Tema 10: Inteligentna podrška Tema 10: Inteligentna podrška

elektronskoj trgovini

SISTEMI ZA PODRŠKU ODLUČIVANJU

dr Vladislav Miškovicvmiskovic@singidunum.ac.rsvmiskovic@singidunum.ac.rs

Fakultet za računarstvo i informatiku

2016/2017

Tema 10: Inteligentna podrška

elektronskoj trgovini

1. Uvod

2. Elektronska trgovina2. Elektronska trgovina

3. Inteligentni sistemi

4. Inteligentni sistemi u e-trgovini

5. Inteligentni interfejsi

6. Primeri sistema6. Primeri sistema

1. Uvod

• Podsetnik: Inteligencija, učenje i znanje

• Elektronska trgovina i elektronsko poslovanje• Elektronska trgovina i elektronsko poslovanje

3

Podsetnik: Inteligencija, učenje i znanje

• Inteligencija je sposobnost učenja i razumevanja, rešavanja problema i donošenja odluka

• Veštačka inteligencija je nauka čiji cilj je izrada sistema (mašina) koje mogu da izvršavaju zadatke koji bi zahtevali inteligenciju ako ih izvršavajuljudi– sistem (mašina) smatra se inteligentnim ako može posći ljudski nivo performansi u

nekim kognitivnim zadacima

• Mašinsko učenje je proces u kome sistem poboljšava svoje performanse na datom zadatku bez dodatnog programiranja

• Znanje je kontekstno zavisna, relevantna i delatna informacija • Znanje je kontekstno zavisna, relevantna i delatna informacija (eksplicitna ili implicitna)

– računska mašina je računarski program

– igranje šaha zahteva inteligenciju

Elektronska trgovina i

elektronsko poslovanje

• Elektronska trgovina (e-commerce) obuhvata komercijalne

transakcije između organizacija i pojedinaca zasnovane na transakcije između organizacija i pojedinaca zasnovane na

digitalnoj tehnologiji [3]

– razmena vrednosti preko organizacionih ili individualnih granica (proizvodi i usluge)

• Elektronsko poslovanje (e-business) obuhvata transakcije i

procese u okviru jedne organizacije zasnovane na digitalnoj

tehnologiji pod kontrolom njenog informacionog sistematehnologiji pod kontrolom njenog informacionog sistema

– ne obuhvata komercijalne transakcije izvan organizacionih granica gde se vrši razmena vrednosti

5

2. Elektronska trgovina

1. Oblici elektronske trgovine

2. Web sajt elektronske trgovine2. Web sajt elektronske trgovine

3. Ponašanje potrošača i marketing

6

2.1 Oblici elektronske trgovine

• Osnovni oblici (tipovi) e-trgovine su

• Prema odnosu na tržištu• Prema odnosu na tržištu

– Business-to-Consumers (B2C)

– Business-to-Business (B2B)

– Consumer-to-Consumer (C2C)

• Prema tehnologiji

– Klijent-server

– Peer-to-Peer (P2P)– Peer-to-Peer (P2P)

– Mobile e-commerce (M-commerce)

7

2.2 Web sajt elektronske trgovine

• Web sajt e-trgovine predstavlja specifični softverski proizvod,

transakcioni informacioni sistem u Web tehnologijitransakcioni informacioni sistem u Web tehnologiji

• Standardne funkcije e-Commerce Web sajta su [3]

1. Online katalog proizvoda/usluga

2. Baze podataka proizvoda i prodaje

3. Korpa za kupovinu (shopping cart) i sistemi plaćanja

4. Baza podataka korisnika (uključujući online registrovane)

5. Praćenje rada korisnika (site log, pogodan za data mining)5. Praćenje rada korisnika (site log, pogodan za data mining)

6. Server za reklame (Ad server) i e-poštu• upravljanje prikazom banera i marketinškim e-mail kampanjama

7. Praćenje i analiza rada Web sajta (site tracking and reporting)

8. Upravljanje zalihama (inventory management)

8

Online katalog proizvoda/usluga

• Lista proizvoda i usluga,

detaljne informacije i detaljne informacije i

njihove cene

– može da sadrži fotografije,animacije, zvuk, ilustracije i video demonstracije

– postoji mogućnost uspostavljanja direktne tekstualne (chat) i video konferencijske komunikacije sa predstavnicima kompanijepredstavnicima kompanije

