MASTER STUDIJE Primenjeni menadžment

MASTER STUDIJE Primenjeni menadžment informacionih sistema PREDAVANJE ** SISTEM ZA UPRAVLJANJE BAZAMA PODATAKA ** UPRAVLJANJE ZNANJEM Docent dr Vladimir Holodkov TIMS-­‐Novi Sad 1
2
3
4
5
6
7
8
Prikaz četiri revolucionarna koraka koja su pružila mogućnost brzih
i preciznih odgovora kakve danas zahteva savremeno poslovanje
Izvor: Panian, Ž., Klepac, G.,: Poslovna inteligencija, MASMEDIA, Zagreb, 2003., str 78 Panian, Ž., Klepec, G., : Poslovna
inteligencija, MASMEDIA, Zagreb, 2003., str. 78
DATA MINING (”rudarenje u podacima”)
„ Sve je u podacima, samo treba naći “
11
12
13
14
15
16
17
18
Podatak,informacija,znanje
•  Podaci čine skup poruka koje imaju točno određeno
značenje, a predstavljaju ustvari opći naziv za skupine
faktora sastavljenih od brojeva, znakova abecede ili
simbola koji označuju neki uvjet, vrijednost ili stanje.
•  npr. ''Ivan'' – ime promatrane osobe –
PODATAK
24
•  Informacija je skup poruka i podataka koji primateljima služe za
otklanjanje ili smanjenje neizvjesnosti i za poduzimanje određene
akcije. Ona predstavlja rezultat obrade podataka i mora točno
odgovarati činjeničnom stanju jer njezin sadržaj mora biti
relevantan za donošenje odluka.
•  npr. ''Ivan je danas položio ispit'' –
INFORMACIJA
25
•  Znanje je uređen skup informacija iz nekog područja (opisuje
stanje stvari prema znanstvenim ili iskustvenim kriterijima)
•  npr. ''Ako je Ivan položio ispit on se nalazi u 42%
položenih ispita.'' - ZNANJE
26
Sistem za upravljanje bazama podataka (database
management system, DBMS) je računarski program
(ili češće, svita programa) namenjena rukovođenju
bazom podataka, velikim skupom strukturiranim
podataka, i izvršavanju operacija na podacima, koje
zahtevaju mnogobrojni korisnici.
27
28
29
30
31
32
Šta je baza podataka?
•  Baza podataka je objekat koji sadrži tabele i druge objekte radi
memorisanja i obrade podataka.
•  Baza podataka je organizovan skup podataka koje
omogućavaju da se odgovarajućim proceduralnim jezikom
dobijaju informacije.
•  Sistem za upravljanje bazama podataka (SUBP) mora da
omogući:
•  izradu korisničkog interfejsa (obuhvat podataka – unos,
izmena, brisanje, pregled-uvid, upit, izveštaj) (funkcija
programera)
•  administriranje korisnika baze – lokalno (LAN, Intranet) i/
ili na daljinu (Internet) (funkcija administratora baze)
•  administriranje objekata baze podataka (funkcija
administratora baze i programera)
33
Istorijski razvoj organizacije baze podataka
•  Mrežna struktura
•  Hijerarhijska struktura
•  Mrežno-hijerarhijska struktura
•  Relaciona struktura (danas dominira)
•  Objektno orijentisane baze podataka
•  Konceptualne baze podataka
•  Baze znanja
34
35
Arhitektura baze podataka sastoji se od tri razine apstrakcije i
sučelja među njima:
Fizička razina (odnosi se na fizički prikaz i raspored podataka
na jedinicama vanjske memorije, raspored pohranjivanja opisuje
kako se elementi logičke definicije baze preslikavaju na fizičke
uređaje)
Globalna logička razina (odnosi se na logičku strukturu cijele
baze, zapis logičke definicije naziva se shema, a njome se
imenuju i definiraju svi tipovi podataka i veze medu tim tipovima, u
skladu s pravilima korištenog modela. Shema uvodi i ograničenja
kojim se čuva integritet podataka)
Lokalna logička razina (odnosi se na logičku predodžbu o
dijelu baze kojeg koristi pojedina aplikacija, zapis jedne lokalne
logičke definicije (naziva se pogled ili pod-shema) je tekst ili
dijagram kojim se imenuju i definiraju svi lokalni tipovi podataka i
veze medu tim tipovima, opet u skladu s pravilima korištenog
modela)
36
37
38‚‚
39
Model procesa definira kako se obrađuju, prikupljaju i
distribuiraju podaci informacijskog sustava. Model procesa opisuje
dinamiku podataka informacijskog sustava. On opisuje skup
procesa, odnosno funkcija kojima se mijenjaju podaci
informacijskog sustava. U implementiranom informacijskom
sustavu modeli procesa se realiziraju kroz odgovarajuću
programsku podršku (aplikacije).
