Download pdf - SPI - Skripta Za Usmeni

Neboja Tamindid, 2012.

1 SPI skripta za usmeni ispit

1. Poslovna inteligencija i strategijsko upravljanje

Pod strategijom se podrazumeva plan koji integrie ciljeve organizacije, politike i nizove akcija u

jednu celinu. Osnovne komponente strategije su najvaniji ciljevi organizacije i najznaajnije

politike. Glavni ciljevi nazivaju se strategijskim ciljevima. Vrste strategija : 1) Korporativne

strategije uspostavljaju se na najviem nivou organizacije i imaju dugoroan vremenski

horizont. Korporativne strategije su : a) Strategija stabilnog rasta primenjuje se kada je

organizacija zadovoljna postignudima i odluuje da sledi iste ili sline ciljeve. Organizavija

nastavlja da istim proizvodima i uslugama slui iste potroae. b) Strategija rasta organizacije

imaju bri rast od trita na kojima se njihovi proizvodi prodaju. Regularno razvijaju nove

proizvode i usluge. c) Strategija okonavanja koriste organizacije koje se suoavaju sa padom

tranje za proizvodom ili uslugom. d) Strategije skradivanja koriste se tokom recesija i u

vremenu kad organizacija ima slab finansijski uinak. e) Kombinacije strategija neki tipovi

strategija su podloni kombinovanju sa drugim strategijama. Kombinacijama strategija se koristi

vedina organizacija koje opsluuju nekoliko trita. 2) Strategije poslovnih jedinica su usmerene

na pitanje kako se nadmetati sa konkurentima u datom poslu. Pod stratekim poslovnim

jedinicama se podrazumeva jedinica organizacije koja prodaje distinktni skup proizvoda i/ili

usluga jasno definisanoj grupi potroaa, u nadmetanju sa jasno odreenom konkurencijom.

Postoje 3 strategije poslovnih jedinica : strategija liderstva u najniim trokovima, strategija

diferencijacije i strategija fokusiranja. 3) Funkcionalne i operativne strategije su usresreene

na aktivnosti razliitih funkcionalnih oblasti (marketing, proizvodnja, finansije...). Funkiconalne

strategije su kratkoronije od korporativnih strategija i strategija poslovnih jedinica i obino su

odreene na period do jedne godine. Unutar funkcionalnih strategija su operativne strategije,

strategije operativnih jedinica unutar funkcionalnih oblasti. 4) Globalne strategije se tiu

internacionalne konkurencije, a) viedomicilnih industrija, b) globalnih industrija. U sluaju

viedomicilnih industrija, industrija je prisutna u mnogim zemljama, ali se suparnitvo odvija u

svakoj zemlji ponaosob. U sluaju globalne industrije suparnitvo u raznim zemljama je

meusobno povezano, pa firma mora da razvije integrisane strategije, koje istovremeno

ukljuuju sve zemlje. Proces strategijskog upravljanja sadri 2 faze : 1) faza formulisanja

strategije organizacije, 2) faza sprovoenja strategije organizacije. Formulisanje strategije : 1)

Obavljanje untranje analize organizacije i njene interakcije sa okruenjem, 2) Analiziranje,

opisivanje, ocenjivanje i predvianje promena organizacije (na osnovu rezultata analize, potrebno

je identifikovati najznaajnije modi i najznaajnije slabosti organizacije), 3) Postavljanje

strategijskih ciljeva (sa vremenskim horizontom od 5 godina), 4) Identifikovanje, ocenjivanje i

odabiranje odgovarajudih strategijskih alterntiva. Sprovoenje izabrane strategije : 1) Priprema i

upravljanje sprovoenjem strategije, 2) Akcije, 3) Kontrolisanje u strategijskom upravljanju (3 su

osnovna vida kontrole : kontrola pre preduzimanja planiranih aktivnost, kontrola u toku

planiranih aktivnosti i kontrola posle obavljanja planiranih aktivnosti).



2. Opti koncept BSC

BSC metodologija olakava implementaciju strategije tako to omogudava prevoenje vizije

strategije i ciljeva u merljive ciljeve i sistem mera performanse, ime doprinosi povezivanju

dugoronih strategijskih ciljeva s kratkoronim akcijma. Postizanje distalnih strategijskih ciljeva

na najviem hijerarhskom nivou podrazumeva postizanje ciljeva na prethiodnim, niim,

hijerarhijskim nivoima. Svakoj funkcionalnoj jedinici, svakome timu i svakome pojedincu se

pripisuju uloge i zadaci, usmereni ka postizanju distalnih strategijskih ciljeva. Strategijski ciljevi se

preslikavaju u skup kljunih indikatora performanse, koji se potom prate. Prilikom identifikovanja

kljunih indikatora, u obzir se uzima i finansijska i nefinansijska perspektiva. Strategijski ciljevi su

grupisani i mereni iz 4 perspektive : finansijske perspektive, perspektive interesnih grupa,

perspektive znaajnih internih procesa, perspektive uenja inovacija i razvoja. Iz perspektive

interesnih grupa, orgizacija se posmatra kroz oekivanja i zadovoljstvo tih interesnih grupa

posebno kupaca. Iz interne perspekive, posmatranje je usresreeno na unutranje procese

organizacije. Iz perspektive uenja i razvoja, panja je usresreena na osoblje i infrastrukturu

organizacije. Finansijska perspektiva se tie konanih rezulta poslovanja. Mnoge organizacije,

zbog tenje za finansijskim uspehom, zanemaruju razvoj. Na kratke staze, ta smanjenja trokova

uzrokuju povedanje profita, ali de ugroziti njenu sposobnost da stvori bududu novu ekonomsku

vrednost. Organizacija de, u mnogim sluajevima, maksimizaciju kratkoronih finansijskih

rezulzata, ostvarivati loijom uslugom ili viim cenama. Ovi postupci de povedati profitabilnost na

kratke staze, ali de nedostatak lojalnosti i nezadovoljstvo kupaca prouzrokovati da organizacija

bude ranjiva i sve vie izloena napadima konkurencije. Formuliudi perspektivu kupaca,

menaderi bi morali imati ideju o ciljnim trinim segmentima, segmentima kupaca, jer osnovni

skup kupaca nije homogen, nego heterogen. Imajudi na umu te ciljne segmente, menaderi treba

da odaberu skup mera ponaanja svoje organizacije : 1) udeo na tritu, 2) zadravanje kupaca, 3)

sticanje novih kupaca, 4) zadovoljstvo novih kupaca, 5) profitabilnost kupaca. Ciljni segmenti

predstavljaju izvore prihoda za organizaciju. BSC kao opis strategije organizacije treba da

identifikuje ciljeve kupaca u svakom od ovih ciljnih segmenata. U okviru perspektive internih

poslovnih procesa menaderi treba da identifikuju procese u kojima organizacija mora da bude

izvanredno uspena. Konvencionalno merenje uinaka bilo je usresreeno na pradenje mera koje

se tiu trokova, kvaliteta i produktivnosti. Pristup stanovita BSC omogudava da zahtevi za

performansom internih procesa budu izvedeni iz oekivanja spoljanjih inilaca. Preporuljivo je

da menaderi definiu celokupni lanac vrednosti internih procesa koji ukljuuje : 1) Inovaciju u

procesu inovacije organizacija istrauje nastajude potrebe kupaca, a onda kreira proizvod ili

usluge koji de zadovoljiti te potrebe. Proces inovacije se sastoji od 2 komponente : istraivanja

trita i dizinajniranja i razvoja proizvoda / usluge. 2) Proces operacije postojedi proizvodi i

usluge se proizvode i isporuuju kupcima. Proces otpoinje prijemom porudbenice kupaca i

zavrava se isporukom proizvoda ili usluga kupcima. 3) Servis kupcu ukljuuje garanciju,

odravanje, reklamiranje proizvoda i procesuiranje pladanja. Ciljevi postavljeni u perspektivi

uenja i razvoja su infrastruktura i pokretai postizanja izvanrednih uspeha u preostalim trima

perspektivama. Da bi organizacija imala mod da postigne ambiciozne ciljeve, mora investirati u

njihovu infrastrukturu : ljude, sisteme i procedure. 4 glavne kategorije iz ove perspektive su : mod

osoblja (3 mere : zadovoljstvo, zadravanje i produktivnost zaposlenih), istraivanje i razvoj,

motivisanost, mod informacionog sistema.