9

Korpa za kupovinu (shopping cart)

• Popularan naziv za programski

interfejs, posebno dizajniran za pronalaženje/izbor proizvoda i pronalaženje/izbor proizvoda i udobno kreiranje narudžbe

• Implementiran je tako da online kupovanje što više podseća kupovinu u stvarnoj prodavnici

– izbor proizvoda vrši se pritiskom na taster, npr. Add to Cart

– kupovina se realizuje pritiskom na – kupovina se realizuje pritiskom na taster, npr. Proceed to checkout, koji pokreće online plaćanje

– predstavlja deo serverskogsoftvera i smešten je na Web serveru

10

Funkcije servera elektronske trgovine

• Server e-trgovine (e-Commerce

Merchant Server) je softver koji omogućava realizaciju osnovnih omogućava realizaciju osnovnih funkcija neophodnih za e-prodaju

• Osnovne funkcije uključuju:

– pregled online kataloga

proizvoda/usluga

– preuzimanje narudžbine online, tako

da kupci mogu da odvajaju na stranu

proizvode koje žele da kupe,

pregledaju šta su naručili i realizuju pregledaju šta su naručili i realizuju

narudžbinu aktiviranjem tastera na

Web stranici

– obradu kreditnih kartica online -

verifikaciju kartice i bezbedan prenos

navedeneog iznosa na račun e-

prodavca

11

Softverski paketi elektronske trgovine

• Softverski paketi e-trgovine (e-Commerce Suites) pružaju većinu ili sve funkcije i resurse potrebne ili sve funkcije i resurse potrebne za razvoj složenih Web sajtova– osnovna, srednja i visoka klasa

performansi

• Primeri– IBM WebSphere Commerce

– Oracle Commerce

– SAP (hybris)

Yahoo’s Small Business Merchant – Yahoo’s Small Business Merchant Solutions

– Drupal Commerce

– Magento

– PrestaShop

12

2.3 Ponašanje potrošača i marketing

• Model ponašanja potrošača

• Marketing i konkurencija• Marketing i konkurencija

• Tehnologija Internet marketinga

13

Model ponašanja potrošača

• Ponašanja potrošača je disciplina društvenih nauka, koja

nastoji da modelira i shvati ponašanje ljudi na tržištunastoji da modelira i shvati ponašanje ljudi na tržištu

• Modeliranje ponašanja potrošača pokušava da predvidi šta će

potrošači kupiti i gde, kada i koliko i da objasni zašto kupuju

• Opšti model ponašanja potrošača se zasniva na:

– demografskim faktorima kao nezavisnim promenljivima

– intervenišućim promenljivima, koje stimuliše tržište i

– zavisnim promenljivima, odlukama kupaca– zavisnim promenljivima, odlukama kupaca

14

Odluka o kupovini

• Proces donošenja odluke o kupovini online može se podeliti u

pet faza:pet faza:

1. Svest o potrebi

2. Traganje za više informacija

3. Procena alternativa

4. Konkretna odluka o kupovini

5. Kontakt sa firmom nakon kupovine

15

Model ponašanja online potrošača

• Ponašanje potrošača u mreži ima određene specifičnosti u

odnosu na tradicionalne potrošačeodnosu na tradicionalne potrošače

• Opšti model ponašanja (demografski faktori, tržište, odluke

potrošača) u online kupovini treba proširiti novim faktorima

– osobinama korisnika - obučenost i stav prema online kupovini

– svojstvima proizvoda i

– mogućnostima Web sajta (sadržaj, dizajn i fukcionalnost - brzina odziva/navigacija/poverenje u bezbednost podataka)odziva/navigacija/poverenje u bezbednost podataka)

• Ponašanje potrošača u prodavnici zamenjeno je ponašanjem

potrošača u komunikacijai sa Web sajtom prilikom online

kupovine (clickstream behaviour)

