1. Poslovni informacijski sistemi
Sistemi za podporo odločanja
Utišajmo mobilne telefone !
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

2. Vsebina predmeta Osnove poslovnih informacijskih sistemov
Strateško načrtovanje informatike
Modeliranje poslovnih procesov
Podatkovne baze in modeliranje podatkov
Osnove jezika SQL
Življenjski cikel razvoja informacijskih sistemov
Vodenje projektov razvoja informacijskih sistemov
Geografski informacijski sistemi
Google Apps
Sistemi za podporo pri odločanju
Poslovni informacijski sistemi (UNG 2010/11)

3. Sistemi za podporo pri odločanju Vsebina predavanj
Splošno o sistemih za podporo odločanja
definicija in umestitev v kontekst PIS
lastnosti, zgodovina, vrste, arhitektura
primeri
Podatkovna skladišča
podatkovna kocka
sprotna analiza podatkov (OLAP)
vrtilna tabela in vrtilni grafikon
primeri v Excelu in Accessu
Izkopavanje podatkov
Ekspertni sistemi
Poslovni informacijski sistemi (UNG 2010/11)

4. Ponovimo: Vrste informacijskih sistemov
Poslovni informacijski sistemi
Sistemi za podporo odločanja
Ponovimo: Vrste informacijskih sistemov
Transakcijski sistemi
Upravljalski informacijski sistemi
Sistemi za podporo odločanju
Ekspertni sistemi
Sistemi za podporo pisarniškemu poslovanju
Sistemi za osebno in skupinsko delo
Od tega se bomo mi posvetili trem: DSS, ES, GDSS
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

5. PODPORA PODPORA ODLOČANJA POSLOVANJA IN UPRAVLJANJA
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
Poslovni informacijski sistemi (UNG 2010/11)

6. Sistemi za podporo odločanja in upravljanja
Upravljalski informacijski sistemi
MIS: Management Information Systems
Direktorski informacijski sistemi
EIS: Executive Information Systems
ESS: Executive Support Systems
Sistemi za podporo pri odločanju
DSS: Decision Support Systems
Ekspertni sistemi
ES: Expert Systems
Sistemi za skupinsko delo
GDSS: Group DSS; Groupware
DSS (širše)
Poslovni informacijski sistemi (UNG 2010/11)

7. Kaj so sistemi za podporo pri odločanju?
Poslovni informacijski sistemi
Sistemi za podporo odločanja
Kaj so sistemi za podporo pri odločanju?
Sistemi za podporo pri odločanju so:
informacijski sistemi,
ki pomagajo
uporabnikom
pri sprejemanju odločitev.
posebna oblika informacijskih sistemov
uporabniki: predvsem managerji, tudi drugi delavci v organizacijah, posamezniki
pomagajo pri odločanju, vendar ne odločajo sami
Primeri sistemov, ki se odločajo sami.
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

8. Kaj vse lahko pomaga pri odločanju?
podatek, pomnjenje na primer: poišči mi določen podatek
izračun, izpeljava, združevanje (“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
...
SELECT ime, priimek, starost
FROM pacient
WHERE starost > 30
SELECT PAC_postna_stevilka, count(*)
FROM pacient
SELECT PAC_ime, PAC_priimek
FROM pacient
ORDER BY PAC_priimek ASC
Poslovni informacijski sistemi (UNG 2010/11)

9. Poslovni informacijski sistemi
Sistemi za podporo odločanja
Odločanje
Odločitev:
Izbira ene izmed več variant (alternativ, možnosti, različic).
Izbrati želimo tisto varianto, ki najbolj ustreza našim ciljem.
Odločanje:
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
Naštejte primere odločitev.
Ali so katere izmed njih zahtevnejše od drugih? Zakaj?
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

10. Lastnosti in zmožnosti DSS
podpora odločevalcev pri reševanju strukturiranih in delno strukturiranih odločitvenih problemov
podpora upravljalcem (managerjem) na vseh ravneh organizacije
podpora posameznikov in skupin
podpora med seboj neodvisnih (“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
Poslovni informacijski sistemi (UNG 2010/11)