Trenutno najzastupljeniji model podataka je relacijski model
koji će biti kasnije objašnjen. Model budućnosti je objektni model
koji objedinjuje podatkovnu i procesnu strukturu te osigurava brže
izvršavanje odgovarajućih operacija. Objekt, kao osnovni koncept
objektno orijentiranih modela podataka, osim opisa podatkovne
strukture, sadrži i opis načina rukovanja (metode posluživanja).
40
Tipovi objekata u bazi podataka
•  Tabele
•  Redovi
•  Kolone (Atributi)
•  Indeksi (jedinstveni-bez ponavljanja, složeni)
•  Obrasci (forme)
•  Pogledi
•  Procedure
•  Izveštaji
41
Trenutno najzastupljeniji model podataka, koji se koristi prilikom izgradnje baze podataka, je relacijski model. U stvarnim situacijama
je teško direktno pogoditi relacijsku shemu. Modeliranje entiteta i veza (eng. Entity-Relationship Modelling, skraćeno E-R Modelling)
je pomoćna faza prilikom stvaranja relacijske sheme. E-R shema je manja, precizna, konceptualna shema koja predstavlja
apstrakciju realnog svijeta. Ta shema se dalje, više-manje automatski, pretvara u relacijsku. Modeliranje entiteta i veza zahtijeva da
se svijet promatra preko tri kategorije:
Entiteti
Veze među entitetima
Atributi entiteta
Entitet je bilo što o čemu želimo prikupljati i pohranjivati informacije (npr. kuća, student, auto, itd.). S prikupljanjem i pohranjivanjem
informacija o pojedinom entitetu možemo započeti, ako je poznat identifikator tog entiteta. Entitet, kao reprezentant realnog svijeta,
posjeduje određene atribute koji ga opisuju (npr. entitet student ima svoj broj indeksa, ime, prezime, itd.). Skup svih vrijednosti koje
atribut može poprimiti nazivamo domenom. Neki atributi jednoznačno određuju entitet u promatranom skupu, dakle ne postoje dva
entiteta s posve istim vrijednostima tih atributa (npr. broj indeksa ne može biti jednak za dva entiteta student). Takve atribute
nazivamo identifikatorima ili ključevima entiteta (u E-R shemi podvučeni atributi čine ključ entiteta). Ključ (identifikator) je jednostavan
ako se sastoji od samo jednog atributa. Složeni ključ (identifikator) sadrži dva ili više atributa.
Veze se uspostavljaju između dva ili više tipova entiteta (npr. veza upisao za tipove student i predmet). Veza je imenovana binarna ili
k-narna relacija između primjeraka entiteta zadanih tipova. Veza između točno dva tipa entiteta je najjednostavnija. Funkcionalnost te
veze može biti:
Jedan-napram-jedan (1: 1)- jedan primjerak prvog tipa entiteta može biti u vezi s najviše jednim primjerkom drugog tipa entiteta, te
također jedan primjerak drugog tipa može biti u vezi s najviše jednim primjerkom prvog tipa (npr. veza je pročelnik između tipova
entiteta nastavnik i zavod)
Jedan-napram-mnogo (1: N)- jedan primjerak prvog tipa entiteta može biti u vezi s 0, 1 ili više primjeraka drugog tipa entiteta, ali
jedan primjerak drugog tipa može biti u vezi s najviše jednim primjerkom prvog tipa (npr. veza predaje između tipova entiteta
nastavnik i kolegij)
Mnogo-napram-mnogo (M: N)- jedan primjerak prvog tipa entiteta može biti u vezi s 0, 1 ili više primjeraka drugog tipa entiteta, te
također jedan primjerak drugog tipa može biti u vezi s 0, 1 ili više primjeraka prvog tipa (npr. veza upisao između tipova entiteta
student i kolegij)
Veza može imati i svoje atribute koje ne možemo pripisati ni jednom od tipova entiteta (npr. veza upisao može imati atribut datum
upisa). Ako svaki primjerak entiteta nekog tipa mora sudjelovati u zadanoj vezi, tada kažemo da tip entiteta ima obavezno članstvo u
toj vezi. Inače tip entiteta ima neobavezno članstvo.
Obično se ER-shema nacrta kao dijagram u kojem pravokutnici predstavljaju tipove entiteta, a rombovi veze. Veze su
povezane bridovima s odgovarajućim tipovima entiteta. Imena tipova entiteta i veza, te funkcionalnost veza, uneseni su u dijagram.
Posebno se prilaže lista atributa za svaki entitet odnosno vezu.
42
Tabele
•  Fizička implementacija relacionog modela podataka je
zasnovana na pojmu tabela. Svaka tabela se sastoji od
odgovarajućeg broja kolona (u Accessu se kolona naziva:
polje – field a u MySQL - column).
•  Podaci smešteni u koloni moraju biti jednog tipa podataka
kao što su znak (character), broj (number) ili datum (date).
•  Skup vrednosti svake kolone tabele naziva se slog (record)
ili red (row) u tabeli. Različite tabele mogu imati različiti
broj kolona. Ova osobina se koristi da se eksplicitno
navede relacija između dve tabele. Vrednosti koje se
pojavljuju u koloni A tabele X mogu se deliti od strane
druge tabele Y.
