Sistemi za podporo pri odločanju Vsebina predavanj 1. Splošno o sistemih za podporo odločanja o definicija in umestitev v kontekst PIS o lastnosti, zgodovina, vrste, arhitektura o primeri 2. Podatkovna skladišča o podatkovna kocka o sprotna analiza podatkov (OLAP) o vrtilna tabela in vrtilni grafikon o primeri v Excelu in Accessu 3. Izkopavanje podatkov 4. Ekspertni sistemi Poslovni informacijski sistemi (UNG 2012/13) 1 Ponovimo: Vrste informacijskih sistemov o Transakcijski sistemi o Upravljavski informacijski sistemi o Sistemi za podporo odločanju o Ekspertni sistemi o Sistemi za podporo pisarniškemu poslovanju o Sistemi za osebno in skupinsko delo Poslovni informacijski sistemi (UNG 2012/13) 2 Področja uporabe PIS J.L. Whitten, L.D.Bentley : System Analysis and Design Methods, Irwin/McGraw-Hill, 1998, stran 43 PODPORA POSLOVANJA PODPORA ODLOČANJA IN UPRAVLJANJA Poslovni informacijski sistemi (UNG 2012/13) 3 Marko Bohanec 1
in upravljanja o Upravljalski informacijski sistemi o MIS: Management Information Systems o Direktorski informacijski sistemi o EIS: Executive Information Systems o ESS: Executive Support Systems o Sistemi za podporo pri odločanju o DSS: Decision Support Systems o Ekspertni sistemi o ES: Expert Systems o Sistemi za skupinsko delo o GDSS: Group DSS; Groupware DSS (širše) Poslovni informacijski sistemi (UNG 2012/13) 4 Kaj so sistemi za podporo pri odločanju? Sistemi za podporo pri odločanju so: o informacijski sistemi, o ki pomagajo o uporabnikom o pri sprejemanju odločitev. o posebna oblika informacijskih sistemov o uporabniki: predvsem managerji, tudi drugi delavci v organizacijah, posamezniki o pomagajo pri odločanju, vendar ne odločajo sami Poslovni informacijski sistemi (UNG 2012/13) 5 Kaj vse lahko pomaga pri odločanju? o podatek, pomnjenje na primer: poišči mi določen podatek o izračun, izpeljava, združevanje ( agregacija ) na primer: izračunaj vsoto podatkov o poročilo kot urejena skupina podatkov o pregledovanje in analiziranje podatkov vrtilne tabele o vizualizacija grafični prikaz podatkov oz. rezultatov o simulacija o logično sklepanje o... SELECT ime, priimek, starost FROM pacient WHERE starost > 30 SELECT PAC_postna_stevilka, count(*) FROM pacient SELECT PAC_ime, PAC_priimek FROM pacient ORDER BY PAC_priimek ASC Poslovni informacijski sistemi (UNG 2012/13) 6 Marko Bohanec 2
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 problema o zbiranje in preverjanje informacij o identifikacija alternativ o predvidevanje posledic odločitev o odločitev o obveščanje o odločitvi in razlogih zanjo o realizacija odločitve o vrednotenje odločitev Poslovni informacijski sistemi (UNG 2012/13) 7 Lastnosti in zmožnosti DSS o podpora odločevalcev pri reševanju strukturiranih in delno strukturiranih odločitvenih problemov o podpora upravljalcem (managerjem) na vseh ravneh organizacije o podpora posameznikov in skupin o podpora med seboj neodvisnih ( vzporednih ) in zaporednih odločitev o podpora različnih faz odločitvenega procesa o prilagodljivost o interaktivnost o preprosta uporaba o učinkovitost o jasnost, transparentnost o preprostost razvoja in prilagajanja spremembam o možnost modeliranja in analiz Poslovni informacijski sistemi (UNG 2012/13) 8 Kratka zgodovina DSS 1950 1960 1970 1980 1990 2000 teorija: operacijske raziskave, odločitvena analiza praksa: razvoj interaktivnega računalništva osnove DSS prvi 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) 9 Marko Bohanec 3
