilor, furnizorilor şi partenerilor, pentru o luare a deciziei mai eficientă

(Business Objects, 2007).

Informaţie Date Cunoştinţe

Instrumente Data Mining şi OLAP (On-Line Analytical

Processing)

Sisteme de Management a Informaţiei (Management

Information Systems

Sisteme de prelucrare a tranzacţiilor (Transactions

Processing Systems



Livrarea de informaţii corecte persoanelor potrivite, la momentul potrivit pentru a sprijini

luarea de decizii mai bune şi pentru a obţine un avantaj competitiv. (SAS Institute – Ing,

2007).

Un portofoliu de tehnologii şi aplicaţii care oferă o abordare integrată, end-to-end, incluzând

aplicaţii de management al performanţei financiare, aplicaţii operaţionale BI şi depozite de

date. (Oracle, 2007).

Cognos a definit BI ca fiind un proces bazat pe evenimente. Astfel BI monitorizează 3 clase

de evenimente: notificarea, performanţa şi evenimentele operaţionale în scopul identificării

modificărilor esenţiale. Odată detectate modificările BI notifică şi alertează decidenţii,

ţinându-i la curent cu informaţiile disponibile. BI aduce oamenii şi datele împreună oferind o

varietate de moduri de a vedea informaţia pe care se sprijină luarea unei decizii (Cognos

2007).

Procesele, tehnologiile şi instrumentele necesare pentru transformarea datelor în informaţii,

a informaţiilor în cunoştinţe şi a cunoştinţelor în planuri care conduc la afaceri profitabile. BI

cuprinde magazii de date, instrumente analitice de afaceri (business analytics tools) şi

managementul cunoştinţelor (knowledge management) (Moss & Hoberman, 2004).

Un termen umbrelă care cuprinde instrumente, arhitecturi, baze de date, depozite de date,

managementul performanţei, metodologii, şi aşa mai departe, toate integrate într-o suită

unificată de software (Turban et al., 2007).

Cunoştinţe dobândite prin accesul şi analiza de informaţiilor de afaceri. Instrumente şi

tehnologii BI includ interogare şi raportare, OLAP (procesarea on-line analitică), explorarea

datelor (Data Mining) şi analiză avansată (Analytics), instrumente orientate către utilizatorul

final pentru interogare si analiza ad-hoc, şi tablouri de bord pentru monitorizarea

performanţei (Dresner, 2007).

BI realizează o asistare a deciziei bazată pe date şi include generarea, agregarea, analiza şi

vizualizarea datelor. BI nu este strict tehnologic, el implică procesele şi procedurile care sprijină

colectarea datelor, partajarea şi raportarea, toate cu scopul de a se lua decizii mai bune.

4.1.2.2. Conceptul „Analiza de afaceri” - BA

Analiza de afaceri (BA) poate fi definită ca "o categorie largă de aplicaţii, tehnologii şi

procese de colectare, stocare, accesare, şi analiza datelor pentru a ajuta pe utilizatorii de

afaceri să ia decizii mai bune" (Watson, 2009).

BA presupune modalităţi pentru explorarea datelor, evaluarea tendinţelor în timp şi măsurarea

sau compararea lor. Se pot include, de asemenea, diverse moduri de vizualizare a datelor

pentru a analiza rapid tendinţele şi relaţiile dintre date. Dacă BI este orientat pentru luarea de

decizii, BA este orientat către a pune întrebari: Cum s-a vândut un produs luna curentă faţă de

luna trecută? Cum a vandut un agent de vanzari în comparatie cu un altul? Sunt anumite

produse vândute mai bine în anumite locaţii? Se pot pune chiar întrebări cu privire la viitor, în

cazul sistemelor care realizează analize predictive (Predictive Analytics).

BA a fost introdusă la sfârşitul anilor 2000, ca o componentă cheie de analiză în BI (Davenport

2006). BA se referă la competenţe, tehnologii, practici de explorare iterativă continuă şi

investigare a performanţei în afaceri în trecut pentru a obţine o perspectivă şi orienta

planificarea afacerilor (Bartlett et al., 2013). BA este folosit pentru a obţine perspective care



informează în luarea deciziilor de afaceri şi poate fi folosit pentru a automatiza şi a optimiza

procesele de afaceri. BA tratează datele lor ca un activ corporativ şi ca o pârghie pentru

un avantaj competitiv. Succesul BA depinde însă şi de calitatea experţilor în analiza

datelor, care trebuie să aibă un nivel corespunzător de înţelegere atât a tehnologiilor, cât şi a

afacerilor, precum şi capacitatea de organizare a procesului decizional bazat pe date.

Conform (Sircar, 2009), comunitatea IT preferă utilizarea termenului BI, iar BA este preferat de

comunitatea de afaceri. Totuşi trebuie avute în vedede diferenţele dintre cele două concepte:

BA presupune, în general, explorarea datelor prin întrebări, pe când BI contribuie în faza de

luare a deciziilor. In plus, BA se extinde în prezent cu abordări specifice BDA (Big Data

Analytics), aplicate pentru mediului de afaceri.

După rezultatele furnizate, există trei tipuri principale de BA:

Analiză descriptivă: raportare standard, carduri de notare, raportare ad-hoc, OLAP şi

alerte, toate constituie analize descriptive unde date istorice/tranzacţionale sunt

analizate şi raportate;

Analiză predictivă: modelare sofisticată cantitativă şi statistică ce permite utilizarea

mai bună a datelor disponibile pentru a descoperi tendinţe şi tipare predictive. Aceste

tendinţe şi tipare contribuie la decizii mai precise;

Analize prescriptive: instrumente analitice / inteligente avansate care sunt utilizate

pentru a analiza toate datele historice şi tranzacţii în timp-real.

Exemple de utilizare BA includ:

explorarea de date pentru a găsi noi modele şi relaţii (explorarea datelor)

explicarea întrebării: de ce a avut loc un anumit rezultat (analiza statistică, analiza

cantitativă)

prognozarea rezultatelor viitoare (analiza predictiva).

SAS (2011) identifică opt niveluri de analiză. Avantajul cognitiv creşte cu gradul de inteligenţă al analizei (Tabelul 4.1).

Tabelul 4.1. Niveluri de analiză şi întrebări

Nr.crt. Nivelul de analiză Intrebare

1. Rapoarte standard Ce s-a întamplat ? Cand s-a întamplat ?

2. Rapoarte ad-hoc Cat de multe ? Cat de des ? Unde ?

3. Analiza OLAP Unde este exact problema ? Cum să găsesc răspunsul ?

4. Alerte Cand ar trebui sa reactionez ? Ce acţiuni sunt necesare acum ?

5. Analiză statistică De ce s-a întamplat ? Ce oportunităţi s-au pierdut ?

6. Previziune Ce se întâmplă dacă aceste tendintele continua ? Cat de mult este necesar ? Cand este necesar ?

7. Modelare predictivă Ce se va întampla ? Cum va afecta afacerea mea ?

8 Optimizare Cum să facem lucrurile mai bune ? Care este cea mai bună decizie pentru o problemă complexă ?



Chen et al. (2012) a utilizat BI&A (Business Inteligence şi Analytics) ca un termen unificat şi

a tratat Big Data ca un domeniu care oferă noi direcţii de cercetare pentru BI&A. Lucrarea

defineşte 3 etape de evoluţie:

BI&A 1.0, orientat pe date structurate, care sunt colectate şi memorate în sisteme de

baze de date relaţionale; managementul datelor şi magazia de date sunt sunt

reprezentative pentru această etapă.

BI&A 2.0, bazat pe sisteme sociale şi surse de date diversificate, centrat pe text şi

analiză pentru conţinut nestructurat Web.

BI&A 3.0, orientat pe aplicaţii mobile şi senzori.

4.1.2.3. Inteligenţa afacerilor adaptivă

Scopul majorităţii sistemelor de inteligenţa afacerilor BI este de a:

accesa date dintr-o multitudine de surse diferite;

transforma aceste date în informaţii şi apoi în cunoştinţe;

furniza o interfaţă grafică uşor de folosit pentru afişarea acestor cunoştinţe.

Sistemele de inteligenţa afacerilor sunt responsabile pentru colectarea şi clasificarea datelor,

precum şi prezentarea cunoştinţelor într-un mod prietenos (sporind astfel capacitatea

utilizatorului final în luarea deciziilor corecte). Figura 4.3 prezintă procesele care stau la baza

unui sistem BI tradiţional.

Fig. 4.3. Procese care stau la baza unui BI tradiţional

Majoritatea managerilor realizează existenţa golului care există între a avea cunoştinţele

corecte şi luarea deciziei corecte. Pentru că acest gol afectează capacitatea administrativă de

a răspunde la întrebări de afaceri fundamentale (cum ar fi “Ce ar trebui făcut pentru creşterea

profitului?”), viitorul se află în utilizarea de sisteme care pot furniza răspunsuri şi recomandări,

mai degrabă decât cunoştinţe sub formă de rapoarte. Această tendinţă este concretizată prin

sistemele de inteligenţa afacerilor adaptivă (Adaptive Business Intelligence - ABI).

Pe lângă rolul de sistem BI tradiţional (prin transformarea datelor în cunoştinţe), sistemul ABI

include şi procesul de luare de decizii, care se bazează pe predicţie şi optimizare (Figura 4.4).

D A T E

Pregătire date

I N F O RM A Ţ I I

Explorare date

C U N O ŞT I N Ţ E



Fig. 4.4. Sistemul de inteligenţa afacerilor adaptiv cu proces de luare decizii

Inteligenţa Afacerilor Adaptivă (IAA) poate fi definită ca o “disciplină de utilizare a metodelor de

predicţie şi optimizare pentru construirea de sisteme suport de decizii cu auto-învăţare”. IAA

include elemente de explorare date, modelare predictivă, prognoză, optimizare şi

adaptabilitate, şi este folosită de manageri în luarea unor decizii mai bune. Un sistem IAA

încorporează module de predicţie şi optimizare pentru recomandarea unor decizii optime,

precum şi un “modul de adaptabilitate” pentru îmbunătăţirea recomandărilor viitoare. Aceste

sisteme ajută managerii în luarea unor decizii care conduc la creşterea eficienţei, productivităţii,

şi competitivităţii.

4.1.2.4. Provocările actuale ale BI

Obiective ale BI. In zilele noastre putem găsi o înţelegere bine structurată a logicii unei afaceri

în aproape toate domeniile. Aceasta nouă înţelegere a condus la o vedere conceptuală

orientată pe proces, care integrează consideraţii privind fluxul de lucru şi procesul de

explorare în BI. Un alt aspect este faptul că noi structuri organizatorice, cum ar fi

organizaţiile descentralizate, doresc să aplice suport decizional în mediul lor, şi, prin urmare,

idei privind inteligenţa colectivă sunt aplicate în BI.

Fundamente BI. În afară de magazia tradiţională de date, trebuie să fie luate în considerare şi

datele de pe Web. Aceste date nu sunt adesea bine-structurate, ci numai semi-structurate, cum

ar fi datele de tip text. Necesitatea de a integra diferite date utile pentru suport decizional într-

un mod coerent a condus la modele pentru conectarea datelor în BI. În legătură cu aceste

date noi, domeniul de aplicare al metodelor de analiză s-a lărgit cu noi instrumente, cum

ar fi explorarea vizuală, explorarea textelor, explorarea opiniilor sau analiza reţelelor sociale.

Realizarea de sisteme BI. Arhitecturile software de astăzi permit noi soluţii interesante pentru

sisteme BI. Dintr-o perspectivă utilizator, Software as a Service (SaaS) reprezintă o evoluţie

interesantă pentru sistemele BI. Din punct de vedere al calculului, ne confruntăm cu seturi mari

şi complexe de date. Mai mult decât atât, cloud computing şi calculul distribuit sunt concepte

importante pentru deschiderea de noi oportunităţi pentru aplicaţii BI.

D A T E

Pregătire date

I N F O RM A Ţ I I

Explorare date

C U N O ŞT I N Ţ E

Optimizare

Predicţie

D E C I Z I I

Adaptabilitate



Livrare de BI. Dispozitivele mobile oferă o nouă dimensiune pentru furnizarea de informaţii

către utilizatori în timp real. Cu toate acestea, aceste evoluţii trebuie să ia în considerare

calitatea informaţilor furnizate în timp real, care reprezintă o nouă provocare pentru BI.

O evoluţie a BI este prezentată în Figura 4.5.

4.1.3. Sisteme BI

4.1.3.1. Arhitectura de sistem

Un sistem de tip Inteligenţa Afacerilor are patru componente (Figura 4.6) (Turban et al., 2007;

2011):

o magazie de date cu sursa ei de date;

instrumente analitice de afaceri (BA), care cuprind o colecţie de instrumente pentru

manipularea, explorarea şi analiza datelor din magazia de date;

managementul de performanţă a afacerilor (Business Performance Management –

BPM) pentru monitorizarea şi analiza performanţelor;

o interfaţă utilizator.

Mediul magaziei de date este în principal responsabilitatea personalului tehnic, în timp ce

mediul de analiză (BA) este orientat către utilizatorii din afaceri.

Magazia de date (Data warehouse): este un element fundamental ale oricărui sistem BI din

gama mare şi foarte mare. La început magaziile de date includeau numai date istorice care au

fost organizate şi sumarizate, aşa că utilizatorii finali puteau să vadă cu uşurinţă şi să

manipuleze datele şi informaţiile. Astăzi unele magazii de date includ date curente, aşa că ele

pot să furnizeze asistarea deciziei în timp real.

Inteligenţa afacerilor (BI) 2012 (Inteligenţă, căutare de informaţii, explorare afaceri) 2005 2005 1990 1990

Big Data

BA tradiţional -> Analytics -> Advanced Analytics

BI tradiţional

Instrumente Aplicaţii Date

Figura 4.5. Evoluţia domeniului Inteligenţa afacerilor (Business Inteligence – BI)



Instrumente BA: utilizatorii finali pot să lucreze cu date şi informaţii într-o magazie de date

folosind o varietate de instrumente şi tehnici. Aceste instrumente şi tehnici se împart în trei

categorii:

rapoarte şi interogări: BA include atât raportarea statică, cât şi pe cea dinamică,

toate tipurile de interogări, descoperire de informaţii, vederi multidimensionale,

explorări către detaliu, etc.

Analytics avansat (AA): include modele statistice, financiare, matematice şi alte

modele care sunt folosite în analiza datelor şi informaţiilor.

explorare date (Data Mining): este un proces de căutare a relaţiilor necunoscute sau

a informaţiilor în baze de date mari sau în magazii de date folosind instrumente

inteligente cum ar fi calculul neuronal (neural computing), tehnici analitice predictive,

metode statistice avansate.

Managementul de performanţă a afacerilor (BPM): este un portofoliu de aplicaţii şi o

metodologie care conţine arhitectura (în evoluţie) a BI şi instrumentele adiacente. BPM extinde

monitorizarea, măsurarea şi compararea vânzărilor, profitului, costului, profitabilităţii şi altor

indicatori de performanţă prin introducerea conceptului de management şi feed back. El

cuprinde procese cum ar fi planificarea şi previziunea ca elemente cheie ale strategiei de

afaceri. În contrast cu un DSS tradiţional, EIS şi BI suportă extracţia bottom up a informaţiilor

din date, iar BPM furnizează o consolidare top down a strategiei unei organizaţii. BPM se mai

numeşte şi Corporate Performance Management – CPM.

Interfaţa utilizator (tablouri de bord şi alte instrumente de difuzare a informaţiei): furnizează o

vedere cuprinzătoare a măsurilor de performanţă a organizaţiei, a tendinţelor şi excepţiilor. Ele

integrează informaţia referitoare la performanţe raportate la obiectivele avute în vedere, o

reprezintă grafic. În plus faţă de tablourile de bord, alte instrumente care difuzează informaţia

sunt portalurile organizaţiei, aşa numitele “digital cockpits” sau piloţi automaţi digitali. Multe

instrumente de vizualizare care pornesc de la prezentarea cubului multidimensional până la

Fig. 4.6. Arhitectura BI la nivel înalt

Magazia de date Analiza afacerii Performanţă şi Strategie

Surse de date

Personal tehnic Construire magazie de date Organizare, sumarizare, standardizare, etc.

Manageri/Directori

Strategii BPM Manipulare, Rezultate

Magazie de date

Analisti Acces, Manipulare, Rezultate

Sisteme inteligente -

componente viitoare

Interfaţă utilizator

Browser, portal, tablou de bord



realitatea virtuală sunt părţi integrante ale sistemelor BI. Deoarece BI a evoluat din EIS, multe

dintre instrumentele de vizualizare ale managerilor generali au fost transformate în instrumente

software BI.

4.1.3.2. Instrumente şi tehnici

Figura 4.7 prezintă instrumente şi tehnici care pot fi incluse într-un sistem BI, ca rezultat al

evoluţiei acestui domeniu (Turban et al., 2007). De menţionat că, începând cu anul 2005,

sistemele BI au început să includă capabilităţi de inteligenţă artificială ca şi capabilităţi analitice

puternice. Produsele BI sofisticate includ cele mai multe din aceste capabilităţi,dar sunt şi

produse specializate, cu o arie fucţională restrânsă. Mai multe informaţii privind instrumente şi

soluţii BI se găsesc în capitolul "Tipologia de soluţii TIC specifice".

Fig. 4.7. Instrumente şi tehnici ce pot fi incluse într-un BI

4.1.3.3. Sisteme suport de decizie vs. sisteme BI

Arhitecturile DSS şi BI sunt foarte asemănătoare pentru că BI a evoluat din DSS. Totuşi BI

implică folosirea unei magazii de date, în timp ce DSS poate să aibă sau nu o astfel de

componentă. BI este prin urmare mult mai potrivită pentru organizaţii mari (deoarece magaziile

de date sunt costisitoare din punct de vedere al construcţiei şi mentenanţei), pe când DSS pot

să fie potrivite oricărui tip de organizaţie.

Cele mai multe DSS sunt construite pentru a furniza un sprijin direct deciziei. Sistemele BI, în

general, sunt destinate să furnizeze informaţii precise la momentul potrivit şi de aceea ele

sprijină decizia în mod indirect. Această situaţie este schimbătoare, pe măsură ce tot mai multe

instrumente suport de decizie sunt adăugate la pachetele software de BI.

Sisteme ETL

Raportare şi Interogare

Metadate Magazii de date

DSS

Spreadsheets

EIS/ ESS Raportare financiară

Data mart

OLAP

Pilot automat

Inteligenţa afacerilor-BI

Scorecards şi tablouri de bord Workflow

Alerte şi notificări

Data mining

Analitici predictive

Portaluri



BI au o orientare către managerii generali şi elaborarea de strategii, în special în componentele

lor de BPM şi tablouri de bord. DSS pe de altă parte sunt orientate către analişti.

Cele mai multe sisteme BI sunt construite cu instrumente software comercializate de diverşi

agenţi comerciali şi componente care se potrivesc necesităţilor organizaţiei. În construcţia unui

DSS interesul poate fi în construirea de soluţii la probleme cu grad ridicat de nestructurare. În

asemenea situaţii este posibil să fie necesar un efort suplimentar de programare (de exemplu

folosind instrumente cum ar fi EXCEL) pentru a rezolva probleme specifice.

Metodologiile DSS şi chiar unele instrumente au fost dezvoltate cel mai mult în mediul

academic. Metodologiile şi instrumentele BI au fost dezvoltate în cele mai multe cazuri de

companii software. Mai multe informaţii despre cum a evoluat BI se găsesc Zaman (2005).

Multe dintre instrumentele pe care le folosesc sistemele BI sunt considerate şi instrumente

DSS. De exemplu explorarea datelor şi analiza predictivă sunt instrumente de bază în ambele

domenii.

Există opinii diferite privind raportul intre sistemele DSS şi BI. In unele cazuri BI este

considerat un caz special de DSS care se ocupă in principal cu raportarea, comunicarea şi

colaborarea (o formă de DSS orientat pe date). Conform altor opinii, DSS este o parte a BI, mai

precis unul dintre instrumentele sale analitice. O explicaţie a acestei diversităţi de puncte de

vedere a fost formulată de Watson (2005), conform căreia sistemele BI sunt un rezultat al unei

evoluţii continue, iar sistemele DSS reprezintă unul din domeniile de origine ale acestei evoluţii.

Datorită lipsei de definiţii universal acceptate, mulţi specialişti se referă la sistemele DSS şi BI,

ca şi la componentele acestora cu termenul de Sisteme suport de management

(Management Support Systems – MSS). MSS este un concept suficient de larg pentru a fi

privit ca o tehnologie care suportă sarcini manageriale în general şi asistarea deciziei în

particular.


In ultimele două decenii, BI, BA, Analytics (A) şi domeniul conex al analizei datelor de mari

dimensiuni (Big Data Analytics - BDA) au devenit tot mai importante atât pentru comunitatea

academicş, cât şi pentru cea de afaceri. De exemplu, pe baza unui sondaj cu peste 4.000 de

profesionişti în tehnologia informaţiei (IT) din 93 de ţări şi 25 de industrii, raportul IBM „Trends

Tech” (IBM Tech Trends Report, 2011) a identificat BA ca fiind una dintre cele patru tendinţe

tehnologice majore la acel moment.

Într-un sondaj privind BA, realizat de Bloomberg Businessweek (2011), se arată că 97% din

companii cu venituri de peste 100 de milioane de $ utilizează o anumită formă de BA.

Hal Varian, economist şef la Google şi profesor emerit la Universitatea din California, Berkeley,

a comentat cu privire la oportunităţile emergente pentru profesioniştii IT şi studenţi în analiza

datelor, astfel: "Deci, ce sunt din ce in ce mai omniprezente şi ieftine? Datele. Şi ce este

complementar datelor? Analiza. Deci recomandarea mea este de a promova o mulţime de

cursuri despre cum să se manipuleze şi să se analizeze datele: baze de date, învăţare

automată, econometrie, statistici, vizualizare şi aşa mai departe".



Oportunităţile asociate cu date şi analiza în diferite organizaţii au ajutat la a genera un interes

semnificativ pentru BI şi BA. BI este un domeniu activ, foarte bine reprezentat în mediile de

afaceri. Există numeroase evaluări realizate de firme de consultanţă şi experţi privind nivelul

actual de utilizare în mediul de afaceri concordant cu domeniile specializării inteligente

(industrie, turism, sănătate, etc.).

Beneficiile majore ale BI pentru o companie constau în abilitatea de a furniza informaţii

corespunzătoare atunci când este necesar, incluzând o imagine în timp real a performanţei

organizaţiei şi a componentelor sale. Astfel de informaţii sunt necesare pentru toate tipurile de

decizii, pentru planificarea strategică şi chiar pentru supravieţuirea organizaţiei (Figura 4.8).

BI oferă strategie si planificare pentru afaceri cu ajutorul datelor şi a instrumentelor analitice

pentru:

• Creşterea productivităţii - crearea de rapoarte periodice şi ad-hoc cu uşurinţă;

• Îmbunătăţirea eficienţei - rapoarte actualizate în timp real;

• Integrarea datelor - personalizarea rapoartelor de gestiune;

• Adaptarea pe schimbări - realizare de modificări ale rapoartelor şi vizualizarea instantaneu a

rezultatelor cu date interactive;

• Asigurarea flexibilităţii - operaţii OLAP la nivel detaliu.

Thomson Reuters (2010) a raportat următoarele beneficii majore ale BI, bazate pe rezultatele unui studiu:

- Raportare mai rapidă şi mai precisă (81%)

- Decizii îmbunătăţite (78%)

- Servicii către clienţi îmbunătăţite (56%)

- Venituri crescute (49%)

Fig. 4.8. Beneficii BI pentru organizaţie

Un software de tip BI este un element cheie, obligatoriu, în viaţa de zi cu zi a oricărei organizaţii

moderne. Utilizarea unei soluţii BI este cu atât mai importantă într-o economie în plină

transformare ca cea românească, în care orice manager trebuie să previzioneze scenarii de

evoluţie, resurse necesare, să ia decizii pentru a minimiza riscurile organizaţiei, dar şi să ştie

cum să profite de oportunităţile apărute într-o piaţă în continuă schimbare. Se poate câştiga

timp valoros printr-o soluţie software BI care afişează indicatorii de performanţă financiari sau

non-financiari într-un mod grafic atrăgător şi inteligibil. Astfel, activităţile critice din companie

pot fi “vizualizate” în cifre şi grafice care se modifică în timp real, oferind managerului

posibilitatea de a modela strategia de business şi de a lua cele mai bune decizii pentru

compania sa.

Mediu Globalizare Concurenţă Clienţi, furnizori Guvern, reglementări Condiţii de piaţă

Organizaţie Strategie Agilitate organizaţională Modele de afaceri Cultură organizaţională Oameni Schimbare management Management de cunoştinţe Tehnologie

- Produse şi servicii noi - Pieţe noi, lanţuri noi de aprovizionare - Procese eficiente - Productivitate crescută - Modele noi de afaceri - Nivel crescut de luare a deciziilor - Creativitate sporită

Inteligenţa afacerilor şi

Analitytics

OLAP Rapoarte şi vizualizare Data mining, web mining Cloud computing Big Data Analytics

Beneficii pentru organizaţie şi mediul său



BA / BI se claseaza printre primii cinci termeni de căutare pe site-ul Gartner (Schlegel,

2011), cărţi publicate recent în aceste domenii au devenit rapid succese pe piaţă (Wicom et al.,

2011), şi mari companii, cum ar fi Accenture, Deloitte Consulting şi IBM au lansat centre de

analiză şi practici. Domeniul de BA şi mai ales BDA înregistrează o creştere accentuată,

iar rata de creştere a datelor structurate şi mai ales a celor nestructurate alimentează această

creştere.

După cum a susţinut Davenport şi Dyche (2013), nicio tendinţă de afaceri din ultimul

deceniu nu are un impact potenţial la fel de mare asupra investiţiilor în IT ca BA şi BDA.

Potrivit unui studiu realizat de International Data Corporation (IDC), BI / BA sunt printre

primele două priorităţi IT pentru întreprinderile mari (SAS, 2011). Manyka et al., sugerează

că până în 2018, "Statele Unite s-ar putea confrunta cu un deficit de 140.000 la 190.000 de

persoane cu abilităţi analitice profunde, precum şi de 1,5 milioane de manageri şi analişti

capabili să utilizeze analiza datelor mari pentru a lua decizii eficiente. Astfel, recunoscând

importanţa BI / BA, numeroase companii au implementat deja aceste soluţii pentru a obţine un

avantaj competitiv.

BDA oferă companiilor capacitatea de a gestiona un nou tip de date, cum ar fi voce, text,

imagini şi video (Davenport şi Dyche, 2013), iar factorii de decizie văd în acest nou tip de date

un factor important de inovare şi o sursă importantă de creare de valoare şi avantaj competitiv

(Tan et. al., 2015). În mod similar, un studiu realizat de (Gartner, 2011) sugerează că abilitatea

de a gestiona volume mari de date va fi o competenţă de bază pentru întreprinderi.

Companiile investesc în iniţiative de tip BA pentru diferite motive. De exemplu, Hagen et al.,

(2013) susţine că unele dintre motivele pentru care companiile din diverse industrii au pus în

aplicare iniţiative BA includ luarea deciziilor proactive mai repede şi mai bine,

îmbunătăţirea capacităţilor, creşterea automatizării, eliminarea instrumentelor

redundante şi simplificarea proceselor.

Un studiu cuprinzător realizat de IBM (2012) s-a bazat pe opinia companiilor interogate pivind

ordonarea obiectivelor funcţionale de top pentru BA în cadrul organizaţiilor lor. Raportul relevă

că acestea investesc în BA pentru: (a) a obţine rezultate centrate pe ieşiri (49%), (b) a

optimiza operaţiile (18%), (c) a gestiona riscurile (15%) şi (d) a dezvolta noi modele de

afaceri (14%). Un studiu similar realizat de SAS (2011), subliniază faptul că societăţile

utilizează BA pentru a le ajuta să rezolve o varietate de aspecte critice, dar accentul

principal este pe finanţe. Potrivit aceluiaşi studiu, primele două probleme rezolvate de BA

sunt reducerea costurilor şi gestionarea riscurilor.

Companiile, în cea mai mare parte, utilizează BA în zone în care încrederea în informaţia

cantitativă este de obicei mai raspandită, cum ar fi planificarea strategică, finanţele şi

marketing-ul. Aceste zone funcţionale abordează probleme care necesită analiză şi predicţie

(SAS, 2011). Hagen et al., (2013), sunt de acord şi sugerează faptul că realizarea de

capabilităţi în BA va îmbunătăţi nu numai performanţa în segmente şi funcţii tradiţionale,

dar, va creea şi oportunităţi pentru a extinde ofertele de produse şi servicii. Un studiu

similar, realizat de SAS (2013), arată că organizaţiile sunt în căutarea de analize pentru a

îmbunătăţi modul în care realizează afaceri pentru îmbunătăţi modul de lua decizii mai bune.

Companiile care investesc în tehnologii BI/BA ar trebui să ia în calcul anumite provocări şi

capcane pentru a realiza pe deplin beneficiile oferite de BI/ BA. De exemplu, Davenport (2006)

susţine că firmele ar trebui să înţeleagă că pentru a face utilizarea optimă a BI/BA şi a datelor



pe care le colectează în mod constant, ar trebui să investească în găsirea scopului corect,

angajarea persoanelor potrivite şi instalarea tehnologiei potrivite. În mod similar, un raport

publicat de SAS (2015) enumeră primele trei mari provocări pentru BI/BA: lipsa de

competenţe / expertiză, dificultatea de a accesa toate datele şi faptul că nu se utilizează în mod

eficient datele cele mai valoroase pentru luarea deciziilor. În plus, complexitatea lucrului cu

BI/BA, integrarea tehnologiilor şi existenţa competenţelor de analiză avansată a datelor

sunt principalele dificultăţi pentru utilizarea cu succes a BI/BA în cadrul organizaţiilor.

Davenport (2006) identifică două atribute cheie ale companiilor care doresc să concureze pe

BA: utilizarea pe scară largă a instrumentelor de modelare şi optimizare şi o abordare de

întreprindere. IBM (2012) susţine că societăţile care doresc să utilizeze un BA de succes

trebuie iniţial să angajeze eforturi pe rezultate centrate pe client. Apoi să dezvolte un model de

Big Data la nivel de întreprindere, începând cu datele existente, pentru a obţine rezultate pe

termen scurt. Să construiască capacităţi de analiză pe bază de priorităţi de afaceri şi în final, să

creeze o afacere bazată pe rezultate măsurabile.

Aplicaţiile BI şi BA acoperă o arie largă de industrii şi domenii. Astfel în studiul realizat în

luna septembrie 2015 de către Dresner Advisory Services, intitulat "Small and Mid-Sized

Enterprise Business Intelligence Market Study" este evidenţiată unor industrii şi domenii

aplicative pentru domeniul BI (Figura 4.9). Se remarcă că domeniile cele mai bine reprezentate

sunt: tehnologice şi de consultanţă. Alte domenii sunt: servicii financiare, educaţie, vânzări,

fabricaţie, servicii de afaceri, sănătate, activităţi non profit, publicitate, asigurări, transporturi,

distribuţie şi logistică, construcţii, producţie alimentară, produse de larg consum, energie,

sănătate, locuinţe, telecomunicaţii.

Fig. 4.9. Reprezentarea industriilor pentru domeniul BI



TechTarget (http://www.techtarget.com) a prezentat o analiză privind nivelul de utilizare a BI,

BA şi magazii de date (Data Warehouse-DW) în mediul de afaceri din Europa, pentru anul

2013. Tările care au participat la această analiză sunt Marea Britanie, Elveţia, Belgia,

Germania, Irlanda, Olanda, Italia, Polonia, Romania, Rusia, Finlanda, Croaţia, Franta, Suedia

şi Bosnia. Gradul de participare al Romaniei a fost de 3%. Au participat atât organizaţii mari cât

şi organizaţii medii şi mici.

Principalele interogaţii care au stat la baza acestei analize au fost:

"Care au fost cei mai importanţi trei factori consideraţi pentru evaluarea şi selecţia

produselor software de tip BI pe care organizaţia le-a utilizat sau intenţionează să le

utilizeze ?" Lista factorilor consideraţi este prezentată în Tabelul 4.2, în ordinea nivelului de

importanţă cumulat pe ansamblul răspunsurilor.

Tabelul 4.2. Importanţa factorilor consideraţi în evaluarea şi selecţia de software BI

Factor Importanţă

Integrarea cu aplicaţiile întreprinderii 1

Costul 2

Cea mai buna tehnologie care se potriveşte cerinţelor 3

Uzabilitatea / uşurinţa în utilizare 4

Uşurinţa implementării 5

Rentabilitatea 6

Furnizorul preferat 7

Capacităţi de personalizare 8

Suportul furnizorului şi mentenanţa 9

"Care din tehnologiile (dintr-o listă prezentată) este utilizată sau urmează să fie adăugată în

următoarele 12 luni ?" Din răspunsuri se constată că aproape 50% dintre companii

intenţionează să adauge, în următorul an, software BI pentru mobile. BI operaţional în timp

real şi vizualizarea datelor au, de asemenea, un scor mare.

„Care dintre tehnologiile BI le utilizează organizaţia sau intenţionează să le utilizeze în

următoarele 12 luni ?” Tehnologiile de tip „mobile” sunt cele mai vizate (48%), iar cel mai

mult utilizate sunt instrumentele de vizualizare si descoperire de informaţii şi cunoştinţe

(39%) (Figura 4.10).

Fig. 4.10. Tehnologiile BI pe care le utilizează organizaţia sau intenţionează să le utilizeze în

următoarele 12 luni



“Ce tipuri de BA există în organizaţie sau se intenţionează să se utilizeze în următorul an ?”

Răspunsurile au arătat că analiza predictivă şi analiza clienţilor sunt pe primele locuri

(Figura 4.11).

Fig. 4.11. Tipuri de BA utilizate sau care urmează a fi utilizate

“In ce tipuri de tehnologii va investi organizaţia în următoarele 12 luni ?” Magaziile de date

(52%) şi analiza predictivă (50%) s-au plasat pe primele locuri (Figura 4.12).

Fig. 4.12. Tehnologii în care organizaţia va investi în următoarele 12 luni

13%

17%

21%

32%

38%

40%

40%

50%

50%

52%

15%

25%

23%

19%

28%

13%

23%

26%

25%

35%

2%

2%

2%

2%

2%

1%

2%

5%

1%

2%

70%

56%

54%

47%

32%

46%

35%

19%

24%

11%

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

Tehnologii Hadoop/NoSQL

Baze de date coloane/ prelucrare paralelă masivă

Analiză text/reţele sociale

Analiză Big data

BI în timp real

BI mobil

BI cu autoservire

Vizualizare/ descoperire în date

Explorare date/ analiză predictivă

Magazii de date

În creştere La fel În scădere Nu am

52%

51%

48%

37%

29%

29%

16%

16%

14%

1%

0% 10% 20% 30% 40% 50% 60%

Analiză predictivă

Analiză orientată client

Explorarea datelor

Analiză de piaţă

Analiză Big Data

Analiză Web

Analiză reţele sociale

Analiză conţinut/ text

Fără analiză avansată

Alte analize




4.3.1. Principalele instrumente şi tehnici de asistarea deciziei manageriale

Referitor la domeniul cuprinzător al asistării deciziei manageriale, au fost dezvoltate şi sunt

disponibile un număr mare de instrumente şi tehnici, promovate sub diferite nume şi definiţii.

Principalele categorii de instrumente sunt prezentate în Tabelul 4.3.

Tabelul 4.3. Instrumente computerizate pentru asistarea deciziei

Categoria instrumentului

Instrumente şi acronimul lor

Managementul datelor

- Baze de date şi sisteme de baze de date (DBMS) - Extracţia, transformarea şi încărcarea (sisteme ETL) - Magazii de date (DW), DW în timp real, data marts

Rapoarte pentru urmărire a stării (status tracking)

- Prelucrare analitică on-line (On-Line Analytical Processing - OLAP) - Sisteme informatice pentru managerii generali (Executive Information Systems – EIS)

Vizualizare - Sisteme de informare geografice (Geographical înformation Systems - GIS) - Tablouri de bord - Portaluri de informaţie - Prezentări multidimensionale

Analitici de afaceri (Business Analytics)

- Optimizare - Data mining, Web mining şi text mining - Analitici Web (Web analytics)

Managementul strategiei şi performanţei

- Managementul performanţei afacerilor (Business Performance Management BPM)/ Managementul performanţei organizaţiei (Corporate Performance - Management - CPM) - Managementul activităţilor de afaceri (Business Activity Management-BAM) - Tablouri de bord

Comunicare şi colaborare

- Sisteme suport de decizie de grup (Group Decision Support Systems – GDSS) - Sisteme suport de grup (Group Support Systems - GSS) - Portaluri şi sisteme colaborative (Collaborative Information Portals and Systems)

Managementul cunoştinţelor (Knowledge Management – KM)

- Sisteme pentru managementul cunoştinţelor (Knowledge Management Systems - KMS) - Sisteme de localizare expert (Expert Locating Systems - ELS)

Sisteme inteligente (Intelligence Systems)

- Sisteme expert (Expert Systems - ES) - Reţele neuronale artificiale (Artificial Neural Networks - ANN) - Logică fuzzy (Fuzzy Logic) - Algoritmi genetici (Genetic Algorithms - GA) - Agenţi inteligenţi (Intelligent Agents) - Sisteme automate de decizie (Automated Decision Systems -ADS)

Sisteme de întreprindere (Enterprise Systems)

- Planificarea resurselor întreprinderii (Enterprise Resource Planning - ERP) - Management relaţii cu clienţii (Customer Relationship Management - CRM) - Management lanţuri de aprovizionare (Supply-Chain Managemen t - SCM)



4.3.2. Soluţii BI şi BA

In general, evaluările pe acest subiect utilizează termenul Business Inteligence la nivel generic,

incluzând şi funcţionalitatea analitică. Aşadar, se disting trei categorii de „software BI”:

produse software, dedicate pentru a sprijini procesul analitic BI (de exemplu: software

pentru magazii de date, software explorare date, software tablouri de bord digitale,

etc.);

instrumente BI - produse software BI (instalate, configurate şi utilizabile) într-o

organizaţie;

soluţii BI: sunt instrumente BI şi tehnologii conexe, aplicaţii şi procese utilizate în

sprijinul obiectivelor BI.

