POSLOVNA INTELIGENCIJA Sadraj v Zato poslovna inteligencija vta

POSLOVNA INTELIGENCIJA

Sadržaj: v. Zašto poslovna inteligencija? vŠta je poslovna inteligencija? vČemu služi poslovna inteligencija? vŠta sačinjava poslovnu inteligenciju?

Zašto poslovna inteligencija? v. Tržište postaje sve promjenljivje, sve globalnije i sa sve oštrijim nadmetanjem, v. Ponašanje kupaca/korisnika usluga i tržišta postaje sve nepostojanije i vŽivotni ciklusi proizvoda/usluga rapidno postaju sve kraći

Zašto poslovna inteligencija? Za donošenje valjanih poslovnih odluka u ovim uslovima nije dovoljna samo intuicija! v. Neophodno je da organizacije tačno i blagovremeno analiziraju podatke o -finansijskim operacijama, -kupcima proizvoda/korisnicima usluga, -proizvodima/uslugama, -konkurenciji i dr. , kako bi stekle uvid u poslovne probleme i mogućnosti.

Sadržaj: v. Zašto poslovna inteligencija? vŠta je poslovna inteligencija? vČemu služi poslovna inteligencija? vŠta sačinjava poslovnu inteligenciju?

Šta je poslovna inteligencija? v. Analiza podataka, izvještavanje i alati za upite mogu da pomognu poslovnim korisnicima probijanje kroz more podataka da bi sintetizovali valjane informacije iz njih - danas ti alati zajedno spadaju u kategoriju označenu izrazom “poslovna inteligencija”. (Gartner Group, Septembar, 1996. )

Šta je poslovna inteligencija? Izraz “Business Intelligence” (BI) označava kategoriju sredstava analize podataka, izvještavanja, postavljanja upita, koja korisniku u procesu poslovanja mogu pomoći da iz ogromne količine podataka sintetizuju vrijedne informacije na kojima će zasnivati razborite poslovne odluke (Gartner Group, Septembar, 1996).

Šta je poslovna inteligencija? v. Poslovnu inteligenciju sačinjava široka kategorija alata (programa - aplikacija) za prikupljanje, skladištenje, analiziranje i dostavljanje podataka sa ciljem dostavljanja pravih informacija, pravim ljudima u pravo vrijeme i u pravom obliku radi podrške u procesu poslovnog odlučivanja.

Sadržaj: v. Zašto poslovna inteligencija? vŠta je poslovna inteligencija? vČemu služi poslovna inteligencija? vŠta sačinjava poslovnu inteligenciju?

Čemu služi poslovna inteligencija? Sistem poslovne inteligencije bi trebalo da: 1. Integriše podatke iz svih značajnih izvora (ma koliko oni disparatni bili) u jedno obuhvatno i konzistentno skladište podataka.

Čemu služi poslovna inteligencija? 2. Obezbjeđuje moći istinskog interaktivnog manipulisanja podacima radi omogućavanja korisniku da vidi informacije na način koji podržava njegove procese odlučivanja.

Čemu služi poslovna inteligencija? 3. Nudi višestruke načine viđenja podataka: grafike, tabele, standardizovane i ad hoc formate izvještaja, radi zadovoljavanja informacionih potreba raznih korisnika i za razne svrhe. 4. Omogućava korisniku da doda (ili izostavi) svoje sopstvene analize tokom korišćenja sistema.

Čemu služi poslovna inteligencija? 5. Da bude intuitivno shvatljiv i lak za upotrebu. 6. Da obezbedi sredstva za upravljanje sistemom, kao što je obezbjeđivanje da prave informacije budu upućene pravim ljudima, da bude obezbijeđena bezbjednost sistema i dr.

Sadržaj: v. Zašto poslovna inteligencija? vŠta je poslovna inteligencija? vČemu služi poslovna inteligencija? vŠta sačinjava poslovnu inteligenciju?

