Utišajmo mobilne telefone! (UNG 2008/09) 1 Vsebina predmeta Osnove poslovnih informacijskih sistemov Modeliranje poslovnih procesov Podatkovne baze in modeliranje podatkov Osnove jezika SQL Življenjski cikel razvoja informacijskih sistemov Vodenje projektov razvoja informacijskih sistemov Strateško načrtovanje informatike (UNG 2008/09) 2 Vsebina predavanj 1. Splošno o sistemih za podporo odločanja definicija in umestitev v kontekst PIS lastnosti, zgodovina, vrste, arhitektura primeri 2. Podatkovna skladišča podatkovna kocka sprotna analiza podatkov (OLAP) vrtilna tabela in vrtilni grafikon primeri v Excelu in Accessu 3. Izkopavanje podatkov 4. Ekspertni sistemi (UNG 2008/09) 3 Marko Bohanec 1
Ponovimo: Vrste informacijskih sistemov Transakcijski sistemi Upravljalsk ski informacijski sistemi Sistemi za podporo odločanju Ekspertni sistemi Sistemi za podporo pisarniškemu poslovanju Sistemi za osebno in skupinsko delo (UNG 2008/09) 4 Področja uporabe PIS J.L. Whitten, L.D.Bentley : System Analysis and Design Methods, Irwin/McGraw-Hill, 1998, stran 43 PODPORA POSLOVANJA PODPORA ODLOČANJA IN UPRAVLJANJA (UNG 2008/09) 5 in upravljanja Upravljalski informacijski sistemi MIS: Management Information SystemsS Direktorski informacijski sistemi EIS: Executive Information SystemsS ESS: Executive Support Systems DSS: Decision Support Systems Ekspertni sistemi ES: Expert Systems Sistemi za skupinsko delo GDSS: Group DSS; Groupware DSS (širše) (UNG 2008/09) 6 Marko Bohanec 2
Kaj so sistemi za podporo odločanja? so: informacijski sistemi, ki pomagajo uporabnikom pri sprejemanju odločitev. posebna oblika informacijskih sistemov uporabniki: predvsem managerji, tudi drugi delavci v organiza zacijah, posamezniki pomagajo pri odločanju, vendar ne odločajo sami (UNG 2008/09) 7 Odločanje Odločitev itev: Izbira ene izmed več variant (alternativ, možnosti nosti, različic). ic). Izbrati želimo tisto varianto,, ki najbolj ustreza našim ciljem. Odločanje anje: Proces (aktivnost), ki obsega: spoznavanje odločitvenega problema zbiranje in preverjanje informacij identifikacija alternativ predvidevanje posledic odločitev odločitev obveščanje o odločitvi in razlogih zanjo realizacija odločitve vrednotenje odločitev (UNG 2008/09) 8 Pomoč pri odločanju podatek, pomnjenje na primer: poišči i mi določen podatek izračun, izpeljava, združevanje ( agregacija( agregacija ) na primer: izračunaj vsoto podatkov poročilo kot urejena skupina podatkov pregledovanje in analiziranje podatkov vrtilne tabele vizualizacija grafični prikaz podatkov oz. rezultatov simulacija logično sklepanje... (UNG 2008/09) 9 Marko Bohanec 3
