Sustavi za potporu odlučivanju

Sustavi za potporu odlučivanju
Marijana Zekić-Sušac
12 - 1
Što ćete naučiti u ovom
poglavlju?
 Što su sustavi za potporu odlučivanju (DSS)
 Što obuhvaćaju DSS
 Kako su evoluirali sustavi za potporu
odlučivanju
 Kakve su mogućnosti DSS-a
 Po čemu se razlikuju
 Kakav je pristup odlučivanju i na koje tipove
problema se mogu primijeniti
 Koji se modeli i metode koriste
12 - 2
1
Što je DSS?
 DSS (eng. Decision Support System) ili
sustav za potporu odlučivanju je softverski
proizvod koji se koristi kao pomoć pri
odlučivanju na bilo kojoj razini upravljanja s
naglaskom na odlučivanju kod
slabostrukturiranih i nestrukturiranih
zadataka

DSS je računalni sustav za organizaciju
informacija, identifikaciju i dohvat informacija,
analizu i transformaciju informacija, izbor modela
odlučivanja i analizu dobivenih rezultata
12 - 3
Odlučivanje u poduzeću

Poslovne odluke kontroliraju interakcije s kupcima (klijentima),
partnerima i zaposlenima
 One su kritični pogonitelji poslovnih procesa neke tvrtke
 Odluke su duboko ugrađene u poslovne procese, pa tvrtke
često nisu svjesne prisutnih problema u donošenju odluka
Problemi kod odlučivanja:
 Često svaka poslovna aplikacija ima poseban format kako
specificira odluke
 Često je odluke teško mijenjati
 Odluke ne iskorištavaju u potpunosti analitički uvid u
poslovanje ili poslovne eksperte
 Odluke su često nekoordinirane kroz odjele tvrtke
Kakve odluke su poželjne?
 One koje će udovoljiti zahtjevima kupaca (klijenata) i optimirati
ciljeve tvrtke
12 - 4
2
Vrste odluka
S obzirom na složenost:
• Strukturirane – poznati ulazi (podaci), izlazi, modeli, akcije i
ciljevi
• Polustrukturirane – djelomično poznati ulazi, izlazi, modeli,
akcije i ciljevi
• Nestrukturirane – ciljevi i metode postizanja su nejasni i tek
se trebaju otkriti, podaci nedostatni, nepouzdani, metode u
razvoju nepotpune ili nepoznate
S obzirom na poslovne procese:
 odluke u vezi izbora tehnologije i proizv. programa
 odluke u vezi upravljanja s kupcima
 odluke u vezi direktnog marketinga
 odluke u vezi odobravanja kredita
 odluke u vezi izbora dobavljača
 odluke u vezi izbora oglašivača i dr.
12 - 5
Faze i metode procesa
donošenja odluka
Faze u procesu donošenja odluka su:

Uočavanje - definiranje problema

Spoznaja situacije odlučivanja i prikupljanje informacija

Oblikovanje opcija

Izbor opcija
Metode koje se pri tom koriste mogu biti:
Kvantitativne metode - opisuju sustav konačnim skupom elemenata
koji imaju numeričke vrijednosti
•
Koriste algoritamski pristup rješavanja problema
Kvalitativne metode - opisuju sustav skupom različitih elemenata simbola među kojima se mogu uspostavljati različite relacije.
•
Koriste heuristički pristup rješavanja problema (temeljen na iskustvu
stručnjaka)
12 - 6
3
Evolucija DSS-a – od jednostavnih k
inteligentnim sustavima
Evolucija umjetne inteligencije
Kognitivna
psihologija
Obrada prirodnih
jezika
Simboličko
(nenumeričko)
programiranje
Formalna
logika
Prepoznavanje
govora
Robotika
Primjenjena
umjetna
inteligencija
Jezici za
obrade lista
Razvoj
programskih
okruženja
Prepoznavanje
oblika
Mali
sustavi
Sustavi za potporu
odlučivanju
1970
1975
Alati za razvoj ES
Inteligentno izračunavanje
(neuronske mreže), genetski
algoritmi, fuzzy logika)
Razvoj
računala
1940
Veliki hibridni
sustavi
Ekspertni
sustavi
Interaktivno
računalstvo
Veliki sustavi za
uska područja
1980
1985
1990
12 - 7
Arhitektura DSS-a
Donositelj
odluke
Korisničko sučelje
Sustav za upravljanje
bazom ili skladištem
podataka
Sustav za upravljanje
bazom modela
Sustav za upravljanje
dokumentima
Baze ili skladišta
podataka
Modeli
Dokumenti
12 - 8
4
Evolucija DSS-a





