Download - SPI - Skripta Za Usmeni
-
Neboja Tamindid, 2012.
1 SPI skripta za usmeni ispit
1. Poslovna inteligencija i strategijsko upravljanje
Pod strategijom se podrazumeva plan koji integrie ciljeve organizacije, politike i nizove akcija u
jednu celinu. Osnovne komponente strategije su najvaniji ciljevi organizacije i najznaajnije
politike. Glavni ciljevi nazivaju se strategijskim ciljevima. Vrste strategija : 1) Korporativne
strategije uspostavljaju se na najviem nivou organizacije i imaju dugoroan vremenski
horizont. Korporativne strategije su : a) Strategija stabilnog rasta primenjuje se kada je
organizacija zadovoljna postignudima i odluuje da sledi iste ili sline ciljeve. Organizavija
nastavlja da istim proizvodima i uslugama slui iste potroae. b) Strategija rasta organizacije
imaju bri rast od trita na kojima se njihovi proizvodi prodaju. Regularno razvijaju nove
proizvode i usluge. c) Strategija okonavanja koriste organizacije koje se suoavaju sa padom
tranje za proizvodom ili uslugom. d) Strategije skradivanja koriste se tokom recesija i u
vremenu kad organizacija ima slab finansijski uinak. e) Kombinacije strategija neki tipovi
strategija su podloni kombinovanju sa drugim strategijama. Kombinacijama strategija se koristi
vedina organizacija koje opsluuju nekoliko trita. 2) Strategije poslovnih jedinica su usmerene
na pitanje kako se nadmetati sa konkurentima u datom poslu. Pod stratekim poslovnim
jedinicama se podrazumeva jedinica organizacije koja prodaje distinktni skup proizvoda i/ili
usluga jasno definisanoj grupi potroaa, u nadmetanju sa jasno odreenom konkurencijom.
Postoje 3 strategije poslovnih jedinica : strategija liderstva u najniim trokovima, strategija
diferencijacije i strategija fokusiranja. 3) Funkcionalne i operativne strategije su usresreene
na aktivnosti razliitih funkcionalnih oblasti (marketing, proizvodnja, finansije...). Funkiconalne
strategije su kratkoronije od korporativnih strategija i strategija poslovnih jedinica i obino su
odreene na period do jedne godine. Unutar funkcionalnih strategija su operativne strategije,
strategije operativnih jedinica unutar funkcionalnih oblasti. 4) Globalne strategije se tiu
internacionalne konkurencije, a) viedomicilnih industrija, b) globalnih industrija. U sluaju
viedomicilnih industrija, industrija je prisutna u mnogim zemljama, ali se suparnitvo odvija u
svakoj zemlji ponaosob. U sluaju globalne industrije suparnitvo u raznim zemljama je
meusobno povezano, pa firma mora da razvije integrisane strategije, koje istovremeno
ukljuuju sve zemlje. Proces strategijskog upravljanja sadri 2 faze : 1) faza formulisanja
strategije organizacije, 2) faza sprovoenja strategije organizacije. Formulisanje strategije : 1)
Obavljanje untranje analize organizacije i njene interakcije sa okruenjem, 2) Analiziranje,
opisivanje, ocenjivanje i predvianje promena organizacije (na osnovu rezultata analize, potrebno
je identifikovati najznaajnije modi i najznaajnije slabosti organizacije), 3) Postavljanje
strategijskih ciljeva (sa vremenskim horizontom od 5 godina), 4) Identifikovanje, ocenjivanje i
odabiranje odgovarajudih strategijskih alterntiva. Sprovoenje izabrane strategije : 1) Priprema i
upravljanje sprovoenjem strategije, 2) Akcije, 3) Kontrolisanje u strategijskom upravljanju (3 su
osnovna vida kontrole : kontrola pre preduzimanja planiranih aktivnost, kontrola u toku
planiranih aktivnosti i kontrola posle obavljanja planiranih aktivnosti).
-
Neboja Tamindid, 2012.
2 SPI skripta za usmeni ispit
2. Opti koncept BSC
BSC metodologija olakava implementaciju strategije tako to omogudava prevoenje vizije
strategije i ciljeva u merljive ciljeve i sistem mera performanse, ime doprinosi povezivanju
dugoronih strategijskih ciljeva s kratkoronim akcijma. Postizanje distalnih strategijskih ciljeva
na najviem hijerarhskom nivou podrazumeva postizanje ciljeva na prethiodnim, niim,
hijerarhijskim nivoima. Svakoj funkcionalnoj jedinici, svakome timu i svakome pojedincu se
pripisuju uloge i zadaci, usmereni ka postizanju distalnih strategijskih ciljeva. Strategijski ciljevi se
preslikavaju u skup kljunih indikatora performanse, koji se potom prate. Prilikom identifikovanja
kljunih indikatora, u obzir se uzima i finansijska i nefinansijska perspektiva. Strategijski ciljevi su
grupisani i mereni iz 4 perspektive : finansijske perspektive, perspektive interesnih grupa,
perspektive znaajnih internih procesa, perspektive uenja inovacija i razvoja. Iz perspektive
interesnih grupa, orgizacija se posmatra kroz oekivanja i zadovoljstvo tih interesnih grupa
posebno kupaca. Iz interne perspekive, posmatranje je usresreeno na unutranje procese
organizacije. Iz perspektive uenja i razvoja, panja je usresreena na osoblje i infrastrukturu
organizacije. Finansijska perspektiva se tie konanih rezulta poslovanja. Mnoge organizacije,
zbog tenje za finansijskim uspehom, zanemaruju razvoj. Na kratke staze, ta smanjenja trokova
uzrokuju povedanje profita, ali de ugroziti njenu sposobnost da stvori bududu novu ekonomsku
vrednost. Organizacija de, u mnogim sluajevima, maksimizaciju kratkoronih finansijskih
rezulzata, ostvarivati loijom uslugom ili viim cenama. Ovi postupci de povedati profitabilnost na
kratke staze, ali de nedostatak lojalnosti i nezadovoljstvo kupaca prouzrokovati da organizacija
bude ranjiva i sve vie izloena napadima konkurencije. Formuliudi perspektivu kupaca,
menaderi bi morali imati ideju o ciljnim trinim segmentima, segmentima kupaca, jer osnovni
skup kupaca nije homogen, nego heterogen. Imajudi na umu te ciljne segmente, menaderi treba
da odaberu skup mera ponaanja svoje organizacije : 1) udeo na tritu, 2) zadravanje kupaca, 3)
sticanje novih kupaca, 4) zadovoljstvo novih kupaca, 5) profitabilnost kupaca. Ciljni segmenti
predstavljaju izvore prihoda za organizaciju. BSC kao opis strategije organizacije treba da
identifikuje ciljeve kupaca u svakom od ovih ciljnih segmenata. U okviru perspektive internih
poslovnih procesa menaderi treba da identifikuju procese u kojima organizacija mora da bude
izvanredno uspena. Konvencionalno merenje uinaka bilo je usresreeno na pradenje mera koje
se tiu trokova, kvaliteta i produktivnosti. Pristup stanovita BSC omogudava da zahtevi za
performansom internih procesa budu izvedeni iz oekivanja spoljanjih inilaca. Preporuljivo je
da menaderi definiu celokupni lanac vrednosti internih procesa koji ukljuuje : 1) Inovaciju u
procesu inovacije organizacija istrauje nastajude potrebe kupaca, a onda kreira proizvod ili
usluge koji de zadovoljiti te potrebe. Proces inovacije se sastoji od 2 komponente : istraivanja
trita i dizinajniranja i razvoja proizvoda / usluge. 2) Proces operacije postojedi proizvodi i
usluge se proizvode i isporuuju kupcima. Proces otpoinje prijemom porudbenice kupaca i
zavrava se isporukom proizvoda ili usluga kupcima. 3) Servis kupcu ukljuuje garanciju,
odravanje, reklamiranje proizvoda i procesuiranje pladanja. Ciljevi postavljeni u perspektivi
uenja i razvoja su infrastruktura i pokretai postizanja izvanrednih uspeha u preostalim trima
perspektivama. Da bi organizacija imala mod da postigne ambiciozne ciljeve, mora investirati u
njihovu infrastrukturu : ljude, sisteme i procedure. 4 glavne kategorije iz ove perspektive su : mod
osoblja (3 mere : zadovoljstvo, zadravanje i produktivnost zaposlenih), istraivanje i razvoj,
motivisanost, mod informacionog sistema.
-
Neboja Tamindid, 2012.