11. Poslovni informacijski sistemi
Sistemi za podporo odločanja
Kratka zgodovina DSS
1950
1960
1970
1980
1990
2000
teorija: operacijske raziskave, odločitvena analiza
praksa: razvoj interaktivnega računalništva
osnove DSS
prvi sistemi
specializacija: MIS, EIS, ES, GDSS, ...
podatkovna skladišča (“Data Warehouses”)
sprotna analiza podatkov (OLAP)
izkopavanje podatkov (“Data Mining”)
Kam spadajo GIS?
omrežni DSS (“Web-based DSS”)
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

12. Poslovni informacijski sistemi
Sistemi za podporo odločanja
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
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

13. Poslovni informacijski sistemi
Sistemi za podporo odločanja
Vrste DSS (2)
Glede na sestavine in prevladujoči način delovanja
Osnovani na ...
... podatkih (“Data-driven DSS”)
... dokumentih (“Document-driven DSS”)
... modelih (“Model-driven DSS”)
... znanju (“Knowledge-driven DSS”)
... komunikaciji (“Communication-driven DSS”)
in kombinirani.
* Communications Driven DSS A C-D DSS is a type of DSS that enhances decision-making by enabling communication and sharing of information between groups of people. At its most basic level a C-D DSS could be a simple threaded . At its most complex it could be a web-conferencing application or interactive video. Communication-Driven DSS will exhibit at least one of the following characteristics: Supports coordination and collaboration between two or more people; Facilitates information sharing; Enables communication between groups of people; Supports group decisions. * Data-Driven DSS Data-driven DSS are a form of support system that focuses on the provision of internal (and sometimes external) data to aid decision making. Most often this will come in the form of a data warehouse – a database designed to store data in such a way as to allow for its querying and analysis by users. Another example of a data-driven DSS would be a Geographic Information System (GIS), which can be used to visually represent geographically dependant data using maps. * Document-Driven DSS Document-driven DSS are support systems designed to convert documents into valuable business data. While data-driven DSS rely on data that is already in a standardised format that lends itself to database storage and analysis, document-driven DSS makes use of data that cannot easily be standardised and stored. The three primary forms of data used in document driven DSS are: Oral (i.e. transcribed conversations); Written (i.e. reports, memos, and other correspondence); Video (i.e. TV commercials and news reports). None of these formats lend themselves easily to standardised database storage and analysis, so managers require DSS tools to convert them into data that can be valuable in the decision making process. Document-driven DSS is the newest field of study in Decision Support Systems. Examples of document-driven tools can be found in Internet search engines, designed to sift through vast volumes of unsorted data through the use of keyword searches. * Knowledge-Driven DSS Knowledge-driven DSS are systems designed to recommend actions to users. Typically, knowledge-driven systems are designed to sift through large volumes of data, identify hidden patterns in that data and present recommendations based on those patterns. * Model-Driven DSS Model-driven support systems incorporate the ability to manipulate data to generate statistical and financial reports, as well as simulation models, to aid decision-makers. Model-based decision support systems can be extremely useful in forecasting the effects of changes in business processes, as they can use past data to answer complex ‘what-if’ questions for decision makers. In addition to these basic types of DSS there are also two additional factors: whether the DSS is spreadsheet-based, web-based or something else entirely.
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

14. Splošna arhitektura DSS
Poslovni informacijski sistemi
Sistemi za podporo odločanja
Splošna arhitektura DSS
baza
podatkov
dokumenti
uporabniški
vmesnik
jedro
DSS
modeli
Ključno: DSS ne vsebuje le podatkov, ampak tudi druge komponente; nadgradnja podatkov
+ komunikacijski del
baza
znanja
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

15. Razvrstitev in opredelitev DSS: vprašalnik
Poslovni informacijski sistemi
Sistemi za podporo odločanja
Razvrstitev in opredelitev DSS: vprašalnik
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?
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

16. Primeri: Rezultati poslovanja: prodaja
Poslovni informacijski sistemi
Sistemi za podporo odločanja
Primeri: Rezultati poslovanja: prodaja
Kar gledamo, ni DSS, pač pa rezultat delovanja DSS.
Naključno izbrani primeri z interneta.
Prva ključna naloga gospodarskega inženirja: razpoznavanje zmožnosti sistema
Vprašanja:
Kakšne zmožnosti (podatke, elemente) mora imeti DSS, da lahko pripravi takšne prikaze?
Ali in kako lahko take prikaze uporabimo za podporo pri odločanju?
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

