poslovni informacijski sistemi sistemi za podporo …bojan/ung-pis-2013/pis_2013_dss.pdfposlovni...

Poslovni informacijski sistemi Sistemi za podporo odločanja

Marko Bohanec 1

Poslovni informacijski sistemi (UNG 2012/13) 1

Sistemi za podporo pri odločanjuVsebina predavanj

1. Splošno o sistemih za podporo odločanjao definicija in umestitev v kontekst PISo lastnosti, zgodovina, vrste, arhitekturao primeri

2. Podatkovna skladiščao podatkovna kockao sprotna analiza podatkov (OLAP)o vrtilna tabela in vrtilni grafikono primeri v Excelu in Accessu

3. Izkopavanje podatkov4. Ekspertni sistemi


Ponovimo: Vrste informacijskih sistemov

o Transakcijski sistemio Upravljavski informacijski sistemio Sistemi za podporo odločanjuo Ekspertni sistemio Sistemi za podporo pisarniškemu poslovanjuo Sistemi za osebno in skupinsko delo


Področja uporabe PISJ.L. Whitten, L.D.Bentley : System Analysis and Design Methods, Irwin/McGraw-Hill, 1998, stran 43

PODPORAPOSLOVANJA

PODPORAODLOČANJA

IN UPRAVLJANJA


Marko Bohanec 2


Sistemi za podporo odločanja in upravljanja

o Upravljalski informacijski sistemio MIS: Management Information Systems

o Direktorski informacijski sistemio EIS: Executive Information Systemso ESS: Executive Support Systems

o Sistemi za podporo pri odločanjuo DSS: Decision Support Systems

o Ekspertni sistemio ES: Expert Systems

o Sistemi za skupinsko deloo GDSS: Group DSS; Groupware

DSS (širše)


Kaj so sistemi za podporo pri odločanju?

Sistemi za podporo pri odločanju so:o informacijski sistemi,o ki pomagajoo uporabnikomo pri sprejemanju odločitev.

o posebna oblika informacijskih sistemovo uporabniki: predvsem managerji, tudi drugi delavci

v organizacijah, posameznikio pomagajo pri odločanju, vendar ne odločajo sami


Kaj vse lahko pomaga pri odločanju?

o podatek, pomnjenjena primer: poišči mi določen podatek

o izračun, izpeljava, združevanje (“agregacija”)na primer: izračunaj vsoto podatkov

o poročilokot urejena skupina podatkov

o pregledovanje in analiziranje podatkovvrtilne tabele

o vizualizacijagrafični prikaz podatkov oz. rezultatov

o simulacijao logično sklepanjeo ...

SELECT ime, priimek, starost FROM pacientWHERE starost > 30

SELECT PAC_postna_stevilka, count(*)

FROM pacient

SELECT PAC_ime, PAC_priimekFROM pacientORDER BY PAC_priimek ASC


Marko Bohanec 3


Odločanje

Odločitev:Izbira ene izmed več variant (alternativ, možnosti, različic).Izbrati želimo tisto varianto, ki najbolj ustreza našim ciljem.

Odločanje:Proces (aktivnost), ki obsega:o spoznavanje odločitvenega problemao zbiranje in preverjanje informacijo identifikacija alternativo predvidevanje posledic odločitevo odločitev

o obveščanje o odločitvi in razlogih zanjoo realizacija odločitveo vrednotenje odločitev


Lastnosti in zmožnosti DSS

o podpora odločevalcev pri reševanju strukturiranih in delno strukturiranih odločitvenih problemov

o podpora upravljalcem (managerjem) na vseh ravneh organizacijeo podpora posameznikov in skupino podpora med seboj neodvisnih (“vzporednih”) in zaporednih

odločitevo podpora različnih faz odločitvenega procesa

o prilagodljivosto interaktivnosto preprosta uporabao učinkovitosto jasnost, transparentnosto preprostost razvoja in prilagajanja spremembamo možnost modeliranja in analiz


Kratka zgodovina DSS

teorija: operacijske raziskave, odločitvena analizapraksa: razvoj interaktivnega računalništva

1950

1960

1970

1980

1990

2000

osnove DSSprvi sistemi

specializacija: MIS, EIS, ES, GDSS, ...

