Sustavi za potporu odluivanju Marijana ZekiSuac 12 1

  • Slides: 31
Download presentation
Sustavi za potporu odlučivanju Marijana Zekić-Sušac 12 - 1

Sustavi za potporu odlučivanju Marijana Zekić-Sušac 12 - 1

Što ćete naučiti u ovom poglavlju? § Što su sustavi za potporu odlučivanju (DSS)

Što ćete naučiti u ovom poglavlju? § Što su sustavi za potporu odlučivanju (DSS) § Što obuhvaćaju DSS § Kako su evoluirali sustavi za potporu odlučivanju § Kakve su mogućnosti DSS-a § Po čemu se razlikuju § Kakav je pristup odlučivanju i na koje tipove problema se mogu primijeniti § Koji se modeli i metode koriste 12 - 2

Što je DSS? § DSS (eng. Decision Support System) ili sustav za potporu odlučivanju

Što je DSS? § DSS (eng. Decision Support System) ili sustav za potporu odlučivanju je softverski proizvod koji se koristi kao pomoć pri odlučivanju na bilo kojoj razini upravljanja s naglaskom na odlučivanju kod slabostrukturiranih i nestrukturiranih zadataka § DSS je računalni sustav za organizaciju informacija, identifikaciju i dohvat informacija, analizu i transformaciju informacija, izbor modela odlučivanja i analizu dobivenih rezultata 12 - 3

Odlučivanje u poduzeću § Poslovne odluke kontroliraju interakcije s kupcima (klijentima), partnerima i zaposlenima

Odlučivanje u poduzeću § Poslovne odluke kontroliraju interakcije s kupcima (klijentima), partnerima i zaposlenima § One su kritični pogonitelji poslovnih procesa neke tvrtke § Odluke su duboko ugrađene u poslovne procese, pa tvrtke često nisu svjesne prisutnih problema u donošenju odluka Problemi kod odlučivanja: § Često svaka poslovna aplikacija ima poseban format kako specificira odluke § Često je odluke teško mijenjati § Odluke ne iskorištavaju u potpunosti analitički uvid u poslovanje ili poslovne eksperte § Odluke su često nekoordinirane kroz odjele tvrtke Kakve odluke su poželjne? § One koje će udovoljiti zahtjevima kupaca (klijenata) i optimirati ciljeve tvrtke 12 - 4

Vrste odluka S obzirom na složenost: • Strukturirane – poznati ulazi (podaci), izlazi, modeli,

Vrste odluka S obzirom na složenost: • Strukturirane – poznati ulazi (podaci), izlazi, modeli, akcije i ciljevi • Polustrukturirane – djelomično poznati ulazi, izlazi, modeli, akcije i ciljevi • Nestrukturirane – ciljevi i metode postizanja su nejasni i tek se trebaju otkriti, podaci nedostatni, nepouzdani, metode u razvoju nepotpune ili nepoznate S obzirom na poslovne procese: § odluke u vezi izbora tehnologije i proizv. programa § odluke u vezi upravljanja s kupcima § odluke u vezi direktnog marketinga § odluke u vezi odobravanja kredita § odluke u vezi izbora dobavljača § odluke u vezi izbora oglašivača i dr. 12 - 5

Faze i metode procesa donošenja odluka Faze u procesu donošenja odluka su: n Uočavanje

Faze i metode procesa donošenja odluka Faze u procesu donošenja odluka su: n Uočavanje - definiranje problema n Spoznaja situacije odlučivanja i prikupljanje informacija n Oblikovanje opcija n Izbor opcija Metode koje se pri tom koriste mogu biti: Kvantitativne metode - opisuju sustav konačnim skupom elemenata koji imaju numeričke vrijednosti • Koriste algoritamski pristup rješavanja problema Kvalitativne metode - opisuju sustav skupom različitih elemenata simbola među kojima se mogu uspostavljati različite relacije. • Koriste heuristički pristup rješavanja problema (temeljen na iskustvu stručnjaka) 12 - 6