Aceste delimitări sunt importante. În primul rând, se subliniază faptul că BI se referă la întregul

proces de gestionare a datelor pentru a susţine în cele din urmă luarea deciziilor manageriale.

În al doilea rând, se face o distincţie clară între produse software standard, instrumente sau

aplicaţii (care sunt produse software instalate, configurabile şi utilizabile pentru un anumit scop,

cum ar fi "planificarea afacerii") şi o soluţie BI, care constă din mulţimea de aplicaţii, inclusiv

infrastructura IT de bază - servere, sisteme de operare, platforme de integrare, reţele, etc.

Având în vedere diversitatea mare de domenii de aplicare a BI şi de produse software

corespunzătoare, rezultă că soluţiile BI pot varia în mod semnificativ în ceea ce priveşte

funcţionalitatea, sofisticarea şi complexitatea.

Piaţa soluţiilor de BI se află în mijlocul unei transformări accelerate de la sistemele BI

tradiţionale, utilizate în principal pentru măsurare şi raportare, la cele care realizează predicţie,

prognoză şi optimizare. Se estimează că această piaţă ar fi crescut în 2014 la 14,1 miliarde

dolari, în mare parte prin intermediul unor proiecte de consolidare a companiilor care investesc

în platforme BI ca sport pentru sisteme extinse de raportare. A scăzut interesul pentru unele

capacităţi analitice cum ar fi rapoartele parametrizate, prelucrarea analitică on-line (OLAP) şi

interogarea ad-hoc. Continuând o tendinţă a ultimilor ani, platformele BI sunt din ce în ce mai

utilizate în situaţii de noi vânzări, de noi investiţii. Cerinţele au fost mai orientate prioritar spre

tehnici de descoperire în date conduse de afacerile utilizatorului, pentru a face analize dincolo

de raportarea tradiţională care este mai accesibilă şi omniprezentă la o gamă largă de utilizatori

şi cazuri de utilizare.

De asemenea, companii şi furnizori independenţi de software sunt din ce în ce mai orientaţi

către a integra, în procesele sau aplicaţiile de business, raportarea tradiţională, tablouri de bord

şi analize interactive, cu analiză mai avansată şi prescriptivă construită prin funcţii statistice şi

algoritmi disponibili în cadrul platformei BI. Intenţia este de a extinde utilizarea de analize la o

gamă largă de consumatori şi utilizatori BI netradiţionali, tot mai mult pe dispozitive mobile. Mai

mult decât atât, companiile acordă atenţie sporită construirii de aplicaţii de analiză, considerând

noi tipuri de date şi noi tipuri de analize, cum ar fi locaţia inteligentă şi analiză datelor

multistructurate în baze de date NoSQL.

În analiza pe care au realizat-o asupra pieţei de soluţii BI şi BA (Sallam et al., 2015), grupul de

experţi Gartner le defineşte ca o platformă software care oferă 17 capabilităţi organizate în

trei categorii: livrare informaţii, analiză şi integrare. Pentru livrare informaţii sunt considerate:

(1) raportarea, (2) tablorile de bord, (3) raportarea ad-hoc, (4) integrarea cu Microsoft Office şi



(5) BI pentru mobile. Pentru analiză sunt considerate: (6) vizualizare interactivă, (7)

descoperirea în date pe bază de căutare, (8) localizare inteligentă geospaţială, (9) analize

avansate încorporate şi (10) prelucrare analitică on-line (OLAP). Pentru integrare sunt

considerate (11) infrastructura BI şi administrarea, (12) managementul metadatelor, (13)

orientare pe date utilizator de afaceri şi modelare, (14) instrumente de dezvoltare, (15) analiză

încorporată, (16) colaborare şi (17) suport pentru surse Big Data. Analiza menţionată

poziţionează producătorii de soluţii BI şi BA într-un grafic ce consideră pe axa Ox

"Completitudinea vizibilităţii", iar pe axa Oy "Abilitatea de execuţie" (Figura 4.13).

Fig. 4.13. Un clasament al producătorilor de soluţii BI şi BA

Analiza realizată de TechTarget (http://www.techtarget.com) privind nivelul de utilizare BI şi BA

pentru anul 2013, a evidenţiat principalele firme producătoare din domeniu (Figura 4.14).

Fig. 4.14. Nivelul de utilizare a BI, BA şi magazii de date pentru principalele firme producătoare



Câteva instrumente Software BI pentru managementul performanţei întreprinderii sunt

enumerate în continuare:

Excelsis PMF 2.1, 360 Systems, www.360-systems.com

Cockpit Communicator, 4GHI Solutions AB, http://www.4ghi.com

ActiveStrategy Enterprise, Active Strategy, www.activestrategy.com

Actuate Performance Management, Actuate, www.actuate.com

Balanced Scorecard Designer, AKS-Labs, www.strategy2act.com/

Strategy Map Balanced Scorecard, Applied PC Systems, www.strategymap.com.au/

Clarity Performance Management (CPM) suite, Clarity Systems, www.claritysystems.com

Performance Scorecard, ClearView Systems, www.clearviewsystems.co

Corporate Performance Management, IBM Cognos 8 Business Intelligence, Cognos (An IBM Company), IBM Cognos

CORDA CenterView, Corda PopChart, Corda Technologies, Inc., www.domo.com/

Corporater Enterprise Performance Management Suite, Corporater Group www.corporater.com

CorVu Performance Management Application, CorVu (A Rocket Software company), www.rocketsoftware.com/corvu

Covalent Metrics, Covalent Projects, Covalent Risk, Covalent Core Covalent, www.covalentsoftware.com/

Corporate Overview, Strategic Project Performance Management Cubus, www.cubus.eu

Escendency System, Escendency, www.escendency.com/

Ten Performance Manager, Hitec (Laboratories) Ltd, www.hiteclabs.com/

Business Performance Management (BPM), HostAnalytics, www.hostanalytics.com

Performance Manager, Program Manager, Process Manager i-nexus www.i-solutionsglobal.com

Infor PM (Performance Management), Infor, www.infor.com

Various Products, InformationBuilders, www.informationbuilders.com/

http://www.360-systems.com/Solutions_Excelsis_PMF.php

http://www.4ghi.com/

http://www.activestrategy.com/

http://www.actuate.com/

http://www.strategy2act.com/

http://www.strategymap.com.au/

http://www.claritysystems.com/

http://www.clearviewsystems.co/index.aspx

http://www-01.ibm.com/software/data/cognos/performance-management/index.html

http://www.domo.com/what-we-do

http://www.corporater.com/en/index.html

http://www.rocketsoftware.com/corvu

http://www.covalentsoftware.com/

http://www.cubus.eu/?language=en

http://www.escendency.com/

http://www.hiteclabs.com/

http://www.hostanalytics.com/Home.aspx

http://www.i-solutionsglobal.com/secure/index.php

http://www.infor.com/solutions/pm/

http://www.informationbuilders.com/



Performance Plus, InPhase Software, www.inphase.com

InsightVision, InsightFormation: InsightVision, www.insightformation.com/

Klipfolio Dashboard, Klipfolio, www.klipfolio.com

kpifix, kpifix, www.kpifix.com/

Enterprise Performance Management, Lawson, www.lawson.com

Performance Point Server 2007, Microsoft, office.microsoft.com

Various Products, MicroStrategy, www.microstrategy.com

Nexala Insights, Nexala, www.nexala.com

SPAR.net Performance Management, Nexus Open Software Ltd www.nexusopensoftware.co.uk

Oracle Enterprise Manager, Hyperion Performance Scorecard—System 9, PeopleSoft Enterprise Oracle, www.oracle.com

Executive Strategy Manager, Palladium, www.executivestrategymanager.com

Strat&Go Performance Management Procos, www.procos.com

Corporate Performance Management Suite, Prodacapo Balanced Scorecard, etc., ProDacapo, www.prodacapo.com

QPR Scorecard, QPR FactView, QPR Process Guide, QPR Software, www.qpr.com

Gentia Enterprise Performance Management (see also CorVu), Rocket Software www.rocketsoftware.com

SAP Business Objects Enterprise Performance Management, SAP, www.sap.com

SAS Strategic Performance Management, SAS Institute, www.sas.com

Scoreboard, Spider Strategies, Scoreboard, Connect, QuickScore www.spiderstrategies.com

RunYourScorecard, RunYourCompany, Stratsys, www.stratsys.se

SuccessFactor Performance Manager, Successfactors, www.successfactors.com

http://www.inphase.com/home.shtml

http://www.insightformation.com/

http://www.klipfolio.com/products/default

http://www.kpifix.com/

http://www.lawson.com/

http://office.microsoft.com/en-us/performancepoint-server/

http://www.microstrategy.com/

http://www.nexala.com/

http://www.nexusopensoftware.co.uk/products/sparnet-epm-software/overview.ashx

http://www.oracle.com/index.html

http://www.executivestrategymanager.com/

http://www.procos.com/

http://www.prodacapo.com/

http://www.qpr.com/

http://www.rocketsoftware.com/portfolio/epm/

http://www.sap.com/solutions/sapbusinessobjects/large/enterprise-performance-management/index.epx

http://www.sas.com/

http://www.spiderstrategies.com/products/scoreboard_overview.htm

http://www.stratsys.se/

http://www.successfactors.com/



4.3.3. Tipologia soluţiilor BI “open source”, gratuite

Pe criteriile "open source" (cu sursa programelor la vedere) şi gratuite, soluţiile BI pot fi grupate

în următoarele categorii:

a) soluţii “open source” gratuite

b) soluţii gratuite în Cloud

c) soluţii proprietare gratuite

d) soluţii „open source” comerciale

Pentru exemplificarea lor au fost selectate 32 de produse, prezentate în Tabelul 4.4.

Tabelul 4.4. Soluţii BI open source, gratuite

Nr. BI Software Caracteristici Categorie

1 Pentaho Community Edition

Platformă de analiză business, integrare de date, proiectare de raport, proiectare cu agregare, interfaţa schematică de lucru, editorul Metadata, Hadoop Shims

(a)

2 Open Text Actuate Information Hub, Free Edition

Planifică, gestionează şi exportă conţinut BIRT, Adaugă interactivitate pentru rapoartele BIRT, Colaborează şi comunică conţinutul cu utilizatorii, Integrare conţinut BIRT cu aplicaţia dumneavoastră web

(a)

3 ReportServer Rapoarte grafice, Liste dinamice, Tablouri de bord interactive, Variante de raport, Planificare şi căutare şi UI

(a)

4 Jaspersoft Community Edition

Proiectare de raport, Motor de raportare, Vizualizare interactivă de raport, Server de depozitare, Planificare de raport, BI Mobil, Accesul utilizatorului şi Securitate

(a)

5 Jedox Base Server-ul Jedox Olap, Add-in Jedox Excel

(a)

6 SpagoBI Raportare analiză multidimensională (OLAP), Grafice, Cockpit--uri interactive, Raportare ad-hoc

(a)

7 A Reporting Tool Raportare analiză multidimensională (OLAP), Grafice, Cockpit-uri interactive, Raportare ad-hoc

(a)

8 Pentaho Reporting Proiectare de raport şi motor de raportare

(a)

9 JMagallanes OLAP şi Rapoarte dinamice

(a)

10 OpenReports Generare raport web şi interfaţă de administrare

(a)

11 Seal Report Server de rapoarte Web, Diagrame HTML5 dinamice sau grafice MS, Surse SQL dinamice

(a)

12 Openi Interfaţă web pentru construcţie şi publicare de rapoarte interactive din surse de date OLAP

(a)

13 NextReports NextReports Designer, Next Reports Engine şi NextReports Server

(a)

14 Rapidminer Analitice Avansate, Planificare Avansată, Rapoarte, Rapoarte Interactive, Colaborare, Integrare

(a)

15 Mondrian Server online de procesare analitică (a) 16 KNIME Analitice Avansate, Raportare (a)

17 IBM Watson Analytics

Analitice self-service, Rafinare de date, Depozite de date, Vizualizare de date

(b)

18 Microsoft Power BI Analitice self-service, Rafinare de date, Depozite de date, Vizualizare de date

(b)

19 SAP Lumira Cloud Analitice self-service, Rafinare de date, Depozite de date, Vizualizare de date

(b)



20 MicroStrategy Analytics Express

Analitice self-service, Rafinare de date, Depozite de date, Vizualizare de date

(b)

21 Birst Express for NetSuite

Ediţiile Birst Discovery şi Birst Enterprise pentru NetSuite (b)

22 EspressReport Lite Motor de raportare, Constructor vizual de rapoarte, Instrumente de planificare

(c)

23 SAP Lumira personal edition

Analitice self-service, Rafinare date, Vizualizare de date (c)

24 QlikView Personal Edition

Analitice self-service, Rafinare de date, Vizualizare date (c)

25 Style Scope Free Edition

Tablouri de bord interactive flash şi Vizualizări (c)

26 Qlik Sense Desktop Vizualizări, Rapoarte şi Tablouri de bord (c) 27 icCube Prelucrare analitică multidimensională online, server

raportare web (c)

28 Tableau Public Vizualizare date (c) 29 Pentaho Suită de produse BI “open source” (d)

30 Jaspersoft Suită de produse BI “open source” (d) 31 Jedox Suită de produse BI “open source” (d) 32 TACTIC Platfomă bazată pe web (d)

Trebuie subliniat că, deşi aplicaţiile BI şi BA sunt apreciate pe piaţă în ultimii ani, totuşi

succesul unor astfel de produse depinde de o serie de factori locali, cum ar fi de calitatea

datelor şi a tehnologiilor utilizate, de competenţele analiştilor, de cultura organizaţională, de

adaptarea afacerii la cerinţele utilizării BI. Printre barierele în afaceri, cel mai frecvent

menţionate sunt probleme de afaceri care nu sunt bine definite şi lipsa unei relaţii strânse între

afacere şi viziunea BI. Barierele organizaţionale se referă, în principal, la lipsa sprijinului din

partea managerului, lipsa de cunoştinţe despre sistemul BI şi capacităţilor sale, depăşirea

bugetul BI de punere în aplicare, managementul ineficient al proiectului BI, lipsa de formare şi

suport utilizator.


5. Raport de analiză pentru tematica „Timp real şi conectivitate extinsă”


5.1.1. Sisteme în timp real pentru procese industriale

5.1.1.1. Conceptul de timp real

Cei mai multi autori care au tratat problematica sistemelor în timp real sunt de acord că dacă

un sistem de calcul preia suficient de rapid datele de intrare referitoare la starea unui proces

sau fenomen, efectueaza prelucrarile necesare într-un interval de timp suficient de scurt şi

transmite rezultatele la utilizator suficient de repede pentru a putea influenţa desfăşurarea

fenomenului la care se refera datele de intrare, atunci acesta poate fi considerat sistem de

calcul în timp real.

Un sistem la care datele de intrare sunt introduse în sistemul de calcul direct de la locul de

generare al acestor date, iar cele de iesire sunt transmise direct la locul de utilizare poartă şi

atributul de sistem de calcul "on-line".

Echipamentele conectate la un sistem de calcul on-line de la care se introduc datele sunt fie

terminale, proiectate pentru a fi utilizate de un operator uman, fie traductoare de masura sau

senzori, care preiau direct datele de la un proces sau obiect fizic şi le transmit în sistemul de

calcul. Exista o mare diversitate de asemenea instrumente de masura conectabile direct la

echipamente de calcul precum şi o varietate de dispozitive care pot receptiona direct de la

calculator datele de iesire şi actiona conform acestora în cazul ca reprezinta comenzi.

Elementul esential care caracterizeaza un sistem în timp real este timpul de raspuns -

intervalul de timp necesar sistemului pentru a genera o informatie ca reacţie la datele

introduse. In general, prin timp de raspuns se intelege intervalul de timp intre momentul

producerii unui eveniment şi momentul în care sistemul de calcul reactioneaza la acel

eveniment.

Un sistem de calcul în timp real este necesar sa asigure un timp de raspuns cât mai scurt,

valoarea admisibilă a acestuia depinzind de aplicatia la care se referă. Pentru a putea controla

şi comanda un anumit proces, este necesar ca timpul de raspuns sa nu depăşeasca anumite

limite. Astfel, în cazul conducerii unui sistem din industria energetica sau industria chimica

timpul de raspuns poate fi impus de ordinul milisecundelor, un sistem de supreveghere a

parametrilor unor cuptoare sau furnale ar putea admite timpi de raspuns de ordinul secundelor,

iar în cazul unor sisteme tranzactionale timpul de raspuns admis ar putea fi de ordinul zecilor

de secunde. In toate situatiile enumerate este vorba despre sisteme în timp real deoarece

asigura un timp de raspuns garantat relativ scurt, sub o anumita valoare limita, care permite

influentarea desfasurarii în timp a unui anumit proces sau fenomem la care se refera datele



introduse în sistemul de calcul pentru a fi prelucrate, deci rezultatele se obtin în timp util pentru

a avea efect asupra procesului sau fenomenului.

Notiunea, destul de elastica, de timp real face ca acest atribut sa caracterizeze o clasa relativ

larga de aplicaţii. Majoritatea acestora se referă la sistemele informatice de supraveghere şi

conducere a proceselor din mediul industrial, sistemele tranzactionale de informare sau

conducere operativă, sistemele suport de decizie.

Primele sisteme de calcul în timp real au fost cele de supraveghere şi conducere a proceselor

tehnologice. Noţiunea de proces a cunoscut o continua extindere cuprinzând atât pe cele din

domeniul industrial cât şi unele de alta natura cum ar fi controlul traficului aerian sau rutier,

gestiunea stocurilor, gestiunea magaziilor automate etc.

In cadrul sistemelor de calcul on-line se disting mai multe categorii:

sisteme de calcul "in-line" în care datele de intrare sunt preluate direct de la

instrumente (traductoare) care masoara valorile unor parametri ce caracterizeaza un

anumit proces sau fenomen, date ce sunt transmise şi introduse direct în sistemul de

calcul

sisteme conversationale în care introducerea datelor şi comenzilor precum şi

afisarea rezultatelor se fac în mod direct cu ajutorul terminalelor; aceste sisteme se

caracterizeaza prin gradul de interactivitate dintre calculator şi utilizator

sisteme tranzactionale la care pentru uşurinta utilizarii şi asigurarea unei viteze

sporite de reactie, numarul şi tipul de mesaje şi comenzi ce pot fi introduse de catre

utilizator de la terminale este limitat, iar formatul de introducere şi afisare a datelor este

predeterminat; exemple de asemenea aplicatii se întilnesc în sistemele de conducere

operativa a producţiei, sistemele de rezervare de locuri, sistemele bancare etc.

5.1.1.2. Tendinţe de evoluţie a domeniului STR-CP

La nivel mondial, evoluţia sistemelor de conducere a proceselor în timp real este marcată de

câteva tendinţe semnificative, dintre care menţionăm:

- utilizarea unor standarde internaţionale atât pentru certificarea echipamentelor, a

comunicaţiei sau a pachetelor de programe, cât şi pentru sisteme sau ansambluri precum bucle

de reglare. Un exemplu este referitor la Sisteme cu Siguranţă Mărită (Safety Instrumented

Systems);

- diversificarea configuraţiei sistemelor, la sistemele DCS (Distributed Control Systems) şi

PLC adăugându-se cele total distribuite (compatibile standardului Fieldbus Foundation), sau

cele compacte PAC (Programmable Automation Controller);

- creşterea gradului de integrare atât prin utilizarea de standarde de interfaţare, cât şi prin

dezvoltarea de sisteme în timp real, cu siguranţă mărită, bazate pe platforme de comunicaţie

unice (magistrală internă);

- extinderea utilizării de protocoale de comunicaţie standardizate pentru dezvoltarea de

noi produse (traductoare, elemente de execuţie, regulatoare), cât şi de noi sisteme (DCS, PLC,



RTU, SCADA, MES, PI). Standardul IEC 61850 a creat premizele trecerii de la reţele de utilităţi

monitorizate de sisteme informaţionale la Smart Grid-uri;

- consolidarea utilizării de standarde pentru algoritmi sau expresii matematice, atât

pentru automate programabile, cât şi pentru alte regulatoare sau programe de monitorizare şi

control;

- cresterea ponderii iniţiativelor şi produselor „open source” atât în sistemele informatice

de gestiune, cât şi în cele de timp real. Un exemplu elocvent este iniţiativa OPC – Open

Platform Communication, un standard de interoperabilitate în automatizările industriale.

Tehnologiile OPC permit schimb de informaţii uşor şi sigur între platforme ale diverşilor

furnizori, precum şi integrarea acestor platforme fără a fi necesară dezvoltarea de componente

soft costisitoare.

În ultimii ani s-au facut progrese semnificative în automatizarea instalaţiilor industriale de mari

dimensiuni. Acest lucru se datorează faptului că au fost dezvoltate echipamente capabile să

implementeze funcţii cu un nivel de complexitate din ce în ce mai ridicat, dar care necesită şi o

ajustare corespunzătoare a mecanismelor şi strategiilor de operare şi control. Din acest motiv,

specialistii care construiesc noile strategii trebuie să găsească metode pentru creşterea calităţii

şi eficienţei aplicaţiilor elaborate, dar şi pentru micşorarea timpului de dezvoltare şi

implementare, menţinând totodată un nivel ridicat de fiabilitate şi siguranţă.

Sistemele de control bazate pe utilizarea Internet, IBCS (Internet-Based Control System),

devin din ce în ce mai populare datorită flexibilităţii şi accesibilităţii pe care le oferă. Noua

generaţie de aplicaţii în timp real trebuie să se conformeze cerinţelor industriale de a susţine

integrarea la nivel de companie, controlul la distanţă şi chiar implementarea de sisteme bazate

pe Internet, care să permită execuţia distribuită şi cooperarea între diferite echipamente.

O altă direcţie de cercetare din domeniul sistemelor de control la distanţă de tip supervizor o

reprezintă conectarea instalaţiilor la un centru dedicat de analiză şi diagnoză a riscului,

capabil să ofere soluţii de gestionare a unor situaţii critice. Un asemenea centru necesită

capabilităţi de execuţie la distanţă a unor algoritmi de analiză în scopul identificării situaţiilor

critice, precum şi a unor algoritmi de management al riscului. Execuţia la distanţă permite unui

controller dintr-o reţea distribuită să aibă acces la o putere de calcul şi o bază de cunoştinţe

mai mari decât cele disponibile prin propriile resurse. În acest mod, algoritmii ce necesită un

efort de calcul ridicat (din domenii precum modelarea proceselor, optimizare, control avansat

bazat pe tehnici de inteligenţă artificială, analiză a riscului, prelucrare de imagini etc.) pot fi

stocaţi şi executaţi pe un echipament aflat la distanţă, folosind o conexiune de reţea pentru a

accesa parametrii din proces şi a trimite rezultatele.

Industria se bazează în prezent, tot mai mult, pe sistemele de conducere a proceselor în timp

real, acestea îndeplinind de la funcţii simple, precum monitorizarea proceselor şi comenzi

standard, la regulatoare PID şi chiar aplicaţii complexe de control bazate pe inteligenţă

artificială, metode de control predictiv sau analiza de către un supervizor a funcţionării

sistemelor automate. Tendinţa este de integrare a sistemelor de conducere avansată ale

unei instalaţii în reţelele corporatiste, astfel încât să se poată aborda o metodă de

management unitar, care să înglobeze aspectele economice, tehnologia de producţie, precum

şi resursele materiale şi umane. Se acordă o atenţie tot mai mare dezvoltării de servicii

Cloud dedicate, care să preia atribuţiile actualelor sisteme de conducere SCADA (Supervisory

Control and Data Aquisition) şi să pună la dispoziţie funcţionalitatea acestora pentru a construi



arhitecturi dinamice ce acţionează şi pe planul vertical, intregrând datele din proces cu sisteme

precum MES (Manufacturing Execution System) şi/sau ERP (Enterprise Resource Planning).

5.1.1.3. Aspecte privind dezvoltarea STR-CP

Procesele tehnologice supuse automatizarii evolueaza adesea în prezenta perturbatiilor, ceea

ce impune adoptarea unor structuri de sisteme evoluate de conducere adaptiva şi

optimală. Regulatoarele, ca elemente de decizie, genereaza comenzi în functie de program şi

de variabilele masurate din proces, inclusiv perturbatii aditive. Varianta parametrilor sau

structurii obiectului condus sub acţiunea unor marimi endogene sau exogene parametrice

necesită adaptarea comenzii în vederea asigurării invariantei performantelor sistemului de

reglare automată. Pentru acest caz, se impune alcătuirea unei structuri de sistem adaptiv.

Criteriile de performanta utilizate la proiectarea sistemelor de reglare automata pot fi criterii

locale sau criterii integrale. Proiectarea pe baza unor criterii locale de performanta urmareste

asigurarea unui anumit raspuns al sistemului, atunci cind la intrare se aplica un semnal dat,

respectiv când perturbatiile apartin unei clase precizate. Criteriile integrale se formuleaza

ţinând seama de tipul semnalelor externe ce actioneaza asupra sistemului. Se poate spune că

procesul de proiectare al unui sistem de reglare automata optimală multi-obiectiv are un

caracter iterativ şi interactiv, începând de la faza de construcţie a modelului matematic, pâna la

validarea soluţiei de automatizare, prin analiza asistată de calculator a performanţelor.

Procesele industriale foarte rar sunt reprezentate de o singura funcţie obiectiv. De cele mai

multe ori, sunt reprezentate de un vector de obiective care trebuie îndeplinite simultan.

Importanta relativa a acestor obiective nu este în general cunoscută pâna când cele mai bune

capacităţi ale sistemului industrial nu sunt determinate şi obiectivele nu sunt pe deplin înţelese.

Pe măsura ce numărul de obiective creşte, problema optimizarii devine complexă şi mai dificil

de cuantificat. Se pune mult accent pe intuiţia proiectantului şi pe abilitatea sa de a exprima o

serie de preferinte de-a lungul ciclului de optimizare. Astfel, cerintele pentru o strategie de

proiectare multi-obiectiv sunt permiterea exprimării formularii unei probleme naturale,

capacitatea sistemului de a rezolva problema şi capacitatea proiectantului de a introduce

preferintele într-o problema de proiectare realistă şi numerică.

Optimizarea multi-obiectiv conduce la minimizarea unui vector de obiective care pot fi supuse

unui număr de restricţii. Intrucât functia obiectiv este un vector, există mai multe soluţii pentru

optimizarea multi-obiectiv. O soluţie neinferioară este o solutie în care îmbunatatirea unui

obiectiv necesită degradarea unui alt obiectiv. Optimizarea multi-obiectiv este preocupată de

generarea şi selectarea unei soluţii neinferioare.

Noua generaţie de echipamente de proces trebuie să poată susţine dezvoltarea unor aplicaţii în

timp real din ce în ce mai complexe şi să permită proiectarea unor sisteme de conducere

adaptabile, reconfigurabile, capabile să funcţioneze în arhitecturi distribuite ce au o flexibilitate

ridicată. Reconfigurabilitatea presupune posibilitatea de modificare a codului unei aplicaţii sau

de transfer a valorilor unor variabile în timpul execuţiei, fără a fi necesară oprirea regulatorului.

Trecerea de la controlul centralizat al automatelor programabile (PLC - Programmable Logic

Controller) la cel distribuit ajută la constituirea unui sistem capabil să se adapteze şi să fie

reconfigurat în funcţie de instalaţie, care să poată fi utilizat în instalaţii distincte cu o gamă largă

de regulatoare. Prin aceasta se creşte şi fiabilitatea sistemului întrucât nu există un punct unic



de defectare şi se pot implementa mecanisme care să permită ca la înlăturarea unei

componente, restul sistemului să se adapteze. Principalul aspect care trebuie avut în vedere în

dezvoltarea unor aplicaţii de conducere avansata pentru procesele complexe în timp real este

posibilitatea de reutilizare a strategiilor şi algoritmilor dezvoltaţi.

În ultimii ani a fost introdusă în industria sistemelor complexe în timp real o largă varietate de

tehnologii şi echipamente de magistrale de câmp (fieldbus), care se bazează pe protocoale

industriale (precum Profibus, Modbus, Ethernet/IP, CAN, ControlNET etc.), ce permit schimbul

de mesaje sau de date între echipamentele componente. A fost acceptat gradual faptul că sunt

necesare variate tehnologii de comunicaţie pentru a răspunde la cerinţele diverselor aplicaţii.

Totuşi, inginerii au nevoie de o interfaţă şi de funcţionalitate comune pentru a opera sistemele

de conducere în timp real, independent de tehnologia utilizată sau de producătorul acestuia. O

evoluţie importantă o reprezintă standardul IEC 61804, care oferă utilizatorului final

specificaţiile necesare pentru satisfacerea cerinţelor sistemelor de control distribuit bazate

pe blocuri funcţionale. Specificaţiile definesc cerinţele pentru ca blocurile funcţionale să

controleze şi să faciliteze operaţiile de mentenanţă şi de management tehnic, ca aplicaţii care

interacţionează cu elemente de execuţie şi cu echipamente de măsură. Se doreşte astfel

definirea unei arhitecturi care să ofere o specificaţie comună tuturor componentelor din sistem

(funcţii, echipamente, formatul datelor, metode de interfaţare etc.), precum şi a relaţiilor dintre

acestea. Standardul include: modelul care defineşte componentele unui echipament compatibil

cu IEC 61804; specificaţiile conceptuale ale blocurilor funcţionale de măsurare, acţionare şi

prelucrare; tehnologia EDD (Electronic Device Description), care permite integrarea de detalii

ale componentelor sistemului de automatizare prin utilizarea unei semantici similare

instrumentelor de gestionare a ciclului de viaţă al unui sistem de control.

O aplicaţie bazată pe blocuri funcţionale este construită din componente. Blocurile

funcţionale sunt încapsulări de variabile, parametri şi algoritmi de calcul, necesari în

proiectarea procesului şi a sistemului său de control. Aplicaţia poate fi distribuită pe mai multe

echipamente, conectate printr-o reţea sau o ierarhie de reţele de comunicaţie.

5.1.2. Internetul lucrurilor (IoT)

5.1.2.1. Conceptul IoT

Internetul lucrurilor (Internet of Things - IoT) este un concept şi o paradigmă care consideră o

varietate de obiecte aflate într-un mediu în care acestea pot interacţiona şi coopera între ele

prin conexiuni cu sau fără fir, cât şi prin scheme de adresare unice, pentru a crea aplicaţii şi

servicii noi, pentru a ajunge la obiective comune.

Conform Gartner, IoT este o reţea de obiecte fizice cu tehnologie încorporată pentru a

comunica, sesiza şi interacţiona cu propriile stări interne şi cu mediul extern. În domeniul

fabricaţiei, la nivel operaţional poate asigura noi niveluri de flexibilitate, fiabilitate, productivitate

şi colaborare .

La rândul său, IERC (IoT European Research Cluster) a formulat următoarea definiţie a IoT: “o

infrastructură globală pentru societatea informaţională, ce permite servicii avansate prin

interconectarea (fizică şi virtuală) a obiectelor, bazată pe existenţa şi dezvoltarea informaţiei

interoperabile şi a tehnologiilor de comunicaţii”.



Scopul IoT este de a permite obiectelor să fie conectate oricând, oriunde, în timp ce oricine va

putea folosi orice serviciu, prin orice reţea. Obiectele se fac recunoscute şi pot obţine

inteligenţă prin luarea şi permiterea unor decizii legate de context, datorită faptului că aceste

obiecte pot comunica informaţii despre sine şi pot accesa informaţii ce sunt transmise de alte

obiecte. IoT este o reţea a obiectelor fizice cu tehnologie incorporate pentru a comunica, a simţi

şi a interacţiona cu starile lor interne sau cu mediul extern. IoT furnizează accesul la informaţie,

media şi servicii prin conexiuni broadband, cu şi fără fir. IoT se foloseşte de sinergii generate

din convergenţa consumatorului de afaceri şi de Internet industrial. Această convergenţă

creează o reţea globală care conectează oameni, date şi obiecte.

IoT face posibilă dezvoltarea reţelelor ce incorporează întregul proces de fabricaţie. Prin

analiza datelor furnizate de obiectele inteligente din reţeaua IoT se oferă noi servicii care nu ar

fi fost posibile fără acest nivel de conectivitate şi inteligenţă analitică.

Caracteristicile fundamentale IoT sunt următoarele:

Interconectivitatea: posibilitatea de conectare la infrastructuri globalizate de

comunicaţii de informaţii

Serviciile legate de obiecte: capabilitatea de a furniza servicii care includ elemente de

constrângere în raport cu obiectele care le generează, cum ar fi protecţia

confidenţialităţii sau consistenţa semantică a acestor obiectele în interacţiunea lor cu

alte obiecte fizice şi obiectele virtuale asociate.

Heterogenitatea: diversitatea dispozitivelor din IoT, care pot interacţiona între ele sau

cu alte platforme.

Modificări dinamice: numărul dispozitivleor, starea lor (activare şi dezactivare,

conectare şi deconectare), cât şi contextul în care acţioneză (de exemplu locaţia,

viteza) se schimbă în mod dinamic

Scalare mare: capacitatea de a se adapta tendinţei de creştere accentuată a numarului

dispozitivelor IoT (magnitudine comparabilă cu cea a dispozitivelor legate la Internet).

5.1.2.2. Structura funcţională a unei soluţii IoT

Principalele moduel ale unei soluţii IoT sunt următoarele:

Modulul de interacţiune cu dispozitive IoT locale: este responsabil pentru achiziţia

datelor, printr-o interfaţă wireless de distanţă mica, şi trimiterea acestora către servere

aflate la distanţă pentru analiză, prelucrare şi stocare permanentă. .

Modulul pentru analiza şi procesarea locală: are rolul de prelucra local datele

achiziţionate de către dispozitivele IoT.

Modulul pentru interacţiunea cu dispozitive IoT la distanţă: asigură achiziţionarea

datelor, direct prin Internet sau proxy, şi trimiterea acestora către servere aflate la

distanţă pentru analiză, prelucrare primara şi stocare permanentă.

Modulul pentru analiză şi prelucrări specifice: preia cerinţele şi datele de intrare

relevante ale clienţilor, execută algoritmii specifici de procesare şi generează mărimi de

ieşire ce vor fi prezentate utilizatorilor; rulează pe un server de aplicaţii şi este disponibil

tuturor utilizatorilor.



Modulul pentru integrarea informaţiei generate de IoT: asigură valorificarea datelor

generate de IoT în contextul conducerii proceselor de producţie ale unei întreprinderi;

acest modul va căpăta importanţă crescută, o dată cu extinderea utilizării soluţiilor IoT

în întreprinderi.

Modulul de interfaţă cu utilizatorul: asigură reprezentarea vizuală a datelor /

măsurătorilor IoT într-un anumit context (de exemplu o hartă, un tablou de dispecer) şi

interacţiunea cu utilizatorul.

5.1.2.3. Tehnologii suport

Tehnologiile generice ale IoT pot fi grupate în trei categorii:

1. Tehnologii ce permit obiectelor procurarea de informaţie contextuală

2. Tehnologii ce permit obiectelor procesarea informaţiei contextuale

3. Tehnologii ce îmbunătăţesc nivelul de securitate şi confidenţialitate.

Primele două categorii pot fi înţelese ca blocuri funcţionale ce dezvoltă „inteligenţa” în „lucruri”,

acestea fiind trăsăturile ce diferenţiază IoT de către Internetul obişnuit. Cea de-a treia categorie

nu este una funcţională, ci mai degrabă o cerinţă. Dezvoltatorii IoT atenţionează că mediile,

oraşele, construcţiile, vehiculele, îmbrăcămintea şi dispozitivele portabile au din ce în ce mai

multă informaţie asociată cu ele şi au abilitatea de a întelege, comunica sau a produce

informaţii noi. O data cu incorporarea IoT în fabricile de mici dimensiuni, atât volumul cât şi

nivelul de detaliu a datelor generate va creşte considerabil. De asemenea, modelele de afaceri

nu se vor referi doar la o singură companie, ci vor cuprinde reţele dinamice ale companiilor.