– dnevnik transakcija (transaction log) prati ponašanje potrošača od pretraživanja do kupovine

16

Marketing i konkurencija

• Marketing - strategije i aktivnosti firme, koje se preduzimaju

radi uspostavljanja odnosa sa potrošačem i podsticanja radi uspostavljanja odnosa sa potrošačem i podsticanja

kupovine svojih proizvoda ili usluga

• Marketing se koristi i za sprečavanje da proizvod postane

roba

– roba (commodities) su dobra ili usluge za koje postoji veliki broj prodavaca i svi proizvodi suštinski identični, npr. pšenica ili čelik. Izbor kupca se zasniva isključivo na ceni i uslovima isporuke

• Marketing nastoji da izbegne isključivo konkurenciju cena i da

kreira tržište gde je povrat investicija prosečan, konkurencija

ograničena i gde će kupci plaćati više cene onih proizvoda

koje doživljavaju kao jedinstvene

17

Tehnologija Internet marketinga

1. Dnevnici Web transakcija

2. Kolačići i Web bubice2. Kolačići i Web bubice

3. Baze, skladišta podataka i istraživanje podataka

4. Mreže za reklamiranje

5. Sistemi za upravljanje odnosima s kupcima

18

Ilustracija: Upotreba Web bubica

za praćenje Internet korisnika

• Web bubice (bugs, beacons) su mali grafički fajlovi (1 piksel) ugrađeni u Web stranice i e-mail poruke

• Koriste se za automatski prenos informacija o korisniku i posmatranoj stranici na server u svrhu nadzor

• Web bubica prikuplja informacije

– IP adresa računara koji je tražio Web stranicu, URL adresa Web stranice sa Web bubicom, URL adresa slike Web bubice

– Datum i vreme pregleda Web bubice

– Tip Web čitača koji je preuzeo stranicu sa Web bubicom

– Prethodna vrednost kolačića (cookie)

• Primer sadržaja zahtevane Web stranice:<IMG SRC="http://ad.doubleclick.net/ad/pixel.quicken/NEW"

WIDTH=1 HEIGHT=1 BORDER=0>

19

3. Inteligentni sistemi

1. Definicija inteligentnih sistema

2. Uloga inteligentnih sistema u poslovanju2. Uloga inteligentnih sistema u poslovanju

3. Veštačka inteligencija i mašinsko učenje

4. Metodi realizacije inteligentnih sistema

5. Inteligentni agenti

20

3.1 Definicija inteligentnih sistema

• Inteligencija se definiše opisno, kroz inteligentno ponašanje

– rasuđivanje (Reasoning)– rasuđivanje (Reasoning)

– učenje (Learning)

– adaptacija (Adaptivity)

• Inteligentni sistem se samostalno adaptira promenama u

problemima (automatizovano učenje)

• Mašinska inteligencija (Machine intelligence) je izrada

softvera koji se ponaša kao i čovek na sličnim zadacimasoftvera koji se ponaša kao i čovek na sličnim zadacima

• Intelligentnii sistemi su softverski sistemi koji pokazuju mnoge

od sposobnosti čoveka na poslovima gde je potrebna

inteligencija

21

3.2 Uloga inteligentnih sistema

u poslovanju

• Inteligentni sistemi u poslovanju obuhvataju softverske alate,

obično za podršku odlučivanju (DSS)obično za podršku odlučivanju (DSS)

• Efekti primene metoda tzv. poslovne inteligencije (BI) su

– povećanje produktivnosti

– postizanje kompetitivne prednosti

• Područja primene su, npr.