3 SPI skripta za usmeni ispit
3. BSC sistem strategijskog upravljanja: prevoenje strategije u akciju
BSC je okvir povezanih uzrono-posledinih odnosa koji moe da bude koriden u odreivanju
perspektiva, biranju ciljeva, kritinih faktora uspenosti i mera, koji de biti konzistentni sa
ciljevima i strategijom vieg nivoa. Vizija je osnova definisanja optih strategijskih ciljeva i
strategija. Vizija ciljevi i strategije se odmotavaju u celoj organizaciji, tako to se pre svega
odaberu strategijske perspektive, postavi sistem strategijskih ciljeva (mogu da budu korideni kao
vodilja u izabiranju ciljeva i mera nieg nivoa), kritinih faktora uspenosti, strategijskih mera i
postavi plan akcije. U svakom koraku BSC slui kao sredstvo komunikacije. BSC mora da se, kroz
proces komunikacije, povee sa razliitim elementima organizacije. Cilj tog procesa je
usklaivanje zaposlenih sa strategijom. Implementacija strategije otpoinje edukacijom i
ukljuivanjem ljudi koji bi trebali da je sprovedu. Postoje 3 tipina mehanizma za prevoenje
strategije BSC u lokalne ciljeve : 1) komunikacioni i edukacioni programi rasprostiranja strategija
preduslov je da svi zaposleni razumeju strategiju i zahtevano ponaanje za postizanje
strategijskih ciljeva, 2) programi postavljanja ciljeva timova i pojedinaca potrebno je da
organizacija strategijske ciljeve i mere vieg reda, prevede u ciljeve i akcije svakog ukljuenog
pojedinca i tima 3) povezivanje mera performansi sistema podsticanja i nagraivanja motivacija
se poboljava kroz sisteme podsticanja i nagraivanja. Menaderi mogu da ustaove minimalne
nivoe pragove, kroz sve strategijske mere za predstojedi period. Ako aktuelna performansa ne
dosee prag, nema ispladivanja podsticajne kompenzacije. Da bi se strategijski ciljevi ostvarili,
kljuni procesi su : planiranje, postavljanje ambicioznih meta menader treba da postavi
ambiciozne mete za mere koje svi uposleni treba da prihvate i usvoje. Mete za mere 3 do 5
godina u napred de, ako budu postignute, transformisati organizaciju., usplaivanje rasporeda
resursa i strategijskih inicijativa i budetiranje. Potrebna su 4 koraka za primenu BSC u procesu
planiranja : 1) postavljanje ambicioznih meta, 2) identifikovanje i racionalizovanje strategijskih
inicijativa kada su postavljene mete u sve 4 inicijative, menaderi mogu da procene da li su
tekude inicijative od koristi ili su potrebne nove, 3) identifikovanje kritinih sinergetskih
inicijativa, 4) povezivanje godinje alokacije resursa i budeta sa stategijom. Proces strategijskog
uenja u primeni BSC, otpoinje razjanjavanjem zajednike vizije. BSC olakava timsko uenje.
BSC treba da razvije tim koji de da prati performanse poslovanja u vidu dvostruke petlje kada
menaderi dovode u pitanje svoje pretpostavke i teoriju koja lei u osnovi strategije. Informacija
o tome da li je strategija sprovedena onako kako je planirano je proces uenja u vidu jednostruke
petlje. Menaderima je potrebna povratna informacija, da li je ta strategija uspena, to ini
proces uenja u vidu dvostruke petrlje. Efektivni proces strategijskog uenja ima 3 bitne
komponente : 1) zajedniki strategijski okvir doputa svakom uesniku da vidi kako njegove
aktivnosti i doprinose celokupnoj strategiji, 2) proces povratnog informisanja, 3) proces timskog
reavanja problema.
-
Neboja Tamindid, 2012.
4 SPI skripta za usmeni ispit
4. BSC sistem strategijske kontrole
Pod kontrolisanjem se podrazumeva upravljaka funkcija merenja, odnosno procenjivanja
postignuda. Kontrolisanjem se stiu informacije o napredovanju sa stanovita plana, otkrivaju
mere i anticipiraju odstupanja od planova i biraju korektivne akcije. 3 su osnovna vida kontrole :
kontrola pre preduzimanja planiranih aktivnosti njom se obezbeuju neophodni uslovi za
preduzimanje akcija, kontrola u toku planiranih aktivnosti predupreuju se veda odstupanja od
cilja, kontrola posle obavljanja aktivnosti zasniva se feedback-u i podrazumeva reaktivno
ponaanje. Merenje performansi se vri da bi se ostvarene veliine uporedile sa planiranim.
Jedna od najboljih metodologija je BSC, koja najvedi znaaj pridaje pradenju kljunih indikatora
performantnosti (KIP). Indikatori dugoronih ciljeva su najede generike prirode (produktivnost
radnika, zadovoljstvo korisnika), i odlikuje ih relatvno spora promena vrednosti. Indikatori
kratkoronih ciljeva su vedinom specifini za organizaciju.
5. Poslovna inteligencija iz perspektive CRM
CRM oznaava menadment odnosa sa kupcima. To je strategija koja se koristi da bi se nauilo
vie o potrebama kupaca i njihovom ponaanju, i da bi se tako razvili jai odnosi sa njima. CRM
podravan odgovaradim softverskim reenjima je proces kojim se dobija mnotvo informacija o
kupcima, prodajama, marketingu, trinim trendovima. CRM treba da pomogne poslovanju u
stvaranju vrednosti za kupca : a) obezbeivanjem boljih usluga kupcima, b) razvijanjem efikasnijih
call centara, c) efektnijom prodajom proizvoda, d) pruanjem pomodi prodajnom osoblju da bre
zakljui poslove, e) poboljavanjem i uprodavanjem procesa marketinga i prodaje, f) otkrivanjem
novih kupaca, g) povedanjem prihoda kupaca. Dve prepreke u procesu CRM su : 1) neitegrisane
aplikacije i izolovane informacije u eCRM, 2) uvedanje koliina informacija tokom vremena
oteava i usporava traganje. eCRM softversko reenje podraava 3 klase : 1) analitiki
omogudava analizu prodaje, segmentaciju korisnika, analizu cena, analizu profitabilnosti,
predvianje prodaja, analizu korisnika. Ove funkcionalnosti se najbolje podravaju sa DW i
aplikacijama SAPM. 2) operativni usresreen je na podrku operativnih aktivnosti upravljanje
marketnikim programima, kampanjama, povoljnostima, porudbinama, cenama i usluge.
3) kolaborativni - implicira komunikacije, partnerstvo i saradnitvo, pre svega koridenjem
internet servisa. Ukljuuje E-mail, E-komerc, Fax, korisniki portal. Clickstream analiza
podrazumeva analiziranje ponaanja posetilaca Web sajta i donoenje odluka baziranim na ovim
informacijama. Treba prikupiti i uskladiti sve informacije sa Web sajta, koje ukljuuju predmete
interesovanja posetilaca, a onda analizirati podatke o kupcu.
6. Poslovna inteligencija i upravljanje znanjem
Pod upravljanjem podacima podrazumeva se proces planiranja, organizovanja, koordinisanja i
kontrolisanja resursa podataka i njihova upotreba. Tom stupnju su svojstveni multidimenzionalni
SUBP, ERP sistemi, upravljanje dokumentima, DW-ing, DM... Upravljanje informacija od
upravljanja podacima iziskuje usavravanje sistema i procedura (npr. ODS, SPI, analitike baze
podataka). Vana faza u upravljanju informacijama jeste ispitivanje informacionih zahteva.
-
Neboja Tamindid, 2012.
5 SPI skripta za usmeni ispit
Analiza informacionih zahteva se preduzima sa ciljem da se stekne odgovor na pitanje koju vrstu i
koliinu informacije korisnik trai radi uspenog obavljanja posla? U procesu upravljanja
informacijama, pored utvrivanja informacionih zahteva, su ukljuene i faze: poreenje
informacionih zahteva sa postojedom snabdevenodu informacijama, utanivanje i ocenjivanje
utvrenih informacionih zahteva, odreivanje prioriteta nezadovoljenih informacionih zahteva i
izrada izvetaja o rezultatima analiza. 2 osnovna procesa upravljanja informacijama u organizaciji
su proizvoenje informacija i integrisanje informacija. 2 osnovna procesa upravljanja znanjima u
organizaciji su proizvoenje znanja i integrisanje znanja. Proizvoenje i integrisanje informacija
ne sadri validiranje, kakvo se zahteva u sluaju znanja. Proces upravnjanja znanjem ine koraci :
1) identifikovanje potrebe za znanjem, 2) otkrivanja postojedeg znanja, 3) akvizicija znanja, 4)
kreacija novog znanja, 5) skladitenje i organizovanje znanja, 6) deljenje znanja, 7) koridenje i
primena znanja. 3 pristupa upravljanja znanjem : pristup usmeren ka tehnologiji, pristup usmeren
ka ljudima i sintetiki pristup. Za razliku od prve generacije upravljanja znanjem, koja je
prevashodno bila usmerena na tehnologiju, druga generacija znatno vie ukljuuje ljude,
procese i socijalne inicijative. Umesto da, kao to to ine pripadnici i zastupnici prve generacije
upravljanja znanjem, smatraju da vredno znanje ved postoji, pripadnici druge generacije
upravljanja znanjem podrazumevaju da je znanje neto to se proizvodi u ljudskim socijalnim
sistemima. 4 su izazova u implementaciji upravljanja znanjem: a) znanje je esto uvano i nije
deljeno, b) vredno znanje koje su razvili drugi, esto se zanemaruje, c) znanje i ekspertiza esto
nisu cenjeni u kulturi organizacije, d) osobe koje dele znanje i ekspertnost se esto smatraju
naivnim. Faze praktinog uvoenja funkcija sistema upravljanja znanjem : a) uvoenje osnovnih
funkcionalnosti povezanih s upravljanjem znanjem, b) uvoenje integrativnih sistema upravljanja
znanjem, c) uvoenje interaktivnih sistema upravljanja znanjem, d) uvoenje premodujudih
sistema upravljanja znanjem. U projektovanju budude generacije sistema upravljanja znanjem,
treba izabrati holistiki pristup. Tehnologija poslovne inteligencije i tehnologije upravljanja
znanjem su skladno i nerazdvojno povezani, a tako objedinjenu tehnologiju nazivaju BIKM
(business intellgence knowledge management). U sistemu poslovne inteligencije, podaci se
pomodu aplikacija poslovne inteligencije preobraavaju u informacije. Informacije se potom
primenom ekspertize postojedih znanja na te informacije, preobraavaju u znanje. Upravljanje
znanjima objedinjuje tehnologije portala, urpavljanja sadrajem, kolaboracije i poslovne
inteligencije u jedinstven okvir. Poslovna inteligencija ima vrlo znaajnu, centralnu ulogu u
upravljanju znanjima.