Lastnosti in zmožnosti DSS podpora odločevalcev pri reševanju evanju strukturiranih in delno strukturiranih odločitvenih problemov podpora upravljalcem (managerjem) na vseh ravneh organizacije podpora posameznikov in skupin podpora med seboj neodvisnih ( vzporednih( vzporednih ) ) in zaporednih odločitev podpora različnih faz odločitvenega procesa prilagodljivost interaktivnost preprosta uporaba učinkovitost jasnost, transparentnost preprostost razvoja in prilagajanja spremembam možnost modeliranja in analiz (UNG 2008/09) 10 Kratka zgodovina DSS 1950 1960 1970 1980 1990 2000 teorija: operacijske raziskave, odločitvena analiza praksa: razvoj interaktivnega računalni unalništva osnove DSS prvi sistemi specializacija: MIS, EIS, ES, GDSS,... podatkovna skladišča a ( Data( Warehouses ) sprotna analiza podatkov (OLAP) izkopavanje podatkov ( Data( Mining ) omrežni DSS ( Web( Web-based based DSS ) (UNG 2008/09) 11 Vrste DSS (1) Glede na način iskanja rešitve odločitvenega problema Pasivni: : nudijo podporo (npr. podatek, grafikon), vendar ne predlagajo rešitve Aktivni: : predlagajo rešitve odločitvenega problema Kooperativni: : kombinacija obeh: DSS predlaga rešitev uporabnik spremeni ali dopolni rešitev in jo vrne sistemu v oceno; možnih je več ciklov (UNG 2008/09) 12 Marko Bohanec 4
Vrste DSS (2) Glede na sestavine in prevladujoči i način delovanja Osnovani na...... podatkih ( Data-driven DSS )... dokumentih ( Document-driven DSS )... modelih ( Model-driven driven DSS )... znanju ( Knowledge-driven driven DSS )... komunikaciji ( Communication-driven DSS ) in kombinirani. (UNG 2008/09) 13 Splošna arhitektura DSS baza podatkov dokumenti uporabniški vmesnik jedro DSS modeli + komunikacijski del baza znanja (UNG 2008/09) 14 Razvrstitev in opredelitev DSS: vprašalnik alnik Kakšne odločitve podpira DSS? Na kakšen način podpira odločitve? Kaj nudi uporabniku? Kdo je uporabnik sistema? Ali je uporabnik posameznik ali skupina? Ali je sistem: pasiven, kooperativen ali aktiven? Katere komponente vsebuje sistem: podatke? dokumente? modele? znanje? Ali sistem podpira komunikacijo? Ali sistem deluje na omrežju? Ali je sistem: MIS, EIS, GIS, ESS, ES, GDSS? (UNG 2008/09) 15 Marko Bohanec 5
Primeri: Analiza poslovanja (1) (UNG 2008/09) 16 Primeri: Analiza poslovanja (2) (UNG 2008/09) 17 Primer: Analiza trendov (UNG 2008/09) 18 Marko Bohanec 6
Primer: Ocenjevanje požarne ogroženosti (UNG 2008/09) 19 http://www.arso.gov.si/vreme/napovedi%20in%20podatki/pozarna_ogrozenost.html Primer: Medicinska diagnostika (UNG 2008/09) 20 http://easydiagnosis.com/ Primer: Avtocestni nadzorni sistem (UNG 2008/09) 21 Marko Bohanec 7
Na vrsti ste! Opredelite in razvrstite sistem za vrednotenje mobilnih telefonov (UNG 2008/09) 22 Na vrsti ste! Večparametrski model za vrednotenje mobilnih telefonov (UNG 2008/09) 23 Na vrsti ste! Obiski pri zdravniku Ali bi lahko te podatke uporabili za podporo odločanja? Za podporo kakšnih odločitev? Katere informacije/funkcije bi lahko nudil takšen sistem? Predlagajte nekaj prikazov (grafikonov) (UNG 2008/09) 24 Marko Bohanec 8