Evolucija DSS-a – od jednostavnih k inteligentnim sustavima 12 - 7

Evolucija DSS-a – od jednostavnih k inteligentnim sustavima 12 - 7

Arhitektura DSS-a Donositelj odluke Korisničko sučelje Sustav za upravljanje bazom ili skladištem podataka Sustav

Arhitektura DSS-a Donositelj odluke Korisničko sučelje Sustav za upravljanje bazom ili skladištem podataka Sustav za upravljanje bazom modela Sustav za upravljanje dokumentima Baze ili skladišta podataka Modeli Dokumenti 12 - 8

Pitanje Koji dio DSS-a nedostaje na slici? Donositelj odluke Korisničko sučelje Sustav za upravljanje

Pitanje Koji dio DSS-a nedostaje na slici? Donositelj odluke Korisničko sučelje Sustav za upravljanje bazom ili skladištem podataka Baze ili skladišta podataka ? Sustav za upravljanje dokumentima Modeli Dokumenti Odgovor: Sustav za upravljanje bazom modela 12 - 9

Evolucija DSS-a § § § manji analitički alati za optimizaciju (npr. Excel Solver) samostalni

Evolucija DSS-a § § § manji analitički alati za optimizaciju (npr. Excel Solver) samostalni (stand-alone) specijalizirani DSS sustavi s tipičnim modelima koji rješavaju tipične probleme – npr. problem trgovačkog putnika (TSP), problem alokacije resursa, problem ulaganja u portfelj dionica i sl. , npr. LINDO/LINGO Ugrađeni u statističke i matematičke alate (npr. SAS, Statistica, SPSS, Math. Lab, i dr. ) DSS sustavi kao ugrađeni podsustav informacijskog sustava (npr. u Oracle, SAP, MS SQL Server Business Intelligence) integrirani sustav za upravljanje odlukama – EDMS – Enterprise Decision Management System Sustavi poslovne inteligencije povezuju unutarnje i vanjske izvore informacija i koriste ih za ostvarivanje poslovnih ciljeva 12 - 10

Neoptimizacijski DSS § Alati za simulacijsko modeliranje – simuliranje rješenja nekog problema uz mijenjanje

Neoptimizacijski DSS § Alati za simulacijsko modeliranje – simuliranje rješenja nekog problema uz mijenjanje početnih uvjeta, npr. Monte Carlo simulacija § Alati za stabla odlučivanja – uključeni u statističke alate, bit će obrađeni kroz poglavlje o rudarenju podataka § Razni statistički alati za predviđanja, trend analize, segmentiranje (clustering) i dr. – SAS, SPSS, Statistica, i dr. 12 - 11

Ekspertni sustavi – Sustavi temeljeni na znanju (eng. Expert Systems, Knowledge Based Systems, Knowledge

Ekspertni sustavi – Sustavi temeljeni na znanju (eng. Expert Systems, Knowledge Based Systems, Knowledge Automation Systems) ES su računalni programi koji koriste znanje za rješavanje praktičnih problema za koje je inače potrebna ljudska ekspertiza. (A. Cawsey) Kako prikupiti i ugraditi znanje eksperta u program? • § § Znanje eksperta je najčešće heurističko (temeljeno na iskustvu), a može se izraziti s pomoću pravila zaključivanja Ekstrahiranje znanja od nekog eksperta i ugrađivanje u sustav zovemo prikupljanjem znanja (eng. Knowledge Acquisition) cilj: izgradnja baze znanja ES-a koja će se koristiti kada ljudski ekspert nije raspoloživ 12 - 12

Područja primjene ES-a ES se koristi za rješavanje različitih problema u: § medicini (prvi

Područja primjene ES-a ES se koristi za rješavanje različitih problema u: § medicini (prvi ES: Dendral, zatim Mycine) § inžinjerstvu, geologiji, računalstvu, ekonomiji, poslovanju, pravu, vojsci, obrazovanju, i dr. Tipovi problema koji se rješavaju ES-om: § dijagnoza, odnosno klasifikacija (npr. pogreške stroja (škarta), bolesti, itd) § dizajn (npr. računalnih sustava, hotela, proizvoda, itd. ) § interpretacija (npr. geoloških podataka, ultrazvučnih slika, satelitskih slika, itd). 12 - 13