Šta sačinjava poslovnu inteligenciju? Şolucija poslovne inteligencije obično uključuje sledeća tri sačinioca: 1. Data warehouse i/ili data mart 2. Online analytical processing (OLAP) 3. Data mining aplikacije

Data mining 16

v. Neophodni uslov razboritog, svrsishodnog i plodotvornog upravljanja kompanijom ili nekom drugom organizacijom i njenim procesima jeste donošenje pravih i pravovremenih odluka.

v. Neophodni uslov donošenja pravih i pravovremenih odluka jeste raspolaganje pravim i pravovremenim informacijama. v. Informacije, podaci i znanja su dragocjena intektualna imovina organizacije, dragocjenija od materijalne imovine.

Odnos materijalnih i intelektualnih resursa sa tržišnom vrijednošću u proizvodnim organizacijama (SAD) U sadašnjem i budućem vremenu organizacije će biti uspješne: v ako dovoljno ulažu u intelektualne resurse i v ako valjano upravlja-ju njima.

Sistemi podrške odlučivanju DSS v. Prave i pravovremene informacije obezbjeđuje dobar sistem podrške odlučivanju (DSS). v. Izrazom “sistemi podrške odlučivanju” (DSS) označava se cjelokupna infrastruktura informacione tehnologije kojom se kompanija (organizacija) koristi radi obezbjeđivanja efikasnog odlučivanja.

Taksonomija sistema podrške odlučivanju DSS Sistemi podrške odlučivanju DSS Modelom pokretani DSS Podacima pokretani DSS (DW, DM, OLAP) Business intelligence Inteligentni sistemi (ES, DM) Power Turban

Operativna i analitička obrada podataka v. Operativna obrada podataka OLTP (unos podataka, procesiranje transakcija, memorisanje i pretraživanje podatakajednostavni upiti, generisanje standardnih dokumenata i izvještaja ) v. Analitička (ili DSS) obrada podataka (izgradnja i analiza modela, kompleksni upiti i ad hoc analize podataka )

OLTP 2 1 Procesiranje transakcija Unos podataka • Batch • Online/ Realtime Generisanje dokumenata i izvještaja Procesiranje upita 3 Upravljanje bazom podataka 4 5

OLTP baza podataka v. Operativna obrada podataka se tiče svakodnevnog poslovanja kompanije (organizacije). v. OLTP baze podataka su oblikovane za veoma brzu obradu velikog broja transakcija. v. OLTP baze podataka su oblikovane da obezbijede efikasnost smještaja i obrade podataka

Analitička obrada podataka (OLAP) v. Analitička (ili DSS) obrada podataka se preduzima radi efikasnog obezbjeđivanja informacija neophodnih za analizu problema ili situacije. v. Analitička (ili DSS) obrada podataka se obavlja pretežno kroz poređenja, agregiranja, analizu trendova…

Analitička baza podataka v. Analitičkim (DSS) bazama podataka se postavljaju zahtjevi drugačiji od onih koji se postavljaju operativnim bazama podataka. v. U sistemima podrške odlučivanju izuzetno rijetko je korisno pogledati neki pojedinačni zapis jer su analitičke baze podataka oblikovane da podržavaju vrlo kompleksne upite korisnika.

v. Analitičke baze podataka su obično veoma velike, pored ostalog i zato što analiziranje trendova zahtijeva velike količine istorijskih podataka.

v. Ovolika nesaglasnost, neusklađenost zatjeva koji se postavljaju ovim dvijema vrstama baza podataka uslovljava da isti podaci često moraju da budu uskladišteni bar dva puta: jednom u operativnom (transakcionom) sistemu koji je usredsređen na transakcije i drugi put u DSS – sistemu podrške odlučivanju gdje će biti analizirani istorijski zapisi.

Data warehouse kao vid analitičke baze podataka v. Kao glavna osnova za sistem podrške odlučivanju (DSS) koristi se analitička baza podataka, punjena iz mnogih operativnih baza, poznata pod nazivom Data Warehouse, čija je jedna od primarnih funkcija da odražava procese i pravila poslovanja cjelovite kompanije – organizacije.