3. BSC sistem strategijskog upravljanja: prevoenje strategije u akciju

BSC je okvir povezanih uzrono-posledinih odnosa koji moe da bude koriden u odreivanju

perspektiva, biranju ciljeva, kritinih faktora uspenosti i mera, koji de biti konzistentni sa

ciljevima i strategijom vieg nivoa. Vizija je osnova definisanja optih strategijskih ciljeva i

strategija. Vizija ciljevi i strategije se odmotavaju u celoj organizaciji, tako to se pre svega

odaberu strategijske perspektive, postavi sistem strategijskih ciljeva (mogu da budu korideni kao

vodilja u izabiranju ciljeva i mera nieg nivoa), kritinih faktora uspenosti, strategijskih mera i

postavi plan akcije. U svakom koraku BSC slui kao sredstvo komunikacije. BSC mora da se, kroz

proces komunikacije, povee sa razliitim elementima organizacije. Cilj tog procesa je

usklaivanje zaposlenih sa strategijom. Implementacija strategije otpoinje edukacijom i

ukljuivanjem ljudi koji bi trebali da je sprovedu. Postoje 3 tipina mehanizma za prevoenje

strategije BSC u lokalne ciljeve : 1) komunikacioni i edukacioni programi rasprostiranja strategija

preduslov je da svi zaposleni razumeju strategiju i zahtevano ponaanje za postizanje

strategijskih ciljeva, 2) programi postavljanja ciljeva timova i pojedinaca potrebno je da

organizacija strategijske ciljeve i mere vieg reda, prevede u ciljeve i akcije svakog ukljuenog

pojedinca i tima 3) povezivanje mera performansi sistema podsticanja i nagraivanja motivacija

se poboljava kroz sisteme podsticanja i nagraivanja. Menaderi mogu da ustaove minimalne

nivoe pragove, kroz sve strategijske mere za predstojedi period. Ako aktuelna performansa ne

dosee prag, nema ispladivanja podsticajne kompenzacije. Da bi se strategijski ciljevi ostvarili,

kljuni procesi su : planiranje, postavljanje ambicioznih meta menader treba da postavi

ambiciozne mete za mere koje svi uposleni treba da prihvate i usvoje. Mete za mere 3 do 5

godina u napred de, ako budu postignute, transformisati organizaciju., usplaivanje rasporeda

resursa i strategijskih inicijativa i budetiranje. Potrebna su 4 koraka za primenu BSC u procesu

planiranja : 1) postavljanje ambicioznih meta, 2) identifikovanje i racionalizovanje strategijskih

inicijativa kada su postavljene mete u sve 4 inicijative, menaderi mogu da procene da li su

tekude inicijative od koristi ili su potrebne nove, 3) identifikovanje kritinih sinergetskih

inicijativa, 4) povezivanje godinje alokacije resursa i budeta sa stategijom. Proces strategijskog

uenja u primeni BSC, otpoinje razjanjavanjem zajednike vizije. BSC olakava timsko uenje.

BSC treba da razvije tim koji de da prati performanse poslovanja u vidu dvostruke petlje kada

menaderi dovode u pitanje svoje pretpostavke i teoriju koja lei u osnovi strategije. Informacija

o tome da li je strategija sprovedena onako kako je planirano je proces uenja u vidu jednostruke

petlje. Menaderima je potrebna povratna informacija, da li je ta strategija uspena, to ini

proces uenja u vidu dvostruke petrlje. Efektivni proces strategijskog uenja ima 3 bitne

komponente : 1) zajedniki strategijski okvir doputa svakom uesniku da vidi kako njegove

aktivnosti i doprinose celokupnoj strategiji, 2) proces povratnog informisanja, 3) proces timskog

reavanja problema.



4. BSC sistem strategijske kontrole

Pod kontrolisanjem se podrazumeva upravljaka funkcija merenja, odnosno procenjivanja

postignuda. Kontrolisanjem se stiu informacije o napredovanju sa stanovita plana, otkrivaju

mere i anticipiraju odstupanja od planova i biraju korektivne akcije. 3 su osnovna vida kontrole :

kontrola pre preduzimanja planiranih aktivnosti njom se obezbeuju neophodni uslovi za

preduzimanje akcija, kontrola u toku planiranih aktivnosti predupreuju se veda odstupanja od

cilja, kontrola posle obavljanja aktivnosti zasniva se feedback-u i podrazumeva reaktivno

ponaanje. Merenje performansi se vri da bi se ostvarene veliine uporedile sa planiranim.

Jedna od najboljih metodologija je BSC, koja najvedi znaaj pridaje pradenju kljunih indikatora

performantnosti (KIP). Indikatori dugoronih ciljeva su najede generike prirode (produktivnost

radnika, zadovoljstvo korisnika), i odlikuje ih relatvno spora promena vrednosti. Indikatori

kratkoronih ciljeva su vedinom specifini za organizaciju.

5. Poslovna inteligencija iz perspektive CRM

CRM oznaava menadment odnosa sa kupcima. To je strategija koja se koristi da bi se nauilo

vie o potrebama kupaca i njihovom ponaanju, i da bi se tako razvili jai odnosi sa njima. CRM

podravan odgovaradim softverskim reenjima je proces kojim se dobija mnotvo informacija o

kupcima, prodajama, marketingu, trinim trendovima. CRM treba da pomogne poslovanju u

stvaranju vrednosti za kupca : a) obezbeivanjem boljih usluga kupcima, b) razvijanjem efikasnijih

call centara, c) efektnijom prodajom proizvoda, d) pruanjem pomodi prodajnom osoblju da bre

zakljui poslove, e) poboljavanjem i uprodavanjem procesa marketinga i prodaje, f) otkrivanjem

novih kupaca, g) povedanjem prihoda kupaca. Dve prepreke u procesu CRM su : 1) neitegrisane

aplikacije i izolovane informacije u eCRM, 2) uvedanje koliina informacija tokom vremena

oteava i usporava traganje. eCRM softversko reenje podraava 3 klase : 1) analitiki

omogudava analizu prodaje, segmentaciju korisnika, analizu cena, analizu profitabilnosti,

predvianje prodaja, analizu korisnika. Ove funkcionalnosti se najbolje podravaju sa DW i

aplikacijama SAPM. 2) operativni usresreen je na podrku operativnih aktivnosti upravljanje

marketnikim programima, kampanjama, povoljnostima, porudbinama, cenama i usluge.

3) kolaborativni - implicira komunikacije, partnerstvo i saradnitvo, pre svega koridenjem

internet servisa. Ukljuuje E-mail, E-komerc, Fax, korisniki portal. Clickstream analiza

podrazumeva analiziranje ponaanja posetilaca Web sajta i donoenje odluka baziranim na ovim

informacijama. Treba prikupiti i uskladiti sve informacije sa Web sajta, koje ukljuuju predmete

interesovanja posetilaca, a onda analizirati podatke o kupcu.

6. Poslovna inteligencija i upravljanje znanjem

Pod upravljanjem podacima podrazumeva se proces planiranja, organizovanja, koordinisanja i

kontrolisanja resursa podataka i njihova upotreba. Tom stupnju su svojstveni multidimenzionalni

SUBP, ERP sistemi, upravljanje dokumentima, DW-ing, DM... Upravljanje informacija od

upravljanja podacima iziskuje usavravanje sistema i procedura (npr. ODS, SPI, analitike baze

podataka). Vana faza u upravljanju informacijama jeste ispitivanje informacionih zahteva.



Analiza informacionih zahteva se preduzima sa ciljem da se stekne odgovor na pitanje koju vrstu i

koliinu informacije korisnik trai radi uspenog obavljanja posla? U procesu upravljanja

informacijama, pored utvrivanja informacionih zahteva, su ukljuene i faze: poreenje

informacionih zahteva sa postojedom snabdevenodu informacijama, utanivanje i ocenjivanje

utvrenih informacionih zahteva, odreivanje prioriteta nezadovoljenih informacionih zahteva i

izrada izvetaja o rezultatima analiza. 2 osnovna procesa upravljanja informacijama u organizaciji

su proizvoenje informacija i integrisanje informacija. 2 osnovna procesa upravljanja znanjima u

organizaciji su proizvoenje znanja i integrisanje znanja. Proizvoenje i integrisanje informacija

ne sadri validiranje, kakvo se zahteva u sluaju znanja. Proces upravnjanja znanjem ine koraci :

1) identifikovanje potrebe za znanjem, 2) otkrivanja postojedeg znanja, 3) akvizicija znanja, 4)

kreacija novog znanja, 5) skladitenje i organizovanje znanja, 6) deljenje znanja, 7) koridenje i

primena znanja. 3 pristupa upravljanja znanjem : pristup usmeren ka tehnologiji, pristup usmeren

ka ljudima i sintetiki pristup. Za razliku od prve generacije upravljanja znanjem, koja je

prevashodno bila usmerena na tehnologiju, druga generacija znatno vie ukljuuje ljude,

procese i socijalne inicijative. Umesto da, kao to to ine pripadnici i zastupnici prve generacije

upravljanja znanjem, smatraju da vredno znanje ved postoji, pripadnici druge generacije

upravljanja znanjem podrazumevaju da je znanje neto to se proizvodi u ljudskim socijalnim

sistemima. 4 su izazova u implementaciji upravljanja znanjem: a) znanje je esto uvano i nije

deljeno, b) vredno znanje koje su razvili drugi, esto se zanemaruje, c) znanje i ekspertiza esto

nisu cenjeni u kulturi organizacije, d) osobe koje dele znanje i ekspertnost se esto smatraju

naivnim. Faze praktinog uvoenja funkcija sistema upravljanja znanjem : a) uvoenje osnovnih

funkcionalnosti povezanih s upravljanjem znanjem, b) uvoenje integrativnih sistema upravljanja

znanjem, c) uvoenje interaktivnih sistema upravljanja znanjem, d) uvoenje premodujudih

sistema upravljanja znanjem. U projektovanju budude generacije sistema upravljanja znanjem,

treba izabrati holistiki pristup. Tehnologija poslovne inteligencije i tehnologije upravljanja

znanjem su skladno i nerazdvojno povezani, a tako objedinjenu tehnologiju nazivaju BIKM

(business intellgence knowledge management). U sistemu poslovne inteligencije, podaci se

pomodu aplikacija poslovne inteligencije preobraavaju u informacije. Informacije se potom

primenom ekspertize postojedih znanja na te informacije, preobraavaju u znanje. Upravljanje

znanjima objedinjuje tehnologije portala, urpavljanja sadrajem, kolaboracije i poslovne

inteligencije u jedinstven okvir. Poslovna inteligencija ima vrlo znaajnu, centralnu ulogu u

upravljanju znanjima.