43
44
45
Kolone
Tabele
INDEKS-1
Tabela klijenata
KlijentID
KlijentIme
KlijentAdresa
KlijentMesto
KlijentDrzava
KlijentPBR
Number
Character
Character
Character
Character
Character
1001
Petrović
Kralja Milutina 123
Niš
SCG
18000
1002
Janković
Šekspirova 2
Novi Sad
SCG
21000
1003
Poljovka
Jevremova 1
Brus
SCG
37220
1004
Osawa
Shingo-Dojo 17
Tokyo
Japan
00001
Strani ključ!
Red
INDEKS-2
Tabela računa
KlijentID
TransakcioniRačun
TipKlijenta
DatumUgovora
Saldo
Number
Number
Character
Date
Number
1001
9987
DinaCard3
10/12/1989
4000.00
1001
9980
Avista štednja
10/12/1989
2000.00
1002
8811
Avista štednja
01/05/1992
1000.00
1003
4422
VISAInternet
12/01/1994
6000.00
1003
4433
Oročena dinarska štednja 12 meseci
12/01/1994
9000.00
1004
3322
Oročena devizna štednja 3 meseca
08/22/1994
500.00
1004
1122
DinaCard debt
11/13/1988
800.00
46
Tabele
KlijentID
KlijentIme
KlijentAdresa
KlijentMesto
KlijentDrzava
KlijentPBR
Number
Character
Character
Character
Character
Character
1001
Petrović
Kralja Milutina 123
Niš
SCG
18000
1002
Janković
Šekspirova 2
Novi Sad
SCG
21000
1003
Poljovka
Jevremova 1
Brus
SCG
37220
1004
Osawa
Shingo-Dojo 17
Tokyo
Japan
00001
Relacija 1:M à strani ključ
KlijentID
TransakcioniRačun
TipKlijenta
DatumUgovora
Saldo
Number
Number
Character
Date
Number
1001
9987
DinaCard3
10/12/1989
4000.00
1001
9980
Avista štednja
10/12/1989
2000.00
1002
8811
Avista štednja
01/05/1992
1000.00
1003
4422
VISAInternet
12/01/1994
6000.00
1003
4433
Oročena dinarska štednja 12 meseci
12/01/1994
9000.00
1004
3322
Oročena devizna štednja 3 meseca
08/22/1994
500.00
1004
1122
DinaCard debt
11/13/1988
800.00
47
RELACIJA 1:M - Microsoft Access
E-R dijagram
48
Pogledi (view, query, join)
•  Pogledi su generisane liste željenog podskupa podataka iz
jedne i/ili više tabela.
•  Pogledi stvaraju pseudo-tabele koje se posle napuštanja
(prekida) ne čuvaju u bazi podataka.
•  Pamti se samo struktura pogleda.
Nema
kolone
KlijentID
49
VAŽNA NAPOMENA
Dizajn logičke organizacije mora
biti čist i okončan!
Sve promene u dizajnu posle generisanja MS
Access baze su veoma bolne – automatizma
nema nego se manuelno sprovode izmene.
(to jeste mana MS Accessa u praksi)
50
KREIRANJE TABELA MINI PROJEKTA
Primer: Videoteka / DVDteka
Tabela 1: tblKlijenti
•  KlijentID
•  Ime_i_Prezime
•  Adresa
•  Mesto
•  Telefon
•  LK
•  eMail
•  Datum_Reg
•  Status
•  Napomena
Autonumber/Primary key
Char / Required
Char
Char
Char
Char
Lična karta, godina izdavanja, MUP
Char
Date
Char(1)
List values: 0-neuredan, 1-uredan, 2-intenzivan korisnik
Memo
Tabela 2: tblFilmovi
•  FilmID
Autonumber/Primary key
•  Naziv
Char(255) / Required
•  Zemlja_Proizvodnje Char
List values ili poseban entitet
•  Zanr
Char(2)
List values: 00..99 ili poseban entitet
•  Reziser
Char
•  Glumci
Memo
•  Godina_Proizvodnje Number(4)
•  Trajanje
Number(3)
•  Sadrzaj
Memo
51
KREIRANJE TABELA MINI PROJEKTA
Primer: Videoteka / DVD-teka
Tabela 3: tblMedijumi
•  MedijumID
Autonumber/Primary key
•  FilmID
Number
Foreign key!
•  Tip_Medijuma
Char(10)
List values: 0-CD; 1-VHS-120; 2-VHS240;
3-DVD
•  Izdavac
Char
•  Izdata
Yes/No
Status izdavanja medijuma
•  Nabavljeno
Date
•  Napomena
Memo
Tabela 4: tblIstorija
•  StavkaID
•  KlijentID
•  KasetaID
•  DatumUzimanja
•  DatumVracanja
•  RokVracanja
•  Placeno
•  Iznos
•  Komentar
Autonumber/Primary key
Number
Foreign key
Number
Foreign key
Date
Date
Date
Yes/No
Number(9,2)
Memo
52
“Lista vrednosti” ili novi entitet?
