sistemi za podporo pri odločanj u vsebina predavanj

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


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 pacientSELECT PAC_ime, PAC_priimekFROM pacientORDER BY PAC_priimek ASC


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


Kratka zgodovina DSSteorija: 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”)


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


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



Primeri: Rezultati poslovanja



Primeri: Analiza uporabe virov


Primer: Analiza trendov


Primer: Ocenjevanje požarne ogroženosti

http

://w

ww

.ars

o.go

v.si

/vre

me/

napo

vedi

%20

in%

20po

datk

i/poz

arna

_ogr

ozen

ost.h

tml

http://www.arso.gov.si/vreme/napovedi%20in%20podatki/pozarna_ogrozenost.html


Primer: Medicinska diagnostika

http

://ea

sydi

agno

sis.

com

/

http://easydiagnosis.com/


Primer: Avtocestni nadzorni sistem


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)


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”)


Podatkovna kocka (“Data Cube”)

605 825 14 400

680 952 31 512

812 960 30 501

927 995 38 580

CEMB

LJ

Lokacija

Prodaja [enot]

1

3

2

4 Čas

[čet

rtlet

je]

Izdelek

A CB D

Število dimenzij ni nujno 3


Primer: od transakcij do podatkovne kocketransakcije

Vsebina: vsota KolicinDimenziji:

1. Datum2. 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


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

LJ1

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

LJ1

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

1573

A

CB

D

MB

Pivot: obrni


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


Vaja: Podatkovna kocka in OLAP v Accessu


MS Analysis Services: Podatkovne kocke


MS Analysis Services: OLAP in vrtilna tabela


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


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 mleko1 maslo2 mleko2 med2 maslo3 mleko3 kruh3 maslo4 mleko4 kruh4 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 Staros

tSpo

lDohodki Strank

aAna Kranjc 32 Ž 5.000 daMicka Kovač 53 Ž 500.000 daMeta Novak 27 Ž 10.000 neJana Bevc 55 Ž 10.000 daPeter Dolenc 26 M 50.000 daJanez 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


Klasifikacijsko odločitveno drevoOseba Staros

tSpo

lDohodki Strank

aAna Kranjc 32 Ž 5.000 daMicka Kovač 53 Ž 500.000 daMeta Novak 27 Ž 10.000 neJana Bevc 55 Ž 10.000 daPeter Dolenc 26 M 50.000 daJanez Gorenc 50 M 100.000 da Dohodki

Starost Stranka=da

Stranka=ne Stranka=da

50.000

32 32

50.000


Regresijsko odločitveno drevoOseba Staros

tSpol Dohodki Strank

aAna Kranjc 32 Ž 5.000 daMicka Kovač 53 Ž 500.000 daMeta Novak 27 Ž 10.000 neJana Bevc 55 Ž 10.000 daPeter Dolenc 26 M 50.000 daJanez 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 KonkurencaVrsta_______________________________________________________________________________________

pada starone SW

pada srednje daSW

narašča srednje neHW

pada starone HW

narašča novo neHW

narašča novo neSW

narašča srednje neSW

narašča novo daSW

pada srednje daHW

pada staroda SW

_______________________________________________________________________________________


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

podatkih2. napoveduje (klasificira) nove

primere


Primer: Igranje tenisa Rešitev?

Vreme Temp Vlaga Veter Tenissončno vroče visoka ne nesončno vroče visoka da neoblačno vroče visoka ne da

dež zmerno visoka ne dadež hladno norm ne dadež hladno norm da ne

oblačno hladno norm da dasončno zmerno visoka ne nesončno hladno norm ne da

dež zmerno norm ne dasončno zmerno norm da daoblačno zmerno visoka da daoblačno 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/

http://www.cs.waikato.ac.nz/~ml/weka/


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

http://www.cs.waikato.ac.nz/~ml/weka/


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

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


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





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 inteligenceo MYCIN (1976)

diagnosticiranje infekcij in izbor terapijeo 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 ESNovejša 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 ...


Ekspertni sistem

Splošna arhitektura ES

uporabniškivmesnik

mehanizmisklepanja

bazaznanja


Ključni koncepti ESo 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. obrokaPOTEM je možno dodeliti kredit, vendarPREVERITI garancijo, družino in starost.


Primeri predstavitve znanja v ES (2)Taksonomija: hierarhija pojmov in konceptov

PROSPECTOR(geološkeraziskave)


Primeri predstavitve znanja v ES (3)Ontologija: množica konceptov in relacij

CYC


Primeri predstavitve znanja v ES (4)Ontologija: množica konceptov in relacij


Primeri predstavitve znanja v ES (5)Odločitveno drevo


Primeri predstavitve znanja v ES (6)Odločitveno drevo


Primeri ES Expertise 2GO

http://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

http://www.expertise2go.com/webesie/

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

http://expertise2go.com/webesie/StatTech/

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

http://easydiagnosis.com/

http://ai.ijs.si/MarkoBohanec/ESQI/ESQI.php


Prednosti in slabosti ESPREDNOSTIo 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

sistemi za podporo pri odločanj u vsebina predavanj

Documents