Datele vor fi generate şi transmise automat de către maşini inteligente, iar aceste date vor

depăşi graniţele companiilor. În acest context pot fi identificate o serie de pericole, cum ar fi:

datele generate iniţial şi trimise pentru coordonarea fabricaţiei şi a logisticii între diferite

companii pot furniza terţelor părţi informaţii sensibile despre una dintre companiile partenere.

Dezvoltarea tehnologiilor, cum ar fi nanoelectronice, comunicaţii, senzori, smart phones,

sisteme incorporate, reţele, Cloud, virtualizarea reţelelor vor fi necesare pentru a furniza

obiectelor capacitatea de a fi conectate oricând şi oriunde. Aceasta va permite inovaţii privind

utilizarea IoT în diferite sectoare industriale. Unele dintre aceste tehnologii, cum ar fi sistemele

incorporate permit apropierea între spaţiul virtual şi lumea fizică a obiectelor.

Agenda de cercetare strategică şi inovare a IERC, care acoperă problemele şi provocările de

natură tehnologică importante pentru IoT, furnizează viziunea şi parcursul de urmat pentru

coordonarea şi raţionalizarea cercetării-dezvoltării în domeniul tehnologiilor suport IoT. Lista

tehnologiilor avute în vedere include: identificare, comunicare, tehnologia reţelelor,

descoperirea reţelelor, algoritmi şi software, tehnologie hardware specific, procesarea datelor şi

a semnalelor, motoare de descoperire şi de căutare, administrarea reţelelor, stocarea puterii şi

a energiei, securitatea, dependenţa şi confidenţialitatea, interoperabilitatea, standardizarea.

Un rol important pentru IoT îl au tehnologiile semantice, în contextul refolosirii obiectelor

virtuale. Îmbogăţirea semantică a descrierilor obiectelor virtuale realizează pentru IoT ceea ce

a realizat adnotarea semantică a paginilor web pentru SemanticWeb.



In ceea ce priveşte tehnologia Cloud Computing, se apreciază că după IaaS, PaaS, şi SaaS,

următoarea paradigmă este virtualizarea lucrurilor pentru a putea furniza funcţionalitate IoT as

a service. Convergenţa Cloud cu IoT va crea multiple oportunutăţi de promovare a serviciilor

IoT la cerere, pe suport Cloud. In plus, Cloud permite globalizarea acestei infrastructuri de

servicii, iar comunicaţiile mobile permit utilizatorilor globali să se conecteze la această

infrastructură oricând şi oriunde Rezultatul este o reţea de lucruri, utilizatori şi consumatori

accesibilă la nivel global, în care aceştia pot crea modele de afaceri, pot contribui cu conţinut şi

pot genera sau cumpăra noi servicii.

5.1.2.4. Domeniile de aplicabilitate

Un obiectiv major în viziunea IoT European Research Cluster il reprezintă crearea unor medii/

spaţii inteligente în domenii aplicative prioritare, cum ar fi transportul, producţia, oraşe, clădiri,

sănătate, energie inteligentă. Caracteristica principală a acestor spaţii o reprezintă capacitatea

de intercaţiune între oameni, echipamente şi mediul înconjurător.

Astăzi, există miliarde de senzori conectaţi prin intermediul unor smart phone-uri şi mulţi alţi

senzori care sunt conectaţi la reţele mobile „smart” folosindu-se alte protocoale de comunicare.

Provocarea este obţinerea datelor de la aceşti senzori într-un format interoperabil şi crearea

unor sisteme capabile să valorifice aceste date în beneficiul utilizatorilor. Lista de aplicaţii IoT

prezentată în continuare include exemple din diferite domenii, care demonstrează de ce acest

IoT este una dintre tendinţele strategice ale de dezvoltare tehnologică în următorii ani.

5.1.2.4.1. IoT în domeniul industrial

IoT joacă deja un rol critic în următoarea fază de automatizare a fabricaţiei, denumită iniţiativa

Industry 4.0 (Manyika et al., 2015). Acest concept se referă la digitalizarea completă a

proceselor de producţie, cuplarea lumi digitale cu lumea fizică în cadrul fabricii. Un aspect

definitoriu al Industry 4.0 este abilitatea de a monitoriza şi de a controla toate echipamentele de

producţie şi de a folosi datele colectate pentru a îmbunătăţi productivitatea şi calitatea.

Tehnologia IoT este plasata în acest fel în centrul unui nou val de inovare, comparabil cu

utilizarea aburului sau a energiei electrice (prima şi a doua revoluţie industrială). Este de

aşteptat să genereze îmbunătăţiri radicale în domenii cum sunt:

Optimizarea la nivel operaţional - IoT poate creşte productivitatea între 10 şi 25 la sută prin

îmbunătăţirea eficienţei producţiei. Cu IoT, producătorii pot obţine o imagine detaliată a ceea ce

se întâmplă la fiecare punct în procesul de producţie, pot să facă ajustări în timp real pentru a

menţine un flux neîntrerupt de produse finite şi pot să evite defecţiunile. Pe această bază au

posibilitatea de a vizualiza modul în care se derulează procesul de fabricaţie şi pot trata în

eventualele blocaje. De asemenea, posibilitatea de eroare umană este considerabil redusă.

Întreţinerea predictivă - cu senzori şi conectivitate este posibilă monitorizarea echipamentelor

de producţie în timp real, ceea ce permite abordarea de tip predictiv a problemelor de

întreţinere, având ca rezultat evitarea avariilor, îmbunătăţirea capacităţii de utilizare şi a

nivelului de productivitate. In plus, cu dispozitive IoT interconectate este posibil să se

monitorizeze performanţa tuturor instalaţiilor într-un mod sistematic. De exemplu, în cazul în

care o maşină în aval detectează că piesele de lucru pe care le primeşte au în mod constant

deviaţii pe o anumită dimensiune, acesta poate fi un indiciu că echipamentele din amonte au



nevoie de întreţinere. In acest fel aceste echipamente pot fi reparate şi reglate înainte de

livrarea unor produse cu defecte sau înainte de defectarea respectivelor echipamente.

In prezent, unii producători din industria auto detectează semnale precoce ale problemelor la

echipamentele de producţie folosind senzori la distanţă, care colectează şi raportează datele

de stare a acestora. Aceasta permite prioritizarea şi optimizarea resurselor de întreţinere, cu

economii la costurile de întreţinere comparativ cu întreţinerea programată şi evitarea

întreruperilor de producţie. Unii furnizori de echipamente folosesc tehnologia IoT pentru a

migra către un model de tip serviciu, furnizând echipamente şi întreţinere continuă pe bază de

contract, cu garantarea unui anumit nivel de disponibilitate în funcţionare. Ei monitorizează

continuu, de la distanţă, echipamentele livrate la beneficiar astfel încât să poată acorda service

în timp real, de la distanţă sau local. In acelaşi timp, acest gen de servicii le permit să colecteze

date despre performanţa echipamentelor, utilizate la îmbunătăţirea proiectării şi fiabilităţii

acestora. Întreţinerea predictivă ar putea reduce costurile de întreţinere cu 10 până la 40 la

suta.

Optimizarea stocurilor – personalul operaţional din fabrică are posibilitatea de a capta valoare

prin îmbunătăţirea modului în care gestionează inventarul. Inventarul afectează cheltuielile de

capita, în timp ce reducerea inventarului poate provoca întreruperi deproducţia. Folosind

senzori de greutate sau senzori de înălţime este posibilă generarea automată a unor comenzi

de aprovizionare care sunt mult mai precise decât sistemele actuale bazate pe reguli, care

estimează nevoia de reaprovizionare. Urmărirea dotărilor ajută, de asemenea, la îmbunătăţirea

utilizării acestora, precum şi performanţa angajaţilor de pe nivelul operativ.

Nivelul şi ritmul de adoptare a soluţiilor IoT în mediul de producţie depinde de o serie de

factori facilitatori şi de bariere. Un prim fapt pozitiv este că, după decenii de investiţii în

automatizarea producţiei, introducerea IoT nu va necesita, în multe cazuri, înlocuirea dotărilor

existente, deoarece multe echipamente în exploatare au deja senzori sau pot fi dotate

corespunzător. Acest aspect este în contrast puternic cu schimbări anterioare similare ca

amploare pentru mediul industrial (ca de ex. trecerea la utilizareaa aburului), care necesita

înlocuirea a mai mult de 80 la suta din echipamentele de producţie instalate. Deoarece fabricile

sunt mari consumatoare de capital şi rata de înlocuire a echipamentelor poate fi foarte scăzută

(în special în economiile în curs de dezvoltare), adaptabilitatea dotărilor existente pentru

aplicaţii IoT este un impotant factor facilitator. Deci, în timp ce cele mai multe echipamente pot

fi modernizate pentru a deveni IoT-ready, adoptarea acestei tehnologii ar putea fi graduală, în

special pentru întreprinderile mici şi mijlocii de producţie. Rata de adoptare a IoT-ului în

producţie, pentru anul 2025 este estimată între 65 şi 90 la suta în economiile avansate şi de

între 50 şi 70 la sută în economiile în curs de dezvoltare. Aceste niveluri de penetrare sunt

similare cu cele observate pentru echipamentele de automatizare a producţiei din ultimele

decenii.

O altă cerinţă general valabilă pentru adoptarea IoT în mediul de producţie o constituie reţelele

de date fiabile cu o capacitate suficientă de transfer. Reţele de date din mediul industrial

funcţionează în multe ori în medii cu nivel ridicat de interferenţă electromagnetică. De

asemenea, fluxul continuu de date între maşini şi sistemele informatice la distanţă necesită o

lărgime de bandă corespunzătoare, pe distanţe lungi.

Maximizarea beneficiilor sistemelor IoT bazate în mediul de producţie depinde, de asemenea,

de îmbunătăţirea algoritmilor analitici, care pot interpreta în timp real fluxurile de date de la



mai multe masini. O asemenea posibilitate contrastează puternic cu situaţia actuală, în care

foarte puţine date generate de echipamentele de producţie sunt utilizate efectiv luarea

deciziilor.

Probleme de securitate şi confidenţialitate a datelor afectează, de asemenea, adoptarea

IoT. Pentru a coleacta datele de îmbunătăţire a soluţiilor de proiectare a echipamentelor pe

baza rezultatelor utilizării acestora, producătorii au nevoie de acces la date cu privire la modul

în care clienţii lor folosesc produsele respective. Acest asepct poate ridica probleme de

confidenţialitate, deoarece un clientpaote considera aceste date confidenţiale, fiind legate de

performanţa procesului de fabricaţie.

5.1.2.4.2. Alte domenii applicative pentru IoT

Monitorizarea inteligentă a mediului

Detectarea incendiilor forestiere: Monitorizarea gazelor şi a condiţiilor de incendiu pentru

definirea unor zone de alertă.

Poluarea aerului: Controlul emisiilor CO2 din fabrici, a poluării emise de către maşini şi a

gazelor generate din ferme.

Energie inteligentă

Instalaţii fotovoltaice: Monitorizarea şi optimizarea performanţei a parcurilor solare.

Turbinele eoliene: Monitorizarea şi analiza fluxului de energie din turbinele eoliene.

Clădiri inteligente

Controlul accesului: Controlul accesului către anumite arii, şi detectarea persoanelor aflate în

arii neautorizate.

Prezenţa lichidului: Detectarea lichidelor în centre de date, depozite pentru a prevenii

întreruperi de funcţionare.

Controlul climei în interior: Măsurarea şi controlul temperaturii, luminii şi nivelului CO2.

Sănătate inteligentă

Calitatea vietii : Asistenţă către bătrâni sau către oamenii cu dezabilităţi ce trăiesc

independent.

Monitorizarea activităţii fizice pentru oamenii în vârstă: senzori pe corp ce măsoare

mişcarea, semnele vitale.

Frigidere medicale: controlează condiţiile din interiorul frigiderelor care stochează vaccinuri,

medicamente şi elemente organice.

Îngrijirea sportivilor: Monitorizarea semnalele vitale în centre de înaltă performanţă.

Supravegherea pacienţilor: Monitorizarea condiţiilor pacienţilor din spitale şi din casele

oamenilor în vârstă.



Gestionarea bolilor cronice: Sisteme de monitorizare a pacienţilor cu boli cronice.

Transport inteligent

Calitatea condiţiilor de transport: Monitorizarea vibraţiilor sau a lovirii recipientelor.

Localizarea obiectelor: Căutarea unor obiecte individuale în suprafeţe mari.

Monitorizarea inteligentă a apei şi a hranei

Calitatea apei: studiul sustenabilităţii apei în râuri şi mări pentru faună şi gradul de

potabilitate.

Cursuri de apă: detectarea prezenţei lichidelor în afara bazinelor şi a variaţiilor de presiune

din ţevi.

Inundarea râurilor: Monitorizarea variaţiilor de nivel a apei din râuri, baraje şi rezervoare.

Administrarea apei: prezentarea informaţiei în timp real despre folosirea apei prin colectarea

parametrilor de apă reziduala către o reţea.

Controlul lanţului de aprovizionare: monitorizarea condiţiilor de stocare pe parcursul lanţului

de aprovizionare, şi monitorizarea produselor pentru scopuri de urmărire.

Îmbunătăţirea calităţii vinului: monitorizarea umezelii pământului şi a diametrului tulpinii în vii

pentru controlul cantităţii zahărului în struguri şi a sănătăţii acestuia.

Case verzi: Controlul micro-climatului pentru maximizarea producţiei de fructe şi legume şi a

calităţii acestora.

Smart Living

Aplicaţii inteligente de cumpărături: Furnizarea de sfaturi în funcţie de preferinţele, obiceiurile

clienţilor.

Controlul la distanţă a aparatelor: Pornirea şi oprirea aparatelor de la distanţă pentru evitarea

accidentelor şi economisirea energiei.

5.1.3. Suportul Cloud Computing pentru sisteme în timp real

5.1.3.1. Conceptul Cloud

Calculul în “Cloud” (Cloud Computing) este calculul bazat pe Internet, în care grupuri mari de

calculatoare (servere) sunt interconectate pentru a permite stocarea centralizată a datelor şi

accesul direct (online) la serviciile sau resursele de calcul.

Platformele Cloud pot fi clasificate ca publice, private, sau hibride. Resursele din Cloud sunt, de

regulă, partajate de mai mulţi utilizatori şi realocate dinamic la cerere. Principala tehnologie

inovatoare pentru calculul în Cloud este virtualizarea, care permite divizarea unui dispozitiv de

calcul fizic în unul sau mai multe dispozitive „virtuale”, putând fiecare să fie uşor utilizat şi

administrat pentru a efectua activităţi de calcul. Devine astfel posibilă optimizarea utilizării

resurselor de calcul.



Modelul Cloud computing are următoarele caracteristici esenţiale:

este disponibil la cerere;

se bazează pe auto-servirea de către utilizator;

uşor accesibil prin intermediul Internet-ului;

promovează principiul partajării resurselor de calcul;

asigură elasticitate în utilizarea resurselor;

implemetează principiul „plată conform utilizării” prin contabilizarea utilizării serviciilor.

5.1.3.2. Tipuri de servicii Cloud

Toate resursele Cloud sunt oferite ca servicii şi se folosesc standarde larg acceptate şi cele

mai bune practici dobândite în domeniul arhitecturilor bazate pe servicii (SOA – Service

Oriented Architecture), pentru a permite accesul global şi uşor la capabilităţile de calcul în

Cloud. Cele mai frecvent folosite sunt serviciile SPI: Software as a service (SaaS), Platform as

a service (PaaS) şi Infrastructure as a service (IaaS).

In cazul IaaS, capacitatea furnizată consumatorului Cloud este de resurse computaţionale,

stocare date, crearea de reţele, şi alte resurse de calcul fundamentale, consumatorul fiind

capabil de a implementa şi de a rula orice software, precum sisteme de operare şi aplicaţii.

Exemple de servicii IaaS sunt Amazon EC2 şi Google Compute Engine.

PaaS furnizează consumatorului Cloud capacitatea de a implementa aplicaţii folosind limbaje

de programare, biblioteci, servicii şi instrumente susţinute de către furnizorul Cloud. Un

exemplu PaaS este Google App Engine.

SaaS oferă consumatorului posibilitatea de a utiliza aplicaţii oferite de către furnizorul de

servicii Cloud, acestea rulând pe infrastructura Cloud a acestuia. Exemple în acest sens sunt

Salesforce CRM (Customer Relationship Management) şi Gmail.

Alte tipuri de servicii disponibile pentru utilizare în Cloud sunt: Network as a service, Storage as

a service, Data as a service, Database as a service, Test environment as a service, Desktop

virtualization, API as a service, Backend as a service.

Utilizatorii Cloud pot alege între diferitele tipuri de servicii Cloud, în funcţie de propriile nevoi de

portabilitate şi automatizare. De exemplu, în cadrul PaaS se oferă posibilitatea de configurare

mai rapidă a aplicaţiilor decât în cadrul IaaS, iar utilizatorii pot exploata oportunităţile de

găzduire gratuită oferite de unii furnizori de soluţii PaaS (de exemplu, Google App Engine).

Serviciile de tip PaaS şi SaaS oferite de către un furnizor Cloud sunt de obicei implementate pe

baza unei infrastructuri de tip IaaS, ceea ce face ca interoperabilitatea nivelului IaaS să fie

mult mai importantă decât a celorlaltor două niveluri superioare. Interoperabilitatea PaaS

depinde în cea mai mare parte de mediile de dezvoltare, ce pot fi mai bine susţinute de către

comunităţile proprii de dezvoltatori atunci când este necesar. Nivelul SaaS oferă un cadru

complet pentru un serviciu utilizator, astfel că principala problemă de interoperabilitate este în

mare parte legată de accesul la date.

Din punctul de vedere al utilizatorilor, clienţii Cloud sunt de obicei reticenţi în a fi legaţi de

serviciile Cloud oferite de un singur furnizor, care nu ar fi în măsură să satisfacă toate cerinţele



utilizatorilor, cum ar fi distribuţia geografică a centrelor de date, oferirea de Service Level

Agreements (SLAs) etc., existând riscul potenţial de creştere exagerată a costurilor ca urmare

a dependenţei de un singur furnizor. Utilizatorii Cloud doresc infrastructuri Cloud

interoperabile, în care să poată avea un control deplin asupra modului de instalare a

aplicaţiilor şi, de asemenea, să poată să migreze cu uşurinţă atunci când este nevoie, fără

investiţii de dezvoltare suplimentare.

Din punctul de vedere al furnizorilor de servicii Cloud, această incompatibilitate între furnizorii

de soluţii Cloud poate proteja temporar interesul fiecărui furnizor, însă nu şi pe termen lung, în

cazul în care piaţa de servicii Cloud se maturizează. În acest sens, au apărut iniţiative pentru

stabilirea unor standarde pentru federalizarea infrastructurilor Cloud deţinute de diferiţi

furnizori, în special susţinute de către furnizorii de servicii Cloud relativ mici (de exemplu,

Rackspace, GoGrid), dar şi de către cei nou intraţi pe piaţă (de exemplu, Red Hat, Dell, Oracle,

etc.).

5.1.3.3. Avantaje Cloud de interes pentru STR-CP

Un sistem de conducere a proceselor complexe în timp real poate fi construit pe o platformă

sub forma unui server în Cloud care conţine o interfaţă prietenoasă API şi foloseşte obiecte

avansate de calcul şi comunicaţie. Această platformă va oferi suport pentru dezvoltarea, într-

un timp mai scurt, a unor algoritmi cu eficienţă superioară, pe baza funcţiilor disponibile,

caracterizate prin faptul că sunt reutilizabile şi deschise; de asemenea, va permite utilizatorului

să ruleze algoritmi de complexitate sporită, pentru a fi folosiţi pe regulatoare cu resurse

limitate, implementând obiecte de comunicaţie şi servicii Cloud pentru executarea funcţiilor.

In unele oferte de platformă, ca Microsoft Azure şi Google App Engine, resursele de calcul şi

memorie se adaptează automat la cerinţele aplicaţiei, aşa încât utilizatorul nu trebuie să le

aloce manual. Prin arhitectura sa, Google App Engine este orientat spre facilitarea aplicaţiilor în

timp-real. Un exemplu de adpatare îl constituie Cloud-ul hibrid - un ansamblu de două sau mai

multe sisteme Cloud (private, comunitare sau publice) care rămân entităţi distincte, dar sunt

conectate. Un Cloud hibrid poate utiliza un model de implementare a aplicaţiilor numit “explozia

Cloud”, care permite crearea unei infrastructuri informatice care suportă încărcările de calcul

medii, dar utilizează resursele unui Cloud public sau privat în timpul vârfurilor de încărcare.

Aşa cum s-a menţionat, tendinţa pe plan mondial constă în implementarea unor algoritmi

sub formă de funcţii bloc, conforme cu standardele actuale, de exemplu, IEC 61499. Acest

standard poate constitui un punct de pornire pentru obţinerea unei arhitecturi pentru algoritmi

complecşi, ce rulează sub standardul de funcţii bloc. Daca platforma este construită pe un

Cloud de tip hibrid, aceasta permite accesul nu doar în cadrul unui grup, ci şi în afara grupului.

Pentru a reduce timpul de dezvoltare şi a îmbunătăţi calitatea proiectării, se poate implementa

un mediu integrat care sa ofere suport pentru o eficienţă mai bună în fazele de modelare, prin

adăugarea accesului la funcţii avansate de control, la reacţiile altor utilizatori ai platformei, după

implementarea algoritmilor în diferitele instalaţii sau industrii, dar şi la instrumentele de

dezvoltare.

Unul dintre avantajele procesării în Cloud este posibilitatea de a înlocui cheltuielile mari cu

infrastructura, cu costuri reduse şi variabile ce se dimensionează după tipul afacerii.



Un alt avantaj important al serviciilor bazate pe Cloud îl reprezintă accesibilitatea lor, limitată

numai de reţeaua de comunicaţie. S-au format sau s-au dezvoltat câteva companii care profită

de pe urma acestor oportunităţi, concurând la implementarea arhitecturilor de tip Cloud şi a

serviciilor SPI: Google, Amazon, VMWare, Citrix Systems, Microsoft, Rackspace, Salesforce,

Verizon.

Tehnologia Cloud computing reprezintă o nouă paradigmă de calcul prin care se oferă

posibilitatea de a accesa la cerere anumite resurse (spre exemplu CPU, spaţiu de stocare,

reţea, baze de date, aplicaţii) şi pentru care se plăteşte doar costul utilizării efective. Prin

provizionarea rapidă şi eliberarea resurselor cu un minim de efort din partea utilizatorului şi de

interacţiune cu furnizorul de servicii Cloud, această tehnologie facilitează implementarea

unor soluţii de calcul scalabile şi eficiente.

Interoperabilitatea infrastructurilor Cloud reprezintă un trend promiţător al acestei

tehnologii, deoarece promovează mai bine îndeplinirea scopului final al paradigmei Cloud

computing, şi anume acela de furnizare la scară globală, „nelimitată”, cu acces prin interfeţe

unificate, a resurselor de calcul. Importanţa interoperabilităţii Cloud a fost evidenţiată atât de

către industrie, cât şi de către mediul academic. Industria încearcă să abordeze problemele de

interoperabilitate Cloud prin standardizare.

Interoperabilitatea se referă, în general, la capacitatea unor diferite sisteme eterogene de a

funcţiona şi de a interacţiona unele cu altele. In domeniul TIC, interoperabilitatea este definită

ca fiind capacitatea sistemelor şi proceselor de a face schimb de date şi de a permite

distribuirea de informaţii şi cunoştinţe. În cadrul tehnologiei Cloud, interoperabilitatea poate fi

definită ca fiind capacitatea de a utiliza aplicaţiile, SLA-urile, modurile de autentificare şi

autorizare între diferite infrastructuri Cloud astfel încât acestea să poată coopera sau

interopera.

Interoperabilitatea, compatibilitatea şi portabilitatea în Cloud sunt noţiuni strâns legate şi

pot fi adesea confundate. Interoperabilitatea Cloud reprezintă abilitatea mai multor furnizori de

servicii Cloud de a lucra împreună. Atât compatibilitatea Cloud, cât şi portabilitatea Cloud,

răspund la întrebarea „cum?”: compatibilitatea Cloud se referă la faptul că aplicaţiile şi datele

pot fi utilizate în acelaşi mod, indiferent de furnizorul de servicii Cloud, în timp ce portabilitatea

Cloud reprezintă capacitatea de a migra şi refolosi datele şi aplicaţiile indiferent de alegerea

furnizorului de servicii Cloud, a sistemului de operare, ori a formatului de stocare a datelor sau

API-urilor.

O înţelegere cât mai clară şi clasificarea cerinţelor care asigură interoperabilitatea serviciilor

Cloud reprezintă primul pas spre standardizarea platformelor Cloud computing, a API-urilor şi

serviciilor Cloud.

Implementările reprezentative, la nivel de referinţă pentru sistemele de management Cloud

de tip IaaS sunt OpenStack, OpenNebula şi Eucalyptus. În baza practicii actuale, aproape toate

implementările reprezentative de platforme de management Cloud de tip IaaS încearcă să

asigure interoperabilitatea cu platforma dominantă, respectiv Amazon EC2.



5.1.4. Industry 4.0

Internetul lucrurilor şi serviciilor face posibilă crearea de reţele care încorporează întregul

proces de fabricaţie şi care transformă fabricile într-un mediu inteligent (Kagermann et al.,

2013).

Sisteme de producţie cibernetico-fizice cuprind utilaje, sisteme de depozitare şi facilităţi de

producţie inteligente, care au fost dezvoltate digital şi oferă integrare bazată pe TIC, de la

logistica de aprovizionare la producţie, marketing, logistică şi servicii de desfacere. Acest

aspect nu numai că permite ca producţia să fie configurată mai flexibil, dar activează

oportunităţi specifice unor procese de management şi control mult ami diverisficate. În plus faţă

de procesele de optimizare bazate pe TI existente, Industry 4.0 va debloca potenţialul generat

de posibilităţile de urmărire a proceselor la un nivel de detaliu inacessibil în prezent. Aceasta va

implica, de asemenea, o cooperare mai strânsă între partenerii de afaceri (de exemplu,

furnizorii şi clienţii) şi între angajaţi, oferind noi oportunităţi pentru beneficii reciproce. Industry

4.0 va oferi o mai mare flexibilitate şi robusteţe, împreună cu cele mai înalte standarde de

calitate în inginerie, planificare, fabricaţie, procese de exploatare şi logistică. Aceasta va duce

la apariţia de lanţuri ale valorii dinamice, cu auto-organizare, optimizate în timp real pe baza

unei varietăţi de criterii cum ar fi costul, disponibilitatea şi consumul de resurse. Acest lucru va

necesita un cadru de reglementare adecvat, precum şi interfeţe standardizate şi procese de

afaceri armonizate.

Următoarele aspecte caracterizează viziunea pentru Industry 4.0:

Un nou nivel de interacţiune socio-tehnic între toţi actorii şi resursele implicate

în procesul de fabricaţie, care va gravita în jurul reţelelor de resurse de producţie

(echipamente de producţie, roboţi, sisteme transportoare şi de depozitare). Aceste

resurse vor fi autonome, capabile de autocontrol ca răspuns la diferite situaţii, de auto-

configurare, vor fi bazate pe cunoaştere, echipate cu senzori, dispersate spaţial, vor

încorpora sisteme de planificare şi management. Ca o componentă cheie a acestei

viziuni, fabricile inteligente vor fi integrate în reţele ale valorii inter-companii şi vor fi

caracterizate prin inginerie „end-to-end”, care cuprinde atât procesul de fabricaţie cât şi

produsul fabricat, asigurând convergenţa din lumea digitală şi cea reală. Fabricile

inteligente vor permite implementarea unor niveluri de complexitate crescută a

proceselor de fabricaţie şi vor asigura ca producţia să poată fi simultan atractivă,

sustenabilă şi profitabilă.

Produsele inteligente ale Industry 4.0 vor fi identificabile în mod unic şi vor

putea fi localizate în orice moment. De aemenea, vor înmagazina informaţii despre

propriul proces de fabricaţie in timpul derulării acestuia. Aceasta înseamnă că, în

anumite sectoare, produsele inteligente vor fi în măsură să controleze în regim semi-

autonom etapele propriei fabricaţii.

In contextul Industry 4.0 va fi posibil ca cerinţe specifice ale unui client individual

să fie incluse în procesele de proiectare, configurare, comandă, planificare,

producţie, utilizare şi reciclare.

Punerea în aplicare a viziunii Industry 4.0 va permite angajaţilor să controleze, să

reglementeze şi să configureze reţele de resurse de fabricaţie inteligente şi



etapele de producţie, în funcţie de obiective senzitive la context sau la situaţii

particulare.

Punerea în aplicare a acestei viziuni va necesita extinderea în continuare a

infrastructurii de reţea relevante şi specificarea nivelului de calitate a serviciilor,

prin acorduri de nivel al serviciilor (SLA).

Din punct de vedere la oportunităţilor şi modelelor de afaceri, Industry 4.0 va duce la

dezvoltarea de noi modele de afaceri şi de parteneriat, care sunt mult mai adaptate pentru

satisfacerea cerinţelor individuale, de ultim moment ael clientului.

Aceste modele vor permite IMM-urilor să utilizeze servicii şi sisteme software pe care nu îşi

permit să le achiziţioneze conform modelelor actuale de licenţiere. Noile modele de afaceri vor

oferi soluţii la probleme cum ar fi stabilirea dinamică a preţurilor care să ţină cont de situaţia

concretă a clienţilor şi competitorilor, precum şi de problemele legate de calitatea SLA, într-un

context caracterizat de networking şi cooperare între partenerii de afaceri.

Scenariile de utilizare al Industry 4.0 referitoare la "fabricaţia în reţea", "logistică adaptivă cu

auto-organizarea" şi "ingineria integrată-client" vor necesita modele de afaceri care vor putea fi

implementate în primul rând reţele extrem de dinamice de întreprinderi şi mai puţin de companii

individuale. Monitorizarea detaliată a modelelor de afaceri în timp real va juca, de

asemenea, un rol-cheie în documentarea pe etape de prelucrare pentru a demonstra că

reglementările şi condiţiile contractuale sunt îndeplinite.


Conform (Huawei, 2015), până în 2025 numărul de dispozitive IoT instalate, conectate şi

administrate autonom va ajunge la 100 miliarde de euro, de la 35 de miliarde euro în 2020 (o

creştere de 300%). De aceea, IoT este inclus intre cele 5 surse majore de impact pentru

schimbările care au loc în mediul industrial, alături de serviciile Cloud (asigurarea resurselor de

calcul necesare pentru generarea dotărilor de tip digital), Big Data şi Analytics (servicii de

conversie a dotărilor de tip digital în valoare pentru afaceri), comunicaţii în bandă largă

(facilitator al furnizării de valoare digitală în economie prin conectarea zonelor periferice, de

colectare date, cu zona centrală, de servicii cu valoare adăugată, a sistemelor informatice) şi

centrele de date (furnizori profesionali de resurse de calcul şi memorare).

Conform (Manyika et al., 2015), aplicaţiile IoT din domeniul industrial au potenţialul de a

genera valoare între 1.200 - 3.700 miliarde dolari pentru anul 2025. Cel mai mare potenţial

pentru crearea de valoare îl va avea optimizarea operării echipamentelor de producţie. Aceasta

include folosirea de senzori în locul raţionamentului uman pentru a regla performanţa

echipamentelor. Aceasta implică, de asemenea, utilizarea de date culese de la aceste

echipamente pentru a regla fluxurile de lucrări, prin monitorizarea şi reglarea de la distanţă, pe

baza datelor de senzori din diferse zone de producţie sau chiar din afară. În total, aplicaţiile IoT

numai în optimizarea operării au potenţialul de a crea valoare între 633 miliarde dolari la 1,8

miliarde dolari pe an 2025.



Referitor la impactul de afaceri al IoT, acesta se referă la performaţa unităţilor de producţie,

inclusiv a proceselor de producţie şi a utilizării echipamentelor (LeHong şi Velosa, 2014).

Evaluarea direcţiilor de impact este următoarea:

impact ridicat din punct de vedere riscului în afaceri, datorită problemelor de securitate

a datelor şi de inginerie a unor dipozitive şi procese cu grad ridicat de noutate;

impact ridicat din punct de vedere al intensităţii tehnologice, datorită asimilării noilor

dispozitive şi soluţii de automatizare;

impact ridicat din punct de vedere al modificării strategiei în afaceri, datorită schimbării

sistemului de producţie, problemelor de implementare, noilor parteneriate şi colaborări

externe, noilor modele de securitate;

impact mediu din punct de vedere al schimbărilor organizatorice, datorită noilor

specializări şi unităţi organizatorice;

impact ridicat din punct de vedere al culturii întreprinderii, datorită transformărilor privind

procesele şi metodele de acces la informaţii, modelele de colaborare şi de implicare a

angajţilor;

impact ridicat din punct de vedere al competitivităţii, datorită accelerării proceselor

decizionale şi calităţii informaţiilor disponibile, unui nivel ridicat de agilitate pentru IMM-

uri.

Un sondaj efectuat de publicaţia DZone cu ocazia elaborării Ghidului IoT pe 2015, la care au

participat peste 500 de specialişti în informatică (din care 41% dezvoltatori şi 24% şefi colective

dezvoltare, 43% din SUA şi 32% din Europa), a evidenţiat că din total respondenţi (DZone,

2015):

44% au fost favorabili dezvoltării de produse IoT în companiile respective, 40% au fost

interesaţi în iniţierea unui start-up IoT pentru mediul industrial sau pentru consumatori

individuali;

58% au afirmat că IoT este deja o realitate în organizaţiile lor, 87% au apreciat că IoT

va fi relevant pentru perioada următoare;

79% sunt îngrijoraţi de securitatea în sistemele IoT, depăşind cu 11% pe cei care au

semnalat problema de pe locul 2 (asigurarea caracterului privatal informaţiilor).

In predicţiile sale din 2015 privind dezvoltarea domeniului IoT, IDC a subliniat că faţă de

perioada actuală, când peste 50% din aceste soluţii sunt utilizate în sisteme de fabricaţie, în

transport, oraşe inteligente sau aplicaţii pentru cetăţean, în 2020 iniţiative IoT vor fi deja

operaţionale în toate industriile (http://www.idc.com/getdoc.jsp?containerId=prUS25291514).

In Digital Universe Report 2014 al EMC2 şi International Data Corporation, sunt evidenţiate

cinci domenii de impact ale IoT asupra mediului de afaceri: noi modele de afaceri (bazate pe

viteza crescută de răspuns la cererile clinţilor), informare în timp real referitoare la sistemele cu

misiune critică, vizibilitate globală asupra detaliilor afacerii (de-a lungul lanţurilor de furnizare,

indiferent de locaţia geografică), eficienţa şi inteligenţa operaţiilor prin preluarea informaţiei de

timp real şi accelerarea deciziilor. Pentru valorificarea acestor oportunităţi este nevoie de o

nouă generaţie de aplicaţii pentru domenii cum ar fi: mentenanţă predictivă, prevenirea

pierderilor, utilizarea instalaţiilor, urmărirea inventarului, predicţia şi recuperarea dezastrelor,

minimizarea timpului de nefuncţionare, optimizarea folosirii energiei, eficacitatea performanţei

http://www.idc.com/getdoc.jsp?containerId=prUS25291514



dispozitivelor, managementul performanţei reţelei, planificare capacităţii, prognozarea cererii,

optimizarea preţurilor, managementul randamentului, optimizarea încărcării

(https://infocus.emc.com/william_schmarzo/5-ways-the-internet-of-things-drives-new-

opportunities/ ).

Conform Cisco, în 2013 valoarea estimată generată de Internet of Everything (IoE) a fost de

14.4 trilioane de dolari pentru sectorul privat (http://ioeassessment.cisco.com/learn/2013-ioe-

value-index-whitepaper) şi 4.6 trilioane de dolari pentru sectorul public

(http://ioeassessment.cisco.com/learn/value-stake-public-sector). În sectorul privat, estimările

au vizat venituri de 2.5 trilioane dolari din utilizarea instalaţiilor, 2.5 trilioane dolari din

productivitatea angajaţilor, 2.7 trilioane dolari din logistică şi lanţuri de aprovizionare, 3.7

trilioane dolari din experienţa clienţilor şi 3.0 trilioane dolari din inovare. În sectorul public,

principalele cauze ale surselor de venit sunt productivitatea angajaţilor (1.8 trilioane dolari),

reducerea costurilor (740 miliarde dolari), experienţa cetăţenilor (412 miliarde dolari).

In ceea ce priveşte iniţiativa Industry 4.0, potenţialul său imens de impact este generat de

următoarele capabilităţi (Kagermann et al., 2013):

Îndeplinirea cerinţelor individuale ale clienţilor - luarea în considerare a acestor cerinţe în

etapele de proiectare, configurare, planificare, fabricare şi funcţionarea fazei şi permite

schimbări de ultim moment ce trebuie să fie încorporate. În Industry 4.0 este posibil să se

fabrice în condiţii de profit un produs la un volum de producţie foarte mic (dimensiunea

lotului de 1).