7. Znaenje izraza data mining

Eksplozivni rast koliine podataka i eksplozivni rast broja baza podataka, prevazilazi modi oveka da

tradicionalnim sredstvima obrauje i analizira tako velike koliine i naslage podataka, to je proizvelo

potrebu za novim, drugaijim tehnikama i sredstvima automatske analize podataka u raspoloivim

bazama podataka. Neki od mogudih razolga su to raspoloiva glavna memorija moe biti nedovoljna

za datu koliinu podataka, podaci mogu da budu u bazi na nekom udaljenom serveru, skup podataka

moe da bude smeten u vie tabela... U meuvremenu su razvijene procedure automatizovane

analize podataka kojima se otkrivaju skriveni sloajevi u velikim skupovima podataka. Proces kojim se

to postie, oznaen je izrazom Data Mining rudarenje podataka. Izraz Data Mining se esto

upotrebljava da oznai automatizovani analitiki proces, oblikovan za efektivnu i efikasnu



eksploraciju u velikim zbirkama podataka, s ciljem otktrivanja i crpljenja skrivenih informacija, koje

se tiu dotle nepoznatih sloajeva, injenica i relacija. Data mining se koristi algoritmima. Prema

takvom shvatanju, Data Mining i otkrivanje znanja u velikim bazama podataka su poistovedeni i

predstavljaju automatizovani proces koji proizvodi znanje bez ukljuivanja saznavaoca u taj proces.

Prema drugaijim shvatanjima, Data Mining je samo jedna faza u procesu otkrivanja znanja u velikim

bazama podataka. Proces ukljuuje nekojiko faza i po svojoj prirodi je interaktivan i iterativan, pri

emu je ovek-korisnik duboko ukljuen u svaku od tih faza. Ovo shvatanje podrazumeva da se

posredstvom Data Mininga mogu otkriti samo hipoteze o sloajevima i odnosima. Ti sloajevi i odnosi

su predmet interpretacija i evaluacija pre nego to (eventualno) budu proglaeni znanjima. U ovako

shvadenom procesu Data Mininga, algoritmi imaju bitnu ulogu u sloenim iterativnim interakcijama

izmeu oveka i baze podataka. Data mining je proces odabiranja, eksploracije i modelovanja velikih

koliiina podataka, radi otkrivanja prethodno nepoznatih sloajeva za unaprenje poslovanja. Data

Mining se koristi tehnikama i algoritmima iz oblasti statistike, vetake inteligencije i drugih oblasti.

8. Funkcije Data Mining

Data mining slui slededim osnovnim svrhama :

1) Klasifikovanju ispitivanju svojstva entiteta i njihovom razvrstavanju u unapred

odreene klase

2) Klasterizovanju segmentiranju heterogenog skupa entiteta u homogene podgrupe,

klastere

3) Ocenjivanju predvianju nepoznatih vrednosti kontinuiranih varijabli

4) Detekciji promena i odstupanja otkrivanju najznaajnijih promena u podacima od

prethodno izmerenih ili normativnih vrednosti

5) Otkrivanju asocijacija nalaenju stavki u transakciji koje implikuju prisutnost drugih

stavki u istoj transakciji

6) Opisivanju i vizualizovanju i dr...

(Berry i Linoff) klasifikuju funkcije Data Mininga u 2 skupine : 1) usmerena analiza (zasnovana na

nadziranom uenju) : klasifikacija, ocenjivanje, predvianje i 2) neusmerena analiza (zasnovana na

nenadziranom uenju) : grupisanje, asocijaciona pravija, deskripcija i vizualizacija. 3 osnovna stuba

Data Mining : tehnike Data Mining, podaci i modelovanje.

9. Tehnike i algoritmi Data Mining1

Klasifikaciona stabla upotrebljava se za klasifikovanje, predvianje i opisivanje, a koriste se

uenjem s nadgledanjem da bi odabrala kombinaciju predikatskih varijabli s ciljem najboljeg

klasifikovanja. Da bi se odluilo kojoj klasi neki sluaj pripada, potrebno je odgovoriti na niz

pitanja, smetenih na vorovima stabla, kredudi se od korena ka vrhu stabla. Stablo raste iz vora

korena, koji se nalazi na vrhu, razgranavajudi se nanie deobom podataka na svakom nivou da bi

se formirali novi vorovi. vorovi stabla povezani su granama, a vorovi na kraju grana nazivaju

se vorovima listova. Nerazgovetna logika klasina dvovrednosna, binarna logika ima 2

1 10. pitanje je sadrano u 9. pitanju, tj. neuronske mree su takoe tehnika Data Mining koju treba opisati



vrednosti ili stanja, npr. istinito ili lano. U njoj vai princip neprotivrenosti i princip iskljuenja

tredeg oekuje se da neki iskaz bude istinit ili laan, a ne istiniti ili laan u odreenoj meri. No, u

sloenoj stvarnosti, promenljiva se esto ne moe opisati tim dvema vrednostima. Nerazgovetna

logika je vievrednosna logika koja nam omogudava odreivanje prelaznih vrednosti izmeu

istinito/lano, da/na, ukljueno/iskljueno. Nerazgovetna logika doputa koridenje kvalitativnih

izraza, lingvistikih varijabli. Dvovrednosna logika se oslanja na klasinu binarnu teoriju skupova,

a nerazgovetna logika na teoriju nerazgovetnih, rasplinutih skupova. Grubi skupuvi tehnika se

uspeno koristi u prepoznavanju sloajeva u velikim skupovima podataka. Koristi se uglavnom za

analizu podataka i reavanje problema kao to su redukcija podataka, otkrivanje zavisnosti meu

podacima, priblino klasifikovanje podataka... Prema standardnoj teoriji grubih skupova, objekti

koji se razmatraju su shvadeni kao skupovi vrednosti koje uzimaju njihovi prethodno izabrani

atributi. Objekti koji imaju identine skupove vrednosti za dati skup atributa smatraju se

nerazliivim. Genetiki algoritmi zasnovani su na analogiji sa zamislima teorije bioloke

evolucije, teorije o prirodnoj selekciji i genetici. Polazi od inicijalne populacije (Pi) mogudih

reenja ('organizama') datog problema ('sredine'), pri emu je skup deskriptivnih parametara

shvaden kao skup hromozoma, koji odreuju kvalitet organizma reenja postavljenog

problema. Hromozomi se ocenjuju da bi se odredilo u kojoj meri je neki organizam prilagoen

sredini tj. koliko je neko reenje dobro reenje datog problema. Odabiraju se oni skupovi

hromozoma, koji su svojstveni najboljim reenjima, proizvode se novi organizmi meanjem skupa

hromozoma roditelja (rekombinacija) i nastaje promena gena u nekim organizmima populacije

(mutacija). Tehnika najblieg suseda snana je u prepoznavanju sloajeva u velikim skupovima

podataka. Primenljiva je u reavanju novih problema na osnovu pamdenja iskuenih prethodnih

sluajeva. U predvianju situacije ili u donoenju odluke, tehnikom najblieg suseda se u prolosti

nalazi najblia situacija za sadanju situaciju, i odabira ista solucija, koja se pokazala uspenom u

prolosti, pa se prilagoava i predlae za novi problem.

10. Neuronske mree kao tehnika Data Mining

Pretee dananjih neuronskih mrea nastale su 1950. godine i zvale su se perceptroni. Pod naletom

kritike, 1969. Istraivanja u ovoj oblasti su zamrla. 80-ih je pokazano da se malim preinaenjima mogu

izbedi prigovori, pa su istraivanja obnovljena. 1992. neuronska mrea, kao komercijalni proizvod,

primenjena je u funkciji skenera za ekove. Neuronska mrea je model kompjutacije koji se sastoji od

mnotva prostih procesora, povezanih adaptivnim ponderima. To je nelinearan dinamiki sistem

neurona i sinapsi koji prepbraava ulazne vrednosti (inpute) u ihsode (autpute). Neuronske

mree ue na osnovu primera i na osnovu velike koliine kompleksnih podataka (esto istorijske

prirode). Proces uenja neuronskih mrea se odvija uz koridenje povratnih informacija za

podeavanje internih konekcija, to utie na ishod. Na osnovu razlike izmeu eljenog i akutelnog

ishoda (koji je mrea dala), modifikuju se konekcioni ponderi mree. Ovo modifikovanje se obavlja

automatski, pomodu algoritma uenja. Neuronska mrea je model kompjutacije zasnovan na

sposobnosti raspoznavanja sloajeva podataka. Neke od osnovnih funkcija neuronske mree su :

klasifikacija (pravljenje distinkcija izmeu stavki), klasterizacija (grupisanje slinih stavki u grupe

klastere), asocijativna memorija (povezivanje dveju ili vedeg broja stavki), modelovanje (predvianje

zasnovano na primerima) i predvianje na osnovu vremenske serije. Proces dokuivanja informacija

iz podataka posredstvom neuronskih mrea, odvija se u 3 faze: 1) pripreme podataka, 2) otkrivanje



informacija posredstvom algoritma dokuivanja informacija iz podataka, 3) analize rezultata

proishoda primene tog algoritma. Priprema podataka ukljuuje : 1) odabiranje podataka,

2) proidavanje podataka (proces u kojem se nedostajudi ili netani podaci zamenjuju

valjanim podacima)

3) prethodna obrada podataka (faza u kojoj se podaci kombinuju da bi se stvorile nove

vrijablje, ili podaci drugaije transformiu)

4) reprezentacija podataka (preobraavanje izvornih podataka u format prihvatljiv za

algoritam dokuivanja informacija iz podataka. Podaci mogu da budu kategorijski, diskretni

numeriki, kontinuirani numeriki, simboliki...)