podatkovna skladišča (“Data Warehouses”)sprotna analiza podatkov (OLAP)izkopavanje podatkov (“Data Mining”)

omrežni DSS (“Web-based DSS”)širše: poslovna inteligenca (“Business intelligence BI”)


Marko Bohanec 4


Vrste DSS (1)

Glede na način iskanja rešitve odločitvenega problema

o Pasivni: nudijo podporo (npr. podatek, grafikon),vendar ne predlagajo rešitve

o Aktivni: predlagajo rešitve odločitvenega problemao Kooperativni: kombinacija obeh:

o DSS predlaga rešitevo uporabnik spremeni ali dopolni rešitev ino jo vrne sistemu v oceno;o možnih je več ciklov


Vrste DSS (2)

Glede na sestavine in prevladujoči način delovanja

Osnovani na ...

o ... podatkih (“Data-driven DSS”)o ... dokumentih (“Document-driven DSS”)o ... modelih (“Model-driven DSS”)o ... znanju (“Knowledge-driven DSS”)o ... komunikaciji (“Communication-driven DSS”)

in kombinirani.


Splošna arhitektura DSS

uporabniškivmesnik

jedroDSS

bazapodatkov

bazaznanja

modeli

dokumenti

+ komunikacijski del


Marko Bohanec 5


Razvrstitev in opredelitev DSS: vprašalnik

o Kakšne odločitve podpira DSS?o Na kakšen način podpira odločitve?

Kaj nudi uporabniku?o Kdo je uporabnik sistema?

Ali je uporabnik posameznik ali skupina?

o Ali je sistem: pasiven, kooperativen ali aktiven?o Katere komponente vsebuje sistem:

o podatke?o dokumente?o modele?o znanje?

o Ali sistem podpira komunikacijo?o Ali sistem deluje na omrežju?o Ali je sistem: MIS, EIS, GIS, ESS, ES, GDSS?


Primeri: Rezultati poslovanja: prodaja


Primeri: Struktura prihodkov in odhodkov



Marko Bohanec 6


Primeri: Rezultati poslovanja



Primeri: Analiza uporabe virov


Primer: Analiza trendov


Marko Bohanec 7


Primer: Ocenjevanje požarne ogroženosti

htt

p:/

/ww

w.a

rso.g

ov.

si/v

rem

e/n

apo

vedi

%20

in%

20p

odatk

i/poza

rna_o

groze

nost

.htm

l


Primer: Medicinska diagnostika

http

://e

asy

dia

gn

osi

s.co

m/


Primer: Avtocestni nadzorni sistem


Marko Bohanec 8


Na vrsti ste!

Opredelite in razvrstite sistem za vrednotenje mobilnih telefonov


Na vrsti ste!

Večparametrski model za vrednotenje mobilnih telefonov


Na vrsti ste!Obiski pri zdravniku

o Ali bi lahko te podatke uporabili za podporo odločanja?o Za podporo kakšnih odločitev?o Katere informacije/funkcije bi lahko nudil takšen sistem?o Predlagajte nekaj prikazov (grafikonov)


Marko Bohanec 9


Podatkovna skladišča

Podatkovno skladišče (“Data Warehouse”)je zbirka podatkov,namenjena podpori odločanja (pri upravljanju podjetij).

Lastnosti:o vključuje podatke iz različnih virovo namenjeno podrobni analizi velike količine podatkovo urejeno po:

o predmetu obravnave (kupec, proizvod, prodaja, dobavitelj)o času

o relativno statično (občasna ažuriranja, sicer poizvedovanje)


Baza : Skladišče

BAZA PODATKOVo podpira delo s podatkio vnos in branje podatkovo dinamično spreminjanje

vsebineo struktura se redko

spreminjao veliko uporabnikovo transakcijske obdelaveo vnaprej določeni izpisi ali

poizvedovanja s SQL

SKLADIŠČE PODATKOVo podpira analizo podatkovo branje podatkovo podatki so statični, le

občasno ažuriranjeo strukturo prilagajamo

potrebamo malo uporabnikovo analitične in sintetične

obdelaveo ad-hoc analize, korelacije,

statistike, OLAP


Podatkovna skladišča: osnovni pojmi

o podatkovna kocka (“Data Cube”)o hierarhično urejene dimenzije

(“Concept Hierarchy”)o sprotna analiza podatkov

(OLAP: “On Line Analytical Processing”)o vrtilna tabela (“Pivot Table”)o vrtilni grafikon (“Pivot Chart”)