Arhitektura ES-a Baza znanja Ljuska ES-a Baza činjenica Mehanizam zaključivanja KORISNIK Korisničko sučelje Izvor:

Arhitektura ES-a Baza znanja Ljuska ES-a Baza činjenica Mehanizam zaključivanja KORISNIK Korisničko sučelje Izvor: Čerić, Varga (2004), modificirano 12 - 14

Kako se predstavlja znanje u bazi znanja ES-a? § Reprezentacija znanja bazirana na logici

Kako se predstavlja znanje u bazi znanja ES-a? § Reprezentacija znanja bazirana na logici § Produkcijska pravila (if-then) - najčešće u upotrebi § Modus ponens § Hipotetički silogizam § Propozicijska logika § Predikatna logika § Objektno orjentirana reprezentacija § Okviri § Semantičke mreže 12 - 15

Reprezentacija znanja temeljena na logici Temelji se na produkcijskim pravilima. Pravila su forme koje

Reprezentacija znanja temeljena na logici Temelji se na produkcijskim pravilima. Pravila su forme koje imaju slijedeću interpretaciju: AKO AKO <uvjet> TADA <zaključak> <pretpostavka> TADA <posljedica> <činjenica> TADA <hipoteza> Primjer: pravila za odobrenje hipotekarnog zajma: AKO tražilac ima stalan posao I tražilac ima adekvatne prihode I tražilac ima dobar kreditni rejting I imovina je dostatna TADA odobri kredit 12 - 16

Stablo odlučivanja – grafički prikaz produkcijskih pravila za odobrenje kredita Rata kredita Stalni posao

Stablo odlučivanja – grafički prikaz produkcijskih pravila za odobrenje kredita Rata kredita Stalni posao Ne Odluka = Ne >= ½ kredita Odluka = Ne Da Starost između ½ i 1/3 kredita Odluka = Ne >70 Odluka = Ne <70 Imovina < kredita >=kredita <= 1/3 kredita Odluka =Da Odluka = Ne Plaća < kredita Odluka = Ne >=kredita 12 - 17

Kontrola (testiranje) pravila u bazi Ulančavanje unatrag (backward chaining) Kod ulančavanja unatrag zaključivanje započinje

Kontrola (testiranje) pravila u bazi Ulančavanje unatrag (backward chaining) Kod ulančavanja unatrag zaključivanje započinje s pitanjem ili ciljem. Ako je cilj postignut, sustav napušta bazu znanja i ne provjerava ostala pravila. Ulančavanje unazad je ciljem vođeno Ulančavanje unaprijed (forward chaining) Kod ulančavanja unaprijed zaključivanje ide tako da se provjerava svako pravilo u bazi znanja, i tek se na kraju donosi odluka na temelju svih informacija (podacima vođeno) 12 - 18

Načini izgradnje ES-a § § Izgraditi vlastiti sustav otpočetka (“from scratch”) – dugotrajnije Koristiti

Načini izgradnje ES-a § § Izgraditi vlastiti sustav otpočetka (“from scratch”) – dugotrajnije Koristiti gotove ljuske ES-a – alate koji nude gotovo korisničko sučelje, editore za upisivanje baze znanja, te izbor mehanizma zaključivanja i načina prikaza rezultata – brže i efikasnije rješenje Ljuska ES (ES Shell) je vrsta programskog alata koja pruža metodološki okvir za izgradnju ekspertnih sustava - Ljuske omogućuju korisniku da često i bez poznavanja prog. jezika izgradi ekspertni sustav koji rješava konkretan problem. Neke od njih generiraju aplikacije (exe, com) ili html dokumente koji omogućuju izvršavanje ES neovisno o platformi i na web-u. 12 - 19

Alati (ljuske) za razvoj ekspertnih sustava Primjeri ljuski ES-a: Jess, http: //herzberg. ca. sandia.