Osnovni pristupi uenju neuronske mree su :

1) Uenje sa nadgledanjem neuronskoj mrei se prikazuju ulazni sloaj i eljeni izlazni

sloaj. eljeni izlazni sloaj se uporeuju sa izlaznim sloajem koga je proizvela neuronska

mrea, pa se informacije o grekama koriste za prilagoavanje pondera.

2) Uenje bez nadgledanja neuronskoj mrei se prikazuju samo ulazni podaci (bez eljenog

ishoda), pa neuronska mrea sama obrazuje klastere (segmente podataka)

3) Uenje potkrepljivanjem prikazivanje sekvence ulaznih podataka pradeno signalima koji

predstavljaju potkrepljenja.

U neuronskoj mrei tipa feedforward podaci dolaze u ulazne jedinice, teku kroz skrivene slojeve i

potom u izlazne jedinice gde se pojavljuje proishod (odgovor neuronske mree). Mrea se sastoji od 2

ili vie slojeva neuronskih procesorskih jedinica, povezanih tako da ulazni podaci teku kroz konekcije i

porocesorske jedinice u jednom smeru od ulaza ka izlazu. Ukupni ulazni signal prolazi kroz jednu

aktivacionu funkciju da bi se odredio proishod procesorske jedinice, koji biva ulaz u durgi sloj

procesorskih jedinica. Aktivaciona funkcija je funkcija koja slui da bu se izraunao izlaz jedinice.

Efekat pondera praga, zavisno od znaka pondera praga, promeni krivu levo ili desno, inedi tako

izlaznu vrednost manjom ili vedom.

Rekurentne (feedback) neuronske mree imaju topologiju u kojoj su jedinice povezane tako da ulazni

signali teku unazad i unapred izmeu neuronskih procesorskih jedinica, sve dok se neuronske mree

ne umire. Ograniene rekurentne neuronske mree imaju neke povratne konekcije koje se koriste za

obezbeivanje informacija o prethodnom stanju. Potpuno rekurentne neuronske mree imaju

dvosmerne konekcije izmeu svih procesorskih jedinica. Najede korideni model neuronskih mrea

je neurosnka mrea sa propagacijom unatrag. Neuronska mrea sa propagacijom unatrag je

feedforward neuronska mrea s mnotvom slojeva, koja se za prilagoavanje konekcionih pondera

koristi uenjem s nadgledanjem. Osnovni algoritmi propagacije unatrag, sastoji se od 3 koraka : 1)

ulazni sloajevi se prikau sloju ulaznih procesora i ire kroz mreu dok ne dou do izlaznih jedinica,

2) Aktuelni proishodi mree se oduzimaju od eljenih proiskoda i proizveden je signal o greci, 3)

greke prolaze unatrag kroz mreu, putem izraunavanja doprinosa svake skrivene procesorske

jedinice i izvoenja odgovarajudeg prilagoavanja potrebnog da proizvede ispravan ishod. Konekcioni

ponderi se tada prilagoavaju i neuronska mrea je upravo neto nauila iz iskustva. Kohonenove

mape crta su feedforward neuronske mree koje se koriste uenjem bez nadgledanja. Model

neuronske mree zasnovane na teoriji adaptivne rezonance je rekurentna mrea koja se obuava

uenjem bez nadgledanja. Izbor odgovarajudeg modela neuronske mree zavisi od : funkcije koju bi

trebalo obaviti, prorode ulaznih podataka, koliine podataka i dr... Proishodi dokuivanja informacija

su relativno lako shvatljivi korisniku. Ali, ono to neuronske mree naue nije uvek jednostavno

doznati. Pristupi doznavanju sadraja onoga to je neuronska mrea nauila su : analiza osetljivosti

(odreivanje doprinosa ili efekta koji neka ulazna promenljiva ima na ishod u datom modelu),



generisanje pravila neuronskom mreom i vizuelizacija. Vanija svojstva neuronskih mrea su :

uspene su u koridenju podataka sa umovima, funkcioniu veoma brzo, vreme za njihovo

obuavanje nije dugo.

11. Proces Data Mining : koraci 1-8

1. Prepoznavanje i razumevanje problemske situacije Za ovaj korak, prosuivanje oveka ima

sutinsku vanost. Na prisutnost problema organizacije ukazuje razlika izmeu onoga to organizacija

postie i onog to je naumila da postigne. Informacije o ovim razlikama, trebalo bi da obezbedi sistem

kontrole. inioci koji oteajvaju identifikovanje i analizu problema su : nevoljna obrada negativnih

informacija (informaciona predrasuda), apsorpcija neizvesnosti vremenom informacija gubi

neizvesnost, usled ega izgleda preciznija nego to jeste, izbegavanje nekih informacija, naroito

nejasnih (selektivna percepcija), stereotipi, (ograniena) koliina informacija koje ljudi mogu da

obrade istovremeno (kongitivna kompleksnost). Nuni uslov uspenog reenja problema jeste

ispravno postavljanje i formulisanje problema. U reavanju problema odluivanja, heuristici mogu

voditi predvidljivim grekama. Npr. : Ukotvljavanje i prilagoavanje Osoba pamti slian reen

problem. Koristi istu strategiju i nastoji je prilagotditi novom problemu. Ali, problem ima neke

znaajne razlike u odnosu na prethodni, usled ega je pokuaj neuspean. Reprezentativnost Osoba

procenjuje pojave saobrazno slinom skupu poznatih pojava, i bira alternative sline onima u ranijim

tekim problemima. Raspoloivost Osoba je sklona da izabere pristup koji ju je ranije vodio ka vrlo

vidnom uspehu.

2. Identifikovanje i formulisanje odgovarajudeg problema Data Mining - Problem Data Mining nije

istovetan sa problemom odluivanja. Problem Data Mining je u nedostatku informacija, saznanja,

modela za reavanje cilja problema odluivanja.

3. Postavljanje ciljeva Data Mining u poslovnom kontekstu Ciljevi Data Mining su eljena stanja na

koja su usmerene aktivnosti u Data Mining, i potrebno je da budu jasno odreeni. Potrebno je

odrediti prirodu odnosa izmeu ciljeva. Odnos izmeu ciljeva moe da bude takav da postizanje

jednog cilja ni na koji nain ne utie na postizanje drugog cilja, ali i takav da postizanje jednog cilja

zavisi od postizanja drugog cilja. Potrerbno je razlikovati uzajamno iskljuujude od uzajamno

neiskljuujudih ciljeva, osnovne i iz njih izvedene ciljeve, uporedne (mogu se postizati uporedo,

istodobno), od sekvencijelnih ciljeva (mogu se postizati samo u sledu, neposredni ciljevi posredni

ciljevi konani ciljevi). Ako se stablom ciljeva ele predstaviti kompozicioni odnosi meu ciljevima

(odnosi celine i delova), uputno je drati se ovih pravila : 1) Gravni cilj se ralanjava u hijerarhijsku

strukturu, tako da postizanje ciljeva na niem hijerarhijskom nivou, predstavlja nuan i dovoljan uslov

postizanja cilja na slededem, viem hijerarhijskom nivou. 2) Na svakom hijerarhijskom nivou,

podciljevi moraju biti meusobno nezavisni, 3) Ralanjivanje se obustavlja kada se doe do nekog

elementarnog hijerarhijskog nivoa. Cilj Data Mining moe da bude segmentacija, klasifikacija,

predvianje ili neto drugo.

4. Eksploracija i razumevanje prostora mogudih dopustivih reenja problema Pre nego to se

otpone traganje za reenjem postavljenog problema odluivanja, potrebno je odrediti kako bi

trebalo da izgleda reenje tog problema, ka i gde (u kojoj oblasti prostora mogudih reenja) bi trebalo

tragati za reenjem. Potrebno je odrediti kriterijume za ocenjivanje vrednosti reenja (informativnost,

novina, praktika primenljivost, etika vrednost).

5. Postavljanje problema i ciljeva Data Mining Potrebno je ispravno i izriito postaviti probleme

koje bi poduhvatom Data Mining trebali reiti i ciljeve koje bi tim poduhvatom trebalo postidi.



6. Odreivanje tipa i svrhe Data Mining Izbor odgovarajudeg tipa Data Mining je odreen

postavljenim problemom i ciljevima, odnosno funkcijama.

7. Odreivanje osnovnog skupa i/ili uzorka znaajnih podataka U mnogim sluajevima za analizu

ne uzimamo sve raspoloive podatke (osnovni skup), nego neki uzorak. Neophodno je definistanje

populacije, odabiranje odgovarajudeg naina uzorkovanja i odreivanje potrebne veliine uzorka.