Marko Bohanec 10


Podatkovna kocka (“Data Cube”)

605 825 14 400

680 952 31 512

812 960 30 501

927 995 38 580

CE

MB

LJ

Prodaja [enot]

1

3

2

4 Čas

[čet

rtle

tje]

Izdelek

A CB D

Število dimenzij ni nujno 3


Primer: od transakcij do podatkovne kocke

transakcije

Vsebina: vsota Kolicin

Dimenziji:1. Datum

2. Izdelek

Kolicina

Izdelek

Datum

podatkovna kocka


Leto

Mesec

Četrtletje

Teden

VSE

Slovenija

Centr. Gorenjska

Italija

Dolenjska

LJ KR ...

...

...

Hierarhične dimenzije (“Concept Hierarchy”)

LOKACIJA

Prod. BProd. A Prod. C ... Prodajalna

Kraj

Regija

Država

LOKACIJA

HIERARHIJA

ČAS

Dan


Marko Bohanec 11


Leto

Mesec

Četrtletje

Dimenzije in elementi podatkovne kocke

Prodajalna

Kraj

Regija

DržavaLOKACIJA

Dan

ČAS

Ime

Kategorija

Skupina

Ime

Znamka

VrstaKUPEC IZDELEK

Prodano [enot]

Prodaja [€]Elementi


Operacije OLAP

CEMB

LJ

1

32

4

A CB D

CEMB

LJ

A CB D

Jan

MarFeb

Apr

Sep

NovOkt

Dec

Drill-Down: razvij četrtletje v mesec

A CB D

1

32

4

ŠtajerskaCentr.

Roll-Up: združi kraj v regijo


Operacije OLAP

CEMB

LJ

1

32

4

A CB DA DB

12

MBLJ

Dice: izsek

1 5 7 3 1

32

4

Slice: presek

A CB D

MB

1 32 4

1

5

7

3

A

CB

D

MB

Pivot: obrni


Marko Bohanec 12


Vrtilna tabela (“Pivot Table”)

Dvodimenzionalni zbirni prikazvečdimenzionalnih podatkov (podatkovnih kock)

Vsebuje področja:o podatki: vsebina, prikazuje osnovne ali zbirne podatkeo vrstice: prva dimenzijao stolpci: druga dimenzijao strani: izbira (filtriranje) podatkov

V vsakem področju je lahko več spremenljivk(polj osnovne tabele)


Vaja: Naredimo vrtilno tabelo v Excelu

Kaj pa, če želimo:o več vsebine (npr. Cena)?o hierarhične dimenzije (npr. hrana/pijača)?


Podatkovne kocke in OLAP v Accessu

S programom Microsoft Access lahko:

1. Simuliramo podatkovno kocko z relacijsko podatkovno shemo

Model “zvezde” ali “snežinke”:o centralna tabela vsebuje podatke, ki jih spremljamoo in je relacijsko povezana s tabelami, ki opisujejo dimenzije

2. Pregledujemo podatkovno kocko z:o vrtilno tabeloo vrtilnim grafikonom


Marko Bohanec 13


Vaja: Podatkovna kocka in OLAP v Accessu


MS Analysis Services: Podatkovne kocke


MS Analysis Services: OLAP in vrtilna tabela


Marko Bohanec 14


Izkopavanje podatkov (“Data Mining”)

OLAP: nudi dober pregled nad podatki (“kaj se dogaja”)

Izkopavanje podatkov:poglobljeno iskanje zakonitosti (vzorcev) v podatkih

Nameni:o napovedovanje (“forecasting”)o klasifikacija (“classification”)o razvrščanje v skupine (“clustering”)o povezovanje (“associating”) izidov, ki se pogosto zgodijo hkratio iskanje vzročnih in časovnih odvisnosti (“sequencing”)


Faze iskanja zakonitosti v podatkih

VIRI PODATKOV

ZNANJE: modeli, pravila, odvisnosti, vzorci, ...