7. Znaenje izraza data mining
Eksplozivni rast koliine podataka i eksplozivni rast broja baza podataka, prevazilazi modi oveka da
tradicionalnim sredstvima obrauje i analizira tako velike koliine i naslage podataka, to je proizvelo
potrebu za novim, drugaijim tehnikama i sredstvima automatske analize podataka u raspoloivim
bazama podataka. Neki od mogudih razolga su to raspoloiva glavna memorija moe biti nedovoljna
za datu koliinu podataka, podaci mogu da budu u bazi na nekom udaljenom serveru, skup podataka
moe da bude smeten u vie tabela... U meuvremenu su razvijene procedure automatizovane
analize podataka kojima se otkrivaju skriveni sloajevi u velikim skupovima podataka. Proces kojim se
to postie, oznaen je izrazom Data Mining rudarenje podataka. Izraz Data Mining se esto
upotrebljava da oznai automatizovani analitiki proces, oblikovan za efektivnu i efikasnu
-
Neboja Tamindid, 2012.
6 SPI skripta za usmeni ispit
eksploraciju u velikim zbirkama podataka, s ciljem otktrivanja i crpljenja skrivenih informacija, koje
se tiu dotle nepoznatih sloajeva, injenica i relacija. Data mining se koristi algoritmima. Prema
takvom shvatanju, Data Mining i otkrivanje znanja u velikim bazama podataka su poistovedeni i
predstavljaju automatizovani proces koji proizvodi znanje bez ukljuivanja saznavaoca u taj proces.
Prema drugaijim shvatanjima, Data Mining je samo jedna faza u procesu otkrivanja znanja u velikim
bazama podataka. Proces ukljuuje nekojiko faza i po svojoj prirodi je interaktivan i iterativan, pri
emu je ovek-korisnik duboko ukljuen u svaku od tih faza. Ovo shvatanje podrazumeva da se
posredstvom Data Mininga mogu otkriti samo hipoteze o sloajevima i odnosima. Ti sloajevi i odnosi
su predmet interpretacija i evaluacija pre nego to (eventualno) budu proglaeni znanjima. U ovako
shvadenom procesu Data Mininga, algoritmi imaju bitnu ulogu u sloenim iterativnim interakcijama
izmeu oveka i baze podataka. Data mining je proces odabiranja, eksploracije i modelovanja velikih
koliiina podataka, radi otkrivanja prethodno nepoznatih sloajeva za unaprenje poslovanja. Data
Mining se koristi tehnikama i algoritmima iz oblasti statistike, vetake inteligencije i drugih oblasti.
8. Funkcije Data Mining
Data mining slui slededim osnovnim svrhama :
1) Klasifikovanju ispitivanju svojstva entiteta i njihovom razvrstavanju u unapred
odreene klase
2) Klasterizovanju segmentiranju heterogenog skupa entiteta u homogene podgrupe,
klastere
3) Ocenjivanju predvianju nepoznatih vrednosti kontinuiranih varijabli
4) Detekciji promena i odstupanja otkrivanju najznaajnijih promena u podacima od
prethodno izmerenih ili normativnih vrednosti
5) Otkrivanju asocijacija nalaenju stavki u transakciji koje implikuju prisutnost drugih
stavki u istoj transakciji
6) Opisivanju i vizualizovanju i dr...
(Berry i Linoff) klasifikuju funkcije Data Mininga u 2 skupine : 1) usmerena analiza (zasnovana na
nadziranom uenju) : klasifikacija, ocenjivanje, predvianje i 2) neusmerena analiza (zasnovana na
nenadziranom uenju) : grupisanje, asocijaciona pravija, deskripcija i vizualizacija. 3 osnovna stuba
Data Mining : tehnike Data Mining, podaci i modelovanje.
9. Tehnike i algoritmi Data Mining1
Klasifikaciona stabla upotrebljava se za klasifikovanje, predvianje i opisivanje, a koriste se
uenjem s nadgledanjem da bi odabrala kombinaciju predikatskih varijabli s ciljem najboljeg
klasifikovanja. Da bi se odluilo kojoj klasi neki sluaj pripada, potrebno je odgovoriti na niz
pitanja, smetenih na vorovima stabla, kredudi se od korena ka vrhu stabla. Stablo raste iz vora
korena, koji se nalazi na vrhu, razgranavajudi se nanie deobom podataka na svakom nivou da bi
se formirali novi vorovi. vorovi stabla povezani su granama, a vorovi na kraju grana nazivaju
se vorovima listova. Nerazgovetna logika klasina dvovrednosna, binarna logika ima 2
1 10. pitanje je sadrano u 9. pitanju, tj. neuronske mree su takoe tehnika Data Mining koju treba opisati
-
Neboja Tamindid, 2012.
7 SPI skripta za usmeni ispit
vrednosti ili stanja, npr. istinito ili lano. U njoj vai princip neprotivrenosti i princip iskljuenja
tredeg oekuje se da neki iskaz bude istinit ili laan, a ne istiniti ili laan u odreenoj meri. No, u
sloenoj stvarnosti, promenljiva se esto ne moe opisati tim dvema vrednostima. Nerazgovetna
logika je vievrednosna logika koja nam omogudava odreivanje prelaznih vrednosti izmeu
istinito/lano, da/na, ukljueno/iskljueno. Nerazgovetna logika doputa koridenje kvalitativnih
izraza, lingvistikih varijabli. Dvovrednosna logika se oslanja na klasinu binarnu teoriju skupova,
a nerazgovetna logika na teoriju nerazgovetnih, rasplinutih skupova. Grubi skupuvi tehnika se
uspeno koristi u prepoznavanju sloajeva u velikim skupovima podataka. Koristi se uglavnom za
analizu podataka i reavanje problema kao to su redukcija podataka, otkrivanje zavisnosti meu
podacima, priblino klasifikovanje podataka... Prema standardnoj teoriji grubih skupova, objekti
koji se razmatraju su shvadeni kao skupovi vrednosti koje uzimaju njihovi prethodno izabrani
atributi. Objekti koji imaju identine skupove vrednosti za dati skup atributa smatraju se
nerazliivim. Genetiki algoritmi zasnovani su na analogiji sa zamislima teorije bioloke
evolucije, teorije o prirodnoj selekciji i genetici. Polazi od inicijalne populacije (Pi) mogudih
reenja ('organizama') datog problema ('sredine'), pri emu je skup deskriptivnih parametara
shvaden kao skup hromozoma, koji odreuju kvalitet organizma reenja postavljenog
problema. Hromozomi se ocenjuju da bi se odredilo u kojoj meri je neki organizam prilagoen
sredini tj. koliko je neko reenje dobro reenje datog problema. Odabiraju se oni skupovi
hromozoma, koji su svojstveni najboljim reenjima, proizvode se novi organizmi meanjem skupa
hromozoma roditelja (rekombinacija) i nastaje promena gena u nekim organizmima populacije
(mutacija). Tehnika najblieg suseda snana je u prepoznavanju sloajeva u velikim skupovima
podataka. Primenljiva je u reavanju novih problema na osnovu pamdenja iskuenih prethodnih
sluajeva. U predvianju situacije ili u donoenju odluke, tehnikom najblieg suseda se u prolosti
nalazi najblia situacija za sadanju situaciju, i odabira ista solucija, koja se pokazala uspenom u
prolosti, pa se prilagoava i predlae za novi problem.
10. Neuronske mree kao tehnika Data Mining
Pretee dananjih neuronskih mrea nastale su 1950. godine i zvale su se perceptroni. Pod naletom
kritike, 1969. Istraivanja u ovoj oblasti su zamrla. 80-ih je pokazano da se malim preinaenjima mogu
izbedi prigovori, pa su istraivanja obnovljena. 1992. neuronska mrea, kao komercijalni proizvod,
primenjena je u funkciji skenera za ekove. Neuronska mrea je model kompjutacije koji se sastoji od
mnotva prostih procesora, povezanih adaptivnim ponderima. To je nelinearan dinamiki sistem
neurona i sinapsi koji prepbraava ulazne vrednosti (inpute) u ihsode (autpute). Neuronske
mree ue na osnovu primera i na osnovu velike koliine kompleksnih podataka (esto istorijske
prirode). Proces uenja neuronskih mrea se odvija uz koridenje povratnih informacija za
podeavanje internih konekcija, to utie na ishod. Na osnovu razlike izmeu eljenog i akutelnog
ishoda (koji je mrea dala), modifikuju se konekcioni ponderi mree. Ovo modifikovanje se obavlja
automatski, pomodu algoritma uenja. Neuronska mrea je model kompjutacije zasnovan na
sposobnosti raspoznavanja sloajeva podataka. Neke od osnovnih funkcija neuronske mree su :
klasifikacija (pravljenje distinkcija izmeu stavki), klasterizacija (grupisanje slinih stavki u grupe
klastere), asocijativna memorija (povezivanje dveju ili vedeg broja stavki), modelovanje (predvianje
zasnovano na primerima) i predvianje na osnovu vremenske serije. Proces dokuivanja informacija
iz podataka posredstvom neuronskih mrea, odvija se u 3 faze: 1) pripreme podataka, 2) otkrivanje
-
Neboja Tamindid, 2012.