Podatkovna skladišča Podatkovno skladišče ( Data Warehouse ) je zbirka podatkov, namenjena podpori odločanja (pri upravljanju podjetij). Lastnosti: vključuje uje podatke iz različnih virov namenjeno podrobni analizi velike količine ine podatkov urejeno po: predmetu obravnave (kupec, proizvod, prodaja, dobavitelj) času relativno statično (občasna ažuriranja, sicer poizvedovanje) (UNG 2008/09) 25 Baza : Skladišče BAZA PODATKOV podpira delo s podatki vnos in branje podatkov dinamično no spreminjanje vsebine struktura se redko spreminja veliko uporabnikov transakcijske obdelave vnaprej določeni izpisi ali poizvedovanja s SQL SKLADIŠČE E PODATKOV podpira analizo podatkov branje podatkov podatki so statični ni,, le občasno ažuriranje strukturo prilagajamo potrebam malo uporabnikov analitične ne in sintetične ne obdelave ad-hoc analize, korelacije, statistike,, OLAP (UNG 2008/09) 26 Podatkovna skladišča: a: osnovni pojmi podatkovna kocka ( Data Cube ) hierarhično urejene dimenzije ( Concept Hierarchy ) sprotna analiza podatkov (OLAP: On Line Analytical Processing ) vrtilna tabela ( Pivot( Table ) vrtilni grafikon ( Pivot( Chart ) (UNG 2008/09) 27 Marko Bohanec 9
$ # "! Podatkovna kocka ( Data Cube ) 605 825 14 400 č Č 680 952 31 512 812 960 30 501 927 995 38 580 +, %&'()(* Število dimenzij ni nujno 3 (UNG 2008/09) 28 Primer: od transakcij do podatkovne kocke transakcije podatkovna kocka Vsebina: vsota Kolicin Dimenziji: 1. Datum 2. Izdelek 4567/78 93:;< -./01023 (UNG 2008/09) 29 Hierarhične dimenzije ( Concept Hierarchy ) MNOPQRSP CDE ZR[\P \ZRSP =Y-VG4JV Č VD 4:3/0A3 LLL D/.F720A3 9@X3F3 =7:. G72:@H I.@72A?83 9./72A?83 LLL K7W0A3 Č 7:@:/7:A7 =J -K LLL -@3A >7?71 B7672 T@.6H V T@.6H U T@.6H G LLL T@.63A3/23 932 (UNG 2008/09) 30 Marko Bohanec 10
Dimenzije in elementi podatkovne kocke ]^+ % + 9@X3F3 K7W0A3 -@3A =7:. 7:@:/7:A7 Č >7?71 Č +_ T@.63A3/23 4<7 932 4<7 T@.632. e72.:f T@.63A3 e f )(g(hij -3:7W.@0A3 a23<83 ^bc D8;`023 C@?:3 %d, ^ (UNG 2008/09) 31 Operacije OLAP ˆ Š Œ Ž č :3A7@?83 G72:@H o q p r km l n š ˆ œœ žÿ Ž GE >U =J k l m o q p r n GE >U =J o q p r stu xyz vtw o{w y{ }~ ryƒ (UNG 2008/09) 32 Operacije OLAP Œ >U =J o q r km GE >U =J k l m o q p r n >U Œ ª «1 5 7 3 o q p r km l n Œ >U 1 5 7 3 m l n k o q p r (UNG 2008/09) 33 Marko Bohanec 11
Vrtilna tabela ( Pivot Table ) Dvodimenzionalni zbirni prikaz večdimenzionalnih podatkov (podatkovnih kock) Vsebuje področja: podatki: vsebina, prikazuje osnovne ali zbirne podatke vrstice: prva dimenzija stolpci: druga dimenzija strani: izbira (filtriranje) podatkov V vsakem področju je lahko več spremenljivk (polj osnovne tabele) (UNG 2008/09) 34 Vaja: Naredimo vrtilnv rtilno tabelo o v Excelu Kaj pa, če želimo: več vsebine (npr. Cena)? hierarhične dimenzije (npr. hrana/pijača)? (UNG 2008/09) 35 Podatkovne kocke in OLAP v Accessu S programom Microsoft Access lahko: 1. Simuliramo podatkovno kocko z relacijsko podatkovno shemo Model zvezde ali snežinke : centralna tabela vsebuje podatke, ki jih spremljamo in je relacijsko povezana s tabelami, ki opisujejo dimenzije 2. Pregledujemo podatkovno kocko z: vrtilno tabelo vrtilnim grafikonom (UNG 2008/09) 36 Marko Bohanec 12