1. Priprava podatkov

2. Izkopavanje podatkov

3. Interpretacija, vrednotenje in predstavitev


Pod. skladišče

1a. Čiščenje

1. faza: Priprava podatkov

Baze podatkov Datoteke Zun. viri

1b. Integracija

1c. Selekcija

1d. Transformacija


Marko Bohanec 15


2. faza: Izkopavanje podatkov

Uporaba številnih in raznovrstnih metod:o statistične metode

o osnovne statistikeo korelacijeo diskriminantne in regresijske analize

o vizualizacijao metode strojnega učenja:

o odločitvena drevesao odločitvena pravila

o asociacijska pravilao nevronske mrežeo razvrščanje v skupineo ...


Asociacijska (povezovalna) pravila

Košarica Artikel

1 mleko

1 maslo

2 mleko

2 med

2 maslo

3 mleko

3 kruh

3 maslo

4 mleko

4 kruh

4 med

Tri pravila:mleko ⇒ maslo [sup 75%, conf 75%]

maslo ⇒ mleko [sup 75%, conf 100%]

med ⇒ mleko [sup 50%, conf 100%]

Tipični problem: analiza nakupovalnih košaric

Naloga: Poiskati "zanimiva" pravila oblike

če kupi mleko, potem kupi tudi maslomleko ⇒ maslo


Odločitvena drevesaOseba Starost Spol Dohodki Stranka

Ana Kranjc 32 Ž 5.000 da

Micka Kovač 53 Ž 500.000 da

Meta Novak 27 Ž 10.000 ne

Jana Bevc 55 Ž 10.000 da

Peter Dolenc 26 M 50.000 da

Janez Gorenc 50 M 100.000 da

Dohodki

Starost Stranka=da

Stranka=ne Stranka=da

<<<< 50.000

<<<< 32 ≥≥≥≥ 32

≥≥≥≥ 50.000

Odločitveno drevo:o opisuje zakonitosti v obstoječih podatkiho napoveduje (klasificira) nove primere


Marko Bohanec 16


Klasifikacijsko odločitveno drevoOseba Starost Spol Dohodki Stranka






Janez Gorenc 50 M 100.000 da Dohodki

Starost Stranka=da

Stranka=ne Stranka=da

<<<< 50.000

<<<< 32 ≥≥≥≥ 32

≥≥≥≥ 50.000


Regresijsko odločitveno drevoOseba Starost Spol Dohodki Stranka






Janez Gorenc 50 M 100.000 da Spol

Starost Dohodek=75.000

Dohodek=7.500 Dohodek=205.000

Ž

<<<< 53 ≥≥≥≥ 53

M

primer povzet po: Sašo Džeroski: Decision Trees


Primer

povzeto po: Bojan Cestnik: Strojno učenje

Dobiček Starost Konkurenca Vrsta_______________________________________________________________________________________

pada staro ne SW

pada srednje da SW

narašča srednje ne HW

pada staro ne HW

narašča novo ne HW

narašča novo ne SW

narašča srednje ne SW

narašča novo da SW

pada srednje da HW

pada staro da SW_______________________________________________________________________________________


Marko Bohanec 17


Primer: Odločitveno drevo

povzeto po: Bojan Cestnik: Strojno učenje

Starost

Konkurenca

Starost

pada

narašča

pada narašča

staro srednje, novo

ne da

srednje novo

Uporaba:

1. opisuje zakonitosti v obstoječih podatkih

2. napoveduje (klasificira) nove primere


Primer: Igranje tenisa Rešitev?