Data warehouse je, jednostavno rečeno, analitička baza podataka koja vse koristi kao osnova za sisteme podrške odlučivanju i voblikovana je za velike količine podataka tako da obezbijedi intuitivnu dostupnost informacijama koje će biti upotrijebljene u procesu odlučivanja.

Mart podataka kao vid analitičke baze podataka v. Za razliku od data warehouse čija je osnovna funkcija da odražava procese i pravila poslovanja cjelovite kompanije – organizacije, mart podataka odražava pravila poslovanja unutar jedne funkcije, jednog poslovnog procesa ili jedne poslovne jedinice, pri čemu ta pravila treba da budu usaglašena sa pravilima poslovanja celokupne organizacije.

v. Martovi podataka mogu da budu upotrebljeni za eksploraciju, data mining, upravljane upite ili online analitičku obradu podataka (OLAP) i predstavljaju direktni izvor podataka kojima krajnji korisnici pristupaju.

“On-Line Analytical Processing” v. OLAP je vid obrade podataka koji omogućava korisniku efikasno postavljanje ad hoc, fleksibilnih, poslovno usmerenih upita na koje raspoloživi podaci sadrže odgovore. v. Izrazom (OLAP) označena je kategorija softverskih tehnologija koje omogućavaju korisnicima (analitičarima, menadže-rima) da analiziraju multidimenzionalne podatke što podrazumijeva svrdlanje kroz podatke i njihovo sagledavanje iz različitih perspektiva

OLAP vsegmentacija – određivanje podskupova (“slicing”) prema kriterijumu navedenom u upitu, vrotacija (“data dicing” ili “pivot”) vagregacija ili disagregacija multidimenzionalnih podataka radi predočavanja viših ili nižih nivoa u analitičkoj hijerarhiji (“drill-up”, “drill-down”) i dr.

OLAP kocka DIMENZIJE Region Sjever Jug Istok Mjesec Jan Feb Mar Proizvod Film Sočiva PRODAJA Kamere

Data mining , Data Mining je proces eksploracije i analize, automatskim ili poluautomat-skim sredstvima, velikih količina podataka radi otkrivanja smisaonih zavisnosti i pravila. (M. Berry i G. Linoff)

, IBM definiše Data mining kao “proces ekstrahovanja prethodno nepoznatih, valjanih i djelotvornih informacija iz velikih baza podataka i korišćenje tih informacija za donošenje ključnih poslovnih odluka”.

v. Data mining je proces odabiranja, eksploracije i modelovanja velikih količina podataka radi otkrivanja prethodno nepoznatih zavisnosti za poslovnu dobrobit. (SAS Institute)

, Data mining se koristi tehnikama i algoritmima iz oblasti statistike, vještačke inteligencije-mašinskog učenja i dr. , da bi se u velikim skupovima podataka otkrile značajne “skrivene” zavisnosti. , Tumačenje i razumijevanje tih zavisnosti omogućava bolje dijagnostikovanje stanja stvari, bolje predviđanje i samim tim, bolje odlučivanje.

Funkcije data mininga q Data mining služi sledećim osnovnim svrhama: klasifikovanju – ispitivanju svojstava entiteta i njihovom razvrstavanju u unapred određene klase; klasterizovanju – segmentiranju heterogenog skupa entiteta u homogene podgrupe, klastere; ocjenjivanju – predviđanju nepoznatih vrijednosti kontinuiranih varijabli; detekciji promjena i odstupanja – otkrivanju najznačajnijih promena u podacima od prethodno izmjerenih ili normativnih vrednosti; otkrivanju asocija – nalaženju stavki u transakciji koje implikuju prisutnost drugih stavki u istoj transakciji; opisivanju i vizualizovanju i drugim.

Funkcije data mininga v Berry i Linoff klasifikuju funkcije Data Mining u dvije skupine: v (1) ”usmjerena” analiza (zasnovana na nadziranom učenju): klasifikacija, ocenjivanje, predviđanje v (2) ”neusmjerena” analiza (zasnovana na nenadziranom učenju): grupisanje (klasterizovanje), asocijativna pravila, deskripcija i vizualizacija (Berry & Linoff, 2000).