Alati (ljuske) za razvoj ekspertnih sustava Primjeri ljuski ES-a: Jess, http: //herzberg. ca. sandia. gov/jess/index. shtml CLIPS, http: //www. ghg. net/clips/CLIPS. html Xpert. Rule, http: //www. attar. com § ljuska za ekspertne sustave koji se koristi u elektroničkom poslovanju, elektroničkoj državnoj upravi i e-obrazovanju Ex. Sys Corvid, http: //www. exsys. com § ljuska ES za automatizaciju znanja koja u evaluacijskoj verziji omogućuje izgradnju ES te pokretanje na webu kao java runtime programa, dok u komercijalnoj verziji omogućuje i ugradnju u poslovnu aplikaciju Tex. Sys, http: //www. pmfst. hr/~stankov/texsys/index. html § Inteligentna ljuska za ekspertne sustave kreirana na Fakultetu prirodoslovno-matematičkih znanosti i odgojnih područja u Splitu. Sadrži interaktivne upute za korištenje programa na Webu uz primjere. 12 - 20

Primjeri implementacije ekspertnih sustava Poslovno odlučivanje Primjeri poslovne upotrebe: • financijski management • odobravanje

Primjeri implementacije ekspertnih sustava Poslovno odlučivanje Primjeri poslovne upotrebe: • financijski management • odobravanje kredita u bankama • računovodstvo • upravljanje IS- om firme • detektiranje poslovnih teškoća • marketing istraživanje tvrtke Industrija • izbor lokacije poslovnog prostora • naftna industrija • vođenje procesa • izbor tehnologije, i dr. Kemijsko inžinjerstvo Medicina (dijagnostika) Avioindustrija Trend razvoja ES-a: Vojne tehnologije Pravo prema sustavima za upravljanje Transport znanjem (Knowledge Management) 12 - 21

Rudarenje podataka (Data mining - DM) Metodologija kopanja podataka postala je poznata po popularnom

Rudarenje podataka (Data mining - DM) Metodologija kopanja podataka postala je poznata po popularnom primjeru pronalaženja zakonitosti u kupovanju Pampers pelena. Zaključak do kojeg se došlo bio je neočekivan, budući da se smatralo da su majke najveći kupci pelena, te su njima upućivane propagandne poruke i informacije o pelenama, što je bilo krivo. Poznato otkriće rudarenja podataka za P&G: Pelene kupuju očevi petkom poslijepodne, i uz njih obično kupe pivo za gledanje utakmice preko vikenda! Korist od ovog otkrića: Reklame za pelene treba slati očevima a ne majkama! Zalihe treba planirati tako da petkom bude najviše robe na policama. 12 - 22

Što je rudarenje podataka? § Cilj rudarenja podataka (eng. Data Mining) je identificirati vrijedne

Što je rudarenje podataka? § Cilj rudarenja podataka (eng. Data Mining) je identificirati vrijedne nove, potencijalno korisne veze i uzorke u postojećim podacima (Jackson, 2002) Rudarenje podataka uključuje primjenu tehnika: § numeričke analize § traženje uzoraka i strojno učenje, § stabla odlučivanja, neuronske mreže, genetički algoritmi i dr. 12 - 23

Primjer i upotrebe data mining -a § Ako smo vlasnik ili manager u lancu

Primjer i upotrebe data mining -a § Ako smo vlasnik ili manager u lancu trgovina i želimo saznati postoji li pravilnost u trendovima prodaje u nekoj od trgovina početkom tjedna ili krajem tjedna i zašto § ili želimo saznati da li će se povećati prodaja nekog artikla X ako se prodaje u paru s artiklom Y § Ako smo manager u banci i želimo saznati profil klijenata koji će vjerojatno otići u minus na tekućem računu ili profil onih koji neće vraćati kredit § Ako smo vlasnik proizvodne tvrtke i želimo znati koje su karakteristike proizvoda koje imaju prođu na tržištu, § i dr. 12 - 24

Primjeri primjene DM § Trgovina - Potrošačka košarica – za identificiranje artikala koji se

Primjeri primjene DM § Trgovina - Potrošačka košarica – za identificiranje artikala koji se prodaju zajedno, za određivanje načina oglašavanja artikala, za predviđanje efektivnosti promocije i reklame § Banke i osiguravajuće kuće – za identificiranje “dobrih” i “loših” klijenata § Medicinske ustanove – za predviđanje uspješnosti operacija, medicinskih testova, ili lijekova § Proizvodne tvrtke – za procjenu vjerojatnosti kvarova proizvoda § i slično. 12 - 25