Tabela 1: tblKlijenti
•  KlijentID
•  Ime_i_Prezime
•  Adresa
•  Mesto
•  Telefon
•  LK
•  eMail
•  Datum_Reg
•  Status
•  Napomena
Autonumber/Primary key
Char / Required
Char
Char
Char
Char
Char
Date
Char(1) List values: 0-neuredan, 1-uredan, 2-intenzivan korisnik
LIST BOX à Values list
Memo
Tabela 3: tblMedijumi
•  MedijumID
Autonumber/Primary key
•  FilmID
Number
•  Tip_Medijuma
Char(10) List values: 0-CD; 1-VHS-120; 2-VHS240; 3-VHS360; 4-DVD
•  Izdavac
Char
•  Izdata
Yes/No
•  Nabavljeno
Date
•  Napomena
Memo
53
“Lista vrednosti” ili novi entitet?
Tabela 2: tblFilmovi
•  FilmID
Autonumber/Primary key
•  Naziv
Char(255) / Required
•  Zemlja_Proizvodnje Char(3)
Poseban entitet:000..999 à COMBO BOX / SQL
•  Zanr
Char(2)
Poseban entitet: 00..99
•  Reziser
Char
•  Glumci
Memo
•  Godina_Proizvodnje Number(4)
•  Trajanje
Number(3)
•  Sadrzaj
Memo
Uvođenje novog entiteta izaziva promene u relacijskom dijagramu.
To je rezultat lošeg dizajna informacionog sistema!
54
Redizajn logičke organizacije baze podataka
•  II normalizacija
•  Modifikacija tabele tblIstorijat: Default datumi
•  Neke opcije administracije bazom podataka
55
KREIRANJE TABELA MINI PROJEKTA
Primer: Videoteka / DVDteka
Tabela 2: tblFilmovi
•  FilmID
Autonumber/Primary key
•  Naziv
Char(255) / Required
•  ZemljaIDNUMBER
POSEBAN ENTITET
•  ZanrID
NUMBER
POSEBAN ENTITET
•  Reziser
Char
•  Glumci
Memo
•  Godina_Proizvodnje Number(4)
•  Trajanje
Number(3)
•  Sadrzaj
Memo
56
Tabela 5: tblZanrovi
•  ZanrID
Autonumber/Primary key
•  Naziv
Char
Tabela 6: tblZemlje
•  ZemljeID
Autonumber/Primary key
•  Naziv
Char
57
58
Šta radimo?
Dizajn aplikacije:
KREIRANJE TABELA:
(entiteti, atributi, relacije,
indeksi-ključevi)
Polja, tipovi podataka,
komentari, definisanje
primarnog ključa tabele, lista
vcrednosti
(normalizacija)
LOOKUP-ovi za strane
ključeve u tabelama gde ih
ima:
RELACIJSKI DIJAGRAM
•  COMBO BOX à
Ostali objekti baze:
•  Table/query à
•  Forme (obrasci za obuhvat
•  SQL SELECT
podataka
•  Upiti à Izveštaji
59
ALATI
-- Oracle
-- My SQL
-- Ingres
-- IBM DB/2
-- Microsoft Access
-- Microsoft SQL
-- PostgreSQL
-- SQLite
-- Firebird
-- Sybase
-- FileMaker
--
60
BAZA PODATAKA U UGOSTITELJSTVU
61
62
63
64
65
66
67
68
69
70
71
LIDERSTVO I MENADŽMENT ZNANJA U FUNKCIJI
KREIRANJA KONKURENTSKE PREDNOSTI
72
‘’Informacije i znanje su termonuklearna konkurentska oružja
našeg doba.’’
Tomas A. Stewart
‘’Jedina konkurentska prednost je sposobnost organizacije da uči i
da se menja.’’
Michael Porter
“Sposobnost organizacije da brže uči i da se brže menja od drugih je
jedini izvor konkurentske prednosti.”
Jack Welch
73
Menadžment znanja i liderstvo
MENADŽMENT
ZNANJA
(Knowledge Management)
LIDERSTVO
LIDERI
ZNANJA
(Knowledge Leaders)
74
"7 Cs" liderstva znanja
(Debra Amidon i Doug Macnamara)
• 
• 
• 
• 
• 
Liderstvo znanja je pitanje konteksta (Context).
Liderstvo znanja je pitanje kompetencije (Competence).
Liderstvo znanja je pitanje kulture (Culture).
Liderstvo znanja je pitanje zajednice (Communities).
Liderstvo znanja je pitanje konverzacije i zajedničkog
jezika (Conversations, Common Language).
•  Liderstvo znanja je pitanje komunikacija
(Communications).
•  Liderstvo znanja je pitanje treninga (Coaching).