Primjer (usmjerena analiza) Podaci . . .

Studija Profil kupaca koji će odgovoriti na ponuđene prospekte proizvioda Zavisna (ciljna) : Odgovor Nezavisne (eksplanatorne, prediktorske) : Pol, Regija, Starost, Imovinsko stanje

Izgradnja modela-indukcija klasifikacionog pravila

Opis klase: Kupci ženskog pola, iz južne regije čija je starost manja od 30 godina a imovinski status srednji.

Primjer (neusmjerena analiza) Klaster 4 Prihod: Srednji Prihod: Visok Djece: 2 Djece: 1 Auto: Opel i Fijat Auto: Audi Prihod: Srednji Djece: 3 Klaster 1 Prihod: Nizak Djece: 0 Auto: Golf 1 Klaster 2 Klaster 3 Kupci su klasterizovani u 4 segmenta !

Rezultat Data Mining-a v Koja je priroda nalaza Data Mining? Shvatanje o prirodi nalaza Data Mining koje zastupaju Fayyad, Piatetsky-Shapiro i Smyth (Fayyad, Piatetsky-Shapiro & Smyth, 1996) opravdano podrazumijeva da se posredstvom Data Mining mogu otkriti samo hipoteze o odnosima među podacima. Pored toga, ako se Data Mining shvati kao istraživački proces (a za to ima vrijednih razloga), valja imati na umu da je istraživanje poduhvat sa neizvjesnim ishodom - nema jemstva da će se doći do rješenja postavljenog problema i do veoma vrijednih nalaza. (Ali, to ne znači da iz procesa Data Mining ne možemo nešto vrijedno i korisno naučiti bez obzira na dobiveni ishod analize. )

v Neuspjeh u rešavanju problema pomoću Data Mining može poticati usled toga što je postavljeni problem nepodesan za rešavanje pomoću Data Mining; što su podaci neadekvatni ili nedovoljni; što modelovani proces može da bude odveć kompleksan da bi bio modelovan raspoloživim metodima Data Mining; što osoblju koje obavlja Data Mining nedostaju potrebna znanja, vještine, iskustva, intuicija. . .

Čemu služi Data Mining? Funkcija: v Asocijacije Primjena: uanaliza “market korpe” v Klasterizacija usegmentacija tržišta, detekcija i sprečavanje pronevjera (uočavanje izuzetaka) v Klasifikacija ulojalnost korisnika, odgovor na marketing kampanju, analiza rizika za kredit v Predviđanje upredviđanje prodaje, cijena akcija, . . .

Primjer: Analiza “market korpe” I={A, B, C} –skup proizvoda Ti I - transakcija X->Y X I, Y I, X Y= - asocijativno pravilo Transakcija Proizvodi T 1 T 2 T 3 T 4 T 5 T 6 ABC ABC AB A AC A->B

Primjer: Analiza “market korpe” Transakcija Proizvodi T 1 ABC T 2 ABC T 3 ABC T 4 AB T 5 A T 6 AC Podrška (A->B) = A B / 6= 4 / 6 = 66% Pouzdanost (A->B) = A B / A = 4 / 6 = 66% Podrška (B->A) = A B / 6= 4 / 6 = 66% Pouzdanost (B->A) = A B / B = 4 / 4 = 100%

Primjer : Lojalnost kupaca v Data mining tabela Starost Regija Prosječni MIT Način plaćanja Lojalnost 21 -25 Sjever 100 -200 Gotovina Da 46 -50 Primorje 100 -300 Master Ne 25 -30 Primorje 600 -700 Visa Da Primorje 100 -300 Gotovina Ne . . . 21 -25

Primjer : Lojalnost kupaca v Koje su karakteristike kupaca koji su otkazali lojalnost? Kupci koji plaćaju gotovinom i imaju prosječan mjesečni iznos transakcija između 100 i 300 eura u 85% slučajeva. v Zašto? v Odobrava li konkurencija veće popuste za gotovinsko plaćanje? v Koje artikle su ti kupci kupovali kod nas? v Nudi li konkurencija te artikle po nižoj cijeni ?