Tehnike koje koristi DM § Neuronske mreže (Neural Networks) § Zaključivanje na temelju slučajeva

Tehnike koje koristi DM § Neuronske mreže (Neural Networks) § Zaključivanje na temelju slučajeva (Case-Based Reasoning – CBR) § Genetički algoritmi (Genetic Algorithms) § Stabla odlučivanja (Decision Trees) § Asocijacijska pravila (Association Rules) § Statističke metode: deskriptivne i vizualizacijske tehnike, klaster analize, korelacijske analize, diskriminantnu analizu, faktorsku analizu, regresijsku analizu, logističku regresiju i dr. ) 12 - 26

Alati za DM § Statistički softverski paketi (npr. SAS, Statistika, SPSS, i dr. )

Alati za DM § Statistički softverski paketi (npr. SAS, Statistika, SPSS, i dr. ) § Matematički softverski paketi (npr. Math. Lab, Matematica) § Alati uključeni u skladištenje podataka (OLAP) ili sustav za upravljanje bazom podataka (npr. Microsoft SQL Server Business Intelligence – uključuje i Enterprise Miner) § Specijalizirani alati za općenite ili poslovne primjene (npr. Data. Miner, Intelli. Miner, i sl. ) 12 - 27

Budućnost upotrebe DM u poslovanju § DM metode se integriraju u alate za upravljanje

Budućnost upotrebe DM u poslovanju § DM metode se integriraju u alate za upravljanje bazama podataka te tako softverski postaju raspoložive brojnim tvrtkama § Uklopljene u web alate, kao što su Business Analytics i Big. Data sustavi, postaju dostupne svim uposlenima Problem: § Još uvijek zahtijevaju visoku razinu stručnog znanja o metodama, pa se razvijaju alati koji će omogućiti korištenje menadžerima i bez tog specijaliziranog znanja stručnog znanja § Radi se na edukaciji korisnika 12 - 28

Poslovna analitika (Business Analytics) § § § Business Analytics (descriptive, predictive, and prescriptive analytics)

Poslovna analitika (Business Analytics) § § § Business Analytics (descriptive, predictive, and prescriptive analytics) – skup metoda koji omogućava analizu podataka i na temelju nje ponudu rješenja problema ili savjete za donošenje odluka Primjer: Google Analytics – omogućava praćenje, analizu i izvještavanje o aktivnosti korisnika web sjedišta s ciljem povećanja uspješnosti tvrtke Google Analytics Tutorial for Beginners, https: //www. youtube. com/watch? v=Sn 17 WEj. JYVk, 26. 01. 2016. (Google, https: //www. g oogle. com/an alytics, 26. 01. 2016) 12 - 29

Ostali smjerovi razvoja DSS-a § Human-Computer Interaction, Intuitive computing – razvoj sustava koji nastoje

Ostali smjerovi razvoja DSS-a § Human-Computer Interaction, Intuitive computing – razvoj sustava koji nastoje ostvariti što humaniju komunikaciju s čovjekom (na čovjeku svojstven, intuitivan način), npr. govorom, dodirom, pokretom, i sl. § Collective intelligence – razvoj sustava koji će na temelju informacija raspoloživih na web stranicama vršiti prikupljanje, analizu i stvaranje znanja o nekom području (bez direktnog utjecaja eksperta) 12 - 30

Literatura § § § Bidgoli, H. , Intelligent Management Support Systems, Quorum Book, 1998.

Literatura § § § Bidgoli, H. , Intelligent Management Support Systems, Quorum Book, 1998. Čerić, V. , Varga, M. (ur. ), Informacijska tehnologija u poslovanju, Element, Zagreb, 2004. Google, Google Analytics, https: //www. google. com/analytics/, 26. 01. 2016. Mišljenčević, D. , Maršić, I. , Umjetna inteligencija, Školska knjiga, Zagreb, 1991. S. Russel, P. Norvig, Artificial Intelligence - A modern approach, Prentice Hall, New York, 2003. 12 - 31