sistemi za podporo pri odločanj u vsebina predavanj
DESCRIPTION
Sistemi za podporo pri odločanj u Vsebina predavanj. Splošno o sistemih za podporo odločanja definicija in umestitev v kontekst PIS lastnosti, zgodovina, vrste, arhitektura primeri Podatkovna skladišča podatkovna kocka sprotn a analiz a podatkov (OLAP) - PowerPoint PPT PresentationTRANSCRIPT
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
Poslovni informacijski sistemi (UNG 2012/13) 2
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
Poslovni informacijski sistemi (UNG 2012/13) 3
Področja uporabe PISJ.L. Whitten, L.D.Bentley : System Analysis and Design Methods, Irwin/McGraw-Hill, 1998, stran 43
PODPORAPOSLOVANJA
PODPORAODLOČANJA
IN UPRAVLJANJA
Poslovni informacijski sistemi (UNG 2012/13) 4
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)
Poslovni informacijski sistemi (UNG 2012/13) 5
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
Poslovni informacijski sistemi (UNG 2012/13) 6
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
Poslovni informacijski sistemi (UNG 2012/13) 7
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
Poslovni informacijski sistemi (UNG 2012/13) 8
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
Poslovni informacijski sistemi (UNG 2012/13) 9
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”)
Poslovni informacijski sistemi (UNG 2012/13) 10
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
Poslovni informacijski sistemi (UNG 2012/13) 11
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.
Poslovni informacijski sistemi (UNG 2012/13) 12
Splošna arhitektura DSS
uporabniškivmesnik
jedroDSS
bazapodatkov
bazaznanja
modeli
dokumenti
+ komunikacijski del
Poslovni informacijski sistemi (UNG 2012/13) 13
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?
Poslovni informacijski sistemi (UNG 2012/13) 14
Primeri: Rezultati poslovanja: prodaja
Poslovni informacijski sistemi (UNG 2010/11) 15
Primeri: Struktura prihodkov in odhodkov
Poslovni informacijski sistemi (UNG 2012/13) 15
Poslovni informacijski sistemi (UNG 2010/11) 16
Primeri: Rezultati poslovanja
Poslovni informacijski sistemi (UNG 2012/13) 16
Poslovni informacijski sistemi (UNG 2012/13) 17
Primeri: Analiza uporabe virov
Poslovni informacijski sistemi (UNG 2012/13) 18
Primer: Analiza trendov
Poslovni informacijski sistemi (UNG 2012/13) 19
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
Poslovni informacijski sistemi (UNG 2012/13) 20
Primer: Medicinska diagnostika
http
://ea
sydi
agno
sis.
com
/
Poslovni informacijski sistemi (UNG 2012/13) 21
Primer: Avtocestni nadzorni sistem
Poslovni informacijski sistemi (UNG 2012/13) 22
Na vrsti ste!
Opredelite in razvrstite sistem za vrednotenje mobilnih telefonov
Poslovni informacijski sistemi (UNG 2012/13) 23
Na vrsti ste!
Večparametrski model za vrednotenje mobilnih telefonov
Poslovni informacijski sistemi (UNG 2012/13) 24
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)
Poslovni informacijski sistemi (UNG 2012/13) 25
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)
Poslovni informacijski sistemi (UNG 2012/13) 26
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
Poslovni informacijski sistemi (UNG 2012/13) 27
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”)
Poslovni informacijski sistemi (UNG 2012/13) 28
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
Poslovni informacijski sistemi (UNG 2012/13) 29
Primer: od transakcij do podatkovne kocketransakcije
Vsebina: vsota KolicinDimenziji:
1. Datum2. Izdelek
Kolicina
Izdelek
Datum
podatkovna kocka
Poslovni informacijski sistemi (UNG 2012/13) 30
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
Poslovni informacijski sistemi (UNG 2012/13) 31
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
Poslovni informacijski sistemi (UNG 2012/13) 32
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
Poslovni informacijski sistemi (UNG 2012/13) 33
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
Poslovni informacijski sistemi (UNG 2012/13) 34
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)
Poslovni informacijski sistemi (UNG 2012/13) 35
Vaja: Naredimo vrtilno tabelo v Excelu
Kaj pa, če želimo:o več vsebine (npr. Cena)?o hierarhične dimenzije (npr. hrana/pijača)?