Razlikujemo 2 naina uzorkovanja : 1) Verovatnosno uzorkovanje zasniva se na teoriji verovatnode

(pri svakoj etapi je poznata verovatnoda sa kojom neki lan osnovnog skupa ulazi u uzorak), 2)

Neverovatnosno uzorkovanje nije zasnovano na teoriji verovatnode. Raspoloivi uzorak se deli na 3

podskupa : 1) podskup za obuavanje algoritma i procedura Data Mining, 2) podskup za testiranje, 3)

podskup za evaluaciju performansi modela. Model ocenjen kao uspean, posle se primenjuje na

novom, nepoznatom skupu podataka.

8. Izabiranje najpodesnijih tehnika i sredstava za reavanje postavljenog problema Data Mining

Izbor je odreen u prvom redu : 1) problemom i ciljevima Data Mining, 2) pretpostavkama ispravne

primene metoda, tehnike i sredstava. Ova faza podrazumeva ocenu i uporeivanje adekvatnosti

alternativnih metoda, tehnika i sredstava za Data Mining. U zavrnom delu ove faze je potrebno

navesti izabrane metode, tehnike i sredstva, koji de se koristiti u poduhvatu Data Mining.

12. Proces Data Mining koraci 9-17

9. Odreivanje toka poduhvata Data Mining obino ukljuuje : a) identifikovanje glavnih kontrolnih

taaka projekta, b) pretpostavke o trajanju aktivnosti radi izrade vremenskog plana, c) identifikovanje

ogranienja projketa, d) identifikovanje meuzavisnosti aktivnosti u projektu, e) definisanje

vremenskog plana i budeta, f) odreivanje kriterijuma za ocenu znaajnosti odstupanja od projekta i

g) dokumentovanje vremenskog plana i budeta projekta.

10. Odreivanje sastava tima za obavljanje poduhvata Data Mining sastav tima sainjavaju znalac

u oblasti kojoj pripada problem odluivanja, znalac u oblasti IT i znalac u oblasti Data Minig.

11. Specifikovanje aktivnosti, dunosti uesnika i okvirnog vremenskog plana

12. Prikupljanje, eksploracija, razumevanje i ocenjivanje podataka 1) Prikupljanje poetnih

podataka poetni korak u prikupljanju podata je lociranje potrebnih podataka. Podaci se najede

nalaze u DW ili u martu podataka, ponekad u ODS. Ako se podaci uzimaju iz vie izvora, potrebna je

integracija podataka. 2) Opisivanje podataka odnosi se na pitanja granularnosti podataka, formata

podataka i opsega vrednosti varijabli. 3) Ekpsploracija podataka omogudava sticanje uvida u to gde

se u podacima nalaze kljuni odnosi meu varijablama i uvid u nedostatke ili netanosti podataka. 4)

Ocenjivanje kvaliteta podataka Kvalitet podataka pokazuje u kojoj meri izvor podataka podrava

potrebe za informacijama. Osnovne komponente podataka su: integritet, tanost i potpunost

podataka. 4) Pisanje saetog izvetaja o rezultazima eksploracije i ocenjivanja kvaliteta podataka,

5) Prireivanje podataka za Data Mining 5.1) Proidavanje podataka je proces u kojem se biraju

isti podskupovi podataka, unose nedostajudi podaci, a netani zamenjuju. Postoji vie pristupa u

tretiranju nedostajudih podataka, npr. iskljuivanje sluajeva (redova) s nedostajudim podacima,

zamenjivanje nedostajudih podataka interpoliranim vrednostima. Autlejer je pojedinana pojava

vrednosti neke varijable, koja je vrlo udaljena od osnovne mase vrednosti te varijable. Autlejerima se

moe pristupati kao da su valjane vrednosti, tretirati ih kao nedostajude vrednosti, zameniti ih drugim

vrednostima (min/max), preobraziti kvantitativnu vajrijablu u kvalitativnu kategorijsku... Podaci bi

trebalo da budu na odgovarajudem nivou granularnosti. 5.2) Konstruisanje novih podataka



podrazumeva proizvoenje izvedenih varijabli ili transformisanje vrednosti postojedih varijabli. 5.3)

Integrisanje podataka spajanje dveju ili vie tabela. 5.4) Formatiranje podataka podaci mogu da

budu : kategorijski, diskretni numeriki (mogu uzimati samo fiksirani skup vrednsoti), kontinuirani

numeriki (mogu da budu skalarni (npr. varijabla sa vrednostima 0-100 je skalirana 0.0-1.0), sa

pragovima (npr. varijabla ima domen 0-300, i elimo da vidimo koliko je vrednosti iznad 40, moemo

vrednosti 0-40 skalirati 0.0-1.0, a ostale vrednosti dobijaju vrednost 1) ili pereobraeni u diskretne)

5.5) Konana priprema skupa podataka.

14. Izgraivanje modela Model je pasivan ako ne prima inpute, ne daje proishodne, ne menja bilo

ta, a aktivni modal obavlja najmanje jednu aktivnost. Pasivni modeli izraavaju povezanosti, dok

aktivni primaju uzorak inputa i uzvradaju predvianjima oekivanih proishoda. Za izbor odgovarajude

tehnike modelovanja se obino koriste Monte Carlo metodi. Zatim se odruje nain proveravanja i

ocenjivanja modela i postavljaju parametri za izgraivanje modela.

15. Tumaenje, razumevanje i ocenjivanje modela rezultata poduhvata Data Mining Tumaenje

i zakljuivanje koje zanemaruje kako je skup podataka izabran, moe voditi pogrnom zakljuku.

Neopravdano je poistovedivanje verovatnode greke u statistikom testiranju hipoteze, s

verovatnodom greke dobijene primenom neke procedure u poduhvatu Data Mining. Umesto

uobiajenog odabira vrednosti =0,05 i =0.01, potrebno je uzeti u obzir i snagu testa i smanjiti

vrednost kada je uzorak veliki. Potrebno je imati na umu da informacije steene analizom mogu da

budu neistinite. Prilikom ocenjivanja modela, pripisuju mu se brojevi ija vrednost korespondira sa

prihvatljivodu modela. Neki od osnovnih kriterijuma su : tanost klasifikacije, jasnoda, lakoda

tumaenja, potrebno vreme i jednostavnost modela. Kombinovanje vedeg broja modela se sprovodi

sa ciljem poboljavanja pouzdanosti i tanosti predvianja/klasifikovanja. U istraivanjima je naeno

da su skupovi modela esto znazno uspeniji od ma kog svog pojedinanog lana. Takvi skupovi

modela se obino nazivaju ansamblima modela.

16. Primena modela rezultata Data Mining, pradenje i ocenjivanje efekata primene modela

sadri plan sporvoenja primene rezultata Data Mining i plan pradenja i ocenjivanja efekata primene

rezultata Data Mining.

17. Pisanje zavrnog izvetaja o celokupnom projektu Data Minig stuktura izvetaja sadri saetke

o problemskoj situaciji, problemu odluivanja, problemu Data Mining, ciljevima odluivanja i

ciljevima Data Mining, saeti pregled postavljenih kriterijuma uspenosti reenja, saeti opis toka

obavljenog poduhvata, saeti pregled rezultata steenih poduhvatom, saezi pregled ocenjivanja

rezultata, saeti izvetaj o nainu i efektima primene steenih rezulzata, optu ocenu efektivnosti i

efikasnosti poduhvata i sugestije za predstojede poduhvate Data Mining.

13. Otkrivanje znanja

Otkrivanje znanja u bazama podataka (KDD Knownedge Databases Discovery), se definie kao

netrivijalni, iterativni i interaktivni proces identifikovanja do tada nepoznatih sloajeva u podacima.

Ukljuuje 9 etapa : 1) razumevanje domena primene prethodnog znanja i ciljeva koje bi trebalo

postidi, 2) kreiranje i odabiranje ciljnog skupa podataka, 3) otklanjanje ili ispravljanje neispravnih

podataka i prethodna obrada podatka, 4) transformisanje i redukovanje podataka, 5) izbor zadataka

DM odluivanje da li je cilj KDD klasifikacija, klasterizovanje ili neto drugo, 6) izbor odgovarajudih

algoritama DM, 7) DM, 8) tumaenje i ocenjivanje otkrivenih sloajeva i 9) koridenje otkrivenih

znanja. Neophodno je da baza sa sadri to je mogude manje umova, a DW, posredstvom internih



mehanizama to obezbeuje. Znanja steena na ovaj nain, mogu da budu uskalditena u knowledge

warehouse integrisano, konzistentno i ka korisniku usmereno skladite informacija i znanja, lako

dostupnih korisnicima. Predstavlja osnovni sainilac strukture sistema upravljanja znanjem. Sistem

upravljanja znanjem bi trebalo da korisnika u organizaciji uputi na znalce u odreenoj oblasti.