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 problema o Kooperativni: kombinacija obeh: o DSS predlaga rešitev o uporabnik spremeni ali dopolni rešitev in o jo vrne sistemu v oceno; o možnih je več ciklov Poslovni informacijski sistemi (UNG 2012/13) 10 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) 11 Splošna arhitektura DSS baza podatkov dokumenti uporabniški vmesnik jedro DSS modeli + komunikacijski del baza znanja Poslovni informacijski sistemi (UNG 2012/13) 12 Marko Bohanec 4
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) 13 Primeri: Rezultati poslovanja: prodaja Poslovni informacijski sistemi (UNG 2012/13) 14 Primeri: Struktura prihodkov in odhodkov Poslovni informacijski sistemi (UNG 2010/11) 2012/13) 15 Marko Bohanec 5
Primeri: Rezultati poslovanja Poslovni informacijski sistemi (UNG 2010/11) 2012/13) 16 Primeri: Analiza uporabe virov Poslovni informacijski sistemi (UNG 2012/13) 17 Primer: Analiza trendov Poslovni informacijski sistemi (UNG 2012/13) 18 Marko Bohanec 6
Primer: Ocenjevanje požarne ogroženosti Poslovni informacijski sistemi (UNG 2012/13) 19 http://www.arso.gov.si/vreme/napovedi%20in%20podatki/pozarna_ogrozenost.html Primer: Medicinska diagnostika Poslovni informacijski sistemi (UNG 2012/13) 20 http://easydiagnosis.com/ Primer: Avtocestni nadzorni sistem Poslovni informacijski sistemi (UNG 2012/13) 21 Marko Bohanec 7
Na vrsti ste! Opredelite in razvrstite sistem za vrednotenje mobilnih telefonov Poslovni informacijski sistemi (UNG 2012/13) 22 Na vrsti ste! Večparametrski model za vrednotenje mobilnih telefonov Poslovni informacijski sistemi (UNG 2012/13) 23 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) 24 Marko Bohanec 8
Podatkovna skladišča Podatkovno skladišče ( Data Warehouse ) je zbirka podatkov, namenjena podpori odločanja (pri upravljanju podjetij). Lastnosti: o vključuje podatke iz različnih virov o namenjeno podrobni analizi velike količine podatkov o urejeno po: o predmetu obravnave (kupec, proizvod, prodaja, dobavitelj) o času o relativno statično (občasna ažuriranja, sicer poizvedovanje) Poslovni informacijski sistemi (UNG 2012/13) 25 Baza : Skladišče BAZA PODATKOV o podpira delo s podatki o vnos in branje podatkov o dinamično spreminjanje vsebine o struktura se redko spreminja o veliko uporabnikov o transakcijske obdelave o vnaprej določeni izpisi ali poizvedovanja s SQL SKLADIŠČE PODATKOV o podpira analizo podatkov o branje podatkov o podatki so statični, le občasno ažuriranje o strukturo prilagajamo potrebam o malo uporabnikov o analitične in sintetične obdelave o ad-hoc analize, korelacije, statistike, OLAP Poslovni informacijski sistemi (UNG 2012/13) 26 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) 27 Marko Bohanec 9
Podatkovna kocka ( Data Cube ) Prodaja [enot] CE MB LJ 605 825 14 400 680 952 31 512 1 2 3 4 Čas [četrtletje] 812 960 30 501 927 995 38 580 A B C D Izdelek Število dimenzij ni nujno 3 Poslovni informacijski sistemi (UNG 2012/13) 28 Primer: od transakcij do podatkovne kocke transakcije podatkovna kocka Vsebina: vsota Kolicin Dimenziji: 1. Datum 2. Izdelek Izdelek Datum Kolicina Poslovni informacijski sistemi (UNG 2012/13) 29 Hierarhične dimenzije ( Concept Hierarchy ) LOKACIJA VSE HIERARHIJA LOKACIJA ČAS Italija... Slovenija Država Leto Centr. Gorenjska LJ KR... Dolenjska... Regija Kraj Četrtletje Mesec Teden Prod. A Prod. B Prod. C... Prodajalna Dan Poslovni informacijski sistemi (UNG 2012/13) 30 Marko Bohanec 10