17. Primeri: Struktura prihodkov in odhodkov
Poslovni informacijski sistemi
Sistemi za podporo odločanja
Primeri: Struktura prihodkov in odhodkov
ZPIZ 2010
Poslovni informacijski sistemi (UNG 2010/11) 17
Marko Bohanec 17

18. Primeri: Rezultati poslovanja
Poslovni informacijski sistemi
Sistemi za podporo odločanja
Primeri: Rezultati poslovanja
Poslovni informacijski sistemi (UNG 2010/11) 18
Marko Bohanec 18

19. Primeri: Analiza uporabe virov
Poslovni informacijski sistemi
Sistemi za podporo odločanja
Primeri: Analiza uporabe virov
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

20. Primer: Analiza trendov
Poslovni informacijski sistemi
Sistemi za podporo odločanja
Primer: Analiza trendov
Ali znate narisati trend v Excelu?
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

21. Primer: Ocenjevanje požarne ogroženosti
Poslovni informacijski sistemi
Sistemi za podporo odločanja
Primer: Ocenjevanje požarne ogroženosti
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

22. Primer: Medicinska diagnostika
Poslovni informacijski sistemi
Sistemi za podporo odločanja
Primer: Medicinska diagnostika
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

23. Primer: Avtocestni nadzorni sistem
Poslovni informacijski sistemi
Sistemi za podporo odločanja
Primer: Avtocestni nadzorni sistem
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

24. Na vrsti ste!
Opredelite in razvrstite sistem za vrednotenje mobilnih telefonov
Poslovni informacijski sistemi (UNG 2010/11)

25. Poslovni informacijski sistemi
Sistemi za podporo odločanja
Na vrsti ste!
Večparametrski model za vrednotenje mobilnih telefonov
Ključno: nadgradnja podatkov z modelom
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

26. Poslovni informacijski sistemi
Sistemi za podporo odločanja
Na vrsti ste!
Obiski pri zdravniku
Druga ključna naloga gospodarskega inženirja: razpoznavanje priložnosti, ki jih nudijo podatki
Tudi: vedeti, kaj hoče
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)
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

27. Poslovni informacijski sistemi
Sistemi za podporo odločanja
Podatkovna skladišča
Podatkovno skladišče (“Data Warehouse”)
je zbirka podatkov,
namenjena podpori odločanja (pri upravljanju podjetij).
Lastnosti:
vključuje podatke iz različnih virov
namenjeno podrobni analizi velike količine podatkov
urejeno po:
predmetu obravnave (kupec, proizvod, prodaja, dobavitelj)
času
relativno statično (občasna ažuriranja, sicer poizvedovanje)
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

28. Baza : Skladišče BAZA PODATKOV podpira delo s podatki
vnos in branje podatkov
dinamično spreminjanje vsebine
struktura se redko spreminja
veliko uporabnikov
transakcijske obdelave
vnaprej določeni izpisi ali poizvedovanja s SQL
SKLADIŠČE PODATKOV
podpira analizo podatkov
branje podatkov
podatki so statični, le občasno ažuriranje
strukturo prilagajamo potrebam
malo uporabnikov
analitične in sintetične obdelave
ad-hoc analize, korelacije, statistike, OLAP
Poslovni informacijski sistemi (UNG 2010/11)

29. Podatkovna skladišča: 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”)
Poslovni informacijski sistemi (UNG 2010/11)

30. Podatkovna kocka (“Data Cube”)
Poslovni informacijski sistemi
Sistemi za podporo odločanja
Podatkovna kocka (“Data Cube”)
Prodaja [enot] CE
Lokacija
605
825 14
400
680
952 31
512
812
960 30
501
927
995 38
580 1 MB 2 LJ
Čas [četrtletje] 3 4
Kocka nima nujno treh dimenzij A B C D
Izdelek
Število dimenzij ni nujno 3
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