8 SPI skripta za usmeni ispit
informacija posredstvom algoritma dokuivanja informacija iz podataka, 3) analize rezultata
proishoda primene tog algoritma. Priprema podataka ukljuuje : 1) odabiranje podataka,
2) proidavanje podataka (proces u kojem se nedostajudi ili netani podaci zamenjuju
valjanim podacima)
3) prethodna obrada podataka (faza u kojoj se podaci kombinuju da bi se stvorile nove
vrijablje, ili podaci drugaije transformiu)
4) reprezentacija podataka (preobraavanje izvornih podataka u format prihvatljiv za
algoritam dokuivanja informacija iz podataka. Podaci mogu da budu kategorijski, diskretni
numeriki, kontinuirani numeriki, simboliki...)
Osnovni pristupi uenju neuronske mree su :
1) Uenje sa nadgledanjem neuronskoj mrei se prikazuju ulazni sloaj i eljeni izlazni
sloaj. eljeni izlazni sloaj se uporeuju sa izlaznim sloajem koga je proizvela neuronska
mrea, pa se informacije o grekama koriste za prilagoavanje pondera.
2) Uenje bez nadgledanja neuronskoj mrei se prikazuju samo ulazni podaci (bez eljenog
ishoda), pa neuronska mrea sama obrazuje klastere (segmente podataka)
3) Uenje potkrepljivanjem prikazivanje sekvence ulaznih podataka pradeno signalima koji
predstavljaju potkrepljenja.
U neuronskoj mrei tipa feedforward podaci dolaze u ulazne jedinice, teku kroz skrivene slojeve i
potom u izlazne jedinice gde se pojavljuje proishod (odgovor neuronske mree). Mrea se sastoji od 2
ili vie slojeva neuronskih procesorskih jedinica, povezanih tako da ulazni podaci teku kroz konekcije i
porocesorske jedinice u jednom smeru od ulaza ka izlazu. Ukupni ulazni signal prolazi kroz jednu
aktivacionu funkciju da bi se odredio proishod procesorske jedinice, koji biva ulaz u durgi sloj
procesorskih jedinica. Aktivaciona funkcija je funkcija koja slui da bu se izraunao izlaz jedinice.
Efekat pondera praga, zavisno od znaka pondera praga, promeni krivu levo ili desno, inedi tako
izlaznu vrednost manjom ili vedom.
Rekurentne (feedback) neuronske mree imaju topologiju u kojoj su jedinice povezane tako da ulazni
signali teku unazad i unapred izmeu neuronskih procesorskih jedinica, sve dok se neuronske mree
ne umire. Ograniene rekurentne neuronske mree imaju neke povratne konekcije koje se koriste za
obezbeivanje informacija o prethodnom stanju. Potpuno rekurentne neuronske mree imaju
dvosmerne konekcije izmeu svih procesorskih jedinica. Najede korideni model neuronskih mrea
je neurosnka mrea sa propagacijom unatrag. Neuronska mrea sa propagacijom unatrag je
feedforward neuronska mrea s mnotvom slojeva, koja se za prilagoavanje konekcionih pondera
koristi uenjem s nadgledanjem. Osnovni algoritmi propagacije unatrag, sastoji se od 3 koraka : 1)
ulazni sloajevi se prikau sloju ulaznih procesora i ire kroz mreu dok ne dou do izlaznih jedinica,
2) Aktuelni proishodi mree se oduzimaju od eljenih proiskoda i proizveden je signal o greci, 3)
greke prolaze unatrag kroz mreu, putem izraunavanja doprinosa svake skrivene procesorske
jedinice i izvoenja odgovarajudeg prilagoavanja potrebnog da proizvede ispravan ishod. Konekcioni
ponderi se tada prilagoavaju i neuronska mrea je upravo neto nauila iz iskustva. Kohonenove
mape crta su feedforward neuronske mree koje se koriste uenjem bez nadgledanja. Model
neuronske mree zasnovane na teoriji adaptivne rezonance je rekurentna mrea koja se obuava
uenjem bez nadgledanja. Izbor odgovarajudeg modela neuronske mree zavisi od : funkcije koju bi
trebalo obaviti, prorode ulaznih podataka, koliine podataka i dr... Proishodi dokuivanja informacija
su relativno lako shvatljivi korisniku. Ali, ono to neuronske mree naue nije uvek jednostavno
doznati. Pristupi doznavanju sadraja onoga to je neuronska mrea nauila su : analiza osetljivosti
(odreivanje doprinosa ili efekta koji neka ulazna promenljiva ima na ishod u datom modelu),
-
Neboja Tamindid, 2012.
9 SPI skripta za usmeni ispit
generisanje pravila neuronskom mreom i vizuelizacija. Vanija svojstva neuronskih mrea su :
uspene su u koridenju podataka sa umovima, funkcioniu veoma brzo, vreme za njihovo
obuavanje nije dugo.
11. Proces Data Mining : koraci 1-8
1. Prepoznavanje i razumevanje problemske situacije Za ovaj korak, prosuivanje oveka ima
sutinsku vanost. Na prisutnost problema organizacije ukazuje razlika izmeu onoga to organizacija
postie i onog to je naumila da postigne. Informacije o ovim razlikama, trebalo bi da obezbedi sistem
kontrole. inioci koji oteajvaju identifikovanje i analizu problema su : nevoljna obrada negativnih
informacija (informaciona predrasuda), apsorpcija neizvesnosti vremenom informacija gubi
neizvesnost, usled ega izgleda preciznija nego to jeste, izbegavanje nekih informacija, naroito
nejasnih (selektivna percepcija), stereotipi, (ograniena) koliina informacija koje ljudi mogu da
obrade istovremeno (kongitivna kompleksnost). Nuni uslov uspenog reenja problema jeste
ispravno postavljanje i formulisanje problema. U reavanju problema odluivanja, heuristici mogu
voditi predvidljivim grekama. Npr. : Ukotvljavanje i prilagoavanje Osoba pamti slian reen
problem. Koristi istu strategiju i nastoji je prilagotditi novom problemu. Ali, problem ima neke
znaajne razlike u odnosu na prethodni, usled ega je pokuaj neuspean. Reprezentativnost Osoba
procenjuje pojave saobrazno slinom skupu poznatih pojava, i bira alternative sline onima u ranijim
tekim problemima. Raspoloivost Osoba je sklona da izabere pristup koji ju je ranije vodio ka vrlo
vidnom uspehu.
2. Identifikovanje i formulisanje odgovarajudeg problema Data Mining - Problem Data Mining nije
istovetan sa problemom odluivanja. Problem Data Mining je u nedostatku informacija, saznanja,
modela za reavanje cilja problema odluivanja.
3. Postavljanje ciljeva Data Mining u poslovnom kontekstu Ciljevi Data Mining su eljena stanja na
koja su usmerene aktivnosti u Data Mining, i potrebno je da budu jasno odreeni. Potrebno je
odrediti prirodu odnosa izmeu ciljeva. Odnos izmeu ciljeva moe da bude takav da postizanje
jednog cilja ni na koji nain ne utie na postizanje drugog cilja, ali i takav da postizanje jednog cilja
zavisi od postizanja drugog cilja. Potrerbno je razlikovati uzajamno iskljuujude od uzajamno
neiskljuujudih ciljeva, osnovne i iz njih izvedene ciljeve, uporedne (mogu se postizati uporedo,
istodobno), od sekvencijelnih ciljeva (mogu se postizati samo u sledu, neposredni ciljevi posredni
ciljevi konani ciljevi). Ako se stablom ciljeva ele predstaviti kompozicioni odnosi meu ciljevima
(odnosi celine i delova), uputno je drati se ovih pravila : 1) Gravni cilj se ralanjava u hijerarhijsku
strukturu, tako da postizanje ciljeva na niem hijerarhijskom nivou, predstavlja nuan i dovoljan uslov
postizanja cilja na slededem, viem hijerarhijskom nivou. 2) Na svakom hijerarhijskom nivou,
podciljevi moraju biti meusobno nezavisni, 3) Ralanjivanje se obustavlja kada se doe do nekog
elementarnog hijerarhijskog nivoa. Cilj Data Mining moe da bude segmentacija, klasifikacija,
predvianje ili neto drugo.
4. Eksploracija i razumevanje prostora mogudih dopustivih reenja problema Pre nego to se
otpone traganje za reenjem postavljenog problema odluivanja, potrebno je odrediti kako bi
trebalo da izgleda reenje tog problema, ka i gde (u kojoj oblasti prostora mogudih reenja) bi trebalo
tragati za reenjem. Potrebno je odrediti kriterijume za ocenjivanje vrednosti reenja (informativnost,
novina, praktika primenljivost, etika vrednost).
5. Postavljanje problema i ciljeva Data Mining Potrebno je ispravno i izriito postaviti probleme
koje bi poduhvatom Data Mining trebali reiti i ciljeve koje bi tim poduhvatom trebalo postidi.
-
Neboja Tamindid, 2012.
10 SPI skripta za usmeni ispit
6. Odreivanje tipa i svrhe Data Mining Izbor odgovarajudeg tipa Data Mining je odreen
postavljenim problemom i ciljevima, odnosno funkcijama.
7. Odreivanje osnovnog skupa i/ili uzorka znaajnih podataka U mnogim sluajevima za analizu
ne uzimamo sve raspoloive podatke (osnovni skup), nego neki uzorak. Neophodno je definistanje
populacije, odabiranje odgovarajudeg naina uzorkovanja i odreivanje potrebne veliine uzorka.