– otkrivanje uzoraka ponašanja potrošača

– marketinški trendovi

– povećanje efikasnosti– povećanje efikasnosti

• Primeri:

– podrška korisnicima (Customer Relations Modelling)

– planiranje

– predviđanja na finasijskim tržištima (Financial market prediction)

22

3.3 Veštačka inteligencija

i mašinsko učenje

• Veštačka inteligencija (Artificial Intelligence, AI) ima za cilj

razvoj softvera koji omogućava računaru da rešava probleme razvoj softvera koji omogućava računaru da rešava probleme

metodima rezonovanja koje koristi čovek

– disciplina računarskih nauka, nastala 1956

– bavi se izgradnjom sistema zasnovanih na znanju i metodima rešavanja problema koje koristi čovek

– obuhvata proučavanje funkcionisanja mozga radi razumevanjastrukture i funkcije

• Poznate uspešne primene• Poznate uspešne primene

– ekspertni sistemi (Expert systems)

– sistemi zaključivanja na osnovu poznatih slučajeva (Case Based Reasoning systems)

– Inteligentni asistenti23

3.4 Metodi realizacije inteligentnih sistema

• Inteligentni sistemi mogu istovremeno da koriste jedan

ili više metoda realizacije:ili više metoda realizacije:

1. Ekspertni sistemi (Expert Systems)

2. Veštačke neuronske mreže (Artificial Neural Networks)

3. Genetički algoritmi (Genetic Algorithms, GA)

4. Fazi sistemi (Fuzzy Systems)

5. Zaključivanje na osnovu slučajeva (Case-based reasoning, CBR)

6. Istraživanje podataka/otkrivanje znanja 6. Istraživanje podataka/otkrivanje znanja

(Data Mining/Knowledge data Discovery)

7. Inteligentni agenti (Intelligent Software Agents)

8. Komunikacija u prirodnom jeziku (Language Technology)

3.5 Inteligentni Agenti u e-trgovini

• Primena u B2C (Business-to-Consumer) sistemima

– posredovanje proizvoda (Product Brokering) - agent predlaže kupcu – posredovanje proizvoda (Product Brokering) - agent predlaže kupcu proizvode (Jango)

– trgovačko posredovanje (Merchant Brokering) - agent predlaže prodavca određenog proizvoda (BergainFinder)

– pregovaranje - agent određuje cene ili druge elemente transakcija (aukcije i ugovori, T@T)

• Primena u B2B (Business-to-Business)

– lanci snabdevanja (Supply Chain Management)– lanci snabdevanja (Supply Chain Management)

• Ostale novije primene

– mobilni agenti (pogodni za primenu na mobilnim uređajima)

– evolucioni agenti (Evolutionary Agents)

– Data Mining agenti25

4. Inteligentni sistemi u e-trgovini

1. Inteligentni sistemi u e-prodaji

2. Inteligentni sistemi u e-marketingu 2. Inteligentni sistemi u e-marketingu

26

4.1 Inteligentni sistemi u e-prodaji

A. Preporučivanje proizvoda u e-prodaji

B. Automatizacija aukcijaB. Automatizacija aukcija

27

A.Preporučivanje proizvoda u e-prodaji

• Sistemi za preporučivanje proizvoda (recommender systems)

su programski alati i tehnike koje daju sugestije kupcima su programski alati i tehnike koje daju sugestije kupcima

prilikom pregleda kataloga, odnosno online kupovine

• Osnovni cilj je podrška donošenju odluka u procesu kupovine

proizvoda, kao što je izbor konkretnog proizvoda/usluge ili

načina plaćanja

– predstavljaju važno sredstvo elektronske trgovine, koji omogućava online korisniku (kupcu) da se izbori sa prevelikim obimom informacijaonline korisniku (kupcu) da se izbori sa prevelikim obimom informacija

– znatno povećavaju online prodaju

28

Ilustracija: Amazon.com

• Amazon istovremeno koristi

više metoda preporučivanjaviše metoda preporučivanja

– sadržaji koji su slični do sada pregledanim sadržajima

– relevantni sadržaji, u odnosu na istorijat pretrage

– nedavno pregledani i najnovijisadržaji (proizvodi)

– personalizovane poruke, za – personalizovane poruke, za registrovane korisnike

29

Tehnike preporučivanja proizvoda

• Osnovne tehnike su:

– kolaborativno filtriranje (collaborative filtering)– kolaborativno filtriranje (collaborative filtering)

– filtriranje po sadržaju (content-based filtering)