Primjer : Segmentacija tržišta Klaster 1 Starost: 21 -25 Regija: Primorje Starost: 46 -50 PMIT: 300 -600 Regija: Primorje Starost: 25 -30 Regija: Sjever Klaster 2 PMIT: 600 -700 Klaster 3

Primjer : Segmentacija tržišta v Određenu grupu proizvoda preferira mlađa populacija iz primorskog regiona. v Ciljni marketing tih proizvoda za ovaj segment kupaca v Odobravanje popusta za te artikle i ovaj segment kupaca. v OLAP analizom možemo pratiti pad ili rast interesa za tim proizvodima u tom tržišnom segmentu po gradovima, godinama starosti itd. . (sinergija data mining-a i OLAP-a)

Primjer: Detekcija pronevjera Klaster 1 Broj trans: 1 -5 PIT: 250 -400 Broj trans: 2 -3 PIT: 90 -150 Broj PO: 1 -2 Klaster 3 Broj trans: 3 -7 PIT: 1300 -5000 Broj trans: 30 -50 PIT: 6500 -17000 Klaster 2 Broj PO: 12 -16 Klaster 4 PIT prosječni iznos transakcije, Broj PO broj prodajnih objekata !!!

Data Mining proces v Priprema podataka Prije početka data mining procesa podaci se moraju selektovati, spojiti u jednu tabelu i pripremiti u smislu provjere tačnosti, eliminisanja NULL polja, odgovarajućih agregiranja i izračunavanja. (training set) v Definisanje studije (za učenje sa nadziranjem) podrazumijeva definisanje cilja tj. zavisnih atributa koji determinišu cilj, i nezavisnih atributa pomoću kojih se opisuje ciljna klasa. v Izgradnja modela v Reprezentacija i analiza modela (test set) v Izbor najboljeg izlaza (margina pobjede)

Izgradnja modela v. Uglavnom se bazira na tehnikama vještačke inteligencije tj. mašinskom induktivnom učenju. v. Indukcija - izvođenje zaključakageneralizacija na osnovu primjera

Tehnike i algoritmi Data Mining Neke od osnovnih tehnika i algoritama Data Mining su : v DT –drvo odlučivanja (klasifikaciono stablo) vneuronske mreže, vtehnike zasnovane na teoriji nerazgovjetnih (fuzzy) skupova, vgenetički algoritmi, vtehnika najbližeg suseda vstatistički metodi i tehnike (regresije)

Klasifikaciona stabla Da Da Da C B Ne A Ne Da B Ne Da C C Ne Ne Da C Ne Legenda: 1 2 A - stalan posao 1 2 B- odgovarajuća aktiva 1 2 C- odgovarajući dohodak 2 2 Stablo se formira staističkim metodama (HI-KVADRAT test) !!! CHAID 1 - odobriti kredit 2 - ne odobriti kredit

Klasifikaciona stabla Ne Odgovaraj. dohodak Da Atribut sa najvećom diskriminacionom snagom Ne odobriti zajam Da Stalan posao Odobriti zajam Ne ID 3 algoritam daje optimalno stablo (bez nepotrebnih čvorova i grana) !!! Ne odobriti zajam Ne Odgovaraj. Da aktiva Odobriti zajam

Neuronske mreže v Neuronske mreže se sastoje od međusobno povezanih računskih elemenata poznatih kao neuroni. Iako je njihova arhitektura značajno jednostavnija od ljudskog mozga koji ima preko 100 biliona neuroskih ćelija, ove mreže slično ljudskom mozgu imaju sposobnost učenja. v One opise tj. pravila za klase ne daju u eksplicitnom obliku već za neki objekat definisan ulaznim vektorom izračunava se izlaz koji ima visoku vrijednost ako objekat pripada klasi a nisku ukoliko ne pripada. v Što se neuronska mreža obuči sa više pozitivnih primjera neke klase to će njena tačnost klasifikacije za nepoznate primjere biti veća.