Razlikujemo 2 naina uzorkovanja : 1) Verovatnosno uzorkovanje zasniva se na teoriji verovatnode
(pri svakoj etapi je poznata verovatnoda sa kojom neki lan osnovnog skupa ulazi u uzorak), 2)
Neverovatnosno uzorkovanje nije zasnovano na teoriji verovatnode. Raspoloivi uzorak se deli na 3
podskupa : 1) podskup za obuavanje algoritma i procedura Data Mining, 2) podskup za testiranje, 3)
podskup za evaluaciju performansi modela. Model ocenjen kao uspean, posle se primenjuje na
novom, nepoznatom skupu podataka.
8. Izabiranje najpodesnijih tehnika i sredstava za reavanje postavljenog problema Data Mining
Izbor je odreen u prvom redu : 1) problemom i ciljevima Data Mining, 2) pretpostavkama ispravne
primene metoda, tehnike i sredstava. Ova faza podrazumeva ocenu i uporeivanje adekvatnosti
alternativnih metoda, tehnika i sredstava za Data Mining. U zavrnom delu ove faze je potrebno
navesti izabrane metode, tehnike i sredstva, koji de se koristiti u poduhvatu Data Mining.
12. Proces Data Mining koraci 9-17
9. Odreivanje toka poduhvata Data Mining obino ukljuuje : a) identifikovanje glavnih kontrolnih
taaka projekta, b) pretpostavke o trajanju aktivnosti radi izrade vremenskog plana, c) identifikovanje
ogranienja projketa, d) identifikovanje meuzavisnosti aktivnosti u projektu, e) definisanje
vremenskog plana i budeta, f) odreivanje kriterijuma za ocenu znaajnosti odstupanja od projekta i
g) dokumentovanje vremenskog plana i budeta projekta.
10. Odreivanje sastava tima za obavljanje poduhvata Data Mining sastav tima sainjavaju znalac
u oblasti kojoj pripada problem odluivanja, znalac u oblasti IT i znalac u oblasti Data Minig.
11. Specifikovanje aktivnosti, dunosti uesnika i okvirnog vremenskog plana
12. Prikupljanje, eksploracija, razumevanje i ocenjivanje podataka 1) Prikupljanje poetnih
podataka poetni korak u prikupljanju podata je lociranje potrebnih podataka. Podaci se najede
nalaze u DW ili u martu podataka, ponekad u ODS. Ako se podaci uzimaju iz vie izvora, potrebna je
integracija podataka. 2) Opisivanje podataka odnosi se na pitanja granularnosti podataka, formata
podataka i opsega vrednosti varijabli. 3) Ekpsploracija podataka omogudava sticanje uvida u to gde
se u podacima nalaze kljuni odnosi meu varijablama i uvid u nedostatke ili netanosti podataka. 4)
Ocenjivanje kvaliteta podataka Kvalitet podataka pokazuje u kojoj meri izvor podataka podrava
potrebe za informacijama. Osnovne komponente podataka su: integritet, tanost i potpunost
podataka. 4) Pisanje saetog izvetaja o rezultazima eksploracije i ocenjivanja kvaliteta podataka,
5) Prireivanje podataka za Data Mining 5.1) Proidavanje podataka je proces u kojem se biraju
isti podskupovi podataka, unose nedostajudi podaci, a netani zamenjuju. Postoji vie pristupa u
tretiranju nedostajudih podataka, npr. iskljuivanje sluajeva (redova) s nedostajudim podacima,
zamenjivanje nedostajudih podataka interpoliranim vrednostima. Autlejer je pojedinana pojava
vrednosti neke varijable, koja je vrlo udaljena od osnovne mase vrednosti te varijable. Autlejerima se
moe pristupati kao da su valjane vrednosti, tretirati ih kao nedostajude vrednosti, zameniti ih drugim
vrednostima (min/max), preobraziti kvantitativnu vajrijablu u kvalitativnu kategorijsku... Podaci bi
trebalo da budu na odgovarajudem nivou granularnosti. 5.2) Konstruisanje novih podataka
-
Neboja Tamindid, 2012.
11 SPI skripta za usmeni ispit
podrazumeva proizvoenje izvedenih varijabli ili transformisanje vrednosti postojedih varijabli. 5.3)
Integrisanje podataka spajanje dveju ili vie tabela. 5.4) Formatiranje podataka podaci mogu da
budu : kategorijski, diskretni numeriki (mogu uzimati samo fiksirani skup vrednsoti), kontinuirani
numeriki (mogu da budu skalarni (npr. varijabla sa vrednostima 0-100 je skalirana 0.0-1.0), sa
pragovima (npr. varijabla ima domen 0-300, i elimo da vidimo koliko je vrednosti iznad 40, moemo
vrednosti 0-40 skalirati 0.0-1.0, a ostale vrednosti dobijaju vrednost 1) ili pereobraeni u diskretne)
5.5) Konana priprema skupa podataka.
14. Izgraivanje modela Model je pasivan ako ne prima inpute, ne daje proishodne, ne menja bilo
ta, a aktivni modal obavlja najmanje jednu aktivnost. Pasivni modeli izraavaju povezanosti, dok
aktivni primaju uzorak inputa i uzvradaju predvianjima oekivanih proishoda. Za izbor odgovarajude
tehnike modelovanja se obino koriste Monte Carlo metodi. Zatim se odruje nain proveravanja i
ocenjivanja modela i postavljaju parametri za izgraivanje modela.
15. Tumaenje, razumevanje i ocenjivanje modela rezultata poduhvata Data Mining Tumaenje
i zakljuivanje koje zanemaruje kako je skup podataka izabran, moe voditi pogrnom zakljuku.
Neopravdano je poistovedivanje verovatnode greke u statistikom testiranju hipoteze, s
verovatnodom greke dobijene primenom neke procedure u poduhvatu Data Mining. Umesto
uobiajenog odabira vrednosti =0,05 i =0.01, potrebno je uzeti u obzir i snagu testa i smanjiti
vrednost kada je uzorak veliki. Potrebno je imati na umu da informacije steene analizom mogu da
budu neistinite. Prilikom ocenjivanja modela, pripisuju mu se brojevi ija vrednost korespondira sa
prihvatljivodu modela. Neki od osnovnih kriterijuma su : tanost klasifikacije, jasnoda, lakoda
tumaenja, potrebno vreme i jednostavnost modela. Kombinovanje vedeg broja modela se sprovodi
sa ciljem poboljavanja pouzdanosti i tanosti predvianja/klasifikovanja. U istraivanjima je naeno
da su skupovi modela esto znazno uspeniji od ma kog svog pojedinanog lana. Takvi skupovi
modela se obino nazivaju ansamblima modela.
16. Primena modela rezultata Data Mining, pradenje i ocenjivanje efekata primene modela
sadri plan sporvoenja primene rezultata Data Mining i plan pradenja i ocenjivanja efekata primene
rezultata Data Mining.
17. Pisanje zavrnog izvetaja o celokupnom projektu Data Minig stuktura izvetaja sadri saetke
o problemskoj situaciji, problemu odluivanja, problemu Data Mining, ciljevima odluivanja i
ciljevima Data Mining, saeti pregled postavljenih kriterijuma uspenosti reenja, saeti opis toka
obavljenog poduhvata, saeti pregled rezultata steenih poduhvatom, saezi pregled ocenjivanja
rezultata, saeti izvetaj o nainu i efektima primene steenih rezulzata, optu ocenu efektivnosti i
efikasnosti poduhvata i sugestije za predstojede poduhvate Data Mining.
13. Otkrivanje znanja
Otkrivanje znanja u bazama podataka (KDD Knownedge Databases Discovery), se definie kao
netrivijalni, iterativni i interaktivni proces identifikovanja do tada nepoznatih sloajeva u podacima.
Ukljuuje 9 etapa : 1) razumevanje domena primene prethodnog znanja i ciljeva koje bi trebalo
postidi, 2) kreiranje i odabiranje ciljnog skupa podataka, 3) otklanjanje ili ispravljanje neispravnih
podataka i prethodna obrada podatka, 4) transformisanje i redukovanje podataka, 5) izbor zadataka
DM odluivanje da li je cilj KDD klasifikacija, klasterizovanje ili neto drugo, 6) izbor odgovarajudih
algoritama DM, 7) DM, 8) tumaenje i ocenjivanje otkrivenih sloajeva i 9) koridenje otkrivenih
znanja. Neophodno je da baza sa sadri to je mogude manje umova, a DW, posredstvom internih
-
Neboja Tamindid, 2012.
12 SPI skripta za usmeni ispit
mehanizama to obezbeuje. Znanja steena na ovaj nain, mogu da budu uskalditena u knowledge
warehouse integrisano, konzistentno i ka korisniku usmereno skladite informacija i znanja, lako
dostupnih korisnicima. Predstavlja osnovni sainilac strukture sistema upravljanja znanjem. Sistem
upravljanja znanjem bi trebalo da korisnika u organizaciji uputi na znalce u odreenoj oblasti.