75
Uloga lidera znanja
•  1. da transformišu svoje organizacije u organizacije
zasnovane na znanju koje će koristiti znanje da bi
postigle rezultate koji ne mogu biti dostignuti od
strane konkurencije
•  2. da vide neobične potencijale u običnim ljudima i
da svoje odluke donose uz balans između idealizma i
pragmatizma
76
CILJ ISTRAŽIVANJA
ISTRAŽIVANJE U SRBIJI
•  Da li je liderstvo u preduzećima u Srbiji okrenuto
ka znanju kao osnovi konkurentske prednosti
savremene organizacije?
•  Da li u preduzećima u Srbiji postoji jasna vizija o
tome kako se znanje može iskoristiti na najbolji
način u tu svrhu?
•  Da li se u preduzećima u Srbiji neguje otvorena
komunikacija i poverenje?
•  Da li se u preduzećima u Srbiji neguje kultura
učenja i usavršavanja zaposlenih?
•  Da li se zaposleni na pravi način motivišu u tom
pravcu?
77
Uzorak
Naziv firme
• 
• 
• 
• 
• 
• 
• 
• 
• 
• 
JP PTT saobraćaja "Srbija“
Srpske kablovske mreže – SBB
EUNET
Trizma
Telekom
Tranšped
Comutel
Algotech
Microsoft
Enelps
UKUPNO:
Br. ispitanika
72
14
11
11
8
6
5
2
1
1
131
%
55.0%
10.7%
8.4%
8.4%
6.1%
4.6%
3.8%
1.5%
0.8%
0.8%
100.0%
78
Faktori uticaja na menadžment znanja
Organizaciona (korporativna)
kultura
14%
30%
Menadžment ljudskih resursa
Liderstvo
22%
Informacione tehnologije
13%
21%
Kontrola poslovnih procesa
79
Rezultati istraživanja
54%
Top menadžment kao glavnu imovinu organizacije vidi
znanje
57%
55%
U organizaciji postoji jasna vizija lidera
48%
Lideri teže ka ličnom napretku i sticanju novih znanja
zaposlenih
41%
Lideri su postavili jasno definisane standarde
motivacije zaposlenih
63%
Lideri se trude da jasno nagrade inovaciju, kreativnost i
deljenje znanja
Lideri stimulišu inovaciju i učenje
80
Prema rezultatima istraživanja, lideri:
–  su okrenuti znanju kao osnovi konkurentske prednosti
organizacije i imaju jasnu viziju o tome kako na pravi
način iskoristiti znanje koje organizacija poseduje da bi
se stvorila dodatna vrednost za organizaciju;
–  teže ka ličnom napretku i sticanju novih znanja
zaposlenih i jasno stimulišu inovaciju i učenje;
–  postavljaju jasno definisane standarde motivacije
zaposlenih i trude se da jasno nagrade inovaciju,
kreativnost i deljenje znanja.
81
Zaključna razmatranja
•  Iako je istraživanje pokazalo da preko 90% ispitanika nema
zvaničan program menadžmenta znanja ipak, što je
ohrabrujuća činjenica, čak 80% ispitanika smatra da njihova
organizacija vidi znanje kao strategijsku prednost, dok 67%
ispitanika u svojim organizacijama prepoznaju neke elemente
menadžmenta znanja
•  Iako svega 13% ispitanika u našem istraživanju smatra da je
liderstvo najvažniji faktor za efektivnost programa
menadžmenta znanja, ostali rezultati istraživanja pokazuju da
zaposleni u svojim liderima vide pokretačku snagu i podršku
za sve vrste promena, pa i za uvođenje programa
menadžmenta znanja.
82
Perspektive i preporuke
•  Preduzimanje šireg i sveobuhvatnijeg istraživanja, na većem
uzorku ispitanika u narednom periodu koje bi, s obzirom na
veću spoznaju samog programa menadžmenta znanja
protekom vremena, pružilo detaljnije podatke o njegovim
implikacijama na preduzeća u Srbiji.
•  Preduzeća u Srbiji bi trebalo da se detaljnije upoznaju sa
primerima i studijama slučaja kompanija koje su
implementacijom programa menadžmenta znanja došle do
mnogih benefita za svoju organizaciju.
•  Lideri znanja, ne samo kao učesnici, nego i pravi predstavnici
koncepta menadžmenta znanja, svojim znanjem,
samopouzdanjem i energijom treba da promovišu i
naglašavaju značaj znanja i menadžmenta znanja za postizanje
konkurentske prednosti organizacije. Otuda je potrebno
sprovesti određene programe edukacije i obuke lidera u tom
pravcu.
83
!
84
85
86
87
•  Menadžment znanja bavi se povezivanjem
ljudi sa ljudima, i ljudi sa informacijama
radi stvaranja kompetetivne prednosti.
•  Organizacije koje razviju pokretačku snagu
know-how na sistematičan način će kreirati
i održati kompetetivnu prednost, te će
prevaziti tekuće i buduće zahteve.
•  Ključ snage znanja svake organizacije je
uvid menadžera u stvaranje i korišćenje
organizacijskog znanja.
•  Učenje i rast su podržani knowledge
management aktivnostima i inicijativama.