31. Primer: od transakcij do podatkovne kocke
Poslovni informacijski sistemi
Sistemi za podporo odločanja
Primer: od transakcij do podatkovne kocke
transakcije
podatkovna kocka
Vsebina: vsota Kolicin
Dimenziji:
Datum
Izdelek
Kolicina
Izdelek
Datum
Kaj je vsebina kocke?
Ali je to edina možna vsebina?
Koliko dimenzij ima kocka?
Ali so to edine možne dimenzije?
Naredimo tridimenzionalno kocko!
Kaj nas še zanima? Na primer: delitev na hrano in pijačo; razne vsote
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

32. Hierarhične dimenzije (“Concept Hierarchy”)
LOKACIJA
Prodajalna
Kraj
Regija
Država
LOKACIJA
HIERARHIJA
VSE
Slovenija
Centr.
Gorenjska
Italija
Dolenjska LJ KR
...
ČAS
Dan
Leto
Mesec
Četrtletje
Teden
Prod. B
Prod. A
Prod. C
...
Poslovni informacijski sistemi (UNG 2010/11)

33. Dimenzije in elementi podatkovne kocke
LOKACIJA
Država
Leto
ČAS
Regija
Četrtletje
Kraj
Mesec
Prodajalna
Dan
Prodano [enot]
Elementi
Prodaja [€]
Ime
Ime
Kategorija
Znamka
KUPEC
Skupina
Vrsta
IZDELEK
Poslovni informacijski sistemi (UNG 2010/11)

34. Operacije OLAP A C B D Jan Mar Feb Apr Sep Nov Okt DecCE MB LJ A C B D
Jan
Mar
Feb
Apr
Sep
Nov
Okt
Dec
Drill-Down: razvij četrtletje v mesec A C B D 1 3 2 4
Štajerska
Centr.
Roll-Up: združi kraj v regijo CE MB LJ 1 3 2 4 A C B D
Poslovni informacijski sistemi (UNG 2010/11)

35. Operacije OLAP 2 4 Slice: presek A C B D 1 3 2 4 A D B 1 2 Dice: izsek5 7 3 2 4
Slice: presek A C B D MB CE MB LJ 1 3 2 4 A D B 1 2 MB LJ
Dice: izsek 1 3 2 4 5 7 A C B D MB
Pivot: obrni A C B D
Poslovni informacijski sistemi (UNG 2010/11)

36. Vrtilna tabela (“Pivot Table”)
Poslovni informacijski sistemi
Sistemi za podporo odločanja
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)
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

37. Vaja: Naredimo vrtilno tabelo v Excelu
Poslovni informacijski sistemi
Sistemi za podporo odločanja
Vaja: Naredimo vrtilno tabelo v Excelu
Kaj pa, če želimo:
več vsebine (npr. Cena)?
hierarhične dimenzije (npr. hrana/pijača)?
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

38. Podatkovne kocke in OLAP v Accessu
Poslovni informacijski sistemi
Sistemi za podporo odločanja
Podatkovne kocke in OLAP v Accessu
S programom Microsoft Access lahko:
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
Pregledujemo podatkovno kocko z:
vrtilno tabelo
vrtilnim grafikonom
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

39. Vaja: Podatkovna kocka in OLAP v Accessu
Poslovni informacijski sistemi
Sistemi za podporo odločanja
Vaja: Podatkovna kocka in OLAP v Accessu
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

40. MS Analysis Services: Podatkovne kocke
Poslovni informacijski sistemi
Sistemi za podporo odločanja
MS Analysis Services: Podatkovne kocke
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

41. MS Analysis Services: OLAP in vrtilna tabela
Poslovni informacijski sistemi
Sistemi za podporo odločanja
MS Analysis Services: OLAP in vrtilna tabela
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

42. Izkopavanje podatkov (“Data Mining”)
Poslovni informacijski sistemi
Sistemi za podporo odločanja
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”)
razvrščanje v skupine (“clustering”)
povezovanje (“associating”) izidov, ki se pogosto zgodijo hkrati
iskanje vzročnih in časovnih odvisnosti (“sequencing”)
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

43. Faze iskanja zakonitosti v podatkih
Znanje
ZNANJE: modeli, pravila, odvisnosti, vzorci, ...
3. Interpretacija, vrednotenje in predstavitev
2. Izkopavanje podatkov
1. Priprava podatkov
Podatki
VIRI PODATKOV
Poslovni informacijski sistemi (UNG 2010/11)