14. Pojam, priroda i svrha DSS
Upravljaki informacioni sistemi (MIS), pomau menaderima da efektivno i efikasno upravljaju
organizacijom. Mada su oni razvijani sa svrhom da obezbeuju upravljake informacije za donoenje
odluka, ovaj cilj nisu uspeno realizovali u vedini organizacija. Pojavili su se novi, drugaiji
informacioni sistemi DSS, vie kao nadgradnja MIS. DSS su sposobni da uklone nedostatke koji su se
pojavili kod MIS. DSS je usresreen na podrku donoenja odluka u kontekstu menaderskog
pristupa otkrivanja i reavanja problema odluivanja svih nivoa. Kljuni akpekt je podizanje
sposobnosti donosioca odluke, ostavljajudi raunaru da uradi ono to radi najbolje kvantitativne
analize. Sistem omogudava pristup kvantitativnim modelima, jezicima modelovanja i analitikim
bazama podataka. Sistem mora biti jednostavan, robusan, lak za kontrolu, adaptivan, lak za
komunikaciju. DSS se moe definisati kao 1) proiriv sistem, 2) sposoban podravati ad hoc analizu
podataka i modeliranje odluka, 3) orjentisan ka bududem planiranju, 4) koristi se u iregularnim,
neplanskim intervalima. DSS sistem se sastoji iz slededih sainitelja : 1) jezikog sistema mehanizma
koji obezbeuje komunikaciju izmeu korisnika i drugih komponenti DSS, 2) sistema znanja ini ga
znanje iz problemskog domena i 3) sistema za procesiranje problema veza izmeu 2 prethodno
navedena sistema. Svaki DSS je unikatna aplikacija i ne moe se razvijati i isporuivati kao standardni
softverski paket. Ove sisteme razvijaju korisnici koji su veoma dobri poznavaoci problema odluivanja
i graditelji DSS.
Poreenje sistema podrke odluivanju (DSS) sa upravljakim informacionim sistemima (MIS), kroz
5 kljunih dimenzija
Dimenzije DSS MIS
Upotreba Aktivna Pasivna
Korisnik Menadment preduzeda Slubenici
Cilj Efikasnost Mehanika efikasnost
Vremenski horizont Sadanjost, bududnost Prolost
Osobenost Fleksibilnost Konzistentnost
16. Aktivnosti i vrste DSS
Upravljake aktivnosti se mogu svrstati u 3 kategorije : strategijsko upravljanje (postavljanje ciljeva,
izbor strategija, izrada planova, razvoj politika...), upravljaka kontrola (proces obezbeivanja da
ciljevi i strategije budu efektivno i efikasno realizovani), operativno planiranje (program
obezbeivanja da operativni planovi, programi i konkretni zadaci budu uspeno realizovani). DSS se, s
obzirom na upravljake aktivnosti koje podravaju mogu razvrstati na : DSS za strategijsko
upravljanje, DSS za upravljaku kontrolu, DSS za operativno planiranje i kontrolu. DSS za strategijsko
upravljanje bududnost de biti era velikih i radikalnih promena. 4 dolazeda i najvanija kompleksa
promena, ticade se : demografskih kretanja, promena u ekonomiji i tehnologiji, nestaice prirodne
energije, razvojnih trendova svetskog ekonomskog sistema. Strategijsko upravljanje je proces
-
Neboja Tamindid, 2012.
13 SPI skripta za usmeni ispit
postavljanja ciljeva organizacije, izbora strategije i obezbeivanja resursa za postizanje postavljenih
ciljeva. Strategijsko upravljanje je dunost najvieg rukovodstva. DSS za strategijsko upravljanje
poseduje takve funkcionalnosti koje obezbeuju sve vrste relevantnih informacija, potrebnih
vrhovnom rukovodstvu u izvrenju zadataka u domenu strategijskog upravljanja. DSS za upravljaku
kontrolu Upravljaka kontroja je proces kojim sredinji nivo menadmenta obezbeuje da se
resursi organizacije angauju i koriste efektivno i efikasno, kako bi se postigli postavljeni dugoroni i
srednjoroni ciljevi organizacije. Implementacija sistema upravljake kontrole podrazumeva 2 kljuna
zahteva : 1) identifikovanje vanih elemenata radnih procesa i naina donoenja odluka koje se
moraju inkorporirati u kontrolni sistem i 2) delegiranje upravljake odgovornosti. Ova vrsta DSS
omogudava menaderima srednjeg nivoa : a) identifikovanje i reavanje nastalih poslovnih problema,
b) otkrivanje novih problema i njihovo uspeno reavanje podrkom poslovnih i matematiko-
statistikih modela, c) komuniciranje sa radnim timovima, motvacija zaposlenih i kontrola tokova
aktivnosti. DSS za operativno planiranje i kontrolu Operativno planiranje i kontrola je proces
obezbeivanja efektivnosti i efikasnosti u izvravanju tekudih poslova i operacija. DSS obezbeuje
informacije za nie nivoe upravljanja u cilju potpomaganja operativnog planiranja i kontrole. Re je o
podrci donoenja programibilnih odluka koje su uestale i rutinske. Raunar ima vanu ulogu da
podrava izvravanje ovakvih zadataka, npr. kontrola zaliha, termiranje porudbina, analiza prodaje u
objektima... Grupni sistemi za podrku odluivanja (GDSS) proces donoenaja odluka je deljiv
proces i u njemu obino uestvuje vedi broj osoba. GDSS tipologiju sainjavaju slededi delovi : 1) Soba
za odluivanje u kojoj se analizira problem odluivanja i donosi grupna odluka, 2) Lokalna mrea za
odluivanje u njoj su umreena sva radna mesta i personalni raunari. Centralni raunar server
dri GDSS server, baze podataka i baze modela, a lokalna mrea omogudava komunikaciju. 3)
Telekonferencija koristi se u situacijama kada su lanovi grupe za odluivanje geografski veoma
udaljeni. 4) Udaljeno donoenje odluka GDSS omogudava neprekidne komunikacije izmeu
udaljenih stanica za odluivanje.
17. Arhitektura DSS
Sistemi za podrku odluivanja su sainjeni od slededa 3 glavna elementa : 1) podsistem podataka i
upravljanja podacima ukljuuje u svoju strukturu bazu podataka. Logiki aspekt ovih baza
uspostavlja se na dimenzionalnom modelovanju, a fizika implementacija je relaciona baza. Resurs
podataka je struktuiran i organizovan kao DW i podacima upravlja SUBP ; 2) podsistem modela i
upravljanja modelima softverski paketi ukljuuju modele vetake inteligencije, finansijske,
statistike, OLAP, DM i druge modele ; 3) komunikacioni (dijalog) podsistem posredstvom njega
korisnik komunicira i upravlja sa DSS. Podsistem podataka i upravljanja podacima sadri sledede
module : DSS baza podataka, SUBP, renik podataka, mogudnost upita. Podsistem podataka i
upravljanja podacima koristi 3 nivoa arhitekture : konceptualni nivo, logiki nivo i fiziki nivo.
1) Konceptualni nivo projektovanja baza podataka se reava dimenzionalnim modelovanjem. Ovim
modelima se opisuju svi podaci relevantni za neku oblast preduzeda, koji de biti u jednoj bazi
podataka. 2) Logiki nivo se odnosi na predstavljanje logike strukture baze podataka. Koriste se 2
modela podataka : entitet-odnos model i semantiki model. Sutina je identifikacija i imenovanje
entiteta, atributa koji pripadaju svakom entitetu i ukazivanje na vrstu i nazive veza izmeu entiteta.
3) Fiziki nivo arhitekture baze bodataka DW tie se fizike organizacije podataka i njihovog
smetaja na memorijske ureaje. Fiziki nivo je relaciona baza podataka, urpavljana odgovarajudim
-
Neboja Tamindid, 2012.
14 SPI skripta za usmeni ispit
SUBP. Baza podataka se kreira i njoj se pristupa i ona se aurira skupom softverskih programa SUBP,
vrednih i do 100.000$. SUBP izvrava 3 standardne funkcije : a) formiranje (skladitenje), b)
pretraivanje, c) kontrola (zatita pristupa). Renik podataka je katalog svih podataka u bazi. Sadri
definicije podataka. Renici podataka su meta podaci u DW. Sposobnost upita obezbeuje osnovu za
pristup podacima. Sposobnosti su odreene posebnim query jezicima, kao to je na primer SQL.
Podsistem modela i upravljanja modelima - sastoji se iz slededih elemenata : 1) baza modela, 2)
sistema za upravljanje bazom modela (SUBM, ili eng. MBMS), 3) renik modela, izvrenje modela,
integracija i upravljanje. Baza modela sadri subrutine, statistike, finansijske modele, modele
poslovne inteligencije i druge kvantitativne metode i tehnike koji doprinose analitikim
performansama DSS. Mogudnost manipulacije modelima je bitna karakteristika DSS, koja ga znaajno
razlikuje od tradicionalnih upravljakih informacionih sistema (MIS). MBMS je softverski sistem sa
slededim funkcijama : kreiranje modela, koridenje subrutina i izgraenih blokova modela,
generisanje novih rutina i izvetaja, auriranje i promena modela, manipulisanje podacima. Modeli u
DSS se integriu i koriste na 2 naina : 1) zaseban podsistem baze modela, povezan sa drugim
podsistemima i 2) modeli uljueni u proirivu tehnologiju baze podataka. Renik modela je katalog
svih modela u bazi modela, za definicijama, glavnim funkcijama modela i slino. Podsistem dijaloga
dijalog komponente DSS su softver i hardver koji omogudavaju korisniki interfejs sa DSS. Termin
korisniki interfejs pokriva sve aspekte komunikacija izmeu korisnika i DSS. Podsistem korisnikog
interfejsa se najede deli u 3 komponente : PC/Terminal, softver i korisnik. Proces dijaloga se deli u
slededa 3 dela : 1) jezik akcije (kako korisnik moe komuicirati sa sistemom), 2) jezik prezentacije (ono
to korisnik vidi i uje), 3) baza znanja (ukljuuje informacije koje korisnik mora posedovati ili znati.
Znanja mogu biti u korisnikovoj glavi, uputsvima ili u Help sekciji). Podsistemom dijaloga upravlja
softver koji je poznat kao softver za upravljanje i generisanje dijaloga (DGMS). Korisnici mogu biti
menaderi ili specijalisti analitiari. Prvi trae od sistema da su vie frendli, a drugi da su analitiniji i
kompleksniji.