14. Pojam, priroda i svrha DSS

Upravljaki informacioni sistemi (MIS), pomau menaderima da efektivno i efikasno upravljaju

organizacijom. Mada su oni razvijani sa svrhom da obezbeuju upravljake informacije za donoenje

odluka, ovaj cilj nisu uspeno realizovali u vedini organizacija. Pojavili su se novi, drugaiji

informacioni sistemi DSS, vie kao nadgradnja MIS. DSS su sposobni da uklone nedostatke koji su se

pojavili kod MIS. DSS je usresreen na podrku donoenja odluka u kontekstu menaderskog

pristupa otkrivanja i reavanja problema odluivanja svih nivoa. Kljuni akpekt je podizanje

sposobnosti donosioca odluke, ostavljajudi raunaru da uradi ono to radi najbolje kvantitativne

analize. Sistem omogudava pristup kvantitativnim modelima, jezicima modelovanja i analitikim

bazama podataka. Sistem mora biti jednostavan, robusan, lak za kontrolu, adaptivan, lak za

komunikaciju. DSS se moe definisati kao 1) proiriv sistem, 2) sposoban podravati ad hoc analizu

podataka i modeliranje odluka, 3) orjentisan ka bududem planiranju, 4) koristi se u iregularnim,

neplanskim intervalima. DSS sistem se sastoji iz slededih sainitelja : 1) jezikog sistema mehanizma

koji obezbeuje komunikaciju izmeu korisnika i drugih komponenti DSS, 2) sistema znanja ini ga

znanje iz problemskog domena i 3) sistema za procesiranje problema veza izmeu 2 prethodno

navedena sistema. Svaki DSS je unikatna aplikacija i ne moe se razvijati i isporuivati kao standardni

softverski paket. Ove sisteme razvijaju korisnici koji su veoma dobri poznavaoci problema odluivanja

i graditelji DSS.

Poreenje sistema podrke odluivanju (DSS) sa upravljakim informacionim sistemima (MIS), kroz

5 kljunih dimenzija

Dimenzije DSS MIS

Upotreba Aktivna Pasivna

Korisnik Menadment preduzeda Slubenici

Cilj Efikasnost Mehanika efikasnost

Vremenski horizont Sadanjost, bududnost Prolost

Osobenost Fleksibilnost Konzistentnost

16. Aktivnosti i vrste DSS

Upravljake aktivnosti se mogu svrstati u 3 kategorije : strategijsko upravljanje (postavljanje ciljeva,

izbor strategija, izrada planova, razvoj politika...), upravljaka kontrola (proces obezbeivanja da

ciljevi i strategije budu efektivno i efikasno realizovani), operativno planiranje (program

obezbeivanja da operativni planovi, programi i konkretni zadaci budu uspeno realizovani). DSS se, s

obzirom na upravljake aktivnosti koje podravaju mogu razvrstati na : DSS za strategijsko

upravljanje, DSS za upravljaku kontrolu, DSS za operativno planiranje i kontrolu. DSS za strategijsko

upravljanje bududnost de biti era velikih i radikalnih promena. 4 dolazeda i najvanija kompleksa

promena, ticade se : demografskih kretanja, promena u ekonomiji i tehnologiji, nestaice prirodne

energije, razvojnih trendova svetskog ekonomskog sistema. Strategijsko upravljanje je proces



postavljanja ciljeva organizacije, izbora strategije i obezbeivanja resursa za postizanje postavljenih

ciljeva. Strategijsko upravljanje je dunost najvieg rukovodstva. DSS za strategijsko upravljanje

poseduje takve funkcionalnosti koje obezbeuju sve vrste relevantnih informacija, potrebnih

vrhovnom rukovodstvu u izvrenju zadataka u domenu strategijskog upravljanja. DSS za upravljaku

kontrolu Upravljaka kontroja je proces kojim sredinji nivo menadmenta obezbeuje da se

resursi organizacije angauju i koriste efektivno i efikasno, kako bi se postigli postavljeni dugoroni i

srednjoroni ciljevi organizacije. Implementacija sistema upravljake kontrole podrazumeva 2 kljuna

zahteva : 1) identifikovanje vanih elemenata radnih procesa i naina donoenja odluka koje se

moraju inkorporirati u kontrolni sistem i 2) delegiranje upravljake odgovornosti. Ova vrsta DSS

omogudava menaderima srednjeg nivoa : a) identifikovanje i reavanje nastalih poslovnih problema,

b) otkrivanje novih problema i njihovo uspeno reavanje podrkom poslovnih i matematiko-

statistikih modela, c) komuniciranje sa radnim timovima, motvacija zaposlenih i kontrola tokova

aktivnosti. DSS za operativno planiranje i kontrolu Operativno planiranje i kontrola je proces

obezbeivanja efektivnosti i efikasnosti u izvravanju tekudih poslova i operacija. DSS obezbeuje

informacije za nie nivoe upravljanja u cilju potpomaganja operativnog planiranja i kontrole. Re je o

podrci donoenja programibilnih odluka koje su uestale i rutinske. Raunar ima vanu ulogu da

podrava izvravanje ovakvih zadataka, npr. kontrola zaliha, termiranje porudbina, analiza prodaje u

objektima... Grupni sistemi za podrku odluivanja (GDSS) proces donoenaja odluka je deljiv

proces i u njemu obino uestvuje vedi broj osoba. GDSS tipologiju sainjavaju slededi delovi : 1) Soba

za odluivanje u kojoj se analizira problem odluivanja i donosi grupna odluka, 2) Lokalna mrea za

odluivanje u njoj su umreena sva radna mesta i personalni raunari. Centralni raunar server

dri GDSS server, baze podataka i baze modela, a lokalna mrea omogudava komunikaciju. 3)

Telekonferencija koristi se u situacijama kada su lanovi grupe za odluivanje geografski veoma

udaljeni. 4) Udaljeno donoenje odluka GDSS omogudava neprekidne komunikacije izmeu

udaljenih stanica za odluivanje.

17. Arhitektura DSS

Sistemi za podrku odluivanja su sainjeni od slededa 3 glavna elementa : 1) podsistem podataka i

upravljanja podacima ukljuuje u svoju strukturu bazu podataka. Logiki aspekt ovih baza

uspostavlja se na dimenzionalnom modelovanju, a fizika implementacija je relaciona baza. Resurs

podataka je struktuiran i organizovan kao DW i podacima upravlja SUBP ; 2) podsistem modela i

upravljanja modelima softverski paketi ukljuuju modele vetake inteligencije, finansijske,

statistike, OLAP, DM i druge modele ; 3) komunikacioni (dijalog) podsistem posredstvom njega

korisnik komunicira i upravlja sa DSS. Podsistem podataka i upravljanja podacima sadri sledede

module : DSS baza podataka, SUBP, renik podataka, mogudnost upita. Podsistem podataka i

upravljanja podacima koristi 3 nivoa arhitekture : konceptualni nivo, logiki nivo i fiziki nivo.

1) Konceptualni nivo projektovanja baza podataka se reava dimenzionalnim modelovanjem. Ovim

modelima se opisuju svi podaci relevantni za neku oblast preduzeda, koji de biti u jednoj bazi

podataka. 2) Logiki nivo se odnosi na predstavljanje logike strukture baze podataka. Koriste se 2

modela podataka : entitet-odnos model i semantiki model. Sutina je identifikacija i imenovanje

entiteta, atributa koji pripadaju svakom entitetu i ukazivanje na vrstu i nazive veza izmeu entiteta.

3) Fiziki nivo arhitekture baze bodataka DW tie se fizike organizacije podataka i njihovog

smetaja na memorijske ureaje. Fiziki nivo je relaciona baza podataka, urpavljana odgovarajudim



SUBP. Baza podataka se kreira i njoj se pristupa i ona se aurira skupom softverskih programa SUBP,

vrednih i do 100.000$. SUBP izvrava 3 standardne funkcije : a) formiranje (skladitenje), b)

pretraivanje, c) kontrola (zatita pristupa). Renik podataka je katalog svih podataka u bazi. Sadri

definicije podataka. Renici podataka su meta podaci u DW. Sposobnost upita obezbeuje osnovu za

pristup podacima. Sposobnosti su odreene posebnim query jezicima, kao to je na primer SQL.

Podsistem modela i upravljanja modelima - sastoji se iz slededih elemenata : 1) baza modela, 2)

sistema za upravljanje bazom modela (SUBM, ili eng. MBMS), 3) renik modela, izvrenje modela,

integracija i upravljanje. Baza modela sadri subrutine, statistike, finansijske modele, modele

poslovne inteligencije i druge kvantitativne metode i tehnike koji doprinose analitikim

performansama DSS. Mogudnost manipulacije modelima je bitna karakteristika DSS, koja ga znaajno

razlikuje od tradicionalnih upravljakih informacionih sistema (MIS). MBMS je softverski sistem sa

slededim funkcijama : kreiranje modela, koridenje subrutina i izgraenih blokova modela,

generisanje novih rutina i izvetaja, auriranje i promena modela, manipulisanje podacima. Modeli u

DSS se integriu i koriste na 2 naina : 1) zaseban podsistem baze modela, povezan sa drugim

podsistemima i 2) modeli uljueni u proirivu tehnologiju baze podataka. Renik modela je katalog

svih modela u bazi modela, za definicijama, glavnim funkcijama modela i slino. Podsistem dijaloga

dijalog komponente DSS su softver i hardver koji omogudavaju korisniki interfejs sa DSS. Termin

korisniki interfejs pokriva sve aspekte komunikacija izmeu korisnika i DSS. Podsistem korisnikog

interfejsa se najede deli u 3 komponente : PC/Terminal, softver i korisnik. Proces dijaloga se deli u

slededa 3 dela : 1) jezik akcije (kako korisnik moe komuicirati sa sistemom), 2) jezik prezentacije (ono

to korisnik vidi i uje), 3) baza znanja (ukljuuje informacije koje korisnik mora posedovati ili znati.

Znanja mogu biti u korisnikovoj glavi, uputsvima ili u Help sekciji). Podsistemom dijaloga upravlja

softver koji je poznat kao softver za upravljanje i generisanje dijaloga (DGMS). Korisnici mogu biti

menaderi ili specijalisti analitiari. Prvi trae od sistema da su vie frendli, a drugi da su analitiniji i

kompleksniji.