manji analitički alati za optimizaciju (npr. Excel Solver)
samostalni (stand-alone) specijalizirani DSS sustavi s tipičnim
modelima koji rješavaju tipične probleme – npr.problem trgovačkog
putnika (TSP), problem alokacije resursa, problem ulaganja u
portfelj dionica i sl., npr. LINDO/LINGO
Ugrađeni u statističke i matematičke alate (npr. SAS, Statistica,
SPSS, MathLab, i dr.)
DSS sustavi kao ugrađeni podsustav informacijskog sustava (npr. u
Oracle, SAP, MS SQL Server Business Intelligence)
integrirani sustav za upravljanje odlukama – EDMS – Enterprise
Decision Management System
Sustavi poslovne inteligencije
povezuju unutarnje i vanjske izvore informacija i koriste ih
za ostvarivanje poslovnih ciljeva
12 - 9
Neoptimizacijski DSS
 Alati za simulacijsko modeliranje –
simuliranje rješenja nekog problema uz
mijenjanje početnih uvjeta, npr. Monte Carlo
simulacija
 Alati za stabla odlučivanja – uključeni u
statističke alate, bit će obrađeni kroz
poglavlje o rudarenju podataka
 Razni statistički alati za predviđanja, trend
analize, segmentiranje (clustering) i dr. –
SAS, SPSS, Statistica, i dr.
12 - 10
5
Ekspertni sustavi – Sustavi temeljeni
na znanju
(eng. Expert Systems, Knowledge Based Systems, Knowledge Automation
Systems)
ES su računalni programi koji koriste znanje za rješavanje
praktičnih problema za koje je inače potrebna ljudska
ekspertiza. (A. Cawsey)
Kako prikupiti i ugraditi znanje eksperta u program?
•


Znanje eksperta je najčešće heurističko (temeljeno na iskustvu), a
može se izraziti s pomoću pravila zaključivanja
Ekstrahiranje znanja od nekog eksperta i ugrađivanje u sustav
zovemo prikupljanjem znanja (eng. Knowledge Acquisition)
cilj: izgradnja baze znanja ES-a koja će se koristiti kada ljudski
ekspert nije raspoloživ
12 - 11
Područja primjene ES-a
ES se koristi za rješavanje različitih problema u:
 medicini (prvi ES: Dendral, zatim Mycine)
 inžinjerstvu, geologiji, računalstvu, ekonomiji,
poslovanju, pravu, vojsci, obrazovanju, i dr.
Tipovi problema koji se rješavaju ES-om:
 dijagnoza, odnosno klasifikacija (npr. pogreške
stroja (škarta), bolesti, itd)
 dizajn (npr. računalnih sustava, hotela, proizvoda,
itd.)
 interpretacija (npr. geoloških podataka,
ultrazvučnih slika, satelitskih slika, itd).
12 - 12
6
Arhitektura ES-a
Baza
znanja
Ljuska ES-a
Baza
činjenica
Mehanizam
zaključivanja
KORISNIK
Korisničko
sučelje
Izvor: Čerić, Varga
(2004), modificirano12 - 13
Kako se predstavlja znanje u bazi
znanja ES-a?