18. Metodoloki pristup razvoju poslovne inteligencije L. Moss & S. Atre koraci 1-5
1. Definisanje potreba/ciljeva poslovanja i potrebnih solucija poslovne inteligencije u prvom
koraku, potrebno je izriito definisati poslovni problem i mogudnosti, svrhu aplikacija poslovne
inteligencije, obaviti analizu poslovanja i zashteva za informacijama, kao i sveobuhvatnu analizu
rizika. Aktivnosti2: 1 Definisanje poslovnih potreba (2a, 2b, 2c), 2a Ocenjivanje postojedih DSS
solucija, 2b Ocenjivanje operativnih izvora i procedura (3), 2c Ocenjivanje PI inicijativa
konkurenata, 3 Odreivanje ciljeva aplikacija PI (4a, 4b, 4c), 4a Predlog solucije PI, 4b Obavljanje
kost-benefit analize (5), 4c Ocenjivanje rizika, 5 Pisanje izvetaja o poslovnim potrebama i
poslovnim solucijama.
2. Ocena infrastrukture preduzeda Ocenjuju se obe komponente infrastrukture : tehnike (hardver,
softver, SUBP, operativni sistemi, mree...), i netehnike (standardi metapodataka, standardi
imenovanja podataka, logiki model podataka, metodologije, uputstva, procedure testiranja...).
Aktivnosti ocenjivanja tehnike infrastrukture : 1a Ocenjivanje postojedih platformi (2), 1b
Ocenjivanje i izbor novih proizvoda (2), 2 Pisanje izvetaja o oceni tehnike infrastrukture (3), 3
2 Aktivnosti su predstavljne tako da redni broj oznaava poziciju po vertikalnoj, hronolokoj, liniji, a slovo
poziciju s leva na desno, u situacijama gde se najverovatnije radi o paralelnim aktivnostima. u zagradi oznaava da datu aktivnost sledi neka druga, ija je, ili ije su oznake date iza simbola.
-
Neboja Tamindid, 2012.
15 SPI skripta za usmeni ispit
Proirivanje postojedih platformi. Aktivnosti ocenjivanja netehnike infrastrukture : 1 Ocenjivanje
efikasnosti komponenti netehnike infrastrukture (2), 2 Pisanje izvetaja o ocenji netehnike
infrastrukture (3), 3 Unapreivanje netehnike infrastrukture.
3. Planiranje projekta Aktivnosti 1 Odreivanje zahteva projekta (2), 2 Odreivanje stanja
izvornih fajlova i baza podataka (3a, 3b), 3a Odreivanje ili revidiranje procene trokova (4), 3b
Revidiranje ocene rizika (4), 4 Identifikovanje kljunih faktora uspenosti (5a, 5b), 5a Priprema
dokumenata o projektu (6), 5b Kreiranje plana projekta, (6) Startovanje projekta
4. Definisanje zahteva projekta postoji razlika izmeu optih poslovnih zahteva (odreivanje
poslovnih potreba organizacije za okruenjem podrke odluivanju u okruenju poslovne
inteligencije), i zahteva specifinih za projekat (specifine funkcije i podaci koje bi trebalo imati na
raspolaganju na kraju projekta poslovne inteligencije). Aktivnosti: 1a Definisanje zahteva za
unapreivanje tehnike infrastrukture (2), 1b Definisanje zahteva za unapreivanje netehnike
infrastrukture (2), 1c Definisanje zahteva za izvrenjem (2), 1d Definisanje zahteva za izvorima
podataka (2), 2 Pregled opsega podataka (3a, 3b), 3a Definisanje zahteva za unapreivanje
netehnike infrastrukture (4), 3b Definisanje zahteva za izvrenjem (4), 4 Pisanje dokumenta o
zahtevima.
5. Analiza projekta Kvalitet podataka je veliki izazov pa autori metodologije smatraju da je analiza
projekta najkritiniji od svih 16 koraka u razvoju. Analiza podataka nije usmerena na sistem nego na
poslovanje, pa stoga ovaj korak predstavlja kljunu razliku imeu razvoja tradicionalnog sistema
podrke odluivanju i razvoja solucije poslovne inteligencije. Aktivnosti: 1 Analiza eksternih izvora
podataka ( 2a, 2b), 2a Analiza kvaliteta podataka u izvorima (3a), 2b Rafinisanje logikog
modela podataka (3b), 3a Razreavanje diskrepancija (4), 3b Proirivanje logikog modela
podataka preduzeda (4), 4 Pisanje specifikacija proidavanja podataka.
19. Metodoloki pristup razvoju poslovne inteligencije L. Moss & S. Atre koraci 6-10
6. Prototajping aplikacije svrha ovog koraka je da oceni da li su dizajn baze podataka, dizajn
prisupa, aplikacije i izabrane tehnologije poslovne inteligencije u stanju da zadovolje zahteve nakon
implementacije. Aktivnosti: 1a Analiza zahteva za pristupom (2), 1b Odreivanje opsega prototipa
(2), 1c Izabiranje alata za prototip (2), 2 Priprema dokumenta prototipa (3a, 3b), 3a Dizajn
upita i izvetaja (4), 3b Izgraivanje prototipa (4), 4 Definisanje prototipa.
7. Analiza repozitorijuma metapodataka standardizovanje izvornih podataka neizbeno vodi ka
promenama podataka. Razumeti te promene ne bi bilo mogude bez odgovarajudih metapodataka.
Aktivnosti: 1a Analiza zahteva repozitorijuma metapodataka (2), 1b Analiza zahteva interfejsa za
repozitorijumom metapodataka (2), 1c Analiza pristupa repozitorijumu metapodataka i zahteva
izvetavanja (2), 2 Kreiranje logikog meta modela (3), Kreiranje meta-metapodataka.
8. Dizajn baze podataka U bazama podataka u okruenju poslovne inteligencije su uskladiteni
poslovni podaci u detaljnom ili agregiranom vidu. Sheme dizajna baze podataka bi trebalo da
udovolje zahtevima za pristupom podacima. Zahtevi u okruenju poslovne inteligencije nalau tip
dizajna baze podataka i nain skladitenja podataka, kojima se moe pristupiti bilo posredstvom SQL
upita, bilo multidimenzionalno-OLAP alatom. Aktivnosti: 1a Pregled zahteva za pristupom podacima
(2), 1b Odreivanje zahteva za agregiranjem/sumarizovanjem (2), 2 Dizajn ciljnih baza podataka
PI (3), 3 Dizajn fizikih struktura baze podataka (4), 4 Gradnja ciljnih baza podataka PI (5), 5
-
Neboja Tamindid, 2012.
16 SPI skripta za usmeni ispit
Razvoj procedura za odravanje baze podataka (6a, 6b), 6a Priprema za monitorisanje i
podeavanje dizajna baze podataka, 6b Priprema za monitorisanje i podeavanje dizajna upita.
9. Dizajn ETL ovo je najkomplikovaniji proces u celokupnom projektu poslovne inteligencije. Izvori
podataka su najede heterogeni. Osnovna svrha procesa ETL je spajanje podataka iz razliitih
platformi u standardni format za baze podataka u okruenju poslovne inteligencije. Aktivnosti:
1a Kreiranje dokumenata za mapiranje od izvora ka meti (2), 1b Testiranje funkcija alata ETL (2),
2 Dizajniranje programa toka procesa ETL (3a, 3b), 3a Dizajniranje programa ETL, 3b
Uspostavljanje oblasti prireivanja ETL.
10. Dizajn repozitorijuma metapodataka Dizajni repozitorijuma metapodataka bi trebalo da
udovolji zahtevima meta modela razvijanog u 7. koraku analizi repozitorijuma metapodataka.
Aktivnosti: 1 (a) Dizajniranje baze repozitorijuma metapodataka (2a, 2b), ili (b) Instaliranje i
testiranje proizvoda repozitorijuma meta podataka (2b), 2a Dizajn aplikacije metapodataka, 2b
Dizajn procesa migracije metapodataka.
20. Metodoloki pristup razvoju poslovne inteligencije L. Moss & S. Atre koraci 11-16
11. Razvoj ETL Aktivnosti: 1 Izgradnja procesa ETL (2), 2 Integracija ili regresija testa procesa ETL
(3), 3 Test performanse procesa ETL (4a, 4b), 4a Test obezbeivanja kvaliteta procesa ETL, 4b
Test prihvatljivosti procesa ETL.
12. Razvoj aplikacije mogudnosti aplikacija poslovne inteligencije su znatno pojaane OLAP
tehnologijom koja omogudava multidimenzionalne analize i funkcionalnosti kao to su: what-if
analize, konverzija numerikih podataka u grafike prikaze... Aktivnosti: 1a Odreivanje zahteva
finalnog projekta (2), 1b Dizajn programa aplikacije (2), 2 Izgradnja testa programa aplikacije
(3a, 3b), 3a Testiranje programa aplikacije, 3b Obezbeivanje treninga za pristup podacima i
obradu podataka.
13. Data Mining eksplozivni rast koliine podataka proizvodi ogromne skupove podataka za koje se
opravdano pretpostavlja da sadre skrivene informacije, potrebne za uspeno poslovanje.
Otkrivanje takvih informacija moe predstavljati znaajnu kompetitivnu prednost organizacije.
Aktivnosti: 1 Postavljanje poslovnog problema (2b), 2a Prikupljanje podataka (3), 2b
Konsolidovanje i proidavanje podataka (3), 2c Priprema podataka (3), 3 Izgradnja analitikog
modela podataka (4a, 4b), 4a Tumaenje rezultata DM (5), 4b Obavljanje eksterne validacije
rezultata (5), 5 Monitorisanje analitikog modela tokom vremena.