Flexibilitate - reţelele ad-hoc specifice sistemelor cibernetico-fizice permit configurarea

dinamică a diferitelor aspecte ale proceselor de afaceri, cum ar fi calitatea, timpul, riscul,

robusteţea, preţul şi protecţia mediului. Aceasta înseamnă că procesele de inginerie pot fi

mai agile, procesele de producţie pot fi schimbate, opririle temporare (de exemplu, din cauza

aprovizionării) pot fi compensate şi creşterile uriaşe ale producţiei pot fi realizate într-un

interval scurt de timp.

Decizii optimizate - pentru a reuşi pe piaţă globală devine critică capacitatea de a adopta

deciziile corecte, de multe ori în timp foarte scurt.

Productivitatea şi eficienţa resurselor - obiectivele strategice generale pentru procesele de

producţie industriale rămân valabile şi pentru Industry 4.0: oferirea celor mai bune produse

dintr-un volum dat de resurse (productivitatea resurselor) şi minimizarea cantităţii de resurse

necesare livrării unui animit produs (eficienţa resurselor).

Crearea de oportunităţi prin intermediul noilor servicii - Industry 4.0 deschide noi modalităţi

de creare a valorii şi noi forme de angajare, de exemplu prin intermediul serviciilor din aval.

Algoritmi inteligenţi pot fi aplicaţi pentru volume mari date diverse (Big Data) înregistrate de

dispozitive inteligente pentru a oferi servicii inovatoare.

Echilibrul în viaţa profesională - modelele mai flexibile de organizare a muncii în companii

orientate către satisfacerea nevoilor tot mai mari ale angajaţilor, asigurarerea unui echilibru

mai bun între muncă şi viaţa privată şi, de asemenea, între dezvoltarea personală şi

dezvoltarea profesională continuă.

Atenţia acordată la nivel european acestei tematici este confirmată şi de conferinţa „The future

of manufacturing: Industry 4.0”, organizată pe 20.10.2014 la Bruxelles, în organizarea Direcţiei

Generale „Grow” din cadrul Comisiei Europene, în care lista problemelor analizate a inclus:

https://infocus.emc.com/william_schmarzo/5-ways-the-internet-of-things-drives-new-opportunities/

https://infocus.emc.com/william_schmarzo/5-ways-the-internet-of-things-drives-new-opportunities/

http://ioeassessment.cisco.com/learn/value-stake-public-sector



rolul politicienilor în asigurarea condiţiilor de abordare a Industry 4.0, schimbările ce vor avea

loc la nivelul companiilor prin promovarea acestei iniţiative, rolul tehnologiilor cheie promovate

de Programul Orizont 2020, rolul Cloud computing şi Big Data în implementarea acestei

iniţiative, potenţialul acesti iniţiative de a genera lideri industriali la nivel european. In cadrul

conferinţei, comisarul european pentru economie şi societate digitală a afirmat că cea dea

patre revoluţie industrială care a demarat deja, caracterizată prin digitizarea avansată şi

interconectarea produselor, lanţurilor valorice şi modelelor de afaceri, va schimba industriile şi

economiile europene, va modifica vieţile cetăţenilor europeni. Germania, ca principal promotor

al Industry 4.0, va investi 40 miliarde euro anual până în 2020 în această iniţiativă industrială.

Se apreciază ca la nivel european investiţiile vor fi de 140 miliarde euro anual. Industriile

bazate pe tehnologiile cheie promovate la nivel european - ICT (inclusiv fotonica, nano- şi

microelectronica), nanotechnologiile, materiale avnsate, fabricaţie avansată, biotehnologii – vor

genera masiv locuri de muncă în proiectare, cercetare-dezvoltare, servicii industriale

(http://sciencebusiness.net/events/2015/the-future-of-manufacturing-industry-40/ ).


5.3.1. STR-CP cu acces la expertiză decizională avansată în Cloud

Cele mai eficiente sisteme pentru conducerea proceselor industriale sunt în prezent

caracterizate printr-o structură ierarhică presupunând existenţa a cel puţin două niveluri de

automatizare: un nivel executiv, responsabil de controlul clasic al parametrilor principali de

proces, şi un nivel de supraveghere, responsabil de monitorizarea instalaţiilor şi de luare a

deciziilor. Cele mai multe dintre mediile industriale necesită sisteme de conducere în timp real

cu un nivel de control superior, capabil să îmbunătăţească şi să optimizeze funcţionarea

instalaţiei.

Paradigma RH Control impune implementarea unui astfel de nivel, dar realizarea acestuia

este dependentă de existenţa unei biblioteci de algoritmi bine documentată şi a unei

metodologii riguroase de reprezentare care să faciliteze comunicarea şi schimbul de informaţii.

Incorporarea ultimelor cercetări în sfera algoritmilor întăreşte relaţiile între mediul academic şi

cercetarea industrială, permiţând transferul de cunoştinte către aplicaţiile industriale şi

acoperind golul dintre dezvoltarea teoretică şi implementarea în timp real. Arhitectura unui

asemenea sistem conţine trei componente principale :

- modul de dezvoltare şi testare;

- biblioteca online;

- subsistemul de execuţie online.

Din punct de vedere structural, sistemul va funcţiona ca o aplicaţie web standard având o bază

de date relaţională, care va permite accesul la fişierele cu diverşi algoritmi prin organizarea

acestora în funcţie de tipul algoritmilor şi de procesele cărora li se pretează. La această

aplicaţie web se adaugă un modul responsabil cu implementarea şi testarea algoritmilor. Acest

modul poate folosi FBDK pentru elaborarea algoritmilor, pornind de la un fişier descriptor ce

http://sciencebusiness.net/events/2015/the-future-of-manufacturing-industry-40/



conţine diagrame de execuţie, formule, diagrame de stare etc. Pentru fiecare algoritm se va

adăuga o descriere care să definească concret domeniul de utilizare, să detalieze

performanţele şi limitările. Dacă este cazul, se va specifica dacă un anumit algoritm foloseşte

alte funcţii din bibliotecă, dacă au existat implementări ale acestuia în mediul industrial,

caracteristicile procesului şi rezultatele obţinute.

Biblioteca permite două moduri de utilizare a componentelor sale :

descărcare - pentru a putea fi integrate într-un controller de proces (implementare

offline) sau

execuţie directă în bibliotecă (execuţie online).

În cazul utilizării offline, utilizatorului i se pune la dispoziţie un fişier ce conţine o funcţie bloc

simplă sau compusă ce implementează funcţionalitatea dorită.

În cazul utilizării online, implementarea este sub forma unei configuraţii de sistem care să

permită rularea şi conectarea la o aplicaţie existentă. Sistemul trebuie să îndeplinească

anumite funcţii:

să permită stocarea algoritmilor reutilizabili de control;

să permită accesul online la algoritmii disponibili în bibliotecă;

să ofere posibilitatea de executare online a unor algoritmi din blibliotecă şi furnizarea

rezultatului execuţiei acestora către un controller aflat la distanţă;

să pună la dispoziţia administratorilor de sistem mecanismele necesare gestionării

înregistrărilor (algoritmi şi utilizatori), astfel încât să nu existe duplicate;

să asigurare corectitudinea şi îndeplinirea criteriilor de performanţă ale algoritmilor, prin

verificarea şi validarea acestora înainte de a fi disponibili utilizatorilor;

să definească limitele de utilizare ale algoritmilor disponibili (tipul de aplicaţie, numărul

de variabile de intrare/ieşire etc.).

Pentru aceasta sunt dezvoltate funcţii bloc speciale necesare pentru interfaţarea cu procesul.

Biblioteca online este alcătuită dintr-un sistem de baze de date care va asigura stocarea

coerentă a algoritmilor şi accesarea lor într-un mod optim, un sistem de asamblare şi

prezentare a informaţiilor, folosit pentru interacţiunea cu exteriorul şi validarea introducerii

algoritmilor/blocurilor funcţionale şi un modul de comunicaţie care va prezenta algoritmii stocaţi

folosind standardul ales (IEC 61499 sau orice alt standard ulterior preferat) astfel încât

algoritmii să poată fi implementaţi în sistemul de control al procesului pentru execuţia acestora

în mod optimizat. În plus, este necesară existenţa unui modul de simulare/testare, fie înglobat

în bibliotecă, fie extern acesteia, care să se ocupe cu validarea şi simularea rulării acestor date,

pentru a se putea identifica oportunitatea folosirii unui anume algoritm în situaţii concrete.

Valoarea reala a acestui modul constă în culegerea datelor din timpul rulării şi integrarea

acestora în cadrul informaţiilor despre algoritmi, conţinute în biblioteca de algoritmi, oferind un

istoric util în clasificarea eficienţei, împreună cu rata de success/eşec a fiecărui algoritm în

parte.

În ceea ce priveşte implementarea efectivă a bibliotecii, este preferată abordarea modulară,

care să permită un nivel crescut de portabilitate şi o abstractizare a cadrului în care rulează.

Astfel se poate folosi o implementare bazată pe maşini virtuale (VM) integrate în mediul



Cloud, conţinând fiecare toate resursele necesare rulării modulului/ modulelor incluse în acel

VM, lucru ce permite portarea bibliotecii între diferiţii ofertanţi de soluţii Cloud, fie ele soluţii

publice, cât şi private sau hibride, conform paradigmei PaaS.

Alternativa este folosirea containerelor Linux (LXC sau Docker), care permit izolarea

resurselor, fie ele CPU, memorie, I/O, reţea, sau chiar a proceselor care rulează pe acea

maşină, făcându-se astfel posibilă separarea şi portarea fără a mai fi nevoie de folosirea unei

maşini virtuale pentru fiecare componentă/proces din bibliotecă. Avantajul acestei soluţii este

înaltul grad de integrare cu soluţiile Cloud deja existente pe piaţă şi flexibilitatea portabilităţii,

inclusiv în timpul funcţionării, fără a afecta disponibilitatea serviciului conform paradigmei SaaS.

Prin utilizarea containerelor, resursele sunt izolate, serviciile pot fi restricţionate, iar procesele

pot fi create cu o vedere proprie asupra sistemului de operare. Acesta include propriul spaţiu

de procese şi propria structură de fişiere sau de interfeţe de reţea. Mai multe containere pot să

acceseze acelaşi nucleu, dar fiecare container poate fi izolat şi constrâns să utilizeze o cotă de

resurse precum CPU, memorie şi I/O.

Docker este un instrument open-source care automatizează lansarea aplicaţiilor în cadrul

containerelor software prin introducerea unui nivel de abstractizare la nivelul virtualizării

sistemului de operare. Docker utilizează facilităţi de izolare a resurselor ce sunt prezente în

cadrul nucleului, ce permit unor containere independente să fie executate în cadrul unei

singure instanţe a unui sistem de operare în timp real. Aceasta reduce consumul de resurse şi

creşte performanţa în comparaţie cu utilizarea maşinilor virtuale. Componenta namespaces

oferă posibilitatea ca fiecare aplicaţie să aibă propria imagine asupra mediului în cadrul

sistemului de operare, inclusiv a listei de procese, a id-urilor utilizatorilor, a stivei de protocoale

TCP/IP sau a sistemelor de fişiere montate, în timp ce componenta cgroups oferă izolarea

resurselor computaţionale precum CPU, memorie, subsistem I/O ce include accesul la disc şi

reţea. Docker include o biblioteca ca implementare de referinţă pentru utilizarea containerelor.

Aceasta este construită pe baza unor componente specializate ce furnizează interfeţe pentru

facilităţile oferite de către nucleul sistemului de operare în timp real.

Docker implementează un API (o interfata) de nivel înalt ce oferă suport pentru crearea de

containere ce execută procese izolate. Un container Docker, spre deosebire de o maşină

virtuală obişnuită, nu necesită sau nu include un sistem de operare propriu. În schimb acesta

se bazează pe funcţionalitatea oferită de nucleu, care este accesat prin intermediul bibliotecii,

sau a componentelor specializate. Prin utilizarea Docker pentru crearea şi administrarea

containerelor, activitatea de implementare a sistemelor distribuite devine mult mai simplu de

realizat. Astfel, este posibil ca mai multe aplicaţii şi procese care au sarcina de a executa

anumite activităţi să fie rulate în mod independent în cadrul unei maşini fizice sau a unui grup

de maşini virtuale. Aceasta permite lansarea în execuţie a sistemelor în funcţie de

disponibilitatea resurselor sau a necesarului de putere de calcul. Prin acest model de execuţie

se pot implementa infrastructuri de calcul Cloud de tip PaaS şi se pot scala aplicaţii precum

Apache Cassandra, MongoDB sau Riak. De asemenea, se simplifică crearea şi operarea

cozilor de execuţie pentru job-uri sau a altor sisteme distribuite.



5.3.2. Platforme de dezvoltare soluţii IoT

Pentru a sprijini utilizatorii interesaţi în implementarea unor soluţii IoT să se concentreze pe

problemele concrete pe care le au de rezolvat printr-o asemenea abordare, pe piaţa IoT a

apărut oferta de platforme specializate. O platformă IoT permite unei organizaţii utilizatoare

(întreprindere industrială, unitate medicală, unităţi din domeniul transportului şi distribuţiei de

energie) să valorifice mai bine informaţiile existente în diversele dispozitive pe care le

utilizează. In acest scop platforma implementează următoarele funcţionalităţi:

colectarea datelor şi conectivitate,

servicii de acces la infrastructuri de stocare şi administrare a datelor,

servicii de procesare şi analiză a acestora.

In acest fel, este lăsată în sarcina utilizatorului conectarea echipamentelor şi selectarea

opţiunilor de care are nevoie: accesul la infrastructura de stocare şi regăsire date, selectarea

serviciilor de procesare, vizualizare şi analiză a datelor.

Principalul beneficiu al unei asemene platforme îl constituie accelerarea valorificării avantajelor

unei soluţii IoT pentru întreprinderea beneficiară, cu condiţia ca aceasta:

să clarifice modul de integrare a soluţiei în activitatea proprie;

să decidă asupra soluţiilor de utilizare a rezultatelor generate de prelucrarea superioara

a datelor existente;

să fie conştientă de costurile de exploatare a soluţiei IoT şi ale serviciilor de consultanţă

pe care le necesită.

Platformele deschise IoT utilizează arhitecturi, concepte, metode şi instrumente care oferă

suport pentru integrarea diverselor funcţii ale unui sistem IoT. Acestea au rolul să furnizeze

conectivitate şi inteligenţă, capacitate de control şi execuţie comenzi, conectare la servicii

Cloud şi analiză big data, interfeţe de programare şi soluţii de interoperabilitate. Este de

aşteptat ca aceste platforme să aibă impact major asupra calităţii ofertei de soluţii inovative IoT,

standardizării în acest domeniu, promovării adoptării platformelor.

Pe piaţa ofertei de platforme IoT se prefigurează trei clase de soluţii, corespunzătoare celor trei

funcţionalităţi menţionate mai sus.

O primă grupă de oferte aparţine firmelor dominante pe piaţa de telefonie mobilă, care

urmăresc să-şi valorifice notorietatea pe această piaţă prin oferirea de soluţii IoT centrate pe

utilizarea telefonului mobil ca unitate de control şi hub de comunicaţii de date. Interesul pentru

această grupă de oferte este generat şi de facilităţile oferite în unele cazuri pentru abordarea

serviciilor specifice următoarelor două clase de soluţii (stocare & administrare, procesare &

analiză). O altă grupă de oferte este furnizată de firme IT specializate.

5.3.3. Infrastructuri STR-CP cu virtualizarea senzorilor

Aşa cun s-a menţionat, următoarea etapă de virtualizare a resurselor specifice unui sistem in

timp real pentru conducerea proceselor vizeaază senzorii. Un exemplu de referinţă pentru

acest tip de abordare îl reprezintă Sensor-Cloud Infrastructure (SCI), care permite



virtualizarea unui senzor fizic pentru acces în Cloud şi, prin extensie, virtualizarea unei reţele

de senzori fizici, care devine astfel parte componentă în Cloud. Un caz particular îl constituie

problema virtualizării reţelelor de senzori wireless (WSN). Interacţiunea dintre Cloud şi lumea

reală, reprezentată de WSN, este decuplată, în sensul că toate operaţiile executate în Cloud se

fac cu date furnizate de senzorul virtual. Ca atare, interacţiunile pot fi grupate în două categorii:

Cloud vs. senzor virtual şi, respectiv, senzor virtual vs. nod din reţeaua de senzori reali.

5.3.3.1. Arhitectura SCI

Arhitectura software SCI are şapte componente :

Client: asigură acces la interfaţa utilizator a SCI, prin browsere Web;

Portal: furnizează interfaţa utilizator a SCI.

Alocare (provisioning): punere în funcţiune/ alocare automată a senzorilor virtuali;

Managementul resurselor: SCI utilizează resurse IT pentru senzorii virtuali;

Monitorizare: mecanisme dedicate de supraveghere şi monitorizare;

Gruparea senzorilor virtuali: gruparea senzorilor la utilizatorii finali;

Senzori: senzori fizici (reali) utilizaţi în SCI.

Atunci când un utilizator se conectează la portal printr-un browser Web, trebuie să-şi precizeze

statutul (utilizator final, proprietar al reţelei de senzori sau administrator SCI), pentru a identifica

operaţiile admise. Pentru utilizatorii finali, serverul portal indică meniurile de conectare/

deconectare, cererile de alocare sau de anulare a grupurilor de senzori virtuali, precum şi

procedurile de monitorizare şi control ale acestora. Pentru proprietarii reţelelor de senzori,

serverul portal indică meniurile de conectare/deconectare şi de înregistrare sau ştergere a

senzorilor fizici.

Serverul de alocare transmite grupurilor de senzori virtuali cererile de alocare de la serverul

portal. Totodată, el defineşte fluxurile de lucru pe care le execută în ordinea prestabilită.

Un grup de senzori virtuali este alocat automat unui server virtual de serverul de alocare. El

poate fi activat sau dezactivitat de proprietarul grupului şi poate fi controlat de acesta direct sau

printr-un browser Web.

Serverul de Monitorizare primeşte date despre senzorii virtuali de la agenţii din serverele

virtuale, date care sunt preluate de administratorul SCI.

Pentru alocarea grupurilor de senzori virtuali se parcurge următorul flux de activităţi:

conectare;

selectarea de formulare pentru grupurile de senzori virtuali;

solicitarea unui grup de senzori virtuali prin selectarea formularelor adecvate prin portal;

rezervarea resurselor IT;

alocarea grupului de senzori virtuali pe serverul virtual selectat;

notificarea reuşitei alocării.



Baza de date stochează caracteristicile senzorilor fizici (ID-ul proprietarului, tipul de senzor şi

sursa datelor preluate de senzor), ale grupurilor de senzori virtuali (ID-urile grupului de senzori

virtuali, ale utilizatorului final şi, respectiv, serverului virtual, cât şi datele create) şi ale

resurselor IT (date despre servere şi despre servere virtuale, ca de exemplu, adresa IP sau

numele gazdei). Totodată, se creează un registru depozit care stochează formularele tipizate

pentru senzorii virtuali (un astfel de formular conţine biblioteca de programe şi fişierele cu reguli

de prelucrare şi clasificare a datelor).

5.3.3.2. Interfata cu sisteme SCADA

O contribuţie importantă la succesul implementării arhitecturii SCI este adusă de modul în care

este executată interfaţarea. Aşa cum s-a menţionat, pentru structurarea algoritmilor de control

se poate folosi conceptul de funcţii bloc distribuite. Similar cu circuitele integrate utilizate în

proiectarea circuitelor electronice, o funcţie bloc încorporează o anumită funcţionalitate şi poate

fi conectată la alte funcţii bloc prin intrările şi ieşirile sale.

In dezvoltarea algoritmilor se poate utiliza standardul IEC 61499, ce defineşte o arhitectură

deschisă pentru noile generaţii de control distribuit şi automatizări. La elaborarea acestui

standard, IEC a luat în considerare proprietăţile de portabilitate, reutilizare, interoperabilitate şi

reconfigurare a aplicaţiilor distribuite. Spre deosebire de predecesorul său, IEC 61131-3, o

funcţie bloc în IEC 61499 rămâne pasivă până în momentul în care apare un eveniment ce

armează funcţionalitatea respectivă şi este executată, producând evenimente de ieşire şi date.

Dacă iniţial această interfaţă a evenimentelor a fost criticată pentru că făcea scrierea aplicaţiilor

mai complicată comparativ cu IEC 61131, faptul că se permite specificarea explicită a

secvenţei de execuţie a funcţiilor bloc dă dezvoltatorilor un nou nivel de flexibilitate, inexistent

anterior.

Sistemele de control industrial de tip SCADA se află în centrul majorităţii industriilor

moderne, cum ar fi cele de producţie, energie electrică, reţele de alimentare cu apă şi transport

etc. Practic, în orice domeniu actual se vor găsi versiuni de sisteme SCADA, acestea implicând

diverse tehnologii ce permit organizaţiilor atât funcţii de comandă cât şi de monitorizare,

colectare şi prelucrare a datelor extrase din procesele industriale. Aceste sisteme variază de la

configuraţii simple la proiecte de amploare, majoritatea acestora utilizând software de tip HMI

(Human-Machine Interface) ce permit utilizatorilor să interacţioneze şi să controleze

dispozitivele implicate (valve, pompe, motoare etc.).

SCADA primeşte informaţiile de la RTU-uri (Remote Terminal Units) sau PLC-uri, care la rândul

lor sunt alimentate cu informaţii de către senzori sau cu valori introduse manual. Datele

colectate sunt apoi monitorizate şi prelucrate cu scopul principal de a creşte eficienţa şi

eficacitatea instalaţiilor. Majoritatea sistemelor moderne SCADA permit accesarea datelor în

timp real şi de la mare distanţă permiţând luarea deciziilor imediate. Utilizarea de către

programele SCADA a standardelor şi practicilor IT de ultima generaţie, precum bazele de date

puternice şi integrarea cu sisteme de tip MES şi ERP, permite, pe lângă o creştere a eficienţei,

securităţii şi productivităţii, şi un flux mai facil al datelor.

Se urmăreste ca platformele de Cloud Computing să preia atribuţiile sistemelor SCADA,

adoptând tehnologia IoT. Ca rezultat, sistemul SCADA poate raporta starea aproape în timp

real şi se poate folosi de proprietatea scalabilităţii orizontale, pe care mediul Cloud o pune la



dispoziţie, pentru a implementa algoritmi de control mai complecşi decât s-ar putea implementa

în mod tradiţional în PLC. Folosirea protocoalelor deschise de reţea ca TLS (intrinsec IoT)

oferă în mod implicit o arie de securitate mai mare decât în cazul utilizării unui mix de

protocoale de reţea proprietare, cum se întâmplă în cazul multor implementări de sisteme

SCADA descentralizate.

Cea mai mare provocare rămâne cea a asigurării securităţii, ţinând seama că unele tipuri de

breşe sunt încă mai pregnante în mediul distribuit Cloud, cum ar fi partajarea resurselor şi

imposibilitatea păstrării datelor senzitive sub controlul direct al organizaţiei. Partajarea

resurselor în Cloud este realizată prin tehnologii de virtualizare, care poate fi de tip Full-

Virtualization sau Para-Virtualization. În primul caz, mediul virtual este situat direct peste mediul

hardware, pe când în cazul al doilea, mediul virtual este implementat indirect prin aşa numitele

middleware (hipervizoare), situate între sistemul de operare şi hardware. O soluţie care

preîntâmpină unele considerente în materie de securitate asupra serviciilor oferite de furnizori

este adoptarea de Cloud privat şi utilizarea canalelor VPN (Virtual Private Networks).

5.3.4. Sisteme tolerante la defecte

Evoluţiile recente în domeniul sistemelor complexe în timp real includ exploatarea structurii

problemelor de calcul optimale (implicând matrice Hamiltoniene sau simplectice, ori fascicole

de matrice anti-Hamiltoniene/Hamiltoniene). De mare interes pentru sistemele complexe în

timp real sunt sistemele tolerante la defecte şi sistemele optimale reconfigurabile, pentru care

sunt adecvaţi algoritmi iterativi, de exemplu, de tip Newton.

Conducerea avansată a unui proces implică acumularea continuă de date de măsură a

variabilelor procesului, cât şi transmiterea, memorarea şi prelucrarea lor, pentru supraveghere

(monitorizare), modelare, predicţie, administrarea mai bună a resurselor etc. Etapele parcurse

sunt următoarele: achiziţia şi memorarea datelor, prelucrarea primară, extragerea informaţiei,

agregarea datelor, compararea cu limitele, alarmarea, identificarea, modelarea, optimizarea

etc. Sunt luate în considerare diverse aspecte, incluzând eterogeneitatea, timpul de prelucrare,

securitatea şi caracterul privat al datelor, interacţiunea cu operatorul uman.

Extragerea informaţiei şi cunoaşterii din mulţimi de date foloseşte actualmente tehnici de

căutare a formelor sau tendinţelor („Data Mining”) sau metode de învăţare statistice.

Observaţiile deviante, identificate statistic, diferite ca valoare de altele dintr-un eşantion, sunt

numite şi anomalii (outliers) şi semnifică riscuri sau oportunităţi. Sunt necesare mijloace pentru

detecţia lor. O abordare posibilă se bazează pe testarea ipotezelor statistice. Observaţiile

deviante pot fi cauzate de abateri trecătoare în cursul achiziţiei datelor, datorate funcţionării

necorespunzătoare a aparatelor de măsură, zgomotelor (inclusiv pe canalele de transmitere),

sau schimbărilor abrupte ale naturii sau comportării procesului. Aceste observaţii trebuie

eliminate, dacă se doreşte modelarea funcţionării normale a unui proces, dar trebuie analizate

când ar putea semnala o comportare anormală, conducând posibil la regimuri de funcţionare

critice, periculoase sau inacceptabile.

Modelarea observaţiilor deviante şi abstractizarea problemei detecţiei acestora au trei

componente importante :



nivelul informaţiei disponibile despre comportarea normală şi deviantă,

tipul deviaţiilor şi

criteriul pentru identificarea acestora.

Abordările existente pentru detecţia anomaliilor pot fi clasificate în patru grupe: supervizate,

semisupervizate, nesupervizate şi complet universale. Abordările supervizate sunt aplicabile

când sunt disponibile modele atât pentru observaţiile normale, cât şi pentru cele deviante, ceea

ce este posibil pentru date statice sau modele lent variabile în timp. Această clasă include

abordări bazate pe clasificare, reţele neurale, Bayes şi „support vector machines” (SVM).

Abordările semisupervizate folosesc doar un model, fie al datelor normale (în majoritatea

cazurilor), fie al celor deviante. Abordările nesupervizate nu utilizează nici o ipoteză despre

modelele datelor; exemple sunt abordările discriminative, abordări parametrice şi prelucrarea

analitică on-line. Abordările complet universale construiesc reguli de decizie cu singura

ipoteză că distribuţiile normală şi deviantă sunt diferite.


6. Raport de analiză pentru tematica „Aplicaţii pentru dispozitive mobile inteligente”


6.1.1. Aplicaţia mobilă

O aplicaţie mobilă sau “app”, cum mai este aceasta denumită, este un program special

proiectat pentru a rula pe dispozitive mobile cum sunt telefoanele inteligente sau tabletele

(“Mobile app,” 2015). Termenul "app" este o prescurtare a expresiei “aplicaţie software". Acesta

a fost listat ca "Word of the Year" de către American Dialect Society în anul 2010 (“App - word

of the year,” 2010)

Cele mai multe astfel de dispozitive au pre-instalate mai multe aplicaţii standard, cum ar fi de

exemplu, browser-ul web, clientul de email, calendar, harta şi o aplicaţie pentru cumpărarea de

muzică sau alte fişiere media sau mai multe aplicaţii. Unele dintre aplicaţiile pre-instalate pot fi

eliminate printr-un proces de dezinstalare obişnuit, lăsând astfel mai mult spaţiu de stocare

pentru cele dorite. În cazul în care sistemul de operare al dispozitivului mobil nu permite acest

lucru, unele sisteme pot fi alterate pentru a elimina aplicaţiile nedorite.

Aplicaţiile care nu sunt preinstalate sunt disponibile, de obicei, prin intermediul platformelor de

distribuţie de aplicaţii, care au început să apară începând cu anul 2008 şi sunt operate de

obicei de către proprietarul sistemului de operare mobil, cum ar fi de exemplu Apple App Store,

Google Play, Windows Phone Store, şi BlackBerry App World. Unele aplicaţii sunt gratuite, în

timp ce altele trebuie să fie cumpărate. De obicei, acestea sunt descărcate de pe platforma de

distribuţie pe un dispozitiv ţintă, însă uneori acestea pot fi descărcate pe laptop-uri sau

computere desktop. Pentru aplicaţiile comerciale, în general, un procent variabil între 20-30%

din preţ este luat de către furnizorul platformei de distribuţie (cum ar fi de exemplu iTunes), iar

restul merge la producătorul aplicaţiei (Siegler, 2008), prin urmare, aceeaşi aplicaţie poate

avea un preţ diferit în funcţie pe platforma mobilă.

Aplicaţiile mobile au fost iniţial dezvoltate pentru a creşte productivitate generală şi obţinerea

de informaţii, precum e-mail, calendar, contacte, piaţa de capital şi informaţii meteo. Cu toate

acestea, cererea utilizatorilor şi disponibilitatea unor instrumente de dezvoltare extrem de

sofisticate a condus la expansiunea rapidă a unor noi categorii de aplicaţii, cum ar fi de

exemplu cele pentru gestiunea pachetelor software pentru aplicaţiile desktop. La fel ca şi în alte

domenii, creşterea numărului şi a varietăţii aplicaţiilor a făcut ca descoperirea acestora să

devină o provocare, care, la rândul său, a dus la crearea unei game largi de surse de

recomandare, inclusiv bloguri, reviste şi servicii on-line dedicate aplicaţiilor mobile. În anul 2014

agenţiile guvernamentale americane din domeniul reglementării au început trierea aplicaţiilor în

special în domeniul medical (Yetisen et al., 2014).



Tipologia aplicaţiilor mobile include: aplicaţii native, aplicaţii web şi aplicaţii hibride (Sansour,

Kafri, & Sabha, 2014). Aplicaţiile native funcţionează numai pe dispozitivele mobile şi folosesc

direct resursele oferite de sistemul de operare al dispozitivului mobil. Aplicaţiile web rulează

pe browser-ele web şi cele mai multe dintre acestea se execută pe un server extern. Ele se pot

executa pe mai multe platforme, dar au o eficienţă mai mică. Aplicaţiile hibride sunt o

combinaţie între aplicaţiile native şi aplicaţiile web.

Din punct de vedere al domeniului aplicativ, există categorii de aplicaţii pentru dispozitivele

mobile în cadrul bibliotecilor de aplicaţii, ce acoperă o gamă largă de domenii precum

divertisment, jocuri, servicii sociale, aplicaţii educaţionale şi aplicaţii financiare sau de afaceri.

6.1.2. Dezvoltarea aplicaţiilor mobile

6.1.2.1. Despre specificitatea procesului

Dezvoltare aplicaţiilor mobile este una dintre cele mai active zone de dezvoltare a aplicaţiilor,

având în vedere fragmentarea continuă a pieţei în ceea ce priveşte dispozitivele mobile şi

sistemele de operare. Dezvoltarea de aplicaţii mobile este un termen utilizat pentru a desemna

procesul prin care aplicaţii software sunt dezvoltate pentru dispozitive mobile portabile. Aceste

aplicaţii pot fi pre-instalate sau pot fi livrate ca aplicaţii web folosind browser-ul dispozitivului

mobil.

In condiţiile în care dispozitivele mobile inteligente se dovedesc a fi alegerea preferată pentru

conectarea la Internet, atât pentru persoane particulare, cât şi pentru angajaţi, dezvoltarea

aplicaţiilor mobile se reorientează de la programarea web la programarea mobilă. Dezvoltarea

de aplicaţii pentru dispozitive mobile necesită luarea în considerare a constrângerilor şi a

caracteristicilor acestor dispozitive: autonomie mai mare decât a calculatoarelor portabile,

existenţa senzorilor (cum sunt cei pentru detectarea locaţiei, efectuarea de înregistrări audio şi

video, etc.), o gamă largă de dimensiuni ale ecranului, o diversitate mare de dispozitive mobile,

datorită concurenţei intense în domeniul producerii acestora.

Cercetări în domeniu au identificat necesitatea anumitor etape în dezvoltarea aplicaţiilor

mobile. Autori precum (Buthpitiya et al., 2012) consideră că telefoanele mobile şi computerele

portabile prin senzorii şi capacitatea de comunicare de care dispun sunt capabile să ofere

aplicaţii omniprezente. Principalele probleme cu care se confruntă dezvoltatorii de aplicaţii sunt

în mare parte datorate limitărilor dispozitivului mobil. Alţii precum (Biegel & Cahill, 2004) au luat

în considerare gradul de conştientizare al contextului şi de mobilitate drept un concept de bază

pentru aplicaţii omniprezente. Ei au dezvoltat un cadru de lucru care facilitează dezvoltarea şi

testarea aplicaţiilor de către utilizatori într-un mod rapid şi uşor.

(Wasserman, 2010) a evidenţiat creşterea accelerată a numărului de aplicaţii pentru

dispozitivele mobile, precum şi principale caracteristici ale acestora: dimensiunea limitată, unul

sau doi dezvoltatori, ca tip de aplicaţii fiind native şi web. De asemenea, au fost analizate

diferenţele dintre dezvoltarea de aplicaţii tradiţionale şi cele pentru dispozitivele mobile.

(Bareiss & Sedano, 2011) au încercat să puncteze unele nevoi speciale pentru aplicaţiile

mobile iar (Carbon & Hess, 2011) au propus câteva metode pentru dezvoltarea unei aplicaţii

mobile pentru gestiunea unei afaceri, precum şi o serie de principii directoare, cum ar fi

procesele centrate pe utilizator, iterative şi integratoare.



Unii autori precum (Charland & LeRoux, 2011) au comparat aplicaţiile native şi cele web. Au

fost descrise şi problemele cu care se confruntă distribuitorii de dispozitive mobile, fiind

dezvoltate în special cerinţele referitoare la platforma de dezvoltare precum şi compatibilitatea

cross-platform. S-a încercat să se facă distincţia între tipurile de aplicaţii, fiind recomandate

aplicaţiile hibride. Pe de altă parte, (Dehlinger & Dixon, 2011) evidenţiază dezvoltarea rapidă

utilizând platformele pentru aplicaţii mobile. Ei, de asemenea clasificate patru provocări de

aplicaţii mobile pentru inginerie software, care creează universale User Interfaces, permiţând

reutilizarea software pe platforme mobile, Proiectare sensibile la context aplicaţii mobile, şi de

echilibrare agilitatea şi incertitudine în cerinţele.

Un exemplu de aplicaţie multimedia este CityEvents, care urmăreşte locaţia utilizatorului

precum şi contextul în care este folosită, şi care oferă informaţii detaliate despre evenimentele

culturale în zona în care se găseşte utilizatorul utilizând harta dispozitivului mobil (Rosa et al.,

2012).

(Ha et al., 2013) descriu beneficiile tehnologiei Cloud Computing, care ajută la creşterea

capacităţii de prelucrare şi de stocare a datelor. Au fost efectuate experimente cu unele aplicaţii

standard (recunoaşterea feţei, recunoaşterea vorbirii, identificarea obiectelor, realitate

augmentată, simulare experimente în fizică) pentru desktop-uri, laptop-uri, şi smartphone-uri,

demonstrând beneficiile tehnologiei Cloud computing.

6.1.2.2. Interfaţa utilizator

Proiectarea Interfeţei Utilizator (UI) este esenţială pentru succesul unei aplicaţii mobile. În cazul

dispozitivelor mobile componenta de UI trebuie să considere atât constrângerile specifice, cât

şi contextul de utilizare. Interacţiunea utilizatorului cu dispozitivul mobil şi interfaţa acestuia

implică atât componente hardware cât şi software. De asemenea, tipologia de utilizatori este

mult mai diversificată ca abilităţi de operare, vârstă, pregătire tehnică. Atenţia acordata acestui

aspect este ilustrată în continuare prin facilităţile oferite de platforma iOS a firmei Apple pentru

dezvoltarea de interfeţe pentru persoane în vârstă sau cu dizabilităţi.

iOS este un sistem de operare pentru dispozitive mobile ce este dezvoltat de către compania

Apple şi este distribuit exclusiv în cadrul echipamentelor hardware realizate de către aceasta.

Interfaţa utilizator a iOS se bazează pe conceptul de manipulare directă prin utilizarea

gesturilor multi-touch. Elementele de control al interfeţei constau în cursoare, butoane şi

comutatoare. Interacţiunea cu sistemul de operare include gesturi precum baleierea, atingerea

uşoară, atingerea apăsată, fiecare având o anumită semnificaţie în cadrul contextului respectiv.

Senzori interni ai dispozitivului mobil precum accelerometrul sunt utilizaţi de unele aplicaţii

pentru a reacţiona la anumite mişcări bruşte ale aparatului precum scuturarea sau rotirea

acestuia (“iOS,” 2015).