– metodi istraživanja znanja (data mining) i

– kontekstualni metodi (context-aware)

• Primena i evaluacija sistema za preporučivanje zasniva se na

oceni kvaliteta preporuka, koji zavisi od izabranog pristupa i

adekvatnosti priimenjenih algoritamaadekvatnosti priimenjenih algoritama

• Sistemi grupnog preporučivanja omogućavaju pretvaranje

različitih izvora i oblika preporuka u nove vrste pouzdanijih

preporuka

30

Illustracija 1: Primena mašinskog učenja

u sistemima za preporučivanje proizvoda

(1) Učenje pravila odlučivanja

na osnovu primera donesenih

(2) Primena pravila odlučivanja

iz Korisničkog profila za

Primeri

donesenih odluka

Metod

mašinskog

učenja

Korisnički

profil (User Profile)

na osnovu primera donesenih

odluka nekog korisnika i

ažuriranje Korisničkog profila

iz Korisničkog profila za

predviđanje sledećih odluka

nekog korisnika

donesenih odluka

Nova odluka

Novi primer

Nova odluka

Ilustracija 2: Jango - Internet

muzički radio i društvena mreža

• Unesen osnovni kriterijum

(izvođač Joe Cocker), sistem (izvođač Joe Cocker), sistem

dalje samostalno bira

adekvatan repetoar po

sličnosti* sadržaja ...

1. ocenjivanje

2. reklame (Google Ads)

❷

❶

32

❷

*Sličnost = funkcija sličnosti (inv. distanca)

Primeri sistema s preporučivanjem

• Muzički sadržaji

– music.yahoo.com– music.yahoo.com

• Restorani

– entree.com

• Filmovi

– netflix.com (NetFlix Prize)

– imdb.com

– alkindi.com– alkindi.com

– Movielens.com

• Knjige

– amazon.com

B. Automatizacija aukcija

• Aukcija je institucija tržišta s eksplicitnim skupom pravila koja

određuju alokaciju i cene resursa na osnovu ponuda učesnikaodređuju alokaciju i cene resursa na osnovu ponuda učesnika

– jedan od najstarijih oblika trgovanja (500 godina p.n.e)

– putem aukcija se prodaju različite robe, npr. nafta (OPEC), radio-frekventni spektar (FCC), mrežni resursi

• Primeri ranih sistema za automatizaciju Internet aukcija

– Internet AuctionBot (University of Michigan, 1998), eMediator

(Washington University, 2000), Secure Electronic Auction Protocol (Ohio State University, 1996)State University, 1996)

• Modeliranje aukcija - primena teorije igara

– Automatizovane internet aukcije - softverski agenti:BidPal, Auction Sniper, EZSniper, Gixen, BidFellow, ...

34

Ilustracija: BidFellow - automatizacija

internet aukcija (penny auctions)

Aukcije kod kojih se plaća davanje svake

ponude, kojom se podiže cena za mali iznos.

Aukcija se završava kad neko kratko vreme

(10-20s) nema novih ponuda.

Pošto se može uložiti dosta novca i izgubiti,

model podseća kocku ili igru, pa je potreban

softver za optimizaciju strategije.softver za optimizaciju strategije.

4.2 Inteligentni sistemi u e-marketingu

A. Personalizacija u e-marketingu

B. Izrada profila metodima istraživanja podatakaB. Izrada profila metodima istraživanja podataka

C. Odnosi s kupcima i automatizacija marketinga

36

A. Personalizacija u e-marketingu

• Personalizacije je prilagođavanje potrebama, interesovanjima i preferencijama korisnika

• Primer : eBay.com [5] analizirakriterijume pretraživanja klijenta na sajtu (više od 100 atributa, preferencijama korisnika

• Može se automatizovati primenom metoda mašinskog učenja za izradu modela online ponašanja korisnika - korisničkih profila