Vaja: Podatkovna kocka in OLAP v Accessu (UNG 2008/09) 37 MS Analysis Services: Podatkovne kocke (UNG 2008/09) 38 MS Analysis Services: OLAP in vrtilna tabela (UNG 2008/09) 39 Marko Bohanec 13
Izkopavanje podatkov ( Data( Mining ) OLAP: : nudi dober pregled nad podatki ( kaj( se dogaja ) Izkopavanje podatkov: poglobljeno iskanje zakonitosti (vzorcev) v podatkih Nameni: napovedovanje ( forecasting ) klasifikacija ( classification( classification ) razvrščanje anje v skupine ( clustering ) povezovanje ( associating( ssociating ) ) izidov, ki se pogosto zgodijo hkrati iskanje vzročnih in časovnih odvisnosti ( sequencing( equencing ) (UNG 2008/09) 40 Faze iskanja zakonitosti v podatkih µ ² ¹ º»¼½¾ À Á ÂÃÄ ¾Ã À»¼Ä ÅÆ»ÅÇ À ÄÈ»ÂÉ À ÊÊÊ Ý Ì ØÚÕÜÎÐÎÜÕÑ ÞÏÛÑß ÒÎÜÔÚÓÕÜÚÛÜ ÏÚ Ð ÎÜÔàÕÑ ÒÏÕÜÒ Ì ØÙÖÓÐÑ ÒÑÚÛÜ Ð ÓÔÑ ÕÖÓÒ ËÌ ÍÎÏÐ ÎÑ ÒÑ Ð ÓÔÑ ÕÖÓÒ ±²³ (UNG 2008/09) 41 1. fazf aza: a: Priprava podatkov Ëî Ì ïîñ ÚàðÓÎñÑ ÞÏÛÑ ËëÌ ìüíüöþïûñ á â Ž ã č ËéÌ ØÚÕÜêÎÑÞÏÛÑ Ëä Ì Č Ïå č ÜÚÛÜ æž Ž çž èž«â (UNG 2008/09) 42 Marko Bohanec 14
2.. fazf aza: a: Izkopavanje podatkov Uporaba številnih in raznovrstnih metod: statistične metode osnovne statistike korelacije diskriminantne in regresijske analize vizualizacija metode strojnega učenja: u odločitvena drevesa odločitvena pravila asociacijska pravila nevronske mreže razvrščanje anje v skupine... (UNG 2008/09) 43 Odločitvena drevesa Oseba Starost Spol Dohodki Stranka Ana Kranjc Micka Kovač 32 53 Ž Ž 10.000 1.000.000 da da,òóò'*j Meta Novak Jana Bevc Peter Dolenc Janez Gorenc 27 55 26 50 Ž Ž M M 20.000 20.000 100.000 200.000 ne da da da < øø ù øøø _iôõòöi øø ù øøø _iõôh*ô ' ô < _iõôh*ô h( _iõôh*ô ' ô Odločitveno drevo: opisuje zakonitosti v obstoječih podatkih napoveduje (klasificira) nove primere (UNG 2008/09) 44 Asociacijska (povezovalna) pravila Tipični problem: : analiza nakupovalnih košaric Košarica 1 1 2 2 2 3 3 3 4 4 4 Artikel mleko maslo mleko med maslo mleko kruh maslo mleko kruh med č! "# $ %& mleko maslo úûü ýûþÿü þ mleko maslo [sup 75%, conf 75%] maslo mleko [sup 75%, conf 100%] med mleko [sup 50%, conf 100%] (UNG 2008/09) 45 Marko Bohanec 15
Weka http://www.cs.waikato.ac.nz/~ml/weka/ (UNG 2008/09) 46 Orange http://magix.fri.uni-lj.si/orange/ (UNG 2008/09) 47 MS Analysis Services: Odločitveno drevo (UNG 2008/09) 48 Marko Bohanec 16
MS Analysis Services: Razvrščanje anje v skupine (UNG 2008/09) 49 Ekspertni sistemi (ES, Expert Systems ) Računalni unalniški sistemi, ki: rešujejo probleme na (ozkem) strokovnem področju podobno kot strokovnjaki (eksperti) Zahteve: sposobnost sklepanja sposobnost presoje zmožnost delovanja pri nezanesljivih in nepopolnih podatkih zmožnost pojasnjevanja: delovanja in sklepanja: vprašanja anja Kako? Kako? in Zakaj? Zakaj? predlaganih rešitev (UNG 2008/09) 50 Prvi ekspertnie sistemi Razviti v okviru umetne inteligence MYCIN (1976) diagnosticiranje infekcij in izbor terapije AL/X (1980) odkrivanje okvar v kompleksnih proizvodnih procesih (naftne ploščadi) DENDRAL (od 1956) ugotavljanje kemijskih strukturnih formul iz spektrov PROSPECTOR (1980) geološke raziskave PUFF (1980) diagnoze pljučnih bolezni (UNG 2008/09) 51 Marko Bohanec 17