Sistemul iOS are anumite elemente comune cu sistemul OS X precum framework-urile Core

Foundation şi Foundation. Tookit-ul UI este Cocoa Touch, spre deosebire de Cocoa care este

utilizat de către OS X. O altă diferenţă între OS X şi iOS constă în restricţionarea accesului la

shell în cadrul iOS. Versiunea curentă, iOS 8.1 rulează pe dispozitive iPhone 4S sau alte

versiuni ulterioare, tablete iPad 2 sau ulterioare, toate modele de tablete iPad Mini şi a 5-a

generaţie de dispozitive iPod Touch. Intuitive prin design, dispozitivele mobile iOS precum

iPhone, iPad şi iPod au la dispoziţie tehnologiile inovative implementate de către platforma iOS



pentru a fi adaptate nevoilor de asistenţă în utilizare specifice persoanelor în vârstă sau cu

dizabilităţi, astfel încât acestea pot beneficia de întreaga lor funcţionalitate (“Accessibility - iOS -

Apple,” 2015).

VoiceOver este un cititor de ecran inovativ care informează utilizatorul în legătură cu tot ce se

întâmpla în cadrul ecranului şi care îl ajută pe acesta să navigheze în cazul în care acesta are

probleme cu vederea. Prin atingerea ecranului este transmit un sunet care descrie elementul

care se află în dreptului degetului. De asemenea pot fi utilizare gesturi de control pentru a

comanda dispozitivul mobil. VoiceOver este compatibilă cu aplicaţiile care sunt disponibile în

cadrul modelelor iPhone, iPad şi iPod Touch.

Speak Screen este dedicată utilizatorilor cu probleme în citirea textelor afişate pe dispozitivul

mobil (mesaje, email-uri, pagini web sau chiar cărţi). Speak Screen poate fi activată printr-un

gest de atingerea a ecranului cu două degete şi de baleiere în jos sau poate fi apelată cu

ajutorul componentei Siri. Există câteva moduri de personalizare, precum tonul şi dialectul

vocii, iar cuvintele pot fi marcate pe ecran în momentul citirii.

Siri este un program care are rolul de asistent inteligent al utilizatorului în efectuarea

operaţiunilor cotidiene, prin dictare şi prin recunoaşterea automată a limbajului de către

componenta inteligentă. Siri poate asigura trimiterea de mesaje, formarea unor numere de

telefon, programare evenimente, activarea sau dezactivarea unor componente ca VoiceOver,

Guided Access sau Invert Colors. Prin integrarea cu VoiceOver, Siri poate răspunde inteligent

la întrebări precum locaţia unui unităţi medicale şi poate citi acest răspuns direct de pe hartă.

Dictare permite înregistrarea unui text prin citire în loc de scriere. Sistemul iOS poate să

recunoască cuvintele rostite în mai multe limbi, acestea fiind convertite în cuvinte care compun

un text. Astfel nu mai este necesară tastarea caracterelor şi a cuvintelor, ori a diferitelor

elemente precum email-ul sau adresa URL, acestea putând fi dictate direct de utilizator.

Zoom măreşte conţinutul ecranului în orice situaţie sau context în cadrul iOS. Componenta

poate fi activată în orice aplicaţie disponibilă în cadrul AppStore. Prin activarea în contextul 'full

screen' permite vizualizarea zonei mărite într-o fereastră separată în timp ce restul imaginii sau

al ecranului este menţinut la rezoluţia iniţială. Se poate ajusta factorul de mărire a imaginii,

acesta putând scala între 100% şi 1500% faţă de valoarea iniţială. În cadrul imaginii scalate se

pot utiliza toate gesturile de control al ecranului, şi poate fi utilizată componenta VoiceOver,

astfel încât conţinutului de pe ecran poate fi văzut mai bine şi se poate auzi ceea ce este afişat.

Ajustarea dimensiunii caracterelor permite mărirea dimensiunii caracterelor utilizate în

prezentarea textelor de către aplicaţiile standard iOS precum Calendar, Contacts, Mail,

Meesages, Music, Notes şi Settings, şi chiar de către aplicaţii terţe. Se poate alege şi ca textul

să aibă caractere îngroşate, aceasta opţiune fiind suportată de toate aplicaţiile standard iOS.

Inversarea culorilor şi utilizarea tonurilor de gri este utilă în cazul în care din cauza contrastului

prea slab sau a culorilor prea puternice utilizatorul are probleme în a citi conţinutul ecranului.

Prin configurarea acestor filtre se poate asigura obţinerea unui mod unic de vizualizare a

conţinutului ecranului, indiferent de aplicaţie.

FaceTime permite comunicarea în mai multe moduri prin utilizarea expresiilor faciale sau a

limbajului semnelor utilizat de persoanele surdo-mute. Datorită performanţei ridicate a

conţinutului video şi datorită faptului ca FaceTime este disponibil şi pe sistemul OS X, utilizatorii



au la dispoziţie o gama largă de dispozitive pe care le pot folosi pentru a comunica utilizând

limbajul semnelor.

AssistiveTouch permite adaptarea ecranului Multi-Touch nevoilor personale ale fiecărui

utilizator. Astfel, dacă utilizatorul întâmpină probleme în executarea unor gesturi de control,

acestea pot fi reconfigurate în funcţie de preferinţe sau pot fi create gesturi personalizate. Spre

exemplu, se poate înlocui necesitatea de apăsare a butonului Home cu cea de atingere a

ecranului. Anumite gesturi precum rotirea ecranului şi scuturarea dispozitivului mobil sunt

disponibile chiar dacă sistemul iOS este configurat pentru un aparat static care este ataşat sau

montat unui scaun cu rotile ce este utilizat de o persoană cu dizabilităţi. De asemenea, sistemul

iOS este compatibil cu alte echipamente asistive terţe care ajută în interacţiunea cu

dispozitivele mobile iPhone, iPad sau iPod Touch.

SwitchControl reprezintă o tehnologie asistivă destinată persoanelor care au deficienţe de

mobilitate sau nu au suficientă îndemânare astfel încât să poată utiliza eficient dispozitivele

mobile. Permite navigarea secvenţială a elementelor prezente în cadrul ecranului şi efectuarea

unor acţiuni cu ajutorul unor instrumente conectate prin intermediul Bluetooth.

Prescurtări pentru introducerea textului este utilă în situaţia în care utilizatorul are o serie de

fraze pe care le foloseşte mai des, pentru care poate crea anumite prescurtări care să fie

înlocuite automat în text cu frazele la care fac referire.

Tastatură predictivă oferă sugestii în momentul introducerii textului în funcţie de context,

respectiv în funcţie de persoana pentru care este scris mesajul şi de ceea ce a fost scris

înainte.

Suport pentru tastaturi terţe permite utilizatorilor să aleagă o tastatură în funcţie de cerinţe

specifice sau de preferinţe, de ex. în cazul în care unele tastaturi au o structură mai potrivită

pentru o activitate anume decât tastatura standard.

GuidedAccess ajută utilizatorii care suferă de autism sau de alte deficienţe de menţinere a

atenţiei să rămână concentraţi asupra sarcinii curente, respectiv a aplicaţiei deschise. Cu

ajutorul acestei componente un părinte, un profesor sau terapeut poate să limiteze funcţionarea

sistemului iOS la o singură aplicaţie şi se poate limita durata de timp în care aplicaţia

respectivă poate fi utilizată. Se poate restricţiona utilizarea tastaturii sau a gesturilor de control

într-o zonă anume a ecranului astfel încât să nu fie permise distrageri ale atenţiei.

6.1.2.3. Platforme de dezvoltare a aplicaţiilor mobile

Dezvoltarea de aplicaţii mobile necesită utilizarea unor medii de dezvoltare integrate

specializate. Platformele de dezvoltare de aplicaţii pentru dispozitivele mobile (MADP) oferă

instrumente, tehnologii, componente şi servicii care permit dezvoltatorilor să creeze aplicaţii

mobile pentru clienţi, parteneri şi angajaţi (Gartner, 2015). Aplicaţiile mobile sunt mai întâi

evaluate în mediul de dezvoltare, folosind emulatoare şi apoi sunt supuse unor teste.

Emulatoare oferă un mod simplu şi eficient de a testa aplicaţiile mobile pe dispozitivele la care

dezvoltatorii nu pot avea acces fizic.

Referitor la funcţionalitatea solicitată de către întreprinderi pentru o platformă de dezvoltare

aplicaţii mobile, studiul Gartner (2015) furnizează următoarea listă de facilităţi:



suport pentru mai multe sisteme de operare (iOS, Android, Windows Phone);

suport pentru cel puţin două din variantele de aplicaţii mobile (native, web, hibride);

suport pentru operarea off-line, de interes pentru aplicaţii mobile care utilizează un

website mobil;

suportul pentru întreg ciclul de viaţă al dezvoltării de aplicaţii mobile: de exemplu,

prototipizare, testare pe mai multe dispozitive, dezvoltare pe mai multe platforme

mobile, administrare versiuni, mangementul configuraţiei, distribuire aplicaţii mobile,

managementul acestora după lansare (de ex. magazine de aplicaţii);

integrare cu sisteme de back-end uzuale (de ex. baze de date, SAP, Microsoft

Dynamics);

instrumente pentru dezvoltarea rapidă a aplicaţiilor care pot fi utilizate de personal mai

puţin specializat (analişti de afaceri sau experţi de proces);

servicii Cloud pentru integrare aplicaţii, persistenţa datelor, notificări, analiza datelor,

integrarea cu social media;

utilizarea standardelor (HTML5 şi CSS3), inclusiv standarde de facto (jQuery,

PhoneGap / Apache Cordova);

un ecosistem al contribuţiilor unor terţe părţi: biblioteci, şabloane, instrumente,

componente şi servicii;

un istoric al referinţelor de succes.

Pe baza analizei de piaţă în domeniul aplicaţiilor mobile, lucrarea (Mendix, 2014) formuleaza

criterii de selecţie a MADP, ca suport decizional pentru întreprinderile interesate să-şi

dezvolte capacitatea de elaborare aplicaţii mobile pentru uz intern sau pentru piaţă:

Un MADP de tip universal este o soluţie avantajoasă în sensul că evitate cheltuielile de

achiziţionare de noi instrumente şi cele de integrare.

Un asemenea MADP poate să nu satisfacă cerinţe specifice în cazul unui beneficiar

care utilizează deja instrumente care acoperă anumite funcţiuni ale unui asemenea

produs şi are interes să achiziţioneze o variantă mai limitată funcţional.

Atunci când se compară produse MADP, trebuie evaluată funcţionalitatea disponibilă pe

o licenţă, raportat la varianta de a achiziţiona module licenţiate separat.

Avantajele unei soluţii MDAP axată pe experţi în afaceri sunt adesea ignorate de către

întreprinderi pentru că ofertele sunt evaluate, de obicei, de departamentul TI. In mod

natural, decizia acestuia favorizează instrumentele orientate spre dezvoltator. In

adoptarea deciziei de achiziţionare trebuie şinut cont de faptul că versiunile de MADP

orientate spre utilizatori din domeniul business pot aduce reduceri semnificative de preţ

şi creşterea vitezei de ieşire pe piaţă în raport cu cele cele orientate tehnologic.

Alte aspecte de care trebuie ţinut cont la alegerea unei platforme sunt sintetizate în continuare.

Furnizorii majori continuă să descompună produsele integrate de tip suite în componente mai

mici. De exemplu, IBM Worklight (devenit portofoliul MobileFirst de produse compatibile) sau

MobileFabric la firmei Kony. Aceşti furnizori încurajează utilizatorii finali să folosească



configuraţii de instrumente compatibile. In aceste condiţii, o întreprindere îşi poate configura o

platformă MADP din diferite subsisteme, inclusiv biblioteci open-source şi toolkit-uri. Alternativ,

se poate începe cu utilizarea unei soluţii nucleu oferite de un furnizor şi extinderea acesteia pe

parcurs.

Cea mai bună alegere pentru o întreprindere poate să nu satisfacă cerinţele altei întreprinderi.

De asemenea, există posibilitatea ca o soluţie oferită de un furnizor mai puţin vizibil pe piaţă

decât liderii (jucător de nişă, vizionar sau candidat) să răspundă mai bine cerinţelor specifice

ale unei întreprinderi.

Referitor la preţuri, este dificil de formulat o recomandare, deoarece furnizorii au modele diferite

de stabilire a preţurilor, organizaţiile beneficiare dispun de competenţe profesioanle şi

metodologii diferite, iar cerinţele pentru aplicaţii poate varia şi ele foarte mult. Cu toate acestea,

este posibil să se definească o structură pe trei niveluri pentru costurile unui proiect iniţial de

dezvoltare mobilă: nivel scăzut (până la 25.000 $), nivel mediu (între 25.000 $ şi 100.000 $) şi

nivel ridicat (peste 100.000 $).

6.1.2.4. Exemplu de MADP orientat aplicativ

6.1.2.4.1. Destinaţie

HealthKit este un framework ce include API-ul necesar pentru dezvoltarea de aplicaţii

compatibile cu Health. Acesta este inclus în cadrul SDK-ul iOS disponibil pentru computerele

Mac.

Platforma HealthKit permite ca aplicaţiile care oferă servicii în domeniul sănătăţii sau fitness să

partajeze datele atât cu aplicaţia Health cât şi cu alte aplicaţii similare. Informaţiile legate de

starea de sănătate a unui utilizator sunt stocate într-un singur loc care este securizat, iar acesta

poate să decidă ce aplicaţii au drept de acces la aceste date (“HealthKit Framework

Reference,” 2015).

HealthKit oferă cadrul pe care aplicaţiile pot să îl folosească pentru a partaja informaţiile

referitoare la starea de sănătate a utilizatorului şi este conceput pentru a gestiona datele care

pot să provină din surse diferite, putând să îmbine aceste date în funcţie de preferinţele

acestuia. Aplicaţiile pot accesa datele neprelucrate provenind direct de la sursă şi le pot

procesa în funcţie de cerinţele proprii.

HealthKit lucrează direct cu dispozitivele specializate în domeniul monitorizării stării de

sănătate. Astfel, în cadrul sistemului iOS 8, se pot înregistra direct datele ce provin de la

dispozitive compatibile Bluetooth precum monitoarele de ritm cardiac direct în cadrul HealthKit.

La fel, se pot importa direct date referitoare la numărul de paşi efectuaţi, măsurătoare care este

efectuată de către co-procesorul M7 în cazul în care acesta este disponibil în cadrul

dispozitivului mobil.

Celelalte dispozitive şi surse de date trebuie să aibă o aplicaţie dedicată care să poată accesa

şi salva datele în cadrul HealthKit.



6.1.2.4.2. Caracteristici

HealthKit este proiectat astfel încât să permită partajarea datelor de interes pentru starea de

sănătate a utilizatorului într-un mod cât mai eficient. Pentru aceasta, framework-ul impune

anumite constrângeri referitoare la tipurile de date permise care sunt predefinite. Aceste limitări

au rolul de a asigura că alte aplicaţii înţeleg atât ce înseamnă fiecare tip de dată şi cum se

poate utiliza. În consecinţă dezvoltatorii nu pot crea tipuri de date sau unităţi de măsură proprii.

Platforma utilizează în mod intensiv conceputul de sub-clasă prin care se realizează o ierarhie

de clase similare. De foarte multe ori, aceste clase prezintă diferenţe subtile dar importante.

Fiecare obiect HealthKit are următoarele proprietăţi:

UUID: un identificator unic

Source: sursa din care provin datele. Sursa poate să fie un dispozitiv care salvează

datele direct în cadrul framework-ului HealthKit sau o altă aplicaţie. Framework-ul

HealthKit configurează în mod automat sursa sursa fiecărui obiect atunci când acesta

este salvat. Această proprietate este disponibilă doar pentru obiectele care au fost

obţinute din cadrul framework-ului.

Metadata: un dicţionar ce conţine informaţii suplimentare referitoare la fiecare obiect.

Metadata poate să conţină atât elemente predefinite cât şi elemente create adiţional.

Elementele predefinite facilitează partajarea datelor între aplicaţii, iar elementele create

adiţional oferă posibilitatea de extindere a unui tip de date predefinit adăugând

informaţii specifice aplicaţiei.

Obiectele HealthKit pot fi împărţite în două mari grupuri:

Obiectele de tip caracteristică reprezintă date care de obicei nu suferă modificări.

Astfel de tipuri de date constau în grupa sanguină, sex-ul sau ziua de naştere.

Aplicaţia nu poate modifica datele de tip caracteristică, acestea trebuind a fi modificate

de utilizator prin intermediul aplicaţiei Health.

Obiectele de tip eşantion reprezintă date la un anumit moment de timp. Toate

obiectele de tip eşantion sunt subclase ale clasei HKSample. Acestea au următoarele

proprietăţi:

- type: tipul eşantionului (de ex. înălţimea, numărul de paşi parcurşi, orele de

somn, ş.a.);

- start date: momentul de început al eşantionului;

- end date: momentul finalizării eşantionului. În cazul în care eşantionul

reprezintă un singur element atunci momentul Start Date trebuie să fie egal cu

cel End Date. Pentru datele culese în decursul unui interval de timp, momentul

End Date trebuie să fie ulterior momentului Start Date.

Eşantioanele pot fi împărţite şi în funcţie de tipul de date, aceasta putând fi:

- categorie: aceste eşantioane reprezintă date care se pot clasifica într-un set

finit categorii. În cadrul sistemului iOS 8 există doar un singur tip de acest fel,

şi anume tipul de somn.



- cantitate: aceste eşantioane reprezintă un tip de date care poate fi reprezentat

sub forma unor valori numerice. Eşantioanele cantitative reprezintă cel mai

întâlnit tip de date în cadrul HealthKit. Acestea includ înălţimea şi greutatea

utilizatorului, precum şi alte valori ca numărul de paşi efectuaţi, temperatura,

ritmul cardiac, ş.a.

- corelaţii: aceste eşantioane reprezintă tipuri de date compuse, respectiv date

care conţin unul sau mai multe eşantioane. În cadrul sistemului iOS 8,

HealthKit utilizează corelaţii pentru a reprezenta alimentele şi tensiunea

arterială.

- exerciţii: reprezintă orice formă de activitate fizică precum alergarea, înotul sau

chiar joaca. Exerciţiile sau programele de antrenament au proprietăţi precum

tip, durată, distanţă şi energie consumată.

6.1.2.4.3. Protejarea datelor cu caracter personal

Deoarece datele referitoare la starea de sănătate a utilizatorului au un caracter sensibil,

HealthKit oferă utilizatorilor posibilitatea de a controla într-un mod cât mai fin drepturile de

acces şi de utilizare ale acestora.

Astfel, utilizatorul trebuie să permită explicit fiecărei aplicaţii să citească sau să scrie date în

cadrul framework-ului HealthKit. Aceasta se poate face separat şi individual pentru fiecare tip

de date. Spre exemplu, utilizatorul poate să permită unei aplicaţii să citească numărul de paşi

realizaţi, dar poate să interzică acesteia să citească nivelul indicelui glicemic din sânge. Pentru

a preîntâmpina posibilele scurgeri de informaţii, o aplicaţie nu are cunoştinţă dacă i-a fost

permis sau nu accesul la un tip de date. Din punctul de vedere al aplicaţiei, în cazul în care i s-

a interzis accesul la un tip de date, astfel de date nu există în cadrul framework-ului HealthKit.

Foarte important, datele înregistrate în cadrul HealthKit nu pot fi salvate în cadrul iCloud şi nu

pot fi sincronizate pe mai multe dispozitive mobile. Datele sunt păstrate doar în cadrul

dispozitivului mobil în care au fost înregistrate. Din motive de securitate baza de date HealthKit

este criptată atunci când dispozitivul nu este închis.

O aplicaţie HealthKit nu trebuie să acceseze API-ul decât dacă este proiectată cu scopul

principal de a oferi servicii de sănătate sau pentru fitness. Această funcţionalitate a aplicaţiei

trebuie să fie specificată clar atât în textul de promovare cât şi cadrul interfeţei utilizator. Pentru

toate aplicaţiile HealthKit se fac următoarele recomandări:

Aplicaţia nu poate să folosească informaţii obţinute prin utilizarea HealthKit în scopuri

publicitare sau alte servicii similare. Este posibil ca aplicaţia să ofere reclamă, dar

datele din cadrul HealthKit nu pot fi utilizate pentru a crea reclame.

Informaţiile obţinute prin intermediul HealthKit nu trebuie să fie partaje cu niciun alt terţ

fără permisiunea explicită a utilizatorului. Chiar şi după acordarea permisiunii, date nu

pot fi partajate decât dacă acea terţă parte oferă servicii similare în domeniul sănătăţii

sau fitness.

Informaţiile obţinute prin intermediul HealthKit nu pot fi vândute către alte entităţi

comerciale.



În baza consimţământului utilizatorului, aplicaţia poate să partajeze datele din cadrul

HealthKit cu un terţ în scopuri strict de cercetare medicală.

Aplicaţia trebuie să prezinte explicit utilizatorului modul în care va utiliza datele obţinute.

De asemenea, pentru fiecare aplicaţie trebuie să existe o politică de gestiune a datelor cu

caracter personal. Ca exemplu pentru crearea unei astfel de politici se pot utiliza:

Modelul de înregistrări personale (Personal Health Record) pentru aplicaţii non HIPAA:

http://www.healthit.gov/policy-researchers-implementers/personal-health-record-phr-

model-privacy-notice

Modelul HIPAA: http://www.hhs.gov/ocr/privacy/hipaa/modelnotices.html.

6.1.2.4.4. Beneficii ale adoptării HealthKit

Aplicaţiile care oferă servicii de sănătate sau de fitness au o serie de avantaje prin utilizarea

HealthKit. Principale beneficii sunt menţionate în continuare:

▪ Separarea activităţilor de colectare a datelor, de procesare a datelor şi oferirea

unei componente pentru reţelele sociale. Utilizarea aplicaţiilor de monitorizarea a stării de

sănătate şi de fitness implică mai multe componente, precum colectarea şi analiza datelor,

oferirea de informaţii relevante în baza cărora pot fi întreprinse anumite acţiuni, oferirea de

elemente vizuale adecvate şi de asemenea oferirea posibilităţii ca utilizatorii să participe în

cadrul unor comunităţi sociale. HealthKit oferă elementele necesare în implementarea acestor

funcţionalităţi cu un efort minim. Această separare a responsabilităţilor între HealthKit şi

aplicaţie este benefică şi pentru utilizator, nu doar pentru dezvoltatorul aplicaţiei. Astfel, fiecare

utilizator poate să îşi aleagă aplicaţia favorită pentru diverse activităţi precum urmărirea

greutăţii, a numărului de paşi efectuaţi, sau a problemelor de sănătate. Acest mod de

combinare al aplicaţiilor oferă posibilitatea utilizatorului de a alege o suită de aplicaţii, fiecare

aplicaţie individuală fiind potrivită doar pentru o anumită sarcină. Deoarece aceste aplicaţii îşi

pot transfera date între ele, un grup de aplicaţii specializate poate să ofere o experienţă

superioară faţa de o singură aplicaţie generală.

▪ Reducerea efortului de partajare a datelor între aplicaţii. Framework-ul HealthKit

uşurează activitatea de partajarea a datelor între aplicaţii. Acest lucru este extrem de avantajos

pentru dezvoltatorii de aplicaţii deoarece nu mai este necesară scrierea de cod în funcţie de

fiecare aplicaţie. Toate aplicaţiile care suportă HealthKit pot să îşi transmită date prin

intermediul acestuia. Utilizatorii beneficiază şi ei de această caracteristică deoarece nu mai

este necesară configurarea manuală a interoperabilităţii aplicaţiilor, iar datele nu mai trebuie să

fie exportate şi importate manual. Utilizatorii au în continuare dreptul de a autoriza aplicaţiile să

acceseze datele stocate în cadrul HealthKit, însă după ce a fost acordată permisiunea,

aplicaţiile pot scrie şi citi datele unei alte aplicaţii în mod liber.

▪ Oferirea unei game largi de informaţii şi a unei imagini de ansamblu complete.

Aplicaţiile pot beneficia de accesarea unei largi game de date, iar acestea îşi pot crea o

imagine de ansamblu complete asupra stării de sănătate a utilizatorului. În foarte multe situaţii,

aplicaţiile îşi pot modica recomandările în funcţie de informaţiile adiţionale care sunt prezente în

cadrul HealthKit. Spre exemplu, o aplicaţie pentru fitness poate să sugereze un aliment după

http://www.healthit.gov/policy-researchers-implementers/personal-health-record-phr-model-privacy-notice

http://www.healthit.gov/policy-researchers-implementers/personal-health-record-phr-model-privacy-notice

http://www.hhs.gov/ocr/privacy/hipaa/modelnotices.html



efectuarea sesiunii de exerciţii în funcţie de numărul de calorii pe ca l-a consumat utilizatorului

dar şi de dieta avută în decursul zilei.

▪ Aplicaţiile sunt integrate într-un ecosistem. Aplicaţiile beneficiază de partajarea

datelor înregistrate în cadrul HealthKit deoarece devin parte a unui ecosistem. Acesta are

avantajul de a creşte vizibilitatea, utilitatea şi importanţa aplicaţiilor individuale. La fel de

important, prin adoptarea HealthKit de către aplicaţie, aceasta poate să colaboreze cu alte

aplicaţii pe care utilizatorul deja la foloseşte şi la apreciază.

6.1.3. Piaţa aplicaţiilor mobile

Piaţa privind mobilitatea întreprinderii continuă să evolueze, cu o cerere tot mai mare pentru

aplicaţiile mobile în toate domeniile. Această cerere în creştere înseamnă că organizaţiile

recunosc că nu mai pot continua să construiască o colecţie de aplicaţii unice; este necesară o

abordare de portofoliu. Implementarea unei asemenea abordări reprezintă o schimbare

semnificativă în dezvoltarea domeniului mobile, iar acest lucru se reflectă în piaţă. Livrarea

aplicaţiilor mobile este în mod semnificativ legată de impactul în afaceri, proiectare, integrare,

furnizare, management, şi mult mai puţin de aspecte tehnice privind programarea clientului.

Multe organizaţii realizează că domeniul mobile este un avantaj competitiv esenţial ca parte a

procesului de digitizare a afacerii. Dar mobile-ul este doar o parte din această imagine mai

mare, care nu este suficientă în sine. Trebuie avute in vedere cerinţele pieţii privind suportul

pentru canale de livrare alternative, corespunzător experienţei clienţilor. .

Diversitatea dispozitivelor ţintă continuă să crească. Nu există soluţii dominante privind Nici

dimensiunea ecranului sau sistemul de operare. Orice companie care doreşte să se adreseze

unui public larg trebuie să ofere o experienţă cross-platformă.

Piaţa de aplicaţii mobile este structurată în jurul platformelor de dezvoltare a aplicaţiilor mobile,

care oferă instrumente, tehnologii, componente şi servicii ce permit companiilor să dezvolte

aplicaţii pentru clienţi, parteneri sau angajaţii proprii. O asemenea platformă susţine activităţile

de proiectare, dezvoltare, testare, furnizare, distribuţie, analiză şi administrare a unui portofoliu

de aplicaţii mobile exploatabile pe dispozitive care lucrerază cu diverse sisteme de operare şi

care tratează cerinţe de funcţionare şi scenarii de utilizare diverse.

Piaţa MADP continuă să se maturizeze, relevantă fiind tranziţia de la o abordare centrată pe

soluţii tehnice, la o abordare aliniată la cerinţele afacerii. Obiectivul principal îl constituie

provocarea cu care se confruntă întreprinderile de a dezvolta şi furniza un portofoliu de aplicaţii

mobile pentru clienţi, parteneri şi angajaţi.

O imagine cuprinzătoare şi o caracterizare detaliată a acestei pieţe la momentul curent este

furnizată de studiul Grupului Garner (2015). Criteriile pentru selectarea şi includerea în lista

firmelor exemplare pe piaţa MADP au fost următoarele:

să creeze apps pentru platforme multiple, cel puţin pentru iOS şi Android;

să demonstreze un impact de piaţă semnificativ, cel puţin la nivelul unui venit de peste

25 mil. şi un mare număr de cereri din partea clienţilor finali înscrişi în baza de date

Gartner;



să aibă cel puţin 10 clienţi plătitori noi pentru implementare PDAM, localizaţi în

următoarele regiuni geografice: America de Nord, Ameica Latină, America de Nord,

America Latină, EMEA (Europa, Orinetul Mijlociu şi Africa) sau Asia/Pacific.

Criteriile de evaluare detaliată a furnizorilor au fost structurate în două categorii:

▪ Abilitatea de execuţie, caracterizată prin:

Produs sau serviciu: Cât de bine îndeplineşte platforma cerinţele întreprinderii-client?

Poate platforma fi folosită pentru construirea de aplicaţii native, hibride şi Web? Este

platforma deschisă? Se integrează bine cu API-urile şi platformele altor furnizori?

Necesită doar competenţe informatice standard şi instrumente? Cât este de eficientă

din punct de vedere al productivităţii? Sprijinină programarea declarativă sau pe bază

de metadate? Utilizează şabloane de aplicaţii pentru a accelera dezvoltarea? Sprijină

întregul ciclu de viaţă de dezvoltare software, inclusiv testarea? Ce suport oferă pentru

furnizarea şi distribuirea, monitorizarea şi execuţia aplicaţiilor? Furnizorul are un

ecosistem de parteneri puternic, capabil să extinde valoarea produselor şi serviciilor

sale? Furnizorul oferă opţiuni de Cloud puternice, incluzând capabilităţi mobile?

Viabilitatea generală: sunt evaluate stabilitatea nivelului de determinare a

managementului de top şi a prosperităţii financaire a companiei, inclusiv investiţiile de

produs depăşind investiţiile similare ale concurenţilor. De asemenea, sunt urmărite

creşterile companiei care depăşesc rata de creştere a pieţei.

Execuţia / preţurile vânzărilor: existenţa unui model de vânzări identificabil în toate

evaluările întreprinderii; existenţa unui model de tarifare care nu obstrucţionează

vânzările;

Reacţia pieţei: cât de rapid a răspuns întreprinderea la schimbările de pe piaţă,

incluzând noi versiuni de sisteme de operare? Sprijină compania noi categoriide

propduse, cum ar fi portabilele ?

Activitatea de marketing: care este nivelul de conştientizare pe piaţă a ofertei

furnizorului? Există o diferenţiere semnificativă a ofertei pe piaţă?

Experienţa consumatorului: care este numărul, varietatea şi dimensiunea referinţelor

client? Ce reacţie specifică şi ce observaţii sunt oferite de clienţi, atât din referinţe, cât şi

din alte contacte ? Care este experienţa clientului de a lucra îmn parteneriat ?

Activitatea operaţională: cât de eficient este suportul oferit de furnizor clienţilor săi ?

Oferă servicii de consultanţă competente şi rentabile financiar ? Poate oferi un model

de furnizare bazat pe Cloud sau servicii de gazduire în Cloud ?

▪ Completitudinea viziunii:

Înţelegerea pieţei: înţelege furnizorul cerinţele utilizatorilor privind soluţia informatică,

marketing-ul, ingineriei de produs, integrarea de sistem ? Cum gestionează aceste

cerinţe şi cum reuşeşte să le traducă în produse utile ? În ce măsură piaţa a validat

viziunea furnizorului ?

Strategia de marketing: are furnizorul o strategie rezonabilă de a asigura un nivel de

conştientizare corespunzător privind compania şi oferta sa ?



Strategia de vânzări: strategia va permite furnizorului să concureze cu şanse în

majoritatea selecţiilor companiei sau va limita succesul său ? Are furnizorul o abordare

de succes faţă de canalul de vânzări şi de partenerii de servicii?

Strategia de ofertă (produs): reflectă foaia de parcurs pentru produs direcţia pieţei şi

cerinţele probabile ale cumpărătorilor în orizontul de la 18 la 24 de luni? Oferă furnizorul

o strategie eficientă şi realizabilă cu privire la fiecare dintre următoarele domenii:

multiplatforma, multicanal, ciclul de viaţă al aplicaţiei, experienţa utilizatorului,

integrarea, analiza avansată de date, standardele şi suportul Cloud?

Modelul de afaceri: asigură modelul de afaceri al vânzătorului un nivel de creştere, care

va permite companiei să fie lider de piaţa? Sunt modele de licenţiere adecvate ?

Promovează furnizorul un ecosistem puternic în jurul produselor sale?

Strategia industrială: este furnizorul capabil să articuleze o strategie pentru diferenţierea

pe verticală în sectoarele specifice (cum ar fi serviciile financiare, guvernul, asistenţa

medicală, fabricaţia, energia) şi să-şi păstreze poziţia ? Oferă furnizorul pachete de

aplicaţii mobile sau şabloane pentru industrii verticale specifice ?

Inovare: este furnizorul lider de piaţă cu tehnologia de produs, arhitectura software şi cu

modelele de afaceri inovatoare ?

Strategia geografica: are compania un plan puternic pentru sprijinirea clienţilor şi

creşterea în afaceri în diferite regiuni ?

Profilarea firmelor din listă pe baza acestor criterii a permis configurarea următoarelor grupe

comportamentale:

a. Lideri: reprezintă o combinaţie puternică între capacitatea de execuţie şi completitudinea

viziunii. În sectorul MADP acest lucru înseamnă că liderii sunt nu numai capabili de dezvoltare,

distribuţie şi management cross-platformă de-a lungul ciclului de viaţă complet, dar au şi o

viziune corespunzătoare asupra întreprinderii multi-canal, suport pentru diverse arhitecturi şi

standarde, o înţelegere solidă a cerinţelor IT şi parteneriatelor. Liderii trebuie să ofere platforme

uşor de achiziţionat, de programat, de distribuit şi de actualizat, care se pot conecta la o gamă

largă de servicii de back-end şi de servicii Cloud, de la acelaşi furnizor, precum şi părţi terţe.

b. Candidaţi: trebuie să aibă un număr mare de întreprinderi client, o bază în creştere a

locaţiilor de distribuţie, o capacitate de a satisface nevoile tuturor departamentelor. Ei sunt

furnizori cu o istorie de evoluţie pe piaţa, dar care nu au acumulat încă o experienţă

substanţială în sectorul MADP. De asemenea, este posibil să nu aibă viziune tehnică sau de

afaceri coerentă.

c. Vizionari: au o viziune convingătoare asupra produselor şi a viitorului pieţei, o orientare

tehnică corectă şi resursele necesare pentru a evolua. Cu toate acestea, nu au avut

capacitatea de a susţine această viziune în domenii ca: venituri, dimensiunea bazei de clienţi,

diversitatea soluţiilor sau rezultate financiare consolidate.

d. Jucători de nişă: nu sunt reprezentativi după unul sau mai multe dintre următoarele criterii:

completitudinea sau focalizarea produsului, aria geografică, numărul de clienţi. Deşi pot fi o

alegere bună pentru un anumit proiect, nu sunt eligibili pentru o platformă care să susţină o

diversitate de proiecte. Cu toate acestea, o oferta de la un jucător de nişă poate reprezenta

alegerea optimă în situaţii specifice.



6.1.4. Teme prioritare actuale pentru aplicaţiile mobile

Una dintre cele mai importante teme de cercetare actuale se referă la dezvoltarea de modele

predictive bazate pe algoritmi de machine learning pentru evaluarea stării de sănătate a

unei persoane / angajat, pe baza datelor furnizate de senzori sau alte dispozitive de

monitorizarea stării de sănătate.

Colectarea şi prelucrarea acestor date se poate defini drept o încercare de cuantificare a

stării unui individ (cuantificarea sinelui), care reprezintă o nouă tendinţă în domeniul

managementului sănătăţii. Sunt monitorizaţi o serie de parametri referitori la alimentaţie,

calitatea mediului înconjurător, starea fizică şi psihică a unei persoane, inclusiv tensiunea,

nivelul de oxigen din sânge, ş.a. (“Quantified Self”, 2015). Activitatea de auto-monitorizare a

unor parametri vitali ai unei persoane se bazează pe utilizarea unor senzori şi instrumente

specifice precum EEG, ECG, pedometru, tensiometru, etc.

Cuantificarea sinelui utilizează instrumente şi tehnologii relevante de dată recentă (ca de

exemplu senzorii care pot fi purtaţi, dispozitive mobile inteligente, tehnologii avansate de

stocare şi prelucrare a datelor) pentru a întreprinde o auto-cunoaştere individuală în baza

utilizării datelor obţinute prin auto-monitorizare şi apoi prin interpretarea acestora utilizând

metode şi algoritmi din sfera analizei statistice. Activitatea de cuantificare a sinelui este

susţinută şi de faptul că aproape orice activitate umană are drept rezultat generarea de date

(comunicare, monitorizare, tranzacţii financiare, înregistrări video).

Conceptul “Quantified Self” apare ca fiind utilizat încă din anii 70', dar este reconsiderat în

prezent ca fiind determinat de colaborarea dintre utilizatorii şi producători de dispozitive

electronice ce au drept scop comun auto-cunoaşterea personală prin auto-urmărirea şi

înregistrarea activităţii şi a stării utilizatorului. Astfel, utilizarea unor metode de analiză a datelor

în scopuri strict medicale, legate de starea de sănătate a unei persoane, a devenit un subiect

de interes cert datorită posibilităţilor actuale de obţinere a informaţiilor, pe de o parte, dar şi de

beneficiile sociale, economice sau de nivel personal pe care le aduce această nouă paradigmă.