Dimenzije in elementi podatkovne kocke LOKACIJA Država Leto ČAS Regija Četrtletje Kraj Mesec Prodajalna Dan Prodano [enot] Prodaja [ ] Elementi Ime Ime Kategorija Znamka KUPEC Skupina Vrsta IZDELEK Poslovni informacijski sistemi (UNG 2012/13) 31 Operacije OLAP Drill-Down: razvij četrtletje v mesec Štajerska Centr. 1 2 3 4 CE MB LJ 1 2 3 4 CE MB LJ Jan Feb Mar Apr A B C D A B C D Roll-Up: združi kraj v regijo Sep Okt Nov Dec A B C D Poslovni informacijski sistemi (UNG 2012/13) 32 Operacije OLAP Slice: presek MB LJ A B D 1 2 CE MB LJ A B C D 1 2 3 4 MB 1 5 7 3 1 2 3 4 Pivot: obrni A B C D Dice: izsek MB 1 5 7 3 1 2 3 4 A B C D Poslovni informacijski sistemi (UNG 2012/13) 33 Marko Bohanec 11
Vrtilna tabela ( Pivot Table ) Dvodimenzionalni zbirni prikaz večdimenzionalnih podatkov (podatkovnih kock) Vsebuje področja: o podatki: vsebina, prikazuje osnovne ali zbirne podatke o vrstice: prva dimenzija o stolpci: druga dimenzija o strani: izbira (filtriranje) podatkov V vsakem področju je lahko več spremenljivk (polj osnovne tabele) Poslovni informacijski sistemi (UNG 2012/13) 34 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) 35 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 spremljamo o in je relacijsko povezana s tabelami, ki opisujejo dimenzije 2. Pregledujemo podatkovno kocko z: o vrtilno tabelo o vrtilnim grafikonom Poslovni informacijski sistemi (UNG 2012/13) 36 Marko Bohanec 12
Vaja: Podatkovna kocka in OLAP v Accessu Poslovni informacijski sistemi (UNG 2012/13) 37 MS Analysis Services: Podatkovne kocke Poslovni informacijski sistemi (UNG 2012/13) 38 MS Analysis Services: OLAP in vrtilna tabela Poslovni informacijski sistemi (UNG 2012/13) 39 Marko Bohanec 13
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 hkrati o iskanje vzročnih in časovnih odvisnosti ( sequencing ) Poslovni informacijski sistemi (UNG 2012/13) 40 Faze iskanja zakonitosti v podatkih ZNANJE: modeli, pravila, odvisnosti, vzorci,... 3. Interpretacija, vrednotenje in predstavitev 2. Izkopavanje podatkov 1. Priprava podatkov VIRI PODATKOV Poslovni informacijski sistemi (UNG 2012/13) 41 1. faza: Priprava podatkov 1d. Transformacija 1c. Selekcija Pod. skladišče 1b. Integracija 1a. Čiščenje Baze podatkov Datoteke Zun. viri Poslovni informacijski sistemi (UNG 2012/13) 42 Marko Bohanec 14
2. faza: Izkopavanje podatkov Uporaba številnih in raznovrstnih metod: o statistične metode o osnovne statistike o korelacije o diskriminantne in regresijske analize o vizualizacija o metode strojnega učenja: o odločitvena drevesa o odločitvena pravila o asociacijska pravila o nevronske mreže o razvrščanje v skupine o... Poslovni informacijski sistemi (UNG 2012/13) 43 Asociacijska (povezovalna) pravila Tipični problem: analiza nakupovalnih košaric Košarica Artikel 1 mleko 1 maslo 2 mleko 2 med 2 maslo 3 mleko 3 kruh 3 maslo 4 mleko 4 kruh 4 med Naloga: Poiskati "zanimiva" pravila oblike če kupi mleko, potem kupi tudi maslo mleko maslo Tri pravila: mleko maslo [sup 75%, conf 75%] maslo mleko [sup 75%, conf 100%] med mleko [sup 50%, conf 100%] Poslovni informacijski sistemi (UNG 2012/13) 44 Odločitvena drevesa Oseba 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 < 50.000 Starost Dohodki 50.000 Stranka=da < 32 32 Stranka=ne Stranka=da Odločitveno drevo: o opisuje zakonitosti v obstoječih podatkih o napoveduje (klasificira) nove primere Poslovni informacijski sistemi (UNG 2012/13) 45 Marko Bohanec 15
Klasifikacijsko odločitveno drevo Oseba 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 < 50.000 Starost 50.000 Stranka=da < 32 32 Stranka=ne Stranka=da Poslovni informacijski sistemi (UNG 2012/13) 46 Regresijsko odločitveno drevo Oseba 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 Spol Ž Starost M Dohodek=75.000 < 53 53 Dohodek=7.500 Dohodek=205.000 Poslovni informacijski sistemi (UNG 2012/13) 47 primer povzet po: Sašo Džeroski: Decision Trees Primer 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 Poslovni informacijski sistemi (UNG 2012/13) 48 povzeto po: Bojan Cestnik: Strojno učenje Marko Bohanec 16