• Element uspostavljanja odnosa s potrošačima (Customer

na sajtu (više od 100 atributa, npr. proizvod, brend, cena) za:1. kreiranje lista proizvoda na početnoj

stranici, koju korisnik vidi kad god

pristupi sajtu, tako da uvek vidi

najnovije proizvode bez novog

pretraživanja

2. izbor reklama po kriterijumu

pretraživanjapotrošačima (Customer

Relationship Management, CRM)

pretraživanja

3. ponudu dnevnih e-mail poruka o

proizvodima koje je tražio, kako bi se

vraćao da pregleda detalje ponude

37

B. Izrada profila korisnika

metodima istraživanja podataka

• Istraživanje podataka (Data

Mining), posebno mašinsko učenje, koriste se za izradu

Merenje odziva kupaca

učenje, koriste se za izradu modela ili profila korisnika na osnovu:

– primera interakcije sa sistemom

– ocenjenih proizvoda

• Model/profil korisnika se može koristiti za

– preporučivanje proizvoda

Isporuka i prikaz

personalizovanih informacija

Uparivanje

Izrada profila kupaca

(data mining)– preporučivanje proizvoda

– filtriranje informacija

– predviđanje ponašanja korisnika u kupovini

38

Prikupljanje podataka o kupcima

(data mining)

C. Odnosi s kupcima

i automatizacija marketinga

• Automatizacija marketinga: prediktivno modeliranje u sistemima upravljanje odnosimasistemima upravljanje odnosimas potrošačima (CRM)

• Analiza istorijskih podataka radi kvalitativnog/kvantitativnog predviđanjae budućih događaja

– predviđanje rezultata marketinških kampanja

– analiza lojalnosti pojedinih kupaca– analiza lojalnosti pojedinih kupaca

– optimalna segmentacija tržišta

• Metodi istraživanja podataka, posebno mašinskog učenja (klasifikacija, regresija, klastering)

39

5. Inteligentni interfejsi

• Komunikacija u prirodnom jeziku

• Primena sistema Kinect u e-trgovini• Primena sistema Kinect u e-trgovini

• Inteligentni asistenti

40

Komunikacija u prirodnom jeziku

• Tekstualna i govorna

komunikacija u e-trgovini komunikacija u e-trgovini

– povećavaju zadovoljstvo kupca

– pomažu licima s posebnim potrebama

• Ideja

– ELIZA - jedan od prvih programa za komunikaciju u prirodnom jeziku (1966)prirodnom jeziku (1966)

• Primer

– Olivia - inteligentni agent HSBC banke

41

Primena sistema Kinect u e-trgovini

• Microsoft Kinect, 3D položaj

i pokreti delova telai pokreti delova tela

• Elektronska trgovina:

Virtual Fitting Room

– 3D skeniranje i vizualizacija

– pronalaženje najpogodnije veličine odeće (1-3 sekunde)

– personalizovana kupovina – personalizovana kupovina povećava verovatnoću odluke o e-kupovini 50-200%

42

Inteligentni asistenti

• Inteligentni asistenti su softverski sistemi koji pomažu

korisniku u obavljanju rutinskih poslova korisniku u obavljanju rutinskih poslova

– npr. automatizovani prijem, raspoređivanje i odgovaranje na elektronsku poštu, filtriranje neželjene pošte, davanje preporuka pri kupovini putem Interneta i organizacija poslovnih sastanaka

• Asistenti su vezani za neposrednu interakciju i prilagođavanje

potrebama humanog korisnika

– Razlikuju se od inteligentnih agenata, koji mogu da funkcionišu i bez interakcije s čovekominterakcije s čovekom

• Primeri asistenata

– Microsoft Windows/Office SmartMenus, Outlook anti-spam filter, SpamBayes, WebWatcher, iShopper, Siri, Cortana, Google Now, ...