88
•  Inovacije koje dolaze od kreativnih
zaposlenih predstavljaju izvor dugoročnog
uspeha i kompetitivnosti.
•  Pravi ljudi treba da budu angažovani,
propisno obučavani, a proces učenja treba
da postane stalan i doživotan.
•  Da bi se formirala željena kadrovska
struktura organizacije mora se voditi računa
o delatnosti i veličini organizacije, poslovne
politike organizacije…
•  Glavne smernice proizilaze iz organizacione
strukture i sistematizacije poslova i radnih
zadataka.
89
•  Normativnim aktom je uglavnom regulisano
sledeće:
- Koji poslovi moraju da se obave da bi se
ostvarili ciljevi organizacije, pri čemu se
posao definiše odgovorom na pitanja šta,
kako i ko? Pri tome se odredjuje samo vrsta
i stepen kvalifikovanosti izvršioca posla.
- Koje su veštine i sposobnosti potrebne za
obavljanje poslova?
- Koliko ljudi je potrebno za obavljanje
poslova?
90
•  U organizacijama se u aktu o sistematizaciji
navode neophodni elementi za
kvalifikacioni profil: naziv poslova i radnih
zadataka, broj izvršilaca, stručna sprema,
radno iskustvo…
•  U organizacijama se uglavnom vodi
evidencija o kadrovima.
•  Medjutim, razvoj kadrova se vodi samo u
delu napredovanja u struci i hijerarhiji, i to
vezano za školovanje kadrova.
•  Napredovanje u struci shodno nekom
individualnom znanju ili obuci i
usavršavanju se uglavnom ne evidentira.
91
92
93
94
95
•  1991.godine poznati japanski teoretičar
Ikujiro Nonaka napisao je da “u ekonomiji u
kojoj je izvesna samo neizvesnost jedini
siguran izvor trejne konkurentske prednosti je
znanje”.
•  Nonaka pravi razliku između dva tipa znanja:
1. eksplicitno, kao formalno i sistematizovano koje
se može lako prenositi i deliti
2. “nemo” (tacit), koje se sastoji od sume svih
veština, tehnika, iskustava na bazi pokušaja i grašaka
koje je neki pojedinac stekao u praksi.
96
Nonaka opisuje 4 osnovna procesa kreiranja
znanja:
•  Od “ nemog” (tihog) ka “nemom”,
•  Od eksplicitnog ka esplicitnom,
•  Od “nemog” ka eksplicitnom,
•  Od eksplicitnom ka nemom.
97
Zašto se može reći da je znanje najvažniji
preduzetnički resurs?
•  Nastanak znanje je složena procedura prikupljanja različitih
činjenica i podataka o nekoj nedovoljno poznatoj pojavi, o
njihovoj selekciji i analizi, o generisanju informacija i njihovoj
transformaciji u znanje, koje može biti podloga za stvaranje
novih ideja, vizija, dolaženje do novih rešenja.
• 
§ 
§ 
§ 
§ 
§ 
Uvek je potrebno voditi računa o sledeći pitanjima:
koje su informacije potrebne (“know what”),
znati kako informacije treba obraditi (“know how”),
znati zašto su pojedine informacije potrebne(“know why”),
znati gde se pojedine informacije mogu naći (“know where”),
znati kada su pojedine informacije potrebne(“know when”).
98
Objasnite pojmove “eksplicitno” i “tacitno” znanje
•  Već smo jednu podelu znanja: ekplicitno i
implicitno(nemo, “tacit”).
•  Postoje i druge podele: deklarativno znanjeznati nešto o nekome ili nečemu; relaciono
znanje -znati ko ili šta, s kime ili čime;
kondiciono znanje - kada nešto znati;
proceduralno znanje – kako nešto znati.
99
Objasnite tipove znanja i njihovo širenje
Tipovi
znanja
Šta se uči
Kako se uči Kako se širi Mediji
znanje
širenja
Meta
znanje
Znati
“zašto”
Refleksivno
Komuniciranjem
Knjige, baze,
predavanja
Eksplicitno
znanje
Znati
“šta”
Slušanjem,
čitanjem
Komuniciranjem
Knjige, baze,
predavanja
Tacitno
znanje
Znati
“kako”
Korišćenje,
činjenje
Brainstorming,
takmičenje
Praktično
iskustvo,učenje,obuka
Skriveno
znanje
Znati “kako
da
saznajemo”
Socijalizacija Preko ciljnih
grupa
Propitivanje,
Stvaranje
pretpostavki
Znanje o
odnosima
Znati “ko je
ko”
Interakcija Partnerstvo
Društvene
institucije
Timski rad
100
101
102
103
104
105
106
“Peta disciplina”
Peter Senge
107
108
PETA DISCIPLINA
•  Veoma je važno da se pet disciplina razvija
zajedno, iako ih je teško integrirati, no isplativost
je velika.
•  Sistemsko razmišljanje je peta disciplina koja
integrira sve ostale.