Primer: Odločitveno drevo Starost staro srednje, novo pada Konkurenca ne da Uporaba: 1. opisuje zakonitosti v obstoječih podatkih 2. napoveduje (klasificira) nove primere narašča Starost srednje novo pada narašča Poslovni informacijski sistemi (UNG 2012/13) 49 povzeto po: Bojan Cestnik: Strojno učenje 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 sončno oblačno dež Vlaga da Veter visoka norm da ne ne da ne da Poslovni informacijski sistemi (UNG 2012/13) 50 Weka (1/2) http://www.cs.waikato.ac.nz/~ml/weka/ Poslovni informacijski sistemi (UNG 2012/13) 51 Marko Bohanec 17
Weka (2/2) http://www.cs.waikato.ac.nz/~ml/weka/ Poslovni informacijski sistemi (UNG 2012/13) 52 Orange http://magix.fri.uni-lj.si/orange/ Poslovni informacijski sistemi (UNG 2012/13) 53 Rapid Miner http://rapid-i.com/index.php?lang=en Poslovni informacijski sistemi (UNG 2012/13) 54 Marko Bohanec 18
Ekspertni sistemi (ES, Expert Systems ) Računalniški sistemi, ki: o rešujejo probleme o na (ozkem) strokovnem področju o podobno kot strokovnjaki (eksperti) Zahteve: o sposobnost sklepanja o sposobnost presoje o zmožnost delovanja pri nezanesljivih in nepopolnih podatkih o zmožnost pojasnjevanja: o delovanja in sklepanja: vprašanja Kako? in Zakaj? o predlaganih rešitev Poslovni informacijski sistemi (UNG 2012/13) 55 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 Poslovni informacijski sistemi (UNG 2012/13) 56 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... Poslovni informacijski sistemi (UNG 2012/13) 57 Marko Bohanec 19
Splošna arhitektura ES Ekspertni sistem mehanizmi sklepanja uporabniški vmesnik baza znanja Poslovni informacijski sistemi (UNG 2012/13) 58 Ključni koncepti ES o Predstavitve znanja ( knowledge representation ): o semantične mreže, taksonomije, ontologije o okviri, predmeti o pravila o formalna logika o Mehanizmi sklepanja ( inference ): o sklepanje naprej o sklepanje nazaj o Upoštevanje negotovosti ( uncertainty propagation ) o verjetnost ( probability ) o mehka logika ( fuzzy logic, possibility ) Poslovni informacijski sistemi (UNG 2012/13) 59 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, vendar PREVERITI garancijo, družino in starost. Poslovni informacijski sistemi (UNG 2012/13) 60 Marko Bohanec 20
Primeri predstavitve znanja v ES (2) Taksonomija: hierarhija pojmov in konceptov PROSPECTOR (geološke raziskave) Poslovni informacijski sistemi (UNG 2012/13) 61 Primeri predstavitve znanja v ES (3) Ontologija: množica konceptov in relacij CYC Poslovni informacijski sistemi (UNG 2012/13) 62 Primeri predstavitve znanja v ES (4) Ontologija: množica konceptov in relacij Poslovni informacijski sistemi (UNG 2012/13) 63 Marko Bohanec 21
Primeri predstavitve znanja v ES (5) Odločitveno drevo Poslovni informacijski sistemi (UNG 2012/13) 64 Primeri predstavitve znanja v ES (6) Odločitveno drevo Poslovni informacijski sistemi (UNG 2012/13) 65 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) 66 Marko Bohanec 22
Prednosti in slabosti ES PREDNOSTI o eksplicitno izražena baza znanja o simbolično (kvalitativno) sklepanje o razlaga odločitev o delovanje z nenatančnimi in nezanesljivimi podatki o dostopnost o prilagodljivost POMANJKLJIVOSTI o ozka problemska področja o relativno zahteven razvoj o znanje, kadri o Feigenbaumovo ozko grlo potreba po strojnem učenju Poslovni informacijski sistemi (UNG 2012/13) 67 Marko Bohanec 23