Reprezentacija znanja bazirana na logici
 Produkcijska pravila (if-then) - najčešće u
upotrebi
 Modus ponens
 Hipotetički silogizam
 Propozicijska logika
 Predikatna logika
Objektno orjentirana reprezentacija
 Okviri
 Semantičke mreže
12 - 14
7
Reprezentacija znanja temeljena na
logici
Temelji se na produkcijskim pravilima.
Pravila su forme koje imaju slijedeću interpretaciju:
AKO
AKO
AKO
<uvjet>
TADA <zaključak>
<pretpostavka> TADA <posljedica>
<činjenica>
TADA <hipoteza>
Primjer: pravila za odobrenje hipotekarnog zajma:
AKO tražilac ima stalan posao
I tražilac ima adekvatne prihode
I tražilac ima dobar kreditni rejting
I imovina je dostatna
TADA odobri kredit
12 - 15
Stablo odlučivanja – grafički prikaz
produkcijskih pravila za odobrenje kredita
Rata kredita
Stalni posao
Odluka = Ne
>= ½ kredita
Odluka = Ne
Ne
Starost
između ½ i
1/3 kredita
Odluka = Ne
Da
>70
Odluka = Ne
<70
Imovina
< kredita
>=kredita
<= 1/3 kredita
Odluka =Da
Odluka = Ne
Plaća
< kredita
Odluka = Ne
>=kredita
12 - 16
8
Kontrola (testiranje) pravila u bazi
Ulančavanje unazad (backward chaining)
Kod ulančavanja unazad zaključivanje započinje s pitanjem
ili ciljem. Ako je cilj postignut, sustav napušta bazu znanja i
ne provjerava ostala pravila.
Ulančavanje unazad je ciljem vođeno
Ulančavanje unaprijed (forward chaining)
Kod ulančavanja unaprijed zaključivanje ide tako da se
provjerava svako pravilo u bazi znanja, i tek se na kraju
donosi odluka na temelju svih informacija (podacima
vođeno)
12 - 17
Načini izgradnje ES-a


Izgraditi vlastiti sustav otpočetka (“from scratch”) –
dugotrajnije
Koristiti gotove ljuske ES-a – alate koji nude gotovo korisničko
sučelje, editore za upisivanje baze znanja, te izbor
mehanizma zaključivanja i načina prikaza rezultata – brže i
efikasnije rješenje
Ljuska ES (ES Shell) je vrsta programskog alata koja pruža
metodološki okvir za izgradnju ekspertnih sustava
-
Ljuske omogućuju korisniku da često i bez poznavanja prog.
jezika izgradi ekspertni sustav koji rješava konkretan problem.
Neke od njih generiraju aplikacije (exe, com) ili html
dokumente koji omogućuju izvršavanje ES neovisno o
platformi i na web-u.
12 - 18
9
Alati (ljuske) za razvoj ekspertnih
sustava
Primjeri ljuski ES-a:
Jess, http://herzberg.ca.sandia.gov/jess/index.shtml
CLIPS, http://www.ghg.net/clips/CLIPS.html
XpertRule, http://www.attar.com
 ljuska za ekspertne sustave koji se koristi u elektroničkom poslovanju,
elektroničkoj državnoj upravi i e-obrazovanju
ExSys Corvid, http://www.exsys.com
 ljuska ES za automatizaciju znanja koja u evaluacijskoj verziji omogućuje
izgradnju ES te pokretanje na webu kao java runtime programa, dok u
komercijalnoj verziji omogućuje i ugradnju u poslovnu aplikaciju
TexSys, http://www.pmfst.hr/~stankov/texsys/index.html
 Inteligentna ljuska za ekspertne sustave kreirana na Fakultetu
prirodoslovno-matematičkih znanosti i odgojnih područja u Splitu. Sadrži
interaktivne upute za korištenje programa na Webu uz primjere.
12 - 19
Primjeri implementacije ekspertnih sustava
Poslovno odlučivanje
Primjeri poslovne upotrebe:
• financijski management
• odobravanje kredita u bankama
• računovodstvo
• upravljanje IS- om firme
• detektiranje poslovnih teškoća
• marketing istraživanje
tvrtke
Industrija
• izbor lokacije poslovnog prostora
• naftna industrija
• vođenje procesa
• izbor tehnologije, i dr.
Kemijsko inžinjerstvo
Medicina (dijagnostika)
Avioindustrija
Vojne tehnologije
Trend razvoja ES-a:
Pravo
prema sustavima za upravljanje
Transport
znanjem (Knowledge
Management)
12 - 20
10
Rudarenje podataka (Data mining
- DM)
Metodologija kopanja podataka postala je poznata
po popularnom primjeru pronalaženja zakonitosti u
kupovanju Pampers pelena.
Zaključak do kojeg se došlo bio je neočekivan,
budući da se smatralo da su majke najveći kupci
pelena, te su njima upućivane propagandne poruke
i informacije o pelenama, što je bilo krivo.
Poznato otkriće rudarenja podataka za P&G:
Pelene kupuju očevi petkom poslijepodne, i uz njih obično kupe pivo
za gledanje utakmice preko vikenda!
Korist od ovog otkrića:
Reklame za pelene treba slati očevima a ne majkama!
Zalihe treba planirati tako da petkom bude najviše robe na
policama.
12 - 21
Što je rudarenje podataka?
 Cilj rudarenja podataka (eng. Data Mining)
je identificirati vrijedne nove, potencijalno
korisne veze i uzorke u postojećim
podacima (Jackson, 2002)
Rudarenje podataka uključuje primjenu
tehnika:
 numeričke analize
 traženje uzoraka i strojno učenje,
 stabla odlučivanja, neuronske mreže, genetički
algoritmi i dr.
12 - 22
11
Primjer i upotrebe data
mining-a