•  Da bi se realizirao potencijal sistematskog
razmišljanja potrebne su i discipline gradnje
zajedničke vizije mentalnih modela timskog
učenja i osobnog usavršavanja.
•  Sistemsko učenje objašnjava nov način na koji
pojedinci sagledavaju sebe i svoj svijet.
109
METANOJA – PROMJENA MIŠLJENJA
•  Metanoja znači promenu mišljenja
•  Učenjem proširujemo svoju sposobnost da
stvaramo.
•  Temeljno značenje učeće organizacije ->
organizacija koja neprestano povećava svoju
sposobnost stvaranja svoje budućnosti.
110
Za procenu nivoa organizacijske sposobnosti (ili nesposobnosti) za učenje,
koristi se „sedam identifikatora nesposobnosti učenja“:"
"
Moj položaj – to sam ja. Raditi svoj posao je jedina odgovornost i nema
potrebe voditi brigu zašto je netko drugi nešto „zaribao“. Ne razmišljati o široj
svrsi onoga što radimo, u današnje vrijeme je pogubno i brzo dovodi do
negativnih posljedica. Mišljenje da je naš neprijatelj negdje vani je cesto, i
na žalost, uglavnom netocno. Kada se pod „proaktivnošcu“ samo maskira
reakcija, sakrije neodlucnost i time stvori iluzija preuzimanja odgovornosti,
tada dogadjaji sve intenzivnije upravljaju nama a ne mi njima. Ako se
fokusiramo samo na dogadjaje, najbolje što ce nam se desiti je da
predvidimo neki doga(aj, ali na taj nacin necemo nauciti stvarati. Hitno nije
uvijek i bitno. Veliki i bitni procesi se odvijaju polako, postupno i tek se mogu
vidjeti usporava njem groznicavnog ritma i posvecivanju najvecim prijetnjama.
Privid ucenja iz iskustva. Iako je ucenje iz iskustva najbolje, rijetko možemo
izravno procijeniti posljedice najvažnijih odluka koje djeluju i osjecaju se tek
godinama kasnije. Mit o timu pri kojem se sumnje, zbog razvijene društvenosti i
solidarnosti, obicno „guraju pod tepih“ i ne izricu javno. Takav tim dobro funkcionira
na rutinskim za da cima, ali pri suceljavanju s kompleksnim problemima, timske
znacajke obicno nestaju a time i dobri rezultati izostaju.
111
112
KLASIFIKACIJA ORGANIZACIONIH
PROMENA PREMA CILJU (UZROKU)
KRITERIJUM
SVRHA PROMENA
CILJ PROMENA
IZVOR PROMENA
ORGANIZACIONA
ADAPTACIJA
(EKSTERNI MOTOR)
ORGANIZACIONI
RAZVOJ (INTERNI
MOTOR)
Prilagodjavanje okruženju
Razvoj (inoviranje)
kompetencija
Poboljšanje performansi
Razvoj kompetencija
Okruženje
MOTOR PROMENA
Eksterni: promene u
okruženju
ULOGA I DISKRECIJA
MENADŽMENTA
Pasivna, mala diskrecija
Organizacija,
menadžment
Interni: kreativnost,
postignuće
Aktivna, velika diskrecija
113
KLASIFIKACIJA ORGANIZACIONIH
PROMENA PREMA SADRŽAJU
•  Statičke komponente organizacionog ponašanja
–  Organizaciona kultura
–  Struktura moći
–  Neformalne grupe
•  Dinamičke komponente organizacionog ponašanja
–  Motivacija
–  Vodjstvo
–  Učenje
–  Konflikti
–  Politički procesi
–  Komunikacija
114
KLASIFIKACIJA ORGANIZACIONIH
PROMENA PREMA SADRŽAJU
FORMALNE, TVRDE
(HARD)
KOMPONENTE
STATIČKE
VARIJABLE:
SISTEMI I
STRUKTURE
DIZAJN:
Organizaciona
struktura, sistemi
DINAMIČKE
VARIJABLE:
PROCESI
POSLOVNI PROCESI
NEFORMALNE, MEKE
(SOFT)
KOMPONENTE:
PONAŠANJE: Kultura,
neformalne grupe,
struktura
moći,grupni procesi,
vodjstvo, konflikti,
politički procesi,
komunikacija
115
TEORIJE ORGANIZACIONIH PROMENA
1.  Organizacioni razvoj (Organizational Development)
2.  Strateške promene organizacije ili organizaciona
transformacija
3.  Institucionalna teorija
4.  Propadanje (Decline), smanjivanje (Downsizing), zaokret
(Turnaround) organizacije
5.  Životni ciklus organizacije (Organizational Life Cycles)
6.  Teorija kontinuelnih promena organizacije
7.  Teorija populacione ekologije (Population Ecology)
8.  Upravljanje ukupnim kvalitetom (Total Quality
Management – TQM)
9.  Reinžinjering poslovnih procesa (Business Process
Reengineering – BPR)
116
Organizacija koja uči
117
Strategijska kontrola - Organizaciono učenje
• Strategijska kontrola: specifičan oblik kontrole usmjeren
na kontinuirani proces sagledavanja da li je oblikovana
poslovna strategija optimalna,
• Organizaciono učenje je organizacijska sposobnost da
kontinuirano optimizira oblikovanu poslovnu strategiju. To
je proces unaprijeđenja sposobnosti zaposlenih da
razumiju korporacijski kontekst i da promišljaju kreativno
i inovativno,
• Koncept učeće organizacije.