Vreme Temp Vlaga Veter Tenis

sončno vroče visoka ne ne

sončno vroče visoka da ne

oblačno vroče visoka ne da

dež zmerno visoka ne da

dež hladno norm ne da

dež hladno norm da ne

oblačno hladno norm da da

sončno zmerno visoka ne ne

sončno hladno norm ne da

dež zmerno norm ne da

sončno zmerno norm da da

oblačno zmerno visoka da da

oblačno vroče norm ne da

dež zmerno visoka da ne

Vreme

Vlaga da

sončno

Veter

oblačno dež

ne da ne da

visoka norm da ne


Weka (1/2) http://www.cs.waikato.ac.nz/~ml/weka/


Marko Bohanec 18


Weka (2/2) http://www.cs.waikato.ac.nz/~ml/weka/


Orange http://magix.fri.uni-lj.si/orange/


Rapid Miner http://rapid-i.com/index.php?lang=en


Marko Bohanec 19


Ekspertni sistemi (ES, “Expert Systems”)

Računalniški sistemi, ki:o rešujejo problemeo na (ozkem) strokovnem področjuo podobno kot strokovnjaki (eksperti)

Zahteve:o sposobnost sklepanjao sposobnost presojeo zmožnost delovanja pri nezanesljivih in

nepopolnih podatkiho zmožnost pojasnjevanja:

o delovanja in sklepanja: vprašanja “Kako?” in “Zakaj?”o predlaganih rešitev


Prvi ekspertni sistemi

Razviti v okviru umetne inteligence

o MYCIN (1976)diagnosticiranje infekcij in izbor terapije

o AL/X (1980)odkrivanje okvar v kompleksnih proizvodnih procesih (naftne ploščadi)

o DENDRAL (od 1956)ugotavljanje kemijskih strukturnih formul iz spektrov

o PROSPECTOR (1980)geološke raziskave

o PUFF (1980)diagnoze pljučnih bolezni


Uporaba ES

Novejša področja uporabe: inteligentni sistemi in agenti poslovno odločanje

(poslovna logika in pravila) vodenje procesov zahtevno inženirsko odločanje medicinska diagnostika računalniški vmesniki,

“čarovniki” računalniške igre robotika ...


Marko Bohanec 20


Ekspertni sistem

Splošna arhitektura ES

uporabniškivmesnik

mehanizmisklepanja

bazaznanja


Ključni koncepti ES

o Predstavitve znanja (“knowledge representation”):o semantične mreže, taksonomije, ontologijeo okviri, predmetio pravila o formalna logika

o Mehanizmi sklepanja (“inference”):o sklepanje naprejo sklepanje nazaj

o Upoštevanje negotovosti (“uncertainty propagation”)o verjetnost (“probability”)o mehka logika (“fuzzy logic”, “possibility”)


Primeri predstavitve znanja v ES (1)

Produkcijska (“če-potem”) pravila

MYCIN (diagnostika infekcij)

IF (1) infection = primary-bacteremia, and(2) site of culture is one of the sterilities, and(3) suspected portal of entry = gastrointestinal tract

THEN there is suggestive evidence (0.7)that organism is bacteroides.

OPTRANS (dodeljevanje posojil)

ČE mesečni obrok > ½ maks. obroka

POTEM je možno dodeliti kredit, vendarPREVERITI garancijo, družino in starost.


Marko Bohanec 21



Taksonomija: hierarhija pojmov in konceptov

PROSPECTOR(geološkeraziskave)



Ontologija: množica konceptov in relacij

CYC



Ontologija: množica konceptov in relacij


Marko Bohanec 22



Odločitveno drevo



Odločitveno drevo


Primeri ES

Expertise 2GOhttp://www.expertise2go.com/webesie/

Wine Selection: http://www.expertise2go.com/webesie/e2gdoc/winepg.htm

Choosing Data Analysis Technique:http://expertise2go.com/webesie/StatTech/

Loan Decision:http://expertise2go.com/webesie/loan/

Medical Diagnosis:http://easydiagnosis.com/

ECOGEN Soil Quality Index:http://ai.ijs.si/MarkoBohanec/ESQI/ESQI.php


Marko Bohanec 23


Prednosti in slabosti ES

PREDNOSTIo eksplicitno izražena baza znanjao simbolično (kvalitativno) sklepanjeo razlaga odločitevo delovanje z nenatančnimi in nezanesljivimi podatkio dostopnosto prilagodljivost

POMANJKLJIVOSTIo ozka problemska področjao relativno zahteven razvoj

o znanje, kadrio “Feigenbaumovo ozko grlo” → potreba po strojnem učenju

poslovni informacijski sistemi sistemi za podporo …bojan/ung-pis-2013/pis_2013_dss.pdfposlovni...

Documents