43

6. Primeri sistema

1. Elektronska prodavnica Amazon.com

2. Inteligentni pomoćnik u kupovini iShopper2. Inteligentni pomoćnik u kupovini iShopper

3. Prestashop Social Shopping

44

5.1 Elektronska prodavnica Amazon.com

• Prodavnica koristi kompleksan sistem praćenja ponašanja

korisnika i preporučivanja proizvodakorisnika i preporučivanja proizvoda

1. Izdvojene preporuke (Featured Recommendations): prilagođeni prikazi prošlosti/kupovine

2. Kupce koji su kupili ovaj proizvod (People who bought this): međusobno poredi kupce

3. Upozorenja (Alerts): sistem šalje e-mail poruke kada se prodaje proizvod koji se dopada korisniku

4. Mišljenja posetilaca (Customer Revies)4. Mišljenja posetilaca (Customer Revies)korisnici daju sopstvena mišljenja i ocene proizvoda (1-5)

5. ListMania: omogućava korisnicima da dodaju svoje liste proizvoda

45

Amazon: Struktura kataloga

• Prodavnica Amazon

istovremeno koristi više istovremeno koristi više

metoda preporučivanja

– relevantni sadržaji, u odnosu na istorijat pretrage

– sadržaji slični do sada pregledanim

– sadržaji koje upravo pregledaju drugi korisnicidrugi korisnici

46

Amazon: preporuke

• Iza prikazanih (traženih) proizvoda nudi se mala anketa (Search Feedback)(Search Feedback)

• Na kraju Web stranice se preporučuju

1. nedavno pregledani proizvodi (Your Recent History)

2. proizvodi koje su pregledali kupci sličnih navika (Customers Who

Bought Items in Your Recent Bought Items in Your Recent

History Also Bougtht)

• Mogu se pregledati podaci o sopstvenom online ponašanju (View and edit your browsing

history)47

Amazon: pregled podataka

o online ponašanju korisnika

• Mozilla Firefox: Tools/Page Info; Detail;ViewCookies (4)

48

5.2 Inteligentni pomoćnik

u kupovini iShopper

• iShopper (Intelligent Shopper) je eksperimentalni sistem koji

– pomaže trgovcima u analizi individualnih potreba kupaca radi privlačenja njihovog većeg broja

– povećava prodaju proizvoda putem ciljanih preporuka ipromocija

– snižava troškove smanjenjem broja prodavaca (ljudski resursi)broja prodavaca (ljudski resursi)

– pomaže u izgradnji dugoročnihodnosa sa klijentima

• Koristi sisteme poslovne inteligencije (BI) i RFID tehnologiju označavanja

49

5.3 Prestashop Social Shopping

• Prestashop omogućava

izradu Web sajta e-trgovine izradu Web sajta e-trgovine

koji pretvara kamere

klijentskih računara u

interaktivna ogledala e-

prodavnice pomoću

Webcam Social Shopper

– vizuelno zanimljiva i zabavna vizuelno zanimljiva i zabavna kupovina

– moguće virtuelne grupne kupovine (social shopping)

50

Kućni sistem Webcam Social Shopper

• Demonstracija (ž/m)http://webcamsocialshopper.cohttp://webcamsocialshopper.com/demos#prettyPhoto

• How to use ... (2 min) https://youtu.be/ocVEvK9Sl34

51

Literatura

1. Miškovic V., Sistemi za podršku odlučivanju, Univerzitet Singidunum, Beograd, 2016 (186-206)

2. Turban E., Aronson J.E., Liang T., Sharda R., Decision Support and Business 2. Turban E., Aronson J.E., Liang T., Sharda R., Decision Support and Business

Intelligence Systems, 9th Ed, Pearson Education, Inc, 2010

3. Milosavljević M., Miškovic V., Elektronska trgovina, Univerzitet Singidunum, 2016

4. Rustagi A., "A Near Real-Time Personalization for eCommerce Platform", Enabling

Real-Time Business Intelligence, Lecture Notes in Business Information Processing,Volume 126, pp 109-117, Springer, 2012

5. Miškovic V., "Inteligentni asistenti: programski sistemi koji uče od svojih korisnika", Singidunum Revija, Vol. 5, No. 2, pp. 89-97, 2008korisnika", Singidunum Revija, Vol. 5, No. 2, pp. 89-97, 2008

6. http://www.wikipedia.org

7. http://www.amazon.com

8. http://www.jango.com

9. http://www.mmds.org

SISTEMI ZA PODRŠKU ODLUČIVANJU

Tema 10: Inteligentna podrška elektronskoj trgovini

KRAJ