Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
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.