Poslovni informacijski sistemi (UNG 2012/13) 36
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
Poslovni informacijski sistemi (UNG 2012/13) 37
Vaja: Podatkovna kocka in OLAP v Accessu
Poslovni informacijski sistemi (UNG 2012/13) 38
MS Analysis Services: Podatkovne kocke
Poslovni informacijski sistemi (UNG 2012/13) 39
MS Analysis Services: OLAP in vrtilna tabela
Poslovni informacijski sistemi (UNG 2012/13) 40
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”)
Poslovni informacijski sistemi (UNG 2012/13) 41
Faze iskanja zakonitosti v podatkih
VIRI PODATKOV
ZNANJE: modeli, pravila, odvisnosti, vzorci, ...
1. Priprava podatkov
2. Izkopavanje podatkov
3. Interpretacija, vrednotenje in predstavitev
Poslovni informacijski sistemi (UNG 2012/13) 42
Pod. skladišče
1a. Čiščenje
1. faza: Priprava podatkov
Baze podatkov Datoteke Zun. viri
1b. Integracija
1c. Selekcija
1d. Transformacija
Poslovni informacijski sistemi (UNG 2012/13) 43
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 ...
Poslovni informacijski sistemi (UNG 2012/13) 44
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
Poslovni informacijski sistemi (UNG 2012/13) 45
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
Poslovni informacijski sistemi (UNG 2012/13) 46
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
Poslovni informacijski sistemi (UNG 2012/13) 47
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
Poslovni informacijski sistemi (UNG 2012/13) 48
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
_______________________________________________________________________________________
Poslovni informacijski sistemi (UNG 2012/13) 49
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
Poslovni informacijski sistemi (UNG 2012/13) 50
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
Poslovni informacijski sistemi (UNG 2012/13) 51
Weka (1/2) http://www.cs.waikato.ac.nz/~ml/weka/
Poslovni informacijski sistemi (UNG 2012/13) 52
Weka (2/2) http://www.cs.waikato.ac.nz/~ml/weka/
Poslovni informacijski sistemi (UNG 2012/13) 53
Orange http://magix.fri.uni-lj.si/orange/
Poslovni informacijski sistemi (UNG 2012/13) 54
Rapid Miner http://rapid-i.com/index.php?lang=en
Poslovni informacijski sistemi (UNG 2012/13) 55
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
Poslovni informacijski sistemi (UNG 2012/13) 56
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
Poslovni informacijski sistemi (UNG 2012/13) 57
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 ...
Poslovni informacijski sistemi (UNG 2012/13) 58
Ekspertni sistem
Splošna arhitektura ES
uporabniškivmesnik
mehanizmisklepanja
bazaznanja
Poslovni informacijski sistemi (UNG 2012/13) 59
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”)
Poslovni informacijski sistemi (UNG 2012/13) 60
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.
Poslovni informacijski sistemi (UNG 2012/13) 61
Primeri predstavitve znanja v ES (2)Taksonomija: hierarhija pojmov in konceptov
PROSPECTOR(geološkeraziskave)
Poslovni informacijski sistemi (UNG 2012/13) 62
Primeri predstavitve znanja v ES (3)Ontologija: množica konceptov in relacij
CYC
Poslovni informacijski sistemi (UNG 2012/13) 63
Primeri predstavitve znanja v ES (4)Ontologija: množica konceptov in relacij
Poslovni informacijski sistemi (UNG 2012/13) 64
Primeri predstavitve znanja v ES (5)Odločitveno drevo
Poslovni informacijski sistemi (UNG 2012/13) 65
Primeri predstavitve znanja v ES (6)Odločitveno drevo
Poslovni informacijski sistemi (UNG 2012/13) 66
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
Poslovni informacijski sistemi (UNG 2012/13) 67
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