Back
118
119
120
121
122
123
124
125
126
Polanji je znanje podelio na eksplicitno (obuhvata prerađene
informacije - podatke, procedure, planove i politiku), tacit znanje
(nemo, prećutno, ne izražava se rečima, rezultat je učenja – iskustva,
vaspitanja, inspiracije, emocije, motivacije), menadžment znanje
(povećava ukupnu konkurentnost organizacije na tržištu i poboljšava
njene performanse).
127
128
Zašto Istraživanje podataka
•  U poslovnim primenama
–  Velika količina podataka za
obradu
–  Rast količine podatka
–  Snažniji računari
–  Očekivanje: dobijanje
kvalitetnijih informacija
–  Kvalitetnije informacije –
prednost u odnosu na
konkurenciju
129
Zašto Istraživanje podataka
•  U medicini, inženjerstvu i nauci
–  Stalno se prikuplja se velika količina podataka
–  Naučne simulacije generišu terabajte podataka
–  Zbog količine i prostorno-vremenske prirode
podataka tradicionalne metode za analizu nisu
pogodne za upotrebu
130
Zašto Istraživanje podataka
•  Često postoje “sakrivene” informacije koje
nisu odmah (lako) uočljive
•  Analitičari mogu da izgube nedelje ili
mesece dok ne uoče pravilnost
•  Tradicionalne metode - veliki deo podataka
nikada i ne stiže do analize, pogotovu ako
su u pitanju “ravni podaci”
131
Šta je Istraživanje podataka
•  Najčešća definicija: pronalaženje skrivenih
informacija u bazi podataka
•  Netrivijalno izdvajanje implicitnih,
prethodno nepoznatih i potencijalno
korisnih informacija iz baza podataka
•  Alternativni nazivi
–  istraživačka analiza podataka
–  podacima vođeno otkrivanje
–  deduktivno učenje
132
Šta je Istraživanje podataka
• 
Istraživanje podataka je integralni deo otkrivanja znanja u bazama podataka (eng. Knowledge
Discovery in Databases, KDD), što je naziv za celokupan proces pretvaranja ravnih podataka
u korisne informacije.
133
Algoritmi Istraživanja podataka
• 
• 
• 
• 
• 
IP je algoritamski zasnovan
Različiti algoritmi
Svaki algoritam pokušava da ukalupi podatke u neki model
Bira se model koji je najbliži karakteristikama podataka
Karakteristike algoritma:
–  model
–  davanje prednosti nekom kriterijumu radi izbora
najboljeg modela
–  tehnika za pretraživanje podataka
134
Odnos Baza podataka prema IP-u
•  Upiti
–  dobro definisani
–  SQL
•  Podaci
–  operativni podaci
•  Izlaz
–  precizno definisan
–  podskup baze podataka
•  Upiti
–  slabo definisani
–  bez preciznog upitnog jezika
(standard!)
•  Podaci
–  nisu operativni
•  Izlaz
–  rasplinut (eng. fuzzy)
–  nije podskup baze
135
Otkrivanje anomalija
•  Otkrivanje značajnih odstupanja od
normalnog ponašanja
•  Primena:
–  Otkrivanje prevara pomoću kreditnih kartica
–  Otkrivanje upada u računarsku mrežu
–  ...
136
Otkrivanje znanja u bazama podataka
•  Otkrivanje znanja u bazama podataka (eng. Knowledge
Discovery in Databases, KDD) je proces nalaženja korisnih
informacija i obrazaca u podacima
•  IP predstavlja korišćenje algoritama za izdvajanje
informacija i obrazaca izvedenih u KDD procesu
137
Proces otkrivanje znanja u bazama
podataka
•  Izdvajanje – dobijanje
podataka iz različitih
izvora
•  Preprocesiranje – čišćenje
podataka
•  Transformacija –
konverzija u potreban
format i transformacija u
nov format
•  IP – dobijanje željenih
rezultata
•  Interpretacija/evaluacija –
prikaz rezultata na način
razumljiv za korisnika
138
Izazovi u procesu IP-a
• 
• 
• 
• 
• 
• 
• 
• 
• 
Interakcija sa čovekom (preko interfejsa)
Ukalupljivanje (u model)
Elementi van granica modela (eng. outliers)
Interpretacija rezultata
Vizuelizacija rezultata
Skalabilnost (na velike datoteke)
Dimenzionalnost (veliki broj atributa)
Složeni i heterogeni podaci (npr. multimedija,...)
Kvalitet podataka (nedostajući i irelevantni podaci)
139