12 - 1

Sustavi za potporu odlučivanju

Marijana Zekić-Sušac

12 - 2

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 - 3

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 - 4

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 - 5

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 - 6

Faze i metode procesa

donošenja odluka

Faze u procesu donošenja odluka su:

◼ Uočavanje - definiranje problema

◼ Spoznaja situacije odlučivanja i prikupljanje informacija

◼ Oblikovanje opcija

◼ 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 - 7

Evolucija DSS-a – od jednostavnih k

inteligentnim sustavima

Evolucija umjetne inteligencijeObrada prirodnih

jezika

Robotika

Prepoznavanje

oblika

Sustavi za potporu

odlučivanju

Inteligentno izračunavanje

(neuronske mreže), genetski

algoritmi, fuzzy logika)

Primjenjena

umjetna

inteligencija

1940 1970 1975 1980 1985 1990

Kognitivna

psihologija

Formalna

logika

Simboličko (nenumeričko) programiranje

Jezici za

obrade lista

Razvoj računala

Interaktivnoračunalstvo

Razvoj programskih okruženja

Mali sustavi

Veliki sustavi za uska područja

Veliki hibridni sustavi

Alati za razvoj ES

Prepoznavanje

govora

Ekspertni

sustavi

12 - 8

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

Pitanje

Koji dio DSS-a nedostaje na slici?

12 - 9

Odgovor: Sustav za upravljanje bazom modela

Donositelj

odluke

Korisničko sučelje

Sustav za upravljanje

bazom ili skladištem

podataka

?

Sustav za upravljanje

dokumentima

Baze ili

skladišta

podataka

Modeli Dokumenti

12 - 10

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, MathLab, 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 - 11

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 - 12

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 - 13

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 - 14

Arhitektura ES-a

Baza

znanja

Baza

činjenica

Mehanizam

zaključivanja

Korisničko

sučelje

KORISNIK

Ljuska ES-a

Izvor: Čerić, Varga

(2004), modificirano

12 - 15

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 - 16

Reprezentacija znanja temeljena na

logici

Temelji se na produkcijskim pravilima. Pravila su forme koje imaju slijedeću interpretaciju:

AKO <uvjet> TADA <zaključak>AKO <pretpostavka> TADA <posljedica>AKO <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 - 17

Stablo odlučivanja – grafički prikaz

produkcijskih pravila za odobrenje kredita

Stalni posao

Ne

Da

Odluka = Ne

Starost

>70

<70

Odluka = Ne

Imovina

Plaća

< kredita

>=kredita

Odluka = Ne

< kredita

>=kredita

Odluka = Ne

Rata kredita

>= ½ kredita

između ½ i

1/3 kredita

<= 1/3 kredita

Odluka = Ne

Odluka = Ne

Odluka =Da

12 - 18

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 - 19

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 - 20

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

XpertRule, http://www.attar.com

▪ ljuska za ekspertne sustave koji se koristi u elektroničkom poslovanju, elektroničkoj državnoj upravi i e-obrazovanju

ExSys 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

TexSys, 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 - 21

Primjeri implementacije ekspertnih sustava

Poslovno odlučivanje

• financijski management

• računovodstvo

• upravljanje IS- om firme

• marketing istraživanje

Industrija

• naftna industrija

• vođenje procesa

Kemijsko inžinjerstvo

Medicina (dijagnostika)

Avioindustrija

Vojne tehnologije

Pravo

Transport

Primjeri poslovne upotrebe:

• odobravanje kredita u bankama

• detektiranje poslovnih teškoća

tvrtke

• izbor lokacije poslovnog prostora

• izbor tehnologije, i dr.

Trend razvoja ES-a:

prema sustavima za upravljanje

znanjem (Knowledge

Management)

12 - 22

Rudarenje podataka (Data mining

- DM)

Pelene kupuju očevi petkom poslijepodne, i uz njih obično kupe pivo

za gledanje utakmice preko vikenda!

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:

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 - 23

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 - 24

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 - 25

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 - 26

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 - 27

Alati za DM

▪ Statistički softverski paketi (npr. SAS, Statistika, SPSS, i dr.)

▪ Matematički softverski paketi (npr. MathLab, 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. DataMiner, IntelliMiner, i sl.)

12 - 28

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 BigData 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

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=Sn17WEjJYVk, 26.01.2016.

12 - 29

(Google,

https://www.g

oogle.com/an

alytics, 26.01.

2016)

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

12 - 31

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.