44. 1. faza: Priprava podatkov
1d. Transformacija
1c. Selekcija
Pod. skladišče
1b. Integracija
1a. Čiščenje
Baze podatkov
Datoteke
Zun. viri
Poslovni informacijski sistemi (UNG 2010/11)

45. 2. faza: Izkopavanje podatkov
Uporaba številnih in raznovrstnih metod:
statistične metode
osnovne statistike
korelacije
diskriminantne in regresijske analize
vizualizacija
metode strojnega učenja:
odločitvena drevesa
odločitvena pravila
asociacijska pravila
nevronske mreže
razvrščanje v skupine
...
Poslovni informacijski sistemi (UNG 2010/11)

46. Asociacijska (povezovalna) pravila
Tipični problem: analiza nakupovalnih košaric
Košarica
Artikel 1
mleko
maslo 2
med 3
kruh 4
Naloga: Poiskati "zanimiva" pravila oblike
če kupi mleko, potem kupi tudi maslo
mleko  maslo
Tri pravila:
mleko  maslo [sup 75%, conf 75%]
maslo  mleko [sup 75%, conf 100%]
med  mleko [sup 50%, conf 100%]
Poslovni informacijski sistemi (UNG 2010/11)

47. Odločitvena drevesa Dohodki Starost Stranka=da Stranka=ne  50.000
Oseba
Starost
Spol
Dohodki
Stranka
Ana Kranjc 32 Ž
5.000 da
Micka Kovač 53
Meta Novak 27
10.000 ne
Jana Bevc 55
Peter Dolenc 26 M
50.000
Janez Gorenc 50
Dohodki
Starost
Stranka=da
Stranka=ne 
 32
 32 
Odločitveno drevo:
opisuje zakonitosti v obstoječih podatkih
napoveduje (klasificira) nove primere
Poslovni informacijski sistemi (UNG 2010/11)

48. Klasifikacijsko odločitveno drevo
Oseba
Starost
Spol
Dohodki
Stranka
Ana Kranjc 32 Ž
5.000 da
Micka Kovač 53
Meta Novak 27
10.000 ne
Jana Bevc 55
Peter Dolenc 26 M
50.000
Janez Gorenc 50
Dohodki
Starost
Stranka=da
Stranka=ne 
 32
 32 
Poslovni informacijski sistemi (UNG 2010/11)

49. Regresijsko odločitveno drevo
Oseba
Starost
Spol
Dohodki
Stranka
Ana Kranjc 32 Ž
5.000 da
Micka Kovač 53
Meta Novak 27
10.000 ne
Jana Bevc 55
Peter Dolenc 26 M
50.000
Janez Gorenc 50
Spol
Starost
Dohodek=75.000
Dohodek=7.500
Dohodek= Ž
 53
 53 M
Poslovni informacijski sistemi (UNG 2010/11)
primer povzet po: Sašo Džeroski: Decision Trees

50. Primer Dobiček Starost Konkurenca Vrsta pada staro ne SW
_______________________________________________________________________________________
pada staro ne SW
pada srednje da SW
narašča srednje ne HW
pada staro ne HW
narašča novo ne HW
narašča novo ne SW
narašča srednje ne SW
narašča novo da SW
pada srednje da HW
pada staro da SW
Poslovni informacijski sistemi (UNG 2010/11)
povzeto po: Bojan Cestnik: Strojno učenje

51. Primer: Odločitveno drevo
Starost
Konkurenca
pada
narašča
staro
srednje, novo ne da
srednje
novo
Uporaba:
opisuje zakonitosti v obstoječih podatkih
napoveduje (klasificira) nove primere
Poslovni informacijski sistemi (UNG 2010/11)
povzeto po: Bojan Cestnik: Strojno učenje

52. Primer: Igranje tenisa Rešitev?
Vreme
Temp
Vlaga
Veter
Tenis
sončno
vroče
visoka ne da
oblačno
dež
zmerno
hladno
norm
Vreme
Vlaga da
sončno
Veter
oblačno
dež ne
visoka
norm
Poslovni informacijski sistemi (UNG 2010/11)