Ako smo vlasnik ili manager u lancu trgovina i
želimo saznati postoji li pravilnost u trendovima
prodaje u nekoj od trgovina početkom tjedna ili
krajem tjedna i zašto




ili želimo saznati da li će se povećati prodaja nekog artikla
X ako se prodaje u paru s artiklom Y
Ako smo manager u banci i želimo saznati profil
klijenata koji će vjerojatno otići u minus na tekućem
računu ili profil onih koji neće vraćati kredit
Ako smo vlasnik proizvodne tvrtke i želimo znati
koje su karakteristike proizvoda koje imaju prođu na
tržištu,
i dr.
12 - 23
Primjeri primjene DM





Trgovina - Potrošačka košarica – za identificiranje
artikala koji se prodaju zajedno, za određivanje načina
oglašavanja artikala, za predviđanje efektivnosti
promocije i reklame
Banke i osiguravajuće kuće – za identificiranje “dobrih” i
“loših” klijenata
Medicinske ustanove – za predviđanje uspješnosti
operacija, medicinskih testova, ili lijekova
Proizvodne tvrtke – za procjenu vjerojatnosti kvarova
proizvoda
i slično.
12 - 24
12
Tehnike koje koristi DM






Neuronske mreže (Neural Networks)
Zaključivanje na temelju slučajeva (Case-Based
Reasoning – CBR)
Genetički algoritmi (Genetic Algorithms)
Stabla odlučivanja (Decision Trees)
Asocijacijska pravila (Association Rules)
Statističke metode: deskriptivne i vizualizacijske
tehnike, klaster analize, korelacijske analize,
diskriminantnu analizu, faktorsku analizu,
regresijsku analizu, logističku regresiju i dr.)
12 - 25
Alati za DM
 Statistički softverski paketi (npr. SAS,
Statistika, SPSS, i dr.)
 Matematički softverski paketi (npr. MathLab,
Matematica)
 Alati uključeni u skladištenje podataka
(OLAP) ili sustav za upravljanje bazom
podataka (npr. Microsoft SQL Server
Business Intelligence – uključuje i Enterprise
Miner)
 Specijalizirani alati za općenite ili poslovne
primjene (npr. DataMiner, IntelliMiner, i sl.)
12 - 26
13
Budućnost upotrebe DM u
poslovanju

DM metode se integriraju u alate za upravljanje
bazama podataka, te tako softverski postaju
raspoložive brojnim tvrtkama
 Uklopljene u web alate postaju dostupne svim
uposlenima
Problem:
 Još uvijek zahtijevaju visoku razinu stručnog znanja
o metodama, pa se razvijaju alati koji će omogućiti
korištenje menadžerima i bez tog specijaliziranog
znanja stručnog znanja
 Radi se na edukaciji korisnika
12 - 27
Literatura




Bidgoli, H., Intelligent Management Support Systems,
Quorum Book, 1998.
Čerić, V., Varga, M. (ur.), Informacijska tehnologija u
poslovanju, Element, Zagreb, 2004.
Mišljenčević, D., Maršić, I., Umjetna inteligencija, Školska
knjiga, Zagreb, 1991.
S. Russel, P. Norvig, Artificial Intelligence - A modern
approach, Prentice Hall, New York, 2003.
12 - 28
14

Download Report