18. Metodoloki pristup razvoju poslovne inteligencije L. Moss & S. Atre koraci 1-5

1. Definisanje potreba/ciljeva poslovanja i potrebnih solucija poslovne inteligencije u prvom

koraku, potrebno je izriito definisati poslovni problem i mogudnosti, svrhu aplikacija poslovne

inteligencije, obaviti analizu poslovanja i zashteva za informacijama, kao i sveobuhvatnu analizu

rizika. Aktivnosti2: 1 Definisanje poslovnih potreba (2a, 2b, 2c), 2a Ocenjivanje postojedih DSS

solucija, 2b Ocenjivanje operativnih izvora i procedura (3), 2c Ocenjivanje PI inicijativa

konkurenata, 3 Odreivanje ciljeva aplikacija PI (4a, 4b, 4c), 4a Predlog solucije PI, 4b Obavljanje

kost-benefit analize (5), 4c Ocenjivanje rizika, 5 Pisanje izvetaja o poslovnim potrebama i

poslovnim solucijama.

2. Ocena infrastrukture preduzeda Ocenjuju se obe komponente infrastrukture : tehnike (hardver,

softver, SUBP, operativni sistemi, mree...), i netehnike (standardi metapodataka, standardi

imenovanja podataka, logiki model podataka, metodologije, uputstva, procedure testiranja...).

Aktivnosti ocenjivanja tehnike infrastrukture : 1a Ocenjivanje postojedih platformi (2), 1b

Ocenjivanje i izbor novih proizvoda (2), 2 Pisanje izvetaja o oceni tehnike infrastrukture (3), 3

2 Aktivnosti su predstavljne tako da redni broj oznaava poziciju po vertikalnoj, hronolokoj, liniji, a slovo

poziciju s leva na desno, u situacijama gde se najverovatnije radi o paralelnim aktivnostima. u zagradi oznaava da datu aktivnost sledi neka druga, ija je, ili ije su oznake date iza simbola.



Proirivanje postojedih platformi. Aktivnosti ocenjivanja netehnike infrastrukture : 1 Ocenjivanje

efikasnosti komponenti netehnike infrastrukture (2), 2 Pisanje izvetaja o ocenji netehnike

infrastrukture (3), 3 Unapreivanje netehnike infrastrukture.

3. Planiranje projekta Aktivnosti 1 Odreivanje zahteva projekta (2), 2 Odreivanje stanja

izvornih fajlova i baza podataka (3a, 3b), 3a Odreivanje ili revidiranje procene trokova (4), 3b

Revidiranje ocene rizika (4), 4 Identifikovanje kljunih faktora uspenosti (5a, 5b), 5a Priprema

dokumenata o projektu (6), 5b Kreiranje plana projekta, (6) Startovanje projekta

4. Definisanje zahteva projekta postoji razlika izmeu optih poslovnih zahteva (odreivanje

poslovnih potreba organizacije za okruenjem podrke odluivanju u okruenju poslovne

inteligencije), i zahteva specifinih za projekat (specifine funkcije i podaci koje bi trebalo imati na

raspolaganju na kraju projekta poslovne inteligencije). Aktivnosti: 1a Definisanje zahteva za

unapreivanje tehnike infrastrukture (2), 1b Definisanje zahteva za unapreivanje netehnike

infrastrukture (2), 1c Definisanje zahteva za izvrenjem (2), 1d Definisanje zahteva za izvorima

podataka (2), 2 Pregled opsega podataka (3a, 3b), 3a Definisanje zahteva za unapreivanje

netehnike infrastrukture (4), 3b Definisanje zahteva za izvrenjem (4), 4 Pisanje dokumenta o

zahtevima.

5. Analiza projekta Kvalitet podataka je veliki izazov pa autori metodologije smatraju da je analiza

projekta najkritiniji od svih 16 koraka u razvoju. Analiza podataka nije usmerena na sistem nego na

poslovanje, pa stoga ovaj korak predstavlja kljunu razliku imeu razvoja tradicionalnog sistema

podrke odluivanju i razvoja solucije poslovne inteligencije. Aktivnosti: 1 Analiza eksternih izvora

podataka ( 2a, 2b), 2a Analiza kvaliteta podataka u izvorima (3a), 2b Rafinisanje logikog

modela podataka (3b), 3a Razreavanje diskrepancija (4), 3b Proirivanje logikog modela

podataka preduzeda (4), 4 Pisanje specifikacija proidavanja podataka.


6. Prototajping aplikacije svrha ovog koraka je da oceni da li su dizajn baze podataka, dizajn

prisupa, aplikacije i izabrane tehnologije poslovne inteligencije u stanju da zadovolje zahteve nakon

implementacije. Aktivnosti: 1a Analiza zahteva za pristupom (2), 1b Odreivanje opsega prototipa

(2), 1c Izabiranje alata za prototip (2), 2 Priprema dokumenta prototipa (3a, 3b), 3a Dizajn

upita i izvetaja (4), 3b Izgraivanje prototipa (4), 4 Definisanje prototipa.

7. Analiza repozitorijuma metapodataka standardizovanje izvornih podataka neizbeno vodi ka

promenama podataka. Razumeti te promene ne bi bilo mogude bez odgovarajudih metapodataka.

Aktivnosti: 1a Analiza zahteva repozitorijuma metapodataka (2), 1b Analiza zahteva interfejsa za

repozitorijumom metapodataka (2), 1c Analiza pristupa repozitorijumu metapodataka i zahteva

izvetavanja (2), 2 Kreiranje logikog meta modela (3), Kreiranje meta-metapodataka.

8. Dizajn baze podataka U bazama podataka u okruenju poslovne inteligencije su uskladiteni

poslovni podaci u detaljnom ili agregiranom vidu. Sheme dizajna baze podataka bi trebalo da

udovolje zahtevima za pristupom podacima. Zahtevi u okruenju poslovne inteligencije nalau tip

dizajna baze podataka i nain skladitenja podataka, kojima se moe pristupiti bilo posredstvom SQL

upita, bilo multidimenzionalno-OLAP alatom. Aktivnosti: 1a Pregled zahteva za pristupom podacima

(2), 1b Odreivanje zahteva za agregiranjem/sumarizovanjem (2), 2 Dizajn ciljnih baza podataka

PI (3), 3 Dizajn fizikih struktura baze podataka (4), 4 Gradnja ciljnih baza podataka PI (5), 5



Razvoj procedura za odravanje baze podataka (6a, 6b), 6a Priprema za monitorisanje i

podeavanje dizajna baze podataka, 6b Priprema za monitorisanje i podeavanje dizajna upita.

9. Dizajn ETL ovo je najkomplikovaniji proces u celokupnom projektu poslovne inteligencije. Izvori

podataka su najede heterogeni. Osnovna svrha procesa ETL je spajanje podataka iz razliitih

platformi u standardni format za baze podataka u okruenju poslovne inteligencije. Aktivnosti:

1a Kreiranje dokumenata za mapiranje od izvora ka meti (2), 1b Testiranje funkcija alata ETL (2),

2 Dizajniranje programa toka procesa ETL (3a, 3b), 3a Dizajniranje programa ETL, 3b

Uspostavljanje oblasti prireivanja ETL.

10. Dizajn repozitorijuma metapodataka Dizajni repozitorijuma metapodataka bi trebalo da

udovolji zahtevima meta modela razvijanog u 7. koraku analizi repozitorijuma metapodataka.

Aktivnosti: 1 (a) Dizajniranje baze repozitorijuma metapodataka (2a, 2b), ili (b) Instaliranje i

testiranje proizvoda repozitorijuma meta podataka (2b), 2a Dizajn aplikacije metapodataka, 2b

Dizajn procesa migracije metapodataka.


11. Razvoj ETL Aktivnosti: 1 Izgradnja procesa ETL (2), 2 Integracija ili regresija testa procesa ETL

(3), 3 Test performanse procesa ETL (4a, 4b), 4a Test obezbeivanja kvaliteta procesa ETL, 4b

Test prihvatljivosti procesa ETL.

12. Razvoj aplikacije mogudnosti aplikacija poslovne inteligencije su znatno pojaane OLAP

tehnologijom koja omogudava multidimenzionalne analize i funkcionalnosti kao to su: what-if

analize, konverzija numerikih podataka u grafike prikaze... Aktivnosti: 1a Odreivanje zahteva

finalnog projekta (2), 1b Dizajn programa aplikacije (2), 2 Izgradnja testa programa aplikacije

(3a, 3b), 3a Testiranje programa aplikacije, 3b Obezbeivanje treninga za pristup podacima i

obradu podataka.

13. Data Mining eksplozivni rast koliine podataka proizvodi ogromne skupove podataka za koje se

opravdano pretpostavlja da sadre skrivene informacije, potrebne za uspeno poslovanje.

Otkrivanje takvih informacija moe predstavljati znaajnu kompetitivnu prednost organizacije.

Aktivnosti: 1 Postavljanje poslovnog problema (2b), 2a Prikupljanje podataka (3), 2b

Konsolidovanje i proidavanje podataka (3), 2c Priprema podataka (3), 3 Izgradnja analitikog

modela podataka (4a, 4b), 4a Tumaenje rezultata DM (5), 4b Obavljanje eksterne validacije

rezultata (5), 5 Monitorisanje analitikog modela tokom vremena.