Uporaba ES Novejša a področja uporabe: inteligentni sistemi in agenti poslovno odločanje (poslovna logika in pravila) vodenje procesov zahtevno inženirsko odločanje medicinska diagnostika računalni unalniški vmesniki, čarovniki računalni unalniške igre robotika... (UNG 2008/09) 52 Splošna arhitektura ES Ekspertni sistem mehanizmi sklepanja uporabniški vmesnik baza znanja (UNG 2008/09) 53 Ključni koncepti ES Predstavitve znanja ( knowledge( representation ): semantične ne mreže,, taksonomije, ontologije okviri,, predmeti pravila formalna logika Mehanizmi sklepanja ( inference( inference ): sklepanje naprej sklepanje nazaj Upoštevanje negotovosti ( uncertainty( propagation ) verjetnost ( probability( probability ) mehka logika ( fuzzy( logic, possibility ) (UNG 2008/09) 54 Marko Bohanec 18
Primeri predstavitve znanja v ES (1) Produkcijska ( če-potem( potem ) ) pravila MYCIN (diagnostika infekcij) IF (1) infection = primary-bacteremia, and (2) site of culture is one of the sterilities, and (3) suspected portal of entry = gastrointestinal tract THEN there is suggestive evidence (0.7) that organism is bacteroides. OPTRANS (dodeljevanje posojil) ČE E mesečni obrok > ½ maks. obroka POTEM je možno dodeliti kredit, vendar PREVERITI garancijo, družino in starost. (UNG 2008/09) 55 Primeri predstavitve znanja v ES (2) Taksonomija: : hierarhija pojmov in konceptov PROSPECTOR (geološke raziskave) (UNG 2008/09) 56 Primeri predstavitve znanja v ES (3)( Ontologija: množica konceptov in relacij CYC (UNG 2008/09) 57 Marko Bohanec 19
Primeri predstavitve znanja v ES (4)( Ontologija: množica konceptov in relacij CYC (UNG 2008/09) 58 Primeri predstavitve znanja v ES (5)( Odločitveno drevo (UNG 2008/09) 59 Primeri predstavitve znanja v ES (6)( Odločitveno drevo (UNG 2008/09) 60 Marko Bohanec 20
Primeri ES Expertise 2GO http://www.expertise2go.com/webesie/ Wine Selection: http://www.expertise2go.com/webesie/e2gdoc/winepg.htm Choosing Data Analysis Technique: http://expertise2go.com/webesie/stattech/ Loan Decision: http://expertise2go.com/webesie/loan/ Medical Diagnosis: http://easydiagnosis.com easydiagnosis.com/ ECOGEN Soil Quality Index: http://ai.ijs.si/markobohanec/esqi/esqi.php (UNG 2008/09) 61 Prednosti in slabosti ES PREDNOSTI eksplicitno izračena baza znanja simbolično (kvalitativno) sklepanje razlaga odločitev delovanje z nenatančnimi in nezanesljivimi podatki dostopnost prilagodljivost POMANJKLJIVOSTI ozka problemska področja relativno zahteven razvoj znanje, kadri Figenbaumovo ozko grlo potreba po strojnem učenju (UNG 2008/09) 62 Marko Bohanec 21