Neuronske mreže Sumiranje i transformacija

Neuronske mreže v Obučavanje neuronske mreže zapravo podrazumijeva podešavanje težinskih faktora koji se pridružuju svakom neuronu u mreži. Veze slojeva u mreži mogu biti: v potpune (neuron jednog sloja je u vezi sa svakim neuronom drugog sloja) v djelimične (jednim ili više) v veza unaprijed (u jednom smjeru) v dvosmjerna veza v hijerarhijska veza( samo sa neuronima sledećeg sloja) v rezonancija (dvosmjerna veza dok se ne ispuni uslov)

Tipovi neuronskih mreža v. Režim treniranja (učenja) mreže v. Operativni režim mreže Off - line - u operativnom režimu nema mijenjanja On- line -i u operativnom režimu mreža nastavlja da uči

Tipovi neuronskih mreža Back-propagation mreža v. Procesiranje ulaznog vektora kroz mrežu unaprijed v. Izračunavanje greške kao razlike između pravih i mrežom dobijenih vrijednosti izlaza v. Procesiranje vektora greške unazad sa ciljem da se koriguje matrica težinskih koeficijenata i minimizuje greška.

Tipovi neuronskih mreža Rekurentne mreže v. Postoji dodatni sloj za ulazni sloj neurona v. Ova dva sloja su povezana dvosmjerno v. Uloga dodatnog sloja je da memoriše znanje stečeno procesiranjem prethodne ulazne vrijednosti v. Kod ovog tipa mreže prethodna ulazna vrijednost utiče na trenutnu ulaznu vrijednost. v. Redosled ulaznih veličina je bitan v. Koristi se kod vremenskih serija

Tipovi neuronskih mreža Kohonen-ova mreža vučenje bez nadgledanja v. Mreža dobija samo ulazne veličine bez poznavanja izlaznih vrijednosti v. Klasterizacija

Primjer - Target selection za donacije u humanitarnoj organizaciji R 1 -broj nedelja poslije kojeg je donator odgovorio na zadnju kampanju R 2 - broj mjeseci od kada je donator prvi put odgovorio na kampanju F 1 - koliko puta je donator do sada odgovorio F 2 - vrijeme odgovora na zadnju kampanju( u danima) M 1 - prosječna vrijednost svi dosadašnjih donacija (u eurima) M 2 - vrijednost zadnje donacije M 3 - godišnja prosječna vrijednost donacije

R 1 R 2 F 1 F 2 M 1 M 2 M 3 Input layer Hidden layer Output layer

Rezultati- težinski koeficijenti Hidden layer Output layer

Razlika između OLAP i DM v. Osnovna razlika između OLAP i DM je u operisanju podacima. v. OLAP obavlja multidimenzionalne analize podataka - omogućava agregiranje i drilldown (u osnovi su operacije adicije sabiranja) v. DM induktivnim zaključivanjem otkriva odnose i zavisnosti u skupu podataka.

OLAP vs. DM v. OLAP može ukazati na ukupni broj proizvoda određene vrste, prodatih u određenom periodu u određenom regionu v. DM može kazivati o činiocima koji utiču na prodaju proizvoda određene vrste u određeno vrijeme u određenom regionu.

OLAP vs. DM Agregiranje i induktivno zaključivanje mogu da budu komplementarni. (Npr. , DM može otkriti važne odnose u skupu atributa, a OLAP može da generiše izveštaj koji detaljno prikazuje doprinos tih otkrivenih odnosa. )

DW, OLAP i Data Mining DATA MINING REŠENJA KORISNIKOVOG PROBLEMA DATA WAREHOUSE OLAP

Sadržaj: v. Zašto poslovna inteligencija? vŠta je poslovna inteligencija? vČemu služi poslovna inteligencija? vŠta sačinjava poslovnu inteligenciju?