Ca dovadă a importanţei acestui domeniu, în acest moment există o comunitate globală,

formată din grupuri de utilizatori din peste 30 de ţări, având nuclee importante în centre urbane

precum San Francisco, New York sau Londra. Fiind o activitate empirică, metoda principală

constă în colectarea şi analiza datelor. De cele mai multe ori, datele sunt colectate în mod

automat, utilizând senzori uşor de purtat, cum ar fi brăţările sau ceasurile inteligente. Este

posibil ca datele să fie introduse şi manual de către utilizator.

Datele sunt analizate utilizând tehnici tradiţionale precum analiza regresivă, cu scopul de a

stabili diverse corelaţii între variabilele de interes. La fel ca în orice situaţie în care se încearcă

analiza unor date complexe multi-dimensionale, sunt necesare diverse tehnici de vizualizare a

datelor, pentru a facilita evaluarea rezultatelor.

Tehnologia actuală face posibilă înregistrarea cu uşurinţă a unor informaţii extrem de diverse,

cum ar fi de exemplu dieta urmată sau activitatea fizică depusă. De asemenea, performanţa

dispozitivelor mobile permite implementarea unor algoritmi sofisticaţi de prelucrare şi analiză a

datelor, astfel încât pot fi utilizate metode cantitative specifice din domeniul calcului ştiinţific

pentru rezolvarea unor probleme din sfera personală referitoare la starea de sănătate.



Principala aplicaţie în domeniul cuantificării sinelui constă în îmbunătăţirea stării de sănătate şi

crearea unui tonus pozitiv. Foarte multe dispozitive electronice şi servicii online sunt disponibile

pentru a urmări activitatea fizică a unei persoane, aportul caloric, calitatea somnului, poziţia

corpului precum şi alţi factori care sunt implicaţi în starea de bine personală.

Anumite programe de îngrijire şi menţinere a stării de bine sunt oferite, promovate şi încurajate

de către mediul corporatist, în beneficiul angajaţilor proprii. In acest fel, cuantificarea sinelui

reprezintă o soluţie pentru îmbunătăţirea productivităţii personale a angajaţilor, cu

ajutorul unor instrumente şi servicii care oferă suport pentru menţinerea unui jurnal al

activităţilor zilnice, evidenţiază locul şi modul în care îşi petrec timpul, persoanele cu care

interacţionează. Aceasta ajută persoanele să rămână motivate şi să îşi continue activităţile prin

evidenţierea vizuală a progresului realizat. Există o gamă extrem de largă de tehnologii

dedicate urmăririi activităţilor curente şi care pot transforma aceste preocupări în jocuri prin

oferire de recompense cu scopul de a încuraja utilizatorii să participe în competiţii cu prietenii

sau colegii.

Foarte multe dintre aceste aplicaţii şi tehnologii sunt compatibile între ele astfel încât utilizatorii

pot schimba informaţii între acestea, datele personale putând fi partajate şi utilizate de mai

multe aplicaţii sau servicii online. Fiecare tehnologie poate fi integrată cu diferite aplicaţii terţe,

astfel încât se poate compune o imagine de ansamblu asupra stării de sănătate sau de bine a

utilizatorului într-un mod mult detaliat. De asemenea se pot evidenţia tendinţe, se pot crea

jurnale sau obiective care trebuie urmărite şi îndeplinite.

Prin înregistrarea permanentă a stării utilizatorului pot fi deduse informaţii importante cum ar fi

de exemplu efectele secundare care apar în urma administrării unui anumit tratament sau a

expunerii la diverse surse de poluare. Numărul din ce în mai mare de dispozitive utilizate

pentru urmărirea activităţii şi a stării curente conduce la creşterea semnificativă a volumului

datelor care sunt stocate şi prelucrate. În plus, utilizatorii îşi pot analiza singuri datele

înregistrate şi îşi pot corela statisticile proprii cu cele ale prietenilor.

Monitorizarea stării de sănătate joacă un rol extrem de important în menţinerea stării de bine

generale a unei persoane, astfel încât se poate preveni apariţia unor boli. Auto-urmărirea

activităţilor desfăşurate reprezintă o latură importantă în managementul sănătăţii deoarece

costurile asociate acestui proces sunt în continuă creştere, iar o metodă eficientă constă în

implementarea unor strategii preventive.


Tehnologiile utilizate în dezvoltarea aplicaţiilor pentru dispozitivele mobile inteligente au

progresat foarte mult datorită concurenţei acerbe între marile companii ce furnizează soluţii

hardware şi software precum Apple, Google, Microsoft, Amazon, ş.a.

Utilizarea aplicaţiilor mobile a devenit din ce în ce mai populară în rândul utilizatorilor de

telefoane mobile (Ludwig, 2012), iar un studiu realizat de către compania comScore, în mai

2012, a raportat că sunt mai mulţi utilizatori care utilizează aplicaţii mobile decât cei care

accesează site-uri pe web folosind dispozitivele mobile (Perez, 2012). De asemenea,

cercetătorii au descoperit că utilizarea aplicaţiilor mobile este puternic corelată cu contextul şi

depinde de locaţie şi timp al zilei (Böhmer et al., 2011).



Firma de cercetare de piaţă Gartner a estimat în 2013 ca aprox. 102 de miliarde de aplicaţii vor

fi descărcate în anul respectiv (91% dintre acestea fiind gratuite), generând în SUA un venit de

26 miliarde dolari, în creştere cu 44,4% faţă de anul 2012 (Gartner, 2013). Un alt raport

estimează că economia bazată pe aplicaţii mobile creează venituri de peste 10 miliarde dolari

pe an în cadrul Uniunii Europene, în timp ce peste 529 de mii de locuri de muncă au fost create

în cele 28 de state ale UE, datorită dezvoltării pieţei de aplicaţii mobile (Visionmobile, 2013).

Această dinamică de dezvoltare a domeniului este edificatoare pentru impactul utilizării

aplicaţiilor mobile în diverse domenii, inclusiv în mediul de afaceri.

In acelaşi timp, valorificarea acestui potenţial de impact la nivelul unei întreprinderi depinde de

corectitudinea unor decizii cu impact pe termen lung privind utilizarea de dispozitive mobile şi

dezvoltarea şi utilizarea de aplicaţii dedicate acestora. De aceea, acest capitol este dedicat în

continuare prezentării unor orientări de natură managerială ca suport pentru implementarea

orientării mobile.

Prima prioritate o reprezintă elaborarea şi adoptarea unei strategii de dezvoltare şi

implementare a aplicaţiilor mobile în întreprindere, bazată pe obiectivele şi cerinţele de

afaceri ale companiei şi susţinute de conducerea acesteia. Lucrarea (Bock, 2015) propune 10

reguli de elaborare a unei asemenea strategii:

1. Recunoaşterea mobilităţii ca prioritate a afacerii: promovarea orientării mobile

trebuie să aibă la bază în primul rând cerinţe de afaceri şi mai puţin oportunităţi

tehnologice. O strategie de succes este asigurată de colaborarea între liderii de afaceri

şi specialiştii în tehnologie, care trebuie să fie ghidaţi de obiective comune.

2. Dezvoltare prin acumularea de experienţă: aplicaţiile mobile puse la dispoziţia

angajaţilor întreprinderii trebuie să fir la fel de atractive şi folositoare ca şi aplicaţiile

mobile utilizate de aceştia în interes personal. Este foarte important ca oportunitatea şi

cerinţele pentru aceste aplicaţii să fie corect identificate pe baza impactului proceselor

de afaceri pe care le susţin asupra creşterii economice la nivel de întreprindere şi a

productivităţii individuale.

3. Adaptarea la un context diversificat: trebuie avut în vedere că angajaţii proprii,

partenerii şi clienţii au nevoie să utilizeze aplicaţiile pe care le au la dispoziţie pe

dispozitive diverse din punct de vedere al caracteristicilor tehnice şi de mobilitate, pe

infrastructuri TIC clasice sau virtualizate. Este importanţă alegerea corectă a

instrumentelor de dezvoltare aplicaţii, care să permită dezvoltarea / adaptarea rapidă şi

cu costuri reduse a acestor aplicaţii la diverse contexte de utilizare.

4. Includerea aplicţiilor mobile în portofoliul de aplicaţii al intreprinderii: aplicaţiile

mobile trebuie să se alinieze aceloraşi cerinţe pe care le îndeplinesc celelalte aplicaţii

din portofoliul informatic la întreprinderii în ceea ce privesc cerinţele utilizatorilor pentru

acces la informaţiile de care au nevoie şi pentru conectivitate. Utilizarea platformelor de

dezvoltare aplicaţii mobile este esenţială, prin facilităţile oferite de generare versiuni

pentru desktop, laptop sau telefon inteligent, pe baza cod unic al aplicaţiei repspective,

cu reduceri semnificative de timp şi costuri.

5. Prioritate opţiunii mobile în proiectare: există diferenţe semnificative între versiunile

aceleiaşi aplicaţii pentru dispozitive cu grade diferite de mobilitate. Aceste diferinţe sunt



generte nu numai de dimensiunile ecranelor, dar şi de contextul şi specificul de utilizare

a acestor dispozitive. Este recomandabil ca proiectarea aplicaţiilor să înceapă cu

varianta mobilă, care este capabilă să genereze valoare adăugată prin conectarea la

experienţa de lucru a beneficiarului, mai mult decât prin ieşirile pe care le oferă.

6. Securizarea datelor şi proceselor de afaceri concomitent cu dezvoltarea

experienţei mobile: este important ca dimensiunea de mobilitate să nu afecteze

politica de securitate informaţională curentă, adotată la nivelul întreprinderii. Principalele

ameninţări de securitate sunt generate de tranzitul coţinutului informaţional prin

diversele reţele mobile şi de memorarea informaţiilor pe dispozitivele mobile, vulnerabile

dinpunct de vedere al securităţii. Un aspect important îl constituie autentificarea şi

controlul accesului de pe dispozitive mobile la diverse funcţii ale sistemului informatic de

întreprindere: trebuie ţinut cont de experienţa anterioară a angajatului privind aceste

operaţii, dar în acelaşi timp trebuie accelerate aceste proceduri prin valorificarea

informaţiei de context şi procedurile specifice reţeleor mobile.

7. Managerierea acumulării de experienţă mobile la nivelul întreprinderii: este

necesară luarea în considerare a celor trei dimensiuni ale mobilităţii: date, aplicaţii şi

dispozitive. Managementul mobilităţii la nivelul întreprinderii trebuie să asigure

furnizarea, actualizarea şi securizarea permanentă a portofolilului de aplicaţii mobile

puse la dispoziţia angajaţilor.

8. Investiţii în asigurarea unui flux de aplicaţii mobile: trebuie avut în vedere că

implementarea dimensiunii de mobilitate a afacerii este o activitate de lungă durată,

care necesită suport continuu şi permanent. O componentă a acestui efort de durată

trebuie să fie promovarea continuă a rezultatelor pozitive obţinute pe parcurs şi

creşterea gradului de conştientizare a angajţilor privind avantajele acestei orientări. De

asemenea, soluţia informatică de ansamblu la nivelul companiei trebuie reevaluată

periodic pentru valorificarea avantajelor mobilităţii, inclusiv prin adoptarea tehnologiei

Cloud.

9. Accent pe proiectarea colaborativă a aplicaţiilor mobile: în dezvoltarea portofoliului

de aplicaţii mobile trebuie promovată permanent colaborarea între proiectanţi,

dezvoltatori şi utilizatorii din mediul de afaceri. Aceasta va facilita adoptarea noilor

aplicaţii de către beneficiari, va îmbunătăţi expertiza de dezvoltare aplicaţii mobile din

întreprindere, va facilita generarea de versiuni adaptate diverselor dispozitive.

10. Promovarea mobilităţii ca dimensiune a agilităţii organizaţionale: promovarea

mobilităţii nu se reduce la utilizarea de dispozitive mobile, ci trebuie să genereze o

schimbare de mentaliate şi de abordare în furnizarea suportului informatic pentru

activităţile de afaceri, prin tranziţia de la aplicaţii monolitice, multifuncţionale, la aplicaţii

mai agile şi mai eficiente. Mobilitate înseamnă în acelaşi timp stabilirea unor noi reguli

de funcţionare întreprinderii, de colaborare şi partajare a informaţiei între angajaţi şi de

dezvoltarea a relaţiilor cu partenerii şi clienţii.

Strategia de dezvoltare şi de implemetare a aplicaţiilor mobile la nivel companie trebuie să

ţină cont de cerinţe noi, care nu erau proprii strategiilor clasice de informatizare. Conform

(Mendix, 2014), principalele aspecte specifice se referă la:



viteză / simplitate: companiile au nevoie de aplicaţii la termene de ordinul zilelor, nu

lunilor. Soluţiile de dezvoltare trebuie să ofere un mod simplu şi rapid de a dezvolta

aplicaţii, precum agilitatea de a ţine pasul cu ritmul de schimbare a cerinţelor din

mediului de afaceri.

integrare: aplicaţiile mobile nu vin pe un teren gol, ele trebuie să se integreze cu

aplicaţiile din portofoliul curent al întreprinderii. De asemenea, trebuie să fie conforme

cu reglementările de securitate şi administrare.

productivitate socială: paradigma de dezvoltare aplicaţii trebuie să se bazeze pe

colaborarea între dezvoltatori, experţi în afaceri şi utilizatori.

centrarea pe Cloud: trebuie luat în considerare un mediu complet de dezvoltare,

integrat într-o singură platformă, care să asigure viteză, flexibilitate şi scalabilitate,

reutilizarea componentelor existente în magazinul de aplicaţii, suportul pentru mobile şi

servicii Cloud.

De asemenea, strategia trebuie să surprindă specificul dezvoltării aplicaţiilor mobile, pentru

care lucrarea (Mendix, 2014) identifică următoarele reguli:

1. Diferenţierea afacerii prin aplicaţiile mobile: elaborarea de aplicaţii adaptate

specificului afacerii

2. Adaptare sau dispariţie: aplicaţiile au nevoie de un suport agil de actualizare şi

adaptare la cerinţele în continuă schimbare ale afacerii

3. Afacerea este prioritară: personalil TIC trebuie să ofere experţilor în afaceri condiţiile

de a genera aplicaţiile de care au nevoie, când au nevoie, respectând cerinţele de

viteză şi simplitate ale acestora. Informaticienii trebuie să se concentreze pe furnizarea

unor medii profesionale de dezvoltare şi assitenţă tehnică de specialitate, pe

administrarea unor infrastructuri TIC eficiente, pe soluţii de integrare a datelor la nivelul

întreprinderii, pe minimizarea riscurilor şi ameninţărilor de natură informatică.

4. Dezvoltarea aplicaţiilor este o activitate de echipă: este esenţială colaborarea între

experţii în afaceri, analişti, dezvoltatori şi utilizatori, la care se pot adăuga parteneri,

clienţi, colective de dezvoltatori din alte întreprinderi.

5. Utilizatorii au rolul principal: utilizatorii nu trebuie să se mai conformeze soluţiilor

oferite de informaticieni, ci trebuie să fie incluşi în ciclurile de dezvoltare continue, cu

livrare de rezulatate în timp real. Noile generaţii de utilizatori sunt adaptate culturii

aplicaţiilor interactive şi mobile, a căror evoluţie rapidă se bazează pe recepţionarea

continuă a reacţiei acestora.

6. Aplicaţiile mobile primenesc sistemele tradiţionale: sistemele tradiţionale, percepute

deja ca fiind puţin fiabile şi dificil de întreţinut, pot beneficia de avantajele unui portofoliu

dinamic de aplicţii mobile, cu avantajul că acestea nu modifică vechiul sistem, ci asigură

o interfaţă utilizator modernă pentru acces la functionalitatea acestuia.

7. Viteza este esenţială: ciclurile lungi de dezvoltare a aplicaţiilor nu mai sunt acceptabile

în condiţiile în care cerinţele de afaceri au o dinamică foarte ridicată. Este de preferat o



aplicaţie funcţională, livrată rapid, care apoi sa fie perfecţionată continuu pe baza

reacţiei utilizatorilor.

8. Mobilitatea accelerează inovarea, dar back-end-ul nu trebuie neglijat: utilizatorii de

aplicaţii mobile au cerinţe justificate de viteză în dezvoltarea aplicaţiilor, de simplitate şi

robusteţe în utilizare. Dar aceste cerinţe trebuie să ţină cont de strategia generală de

informatizare a afacerii, care trebuie să ofere soluţii de dezvoltare eficiente, bazate pe

platforme care să minimizeze efortul de scriere a codului şi de adaptare la o diversitate

de dispozitive.

9. Dimensiunea echipei de dezvoltare nu mai este relevantă: în perioada actuală,

rezolvarea eficientă a problemelor afacerii nu mai este dependentă de numărul de

programatori care participă la dezvoltarea aplicţiilor, ci de calitatea expertizei de afaceri

şi nivelul de implicare a acesteia în acest proces.

10. Dezvoltarea aplicaţiilor mobile pentru afaceri trebuie decuplată de detaliile

tehnologice: serviciile de tip Platform as a Service oferă facilităţile necesare echipei de

dezvoltare aplicaţii, care se paote concentra pe aspectele de business, toate detaliile

tehnologice legate de funcţionalitatea platformei ramânând în sarcina furnizorului de

servicii PaaS. O asemenea abordare susţine cerinţa formulată anterior privind rolul

central ce revine expertului în afaceri.

In ceea ce priveşte soluţia de livrare a aplicaţiilor către angajaţi, lucrarea (Steele et al.,

2014) subliniază riscul reprezentat de stocarea informaţiilor întreprinderii pe dispozitivele

mobile şi de transferul de asemenea informaţii între utilizatori. Sunt propuse patru variante de

soluţii, şi anume:

a) Livrare prin magazinul de aplicaţii propriu: se asigură controlul asupra aspectelor legate

de compatibilitatea cu politica proprie de promovare a mobilităţii, de guvernanaţa datelor şi de

licenţiere. Soluţia oferă, de asemenea, cadrul pentru un forum al reacţiilor utilizatorilor şi al

aspectelor de control al calităţii. Un magazin de aplicaţii mobile propriu trebuie să fie capabil să

controleze şi să monitorizeze întregul ciclu de viaţă al aplicatiilor mobile, care include livrarea,

urmărirea utilizării, eliminarea aplicaţiilor depăşite şi controlul versiunilor în utilizare.

b) Utilizarea aplicaţiilor Web: spre deosebire de aplicaţii mobile native, care necesită un

mecanism de distribuţie şi reglementarea, aplicaţiile Web sunt executate în browsere, ceea ce

le asigură compatibilitatea cu o varietate de dispozitive. Compartimentul TIC poate livra şi

upgrada cu uşurinţă aplicaţiile Web, fără a fi nevoie de un sistem de distribuţie sau de

gestiunea versiunilor. Inn schimb, aceste aplicaţii nu pot valorifica în totalitate caracteristicile

diverselor dispozitive pe care rulează.

c) Livrarea aplicaţiilor mobile în Cloud: este facilitat schimbul de date între aplicaţii, iar

acestea sunt disponibile în orice moment, la orice locaţie şi pe o varietate de dispozitive. Este o

soluţie flexibilă de livrare şi întreţinere, dar necesită fie dezvoltarea unei soluţii Cloud proprii, fie

achiziţionarea de servicii Cloud de pe piaţă, ambele variante reprezentând o investiţie

semnificativă.

d) Virtualizarea desktop pe dispozitive mobile: oferă un mediu PC tradiţional pe orice

dispozitiv, de la un desktop sau laptop la un un telefon inteligent sau tabletă. Soluţia constă în

conectrarea la servere interne sigure, pe care se execută sistemele de operare şi aplicaţiile



necesare pentru derularea afacerii, utilizând un client subţire instalat pe dispozitivul mobil.

Pentru viabilitatea soluţiei este necesar un nivel adecvat şi sigur de conectivitate în reţea.

Aplicaţiile livrate nu se pliază întotdeauna pe caracterisiticile dispozitivelor mobile, iar aplicaţiile

care sunt dependente de utilizarea intensivă a tasataturii şi a mouse-ului reprezintă, la rândul

lor, o provocare pentru utilizatorul mobil, Orice aplicaţie care se bazează pe acţiunile intensive

de intrare tastatură şi mouse-ul poate fi o provocare pentru lucrătorul mobil.

In contextul în care telefoanele mobile inteligente au devenit un important instrument de

comunicare şi informare, iar tot mai multe companii îşi îndeamnă angajaţii să folosească aceste

dispozitive în cadrul activităţii lor curente în companie, ca soluţie de creştere a productivităţii,

un aspect important care trebuie reflectat în strategia mobile a întreprinderii îl constituie

implementarea politicilor de tip Bring Your Own Device – BYOD,. Acestea trebuie să se

refere, în principal, la acceptanţa de către ambele părţi interesate (companie şi angajat):

a regulior de utilizare,

a controalelor de securitate,

a necesarului de componente care sunt furnizate de companie (de ex. Certificate SSL

pentru autentificarea dispozitivului) şi

a drepturilor de intervenţie a companiei asupra echipamentului (de ex. ştergerea de la

distanţă a conţinutului de pe un echipament compromis).

Toate aceste cerinţe trebuie să fie clar formulate şi să se bazeze pe reguli ferme de aplicare.


Telefoanele mobile de astăzi sunt departe de a fi simple dispozitive de comunicare aşa cum

erau acum zece ani. Fiind echipate cu senzori sofisticaţi şi componente hardware avansate,

telefoanele pot fi folosite pentru a deduce locaţia, activitatea, cadrul social al utilizatorilor, etc.

Ca dispozitive ce devin tot mai inteligente, capacităţile lor evoluează dincolo de deducerea

contextului de utilizare, putând efectua raţionamente şi acţiona asupra contextului prezis

(Rosen, 2012a).

Abilitatea de a comunica în mişcare a revoluţionat stilul de viaţă a milioane de persoane: a

schimbat modul în care se lucrează sau se organizează programele de zi cu zi. În ultimul

deceniu telefoanele mobile au cunoscut o proliferare extraordinară şi 86% din populaţia lumii a

avut un abonament celular în anul 2012 (Union, 2012). În zilele noastre, telefoane mobile

servesc pentru planificarea călătoriilor, pentru a rămâne în contact on-line utilizând reţelele

sociale, pentru a face cumpărături on-line şi numeroase alte scopuri. Telefoanele inteligente de

astăzi cu procesoare multi-core sunt capabile să realizeze sarcini pe care computerele desktop

din generaţiile anterioare aveau probleme. Spre deosebire însă de computerele desktop,

telefoanele inteligente sunt dispozitive mobile cu o dimensiune foarte mică. În consecinţă,

telefoane mobile inteligente au devenit o parte din viaţa de zi cu zi fiind prezente în orice

moment. În plus, telefoanele inteligente pot găzdui o varietate de senzori sofisticaţi: un telefon

poate simţi orientarea sa, accelerarea, poate face localizarea, si poate înregistra audio şi video.

Ca atare, un telefon inteligent nu este doar un computer mobil - este un dispozitiv capabil să



perceapă şi să extindă simţurile umane (Lane et al., 2010). În plus, aceste dispozitive sunt

conectate la Internet şi, prin urmare, ele pot partaja datele colectate şi pot exploata resursele

oferite de către serviciile Cloud.

Dispozitivele mobile inteligente au potenţialul de a deveni o platformă revoluţionară pentru

sistemele predictive, deoarece reduce decalajul dintre dispozitiv, mediu şi utilizator. În primul

rând, ele îndeplinesc condiţiile necesare pentru a realiza un raţionament predictiv: ele sunt

echipate cu numeroşi senzori şi pot deduce şi monitoriza contextul de utilizare, iar hardware-ul

puternic pentru procesare le permite să ruleze algoritmi de învăţare automată şi să dezvolte

modele sofisticate. În al doilea rând, telefoane sunt foarte strâns integrate cu viaţa de zi cu zi a

persoanelor fizice (Katz, 1997). Astfel, modelele dezvoltate pe telefoanele mobile pot fi foarte

personale, pot fi realizate în timp util şi relevant pentru utilizator.

O clasă de aplicaţii pentru telefoanele inteligente este reprezentată de aplicaţiile predictive sau

anticipative. Un sistem anticipativ este definit ca fiind:

"Un sistem care conţine un model predictiv referitor la sine şi / sau la mediul său, care îi

permite să îşi schimbe starea dintr-un anumit moment în acord cu previziunile modelului

referitoare la o stare ulterioară" (Rosen, 2012b).

Această definiţie sugerează că un dispozitiv anticipativ trebuie să fie capabil să obţină o

imagine realistă a stării sale şi a mediului înconjurător, adică, a contextul în care se află

utilizatorul şi dispozitivul. Echipat cu o serie de senzori şi hardware de procesare puternic care

poate executa algoritmi de învăţare automată sofisticaţi, dispozitivele mobile pot construi

modele predictive ale contextului de utilizare. Strâns integrat cu stilul de viaţă al utilizatorului,

un telefon poate învăţa anumite modele personalizate ale comportamentului acestuia, şi poate

comunica diverse acţiuni pentru acesta.

6.3.1. Aplicaţii mobile predictive

Pentru a ilustra potenţialul dispozitivelor mobile pentru a rula aplicaţii anticipative vom prezenta

trei exemple de utilizare.

Tehnologii asistive personalizate. Un telefon mobil are acces la o multitudine de informaţii cu

caracter personal, inclusiv istoricul de navigare web, evenimentele din calendar, şi contactele

din cadrul reţelelor de socializare. Dezvoltatorii de aplicaţii pot accesa aceste date şi pot

proiecta aplicaţii care prezic intenţiile utilizatorilor, afişând informaţii relevante în funcţie de

context. MindMeld este o astfel de aplicaţie care îmbunătăţeşte conferinţele video online, cu

informaţii pe care utilizatorii sunt susceptibili să le găsească relevante în viitorul apropiat

(“MindMeld,” 2013). În acest scop, MindMeld exploatează analiza discursului în timp real.

Google Now are o abordare mai generală şi îşi propune să ofere unui utilizator de telefon mobil

orice informaţie sau funcţionalitate de care ar putea avea nevoie, fără ca utilizatorul să ceară în

mod explicit (“Google now,” 2015).

Sănătate. Senzorii prezenţi în cadrul dispozitivelor mobile au fost propuşi pentru furnizarea

unui diagnostic in-situ (Gruenerbl et al., 2014). În plus, telefoanele mobile sunt tot mai des

utilizate pentru a furniza terapii personalizate (Klasnja et al., 2009; Morris et al., 2010; Yardley,

2013). În prezent, aceste terapii sunt pre-încărcate pe telefoanele utilizatorilor şi acţionează în



funcţie de context. Modelele predictive pot fi folosit pentru a construi şi dezvolta un model de

comportament uman, având drept obiectiv elaborarea în mod automat a unor terapii, cu scopul

de a conduce utilizatorul spre o anumită stare de bine. De exemplu, printr-un accelerometru

integrat, telefonul poate detecta nivelul de activitate fizică şi poate determina gradul de

sociabilitate al utilizatorului. Apoi, dispozitivul inteligent poate deduce starea utilizatorului şi

poate prezice dacă acesta are riscul de a face o depresie majora. În cele din urmă, se poate

regla terapia în timp real, prin trimiterea unui link către două bilete de teatru la preţ redus,

stimulând utilizatorul să iasă şi să socializeze. O astfel de aplicaţie de sine stătătoare, care

anticipează schimbările în domeniul sănătăţii şi comportamentul utilizatorului permite o

scalabilitate şi o personalizare de neimaginat în relaţia medic-pacient în mod tradiţional.

Oraşe inteligente. Ponderea populaţiei urbane a cunoscut o creştere constantă astfel încât în

zilele noastre mai mult de o jumătate din populaţia globului se află în zonele urbane (World

Health Organization & Habitat, 2010). Probleme cum ar fi traficul, poluarea şi criminalitatea

afectează oraşele moderne. Cetăţenii pot fi implicaţi activ în colectarea de date, precum şi

participarea voluntară pentru găzduirea unei aplicaţii pe dispozitivele lor. De exemplu, proiectul

Cartel MIT foloseşte senzorii telefonului mobil pentru decongestionarea traficului, monitorizarea

suprafeţei drumului şi detectarea pericolelor (Hull et al., 2006); Sistemul ParkNet colectează

informaţii referitoare la spaţiile de parcare prin detectarea modului în care se deplasează

vehiculele (Mathur et al., 2010). Dutta et al. demonstrează o arhitectura de detectare

participativă pentru monitorizarea calităţii aerului (Dutta et al., 2009).

6.3.2. Aplicaţii bazate pe senzori

Telefoanele mobile inteligente devin rapid dispozitivul central în viaţa utilizatorilor. Canalele de

livrare ale aplicaţiilor, cum ar fi de exemplu Apple AppStore sunt capabile sa descarce o

multitudine de aplicaţii aproape instantaneu. Foarte important, smartphone-uri de azi vin cu un

set tot mai mare de senzori integraţi, cum ar fi de exemplu accelerometrul, busola digitală,

giroscop, GPS, microfon, şi aparat de fotografiat (Lane et al., 2010). Împreună, aceşti senzori

permit dezvoltarea noi aplicaţii în diferite domenii, cum ar fi: asistenţa medicală (Consolvo et

al., 2008), reţelele sociale (Miluzzo et al., 2008), de monitorizare a mediului (Mun et al., 2009),

şi de transport (Thiagarajan et al., 2009).

Telefoanele mobile au contribuit la maturizarea platformelor de calcul, aceste progrese fiind de

cele mai multe ori asociate cu introducerea de noi senzori. De exemplu, accelerometrele au

devenit comune după ce au fost introdusă iniţial pentru a îmbunătăţi interfaţa cu utilizatorul şi

utilizarea camerei. Ele sunt folosite pentru a determina în mod automat orientarea în care

utilizatorul foloseşte telefonul, aceste informaţii fiind utilizate pentru a re-orienta automat afişajul

între o vedere peisaj şi portret.

Senzorii telefonului includ giroscopul, busola, accelerometrul, senzorul de proximitate, senzorul

de lumină ambientală, precum şi alte dispozitive mai convenţionale cum ar fi camera frontală şi

cea principală, microfon, GPS şi Wi-Fi, precum şi Bluetooth. Mulţi senzori sunt adăugaţi pentru

a sprijini interfaţa cu utilizatorul (de exemplu, accelerometrul) sau pentru a îmbunătăţi serviciile

bazate pe locaţie (de exemplu, busola digitală).

Senzorii de proximitate şi de lumină permit telefonului să efectueze forme simple de

recunoaştere a contextului ce sunt asociate cu interfaţa utilizator. Senzorul de proximitate



detectează, de exemplu, atunci când utilizatorul ţine telefonul aproape de ureche ca să

vorbească. În acest caz, ecranul tactil şi tastele sunt dezactivate, împiedicându-se apăsarea

accidentală, precum şi economisirea energiei, deoarece ecranul este oprit. Senzorii de lumina

sunt folosiţi pentru a regla luminozitatea ecranului. Senzorul GPS face ca telefonul să poată

efectuala funcţia de localizare şi permite noi aplicaţii bazate pe locaţie, cum ar fi de exemplu

căutarea locală, reţelele sociale mobile. Busola şi giroscopul reprezintă o extensie a funcţiei de

locaţie, oferind telefonului un grad sporit de conştientizare a poziţiei sale în raport cu lumea

fizică (de exemplu, direcţia şi orientarea).

Aceşti senzori nu numai ca sunt utili la implementarea interfeţei cu utilizatorul şi furnizarea de

servicii în funcţie de locaţie; ele reprezintă, de asemenea, o oportunitate semnificativă de a

aduna date despre utilizatori şi mediul lor. De exemplu, datele de la accelerometru sunt

capabile să caracterizeze mişcările fizice ale utilizatorului ce transportă telefonul (Miluzzo et al.,

2008).

Modele distincte ce exploatează datele accelerometrului pot fi utilizate pentru a recunoaşte în

mod automat diferite activităţi (de exemplu, alergarea, mersul pe jos, statul în picioare).

Camera şi microfonul sunt alţi senzori importanţi. Acestea sunt, probabil, cei mai cunoscuţi

senzori ai unui telefon mobil. Prin colectarea în mod continuu a semnalului audio de la microfon

telefonului, de exemplu, este posibil să se clasifice un set divers de sunete distinctive asociate

cu un anumit context sau activitate în viaţa unei persoane, cum ar fi utilizarea unui bancomat

(ATM), dacă se află într-un anumit restaurant sau ce activitate desfăşoară. Camera de pe

telefonul mobil poate fi folosită pentru diverse scopuri, inclusiv pentru sarcini tradiţionale, cum

ar fi de exemplu urmărirea mişcării ochilor utilizatorului ca un mijloc de a activa aplicaţii folosind

camera montata pe partea din faţă a telefonului. Combinaţia de date de la accelerometru şi a

unui flux de estimări de localizare de la GPS poate ajuta la recunoaşterea modului de transport

al unui utilizator, cum ar fi spre exemplu utilizarea unei biciclete sau a unei maşini sau de a lua

un autobuz sau metrou (Mun et al., 2009).

6.3.3. Aplicaţii bazate pe servicii Cloud

Telefoanele mobile inteligente sunt acum capabile să susţină o gamă largă de aplicaţii, dintre

care multe necesită o putere de calcul tot mai mare. Acest lucru reprezintă o provocare,

deoarece telefoanele mobile inteligente sunt dispozitive cu resurse limitate, cu putere limitată

de calcul, memorie, stocare, şi durată de funcţionare. Din fericire, tehnologia Cloud computing

oferă în mod dinamic resurse practic nelimitate pentru calcul, stocare, şi furnizarea de servicii.

Prin urmare, cercetatorii au imaginat extinderea serviciilor de Cloud computing pentru

dispozitivele mobile pentru a depăşi constrângerile acestora (Khan et al., 2014).

Se poate defini Cloud Computing mobil ca fiind o modalitate de integrare a tehnologiei Cloud

computing cu dispozitivele mobile pentru a face ca dispozitivele mobile să fie capabile să

beneficieze de resursele de calcul disponibile prin intermediul serviciilor Cloud. Cloud

computing mobil este rezultatul unor abordări interdisciplinare cuprinzând aplicaţiile pentru

dispozitivele mobile şi Cloud Computing. Prin urmare, acest domeniu transdisciplinar este

menţionat şi ca mobiCloud (Huang, 2011).

În continuare se vor enumera principalele criterii care stau la baza selectării unui model de

aplicaţie ce se bazează pe utilizarea serviciilor Cloud.



A. Conştientizarea contextului

Conştientizarea contextului unei aplicaţii se referă la entităţi şi parametrii care pot afecta

decizia de transfer în Cloud a proceselor computaţionale complexe. Este foarte important

pentru o aplicaţie ca aceasta să fie sensibilă la context, deoarece transferarea statică nu este

întotdeauna benefică, şi pot să apară cazuri în care performanţa aplicaţiei se degradează prin

utilizarea serviciilor Cloud (Kumar & Lu, 2010).

B. Latenţa

În domeniul Cloud Computing mobil, latenţa este definită ca fiind timpul necesar pentru

transferarea proceselor computaţionale pe Cloud şi obţinerea înapoi a rezultatelor. Aceasta

este denumită uneori şi timp de răspuns. Latenţa depinde de mai mulţi factori, cum ar fi de

exemplu dimensiunea programului care trebuie transferat, dimensiunea datelor de intrare,

capacitatea reţelei, întârzierile de execuţie, şi dimensiunea datelor rezultate.

C. Utilizarea lărgimii de bandă

Utilizarea lărgimii de bandă se referă la cantitatea de date care trebuie să fie transferat în

Cloud. Prin urmare, în cazul în care migrarea unui proces în Cloud necesită o cantitate mare de

date care trebuie să fie transferate pe timpul rulării, atunci pot să apară latenţe mai mari.

Alternativ, în cazul în care datele sunt transferate în Cloud în avans pentru a reduce latenţa,

atunci este necesară sincronizarea datelor. Cu toate acestea, în cazul în care se face

sincronizarea la intervale scurte de timp, se poate ajunge la utilizarea unei cantităţi mai mari de

date care nu sunt gratuite în cadrul reţelelor celulare.

D. Generalitatea

Generalitatea unui model se referă la gradul de acoperire a unei game largi de aplicaţii. În

practică, există mai multe tipuri de aplicaţii cu diferite cerinţe de resurse şi de comportament.

De exemplu, aplicaţii precum scanarea fişierelor de viruşi, indexarea fişierelor pentru o căutare

rapidă sau indexarea unui site de ştiri sunt sarcini tolerante la întârzieri, care nu necesită

interacţiunea cu utilizatorul după iniţiere. Odată ce sarcinile sunt finalizate, rezultatele pot fi

sincronizate pe dispozitivele mobile. Alternativ, aplicaţiile folosite pentru înregistrarea unei

imagini, a unui discurs, şi de procesare video, necesită un răspuns rapid şi interacţiunea dintre

utilizator şi aplicaţie. Prin urmare, este destul de dificil pentru un model de aplicaţie ca să

sprijine mai multe tipuri de aplicaţii. Cu toate acestea, trebuie depuse eforturi pentru a proiecta

modele de aplicaţii care pot suporta toate modurile de utilizare.