53. Weka (1/2) http://www.cs.waikato.ac.nz/~ml/weka/
Poslovni informacijski sistemi (UNG 2010/11)

54. Weka (2/2) http://www.cs.waikato.ac.nz/~ml/weka/
Poslovni informacijski sistemi (UNG 2010/11)

55. Orange http://magix.fri.uni-lj.si/orange/
Poslovni informacijski sistemi (UNG 2010/11)

56. Rapid Miner http://rapid-i.com/index.php?lang=en
Poslovni informacijski sistemi (UNG 2010/11)

57. MS Analysis Services: Odločitveno drevo
Poslovni informacijski sistemi
Sistemi za podporo odločanja
MS Analysis Services: Odločitveno drevo
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

58. MS Analysis Services: Razvrščanje v skupine
Poslovni informacijski sistemi
Sistemi za podporo odločanja
MS Analysis Services: Razvrščanje v skupine
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

59. Ekspertni sistemi (ES, “Expert Systems”)
Računalniški 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 “Kako?” in “Zakaj?”
predlaganih rešitev
Poslovni informacijski sistemi (UNG 2010/11)

60. Prvi ekspertni 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
Poslovni informacijski sistemi (UNG 2010/11)

61. Uporaba ES Novejša področja uporabe: inteligentni sistemi in agenti
poslovno odločanje (poslovna logika in pravila)
vodenje procesov
zahtevno inženirsko odločanje
medicinska diagnostika
računalniški vmesniki, “čarovniki”
računalniške igre
robotika
...
Poslovni informacijski sistemi (UNG 2010/11)

62. Splošna arhitektura ES
Poslovni informacijski sistemi
Sistemi za podporo odločanja
Splošna arhitektura ES
Ekspertni sistem
mehanizmi
sklepanja
uporabniški
vmesnik
baza
znanja
Primerjajte arhitekturo ES s splošno arhitekturo DSS
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

63. Ključni koncepti ES Predstavitve znanja (“knowledge representation”):
semantične mreže, taksonomije, ontologije
okviri, predmeti
pravila
formalna logika
Mehanizmi sklepanja (“inference”):
sklepanje naprej
sklepanje nazaj
Upoštevanje negotovosti (“uncertainty propagation”)
verjetnost (“probability”)
mehka logika (“fuzzy logic”, “possibility”)
Poslovni informacijski sistemi (UNG 2010/11)

64. Primeri predstavitve znanja v ES (1)
Produkcijska (“če-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 mesečni obrok > ½ maks. obroka
POTEM je možno dodeliti kredit, vendar
PREVERITI garancijo, družino in starost.
Poslovni informacijski sistemi (UNG 2010/11)

65. Primeri predstavitve znanja v ES (2)
Poslovni informacijski sistemi
Sistemi za podporo odločanja
Primeri predstavitve znanja v ES (2)
Taksonomija: hierarhija pojmov in konceptov
PROSPECTOR
(geološke
raziskave)
Navedite primere taksonomij
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

66. Primeri predstavitve znanja v ES (3)
Ontologija: množica konceptov in relacij
CYC
Poslovni informacijski sistemi (UNG 2010/11)

67. Primeri predstavitve znanja v ES (4)
Ontologija: množica konceptov in relacij
Poslovni informacijski sistemi (UNG 2010/11)

68. Primeri predstavitve znanja v ES (5)
Odločitveno drevo
Poslovni informacijski sistemi (UNG 2010/11)

69. Primeri predstavitve znanja v ES (6)
Odločitveno drevo
Poslovni informacijski sistemi (UNG 2010/11)

70. Poslovni informacijski sistemi
Sistemi za podporo odločanja
Primeri ES
Expertise 2GO
Wine Selection:
Choosing Data Analysis Technique:
Loan Decision:
Medical Diagnosis:
ECOGEN Soil Quality Index:
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec

71. Prednosti in slabosti ES
Poslovni informacijski sistemi
Sistemi za podporo odločanja
Prednosti in slabosti ES
PREDNOSTI
eksplicitno izražena 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
Ali so ES DSS?
Poslovni informacijski sistemi (UNG 2010/11)
Marko Bohanec