14. Razvoj repozitorijuma metapodataka neophodni uslov uspene navigacije kroz okruenje jeste

valjani repozitorijum metapodataka i odgovarajudi pristup istom. Kada je implementiran,

repozitorijum mora da bude odravan i proirivan tokom vremena. Repozitorijum meta podataka bi

trebalo da bude punjen i osavremenjavan tokom svakog ciklusa procesa ETL. Aktivnosti: 1 Graenje

baze repozitorijuma metapodataka (2a, 2b), 2a Graenje testa procesa migracije metapodataka

(3), 2b Graenje testa aplikacije metapodataka (3), 3 Testiranje programa repozitorijuma

metapodataka (4a, 4b), 4a Priprema repozitorijuma metapodataka za produkciju, 4b

Obezbeivanje obuavanja za repozitorijum metapodataka.

15. Implementacija implementacija nove aplikacije poslovne inteligencije nakon testiranja se moe

obaviti dvojako : sve odjednom ili inkrementalno iterativnim pristupom koji umanjuje rizik da se

efektima mogudih nedostataka aplikacije izloi cela organizacija. Valjana implementacija ukljuuje i

odgovarajude obuavanje osoblja i svih aktera koji se koriste aplikacijom i repozitorijumom



metapodataka. Aktivnosti: 1 Plan implementacije (2), 2 Uspostavljanje okruenja produkcije (3a,

3b), 3a Instaliranje svih komponenti aplikacija PI (4), 3b postavljanje vremenskog rasporeda

produkcije (4), 4 Punjenje baza (5), 5 Priprema za tekudu podrku.

16. Ocena verzije autori metodologije istiu da je gradnja okruenja poslovne inteligencije za

podrku odluivanju trajni, neokonivi proces. Poto prilikom dizajniranja okruenja ili aplikacije nije

mogude anticipirati sve mogue potrebe za informacijama, potrebno je da se to okruenje lako

prilagoava novim potrebama. Aktivnosti: 1a Priprema postimplementacionog pregleda (2), 1b

Organizovanje sesije postimplementacionog pregleda (2), 2 Sprovoenje sesije

postimplementacionog pregleda (3), 3 Pradenje postimplementacionog pregleda.

21. Metodologija ivotnog ciklusa poslovni dimenzionalni ciklus R. Kimballa: koraci 1-6

1. Upravljanje projektom je proces koji otpoinje definisanjem projekta i nastavlja se tokom svih

faza ivotnog ciklusa DW. Definisanje projekta ukljuuje: ocenu spremnosti za gradnju DW, razvijanje

preliminarnog delokruga projekta i poslovno opravdanje.

2. Planiranje projekta ivotni ciklus otpoinje planiranjem projekta. Planiranje projekta se odnosi

an definisanje delokruga projekta DW. Planiranje projekta ukljuuje definisanje projekta i izradu

plana projekta.

3. Odreivanje poslovnih i informacionih zahteva osnovu celokupnog poduhvata gradnje DW ine

doznavanje i razumevanje poslovnih i informacionih zahteva krajnjeg korisnika. Na prikupljenim

poslovnim i informacionim zahtevima se zasnivaju 3 uporedne linije u graenju DW : 1) linija

podataka ukljuuje: modelovanje podataka, fiziki dizajn baze podataka i dizajn i razvoj prireivanja

podataka ; 2) linija tehnologije ukljuuje: oblikovanje tehnike arhitekture, odabiranje i instaliranje

specifinih komponenti tehnilke arhitekture ; 3) linija aplikacija ukljuuje: specifikovanje korisnikih

aplikacija i razvijanje aplikacija krajnjeg korisnika.

4. Dimenzionalno modelovanje otpoinje konstruisanjem matrice koja predstavlja kljune poslovne

procese i njihovu dimenzionalnost. Model identifikuje tabelu injenica, povezane dimenzije, atribute i

putanje hijerarhijskog drilovanja. Logiki dizajn baze podataka se upotpunjava odgovarajudim

strukturama tabele i odnosima primarni/strani klju. Pored toga, razvija se preliminarni plan

agregacije. Na posletku se razvija mapiranje podataka od izvora ka odreditu u DW.

5. Oblikovanje tehnike arhitekture i mera zatite radi postavljanja tehnike arhitekture DW,

neophodno je istovremeno razmatranje 3 inilaca : 1) identifikovanih poslovnih zahteva, 2) aktuelnog

tehnikog okruenja, 3) planiranih stratekih tehnikih usmerenja. Oblast arhitekture podataka

definie granularnost, obim i tajming podataka u raznim takama DW. Tehniku arhitekturu ine 2

dela : 1) akvizicija podataka (back room) deo DW odgovoran za prikupljanje i pripremu podataka i

2) pristupanje podacima (front room) deo DW odgovoran za dostavljanje podataka korisnicima.

Pod infrastrukturom se podrazumevaju hardver i softver operativnog nivoa.

6. Odabiranje i instaliranje proizvoda tehnike arhitekture zavisno od razvijenog dizajna tehnike

arhitekture kao okvira, odabiraju se specifine komponente arhitekture, kao to su: hardverska

platforma, SUBP, alati prireivanja podataka, alati za pristup podacima u DW i crpljenja informacija iz

DW (ROLAP) i dr. Instaliranje proizvoda tehnike arhitekture se ponavlja za svaki proizvod i ukljuuje:

a) planiranje instaliranja, b) pripremu instaliranja, c) instaliranja hardvera/softvera, d) testiranje

hardvera/softvera.



22. Metodologija ivotnog ciklusa poslovni dimenzionalni ciklus R. Kimballa: koraci 7-12

7. Fiziki dizajn i implementacija baze podataka fiziki dizajn baze podataka je usresreen na

definisanje fizikih infrastruktura, neophodnih za podrku logikom dizajnu baze podataka. Osnovni

elementi ovog procesa su definisanje standarda imenovanja i postavljanje okruenja baze podataka.

Pojedinosti fizikog modela podataka i implementacija baza podataka veoma zavise od svojstava

pojedinnog projekta. Fizika implementacija baza podataka podrazumeva: a) odreivanje fiksiranih

parametara SUBP, b) instaliranje SUBP, c) optimiziranje promenljivih parametara SUBP, d) izgradnju

fizike strukture skladita, e) postavljanje RAID, f) odreivanje veliina tabela i indeksa i g) kreiranje

tabela i indeksa.

8. Dizajn i razvoj prireivanja podataka proces prireivanja podataka sainjavaju : ekstrahovanje,

transformisanje i unoenje, punjenje ETL. Punjenje dimenzija podacima : a) izgradnja i testiranje

punjenja statine dimezione tabele, b) izgradnja i testiranje punjenja sporo promenljive dimenzione

tabele, c) izgradnja i punjenje preostalih tabela dimenzija. Punjenje tabele einjenica i automatizacija:

a) izgradnja i testiranje punjenja istorijske tabele fakata, ukljuujudi zamenu surogat kljueva, b)

izgradnja i testiranje inkrementalnog procesa punjenja, c) izgradnja i testiranje punjenja agregatnih

tabelia i/ili MOLAP punjenja, d) dizajn, izgradnja i testiranje automatizacije aplikacije predvianja.

Punjenje i validiranje baze podataka ukljuuje: a) postavljanje okruenja, b) punjenje inicijalnim test

podacima, c) inicijalna validacija podataka, d) punjenje istorijskim podacima, e) obavljanje validiranja

podataka.

9. Specifikovanje korisnikih aplikacija potrebno je specifikovati skup standardnih aplikacija

krajnjih korisnika koji opisuje ablone izvetaja i zahtevana izraunavanja. Pre svega, trebalo bi

identifikovati potrebne izvetaje. Potom bi trebalo oblikovati pristup za navigaciju. Takoe je

potrebno izraditi specifikaciju aplikacija krajnjeg korisnika.

10. Razvijanje aplikacija krajnjeg korisnika razvijanje aplikacija krajnjeg korisnika ukljuuje: a) izbor

pristupa implementacije, b) odreivanje neophodnih metapodataka, c) izgraivanje aplikacija krajnjih

korisnika, d) razvijanje navigacije, e) dokumentovanja aplikacija krajnjeg korisnika i f) razvoj

procedura odravanja krajnjeg korisnika.

11. Deploajiranje Data Warehouse proces deploajiranja bi trebalo da obezbedi valjano i skladno

susticanje tehnologije, podataka i aplikacija krajnjeg korisnika. Deploajiranje ukljuuje sledede

aktivnosti : a) ocenjivanje spremnosti za deploajiranje, b) konfigurisanje i testiranje infrastrukture

desktopa, c) uspostavljanje bezbednosnih privilegija, d) obuavanje korisnika.

12. Odravanje i razvoj Data Warehouse posle poetnog deploajiranja DW potrebno je : a)

kontinuirano usreivanje na poslovne korisnike i obezbeivanje adekvatne edukacije i potpore, b)

usredsreivanje na akviziciju podataka, kako bi tekude funkcionisanje DW bilo efektivno, c) merenje

prihvadenosti i performanse DW tokom vremena. Za dalji razvoj DW u organizaciji potrebno je: a)

obrazovati grupu koja de biti odgovorna za taj razvoj, b) uspostaviti strategiju odreivanja prioriteta u

irenju i uvedavanju DW i c) iterativno upotrebljavati koncepciju ivotnog ciklusa razvoja DW.