E. Confidenţialitatea

Multe aplicaţii solicită locaţia utilizatorului pentru a furniza servicii în funcţie de aceasta. Aplicaţii

mobile gratuite au nevoie de accesul la funcţionalitatea GPS pentru a afişa anunţuri în funcţie

de locaţia utilizatorului. Prin urmare, informaţiile referitoare la localizarea utilizatorului pot cauza

probleme serioase de confidenţialitate, în special atunci când alte informaţii legate de utilizator

sunt deja cunoscute (Khan et al., 2013; Wang & Wang, 2010).

Ca atare, confidenţialitatea datelor este de asemenea importantă şi este unul dintre principalele

obstacole care limitează adoptarea tehnologiilor Cloud computing mobil. Datele utilizatorilor

stocate în Cloud pot include e-mailuri, rapoarte fiscale, imagini personale, date financiare

referitoare la salariu şi rapoarte de sanatate, etc, şi pot conţine informaţii sensibile. Prin urmare,



consumatorii nu îşi poate permite breşe de confidenţialitate, deoarece acestea pot duce la

pierderi financiare şi pot cauza probleme juridice (Murray, 2009).

F. Complexitatea

Aplicaţiile mobile dezvoltate pentru platformele Cloud trebuie să fie în măsură să se execute

atât în modul online şi offline. Componenta aplicaţiei care trebuie să fie transferată în Cloud

poate fi determinată în două moduri, şi anume, static şi dinamic. În cadrul transferului static,

programatorii pre-determină componente aplicaţiei care pot fi transferate în Cloud. Această

soluţie nu este foarte eficientă atunci când mai multe entităţi pot influenţa componentele care

pot fi transferate. Alternativ, în cazul selectării dinamice a componentei de transferat, decizia

este luată în funcţie de analiza unor parametri contextuali, cum ar fi, necesarul de resurse,

lărgimea de bandă, latenţa, disponibilitatea bateriei, şi resursele Cloud disponibile.

G. Securitatea

Securitatea este una dintre cele mai importante cauze care împiedică adoptarea Cloud

computing pentru aplicaţiile mobile. Tehnologia Cloud computing prezintă o serie de probleme

legate de securitate, ca de exemplu, controlul accesului la date (Zhu et al., 2012), de distribuţie

a datelor pe o infrastructură distribuită, de integritate a datelor, disponibilitate a serviciului, şi a

canalelor de comunicaţii securizate. De asemenea, mobilitatea adaugă unele probleme de

securitate suplimentare (Djenouri, Khelladi, & Badache, 2005; Lima, Santos, & Pujolle, 2009)

care fac securitatea în Cloud mai dificilă. În Cloud computing mobil, problemel de securitate

trebuie să fie analizată din două perspective, şi anume, pentru dispozivul mobil şi pentru Cloud.

Dispozitivul mobil nu trebuie să aibă coduri maliţioase, cum ar fi viruşi, cai troieni, viermi, etc.

Codurile malware sunt ameninţări la adresa securităţii şi pot schimba comportamentul unei

aplicaţii, pot provoca scurgeri de confidenţialitate sau corupere a datelor. Prin urmare, pentru a

menţine telefoanele neinfectate de coduri maliţioase, aplicaţiile de securitate trebuie să fie

utilizat în mod regulat. Din perspectiva securităţii Cloud, datele stocate în Cloud pot fi pierdute,

modificate, blocate sau furate. Prin urmare, datele stocate în Cloud trebuie să aibă mai multe

backup-uri verificate pentru a evita pierderea de date şi modificările nedorite.

6.3.4. Exemple de aplicaţii mobile bazate pe servicii Cloud

Aplicaţiile mobile devin o parte integrantă a societăţii în diverse domenii: educaţie, comerţ,

sănătate / wellness, transport pentru a numi doar câteva. Realizarea acestor aplicaţii la scară

este o provocare - promotori si părţile interesate se confruntă cu constrângeri care apar datorită

mai multor factori, inclusiv resursele limitate de pe telefonul mobil (Rahimi et al., 2014). În

continuare vor fi evidenţiate câteva clase de aplicaţii mobile care utilizează servicii Cloud

precum şi constrângerile care reduc experienţa utilizatorului şi, în consecinţă, limitează

utilizarea lor pe scară largă.

Aplicaţii educative. Prin utilizarea aplicaţiilor mobile în domeniul învăţământului se produce o

schimbare de paradigmă în “furnizarea serviciilor educaţionale", aceasta putând avea un

impact important în comportamentul asociat procesului de învăţare. Lecţiile şi cursurile pe un

dispozitiv mobil ar putea fi descrise ca în (Berking, Haag, & Archibald, 2012), folosind

tehnologia mobilă pentru a îmbunătăţi sau spori cunoştinţele utilizatorilor, a aptitudinilor şi a

comportamentului prin educaţie, formare profesională, oricând şi oriunde. Învăţarea cu ajutorul



unui dispozitiv mobil adaugă un nou nivel în cadrul procesului de învăţare prin utilizarea

telefoanelor inteligente; ca şi alte sisteme de e-learning (Saylor, 2013), învăţarea cu ajutorul

dispozitivelor mobile este un proces colaborativ.

Principalele provocări în acest domeniu sunt legate de anumite limitări ale dispozitivelor mobile

precum şi de conţinutul materialelor educative. Streaming-ul video este o activitate mare

consumatoare de energie însă este esenţială pentru aplicaţiile educaţionale. Aceasta provoacă

însă epuizarea rapidă a energiei dispozitivului.

Comerţul mobil. Dispozitivele mobile sunt utilizate pe scară largă în afaceri şi comerţ (Yang,

Pan, & Shen, 2010), acoperind o gamă largă de aplicaţii. Aplicaţiile de comerţ mobil includ

tranzacţiile comerciale şi plăţile care sunt efectuate cu ajutorul dispozitivului mobil. Ca şi în

cazul aplicaţiilor educative, provocările apar la mai multe niveluri. Aplicaţii e-commerce au

nevoie de resurse de calcul şi de stocare ridicate pentru prelucrarea datelor şi partajarea

acestora. Tranzacţiile utilizatorului trebuie să fie interacţiuni sigure şi private între acesta şi

furnizorul de servicii; prezenţa unor servicii Cloud publice în cazul tranzacţiilor sigure şi private

este o sursă de îngrijorare pentru mulţi utilizatori. Anumite tehnici de a structura modul în care

datele sunt stocate utilizând servicii Cloud publice sau private trebuie să fie realizate în funcţie

de limitările dispozitivului mobil şi sensibilitatea conţinutului în curs de procesare.

Sănătate şi wellness. În baza unor studii de cercetare în domeniul asistenţei medicale, se

constată că anumite boli cronice cum ar fi de exemplu diabetul zaharat, astmul bronşic sau

obezitatea, reprezintă aproximativ 46% din problemele de sănătate la nivel mondial

(Braunstein, 2012). Tratamentul bolilor cronice depinde în mare măsură pe raportarea continuă

a stării de sănătate de către pacient. Platformele de tip mHealth (mobile health) fac posibilă

colectarea de către pacient a datelor relevante pentru medici, oriunde, oricând pentru a pentru

un tratament eficient.

Implementarea aplicaţiilor mHealth implică numeroase provocări - cele mai importante dintre

acestea se referă la prelucrarea în timp real şi stocarea unor volume mari de date ale

pacientului. Aceasta are implicaţii asupra modului în care trebuie realizată protejarea vieţii

private / de securitate a informaţiilor medicale (Meingast, Roosta, & Sastry, 2006).

Reţele sociale. Numeroase aplicaţii mobile ce utilizează servicii Cloud enumerate mai sus

presupun acum şi o prezenţă în cadrul reţelelor sociale în care acestea pot fi uşor descoperite

şi utilizate. Se foloseşte termenul de Mobile Social Network (MSN) pentru a referirea în sens

larg la astfel de aplicaţii. Astăzi, aplicaţiile mobile sunt adesea dezvoltate pentru a fi integrate

cu reţele sociale, cum ar fi de exemplu Facebook. Aceste reţele sociale servesc astfel şi ca

mijloace de autentificare de-facto.

6.3.5. Tipuri de platforme de dezvoltare

Numeroase studii dedicate dezvoltării de aplicaţii mobile se concentrează pe problemele cu

care se confruntă programatorii, făcând astfel necesară utilizarea platformelor pentru a

îndeplini cerinţele de dezvoltare a aplicaţiilor. Putem clasifica platformele de dezvoltare pentru

aplicaţii după cum urmează:



Platforme sensibile la context

Numeroase studii de cercetare au descris diverse moduri pentru dezvoltarea aplicaţiilor mobile

eficiente, concentrându-se pe obţinerea datelor din mediul mobil.

(Buthpitiya et al., 2012) şi-au propus să dezvolte un cadru pentru crearea de aplicaţii avansate

sensibile la context. Acesta este un instrument care oferă un protocol şi o ontologie în care un

widget poate descoperi alte widget-uri care furnizează informaţiile de context. Fiecare widget

asigură un nivel ridicat de securitate pentru aplicaţie, fiind axat pe autentificarea altor widget-

uri, asigurarea integrităţii widget-urilor, precum şi asigurarea comunicării între widget-uri.

(Biegel & Cahill, 2004) au dezvoltat un cadru care facilitează dezvoltarea de aplicaţii sensibile

la context, permiţând dezvoltatoriilor să colecteze şi să gestioneze datele provenite de la

senzori şi context. Acest cadru îndeplineşte două cerinţe majore necesare pentru dezvoltare cu

succes a aplicaţiilor omniprezente şi sensibile la context:

uşurinţa în proiectarea aplicaţiei, a dezvoltării unui prototip şi testarea;

facilitarea pentru designerii şi utilizatorii finali de a-şi construi propriile aplicaţii.

In acest sens, oferă un instrument de programare vizuală care elimină necesitatea de a scrie

un cod complex.

(Van Wissen, Palmer, & Kemp, 2010) descriu "ContextDroid", un cadru centralizat care ajută

programatorii să dezvolte aplicaţii sensibile la context şi care reduce timpul de dezvoltare,

punând accentul pe eficienţa în utilizarea bateriei dispozitivului mobil.

Platforme de tip suport

Alte cercetări în domeniu descriu platforme de tip suport şi îndrumare pentru dezvoltarea de

aplicaţii mobile.

(Doolittle et al., 2012) a creat un cadru de dezvoltare de aplicaţii mobile ca un set de capabilităţi

specifice, instrumente şi resurse care să permită implementarea cu succes a aplicaţiilor ce

permite dezvoltatorilor să ofere feedback cu privire la ceea ce a funcţionat cel mai bine în

cadrul procesului de dezvoltare. Acest cadru furnizează documentaţie specifică, capabilităţile

generice, precum şi resurse necesare aplicaţiilor.

(Cheng & Yuan, 2007) au propus proiectarea şi punerea în aplicare a unui cadru de dezvoltare

generic - Generic Mobile Application (GMA). Acest cadru este capabil să se adapteze diferitelor

dispozitive sau situaţii de utilizare în funcţie de formatul interfeţei cu utilizatorul, puterea şi

funcţionalitate dispozitivului mobil.

(Systems, 2011) oferă indicaţii cu privire la modul de selecţie a platformelor de dezvoltare

pentru aplicaţiile mobile axându-se pe reutilizarea componentelor existente în cadrul aplicaţiilor

web.


7. Concluzii

Raportul prezintă rezultatele obţinute în cadrul primei etape a proiectului, conform planului de

realizare, care prevede derularea a două activităţi.

Activitate I.1 – „Analiza tematicilor CDI prioritare pentru TIC ca sector de specializare

inteligentă” s-a concretizat în selectarea unor tematici de cercetare-dezvoltare în domeniul

TIC, relevante pentru interesul pe care îl pot genera pentru sectoarele de specializare

inteligentă.

Având în vedere că Domeniul de acţiune III – eCommerce, Cercetare-dezvoltare-inovare în

TIC din Strategia Naţională privind Agenda Digitală pentru România 2020 este orientat pe TIC

în economie, ca suport pentru competitivitate prin inovare, interesul generat de tematicile

relevante TIC se referă, în principal, la suportul pentru sectoarele de specializare inteligentă

reprezentative pentru activitatea economică şi mediul de afaceri.

Conform metodologiei proiectului, demersul în stabilirea tematicilor TIC relevante a constat în:

studierea documentelor programatice la nivel naţional pentru perioada 2014-2020:

Strategia Naţională privind Agenda Digitală pentru România 2020, Strategia Naţională

pentru Competitivitate şi Programul Operaţional Competitivitate, Strategia Naţională de

Cercetare-Inovare;

formularea unei prime propuneri (6 tematici), pe baza analizei celor 4 subdomenii TIC

ca domeniu de specializare inteligentă: Analiza şi securitatea datelor de mari

dimensiuni, Internetul viitorului, Calculul de înaltă performanţă şi noi modele

computaţionale, Tehnologii, instrumente şi metode pentru dezvoltare de software;

comparaţia şi validarea acestei prime variante cu referinţe la nivel european, din

activitatea cercetare-inovare în TIC (Programul Orizont 2020) şi din politicile de

implementare-utilizare soluţii TIC în companii din Europa de vest la nivelul anului 2015;

selectarea celor 4 tematici TIC, pe baza utilizării a trei criterii de relevanţă: rolul de

dimensiune prioritară în dezvoltarea unei soluţii informatice, complementaritatea

funcţională a tematicilor, expertiza existentă la nivelul echipei de realizare.

Analiza documentelor programatice, coroborată cu obiectivul specific din Planul sectorial căruia

îi este subordonat prezentul proiect, şi anume “e-Comerţ şi cercetare-dezvoltare-inovare în

TIC”, a permis fundamentarea orientării tematice de ansamblu a prezentului proiect: mediul de

afaceri şi competitivitate economică prin aportul de inovare al TIC. Acest aspect este

determinant pentru activitatea de selectare şi analiză a tematicilor TIC de interes.

Cele patru tematici sunt:

Managementul, guvernanţa şi analiza datelor de mari dimensiuni (Big Data)

Suport decizional bazat pe soluţii de Inteligenţa Afacerilor

Timp real şi conectivitate extinsă



Aplicaţii pentru dispozitive mobile inteligente.

Activitate I.2 – “Investigarea tematicilor CDI-TIC relevante pe ansamblul sectoarelor SI” s-a

concretizat în elaborarea rapoartelor de analiză pentru cele patru tematici selectate.

Rapoartele au o structură unitară: descrierea tematicii, potenţialul de impact pentru

competitivitate, tipologia de soluţii TIC specifice. Elaborarea lor s-a bazat pe expertiza echipei

proiectului şi pe consultarea unui volum consistent de referinţe bibliografice. O selecţie a

principalelor idei şi concluzii ale celor patru rapoarte este prezentată în continuare.

Managementul, guvernanţa şi analiza datelor de mari dimensiuni:

Organizaţiile înoată într-un ocean în expansiune de date care sunt, fie prea voluminoase, fie

prea nestructurate pentru a putea fi gestionate şi analizate prin metode tradiţionale.

Fenomenul Big Data este dinamic, volumul datelor care se acumulează într-o organizaţie

creşte continuu, în mod exponenţial şi cu viteze din ce în ce mai mari.

Guvernanţa şi integrarea informaţiilor sunt factori esenţiali pentru a obţine valoarea maximă

dintr-un proiect de tip Big Data.

Organizaţiile care valorifică Big Data se diferenţiază prin importanţa acordată fluxurilor de

date (în detrimentul datelor care se referă la trecut), promovarea experţilor în date,

coroborată cu migrarea analizei avansate a datelor dinspre sistemul TIC spre activităţile de

bază şi implementarea schimbărilor organizatorice aferente acestei migrări;

Volumul şi viteza crescute ale datelor în mediile de producţie vor determina organizaţiile să

dezvolte procese continue pentru colectarea, analiza şi interpretarea datelor.

Spre deosebire de abordarea clasică, în gestionarea Big Data prelucrările sunt aduse în

proximitatea datelor.

Organizaţiile de succes vor instrui şi recruta oameni cu un nou set de aptitudini, capabili să

integreze noile capabilităţi de Analytics în mediile lor de producţie.

Pe măsură ce Big Data evoluează, arhitecturile se vor dezvolta într-un ecosistem de

informaţii: o reţea de servicii interne şi externe partajând continuu informaţii, optimizând

deciziile, comunicând rezultatele şi generând noi perspective pentru afaceri.

Big Data necesită implementări de înaltă performanţă ale tehnicilor Analytics. Principalul

avantaj al utilizării Analytics în procesul de luare a deciziilor de afaceri este posibila evitare a

subiectivităţii.

Scopul fundamental al ştiinţei datelor, în cadrul unei organizaţii, este de a promova, sprijini şi

a ameliora în permanenţă procesele de decizie condusă de date.

Tendinţa este ca succesul şi valoarea afacerii să se bazeze pe formula „business = date +

algoritmi”. Companiile care adoptă un model de afaceri bazat pe software sunt reactive şi

„conduse de date” (data-driven).

A deveni companie condusă de date (data driven) presupune cultivarea şi adoptarea unei

mentalităţi conform căreia desfăşurarea afacerii este bazată pe utilizarea continuă a

tehnicilor de tip Analytics în luarea deciziilor de afaceri pe bază de fapte.

Pe măsură ce utilizarea Analytics de către companii se maturizează, adoptarea se va

răspândi şi colaborarea între echipe şi departamente se va îmbunătăţi în mod continuu.



Calitatea datelor nu mai poate fi exprimată şi măsurată în funcţie de cât de adecvate sunt

unui anumit scop, ci trebuie să fie evaluate din perspectiva unor scopuri multiple, luând în

considerare toate utilizările şi cerinţele de calitate din aval.

Prin platforme Big Data Analytics adecvate, o întreprindere îşi poate spori vânzările, creşte

eficienţa şi îmbunătăţi operaţiunile, serviciile către clienţi şi managementul riscurilor.

Tipologia proiectelor Big Data ia în considerare cerinţele de utilizare a datelor (la nivel

agregat / individualizat) şi de valabilitate a datelor (pe termen scurt / lung).

Calculul în Cloud şi Big Data sunt strâns legate. Arhitectura de referinţă pentru Analytics în

Cloud include ca element central conceptul de “lac de date”, un spaţiu de stocare vast,

consolidat, care evită metodele rigide ale structurilor de date clasice.

Suport decizional bazat pe soluţii de Inteligenţa Afacerilor:

Lumea afacerilor a devenit mai competitivă şi mai puţin predictibilă, accentuând importanţa

unei asistări a deciziei efective şi a utilizării instrumentelor suport de decizie.

Aspectele noi legate de complexitatea şi diversificarea activităţilor decizionale, cât şi

progresele recente în TIC au contribuit la impulsionarea cercetărilor în domeniile Inteligenţei

afacerilor (Business Intelligence - BI), Analizei de afaceri (Business Analytics - BA) şi

Sistemelor Suport de Decizie (Decision Support Systems - DSS).

BI este un concept care presupune extragerea şi transformarea datelor în informaţie

inteligibilă (cu sens). Astăzi, presiunea concurenţială impune luarea unor măsuri care să

transforme BI în sensul furnizării in timp util de strategii de acţiune.

Afacerile inteligente au nevoie de BI pentru recunoaşterea, analiza, modelarea, structurarea

şi optimizarea proceselor de afaceri, precum şi pentru administrarea şi analiza unor cantităţi

masive de date structurate, semi-structurate şi nestructurate.

Beneficiile majore ale BI pentru o companie constau în abilitatea de a furniza informaţii

corespunzătoare atunci când este necesar, incluzând o imagine în timp real a performanţei

organizaţiei şi a componentelor sale.

BA a fost introdusă la sfârşitul anilor 2000, ca o componentă cheie de analiză în BI. BI a

evoluat de la BA de tip descriptiv la BA de tip prescriptiv.

BA tratează datele lor ca un activ corporativ şi ca o pârghie pentru un avantaj competitiv.

Succesul BA depinde şi de calitatea experţilor în analiza datelor.

Nicio tendinţă de afaceri din ultimul deceniu nu are un impact potenţial la fel de mare asupra

investiţiilor în TI ca BA şi BDA.

Companiile investesc în BA pentru a obţine rezultate centrate pe ieşiri, a optimiza operaţiile,

a gestiona riscurile şi a dezvolta noi modele de afaceri.

Realizarea de capabilităţi în BA va îmbunătăţi nu numai performanţa în segmente şi funcţii

tradiţionale, dar, va creea şi oportunităţi pentru a extinde ofertele de produse şi servicii.

Complexitatea lucrului cu BI/BA, integrarea tehnologiilor şi disponibilitatea competenţelor de

analiză avansată a datelor sunt principalele dificultăţi pentru utilizarea cu succes a BI/BA în

cadrul organizaţiilor.

Capabiltăţile unei platforme software BI/BA sunt grupate în trei categorii: analiză date,

integrare date şi livrare informaţii.



Succesul utilizării unor produse BI/BA depinde de calitatea datelor şi a tehnologiilor utilizate,

competenţele analiştilor, cultura organizaţională, adaptarea afacerii la cerinţele utilizării BI.

Timp real şi conectivitate extinsă:

Progresele de dată recentă în automatizarea instalaţiilor industriale de mari dimensiuni s-au

datorat echipamentelor capabile să implementeze funcţii cu un nivel ridicat de complexitate,

care necesită o adaptare corespunzătoare a mecanismelor şi strategiilor de operare şi

control.

Noua generaţie de aplicaţii în timp real trebuie să se conformeze cerinţelor industriale de a

susţine integrarea la nivel de companie, controlul la distanţă şi chiar implementarea de

sisteme bazate pe Internet, care să permită execuţia distribuită şi cooperarea între diferite

echipamente.

Tendinţa de integrare a sistemelor de conducere avansată ale instalaţiilor în reţelele

corporatiste permite un management unitar, care să înglobeze aspectele economice,

tehnologia de producţie, resursele materiale şi umane.

Procesul de proiectare al unui sistem de reglare automata optimala multi-obiectiv are un

caracter iterativ şi interactiv, incepând de la faza de constructie a modelului matematic, pâna

la validarea solutiei de automatizare, prin analiza asistata de calculator a performantelor.

Noua generaţie de echipamente de proces trebuie să poată susţine dezvoltarea unor

aplicaţii în timp real din ce în ce mai complexe şi să permită proiectarea unor sisteme de

conducere adaptabile, reconfigurabile, capabile să funcţioneze în arhitecturi distribuite ce au

o flexibilitate ridicată.

În ultimii ani a fost introdusă în industria sistemelor complexe în timp real o largă varietate

de tehnologii şi echipamente de magistrale de câmp, care se bazează pe protocoale

industriale ce permit schimbul de mesaje sau de date între echipamentele componente.

Mediile de producţie necesită sisteme de conducere în timp real, cu un nivel de

supraveghere şi control performant, bazat pe resurse Cloud, capabil să îmbunătăţească şi

să optimizeze funcţionarea instalaţiilor industriale.

IoT face posibilă dezvoltarea reţelelor ce încorporează întregul proces de fabricaţie. Prin

analiza datelor furnizate de obiectele inteligente din reţeaua IoT se oferă noi servicii care nu

ar fi fost posibile fără acest nivel de conectivitate şi inteligenţă analitică.

Caracteristicile fundamentale IoT sunt posibilitatea de conectare la infrastructuri globalizate

de comunicaţii de informaţii; lucrul cu o diversitate de dispozitive care pot interacţiona între

ele sau cu alte platforme; dinamica modificărilor privind numărul de dispozitive, starea

acestora, contextul în care acţioneză; capacitatea de a se adapta tendinţei de creştere

accentuată a numarului dispozitivelor IoT.

In ceea ce priveşte conexiunea cu tehnologia Cloud, se apreciază că după IaaS, PaaS şi

SaaS, următoarea paradigmă este virtualizarea lucrurilor, pentru a putea furniza

funcţionalitate „IoT as a service”. Sensor-Cloud Infrastructure permite virtualizarea unui

senzor fizic sau a unei reţele de senzori fizici.

Se urmăreste ca platformele de Cloud Computing să preia atribuţiile sistemelor SCADA,

adoptând tehnologia IoT, având ca rezultat raportarea aproape în timp real a stării şi



valorificarea scalabilităţii orizontale a mediului Cloud pentru a implementa algoritmi de

control mai complecşi.

Rata de adoptare a IoT-ului în producţie, pentru anul 2025 este estimată între 65 şi 90 la

suta în economiile avansate şi de între 50 şi 70 la sută în economiile în curs de dezvoltare.

Aceste niveluri de penetrare sunt similare cu cele observate pentru echipamentele de

automatizare a producţiei din ultimele decenii. Aplicaţiile IoT din domeniul industrial au

potenţialul de a genera valoare între 1.200 miliarde dolari şi 3.700 miliarde dolari pentru anul

2025,

IoT este inclus intre cele 5 surse majore de impact pentru schimbările care au loc în mediul

industrial, alături de serviciile Cloud, Big Data şi Analytics, comunicaţii în bandă largă şi

centrele de date.

O platformă IoT permite unei organizaţii utilizatoare (întreprindere industrială, unitate

medicală, unităţi din domeniul transportului şi distribuţiei de energie), interesată de

implementarea unei soluţii IoT, să se concentreze pe problemele concrete pe care le are de

rezolvat privind valorificarea informaţiilor existente în diversele dispozitive pe care le

utilizează.

Industry 4.0, ca sistem cibernetico-fizic, va debloca potenţialul generat de posibilităţile de

urmărire a proceselor la un nivel de detaliu inacessibil în prezent, va facilita o cooperare mai

strânsă între partenerii de afaceri, va oferi o mai mare flexibilitate şi robusteţe, precum şi

standarde de calitate în inginerie, planificare, fabricaţie, procese de exploatare şi logistică,

va duce la apariţia de lanţuri ale valorii dinamice, cu auto-organizare, optimizate în timp real.

Potenţialul de impact al Industry 4.0 este generat de: îndeplinirea cerinţelor individuale ale

clienţilor (fabricarea în condiţii de profit un produs la un volum de producţie foarte mic),

configurarea dinamică a diferitelor aspecte ale proceselor de afaceri, decizii optimizate, în

timp real, productivitatea şi eficienţa resurselor, modele mai flexibile de organizare a muncii

în companii orientate spre satisfacerea nevoilor angajaţilor.

Aplicaţii pentru dispozitive mobile inteligente

Din punct de vedere tehnologic, tipologia aplicaţiilor mobile include: aplicaţii native, aplicaţii

web şi aplicaţii hibride.

Tehnologiile utilizate în dezvoltarea aplicaţiilor pentru dispozitivele mobile inteligente au

progresat foarte mult datorită concurenţei acerbe între marile companii ce furnizează soluţii

hardware şi software.

La fel ca şi în alte domenii, creşterea numărului şi a varietăţii aplicaţiilor mobile a făcut ca

descoperirea acestora să devină o provocare.

Dezvoltarea aplicaţiilor mobile este una dintre cele mai active zone de dezvoltare soft, având

în vedere fragmentarea continuă a pieţei în ceea ce priveşte dispozitivele mobile şi

sistemele de operare. Principalele probleme cu care se confruntă dezvoltatorii de aplicaţii

sunt în mare parte datorate limitărilor dispozitivului mobil.

In condiţiile în care dispozitivele mobile inteligente se dovedesc a fi alegerea preferată

pentru conectarea la Internet, atât pentru persoane particulare, cât şi pentru angajaţi,

dezvoltarea aplicaţiilor mobile se reorientează de la programarea web la programarea

mobilă. Tehnologia Cloud Computing oferă beneficii legate de creşterea capacităţii de

prelucrare şi de stocare a datelor.



Proiectarea Interfeţei Utilizator este esenţială pentru succesul unei aplicaţii mobile. În cazul

dispozitivelor mobile componenta de UI trebuie să considere atât constrângerile specifice,

cât şi contextul de utilizare.

După specificul serviciilor furnizate, aplicaţiile mobile pot fi predictive, bazate pe senzori sau

bazate pe servicii Cloud.

Piaţa de aplicaţii mobile este structurată în jurul platformelor de dezvoltare a aplicaţiilor

mobile.

Platformele de dezvoltare de aplicaţii pentru dispozitivele mobile permit întreprinderilor

beneficiare să realizeze proiectarea, dezvoltarea, testarea, implementarea, distribuirea,

analiza şi gestionarea unui portofoliu de aplicaţii mobile pe o gamă largă de dispozitive şi

care abordează cerinţe pentru diverse cazuri de utilizare.

Tipologia platformelor de dezvoltare aplicaţii mobile include platformele sensibile la context

(care se concentrează pe obţinerea datelor din mediul mobil) şi platforme suport şi

îndrumare pentru dezvoltarea de aplicaţii mobile.

Se estimează că economia bazată pe aplicaţii mobile creează venituri de peste 10 miliarde

dolari pe an în cadrul Uniunii Europene, în timp ce peste 529 de mii de locuri de muncă au

fost create în cele 28 de state ale UE, datorită dezvoltării pieţei de aplicaţii mobile.

Pentru valorificarea acestui potenţial este prioritară elaborarea şi adoptarea unei strategii de

dezvoltare şi implementare a aplicaţiilor mobile în întreprindere, bazată pe obiectivele şi

cerinţele de afaceri ale companiei. Principalele reguli de elaborare se referă la:

recunoaşterea mobilităţii ca prioritate a afacerii, dezvoltarea prin acumularea de experienţă,

adaptarea la un context diversificat de utilizare (angajaţi, parteneri, clienţii), includerea

aplicaţiilor mobile în portofoliul de aplicaţii al întreprinderii, securizarea datelor şi proceselor

de afaceri concomitent cu dezvoltarea experienţei mobile, investiţii în asigurarea unui flux de

aplicaţii mobile, accent pe proiectarea colaborativă a aplicaţiilor mobile, promovarea

mobilităţii ca dimensiune a agilităţii organizaţionale.

*

* *

Indicatorii de realizare ai obiectivului specific pentru această etapă au următoarele valori:

a) Nr. tematici CDI-TIC prioritare identificate: 4

b ) Criterii de analiză şi selecţie a tematicilor relevante: 3

c) Nr. surse de informare analizate:

documente programatice pentru activitatea CDI-TIC la nivel naţional, european şi

internaţional: 7 (conform Bibliografiei);

documentaţii tehnice: studii, rapoarte, expertize, previziuni, puncte de vedere ale

beneficiarilor potenţiali ai rezultatelor proiectului etc) : 144 (repartizate pe cele 4 tematici

conform Bibliografiei);

rapoarte tehnice ale proiectelor CDI aflate în derulare sau finalizate: au fost analizate 12

proiecte în derulare din programele europene FP7 şi Orizont 2020, 6 proiecte finalizate

din programul FP7 şi 3 proiecte finalizate din Planul naţional CDI.



Conform prevederilor Planului de realizare, rezultatele etapei constau în 4 rapoarte de analiză

pentru tematicile CDI-TIC relevante, prezentul raport de etapă şi raportul de activitate.

Indicatorii de realizare privind rezultatele etapei au următoarele valori:

a) Nr tematici CDI-TIC relevante identificate şi analizate: 21 tematici ale sub-domeniilor TIC ca

domeniu de specializare inteligentă;

b) Nr. rapoarte de analiză tematici relevante: 4.

Etapa a II-a – “Constituirea portofoliului de soluţii TIC generice (cu arie larga de aplicabilitate)

pentru tematicile CDI-TIC analizate” are ca obiectiv specific investigarea ofertei tematicilor

relevante privind soluţiile TIC generice, caracterizate printr-un potenţial extins de aplicabilitate

pe ansamblul sectoarelor de specializare inteligentă. Termen: 30.11.2016.


8. Bibliografie

SN-ADR (2015). Strategia Nationala privind Agenda Digitala pentru România 2020. Ministerul

pentru Societatea Informaţională, Februarie 2015.

(https://www.google.ro/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&ved=0ahUKEwitjO2SrqHJAhVFOxoK

HXERBcQQFggcMAA&url=http%3A%2F%2Fwww.mcsi.ro%2FCMSPages%2FGetFile.aspx%3Fnodeguid%3

D0617c1d7-182f-44c0-a978-4d8653e2c31d&usg=AFQjCNGvMiD0UUKjm5Jr4Wgj0HpNUbXUXQ).

POC (2014). Programul Operaţional Competitivitate 2014-2020. Ministerul Fondurilor

Europene, 2014. (http://http://www.fonduri-ue.ro/files/programe/COMPETITIVITATE/POC/VO.POC.2014-

2020.18.12.2014.pdf).

SNC (2014). Strategia Naţională pentru Competitivitate 2014 – 2020. Ministerul Economiei,

iunie 2014. (http://www.minind.ro/PROPUNERI_LEGISLATIVE/2014/SNC_2014_2020.pdf).

SN-CDI 2020 (2014). Strategia Naţională de Cercetare-Inovare 2014-2020 – versiunea tehnică.

Ministerul Educaţiei şi Cercetării Ştiinţifice, februarie 2014. (http://www.cdi2020.ro/wp-

content/uploads/2014/02/STRATEGIA_Versiunea-tehnica_Februarie-2014.pdf).

WP ICT 2014-15 (2014). Horizon 2020 - Work Programme 2014 – 2015, (5) Leadership in

enabling and industrial technologies, (i) Information and Communication Technologies.

European Commission Decision C (2014)4995 of 22 July 2014.

(http://ec.europa.eu/research/participants/data/ref/h2020/wp/2014_2015/main/h2020-wp1415-leit-ict_en.pdf).

WP ICT 2016-17 (2015). Horizon 2020 - Work Programme 2016 – 2017, (5.i) Information and

Communication Technologies. European Commission Decision C (2015)6776 of 13

October 2015. (http://ec.europa.eu/research/participants/data/ref/h2020/wp/2016_2017/main/h2020-

wp1617-leit-ict_en.pdf).

Schlack, M., (2015). 2015 IT Priorities - Editorial Global. TechTarget.

(http://docs.media.bitpipe.com/io_10x/io_102267/item_465972/2015%20IT%20Priorities%20Global.pdf)

Pentru tematica “Managementul, guvernanţa şi analiza datelor de mari dimensiuni”

Oracle. (2011). Enterprise Information Architecture: Best Practices in Data Governance

http://www.oracle.com/technetwork/articles/entarch/oea-best-practices-data-gov-400760.pdf

Oracle. (2013). Big Data & Analytics Reference Architecture. Oracle Enterprise Transformation

Solutions Series. Oracle White Paper. http://www.oracle.com/technetwork/topics/entarch/oracle-wp-

big-data-refarch-2019930.pdf

Korhonen, J.J., Melleri, I., Hiekkanen, K., Helenius, M. (2013). Designing Data Governance

Structure: An Organizational Perspective. GSTF Journal of Computing (JoC), 2(4).

http://dl6.globalstf.org/index.php/joc/article/viewFile/576/592

https://www.google.ro/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&ved=0ahUKEwitjO2SrqHJAhVFOxoKHXERBcQQFggcMAA&url=http%3A%2F%2Fwww.mcsi.ro%2FCMSPages%2FGetFile.aspx%3Fnodeguid%3D0617c1d7-182f-44c0-a978-4d8653e2c31d&usg=AFQjCNGvMiD0UUKjm5Jr4Wgj0HpNUbXUXQ



http://http/www.fonduri-ue.ro/files/programe/COMPETITIVITATE/POC/VO.POC.2014-2020.18.12.2014.pdf

http://http/www.fonduri-ue.ro/files/programe/COMPETITIVITATE/POC/VO.POC.2014-2020.18.12.2014.pdf

http://www.minind.ro/PROPUNERI_LEGISLATIVE/2014/SNC_2014_2020.pdf

http://www.cdi2020.ro/wp-content/uploads/2014/02/STRATEGIA_Versiunea-tehnica_Februarie-2014.pdf

http://www.cdi2020.ro/wp-content/uploads/2014/02/STRATEGIA_Versiunea-tehnica_Februarie-2014.pdf

http://ec.europa.eu/research/participants/data/ref/h2020/wp/2014_2015/main/h2020-wp1415-leit-ict_en.pdf



http://docs.media.bitpipe.com/io_10x/io_102267/item_465972/2015%20IT%20Priorities%20Global.pdf

http://www.oracle.com/technetwork/articles/entarch/oea-best-practices-data-gov-400760.pdf

http://www.oracle.com/technetwork/topics/entarch/oracle-wp-big-data-refarch-2019930.pdf

http://www.oracle.com/technetwork/topics/entarch/oracle-wp-big-data-refarch-2019930.pdf

http://dl6.globalstf.org/index.php/joc/article/viewFile/576/592



Meijer, E., & Kapoor, V. (2014). The responsive enterprise: Embracing the hacker way.

Communications of the ACM, 57(12), 38-43.