14. Razvoj repozitorijuma metapodataka neophodni uslov uspene navigacije kroz okruenje jeste
valjani repozitorijum metapodataka i odgovarajudi pristup istom. Kada je implementiran,
repozitorijum mora da bude odravan i proirivan tokom vremena. Repozitorijum meta podataka bi
trebalo da bude punjen i osavremenjavan tokom svakog ciklusa procesa ETL. Aktivnosti: 1 Graenje
baze repozitorijuma metapodataka (2a, 2b), 2a Graenje testa procesa migracije metapodataka
(3), 2b Graenje testa aplikacije metapodataka (3), 3 Testiranje programa repozitorijuma
metapodataka (4a, 4b), 4a Priprema repozitorijuma metapodataka za produkciju, 4b
Obezbeivanje obuavanja za repozitorijum metapodataka.
15. Implementacija implementacija nove aplikacije poslovne inteligencije nakon testiranja se moe
obaviti dvojako : sve odjednom ili inkrementalno iterativnim pristupom koji umanjuje rizik da se
efektima mogudih nedostataka aplikacije izloi cela organizacija. Valjana implementacija ukljuuje i
odgovarajude obuavanje osoblja i svih aktera koji se koriste aplikacijom i repozitorijumom
-
Neboja Tamindid, 2012.
17 SPI skripta za usmeni ispit
metapodataka. Aktivnosti: 1 Plan implementacije (2), 2 Uspostavljanje okruenja produkcije (3a,
3b), 3a Instaliranje svih komponenti aplikacija PI (4), 3b postavljanje vremenskog rasporeda
produkcije (4), 4 Punjenje baza (5), 5 Priprema za tekudu podrku.
16. Ocena verzije autori metodologije istiu da je gradnja okruenja poslovne inteligencije za
podrku odluivanju trajni, neokonivi proces. Poto prilikom dizajniranja okruenja ili aplikacije nije
mogude anticipirati sve mogue potrebe za informacijama, potrebno je da se to okruenje lako
prilagoava novim potrebama. Aktivnosti: 1a Priprema postimplementacionog pregleda (2), 1b
Organizovanje sesije postimplementacionog pregleda (2), 2 Sprovoenje sesije
postimplementacionog pregleda (3), 3 Pradenje postimplementacionog pregleda.
21. Metodologija ivotnog ciklusa poslovni dimenzionalni ciklus R. Kimballa: koraci 1-6
1. Upravljanje projektom je proces koji otpoinje definisanjem projekta i nastavlja se tokom svih
faza ivotnog ciklusa DW. Definisanje projekta ukljuuje: ocenu spremnosti za gradnju DW, razvijanje
preliminarnog delokruga projekta i poslovno opravdanje.
2. Planiranje projekta ivotni ciklus otpoinje planiranjem projekta. Planiranje projekta se odnosi
an definisanje delokruga projekta DW. Planiranje projekta ukljuuje definisanje projekta i izradu
plana projekta.
3. Odreivanje poslovnih i informacionih zahteva osnovu celokupnog poduhvata gradnje DW ine
doznavanje i razumevanje poslovnih i informacionih zahteva krajnjeg korisnika. Na prikupljenim
poslovnim i informacionim zahtevima se zasnivaju 3 uporedne linije u graenju DW : 1) linija
podataka ukljuuje: modelovanje podataka, fiziki dizajn baze podataka i dizajn i razvoj prireivanja
podataka ; 2) linija tehnologije ukljuuje: oblikovanje tehnike arhitekture, odabiranje i instaliranje
specifinih komponenti tehnilke arhitekture ; 3) linija aplikacija ukljuuje: specifikovanje korisnikih
aplikacija i razvijanje aplikacija krajnjeg korisnika.
4. Dimenzionalno modelovanje otpoinje konstruisanjem matrice koja predstavlja kljune poslovne
procese i njihovu dimenzionalnost. Model identifikuje tabelu injenica, povezane dimenzije, atribute i
putanje hijerarhijskog drilovanja. Logiki dizajn baze podataka se upotpunjava odgovarajudim
strukturama tabele i odnosima primarni/strani klju. Pored toga, razvija se preliminarni plan
agregacije. Na posletku se razvija mapiranje podataka od izvora ka odreditu u DW.
5. Oblikovanje tehnike arhitekture i mera zatite radi postavljanja tehnike arhitekture DW,
neophodno je istovremeno razmatranje 3 inilaca : 1) identifikovanih poslovnih zahteva, 2) aktuelnog
tehnikog okruenja, 3) planiranih stratekih tehnikih usmerenja. Oblast arhitekture podataka
definie granularnost, obim i tajming podataka u raznim takama DW. Tehniku arhitekturu ine 2
dela : 1) akvizicija podataka (back room) deo DW odgovoran za prikupljanje i pripremu podataka i
2) pristupanje podacima (front room) deo DW odgovoran za dostavljanje podataka korisnicima.
Pod infrastrukturom se podrazumevaju hardver i softver operativnog nivoa.
6. Odabiranje i instaliranje proizvoda tehnike arhitekture zavisno od razvijenog dizajna tehnike
arhitekture kao okvira, odabiraju se specifine komponente arhitekture, kao to su: hardverska
platforma, SUBP, alati prireivanja podataka, alati za pristup podacima u DW i crpljenja informacija iz
DW (ROLAP) i dr. Instaliranje proizvoda tehnike arhitekture se ponavlja za svaki proizvod i ukljuuje:
a) planiranje instaliranja, b) pripremu instaliranja, c) instaliranja hardvera/softvera, d) testiranje
hardvera/softvera.
-
Neboja Tamindid, 2012.
18 SPI skripta za usmeni ispit
22. Metodologija ivotnog ciklusa poslovni dimenzionalni ciklus R. Kimballa: koraci 7-12
7. Fiziki dizajn i implementacija baze podataka fiziki dizajn baze podataka je usresreen na
definisanje fizikih infrastruktura, neophodnih za podrku logikom dizajnu baze podataka. Osnovni
elementi ovog procesa su definisanje standarda imenovanja i postavljanje okruenja baze podataka.
Pojedinosti fizikog modela podataka i implementacija baza podataka veoma zavise od svojstava
pojedinnog projekta. Fizika implementacija baza podataka podrazumeva: a) odreivanje fiksiranih
parametara SUBP, b) instaliranje SUBP, c) optimiziranje promenljivih parametara SUBP, d) izgradnju
fizike strukture skladita, e) postavljanje RAID, f) odreivanje veliina tabela i indeksa i g) kreiranje
tabela i indeksa.
8. Dizajn i razvoj prireivanja podataka proces prireivanja podataka sainjavaju : ekstrahovanje,
transformisanje i unoenje, punjenje ETL. Punjenje dimenzija podacima : a) izgradnja i testiranje
punjenja statine dimezione tabele, b) izgradnja i testiranje punjenja sporo promenljive dimenzione
tabele, c) izgradnja i punjenje preostalih tabela dimenzija. Punjenje tabele einjenica i automatizacija:
a) izgradnja i testiranje punjenja istorijske tabele fakata, ukljuujudi zamenu surogat kljueva, b)
izgradnja i testiranje inkrementalnog procesa punjenja, c) izgradnja i testiranje punjenja agregatnih
tabelia i/ili MOLAP punjenja, d) dizajn, izgradnja i testiranje automatizacije aplikacije predvianja.
Punjenje i validiranje baze podataka ukljuuje: a) postavljanje okruenja, b) punjenje inicijalnim test
podacima, c) inicijalna validacija podataka, d) punjenje istorijskim podacima, e) obavljanje validiranja
podataka.
9. Specifikovanje korisnikih aplikacija potrebno je specifikovati skup standardnih aplikacija
krajnjih korisnika koji opisuje ablone izvetaja i zahtevana izraunavanja. Pre svega, trebalo bi
identifikovati potrebne izvetaje. Potom bi trebalo oblikovati pristup za navigaciju. Takoe je
potrebno izraditi specifikaciju aplikacija krajnjeg korisnika.
10. Razvijanje aplikacija krajnjeg korisnika razvijanje aplikacija krajnjeg korisnika ukljuuje: a) izbor
pristupa implementacije, b) odreivanje neophodnih metapodataka, c) izgraivanje aplikacija krajnjih
korisnika, d) razvijanje navigacije, e) dokumentovanja aplikacija krajnjeg korisnika i f) razvoj
procedura odravanja krajnjeg korisnika.
11. Deploajiranje Data Warehouse proces deploajiranja bi trebalo da obezbedi valjano i skladno
susticanje tehnologije, podataka i aplikacija krajnjeg korisnika. Deploajiranje ukljuuje sledede
aktivnosti : a) ocenjivanje spremnosti za deploajiranje, b) konfigurisanje i testiranje infrastrukture
desktopa, c) uspostavljanje bezbednosnih privilegija, d) obuavanje korisnika.
12. Odravanje i razvoj Data Warehouse posle poetnog deploajiranja DW potrebno je : a)
kontinuirano usreivanje na poslovne korisnike i obezbeivanje adekvatne edukacije i potpore, b)
usredsreivanje na akviziciju podataka, kako bi tekude funkcionisanje DW bilo efektivno, c) merenje
prihvadenosti i performanse DW tokom vremena. Za dalji razvoj DW u organizaciji potrebno je: a)
obrazovati grupu koja de biti odgovorna za taj razvoj, b) uspostaviti strategiju odreivanja prioriteta u
irenju i uvedavanju DW i c) iterativno upotrebljavati koncepciju ivotnog ciklusa razvoja DW.