Tallon, P. P., Ramirez, R. V., & Short, J. E. (2013). The information artifact in IT governance:

Toward a theory of information governance. Journal of management information systems-

JMIS, 30(3), 141-177. ISSN 0742-1222.

http://www.researchgate.net/profile/Paul_Tallon/publication/269500452_The_Information_Artifact_in_IT_Gov

ernance_Toward_a_Theory_of_Information_Governance/links/5547ce510cf2e2031b3849d7.pdf

Niemi, E. (2013). Working Paper: Designing a Data Governance Framework. In Proceedings of

the fourth Scandinavian Conference on Information Systems (SCIS2013) and 36th

Information Systems Research Seminar in Scandinavia (IRIS2013), University of Oslo,

Norway, August, 2013

http://www.researchgate.net/publication/257194534_Working_Paper_Designing_a_Data_Governance_Frame

work

Otto, B. (2011). A Morphology of the Organisation of Data Governance. In Proceedings of the

19th European Conference on Information Systems (ECIS 2011). Paper 272. Helsinki,

Finland, 2011. http://aisel.aisnet.org/ecis2011/272

Dimitriu, R. (2011). Ce înseamnă guvernanţă? Ce sens are termenul în legătură cu dezvoltarea

de proiecte?. Biroul Virtual de Consultanţă Antreprenorială (site cofinanţat din Fondul

Social European prin Programul Operaţional Sectorial Dezvoltarea Resurselor Umane

2007-2013 Investeşte în oameni!). http://www.e-birouvirtual.ro/node/3726#comment-3731

Corrigan, D. (2013). Integrating and governing big data. IBM White Paper. https://www-

950.ibm.com/events/wwe/grp/grp037.nsf/vLookupPDFs/Integrating_Governing_BigData/$file/Integrating_Gov

erning_BigData.pdf

Chui, M., Manyika, J., & Kuiken, S. V. (2014). What executives should know about open data.

McKinsey Quarterly, January, 2014. https://digitalstrategy.nl/files/2014.01-H-What-executives-should-

know-about-open-data.pdf

Zeleti, F. A., Ojo, A., & Curry, E. (2014, June). Emerging business models for the open data

industry: characterization and analysis. In Proceedings of the 15th Annual International

Conference on Digital Government Research (pp. 215-226). ACM.

http://www.edwardcurry.org/publications/dgo2014.pdf

Davenport, T. H., Barth P., & Bean, R. (2012). How 'Big Data' Is Different. MIT Sloan

Management Review 54(1) (Fall 2012). http://sloanreview.mit.edu/article/how-big-data-is-different/

LaValle, S., Lesser, E., Shockley, R., Hopkins, M. S., & Kruschwitz, N. (2013). Big data,

analytics and the path from insights to value. MIT sloan management review, 21.

http://www.ibm.com/smarterplanet/global/files/in_idea_smarter_computing_to_big-data-

analytics_and_path_from_insights-to-value.pdf

Chui, M., Manyika, J., & Van Kuiken, S. (2014). What executives should know about open data.

McKinsey Quarterly. McKinsey Global Institute, January2014.

http://www.mckinsey.com/insights/high_tech_telecoms_internet/what_executives_should_know_about_open_

data

http://www.researchgate.net/profile/Paul_Tallon/publication/269500452_The_Information_Artifact_in_IT_Governance_Toward_a_Theory_of_Information_Governance/links/5547ce510cf2e2031b3849d7.pdf

http://www.researchgate.net/profile/Paul_Tallon/publication/269500452_The_Information_Artifact_in_IT_Governance_Toward_a_Theory_of_Information_Governance/links/5547ce510cf2e2031b3849d7.pdf

http://www.researchgate.net/publication/257194534_Working_Paper_Designing_a_Data_Governance_Framework

http://www.researchgate.net/publication/257194534_Working_Paper_Designing_a_Data_Governance_Framework

http://aisel.aisnet.org/ecis2011/272

http://www.e-birouvirtual.ro/node/3726#comment-3731

https://www-950.ibm.com/events/wwe/grp/grp037.nsf/vLookupPDFs/Integrating_Governing_BigData/$file/Integrating_Governing_BigData.pdf



https://digitalstrategy.nl/files/2014.01-H-What-executives-should-know-about-open-data.pdf

https://digitalstrategy.nl/files/2014.01-H-What-executives-should-know-about-open-data.pdf

http://www.edwardcurry.org/publications/dgo2014.pdf

http://sloanreview.mit.edu/article/how-big-data-is-different/

http://www.ibm.com/smarterplanet/global/files/in_idea_smarter_computing_to_big-data-analytics_and_path_from_insights-to-value.pdf

http://www.ibm.com/smarterplanet/global/files/in_idea_smarter_computing_to_big-data-analytics_and_path_from_insights-to-value.pdf

http://www.mckinsey.com/insights/high_tech_telecoms_internet/what_executives_should_know_about_open_data

http://www.mckinsey.com/insights/high_tech_telecoms_internet/what_executives_should_know_about_open_data



Jetzek, T., Avital, M., & Bjørn-Andersen, N. (2013, December). Generating value from open

government data. In The 34th International Conference on Information Systems. ICIS

2013.

http://www.researchgate.net/profile/Thorhildur_Jetzek/publication/259501249_Generating_Value_from_Open

_Government_Data/links/0046352c535fb81d99000000.pdf

Jetzek, T., Avital, M., & Bjørn-Andersen, N. (2014). Generating Sustainable Value from Open

Data in a Sharing Society. In IFIP Advances In Information And Communication

Technology. · June 2014.

http://www.researchgate.net/profile/thorhildur_jetzek/publication/260930555_generating_sustainable_value_fr

om_open_data_in_a_sharing_society/links/0deec539983ac5a598000000.pdf

Stott, A. (2014). Open Data for Economic Growth. The World Bank. June 25, 2014

http://www.worldbank.org/content/dam/Worldbank/document/Open-Data-for-Economic-Growth.pdf

Pääkkönen, P., & Pakkala, D. (2015). Reference Architecture and Classification of

Technologies, Products and Services for Big Data Systems. Big Data Research.

http://www.sciencedirect.com/science/article/pii/S2214579615000027

Gandomi, A., & Haider, M. (2015). Beyond the hype: Big data concepts, methods, and

analytics. International Journal of Information Management, 35(2), 137-144. http://ac.els-

cdn.com/S0268401214001066/1-s2.0-S0268401214001066-main.pdf?_tid=f28bfe04-7bc1-11e5-a2a4-

00000aacb35e&acdnat=1445851043_78a530da1a1bc187fa3c2f31bf7ffa5e

Banerjee, A., Bandyopadhyay, T., & Acharya, P. (2013). Data analytics: Hyped up aspirations

or true potential. Vikalpa, 38(4), 1-11. http://www.vikalpa.com/pdf/articles/2013/04-Perspectives.pdf

Demchenko, Y., De Laat, C., & Membrey, P. (2014, May). Defining architecture components of

the Big Data Ecosystem. In Collaboration Technologies and Systems (CTS), 2014

International Conference on (pp. 104-112). IEEE. http://uazone.org/demch/papers/bddac2014-bd-

ecosystem-archi-v05.pdf

Provost, F., & Fawcett, T. (2013). Data science and its relationship to big data and data-driven

decision making. Big Data, 1(1), 51-59.

http://www.researchgate.net/profile/Tom_Fawcett/publication/256439081_Data_Science_and_its_relationship

_to_Big_Data_and_data-driven_decision_making/links/02e7e5228cce561fd4000000.pdf

O’Neil, C, & Schutt R. (2013). Doing Data Science: Straight Talk from the Frontline. O'Reilly

Media, Inc. (Capitolul 1) http://cdn.oreillystatic.com/oreilly/booksamplers/9781449358655_sampler.pdf

Davenport, T. H., & Patil, D., J. (2012, October). Data scientist: The sexiest job of the 21st

century. Harvard Business Review. https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-

century/

Hashem, I. A. T., Yaqoob, I., Anuar, N. B., Mokhtar, S., Gani, A., & Khan, S. U. (2015). The rise

of “big data” on cloud computing: review and open research issues. Information Systems,

47, 98-115. http://umexpert.um.edu.my/file/publication/00001293_117865.pdf

Sullivan, J., Escaravage, J., & Guerra, P. (2014). The Cloud Analytics Reference Architecture:

Harnessing Big Data to Solve Complex Problems. Booz Allen Hamilton White paper.

McLean, VA, USA. http://www.boozallen.com/media/file/the-cloud-analytics-reference-architecture-

vp.pdf

http://www.researchgate.net/profile/Thorhildur_Jetzek/publication/259501249_Generating_Value_from_Open_Government_Data/links/0046352c535fb81d99000000.pdf

http://www.researchgate.net/profile/Thorhildur_Jetzek/publication/259501249_Generating_Value_from_Open_Government_Data/links/0046352c535fb81d99000000.pdf

http://www.researchgate.net/profile/Thorhildur_Jetzek/publication/260930555_Generating_Sustainable_Value_from_Open_Data_in_a_Sharing_Society/links/0deec539983ac5a598000000.pdf

http://www.researchgate.net/profile/Thorhildur_Jetzek/publication/260930555_Generating_Sustainable_Value_from_Open_Data_in_a_Sharing_Society/links/0deec539983ac5a598000000.pdf

http://www.worldbank.org/content/dam/Worldbank/document/Open-Data-for-Economic-Growth.pdf

http://www.sciencedirect.com/science/article/pii/S2214579615000027

http://ac.els-cdn.com/S0268401214001066/1-s2.0-S0268401214001066-main.pdf?_tid=f28bfe04-7bc1-11e5-a2a4-00000aacb35e&acdnat=1445851043_78a530da1a1bc187fa3c2f31bf7ffa5e



http://www.vikalpa.com/pdf/articles/2013/04-Perspectives.pdf

http://uazone.org/demch/papers/bddac2014-bd-ecosystem-archi-v05.pdf

http://uazone.org/demch/papers/bddac2014-bd-ecosystem-archi-v05.pdf

http://www.researchgate.net/profile/Tom_Fawcett/publication/256439081_Data_Science_and_its_relationship_to_Big_Data_and_data-driven_decision_making/links/02e7e5228cce561fd4000000.pdf

http://www.researchgate.net/profile/Tom_Fawcett/publication/256439081_Data_Science_and_its_relationship_to_Big_Data_and_data-driven_decision_making/links/02e7e5228cce561fd4000000.pdf

http://cdn.oreillystatic.com/oreilly/booksamplers/9781449358655_sampler.pdf

https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century/

https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century/

http://umexpert.um.edu.my/file/publication/00001293_117865.pdf

http://www.boozallen.com/media/file/the-cloud-analytics-reference-architecture-vp.pdf

http://www.boozallen.com/media/file/the-cloud-analytics-reference-architecture-vp.pdf



Brynjolfsson, E., Hitt, L. M., & Kim, H. H. (2011). Strength in numbers: How does data-driven

decisionmaking affect firm performance?. Available at

http://papers.ssrn.com/sol3/Delivery.cfm/SSRN_ID1968725_code1376648.pdf?abstractid=1819486&mirid=1

Teradata. (2014). THE VIRTUOUS CIRCLE OF DATA Engaging employees in data and

transforming your business. Teradata White Paper.

Wladawsky-Berger, I. (2013, Sep 27). Data-Driven Decision Making: Promises and Limits.

[Web log post]. Retrieved from http://blogs.wsj.com/cio/2013/09/27/data-driven-decision-making-

promises-and-limits/

Tambe, P., Hitt, L., & Brynjolfsson, E. (2011). The Extroverted Firm: How External Information

Practices Affect Productivity. Management Science. January 2011.

http://ebusiness.mit.edu/research/papers/2011.01_Tambe_Hitt_Brynjolfsson_The%20Extroverted%20Firm_2

91.pdf

Loshin, D. (2013, February 12). Data Governance for Big Data Analytics: Considerations for

Data Policies and Processes. Data Informed. http://data-informed.com/data-governance-for-big-

data-analytics-considerations-for-data-policies-and-processes/

Soares, S. (2012, April 17). Big Data Governance: A Framework to Assess Maturity. [Web log

post]. Retrieved from http://www.ibmbigdatahub.com/blog/big-data-governance-framework-assess-

maturity.

Pentru tematica “Suport decizional bazat pe soluţii de Inteligenţa Afacerilor”

Bartlett, R., (2013), A Practitioner’s Guide to Business Analytics: Using Data Analysis Tools to

Improve Your Organization’s Decision Making and Strategy. McGraw-Hill. ISBN 978-

0071807593.

Burstein, F., Holsapple, C. (Eds.). 2008. Handbook on Decision Support Systems 1 - Basic

Themes. Springer Verlag, ISBN 978-3-540-48713-5.

Business Objects, (2007), About Business Intelligence, http://www.businessobjects.com/

businessintelligence/default.asp?intcmp=ip_company2

Chen, H., Chiang, R. H., & Storey, V. C. (2012). Business Intelligence and Analytics: From Big

Data to Big Impact. MIS quarterly, 36(4), 1165-1188.

Cognos (2007), Cognos 8 Business Intelligence: What Is Business Intelligence?, Cognos

Corporation, http://www.cognos.com/products/.

Davenport, H.T. (2006). Competing on Analytics, Harvard Business Review, 2-11.

Davenport, H. T., &Dyche, J. (2013). Big Data in Big Companies. Retrieved January 5, 2015 from

http://www.sas.com/ resources /asset/Big-Data-in-Big-Companies.pdf.

Gartner. (2011). Gartner Says Solving 'Big Data' Challenge Involves More Than Just Managing

Volumes of Data, Retrieved January 8, 2015, from http://www.gartner.com/newsroom/id/1731916.

Grossmann, W., Rinderle-Ma, S. (2015). Fundamentals of Business Intelligence, Data-Centric

Systems and Applications, Springer-Verlag.

http://papers.ssrn.com/sol3/Delivery.cfm/SSRN_ID1968725_code1376648.pdf?abstractid=1819486&mirid=1

http://blogs.wsj.com/cio/2013/09/27/data-driven-decision-making-promises-and-limits/

http://blogs.wsj.com/cio/2013/09/27/data-driven-decision-making-promises-and-limits/

http://ebusiness.mit.edu/research/papers/2011.01_Tambe_Hitt_Brynjolfsson_The%20Extroverted%20Firm_291.pdf

http://ebusiness.mit.edu/research/papers/2011.01_Tambe_Hitt_Brynjolfsson_The%20Extroverted%20Firm_291.pdf

http://data-informed.com/data-governance-for-big-data-analytics-considerations-for-data-policies-and-processes/

http://data-informed.com/data-governance-for-big-data-analytics-considerations-for-data-policies-and-processes/

http://www.ibmbigdatahub.com/blog/big-data-governance-framework-assess-maturity

http://www.ibmbigdatahub.com/blog/big-data-governance-framework-assess-maturity



Hagen, C., Cioba, M., Wall, D., Yadav, A., Khan, H., Miller, J., & Evans, H. (2013). Big Data

and Creative Destruction of Today’s BusinessModels, Retrieved January 5, 2015 from:

https://www.atkearney.com/strategic-it/ideas-insights/article/-/asset_publisher/LCcgOeS4t85g/content/big-

data-and-the-creative-destruction-of-today-s-business-models/10192.

Dresner, H. (2007). The Performance Management Revolution: Business Results Through

Insight and Action (John Wiley & Sons, 2007.

IBM. (2012). Analytics: The real-world use of big data: How innovative enterprises extract value

from uncertain data.

Ing, S. (2007), A Strategic Approach to Intelligence, SAScom Magazine,

http://www.sas.com/news/sascom.

Manyika, J., Chui M., Brown B., Bughin, J., Dobbs, R., Roxburgh, C., Hung Byers, H. A. (2011).

Big data: The next frontier for innovation, competition, and productivity. Big data: The next

frontier for innovation, competition, and productivity. McKinsey Global Institute Report.

http://www.mckinsey.com/insights/business_technology/big_data_the_next_frontier_for_innovation.

Mayer, H.J., Quick, R., (2015). Business Intelligence for New-Generation Managers Current Avenues of Development, Springer

Moss, L., Hoberman, S. (2004). The Importance of Data Modeling as a Foundation for

Business Insight, Teradata.

Oracle (2007), Oracle Business Intelligence and Enterprise Performance Management,

http://www.oracle.com/solutions/business_intelligence/index.html.

Raisinghani, M. (2004). Business Intelligence in the Digital Economy: Opportunities, Limitations

and Risks, Idea Group Inc (IGI).

Sallam, R.L., Hostmann, B., Schlegel, K., Tapadinhas, J., Parenteau, J., Oestreich, T.W. (2015,

Feb 23). Magic Quadrant for Business Intelligence and Analytics Platforms. Gartner,

ID:G00270380. http://www.gartner.com/technology/reprints.do?id=1-2ACLP1P&ct=150220&st=sb.

SAS, (2011). The Current State of Business Analytics: Where Do We Go From Here? Retrieved

January 3, 2015 from http://www.sas.com/resources/asset/busanalyticsstudy_wp_08232011.pdf.

SAS, (2013). Assessing Your Business Analytics Initiatives: Eight Metrics That Matter. Retrieved

January 5, 2015 from http://www.enterpriseittools.com/sas/Assessing_your_business_analytics_initiatives.pdf

SAS, (2015). Data Visualization: Making Big Data Approachable and Valuable, Retrieved January

3, 2015 from www.sas.com/.../sas-datavisualization-marketpulse-106176.

Schlegel, K. (2011). Key Issues for Analytics, Business Intelligence and Performance

Management. Stamford, CT: Gartner Research.

Sircar, S. (2009). Business Intelligence in the Business Curriculum, Communications the

Association for Information Systems, 24(1), pp.289-302

Tan, H.K., Zhan, Y.Y., J, Guojun, Ye, F., & Chang, C., (2015).Harvesting Big Data to Enhance

Supply Chain Innovation Capabilities: AnAnalytic Infrastructure Based on Deduction

Graph, International Journal of Production Economics.

http://www.gartner.com/technology/reprints.do?id=1-2ACLP1P&ct=150220&st=sb

http://www.sas.com/resources/asset/busanalyticsstudy_wp_08232011.pdf

http://www.enterpriseittools.com/sas/Assessing_your_business_analytics_initiatives.pdf

http://www.sas.com/.../sas-datavisualization-marketpulse-106176



Turban, E., Aronson, J.E., Liang, T.P. et Shardo R. (2007).Decision Support and Business

Inteligence Systems, Eight Edition, Pearson Prentice Hall, New Jersey.

Turban, E., Sharda, R., & Delen D.(2011). Decision Support and Business Intelligence

Systems, Ninth Edition, Prentice Hall.

Zaman M. (2005), Business Intelligence: Its Ins and Outs, technologuevaluation.com

Watson, H. (2005). Sorting Out What’s New in Decision Support. Business Inteligence Journal

Watson, H. J. (2009). Tutorial: business intelligence–past, present, and future. Communications

of the Association for Information Systems, 25(1), 39.

Wicom, B., Ariyachandra, T., Goul, M., Gray, P., Kulkarni, U., & Phillips-Wren, G. (2011). The

Current State of Business Intelligence in Academia.Communications of the Association

for Information Systems, 29(16), 299–312.

Whitehorn, M. & Whitehorn,M. (1999).Business Intelligence: The IBM Solution

Datawarehousing and OLAP, Springer-Verlag, NY.

Pentru tematica “Timp real şi conectivitate extinsă”

Colombo, A.W., Karnouskos, S., Bangemann, T. (2014). Towards the Next Generation of

Industrial Cyber-Physical Systems. In Colombo, A., Bangemann, Th., Karnouskos, S.,

Delsing, J., Stluka, P., Harrison, R., Jammes, F., Lastra, J.L. (Eds.), Industrial Cloud-

Based Cyber-Physical Systems (pp. 1-22), Springer International Publishing.

DZone (2015). Key Research Findings. In DZone’s 2015 guide to The Internet of Things,

DZone.com/guides, pp. 3-5.

Ferreira, P., Reyes, V., Maestre, J. (2013). A Web-Based Integration Procedure for the

Development of Reconfigurable Robotic Work-Cells. International Journal of Advanced

Robotic Systems, Jan. 2013.

Greenfield, D. (2011). Manufacturing and the Internet of Things. AutomationWorld Magazine,

Oct. 2011.

Huawei (2015). Global Connectivity Index 2015 - Building a better connected world.

Benchmarking Digital Economy Transformation.

Kagermann, H., Wahlster, W., Helbig, J. (2013). Securing the future of German manufacturing

industry. Recommendations for implementing the strategic initiative INDUSTRY 4.0. Final

report of the Industry 4.0 Working Group, April 2013.

LeHong, H., Velosa, A. (2014, July 24). Hype Cycle for the Internet of Things. Garther Group,

ID:G00264127. http://www.gartner.com/technology/reprints.do?id=1-27LJLAK&ct=150119&st=sb.

Lydon, B. (2013). Automation and Control Trends in 2013. http://www.automation.com.

Lydon, B. (2014). Internet of Things - Industrial automation industry exploring and implementing

IoT. InTech Magazine, Mar-Apr. 2014.

http://www.gartner.com/technology/reprints.do?id=1-27LJLAK&ct=150119&st=sb

http://www.automation.com/



Manyika, J., Chui, M., Bisson, P., Woetzel, J., Dobbs, R., Bughin, J., Aharon, D. (2015). The

Internet of Things: Mapping the Value Beyond the Hype. McKinsey Global Institute, June

2015.

McClellan, C. (2015). The Internet of Things and big data: Unlocking the power. Executive’s

guide to IoT and big data, TechRepublic and ZDNet, CBS Interactive Inc.

Pettey, C. (2011). Gartner Identifies the Top 10 Strategic Technologies for 2012. Oct. 2011.

http://www.bussinesswire.com.

Vermesan, O., Friess, P. (Eds.) (2014). Internet of Things – From Research and Innovation to

Market Deployment. River Publishers, Denmark. ISBN: 978-87-93102-95-8.

Pentru tematica “Aplicaţii pentru dispozitive mobile inteligente”

Accessibility - iOS - Apple. (2015). Accessibility - iOS - Apple. Retrieved November 8, 2015,

from https://www.apple.com/accessibility/ios/.

App - word of the year. (2010). App - word of the year. Retrieved November 8, 2015, from

http://www.americandialect.org/app-voted-2010-word-of-the-year-by-the-american-dialect-society-updated.

Azoff, M. (2015, Feb. 15). Ovum Decision Matrix: Selecting a Mobile App Development

Platform Solution, 2015–16. OVUM, IT0022-000223.

Bareiss, R., & Sedano, T. (2011). Improving mobile application development. In 2nd Annual

Workshop on Software Engineering for Mobile Application Development, MobiCASE (Vol.

11, pp. 7-10).

Berking, P., Haag, J., & Archibald, T. (2012). Mobile learning: Not just another delivery method.

Presented at the Interservice Industry Training, Simulation, and Education Conference

IITSEC.

Biegel, G., & Cahill, V. (2004). A Framework for Developing Mobile, Context-aware

Applications. PerCom, 361–365. http://doi.org/10.1109/PERCOM.2004.1276875

Bock, G. (2015). Mobility in 2015: The Essential Mobility Guidebook - Ten New Rules for

Mobile Strategy and Success. Kony, Inc.

Böhmer, M., Hecht, B., Schöning, J., Krüger, A., & Bauer, G. (2011). Falling asleep with Angry

Birds, Facebook and Kindle: a large scale study on mobile application usage. The 13th

International Conference (pp. 47–56). New York, USA: ACM.

http://doi.org/10.1145/2037373.2037383

Braunstein, M. L. (2012). Health informatics in the cloud.

Buthpitiya, S., Luqman, F. B., Griss, M. L., Xing, B., & Dey, A. K. (2012). Hermes - A Context-

Aware Application Development Framework and Toolkit for the Mobile Environment.

AINA Workshops, 663–670. http://doi.org/10.1109/WAINA.2012.43

Carbon, R., & Hess, S. (2011). Mobile Business Applications must be thoroughly engineered!

(Vol. 11, pp. 14–16). Presented at the 2nd Annual Workshop on Software Engineering for

Mobile Application Development, MobiCASE.

http://www.bussinesswire.com/

https://www.apple.com/accessibility/ios/

http://www.americandialect.org/app-voted-2010-word-of-the-year-by-the-american-dialect-society-updated



Charland, A., & LeRoux, B. (2011). Mobile Application Development: Web vs. Native. ACM

Queue, 9(4), 20. http://doi.org/10.1145/1966989.1968203

Cheng, M.-C., & Yuan, S.-M. (2007). An adaptive and unified mobile application development

framework for Java. Journal of Information Science and Engineering, 23(5), 1391–1405.

Consolvo, S., McDonald, D. W., Toscos, T., Chen, M. Y., Froehlich, J., Harrison, B., et al.

(2008). Activity sensing in the wild: a field trial of ubifit garden. Proceeding of the twenty-

sixth annual CHI conference (pp. 1797–1806). New York, New York, USA: ACM.

http://doi.org/10.1145/1357054.1357335

Dehlinger, J., & Dixon, J. (2011). Mobile application software engineering: Challenges and

research directions. Workshop on Mobile Software Engineering.

Djenouri, D., Khelladi, L., & Badache, N. (2005). A survey of security issues in mobile ad hoc

networks. IEEE Communications Surveys.

Doolittle, J., Moohan, I., Simpson, J., & Soanes, I. (2012). Building a mobile application

development framework. Intel Whitepaper.

Dutta, P., Aoki, P. M., Kumar, N., Mainwaring, A., Myers, C., Willett, W., & Woodruff, A. (2009).

Common Sense: participatory urban sensing using a network of handheld air quality

monitors. The 7th ACM Conference (pp. 349–350). New York, New York, USA: ACM.

http://doi.org/10.1145/1644038.1644095.

Gartner (2013). Mobile apps revenues tipped to reach $26bn in 2013. Retrieved November 8,

2015, from http://www.theguardian.com/technology/appsblog/2013/sep/19/gartner-mobile-apps-revenues-

report.

Gartner (2015, July 23). Magic Quadrant for Mobile Application Development Platforms.

Gartner Group Report, ID:G00270267.

Google now (2015). Google now. Retrieved November 11, 2015, from

https://www.google.com/landing/now/.

Gruenerbl, A., Osmani, V., Bahle, G., Carrasco, J. C., Oehler, S., Mayora, O., et al. (2014).

Using smart phone mobility traces for the diagnosis of depressive and manic episodes in

bipolar patients. The 5th Augmented Human International Conference (pp. 38–48). New

York, New York, USA: ACM. http://doi.org/10.1145/2582051.2582089

Ha, K., Pillai, P., Lewis, G., Simanta, S., Clinch, S., Davies, N., & Satyanarayanan, M. (2013).

The Impact of Mobile Multimedia Applications on Data Center Consolidation. 2013 IEEE

International Conference on Cloud Engineering (IC2E) (pp. 166–176). IEEE.

http://doi.org/10.1109/IC2E.2013.17

HealthKit Framework Reference. (2015). HealthKit Framework Reference. Retrieved November

8, 2015, from

https://developer.apple.com/library/ios/documentation/HealthKit/Reference/HealthKit_Framework/index.html#/

/apple_ref/doc/uid/TP40014707.

Huang, D. (2011). Mobile cloud computing. IEEE COMSOC Multimedia Communications

Technical Committee (MMTC) E-Letter, 6(10), 27–31.

http://www.theguardian.com/technology/appsblog/2013/sep/19/gartner-mobile-apps-revenues-report

http://www.theguardian.com/technology/appsblog/2013/sep/19/gartner-mobile-apps-revenues-report

https://www.google.com/landing/now/

https://developer.apple.com/library/ios/documentation/HealthKit/Reference/HealthKit_Framework/index.html#//apple_ref/doc/uid/TP40014707

https://developer.apple.com/library/ios/documentation/HealthKit/Reference/HealthKit_Framework/index.html#//apple_ref/doc/uid/TP40014707



Hull, B., Bychkovsky, V., Zhang, Y., Chen, K., Goraczko, M., Miu, A., et al. (2006). CarTel: a

distributed mobile sensor computing system. The 4th international conference (pp. 125–

138). New York, USA: ACM. http://doi.org/10.1145/1182807.1182821.

INSO-9-2015. (2014). INSO-9-2015. Retrieved November 8, 2015, from

http://ec.europa.eu/research/participants/portal/desktop/en/opportunities/h2020/topics/603-inso-9-2015.html.

iOS. (2015). iOS. Retrieved November 8, 2015, from https://en.wikipedia.org/wiki/IOS

Katz, J. E. (1997). The social side of information networking. Society.

Khan, A. N., Mat Kiah, M. L., Khan, S. U., & Madani, S. A. (2013). Towards secure mobile

cloud computing: A survey. Future Generation Computer Systems, 29(5), 1278–1299.

http://doi.org/10.1016/j.future.2012.08.003

Khan, A. R., Othman, M., Madani, S. A., & Khan, S. U. (2014). A Survey of Mobile Cloud

Computing Application Models. Communications Surveys & Tutorials, IEEE, 16(1), 393–

413. http://doi.org/10.1109/SURV.2013.062613.00160

Klasnja, P., Consolvo, S., McDonald, D. W., Landay, J. A., & Pratt, W. (2009). Using mobile &

personal sensing technologies to support health behavior change in everyday life:

lessons learned. Annual Symposium Proceedings / AMIA Symposium, 2009, 338–342.

Kumar, K., & Lu, Y.-H. (2010). Cloud Computing for Mobile Users: Can Offloading Computation

Save Energy? Computer, 43(4), 51–56. http://doi.org/10.1109/MC.2010.98

Lane, N. D., Miluzzo, E., Lu, H., Peebles, D., Choudhury, T., & Campbell, A. T. (2010). A

survey of mobile phone sensing. Communications Magazine, IEEE, 48(9), 140–150.

http://doi.org/10.1109/MCOM.2010.5560598

Lima, M. N., Santos, A. L. D., & Pujolle, G. (2009). A survey of survivability in mobile ad hoc

networks. Communications Surveys & Tutorials, IEEE, 11(1), 66–77.

http://doi.org/10.1109/SURV.2009.090106.

Ludwig, S. (2012). Study: Mobile app usage grows 35%, TV & web not so much. Retrieved

November 8, 2015, from http://venturebeat.com/2012/12/05/mobile-app-usage-tv-web-

2012/.

Mathur, S., Jin, T., Kasturirangan, N., Chandrasekaran, J., Xue, W., Gruteser, M., & Trappe, W.

(2010). ParkNet: drive-by sensing of road-side parking statistics. The 8th international

conference (pp. 123–136). New York, New York, USA: ACM.

http://doi.org/10.1145/1814433.1814448

Meingast, M., Roosta, T., & Sastry, S. (2006). Security and Privacy Issues with Health Care

Information Technology. 2006 International Conference of the IEEE Engineering in

Medicine and Biology Society, 5453–5458. http://doi.org/10.1109/IEMBS.2006.260060.

Mendix (2014). Important Rules that Make or Break the Successful Development and

Deployment of Enterprise Applications. The Executive’s Guide to the New Enterprise App

World, no 10, Mendix Inc.

Miluzzo, E., Lane, N. D., Fodor, K., Peterson, R., Lu, H., Musolesi, M., et al. (2008). Sensing

meets mobile social networks: the design, implementation and evaluation of the CenceMe

http://ec.europa.eu/research/participants/portal/desktop/en/opportunities/h2020/topics/603-inso-9-2015.html



application. The 6th ACM conference (pp. 337–350New York, USA: ACM.

http://doi.org/10.1145/1460412.1460445.

MindMeld (2013). MindMeld. Retrieved November 11, 2015, from http://www.expectlabs.com/

Mobile app. (2015). Mobile app. Retrieved November 8, 2015, from

https://en.wikipedia.org/wiki/Mobile_app

Morris, M. E., Kathawala, Q., Leen, T. K., Gorenstein, E. E., Guilak, F., Labhard, M., &

Deleeuw, W. (2010). Mobile Therapy: Case Study Evaluations of a Cell Phone

Application for Emotional Self-Awareness. Journal of Medical Internet Research, 12(2),

e10. http://doi.org/10.2196/jmir.1371

Mun, M., Reddy, S., Shilton, K., Yau, N., Burke, J., Estrin, D., et al. (2009). PEIR, the personal

environmental impact report, as a platform for participatory sensing systems research.

The 7th international conference (pp. 55–68). New York, USA: ACM.

http://doi.org/10.1145/1555816.1555823

Murray, P. (2009). Enterprise grade cloud computing. The Third Workshop (pp. 1–1). New

York, USA: ACM. http://doi.org/10.1145/1518691.1518692.

Quantified Self (2015). Quantified Self. Retrieved November 8, 2015, from

https://en.wikipedia.org/wiki/Quantified_Self.

Perez, S. (2012). comScore: In U.S. Mobile Market, Samsung, Android Top The Charts; Apps

Overtake Web Browsing. Retrieved November 8, 2015, from

http://social.techcrunch.com/2012/07/02/comscore-in-u-s-mobile-market-samsung-android-top-the-charts-

apps-overtake-web-browsing/.

Rahimi, M. R., Ren, J., Liu, C. H., Vasilakos, A. V., & Venkatasubramanian, N. (2014). Mobile

Cloud Computing: A Survey, State of Art and Future Directions. Mobile Networks and

Applications, 19(2), 133–143. http://doi.org/10.1007/s11036-013-0477-4

Rosa, P. M. P., Dias, J. A., Lopes, I. C., Rodrigues, J. J. P. C., & Lin, K. (2012). An ubiquitous

mobile multimedia system for events agenda (pp. 2103–2107). Presented at the 2012

IEEE Wireless Communications and Networking Conference (WCNC), IEEE.

http://doi.org/10.1109/WCNC.2012.6214139

Rosen, R. (2012a). Anticipatory Systems. In Anticipatory Systems (Vol. 1, pp. 313–370). New

York, NY: Springer New York. http://doi.org/10.1007/978-1-4614-1269-4_6

Rosen, R. (2012b). Anticipatory Systems (Vol. 1). New York, NY: Springer New York.

http://doi.org/10.1007/978-1-4614-1269-4.

Sansour, R. N., Kafri, N., & Sabha, M. N. (2014). A survey on mobile multimedia application

development frameworks (pp. 967–972). Presented at the 2014 International Conference

on Multimedia Computing and Systems (ICMCS), IEEE.

http://doi.org/10.1109/ICMCS.2014.6911207

Saylor, M. (2013). The mobile wave: how mobile intelligence will change everything.

Siegler, M. G. (2008). Analyst: There’s a great future in iPhone apps. Retrieved November 8,

2015, from http://venturebeat.com/2008/06/11/analyst-theres-a-great-future-in-iphone-apps/.

http://doi.org/10.1145/1518691.1518692

https://en.wikipedia.org/wiki/Quantified_Self

http://social.techcrunch.com/2012/07/02/comscore-in-u-s-mobile-market-samsung-android-top-the-charts-apps-overtake-web-browsing/

http://social.techcrunch.com/2012/07/02/comscore-in-u-s-mobile-market-samsung-android-top-the-charts-apps-overtake-web-browsing/

http://venturebeat.com/2008/06/11/analyst-theres-a-great-future-in-iphone-apps/



Steele, C., R. Sheldon, M. Kosht (2015). To Build or to Buy? - That is the Mobile App Question.

TechTarget Inc.

Systems, S. (2011). Framework Selection For Mobile Enterprise Applications.

Thiagarajan, A., Ravindranath, L., LaCurts, K., Madden, S., Balakrishnan, H., Toledo, S., &

Eriksson, J. (2009). VTrack: accurate, energy-aware road traffic delay estimation using

mobile phones. The 7th ACM Conference (pp. 85–98). New York, USA: ACM.

http://doi.org/10.1145/1644038.1644048

Union, I. T. (2012). Measuring the Information Society.

Van Wissen, B., Palmer, N., & Kemp, R. (2010). ContextDroid: an expression-based context

framework for Android. Presented in the Proceedings of PhoneSense.

Visionmobile. (2013). The European App Economy 2013 - VisionMobile.

Wang, Song, & Wang, X. S. (2010). In-Device Spatial Cloaking for Mobile User Privacy

Assisted by the Cloud. 2010 Eleventh International Conference on Mobile Data

Management (pp. 381–386). IEEE. http://doi.org/10.1109/MDM.2010.82

Wasserman, A. I. (2010). Software engineering issues for mobile application development.

FoSER, 397–400. http://doi.org/10.1145/1882362.1882443

World Health Organization, & Habitat, U. N. (2010). Hidden Cities: unmasking and overcoming

health inequities in urban settings. Geneva-Kobe.

Yang, X., Pan, T., & Shen, J. (2010). On 3G mobile E-commerce platform based on Cloud

Computing. 2010 3rd IEEE International Conference on Ubi-Media Computing (U-Media

2010) (pp. 198–201). IEEE. http://doi.org/10.1109/UMEDIA.2010.5544470

Yardley, L. (2013). Uptake And Usage Of Digital Self-Management Interventions: Triangulating

Mixed Methods Studies Of A Weight Management Intervention. Medicine 2.0 Conference.

Yetisen, A. K., Martinez-Hurtado, J. L., da Cruz Vasconcellos, F., Simsekler, M. C. E., Akram,

M. S., & Lowe, C. R. (2014). The regulation of mobile medical applications. Lab on a

Chip, 14(5), 833–840. http://doi.org/10.1039/c3lc51235e

Zhu, Y., Hu, H., Ahn, G.-J., Huang, D., & Wang, S. (2012). Towards temporal access control in

cloud computing. IEEE INFOCOM 2012 - IEEE Conference on Computer

Communications, 2576–2580. http://doi.org/10.1109/INFCOM.2012.6195656

Documents

Programul “AGENDA DIGITALĂ pentru ROMÂNIA” · 2.1.1. Strategia Nationala privind Agenda Digitala pentru România 2020 Documentul defineşte următoarele patru domenii de acţiune: