Tema 1_Uvod u menadersko donoenje

odluka (VJEBE)

Tema 1: Uvod u menadersko donoenje odluka

1. Vjeba 1: Menadersko donoenje odluka (Hamurabi)
2. Vjeba 2: Podrka donoenju odluka (MS Excel Solver)

Veba 1:
Menadersko donoenje odluka

Definicije odluivanja (alternative, ciljevi) i menadmenta (resursi,

ciljevi)
Primjer intuitivnog donoenja odluka: klasina strategijska igra
Hamurabi

vladar Vavilona, 1792-1750. pne

donosi poslovne odluke o feudalnoj proizvodnji - kupoprodaji zemlje i
proizvoda, sjetvi, etvi i raspodjeli ljetine
za uspjeno vladanje, mora odravati balans potreba stanovnitva i
raspoloivih koliina hrane
oteavajue su nepredviene okolnosti: pojava bolesti, ratova i tetoina
(glodara)

Hamurabi
1.

pokrenuti igru na
www.hamurabigame.com
(postoje verzije za iPod,
iPhone, ...)
upoznati pravila (ciljevi,
resursi, alternative)
"vladati" bar jedan ciklus
(10 godina)
pitanja:

2.
3.
4.

koja vrsta problema se

rjeava u ovoj igri?
koji je nain donoenja
odluka adekvatan?

Vjeba 2: Podrka donoenju odluka (MS Excel Solver)

Rjeavanje problema pomou modela sistema linearnih jednaina i

mogunosti elektronskih tabela (spreadsheet) i dodatnog softvera

(Solver Add-In)

Primjer iz organizacije rada: transportni problem

Primer:
Transportni problem
Problem optimalne organizacije
transporta robe do potroaa
Shipping Routes

Poznata su stovarita Si i potroai Pj,

raspoloive i potrebne koliine robe,
broj i kapacitet transportnih sredstava i
trokovi prevoenja
Treba planirati niz prevoenja xij, tako da
se minimizuju trokovi
F = c11x11 + ... + c23x23

S1

S2

c11
c12 c21
c13
c22

P1

P2

c23
P3
x11 =? x12=? x13 =?
x21 =? x22=? x23 =?

Hamurabi?

Primjer: Transportni problem u Excelu

1. Pokrenuti MS Excel i aktivirati Add-In Solver
2. Otvoriti dokument : C:\Program Files\ Microsoft
Office\OFFICE11\SAMPLES\ SOLVSAMP.XLS
3. Izabrati list (tab) Shipping Routes i upoznati se s postavljenim
transportnim problemom
4. Pokrenuti Tools/Solver i aktivirati taster Solve
Rjeenje je u oznaenoj eliji Excel tabele

5. Postaviti i rijeiti drugi transportni problem, izmjenom podataka i/ili

elektronske tabele

Problem
Organizovati transport proizvoda od proizvoaa do distributivnih
centara u blizini gradova, tako da se minimizuje cijena transporta.
Pri tome ne treba premaiti poznate mogunosti svakog od
proizvoaa i iskazane potrebe distributivnih centara svakog od
gradova.
U MS Excel primjeru:
proizvoai: S. Carolina, Tennessee, Arizona
gradovi:San Fran, Denver, Chicago, Dallas, New York

Primjer: poetni model

Transportni problem u Excelu

Primjer: poetni model

transportni problem u Excelu
problem minimizacije ukupne cijene
(Min)
ukupna cijena je suma cijene
pojedinanih transporta
promjenljive su oznaene elije (regioni)
ogranienja su uslovi nad skupom
promjenljivih, koji se posebno dodaju
(Add/Change/Delete) modelu
Opcije

Novi problem
Tools/Solver
Unos podataka o problemu
promjenljive - (Changing cells)
ogranienja (izrazi)
ciljna promjenljiva (Target Cell)

Podsjetnik: transportni problem

i sistemi linearnih jednaina
Matematiki model su "obine" linearne jednaine (sistemi jednaina)
Standardni oblik: trai se maksimum ciljne funkcije F(x1,...,xn)= c1x1+c2x2+ ... + cnxn , uz
uslove
a11x1+a12x2+ ... + a1nxn 0
a21x1+a22x2+ ... + a2nxn 0
...
am1x1+am2x2+ ... + amnxn 0

x2
podruje
rjeenja

uslov

x1

Matrini oblik: trai se maksimum ciljne funkcije F(x1,...,xn)= cTx, uz niz uslova Axb
Trai se rjeenje, ako postoji (region dopustivih rjeenja)
Dualni problem: reformulacija problema, tako da se umjesto maksimuma funkcije trai
minimum

Jo neki pojmovi
Optimizacija - traenje optimalnog rjeenja, maksimuma ili minimuma
odreene veliine koju nazivamo cilj, koja zavisi od konanog broja
ulaznih promjenljivih, meusobno nezavisnih ili povezanih preko
jednog ili vie ogranienja.

Linearno programiranje - skup metoda operacionih istraivanja kojom

se utvruje optimalna vrijednost funkcije kriterijima (maksimum ili
minimum), koja je linearna funkcija promjenljivih x1, x2,..., xn, koje su
meusobno povezane linearnim jednainama i/ili nejednainama.

Literatura
1. http://en.wikipedia.org/wiki/Hammurabi
2. http://www.hamurabigame.com
3. Cvetkovi D., Simi S., "Linearno programiranje", Odabrana

poglavlja iz diskretne matematike, str. 59-77, Akademska misao,

Beograd, 2004.
4. Microsoft Excel Help (Solver)

SISTEMI ZA PODRKU ODLUIVANJU

Tema 1: Uvod u menadersko donoenje odluka

KRAJ

Poslovna inteligencija*
(Business Intelligence, BI)
*Izraz poslovna inteligencija je najee korieni prevod engleskog pojma business
intelligence, iako se koriste i termini poslovno izvjetavanje, poslovno istraivanje i
upravljanje poslovnim informacijama.

BI - definicije
Poslovna inteligencija predstavlja korienje svih potencijala
podataka i informacija u preduzeu radi donoenja boljih
poslovnih odluka i, u skladu sa tim, identifikaciju novih poslovnih
mogunosti.
Poslovna inteligencija kao rjeenje sadri tehnologije i
proizvode iji je cilj da obezbijede informacionu podrku kada
treba donijeti operativne i strateke poslovne odluke.

2/32

Tipovi aplikacija poslovne inteligencije

1.
2.
3.
4.
5.

3/32

Izvjetajne aplikacije
Ad hoc upiti i izvjetavanje
Multidimenzionalna analiza
Statistike analize i Data Mining
Planiranje

BI Poslovna inteligencija

4/32

ETL (extract, transform and load ) proces koji prethodi DW

Kljune tehnologije poslovne intelignecije

Data Warehousing
OLAP (Online analitical processing)
Data Mining (neuronske mree, stabla odluivanja, klaster
analiza i tekst mining)

5/32

Data Warehousing koncept

skladitenje
agregiranih,
ekstrahovanih i
filtriranih podataka
sa mogunou slojevitog,
multidimenzionalnog pristupa podacima,
radi donoenja odluka najvieg stratekog nivoa

6/32

BI Poslovna inteligencija

ETL
7/32

ETL (extract, transform and load )

proces koji prethodi DW
Ekstrakcija
programi i alati za ekstrakciju su takvi da se ETL procesi
obavljaju to je mogue bre, tako da operativni poslovi
trpe to manje.
pojava velikog stepena redundanse podataka

Transformacija
razliiti formati podataka, netane vrijednosti podataka,
nekonzistentnost primarnih kljueva, problem sinonima i
homonima, skrivena procesna logika

Punjenje skladita podataka

programi za inicijalno punjenje, programi za punjenje
starijih podataka, programi za inkrementalno punjenje

BI Poslovna inteligencija

OLAP

9/32

Konstrukcija OLAP kocke

Bilans tabela:
Ukupno aktiva
Blagajnika operativa
Gotovina
Krediti i investicije
Prekoraenja
Kratkoroni krediti (<1 god)
Srednjoroni krediti (1 - 5 god)
Dugoroni krediti (>5 god)
Ukupno ostala potraivanja
Ukupno potraivanja
Ukupno ulaganja
Dugovanja po ne FIs
Zahtevi za ulaganjima
Depoziti (1 - 6 meseci)
Depoziti (3 - 6 meseci)
Depoziti (6 meseci - 1 god)
Depoziti (>1 god)
Povraaj vrednosti
Ukupne rezerve
Ostale rezerve

10/32

14/02/97
931359
25779
25779
899000
148000
455800
248500
46700
6580
1650
736550
736550
463000
150700
76400
45000
1450
28150
122100
11250

Poslovnica 1

Poslovnica 2

Poslovnica
3
..
..
..
..
.
Poslovnica n

Konsolidacija tabela
OLAP kocka

Poslovnice
Vrijeme
Podatak

Dvodimenzionalne
tabele
Podaci iz DW-OLTP

Periodina optimizacija tabela

11/32

Primjer OLAP kocke

KljUEVI

Slog #1
Slog #2
Slog #3
Slog #4
Slog #5
Slog #6
Slog #7
Slog #8
Slog #9

12/32

Proizvod
Film
Soiva
Kamere
Film
Soiva
Film
Kamere
Soiva
Film

Region
Istok
Jug
Sever
Jug
Istok
Jug
Sever
Jug
Istok

DIMENZIJE

Mesec
Dec-01
Jan-02
Feb-02
Mar-02
Apr-02
Maj-02
Jun-02
Jul-02
Avg-02

Prodaja
240
250
690
425
300
500
125
400
800

Region
Sever
Jug
Istok

Mesec
Jan

Feb

Mar

Proizvod
Film

Soiva

PRODAJA
Kamere

Anegdota iz ivota...
Klasini primjer inteligencije dat je u anegdoti iz akog
ivota Karl Friedrich Gauss-a.
Kao prvokolac je dobio "nerjeiv" zadatak da sabere
brojeve od jedan do sto.
Gauss je vrlo brzo i elegantno doao do rjeenja:
- uvidio je da je zbir prvog i zadnjeg broja 101, drugog i
predzadnjeg takoe 101 i tako sve do zbira zadnjeg
para brojeva 50 i 51.
- s ozirom da parova ima 50, proizvod 50 puta 101 daje
rjeenje 5050.

Tehnologije u razvoju
informacionih sistema
Prof. dr Lazo Rolji

Tehnologije u razvoju informacionih sistema

Izbor dostupnih tehnologija za razvoj informacionih
sistema je velik.
U zavisnosti od kompleksnosti i ozbiljnosti projekta,
razvojni timovi uvijek imaju minimalno dvije opcije:
koristiti licencirane (skupe) razvojne alate poznatih
proizvoaa ili
odluiti se za alternativna rjeenja u vidu besplatnih alata za
razvoj.
Bez obzira koji put odabrali, svaki izbor e imati svoje prednosti i
nedostatke.

 Microsoft razvojne tehnologije danas glase za jedne od

najkvalitetnijih kada je u pitanju razvoj bilo kakvih softverskih
rjeenja.
Istina, u pogledu razvoja mobilnih aplikacija Microsoft
zaostaje za konkurencijom, ali u posljednje vrijeme su se
pojavili alati koji omoguavaju kreiranje softverskih rjeenja za
mobilne ureaje koritenjem Visual Studio razvojnog
okruenja.

Visual Studio (1)

Visual Studio (posljednja verzija VS 2013) je razvojno
okruenje u koje Microsoft ulae najvie resursa.
Ovaj skup programskih jezika i alata za razvoj i
odravanje softvera predstavlja iroko koritenu
platformu iju osnovu ini NET Framework.
U svojoj posljednjoj verziji (4.5) NET Framework donosi
skup klasa koje razvojnim timovima pruaju veoma
iroke mogunosti u programiranju.

Visual Studio (2)

U programiranju, Visual Studio omoguava koritenje
popularnih programskih jezika, kojima je mogue
razvijati desktop, web i mobilne aplikacije, kao to su:
C,
C#,
C++,
Visual Basic,
Visual F#,
Pyton,
IronPyton.

Visual Studio (3)

Visual Studio 2013 prua podrku i za razvoj Windows
8 Metro aplikacija.
Ovo razvojno okruenje nudi odlinu integraciju
aplikacija sa SQL Server bazom podataka, ali i sa
drugim popularnim sistemima baza podataka kao to
su MySQL i Oracle.
Unutar Visual Studio-a implementirani su i alati koji
omoguavaju modeliranje, dijagnostiku i testiranje
razvijenih aplikacija, kao i agilni softverski razvoj
unutar razvojnog tima.

Visual Studio (4)

Agilni razvoj je metoda razvoja IS koja obezbjeuje
punu funkcionalnost putem brzih ponavljanja te stoga
zahtijeva estu komunikaciju izmeu korisnika i
razvojnog tima.
Informacioni sistem koji se razvija na ovakav nain ne
mora da obuhvati sve karakteristike koje korisnik
zahtijeva, ali treba da zadovolji najvanije potrebe
korisnika.
Ovakav pristup se koristi kada je razvojni tim relativno
malen (5 do 9 ljudi). Akcenat se stavlja na saradnju sa
korisnicima i esto prezentiranje i demonstriranje
rada projekta korisnicima kako bi se dobile povratne
informacije.

NetBeans
NetBeans je razvojno okruenje koje se uveliko oslanja na Java
programski jezik.
Osnovna prednost koju ima nad Visual Studio razvojnim
okruenjem je injenica da je besplatno i open-source.
Prua podrku za razvoj Java dekstop, mobilnih i web aplikacija kao
i HTML5 aplikacija. Prisutni su i alati koji omoguavaju koritenje
PHP-a i C/C++ programskog jezika.

Eclipse (1)
Eclipse je alternativa razvojnom okruenju
NetBeans.
Posljednja verzija Eclipse razvojnog okruenja je
Eclipse Standard 4.3.1.
Eclipse zajednica se fokusira na izgradnju otvorene
razvojne platforme sastavljene od proirivih
framework-a.

Eclipse (2)
Eclipse podrava razvoj slijedeih softverskih
rjeenja:
Java EE i web aplikacije,
C/C++ aplikacije,
Jave EE alati za razvoj aplikacija sa report
podrkom,
Eclipse Modeling alati,

Eclipse (3)
Koritenjem razliitih ekstenzija, Eclipse se moe proiri da prui
podrku za razvoj aplikacija koritenjem sljedeih programskih jezika:
C/C++,
COBOL,
Fortran,
Haskell,
Perl,
Python,
Ruby.

SQL Server (1)

Microsoft SQL Server je platforma za Large Scale
OnLine Transaction Processing (OLTP), datawarehousing i e-commerc aplikacije.
Takoe se posmatra i kao platforma poslovne
inteligencije za integraciju, analizu i izvjetavanje.
Verzija koritena u razvoju informacionog sistema je
SQL Server 2008 R2.
Sastavni dio ovog razvojnog okruenja je i SQL Server
Management Studio koji dozvoljava manipulaciju
bazom podataka u grafikom okruenju to uveliko
olakava posao dizajniranja baze.

SQL Server (2)

SQL Server u kombinaciji sa Visual Studiom prua
mogunost veoma jednostavne integracije
softverskih rjeenja sa bazom podataka.

UML Unified Modeling Language

UML je objedinjeni, grafiki orijentisan, jezik
vizuelnog modeliranja koji se koristi da bi se
odredili, grafiki prikazali, izgradili i dokumentovali
dijelovi informacionog sistema.
Koristi se za razumijevanje sistema koji treba da se
izgradi.

Softver za podrku
na stratekom nivou odluivanja
Prof. dr Lazo Rolji

 Metode i metodologije odluivanja podrani raunarima i

drugim informacionim i komunikacionim tehnologijama
predstavljaju jedno od vanih dostignua u planiranju i
korienju privrednih i drugih resursa.
Iz brojnih izvora, kao to su nauni i struni asopisi,
meunarodne publikacije, Internet i lina korespodencija
autora, dolaze informacije o sve veem prisustvu optih i
specijalizovanih sistema za podrku odluivanju
prilagoenih za PC platforme i standardne operativne
sisteme kao to je MS Windows, na primjer.
Cijene ovih sistema su srazmjerno niske u poreenju sa
efektima koje daju, a stalna invencija istraivaa u svijetu
dovodi do korienja ovih softvera i na web-platformi,
dakle direktno na Internetu. Web 2.0 tehnologija koja je u
snanom usponu vjerovatno je slijedei razvojni korak u
predmetnoj oblasti.

Tipine su dvije vrste softvera za podrku procesa

odluivanja.
Prvu predstavljaju skupi simulacioni paketi u ije se
modele ugrauju optenauna znanja, ali u velikoj mjeri i
kolektivno iskustvo, znanje i intuicija strunjaka koji su ih
razvili.
Od softvera iz ove klase vrijedi pomenuti: Crystal Ball Pro
(Decisioneering), Definitive Scenario 2.0 Select Edition
(Definitive Software) i Ithink Analyst 5.0 (High
Performance Systems).
(U zagradama su navedene softverske firme, proizvoai
simulacionih paketa).

Drugu, bogatiju grupu softvera ine DSS-sistemi za podrku

odluivanja i tzv. alati za analizu odluka koji su prilagoeni za PC
platforme i, u najveem broju sluajeva, imaju prihvatljive cijene
na tritu softvera.
DSS i alati uglavnom dolaze iz SAD gdje se najvie panje posveuje
komercijalnim aspektima proizvodnje i primjene aplikativnog
softvera.

U jednom od relevantnih pregleda stanja u oblasti sistema za

podrku odluivanju3 izdvojeni su u decembru 2006. godine
slijedei sistemi (softveri) za podrku odluivanju:
1000Minds, Agenda Risk, Aspen MIMI, Analytica, Criterium
Decision Plus, Crystal Ball 2000 Professional Edition, DEA
Solver Pro, DATA Interactive, Decision Explorer, Decision
Hosting, Decision Tools Suite Professional 4.0, ELECTRE 3-4,
ELECTRE IS, ELECTRE TRI, EQUITY 2 za Windows, EXSYS Corvid,
EXSYS Developer & Web, Runtime, Frontier Analyst, High
Priority, HIPRE 3+, HIVIEW 2 za Windows, Hugin Professional,
Impact Explorer, Joint Gains, Logical Decisions za Windows,
Mesa Vista, Netica, On Balance, On Balance Runtime,
Opinions Online, Pertmaster Professional, +Risk, Policy PC
Judgment, Analysis Software, PRIME Decisions, Team Expert
Choice 2000, TreePlan, Web HIPRE i WINPRE.

 Na istoj adresi, na pod-adresi.../softwaresurveys.shtml, nalaze se linkovi na web-strane koje

daju preglede moguih primjena navedenih i drugih
softvera, zatim na strane sa novinama u navedenim
softverima od 1998. godine naovamo (sa
odgovarajuim komentarima), kao i na strane gdje su
navedeni proizvoai softvera sa kompletnim
tradicionalnim i internet adresama, operativni sistemi
i platforme na kojima se softveri instaliu i koriste,
raspoloivost demo-verzija, interaktivne i grafike
karakteristike, pogodnost za povezivanje sa bazama
podataka i drugim aplikacijama, itd.

Na osnovu detaljne analize pomenutih izvora informacija i

djeliminog uvida u karakteristike alata za podrku odluivanju,
meu alatima koji se koriste u drugim oblastima, treba izdvojiti
slijedee:
Analytica 3.1. (http: //www.lumina.com)
BestChoice3 (http: //www.logic-gem.com/bc.htm)
Criterium DecisionPlus (CDP) (http: //www.infoharvest.com)

DATA (http: //www.treeage.com)

Determinator (http://www.daltondialogic.com)
Ergo 4.0 (http: //www.arlingsoft.com)
Expert Choice 11.5 (EC11.5) (www.expertchoice.com)
Matrix CognitionTM (http: //matrixcognition.com/)
TreePlan (http:
//www.decisiontoolpak.com/treeplan.htm)

 Zatvoreni i otvoreni softverski programi razvijeni su

tako da korisnik unoenjem traenih podataka dobija

odgovarajue analize i rjeenja koja slue top

menadmentu kao podrka za strategijsku analizu,

strategijski izbor i strategijsku promjenu

(implementaciju), tj. strategijsko upravljanje firmom.

Autor Robert J. Mackler raunarski softver za podrku

strategijskom menadment odluivanju dijeli u nekoliko
grupa:
Komercijalno raspoloive konvencionalne raunarske
softvere za podrku strategijskom menadment
odluivanju;
Konvencionalni raunarski softveri opte namjene i
sistemi koji se koriste u strategijskom planiranju;
Sistemi zasnovani na znanju kao podrka strategijskom
menadment odluivanju;
Integralni-grupni softver u strategijskom menadmentu;
i
Strategijska upotreba raunarskih informacionih sistema
u poslovanju.

Osnovni softverski paketi za strategijski menadment

Autor, Patrick B. McNamee, navodi slijedee osnovne
softverske pakete za strategijski menadment:
FINA: Finance for strategic management (Finansije za
strategijski menadment),
EXCU: Experience curve analysis (Analiza krive
iskustva),
PROM: Product Market Portfolio analysis (Portfolio
analiza proizvod-trite),
SCEN: cenario planning programs (Scenario planski
programi).

Konvencionalni softver za podrku

strategijskom odluivanju
U grupi konvencionalnih softvera dizajniranih kao
specijalna podrka strategijskom odluivanju,
posebnu panju zasluuju slijedei programi:
1. Business Advantage
2. Business Simulator
3. Strategic Planning Computer (SPC) Model
4. SUCCES
5. ANSPLAN-A
6. Business Strategist
7. Strategy!
8. BASICS PLUS.

DSS System Life Cycle

Test do sada nauenog iz

predmeta DSS
Prof. dr Lazo Rolji

1. ta je, po vama, cilj predmeta DSS ?

Da studentima omogui da razumiju proces donoenja odluka u
poslovnom kontekstu i ocijene kako sistemi za podrku
odluivanju mogu pomoi u rjeavanju polustrukturisanih i
nestrukturisanih problema.

Da studenti steknu znanje i razviju vjetine u izgradnji sistema

za podrku odluivanju.
Da studente upozna sa osnovnim konceptima podrke odluivanju i
da ih detaljno upozna sa projektovanjem, implementacijom i
korienjem softverskih sistema koji podravaju menadere u
procesu donoenja odluka.

Da se definiu kljuni pojmovi koji se koriste u informacionim

sistemima uopte i posebno u SPO, kao to su:
podaci,

informacioni sistem,

informacija,

upravljanje,

znanje,

menaderske odluke,

inteligencija,

proces odluivanja, itd.

sistem,

 Da studente osposobi za unapreivanje poslovnih procesa

odluivanja primjenom savremenih metoda i softverskih alata
odluivanja.

Da studente osposobi da samostalno prepoznaju, projektuju i

uvedu sistem za podrku odluivanju u realnom poslovnom
sistemu.

Da studenti steknu praktina znanja i vjetine koje im

omoguavaju da podatke stave u slubu kvalitetnijeg donoenja
odluka.

 Da studente osposobi da primjenom teorije, principa i

koncepata, pomou informacionih tehnologija kreiraju
(dizajniraju), razviju i verifikuju raunarom dobivena

rjeenja.
Da mu prenese sistematsko znanje o tome ta kreator
(dizajner) SPO treba da zna.

 Da studente osposobi da koncept analiza-modeliranje primijene

u konkretnim problemima i situacijama u kojima se moe
primijeniti DSS.
Da studentima demonstrira i da uoe i shvate glavna podruja
primjene DSS danas.
Generalni cilj predmeta je da studente osposobi da razumiju
koncept SPO kako bi bili u mogunosti da analiziraju menaderske
situacije potrebe za podrkom pri odluivanju.

2. ta je donoenje odluka ?
To je proces izbora izmeu dvije ili vie alternativa

(alternativnih puteva) djelovanja radi postizanja cilja ili

ciljeva.

3. ta je sistem za podrku donoenja odluka (DSS) ?

1. To je interaktivni (raunarski zasnovan) sistem ili podsistem

koji prua pomo podrku donosiocima odluka da:

korienjem komunikacionih tehnologija, podataka,
dokumenata, znanja i/ili modela
identifikuju problem, formuliu problem, projektuju rjeenja
problema, i pomognu donosiocu menaderu kod izbora

odluke.

DSS je:
- interaktivni raunarom podrani sistem ili podsistem
- namijenjen da pomae donosiocu odluka da,

- koristei komunikacione tehnologije, podatke, dokumente, znanje

i/ili modele, da
- identifikuju i rijee probleme, i da
- donosiocu odluka pomogne da kompletira zadatak procesa
odluivanja i donese odluku.

To su interaktivni, fleksibilni i adaptivni raunarski

informacioni sistemi za podrku u rjeavanju nestrukturisanih
ili slabo strukturisanih poslovnih problema.

Sistem za podrku odluivanju je informacioni sistem

zasnovan na raunaru koji kombinuje modele i podatke u

pokuaju da rijei polustrukturisane ili nestrukturisane

probleme uz znatno uee korisnika.

 SPO su informacioni sistemi koji pruaju podrku u

rjeavanju nedovoljno determinisanih problema, crpei iz
postojeih sistema znanja i informacije neophodne za proces

odluivanja.
SPO je opti pojam (termin) za svaku primjenu raunara koja
pojedincu ili grupi omoguuje da pripremi odluku.

SPO (DSS) je interaktivni raunarski sistem namijenjen

donosiocima odluka, koji koristei:
Informaciono-komunikacione tehnologije,
Podatke,

Dokumente,
Znanje i / ili modele,

pomae da identifikuju i rijee probleme, izvedu proces

odluivanja i donosu odluke.

ta se smatra potpunom definisanou nekog

problema?
Potpuno definisanim problemom podrazumijeva se da su sve
komponente rjeenja poznate, tj.:
1. tano je odreen problem.

2. precizno su definisani ulazni podaci.

3. poznat je nain na koji se vri analiza i bira konano

rjeenje.

Koje tri vrste definisanosti (strukturisanosti)

problema poznajete?
Postoji:
potpuna strukturisanost,
djelimina strukturisanost (neki od nabrojanih (3) elemenata

nedostaje ali nije jasno koji),

nestrukturisanost (sva tri elementa nedostaju).

Navedite faze procesa odluivanja?

istraivanje problema,

izbor/dizajn modela,
rjeavanje modela

izbor odluke i
implementacija.

4. Zato se DSS zovu sistemi za podrku?

Ovi sistemi podravaju, a ne zamjenjuju donosioca odluke.
Zato se i zovu sistemi za podrku.

ta ini sistem za donoenje odluka, (ne sistem za

podrku)?
Sistem za donoenje odluka se sastoji od:
- donosioca odluke,
- konkretnog zadatka,
- okruujuih uslova i
- SPO.

O emu nas informie i upozorava donji dijagram?

O diskrepanciji u brzini rasta raspoloivih podataka i informacija na osnovu kojih

treba donositi odluke, naih sposobnosti za analizu podataka (metoda i tehnika) i
(ogranienih) naih sposobnosti racionalnog odluivanja.

Navedite klasifikaciju informacionih sistema prema

vremenu nastanka njihove upotrebe
Transakcioni
Upravljaki

SPO (DSS)
ES ekspertski IS

Poslovna inteligencija

Nabrojite neke osobine SPO?

Bre izraunavanje rjeenja: manji trokovi
Bra komunikacija i saradnja: odluke se mogu donositi i u grupama koje su
na razliitim lokacijama-manji transportni trokovi

Poboljana je efikasnost rada lanova grupe: korienje softverskih alata

za optimalizaciju nalaenja najboljeg rjeenja
Poboljanje upravljanja podacima: bre je i sigurnije njihovo smjetanje,
pretraga, prenos podataka (tekstualnih, zvunih, grafikih, videom, ak i
na stranim jezicima), itd.
Upravljanje gigantskim skladitima podataka (Data Warehouse): veliki
kapacitet skladitenja bilo kojeg tipa informacija, kojima se moe
pristupiti veoma brzo (putem paralelnog programiranja).

Koji su nivoi odluivanja u organizacijama?

operativni,

taktiki, i
strateki.

Na kojim nivoima odluivanja mogu da se koriste SPO,

a na kojim se oni posebno koriste?
Sistemi za podrku odluivanju pruaju pomo pri donoenju odluka

na svim nivoima odluivanja, ali su od posebnog znaaja za vie nivoe.

Koje su osnovne komponente inile SPO (80-ih i 90-ih

godina)?
Osnovne komponente sistema za podrku

odluivanju (80-ih i 90-ih godina) su:

baza modela,

baza podataka,
generator sistema za podrku odluivanju i
korisnik.

Koje su osnovne komponente dananjih SPO?

podsistem za upravljanje
podacima,
podsistem za upravljanje
modelima,
podsistema za upravljanje
znanjima,
podsistem za upravljanje
dijalogom korisniki
interfejs,
korisnik.

Vrste podjela (grupisanja) SPO?

(1) prema nainu korienja i

(2) prema funkcionalnim oblastima

(3) prema HW/SW elementima

(4) (GSPO) prema broju (i udaljenosti) uesnika u
donoenju odluka
(5) SPO prema tehnikama odluivanja.

Podjela SPO prema nainu korienja ?

INDIVIDUALNE ili LINE SPO koje upotrebljavaju

pojednci kod odluivanja koja ne trae meuzavisnosti, ve

odluke nakon konsultovanja SPO postaju izvrne.
GRUPNE SPO, slue kod odluivanja koja zahtjevaju
raspravu i diskusiju na osnovu koje se donosi odluka.
ORGANIZACIONE SPO se koristi kod odluivanja koje

zahtijeva sekvencijalnu meuzavisnost.

Razlika izmeu GDSS i DSS?

Razlika izmeu grupnih i individualnih sistema za podrku u
odluivanju je u tome, to grupni DSS, pored podsistema
upravljanja podacima, modelima i dijalogom, sadre i

podsistem upravljanja komunikacijama, tipa ovjek-raunarovjek.

Klasifikacija SPO prema problemima koje rjeavaju?

Sisteme za upite o podacima;

Sisteme za analizu podataka;

Sisteme za analizu informacija;
Simulacione sisteme/reprezentacione sisteme, i
Optimizacione sisteme.

Podjela SPO prema nivou HW i SW

Nivoi hardvera/softvera koji se mogu smatrati SPO:
1) SPO alati
2) SPO generatori
3) SPO specifine namjene

ta je prikazano donjom slikom?

Navedite neke koristi od primjene SPO ?

Bolje razumijevanje problema;
Bolje komuniciranje;
Vea produktivnost kreativnog rada strunjaka;
Manji trokovi kreativnog (analitikog) rada;
Pouzdanije i efikasnije odluke;
Brze reakcije (odgovori) na neoekivane situacije;

Olakana decentralizacija procesa odluivanja itd.

ta su ekspertski SPO?
Ekspertski sistemi su raunarski sistemi-softver koji

oponaaju eksperta time to su uspjeni konsultanti u nekoj

oblasti znanja.
Ovi sistemi su pogodni tamo gdje postoje nekompletne
informacije i gdje je za davanje savjeta rezonovanje bitnije

od proraunavanja.

Ekspertski sistem je raunarski program koji, podran bazom

znanja, djeluje kao ljudski ekspert u dobro definisanom

specifinom zadatku.

Ekspertski sistemi su softver koji sadre (upisano) ljudsko

znanje i koriste ga u rjeavanju problema iz oblasti vjetake
inteligencije.

Ovi sistemi koriste simuliranje ljudskog znanja.

Razlika izmeu ekspertskog sistema i koljke

ekspertskog sistema?
koljke ekspertskih sistema se razlikuju od razvijenih
ekspertskih sistema po tome to im je baza znanja
prazna (zato se i nazivaju prazni ili okvirni sistemi).

Korisnik (npr. tim eksperata u nekom preduzeu) koljke

ekspertskih sistema sam popunjava bazu znanja unosei
u nju pravila koja se odnose na probleme koje je

potrebno da njegov ekspertski sistem rjeava.

Struktura jednostavnog ekspertskog sistema?

Model jednostavnog ekspertskog sistema sastoji se

samo od etiri dijela, a to su:

baza znanja,
mehanizam za zakljuivanje,
korisniki interfejs i
radna memorija.

ta je poslovna inteligencija?
Poslovna inteligencija predstavlja korienje svih potencijala

podataka i informacija u preduzeu radi donoenja boljih

poslovnih odluka i, u skladu sa tim, identifikaciju novih

poslovnih mogunosti.

Tipovi aplikacija poslovne inteligencije?

1.

Izvjetajne aplikacije

2. Ad hoc upiti i izvjetavanje

3. Multidimenzionalna analiza
4. Statistike analize i Data Mining

5. Planiranje

39/32

Navedite tri kljune tehnologije poslovne

inteligencije?
Data Warehousing
OLAP (Online analitical processing)
Data Mining (neuronske mree, stabla odluivanja, klaster

analiza i tekst mining)

40/32

ta je OLAP?
On-Line Analytical Processing (OLAP) je proces koji
analitiarima i menaderima omoguava brz, postojan,
interaktivan pristup pogledu na informacije koje su

transformisane iz "sirovih" podataka odraavajui realne

dimenzije posmatranih podataka.

Anegdota iz ivota...
Klasini primjer prirodne inteligencije dat je u anegdoti iz
akog ivota Karl Friedrich Gauss-a.
Kao prvokolac je dobio "nerjeiv" zadatak da sabere brojeve
od jedan do sto.
Gauss je vrlo brzo i elegantno doao do rjeenja:

- uvidio je da je zbir prvog i zadnjeg broja 101, drugog i

predzadnjeg takoe 101 i tako sve do zbira zadnjeg para
brojeva 50 i 51.
- s ozirom da parova ima 50, proizvod 50 puta 101 daje rjeenje
5050.

Hvala na panji !

Etape razvoja infrastrukture IKT-a

Adaptirao:
prof. dr Lazo Rolji

Sadraj:

Cilj primjene IKT

IKT infrastruktura i njeni glavni elementi
Data Warehouse
Etape razvoja infrastrukture IKT

raunari opte namjene - Mainframe i Mini raunari (od 1959 do danas),

personalni raunari (1981. do danas),
klijent / server (1983. do danas),
serveri preduzea (Enterprise serveri) i Internet (1992. do danas),
raunarstvo u oblaku (Client-Server) i mobilno raunarstvo (2000. do danas).

Enterprise serveri
Kreiranje BP
Normalizacija BP i ER dijagrami
Data Warehouse
OLAP
Proces odluivanja
....

U dinaminom okruenju kakvo je danas, od kljunog je znaaja za

preduzee da irokom krugu poslovnih korisnika obezbijedi efikasan,
brz, jeftin i jednostavan pristup potrebnim informacijama.
To podrazumijeva i obavezno prisustvo informacionih tehnologija u
svim poslovnim procesima preduzea.
Informacione tehnologije ine informacionu infrastrukturnu osnovu za
odvijanje poslovnih procesa u poslovnom sistemu, a rezultati poslovanja
direktno su proporcionalni kvalitetu i stepenu implementiranih
informacionih tehnologija.

Osnovni cilj primjene IT (Informacionih Tehologija) jeste poveanje

produktivnosti, efikasnosti i efektivnosti odvijanja poslovnih procesa.
Prvi korak u realizaciji ovog cilja je izbor odgovarajueg informacionog
sistema iz kategorije ERP-ova (Enterprise Resource Planning).
Informacioni sistemi iz ove kategorije obuhvataju informacionu podrku
tekuem poslovanju za veinu poslovnih funkcija na svim nivoima, od
operativnog do stratekog.
Nadgradnja ERP sistema su sistemi za podrku odluivanju (DSS - Decision
Support Systems), koji su bazirani na ERP podacima, istorijskim podacima i
mnogim drugim izvorima podataka u preduzeu i van njega.

Kako su informacione tehnologije predmet permanentnog i

sistematskog usavravanja i razvoja, to i sistemi za podrku odluivanju
evoluiraju i danas predstavljaju integralni dio sistema poslovne

inteligencije (BI - Business Intelligence) i sistema za upravljanje

performansama sistema (CPM - Corporate Performance Management).

ta je IKT infrastruktura i koje su njene komponente?

IKT infrastruktura su zajedniki tehnoloki resursi koje predstavljaju

platformu za specifine aplikacije informacionog sistema preduzea.

IKT infrastruktura obuhvata hardver, softver i usluge koje su

rasporeene po cijeloj firmi.

Glavne komponente infrastruktura IKT-a obuhvataju:

platforme raunarskog hardvera,
platforme operativnog sistema,
platforme softvera preduzea,
mrenu i telekomunikacione platforme,
softver za upravljanje bazama podataka,
Internet platforme,
konsultantske usluge (usluge savjetovanja) i
sistemske integratore.

Etape razvoja infrastrukture IKT

IT infrastruktura u organizacijama danas je plod vie od 50 godina evolucije u
raunarskim platformama.
Bilo je pet faza u ovoj evoluciji, od kojih svaka predstavlja razliite konfiguracije
raunarske snage i elemenata infrastrukture (vidi sliku 1).
Pet etapa su:
raunari opte namjene - Mainframe i Mini raunari (od 1959 do danas),
personalni raunari (1981. do danas),
klijent / server (1983. do danas),
serveri preduzea (Enterprise serveri) i Internet (1992. do danas),
raunarstvo u oblaku (Client-Server) i mobilno raunarstvo (2000. do danas).

 Na slici 1 ilustrativno su prikazane tipine konfiguracije raunara koje

karakteriu svaku od pet perioda evolucije infrastrukture IKT-a

Mainframe i mini raunari

Personalni raunari
Klijent / server

Serveri preduzea i Internet

Raunarstvo u oblaku

Slika 1. Pet etapa razvoja infrastrukture IKT-a

Enterprise Server
(1) Enterprise Server naziva se raunar koji slui kolektivnim potrebama
jednog preduzea a ne samo jednog pojedinca, odjeljenja ili specijalizovane
aplikacije.
Istorijski, sve do nedavno i Mainframe raunari su bili Enterprise serveri, iako
se oni nisu nazivali serverima.
Kao manji, obino serveri bazirani na UNIX-u i Wintel raunari postali su bri i
bili su snabdjeveni sa programima za upravljanje u preduzeu. Oni su se
takoe nazivali serverima preduzea.
U ovoj upotrebi, Enterprise Server je i raunarski hardver i njegov glavni
softver, operativni sistem.
Primjeri su Sun Microsystem- raunari sa njihovim UNIX baziranim Solaris ili
Linux sistemima, Hewlett-Packard ( HP ), sistemi za zavretkom na Windows
2000 sistemom, i IBM-a iSeries sistemi (od kojih je najvei na zSeries 900
ranije nazivanih S / 390 ).

Enterprise server
(2) Neke kompanije koriste naziv Enterprise Server da njime opiu
"superprogram" koji radi pod operativnim sistemom na raunaru i prua
usluge za administratora sistema i za poslovne aplikacione programe i vie
specijalizovanih servera koji se pokreu na raunaru.
Prije porijekla ove upotrebe, takve usluge su se ponekad smatrale dijelom
operativnog sistema ili su dolazile u posebnim softverskim paketima.
Prvobitno, mnoge usluge koje se pruaju putem Enterprise Servera bile su
dostupne samo na IBM ili slian mejnfrejm raunarima, dok su se na manje
monim raunarima pokretale specijalizovane aplikacije.
Kako su ovi manji "server" raunari (kao to su oni iz Sun Microsistems i HP)
bivali bolje prilagoeni za poslovne (i za internet) aplikacije, paket usluga
potrebnih za upravljanje irom kompanije preimenovan je u "The
Enterprise Server. "
Vie specijalizovanih servera danas su Web server , firevall server, server
baze podataka, itd.

Slika 2. Tradicionalni pristup obrade fajla kod razvoja specijalizovanih aplikacija

Slika 3. Pristup upravljanja podacima konceptom baze podataka

Kreiranje baza podataka

Da biste kreirali bazu podataka morate:
- Da razumijete veze meu podacima,
- Tip podataka koje e se nalaziti u bazi podataka,
- Kako e se ti podaci koristiti, i
- Kakvu e elju organizacija imati za promjenom upravljanja podacima iz
perspektive cjelokupne firme.
Baza podataka trai njeno i konceptuelno i fiziko kreiranje
Konceptualno ili logiko kreiranje baze podataka je apstraktan model BP iz
poslovne perspektive, dok fiziko kreiranje pokazuje kako je BP smjetena na
jedinicama skladita (memorije) sa direktnim pristupom.

Normalization and Entity-Relationship Diagrams

Konceptualni dizajn BP opisuje kako su podaci u bazi podataka
grupisani.
Proces kreiranja utvruje veze meu elementima podataka i
najefikasniji nain grupisanja elemenata podataka u skladu sa
poslovnim informacionim zahtjevima.
Proces takoe identifikuje redundantne elemente podataka i grupe
elemenata podataka potrebnih za specifine primjene programa.

 To use a relational database model effectively, complex groupings of

data must be streamlined to minimize redundant data elements and
awkward many-to-many relationships.
The process of creating small, stable, yet flexible and adaptive data
structures from complex groups of data is called normalization.
Figures 4 and 5 illustrate this process.

Slika 4. Jedna nenormalizovana relacija za NARUDBU (ORDER)

Slika 5. Normalizovane tabele kreirane iz tabele ORDER

 After normalization, the original relation ORDER has been broken

down into four smaller relations.
The relation ORDER is left with only two attributes and the relation
LINE_ITEM has a combined, or concatenated, key consisting of
Order_Number and Part_Number.

 In the particular business modeled here, an order can have more than one
part but each part is provided by only one supplier. If we build a relation
called ORDER with all the fields included here, we would have to repeat the
name and
address of the supplier for every part on the order, even though the order
is for
parts from a single supplier. This relationship contains what are called
repeating
data groups because there can be many parts on a single order to a given
supplier.

 More efficient way to arrange the data is to break down ORDER into

smaller relations, each of which describes a single entity. If we go step

by step and normalize the relation ORDER, we emerge with the
relations illustrated in Figure 6-10.

What Is a Data Warehouse?

A data warehouse is a database that stores current and historical data of
potential interest to decision makers throughout the company.

The data originate in many core operational transaction systems, such as

systems for sales, customer accounts, and manufacturing, and may include
data from Web site transactions.

The data warehouse consolidates and standardizes information from

different operational databases so that the information can be used across
the enterprise for management analysis and decision making.

 Once data have been captured and organized in data warehouses and
data marts, they are available for further analysis using tools for
business intelligence, which we introduced briefly in Chapter 2.
Business intelligence tools enable users to analyze data to see new
patterns, relationships, and insights that are useful for guiding decision
making.
Principal tools for business intelligence include software for database
querying and reporting, tools for multidimensional data analysis (online
analytical processing), and tools for data mining.

Online Analytical Processing (OLAP)

Suppose your company sells four different productsnuts (navrtkematice), bolts (vijci), washers (ajbe), and screws (neki vijci)in the
East, West, and Central regions. If you wanted to ask a fairly
straightforward (jednostavno) question, such as how many washers
were sold during the past quarter, you could easily find the answer by
querying your sales database.
But what if you wanted to know how many washers sold in each of
your sales regions and compare actual results with projected sales?
To obtain the answer, you would need online analytical processing
(OLAP).

 OLAP supports multidimensional data analysis, enabling users to view the

same data in different ways using multiple dimensions. Each aspect of
informationproduct, pricing, cost, region, or time periodrepresents a
different dimension.
So, a product manager could use a multidimensional data analysis tool to
learn how many washers were sold in the East in June, how that compares
with the previous month and the previous June, and how it compares with
the sales forecast.
OLAP enables users to obtain online answers to ad hoc questions such as
these in a fairly rapid amount of time, even when the data are stored in
very large databases, such as sales figures for multiple years.

 Figure 6. shows a multidimensional model that could be created to represent

products, regions, actual sales, and projected sales.
A matrix of actual sales can be stacked on top of a matrix of projected sales to
form a cube with six faces.
If you rotate the cube 90 degrees one way, the face showing will be product
versus actual and projected sales.
If you rotate the cube 90 degrees again, you will see region versus actual and
projected sales.
If you rotate 180 degrees from the original view, you will see projected sales and
product versus region.
Cubes can be nested within cubes to build complex views of data.
A company would use either a specialized multidimensional database or a tool
that creates multidimensional views of data in relational databases.

Slika 6. Viedimenzionalni
model podataka

The view that is showing is product versus region.

If you rotate the cube 90 degrees, the face will show product versus
actual and projected sales.
If you rotate the cube 90 degrees again, you will see region versus
actual and projected sales.
Other views are possible.

Data Mining
Traditional database queries answer such questions as, How many
units of product number 403 were shipped in February 2010?
OLAP, or multidimensional analysis, supports much more complex
requests for information, such as Compare sales of product 403
relative to plan by quarter and sales region for the past two years.
With OLAP and query-oriented data analysis, users need to have a good
idea about the information for which they are looking.

 Data mining is more discovery-driven.

Data mining provides insights into corporate data that cannot be
obtained with OLAP by finding hidden patterns and relationships in
large databases and inferring rules from them to predict future
behavior.
The patterns and rules are used to guide decision making and forecast
the effect of those decisions.
The types of information obtainable from data mining include
associations, sequences, classifications, clusters, and forecasts.

Decision making in businesses

Decision making in businesses used to be limited to management.
Today, lower-level employees are responsible for some of these
decisions, as information systems make information available to lower
levels of the business.
But what do we mean by better decision making?
How does decision making take place in businesses and other
organizations?

Lets take a closer look.

BUSINESS VALUE OF IMPROVED DECISION MAKING

What does it mean to the business to make better decisions? What is the
monetary value of improved decision making? Table 12-1 attempts to measure
the monetary value of improved decision making for a small U.S. manufacturing
firm with $280 million in annual revenue and 140 employees. The firm has
identified a number of key decisions where new system investments might
improve the quality of decision making. The table provides selected estimates
of annual value (in the form of cost savings or increased revenue) from
improved decision making in selected areas of the business.
We can see from Table 12-1 that decisions are made at all levels of the firm
and that some of these decisions are common, routine, and numerous.
Although the value of improving any single decision may be small, improving
hundreds of thousands of small decisions adds up to a large annual value for
the business.

TYPES OF DECISIONS
Chapters 1 and 2 showed that there are different levels in an
organization. Each of these levels has different information
requirements for decision support and responsibility for different
types of decisions (see Figure 12-1).
Decisions are classified as structured, semistructured, and
unstructured.

INFORMATION REQUIREMENTS OF KEY DECISION-MAKING GROUPS IN A FIRM

Senior managers, middle managers, operational managers, and employees have different types of
decisions and information requirements.

 Unstructured decisions are those in which the decision maker must

provide judgment, evaluation, and insight to solve the problem.
Each of these decisions is novel, important, and nonroutine, and
there is no well-understood or agreed-on procedure for making them.

 Structured decisions, by contrast, are repetitive and routine, and they

involve a definite procedure for handling them so that they do not
have to be treated each time as if they were new.
Many decisions have elements of both types of decisions and are
semistructured, where only part of the problem has a clear-cut
answer provided by an accepted procedure.
In general, structured decisions are more prevalent at lower
organizational levels, whereas unstructured problems are more
common at higher levels of the firm.

 Senior executives face many unstructured decision situations, such as

establishing the firms five - or ten-year goals or deciding new markets
to enter.
Answering the question Should we enter a new market? would
require access to news, government reports, and industry views as
well as high-level summaries of firm performance. However, the
answer would also require senior managers to use their own best
judgment and poll other managers for their opinions.

 Middle management faces more structured decision scenarios but their

decisions may include unstructured components. A typical middle-level
management decision might be Why is the reported order fulfillment
report showing a decline over the past six months at a distribution center
in Minneapolis? This middle manager will obtain a report from the firms
enterprise system or distribution management system on order activity and
operational efficiency at the Minneapolis distribution center. This is the
structured part of the decision. But before arriving at an answer, this
middle manager will have to interview employees and gather more
unstructured information from external sources about local economic
conditions or sales trends.

 Operational management and rank-and-file employees tend to make

more structured decisions. For example, a supervisor on an assembly

line has to decide whether an hourly paid worker is entitled to
overtime pay. If the employee worked more than eight hours on a
particular day, the supervisor would routinely grant overtime pay for
any time beyond eight hours that was clocked on that day.

A sales account representative often has to make decisions about extending

credit to customers by consulting the firms customer database that contains
credit information. If the customer met the firms prespecified criteria for
granting credit, the account representative would grant that customer credit to
make a purchase. In both instances, the decisions are highly structured and are
routinely made thousands of times each day in most large firms. The answer
has been preprogrammed into the firms payroll and accounts receivable
systems.

PROCES ODLUIVANJA
Making a decision is a
multistep process.
Simon (1960) described
four different stages in
decision making:
intelligence, design,
choice, and
implementation (see
Figure 12-2).

The decision-making process is broken down into four stages.

Intelligence consists of discovering, identifying, and understanding the problems occurring in
the organizationwhy a problem exists, where, and what effects it is having on the firm.
Design involves identifying and exploring various solutions to the problem.
Choice consists of choosing among solution alternatives.
Implementation involves making the chosen alternative work and continuing to monitor how
well the solution is working.
What happens if the solution you have chosen doesnt work? Figure 12-2
shows that you can return to an earlier stage in the decision-making process
and repeat it if necessary. For instance, in the face of declining sales, a sales
management team may decide to pay the sales force a higher commission for
making more sales to spur on the sales effort. If this does not produce sales
increases, managers would need to investigate whether the problem stems
from poor product design, inadequate customer support, or a host of other
causes that call for a different solution.

TA JE POSLOVNA INTELIGENCIJA ?
When we think of humans as intelligent beings we often refer to their
ability to take in data from their environment, understand the
meaning and significance of the information, and then act
appropriately.
Can the same be said of business firms? The answer appears to be a
qualified yes. All organizations, including business firms, do indeed
take in information from their environments, attempt to understand
the meaning of the information, and then attempt to act on the
information.
Just like human beings, some business firms do this well, and others
poorly.

 POSLOVNA INTELIGENCIJA (Business intelligence) je termin koji dobavljai

hardvera i softvera i IT konsultanti koriste da opiu infrastrukturu za
skladitenje podataka (warehousing), integrisanje (integrating),
izvjetavanje (reporting) i analiziranje (analyzing) podataka koji dolaze iz
poslovnog okruenja.
The foundation infrastructure collects, stores, cleans, and makes relevant
information available to managers.
Think databases, data warehouses, and data marts described in Chapter 6.
Business analytics is also a vendor-defined term that focuses more on
tools and techniques for analyzing and understanding data.
Think online analytical processing (OLAP), statistics, models, and data
mining, which we also introduced in Chapter 6.

 So, stripped to its essentials, business intelligence and analytics are

about integrating all the information streams produced by a firm into
a single, coherent enterprise-wide set of data, and then, using
modeling, statistical analysis tools (like normal distributions,
correlation and regression analysis, Chi square analysis, forecasting,
and cluster analysis), and data mining tools (pattern discovery and
machine learning), to make sense out of all these data so managers
can make better decisions and better plans, or at least know quickly
when their firms are failing to meet planned targets.

 One company that uses business intelligence is Hallmark Cards. The

company uses SAS Analytics software to improve its understanding of
buying patterns that could lead to increased sales at more than 3,000
Hallmark Gold Crown stores in the United Sates.
Hallmark wanted to strengthen its relationship with frequent buyers. Using
data mining and predictive modeling, the company determined how to
market to various consumer segments during holidays and special
occasions as well as adjust promotions on the fly.
Hallmark is able to determine which customer segments are most
influenced by direct mail, which should be approached through e-mail, and
what specific messages to send each group.
Business intelligence has helped boost Hallmark sales to its loyalty program
members by 5 to 10 percent.

THE BUSINESS INTELLIGENCE ENVIRONMENT

Figure 12-3 gives an overview of a business intelligence environment,
highlighting the kinds of hardware, software, and management
capabilities that the major vendors offer and that firms develop over
time.

Elementi koji ine okolinu poslovne inteligencije

Sljedeih est elemenata ine okolinu BI:
Data from the business environment
Business intelligence infrastructure
Business analytics toolset
Managerial users and methods
Delivery platformMIS, DSS, ESS
User interface.

Slika 12.3 BUSINESS INTELLIGENCE AND

ANALYTICS FOR DECISION SUPPORT

Data from the business environment: Businesses must deal with both
structured and unstructured data from many different sources, including
mobile devices and the Internet. The data need to be integrated and
organized so that they can be analyzed and used by human decision makers.
Business intelligence infrastructure: The underlying foundation of business
intelligence is a powerful database system that captures all the relevant data
to operate the business. The data may be stored in transactional databases
or combined and integrated into an enterprise-data warehouse or series of
interrelated data marts.
Business analytics toolset: A set of software tools are used to analyze data
and produce reports, respond to questions posed by managers, and track the
progress of the business using key indicators of performance.

 Managerial users and methods: Business intelligence hardware and software are
only as intelligent as the human beings who use them.
Managers impose order on the analysis of data using a variety of managerial
methods that define strategic business goals and specify how progress will be
measured.
These include business performance management and balanced scorecard
approaches focusing on key performance indicators and industry strategic
analyses focusing on changes in the general business environment, with special
attention to competitors.
Without strong senior management oversight, business analytics can produce a
great deal of information, reports, and online screens that focus on the wrong
matters and divert attention from the real issues.
You need to remember that, so far, only humans can ask intelligent questions.

 Delivery platformMIS, DSS, ESS. The results from business

intelligence and analytics are delivered to managers and employees in a
variety of ways, depending on what they need to know to perform their
jobs.
MIS, DSS, and ESS, which we introduced in Chapter 2, deliver
information and knowledge to different people and levels in the firm
operational employees, middle managers, and senior executives.
In the past, these systems could not share data and operated as
independent systems.
Today, one suite of hardware and software tools in the form of a
business intelligence and analytics package is able to integrate all this
information and bring it to managers desktop or mobile platforms.

 User interface: Business people are no longer tied to their desks and
desktops.
They often learn quicker from a visual representation of data than
from a dry report with columns and rows of information.
Todays business analytics software suites emphasize visual
techniques such as dashboards and scorecards.
They also are able to deliver reports on Blackberries, iPhones, and
other mobile handhelds as well as on the firms Web portal.
BA software is adding capabilities to post information on Twitter,
Facebook, or internal social media to support decision making in an
online group setting rather than in a face-to-face meeting.

 Business intelligence and analytics requires a strong database

foundation, a set of analytic tools, and an involved management team
that can ask intelligent questions and analyze data.

Figure 13-2 illustrates the as-is process for purchasing a book from a
physical bookstore.
Consider what happens when a customer visits a physical bookstore

AS-IS BUSINESS PROCESS FOR PURCHASING A BOOK FROM A PHYSICAL BOOKSTORE

Figure 13-2

 Purchasing a book from a physical bookstore requires many steps to

be performed by both the seller and the customer.

REDESIGNED PROCESS FOR PURCHASING A BOOK ONLINE

 Using Internet technology makes it possible to redesign the process

for purchasing a book so that it requires fewer steps and consumes

fewer resources.

KLASIFIKACIJA IS PREMA
PODRCI KOJU PRUAJU
Prof. dr Lazo Rolji

KLASIFIKACIJA INFORMACIONIH SISTEMA

PREMA PRUENOJ PODRCI

Informacioni sistemi

Transakcioni
informacioni sistemi

OLTP

OAS

Menaderski
informacioni sistemi

PCS

MIS

DSS

GDSS

EIS

BI

Transakcioni informacioni sistem

TPS - Sistem obrade transakcija (engl. Transaction Processing System):
OLTP operativni informacioni sistemi
OAS - sistemi automatizovane kancelarije
PCS sistemi kontrole procesa

OLTP - Operativni informacioni sistemi - Sa stanovita upravljanja je

prvenstveno orijentisan ka operativnom osoblju preduzea i najniem
nivou nadzora i kontrole.

Primjeri ovakvih sistema su: sistem za praenje narudbi, sistem sa

informacijama o klijentima, obraun plata, kadrovska evidencija,
evidencija studenata i sl.

OLTP - Operativni informacioni sistemi - Namijenjeni su obradi

podataka koji se odnose na poslovne procese i imaju zadatak da
obezbijede podrku za efikasnije obavljanje poslovnih transakcija i

tehnolokih procesa, automatizuju poslovanja i na toj osnovi

obezbjeuju baze podataka za podrku odluivanju.

OLTP Operativni informacioni sistemi - Zbog funkcionalnog karaktera

radnih procesa, koji se obuhvataju operativnim sistemima i relativno
visoke stabilnosti ovih procesa, ovi sistemi su bazirani na relacionoj
tehnologiji.

Omoguavaju automatizaciju odvijanja poslovnih procesa, radnih

zadataka i operacija.
Koriste ih gotovo svi zaposleni u organizaciji, koji obavljaju radne
zadatke u okviru postojeih radnih procesa kao i operativni menaderi
raznih nivoa.

OAS - Sistemi automatizovane kancelarije - su takoe vie orijentisani

na rutinsku obradu podataka, a manje na obezbjeivanje relevantnih
informacija za odluivanje menadmentu srednjeg i vieg nivoa.
Njihovi efekti su usmjereni na poveanje produktivnosti u obavljanju
kancelarijskog poslovanja.

OAS - Sistemi automatizovane kancelarije. Ciljevi ovog sistema su:

poveanje produktivnosti (efikasnosti i efektivnosti) u obavljanju
kancelarijskih poslova,
bra i kvalitetnija komunikacija,
manji broj izvrilaca,
efikasna priprema i voenje sastanaka,
smanjenje greaka i neaurnosti podataka,
ira primjena grafike i slike u funkciji prezentacije informacija,
kvalitetniji oblici memorisanja i
bri pristup do arhiviranih informacija.

PCS Sistemi kontrole procesa predstavljaju sisteme za voenje,

praenje i kontrolisanje poslovnih procesa.
Poslovni procesi se posmatraju kao skup meusobno zavisnih zadataka
povezanih sa poslovnom aktivnou u odreenom funkcionalnom
podruju.

Informacioni sistemi za podrku poslovnom odluivanju

MIS - Upravljaki informacioni sistemi (Management Information
Systems ),
DSS - Informacioni sistemi za podrku odluivanja (Decision Support
Systems)
GDSS - Sistemi podrke grupnom odluivanju
EIS - Informacioni sistemi za izvrne rukovodioce
BI - Inteligentni sistemi za poslovno odluivanje.

UIS treba da obezbijede informacionu podlogu u funkciji odluivanja

menadmenta srednjeg i vieg nivoa.
Ovi sistemi obezbjeuju menaderima izvjetaje i omoguuju im on-line
pristup podacima o poslovanju preduzea.
Prvenstveno slue funkcijama planiranja, kontrole i donoenja odluka.

Ovi sistemi koriste integrisanu bazu podataka, koja podrava razliite

funkcionalne oblasti organizacije i pokazuju znatno veu fleksibilnost prema
zahtjevima menadmenta u poreenju sa prethodnim klasama informacionih
sistema.

DSS - Osnovni cilj im je da obezbijede kvalitetne informacije za proces

odluivanja radi poveanja efektivnosti odluivanja, dok su im glavne

karakteristike orijentisanost prema odluivanju, orijentisanost prema
rjeavanju slabo strukturisanih problema odluivanja i orijentisanost na
krajnjeg korisnika.

EIS (ESS) Informacioni sistemi za izvrne rukovodioce

EIS su sistemi koji najviem rukovodstvu pruaju podrku u donoenju

odluka.
Sutina u funkcionisanju ovih sistema je da izvrnim rukovodiocima na
stratekim nivoima upravljanja obezbijede dovoljno relevantnih
informacija za postavljanje bitnih pitanja u vezi sa poslovanjem
organizacije.

Razlika izmeu grupnih i individualnih sistema za podrku u odluivanju

je u tome, to grupni sistemi za podrku odluivanju pored podsistema

upravljanja podacima, modelima i dijalogom sadre i podsistem
upravljanja komunikacijama, tipa ovjek-raunar-ovjek.

Inteligentni sistemi podrke odluivanju (BI) zasnivaju se na

kvantitativnim modelim pslvng dluivnj i kvalitativnoj analizi

pomou kojih se mogu rjeavati sloeni, plustrukturisni i
nestrukturisani problemi poslovnog odluivanja i bi rjvnj n
snvu iskustv i intuici ili klsinim lgritmskim pristupm bil
nmgu ili vm sln, dluk k bi s dnsil n tkv
nin sdrvl bi visk stpn nizvjsnsti.

Infrastruktura BUSINESS INTELLIGENCE AND

ANALYTICS FOR DECISION SUPPORT

SISTEMI ZA PODRKU
ODLUIVANJU
Prof. dr Lazo Rolji

DSS Sistem za podrku odluivanju

DSS je interaktivni raunarom podrani sistem ili podsistem
namijenjen da pomae donosiocu odluka da, koristei komunikacione
tehnologije, podatke, dokumente, znanje i/ili modele, da identifikuju i
rijee probleme, kompletiraju zadatak procesa odluivanja i donese
odluku.
DSS je opti termin za svaku raunarsku aplikaciju koja poboljava
(istie, naglaava) sposobnost osobe ili grupe da donese odluku.
Takoe, DSS se odnosi na akademsko podruje istraivanja koje
obuhvata dizajniranje (kreiranje) i ispitivanje DSS u kontekstu njihovog
korienja.

Pojam DSS
DSS je na modelima zasnovan skup procedura za obradu i
tumaenje informacija koje daju podrku menaderu u
donoenju odluka.
DSS je interaktivni raunarski informacioni sistem za pomo i
podrku strukturisanog, polustrukturisanog i nestrukturisanog
odluivanja.

Priroda i svrha DSS

Utiu na irinu i sposobnost upravljakog odluivanja,
Unapreuju efikasnost i efektivnost procesa odluivanja,
Pomau pri otkrivanju, definisanju i rjeavanju problema,
Olakavaju interpersonalne komunikacije,
Ne zamjenjuju menadera u donoenju odluka ve pruaju
podrku odluivanju.

Karakteristike DSS
Za nestrukturisane i polustrukturisane odluke,
Za menadere razliitih nivoa,
Za grupe i individue,
Za nekoliko meusobno zavisnih i/ili sekvencijelnih odluka,
Za sve faze procesa odluivanja
istraivanje,
dizajn,
izbor i
Implementaciju.

Karakteristike DSS
Za razliite procese i stilove donoenja odluka,
Adaptibilni i fleksibilni,
Lako upotrebljivi,
Unaprijeuju efektivnost odluivanja,
Lak za konstruisanje.

Vrste DSS
Budui da postoje mnogi pristupi donoenju odluka i zbog irokog

raspona domena u kojima se odluke donose, koncept sistema za

podrku odluivanju (DSS) je vrlo irok.
DSS moe da ima mnogo razliitih formi.

Vrsta DSS prema HACKATHORN-u i KEEN-u

Oni DSS svrstavaju u 3 razliite ali meusobno povezane kategorije:
1. Podrka pojedincu - fokus na pojedinca koji obavljaju istu aktivnost
2. Grupna podrka-grupa ljudi od kojih je svaki anganovan na
odvojenim ali visoko povezanim zadacima
3. Organizaciona podrka - fokus na organizacionim zadacima

Vrste DSS
Individualni DSS (za polustrukturisane i nestrukturisane probleme),
Grupni DSS (za dati domen vie alternativa, procedurama
konvergencija miljenja i izbor alternative za zadovoljavajue
rjeenje).
Veoma vane organizacione odluke donose grupe ljudi i to naroito na
stratekom nivou. Znai, kako organizacija postaje kompleksnija, tako
sve manji broj odluka donose pojedinci. Odgovornost se distribuie na
vie uesnika i odluivanje postaje posao grupe ljudi.

 Razlika izmeu grupnih i individualnih sistema za podrku u

odluivanju je u tome, to grupni DSS, pored podsistema upravljanja
podacima, modelima i dijalogom, sadre i podsistem upravljanja

komunikacijama, tipa ovjek-raunar-ovjek.

KLASIFIKACIJA DSS-a prema stepenu implikacija akcija rezultata sistema

DSS
Mnogi su pokuavali da naprave odgovarajuu klasifikaciju DSS-a.
One su uglavnom bivale posljedica pojedinanih sluajeva koje su
autori istraivali.
Ipak neki od boljih autora, Steven ALTER - vri klasifikaciju na stepene
implikacija akcija rezultata sistema DSS.

Alter, Steven. Decision Support Systems: Current Practice and Continuing

Challenges. Reading, MA: Addison-Wesley Publishing Co., 1980. appeared in DSS
News, June 17, 2001, Vol. 2, No. 13

KLASIFIKACIJA DSS-a prema stepenu implikacija

Steven ALTER vri klasifikaciju DSS-a (na stepene implikacija akcija rezultata
sistema):

1. Sistem datoteka
2. Sistem analize podataka
3. Sistem analize informacija
4. Raunovodstveni model
5. Reprezentacioni (procjenjuje posljedice pojedninih akcija)

6. Optimizacioni modeli
7. Sugestivni modeli (vre proraune koji generiu sugerisane odluke).

Softver za podrku procesu odluivanja

Tipine su dvije vrste softvera za podrku procesa odluivanja:

Prvu vrstu softvera predstavljaju skupi simulacioni paketi u ije se
modele ugrauju optenauna znanja, ali u velikoj mjeri i kolektivno
iskustvo, znanje i intuicija strunjaka koji su ih razvili.
Drugu, bogatiju, grupu softvera ine DSS - sistemi za podrku
odluivanja i tzv. alati za analizu odluka

1. Simulacioni paketi
Od softvera iz ove klase vrijedi spomenuti:
Crystal Ball Pro (Decisioneering, od 2007. ORACLE),
Denitive Scenario 2.0 Select Edition (Denitive Software) i
Ithink Analyst 5.0 (High Performance Systems).
U zagradama su navedene softverske rme, proizvoai simulacionih
paketa.

 Crystal Ball software is used by over 4,000 customers worldwide,

including 85% of the Fortune 500.
Customers hail from a broad range of industries, such as aerospace,
financial services, manufacturing, oil and gas, pharmaceutical and
utilities, who are increasingly using performance management,
business intelligence and predictive modeling together to improve
their strategic decision-making process.

2. DSS - sistemi za podrku odluivanja i tzv. alati za

analizu odluka
Drugu, bogatiju grupu softvera ine DSS - sistemi za podrku odluivanja
i tzv. alati za analizu odluka koji su prilagoeni za PC platforme i, u
najveem broju sluajeva, imaju prihvatljive cijene na tritu softvera.
DSS i alati uglavnom dolaze iz SAD gdje se najvie panje posveuje
komercijalnim aspektima proizvodnje i primjene aplikativnog softvera.
U jednom od relevantnih pregleda stanja u oblasti sistema za podrku
odluivanju izdvojeni su u decembru 2006. godine sljedei sistemi
(softveri) za podrku odluivanju:

Sistemi (softveri) za podrku odluivanju (2006. godine)

1000Minds, Agenda Risk, Aspen MIMI, Analytica, Criterium Decision Plus,

Crystal Ball 2000 Professional Edition, DEA Solver Pro, DATA Interactive,
Decision Explorer, Decision Hosting, Decision Tools Suite Professional 4.0,
ELECTRE 3-4, ELECTRE IS, ELECTRE TRI, EQUITY 2 za Windows, EXSYS Corvid,
EXSYS Developer & Web, Runtime, Frontier Analyst, High Priority, HIPRE 3+,
HIVIEW 2 za Windows, Hugin Professional, Impact Explorer, Joint Gains,
Logical Decisions za Windows, Mesa Vista, Netica, On Balance, On Balance
Runtime,
Opinions Online, Pertmaster Professional, +Risk, Policy PC Judgment, Analysis
Software,
PRIME Decisions, Team Expert Choice 2000, TreePlan, Web HIPRE i WINPRE.
(asopis OR/MS Today http://www.lionhrtpub.com/ORMS.shtml)

BestChoice3 (http: //www.logic-gem.com/bc.htm

Ovo je DSS iju osnovu predstavlja inae sloen nauni metod za donoenje
odluka.
Sa stanovita korienja softver je vrlo jednostavan, a ono ta ga ini poznatim
meu ostalim DSS je lako formulisanje problema jednostavnim i metodinim
unosom kriterijuma i alternativa, a zatim lako i brzo stizanje do rjeenja.
Pored matematikih formula koje izraunavaju koja je alternativa najbolja,
dobra osobina BestChoice3 je mogunost razlaganja kompleksne odluke na niz
malih odluka, pri emu svaka osoba koja uestvuje u donoenju odluke
uvijek bira koji je od ponuena dva elementa bolji.
Softverom se moe analizirati bilo koja odluka, ali je naroito koristan kada ima
vie kriterijuma i alternativa.
BestChoice3 praktino demonstrira kako se svaka odluka u sutini svodi na
izbor izmeu dvije alternative. Ovo odgovara ljudskoj prirodi i otuda
popularnost koju softver ima u praksi.

Analytica (http: //www.lumina.com).

Analytica je softver za formiranje, analizu i povezivanje kvantitativnih
poslovnih modela.
Pomou ovog softvera lako se povezuju osnovne kvalitativne strukture
modela, a meusobne veze i uticaji modela su graki jasno prikazani.
Modele je lako poveati po obuhvatu tako da budu primjenljivi i na
viedimenzionalne realne probleme.
Analytica ekasno tretira pitanja rizika i neodreenosti u radu sa
modelima putem Monte Carlo simulacije.
Primjenjuje se u industriji, u konsultantskim rmama, na univerzitetima
i u raznim dravnim institucijama.

Matrix Cognition (http: //matrixcognition.com/)

(Cognition = spoznaja, saznanje)
Ovaj softver ekasno podrava koncept tzv. interaktivnog paralelnog
razmiljanja i u tom smislu koristi mogunosti vjetake inteligencije.
Svaka analiza zapoinje detaljnim ispitivanjem korisnika o svim
moguim alternativama odluka u svim dimenzijama problema.
Poslije unoenja tih informacija, sistem matematiki odreuje
teinske koecijente svih ovjekovih odgovora u prethodnoj fazi da bi
generisao optimalnu odluku.

Criterium Decision Plus 1 (CDP) (http: //www.infoharvest.com

Ovo je softver za PC platforme pod MS Windows koji omoguava
rukovanje podacima vanim za odluivanje, za donoenje odluka, za
razvoj uputstava za donoenje odluka u biznisu i ekasno
prosljeivanje preporuka u vezi sa donijetim odlukama.
Pogodan je za konsultante koji klijentima moraju obrazlagati donijete+
odluke ili pripremljene savjete.
Trenutna cijena ovog softvera na tritu je oko 900 US$.
Korisnici mogu birati izmeu SMART tehnike (Edwards i Barron, 1994;
von Winterfeldt i Edwards, 1986) i Analitikog hijerarhijskog procesaAHP (Saaty, 1992).

Criterium Decision Plus -2

CDP se koristi od strane dravnih institucija i menadera za lake
postizanje konsenzusa i struktuiranje procesa odluivanja kada postoji
vie kriterijuma, vie rjeenja i vie zainteresovanih strana.
Kombinuje snagu sistemske analize, jednostavnost korienja i dobar
graki interfejs.
Projekti na kojima je CDP korien (irom SAD i Evrope) ukljuivali su
od jednog do 40 donosilaca odluka.

DATA-1

(http: //www.treeage.com).

Ovaj softver nudi metodologiju i okvir za razumijevanje problema,

identikaciju moguih opcija, evaluaciju opcija u skladu sa postojeim
rizicima i razvoj strategija koje e maksimizirati moguni prot, a
minimizirati rizik.
Koristi se u razliitim oblastima, svuda gdje donosioci odluka moraju
da vode rauna o trokovima, rokovima i rizicima u prisustvu
nekompatibilnih ili koniktnih ciljeva.

DATA-2

(http: //www.treeage.com).

DATA se koristi u nastavnom procesu visokokolskih ustanova SAD,

Kanade, Evrope i Japana, a primjene se biljee u poslovnim i
industrijskim sektorima koji ukljuuju: osiguranje, bankarstvo,
hemijsku industriju, farmaceutiku, zdravstvenu zatitu, inenjerstvo,
komunikacije, avioindustriju, proizvodnju energije, konsalting i visoke
tehnologije.
Navodi se i podatak da je prema pregledu biznis-asopisa Fortune
ovaj DSS bio u nekom vidu upotrebe najee prisutan u 20
najprotabilnijih rmi 1999. godine.

TreePlan (http: //www.decisiontoolpak.com/treeplan.htm)

TreePlan za Excel omoguava formiranje stabla odluivanja putem
dijaloga.
U stablo se unose razliite alternative, kao i rizici, poredani u
hronolokom redu.
TreePlan automatski ukljuuje formule za sumiranje tokova novca da bi
se dobile potrebne vrijednosti rjeenja za odreivanje optimalne
strategije.

Decision Grid-1

(www.decisiongrid.com)

To je na tritu relativno nov DSS, a prvobitno je razvijen za potrebe inenjera i

menadera Hydro-Quebec-a, jedne od najveih kanadskih kompanija za
proizvodnju elektrine energije.
Zahvaljujui visokoj transparentnosti i jasno napisanim uputstvima za
korienje, Decision Grid je jedan od paketa koji se lako koristi. Kriterijumi i
alternative se deniu u prozoru slinom onom iz Excela. Kriterijumi se upisuju
u redove, a alternative u kolone matrice.
Manipulacije i vrednovanja elemenata matrice vre se po direktnom metodu
teinskih koecijenata, korienjem izabrane ksne skale. Npr., za relativni
znaaj datog kriterijuma moe se odabrati broj od 1 do 100.

Decision Grid-2

(www.decisiongrid.com)

Softver ima dobre mogunosti sprovoenja analiza osjetljivosti. Npr.,

lako se prati meusobni odnos ve poreenih alternativa kada se
promijene relativni odnosi kriterijuma. Takoe, mogu se pratiti
rangovi alternativa ako se ocijene kriterijuma mijenjaju u zadatom
opsegu vrijednosti (plus ili minus 5%).
Konano, softver omoguava i tzv. grupni rad, to znai da istom
skupu alternativa moe pristupiti i do 25 razliitih korisnika.
Nedostatak je da Decision Grid ne omoguava mjerenje
konzistentnosti, a ogranienje je i to da podrava do 100 kriterijuma i
do 100 alternativa.

DSS podrani razastrtim tabelama

Spreadsheet-based DSS

Posebnu grupu softvera ine DSS bazirani na tabelarnom

izraunavanju Spreadsheet-based DSS

Spreadsheet-based decision
support systems

A DSS is made up of a model (or models), a source

of data, and a user interface.
When a model is implemented in Excel, it is possible
to use Visual Basic for Applications (VBA) to make
the system more efficient by automating interactive
tasks that users would otherwise have to repeat
routinely.
VBA can also make the system more powerful by
extending the functionality of a spreadsheet model
and by customizing its use.

DSS (Spreadsheet-based DSS) proizvodi:

Excel Solver
Lotus Notes
SAP Enterprise Miner
SPSS
MS SQL Server Datamining...

Excel Solver
MS Excel Solver je dodatni alat ukljuen u MS Excel tabelarn kalkulator.
Koristi se za optimizaciju linearnim ili nelinearnim programiranjem za
izraunavanje minimuma ili maksimuma nekih varijabli.
Excel Solver je:
Optimizacijski alat kreiran kao dodatni modul u MS Excel.
Osim standardnog modula ugraenog u MS Excel instalaciju, postoji i
samostalni proizvod Solver, koji se moe koristiti iz MS Excel-a, ali i drugih
alata (npr. Matlab-a, Visual Basic-a) - proizvoa Front Line Systems.
Metode koje koristi:
linearno programiranje i kvadratno programiranje
konino (kupasto) i konveksno nelinearno programiranje
cjelobrojno programiranje
zaglaivanje (smoothing) kod nelinearnog programiranja i dr.

Excel Solver modeli su:

Modeli ukljueni u alat: modeli za alokaciju resursa (sirovine,
zauzetost stroja, ljudi, novac, ili bilo ta drugo to je ogranieno)
Modeli kod kojih se trai optimalno rjeenje koje moe biti, na
primjer:
maksimizacija profita,
minimiziranje trokova,
dostizanje eljenog kvaliteta.

Menadment i menadment problemi

Management

Management is decision making

The manager is a decision maker
Organizations are filled with decision makers at different level.
Management is considered as art: a talent acquired over years by
trial-and-error.
However decision making today is becoming more complicated:

Technology / Information/Computers : increasing More

alternative to choose

Structural Complexity / Competition : increasing larger cost of

error

International markets / Consumerism : increasing more

uncertainty about future

Changes, Fluctuations : increasing need for quick decision

Management problems

Most management problems for which decisions are sought can be

represented by three standard elements objectives, decision
variables, and constraints.
Objective

Decision variables

Maximize profit
Provide earliest entry into market
Minimize employee discomfort/turnover
Determine what price to use
Determine length of time tests should be run on a new product/service
Determine the responsibilities to assign to each worker

Constraints

Cant charge below cost

Test enough to meet minimum safety regulations
Ensure responsibilities are at most shared by two workers

Types of Problems

Structured: situations where the procedures to follow when a decision

is needed can be specified in advance

Unstructured: decision situations where it is not possible to specify in

advance most of the decision procedures to follow

Repetitive
Standard solution methods exist
Complete automation may be feasible

One-time
No standard solutions
Rely on judgment
Automation is usually infeasible

Semi-structured: decision procedures that can be pre specified, but not

enough to lead to a definite recommended decision

Some elements and/or phases of decision making process have repetitive

elements

DSS most useful for repetitive aspects of semi-structured problems

DSS in Summary
A MANAGEMENT LEVEL COMPUTER SYSTEM
Which:

COMBINES DATA,
MODELS,
USER - FRIENDLY SOFTWARE

FOR SEMISTRUCTURED & UNSTRUCTURED

DECISION MAKING.

It utilizes data, provides an easy-to-use interface,

and allows for the decision maker's own insights.

A Hypothetical Decision
Making Example

A third world country is going to build a railway system to connect

a potential inland industrial area and a good agricultural area with
a port.
An international development agency recommended that the iron
in the area should be mined and refined locally and melt using
industries which has to be established.
The refined iron is possibly exported to Germany and Japan for
car industry.
For success of project it requires supply of skilled labor. To
overcome this problem a training center has to be established to
train workers by the time plant gets ready.
The development agency also recommends the fertile land in the
area should be prepared for intensive farming to provide food for
the consumption of the people working in the industry.
The railway should link the industrial area, farm and port.

Issues dealt with

Is the route optimum? Are all likely users connected? What are the
possible routes?
Growth of traffic: To what extent does development of railway
depends on development of port, new town, airport, industrial area and
agricultural area?
Competition: To what extent would development of an improved road
would eliminate the need for railway?
Engineering problems: How much electricity is needed for electrical
train?
Supply problem: Where will supply of equipment and constructors
sought from?
Operational problem: With inadequate supply of local skilled workers
where will operating team be obtained from? Will foreign operating
contactors be used?
Time Scale: When to start the project and when it will be finished?
Cost: What will the total cost of project be?
Infrastructure: Will services available include: telephone, fire, water,
radio communication, hospitals, hotels and housing?

Essential steps in the process

of making a decision
Step 1

Concept of Project is Identified

Decision To Proceed

Step 2

Project assessment. Taking

account of all issues involved
Decision To Proceed

Step 3

Decision To Abandon

Tender Accepted. Construction

Starts
Decision To Proceed

Step 5

Decision To Abandon

Project Goes to Detail

Specification For Tender
Decision To Proceed

Step 4

Decision To Abandon

Decision To Abandon

Operation Starts
Decision To Proceed

Decision To Abandon

Step 1

The conceptual need for a project arise mainly as a

result of an basement of future requirements.
It may be made by a team of experts.
Typically a conceptual study will identify the
technical solution required, the economic merits,
and acceptability of project in socio political terms.
It may require discussion with financial institutions
wither or not they will provide necessary funds.

Step 2

Assuming the decision has been made to develop the project

further then a detailed assessment will have to be made of all
technical, economic and socio-political factors.
The details may be quantitative and based on subjective
knowledge.
A major decision making is about novelty of project.

A project may technically be novel ( making a new airplane ).

The project may employ an established technology in novel
environment ( using electrical train in third world country).

In this step the degree of uncertainty associated with each factor

will begin to emerge.
An understanding of uncertainty associated with any proposal is
essential for a feasible decision making.

Step 3

If the outcome of step 2 is to proceed the project, then a tender

specification has to be prepared.
It should define, exactly what work the tender is required to do.
Ideally it has to define every thing that has to be done.
The magnitude of uncertainty associated with this stage is a
reason for possible variations in cost and duration of projects.
Before a tender specification is issued it is prudent to confirm that
the project is acceptable to regulatory authorities and that the
adequate finance is available.
The financer need to be convinced that the project is viable, that
the proposer is sound and has the experience and capability to
derive the project to a successful conclusion.

Step 4 ,5

Step 4

The first action is to decide if one of the tender should be

accepted.
The tenderer should have the appropriate experience,
capability and adequate financial resources.

Step 5

Assuming all steps completed satisfactorily, a decision has

to be taken to start the project.
Even if the project starts, it might have to be stopped if the
environment it operates is changed.

Arhitektura DSS

Architecture

Three fundamental components of DSS:

the database management system (DBMS),

the model management system (MBMS), and

the dialog generation and management system (DGMS).

the Data Management Component stores information (which can
be further subdivided into that derived from an organization's
traditional data repositories, from external sources such as the
Internet, or from the personal insights and experiences of
individual users);
the Model Management Component handles representations of
events, facts, or situations (using various kinds of models, two
examples being optimization models and goal-seeking models);
and
the User Interface Management Component is of course the
component that allows a user to interact with the system.

A Detailed Architecture

Even though different authors identify different

components in a DSS, academics and
practitioners have come up with a generalized
architecture made of six distinct parts:

the data management system,

the model management system,
the knowledge engine,
The user interface,
the DSS architecture and network, and
the user(s)

Typical Architecture

TPS: transaction
processing system
MODEL:
representation of a
problem
OLAP: on-line
analytical
processing
USER INTERFACE:
how user enters
problem & receives
answers
DSS DATABASE:
current data from
applications or
groups
DATA MINING:
technology for
finding relationships
in large data bases
for prediction

TPS

USER
INTERFACE

DSS DATA
BASE

EXTERNAL
DATA

DSS SOFTWARE SYSTEM

MODELS
OLAP TOOLS

DATA MINING TOOLS

USER

Tabele odluivanja
Prof. dr Lazo Rolji

11.2. Metoda tabele odluivanja

Ova metoda, iji je autor Solomon Polak (Solomon Pollack), razvijena je 1957. godine u
SAD kao supstitut dijagramima toka.
To je metoda tabelarnog prikazivanja koja opisuje zadatke koje treba uraditi ako se
ostvare odreeni uslovi.

Tabele odluivanja (engl. Decision Structure Table) koriste se u kompleksnim situacijama

donoenja odluka. U sutini, tabela odluivanja predstavlja metodu prikaza uslova koji
se mogu dogoditi u odreenoj situaciji i akcije koje zahtijeva odreena kombinacija
uslova.
Drugim rijeima, one predstavljaju formalizovani prikaz "ako-onda" (IF-THEN)
odnosa u tabelarnom obliku, tj. "TA e se dogoditi AKO se desi odreena
kombinacija uslova".

 Pod kompleksnom situacijom odluivanja podrazumijeva se ona sa

veim brojem "ako-onda" uslova koji ine povezanu osnovu

odluivanja.
Tabelom odluivanja se u sistematizovanom obliku prikazuju veze
izmeu uslova nekog problema i aktivnosti koje treba preduzeti u
sluaju realizacije svake od moguih situacija, tj. kombinacija uslova.

U tu svrhu tabela odluivanja podijeljena je (horizontalno) na dva osnovna

podruja i to:
podruje konstelacije uslova (u kojem se nalazi navod i specifikacija
uslova) i
podruje slijeda aktivnosti (u kojem se nalazi navod i specifikacija
aktivnosti).

Vertikalna podjela odvaja lijevu stranu tabele, u kojoj je navod uslova i

aktivnosti, od desne, u kojoj je specifikacija uslova i aktivnosti.

Uslovi

AKO

ONDA

O
D
L
U
K
A
A
K
C
I
J
E

Vrijednosti

Ostvareni
uslovi
da ne

Podruje konstelacije uslova

Podruje slijeda aktivnosti

Pokazatelji
aktivnosti
X --

Aktivnosti

Funkcije

 Osnovni dio predstavlja desni dio tabele odluivanja u vertikalnoj podjeli i

taj dio se naziva pravilo odluivanja. Ono pokazuje neku konstelaciju
(meusobni odnos) uslova povezanu sa zahtjevanim aktivnostima operacijama. U ovom dijelu tabele svaka kolona predstavlja jedno pravilo
odluivanja, a njegov lan predstavlja komponentu pravila odluivanja.

Pojedine kvadrante tabele odluivanja odvajamo dvostrukim linijama kako

bismo mogli jednostrukim linijama razdvojiti pojedine uslove i aktivnosti te
pravila odluivanja koja nastaju u odreenoj konstelaciji uslova.

Gornji lijevi kvadrant sadri u pojedinom redu verbalno formulisane uslove opis uslova. Redovi se popunjavaju tako to se odgovara na pitanje: "koji
su uslovi".

 Gornji desni kvadrant sadri u pojedinim kolonama simbole (ili kratke

verbalne opise) s kojim se oznaava da li je, ili nije, u gornjem lijevom
kvadrantu ispunjena navedena konstelacija uslova.
Donji lijevi kvadrant tabele ima u pojedinim redovima opise relevantnih
aktivnosti, tj. spisak moguih aktivnosti koje moemo preduzeti za neku datu
kombinaciju ispunjenja uslova. Redovi se popunjavaju odgovorima na
pitanje: "koje e akcije uslijediti ako se uslov ispuni".
Donji desni kvadrant ima u svakoj koloni pokazatelje aktivnosti koje
odgovaraju ostvarenoj konstelaciji uslova iz te kolone - specifikaciju
aktivnosti pojedinog sluaja.
Kolone se popunjavaju odgovorima na pitanje: "koju vrijednost imaju te
aktivnosti".

Primjer 16: Ako sa eljeznike stanice A elimo otii do stanice E moemo oekivati da
preemo dvije ili tri liste destinacija (A do B, A do C itd.) dok ne ugledamo A do E,
koja nam pokazuje na koji peron trebamo otii.
Izbor moguih odluka i potrebne aktivnosti mogu se prikazati na sljedeoj tabeli:

Primjer 17: Navodimo jedan primjer koji ilustruje odluivanje prilikom ulaska
u zgradu, a koji se moe predstaviti sljedeom tabelom odluivanja:
vrata otvorena
vrata zakljuana
ulazimo
otvaramo vrata
zvonimo
ponovimo tabelu ulaska u zgradu

da
x
-

ne
da
x
x

da
ne
x
-

ne
ne
x
x

Diskusija rjeenja...
Uoimo da u ovom primjeru (namjerno smo tako uradili) imamo redundatnost u
navedenim situacijama (uslovima) odluivanja, pa radi toga i u pravilima
odluivanju (prvo i tree pravilo), jer kada su vrata otvorena onda i nije bitan
drugi uslov za akciju ulazimo, i naravno ako su vrata otvorena onda ne mogu
istovremeno biti i vrata zakljuana.

Mi smo u prvom pravilu odluivanja (prva kolona, prvi red, u prvom kvadrantu
tabele) za sluaj da su vrata otvorena, u ostvarenim uslovima za drugi uslov
vrata zakljuana jednom stavili znak - (kao nije bitan taj uslov), a drugi put
smo (ponovili) stavili oznaku ne u treem pravilu odluivanja (trea kolona u
drugom i treem kvadrantu), to je dovelo do ponavljanja situacije odluivanja i,
logino, do istog pravila.

 Dakle, u takvim sluajevima trebamo da iz tabele uklonimo

ponavljanje situacije odluivanja, a time i suvinog (ponovljenog)

pravila odluivanja da nam ono ne optereuje preglednost algoritma
odluivanja sadranog u tabeli odluivanja.

Osnovna pravila konstruisanja tabela odluivanja su:

Tabela moe da se sastoji od najmanje jednog pravila odluivanja.

Svako pravilo mora imati makar jednu izabranu aktivnost.

Pravila su jedinstvena i nezavisna.
Svaka kombinacija uslova mora biti obuhvaena pravilima.
Redosljed uslova u tabeli nije funkcionalno bitan.
Redosljed pisanja pravila nije funkcionalno bitan.
U okviru pravila podrazumijeva se veza AND izmeu uslova kao i izmeu izabranih
aktivnosti.
Izmeu uslova i aktivnosti podrazumijevamo realizaciju IF THEN, tj. "ako su ispunjeni
uslovi onda slijede aktivnosti".

 Konani smisao tabele odluivanja je da se logika rjeenja problema

prevede u oblik pogodan za raunarski program.

Prevoenje tabele odluivanja, stoga, podrazumjeva bilo formiranje

nekog ekvivalentnog dijagrama toka programa, bilo samo pisanje
programa na osnovu tabele odluivanja, a takoe i automatizovani

postupak, kada neki program prevodilac formira ili interpretira

program na osnovu strogog (adekvatnog) zapisa tabele odluivanja.
Problem prevoenja tabele odluivanja je praktino rijeen kada
formuliemo mehanizam prepoznavanja pravila, tj. kada moemo da
odredimo odgovarajui podskup aktivnosti.

Na primjer, programskim iskazom (naredbom) oblika:

IF C1 AND C2 AND C3 THEN A1

moemo programirati jedno pravilo odluivanja (grananja), pri emu A1 moe

biti sadraj, opis i-te aktivnosti ili labela (pozivna) modula (podprograma) A1, a C1
sadraj, opis i-tog uslova.

Svaku tabelu odluivanja moemo pretvoriti u dijagram toka i obrnuto. Radi

ilustracije reenog prikazaemo jedan konkretan primjer tabele odluivanja i

njoj odgovarajueg dijagrama toka.

Primjer 18:
Izrada rauna transportnog preduzea zavisi od tereta koji se prevozi i rastojanja
na koje se on transportuje. Ako teret robe prelazi 10 tona i rastojanje je preko 50
kilometara, raun se pravi na slijedei nain:
koliina puta transportna tarifa minus 5% rabata.
Ako transportni teret ne prelazi 10 tona, ali je udaljenost preko 50 kilometara,
od vrijednosti transportne usluge odbije se 3% rabata.
Isto ovo vai u sluaju ako udaljenost ne prelazi 50 kilometara, ali je teret
preko 10 tona.

Najzad, ne odobrava se nikakav rabat ako koliina ne prelazi 10 tona i rastojanje

je manje od 50 kilometara.
Za deskriptivno opisanu situaciju tabela odluivanja ima sljedei izgled:

Slika 6: Dijagram toka kao supstitut tabele odluivanja

KIBERNETSKE METODE
ANALIZE I ODLUIVANJA
Prof. dr Lazo Rolji

KIBERNETSKE METODE ANALIZE I ODLUIVANJA

Kibernetika

Kibernetika je, kao i opta teorija sistema, relativno nova nauna disciplina
koja na odreeni nain sintetizuje dostignua ostalih naunih disciplina i na
osnovu takve sinteze dolazi do novih naunih spoznaja. Nastala je nezavisno
od opte teorije sistema, a njen osniva je Norbert Viner (Norbert Wiener).
Kibernetika je nauka o upravljanju i vezi u mehanizmima, organizmima i
drutvima.

Etioloki, kibernetika ima porijeklo u grkim rijeima "kibernao"

(upravljam) odnosno "kibernetike tehne" (vjetina upravljanja, kormilarenje).

Kibernetika (po V.V. Kafarovu) moe se definisati kao nauka koja se bavi
prouavanjem sistema bilo kakve prirode koji mogu primati, prenositi i
preraivati informaciju u svrhu upravljanja (voenja).
Na taj nain kibernetika sadri pojmove: informacija, prenos i prerada
informacija te upravljanje sistema. Pri tome se kibernetika uveliko slui

metodama matematskog modeliranja i tei ostvarenju konkretnih

rezultata koji omoguuju analiziranje i sintetizovanje prouavanih sistema.

Kibernetske metode mogu se primjeniti na bilo kakav sistem, te realizovati uz

pomo kibernetskog sredstva - raunara.

Tipian kibernetski zadataka je rjeavanje problema upravljanja procesima sa

nepotpunim informacijama o objektu i uz djelovanje poremeaja na njega.
Takvo upravljanje naziva se upravljanjem putem povratne veze.
Pri tome se uporedo s rjeavanjem zadatka modeliranja rjeava zadatak stvaranja
modela, to se bitno razlikuje od modeliranja matematski opisanih procesa.
Uz povratnu vezu, kao sredstvo upravljanja sistemima, u kibernetici se za
analizu sloenih sistema najvie koristi metoda "crne kutije".

14.2 Metoda povratne sprege

Povratna sprega je metoda upravljanja nekim sistemom koristei se

rezultatima njegovog ranijeg djelovanja. Ako se ovi rezultati upotrebljavaju

samo kao numeriki podaci za regulaciju ponaanja sistema, onda se to zove
prosta povratna sprega. Ova vrsta povratne sprege najvie se koristi u

automatici.
Ako su, meutim, informacije koje se vraaju iza obavljene aktivnosti
sposobne da izmjene opti nain i stil djelovanja upravljanog sistema, onda

imamo proces povratne sprege koji se moe nazvati uenjem.

Oznaimo sa S bilo koji samoreguliui sistem, a sa R neki regulator. Tada funkcionisanje

takvog sistema moemo predstaviti sljedeom slikom:

Slika 6. ematski prikaz prostog ciklikog reguliueg sistema

U zavisnosti od toga kako ulazni uticaji djeluju na izlazna dejstva, a naroito kakav je povratni uticaj izlaznih
dejstava na ulazne uticaje (x), razlikujemo dva osnovna oblika povratne sprege:
pozitivnu povratnu spregu, a to je ona povratna sprega u kojoj izlazna dejstva xr djeluju pozitivno na
ulazne uticaje, tj. poveavaju ih i

negativnu povratnu spregu, a to je ona u kojoj izlazna dejstva xr djeluju povratno tako da smanjuju
ulazne uticaje xi
U prvom sluaju vre se kvalitativne promjene stanja sistema. Primjere ovakvih sistema nalazimo u
organski ivotnim procesima, u rastenju elija, organa i organizama, kao i mijenjanju drutvenih sistema.
Drugi oblik povratnog dejstva predstavlja konzervativni proces.

14.3 Metoda "crne kutije"

Pri analizi sloenih procesa kada, zbog sloenosti sistema, nije mogue nai unutranje
veze u sistemu, primjenjuje se u kibernetici metoda "crne kutije" (engl. Black Box
Method). Ovu metodu uveo je uveni teoretiar Ros Ebi 1956. godine. Metoda se sastoji
u tome da se zbog nedostatka informacija o sutini, unutranjoj strukturi procesa, pri
sastavljanju njegovog modela primjenjuje samo zavisnost izlaznih veliina od ulaznih.

Bitni postupci kod upotrebe "crne kutije" kao metode istraivanja

predmeta, problema ili pojava su:
Nepoznata pojava ili predmet se shvata kao dinamiki sistem i
nepoznate strukture i funkcije.
Djeluje se odreenim sredstvima i nainima na "crnu kutiju"
Posmatra se ponaanje sistema pod odreenim uticajima,
Na osnovu ponaanja sistema pod datim uticajima zakljuuje se o
funkciji i o strukturi sistema koji se istrauje.

Prema tome, na sistem kojeg analiziramo zamisliemo kao neku crnu

(neprovidnu) kutiju i prikazati ga pomou jednog pravougaonika koji ima samo
jednu ulaznu i jednu izlaznu vezu.
Drugim rijeima, mi stvarni sistem prikazujemo kao najjednostavniji tj.
elementarni sistem.
Nakon toga pokuamo odrediti funkciju sistema, tj. pokuamo razmotriti i
utvrditi kakva je uloga odnosno svrha tog sistema u okolini, ili u nekom viem
sistemu, ako on predstavlja okolinu posmatranog sistema.
Na zadatak je zatim da tu funkciju poboljamo.

Metoda tabele odluivanja

Prof. dr Lazo Rolji

Metoda tabele odluivanja

Ova metoda, iji je autor Solomon Polak (Solomon
Pollack), razvijena je 1957. godine u SAD kao
supstitut dijagramima toka. To je metoda
tabelarnog prikazivanja koja opisuje zadatke koje
treba uraditi ako se ostvare odreeni uslovi.
Tabele odluivanja (engl. Decision Structure Table)
koriste se u kompleksnim situacijama donoenja
odluka.
Pod kompleksnom situacijom odluivanja
podrazumijeva se ona sa veim brojem "ako-onda"
uslova koji ine povezanu osnovu odluivanja.

 U sutini, tabela odluivanja predstavlja metodu

prikaza uslova koji se mogu dogoditi u odreenoj
situaciji i akcije koje zahtijeva odreena kombinacija
uslova.
Drugim rijeima, one predstavljaju formalizovani
prikaz "ako-onda" (IF-THEN) odnosa u
tabelarnom obliku, tj. "TA e se dogoditi AKO se
desi odreena kombinacija uslova".

Tabelom odluivanja se u sistematizovanom obliku prikazuju veze

izmeu uslova nekog problema i aktivnosti koje treba preduzeti u
sluaju realizacije svake od moguih situacija, tj. kombinacija uslova.

U tu svrhu tabela odluivanja podijeljena je

(horizontalno) na dva osnovna podruja i to:
podruje konstelacije uslova (u kojem se nalazi
navod i specifikacija uslova) i
podruje slijeda aktivnosti (u kojem se nalazi
navod i specifikacija aktivnosti).
Vertikalna podjela odvaja lijevu stranu tabele, u
kojoj je navod uslova i aktivnosti, od desne, u
kojoj je specifikacija uslova i aktivnosti.

Uslovi
O
D
AKO L
IF
U
K
A
A
K
ONDA C
THEN I
J
E

Podruje
konstelacije uslova

Podruje slijeda
aktivnosti

Aktivnosti

Vrijednosti

Ostvareni
uslovi
da ne

Pokazatelji
aktivnosti
X --
Funkcije

Opti prikaz tabele odluivanja

 Osnovni dio predstavlja desni dio tabele odluivanja

u vertikalnoj podjeli i taj dio se naziva pravilo
odluivanja. Ono pokazuje neku konstelaciju
(meusobni odnos) uslova povezanu sa
zahtjevanim aktivnostima - operacijama.
U ovom dijelu tabele svaka kolona predstavlja jedno
pravilo odluivanja, a njegov lan predstavlja
komponentu pravila odluivanja.
Pojedine kvadrante tabele odluivanja odvajamo
dvostrukim linijama kako bismo mogli jednostrukim
linijama razdvojiti pojedine uslove i aktivnosti te pravila
odluivanja koja nastaju u odreenoj konstelaciji
uslova.

 Gornji lijevi kvadrant sadri u pojedinom redu

verbalno formulisane uslove - opis uslova. Redovi se
popunjavaju tako to se odgovara na pitanje: "koji
su uslovi".

 Gornji desni kvadrant sadri u pojedinim kolonama

simbole (ili kratke verbalne opise) s kojim se
oznaava da li je, ili nije, u gornjem lijevom
kvadrantu ispunjena navedena konstelacija
uslova.
Donji lijevi kvadrant tabele ima u pojedinim
redovima opise relevantnih aktivnosti, tj. spisak
moguih aktivnosti koje moemo preduzeti za
neku datu kombinaciju ispunjenja uslova. Redovi
se popunjavaju odgovorima na pitanje: "koje e
akcije uslijediti ako se uslov ispuni".

 Donji desni kvadrant ima u svakoj koloni pokazatelje aktivnosti koje

odgovaraju ostvarenoj konstelaciji uslova iz te kolone - specifikaciju
aktivnosti pojedinog sluaja.
Kolone se popunjavaju odgovorima na pitanje: "koju vrijednost
imaju te aktivnosti".

Diskusija rjeenja...

Uoimo da u ovom primjeru (namjerno smo tako

uradili) imamo redundatnost u navedenim
situacijama (uslovima) odluivanja, pa radi toga i u
pravilima odluivanju (prvo i tree pravilo), jer kada
su vrata otvorena onda i nije bitan drugi uslov za
akciju ulazimo, i naravno ako su vrata otvorena
onda ne mogu istovremeno biti i vrata zakljuana.

Mi smo u prvom pravilu odluivanja (prva kolona,

prvi red, u prvom kvadrantu tabele) za sluaj da
su vrata otvorena, u ostvarenim uslovima za
drugi uslov vrata zakljuana jednom stavili znak
- (kao nije bitan taj uslov), a drugi put smo
(ponovili) stavili oznaku ne u treem pravilu
odluivanja (trea kolona u drugom i treem
kvadrantu), to je dovelo do ponavljanja situacije
odluivanja i, logino, do istog pravila.

Dakle, u takvim sluajevima trebamo da iz tabele uklonimo ponavljanje

situacije odluivanja, a time i suvinog (ponovljenog) pravila
odluivanja da nam ono ne optereuje preglednost algoritma
odluivanja sadranog u tabeli odluivanja.

Osnovna pravila konstruisanja tabela odluivanja

su:

Tabela moe da se sastoji od najmanje jednog pravila

odluivanja.
Svako pravilo mora imati makar jednu izabranu
aktivnost.
Pravila su jedinstvena i nezavisna.
Svaka kombinacija uslova mora biti obuhvaena
pravilima.
Redosljed uslova u tabeli nije funkcionalno bitan.

 Redosljed pisanja pravila nije funkcionalno bitan.

U okviru pravila podrazumijeva se veza AND
izmeu uslova kao i izmeu izabranih aktivnosti.
Izmeu uslova i aktivnosti podrazumijevamo
realizaciju IF THEN, tj. "ako su ispunjeni uslovi
onda slijede aktivnosti".

 Konani smisao tabele odluivanja je da se

logika rjeenja problema prevede u oblik
pogodan za raunarski program.
Prevoenje tabele odluivanja, stoga,
podrazumjeva bilo formiranje nekog
ekvivalentnog dijagrama toka programa, bilo
samo pisanje programa na osnovu tabele
odluivanja, a takoe i automatizovani
postupak, kada neki program prevodilac
formira ili interpretira program na osnovu
strogog (adekvatnog) zapisa tabele odluivanja.

Problem prevoenja tabele odluivanja je praktino rijeen kada

formuliemo mehanizam prepoznavanja pravila, tj. kada
moemo da odredimo odgovarajui podskup aktivnosti.

Na primjer, programskim iskazom (naredbom)

oblika:
IF C1 AND C2 AND C3 THEN A1
moemo programirati jedno pravilo odluivanja
(grananja), pri emu A1 moe biti sadraj, opis i-te
aktivnosti ili labela (pozivna) modula
(podprograma) A1, a C1 sadraj, opis i-tog
uslova.

Svaku tabelu odluivanja moemo pretvoriti u

dijagram toka i obrnuto.
Radi ilustracije reenog prikazaemo jedan
konkretan primjer tabele odluivanja i njoj
odgovarajueg dijagrama toka.

Primjer 18:
Izrada rauna transportnog preduzea zavisi od tereta koji
se prevozi i rastojanja na koje se on transportuje. Ako
teret robe prelazi 10 tona i rastojanje je preko 50
kilometara, raun se pravi na slijedei nain:
koliina puta transportna tarifa minus 5% rabata.
Ako transportni teret ne prelazi 10 tona, ali je
udaljenost preko 50 kilometara, od vrijednosti
transportne usluge odbije se 3% rabata.
Isto ovo vai u sluaju ako udaljenost ne prelazi 50
kilometara, ali je teret preko 10 tona.

 Najzad, ne odobrava se nikakav rabat ako koliina ne prelazi 10

tona i rastojanje je manje od 50 kilometara.
Za deskriptivno opisanu situaciju tabela odluivanja ima slijedei
izgled:

Slika 5: Dijagram toka kao supstitut tabele odluivanja

Osnovna pravila za konstruisanje tabela odluivanja

su:

Tabela moe da se sastoji od najmanje jednog pravila

odluivanja.
Svako pravilo mora imati makar jednu izabranu aktivnost.
Pravila su jedinstvena i nezavisna.
Svaka kombinacija uslova mora biti obuhvaena pravilima.
Redosljed uslova u tabeli nije funkcionalno bitan.
Redosljed pisanja pravila nije funkcionalno bitan.
U okviru pravila podrazumijeva se veza AND (logiko I)
izmeu uslova kao i izmeu izabranih aktivnosti.
Izmeu uslova i aktivnosti podrazumijevamo realizaciju
AKO TADA ili IF-THEN, tj. "ako su ispunjeni uslovi onda
slijede aktivnosti".

Da li biste znali protumaiti pravila iz sljedee

tabele odluivanja ?

XI PITANJA ZA PROVJERU NAUENOG

1. Od ega polazi sistemska analiza?
2. Kako se odvija nauno posmatranje na klasini
nain?
3. Kako se odvija (koji su postupci i koraci) nauno
posmatranje metodom sistemske analize?
4. Koji su koraci i postupci u praktinoj provedbi
analize poslovnog sistema?
5. ta je sutina (koje su preporuke i opta pravila)
metode organizovanog pamenja za poveanje
koliine i tanosti materije koju elimo da
zapamtimo?

6. ta je dijagram toka?
7. emu slue dijagrami toka?
8. ta se smatra kompleksnom situacijom odluivanja?
9. Koji su osnovni dijelovi tabele odluivanja?
10. ta se u tabeli odluivanja naziva pravilo odluivanja?
11. Koja su osnovna pravila za konstruisanje tabele odluivanja?
12. ta je konani smisao izrade tabele odluivanja?

SPO -03/6
SISTEMI ZA PODRKU
ODLUIVANJU
Prof. dr Lazo Rolji

Uvod

Donosioci odluka suoeni su sa sve stresnijim okruenjem - vrlo konkurentnim, brzim,

gotovo u realnom vremenu, pretrpanim informacijama, podacima distribuisanim kroz
cijelo preduzee, i multinacionalnim u fokusu.

Kombinacija Interneta omoguuje brzinu i pristup, te sazrijevanje tehnika

vjetake inteligencije, dovela je do sofisticiranih pomagala za podrku
donoenju odluka na bazi tako rizinih i nesigurnih uslova.

Ove pomagala imaju potencijal da poboljaju donoenje odluka sugeriui

rjeenja koja su bolja od onih koje je donosio sam ovjeka.

Oni su sve vie dostupni u razliitim podrujima, od medicinske dijagnoze preko

kontrole saobraaja do inenjerskih aplikacija.

Why DSS?
Increasing complexity of decisions
Technology
Information:
Data, data everywhere, and not the time to think!
Number and complexity of options
Pace of change

Increasing availability of computerized support

Inexpensive high-powered computing
Better software
More efficient software development process

Increasing usability of computers

Perceived benefits
decision quality
improved communication
cost reduction

increased productivity
time savings
improved customer and employee satisfaction

Approaches to the design and construction of DSS

Studies on DSS development conducted during the last 15 years have

identified more than 30 different approaches to the design and construction

of decision support methods and systems.
Interestingly enough, none of these approaches predominate and the various

DSS development processes usually remain very distinct and project-specific.

This situation can be interpreted as a sign that the field of DSS development
should soon enter in its formalization stage.

A summary of commercial DSS system

A summary of commercial DSS system show seven types of DSS:
File Drawer Systems, that provide access to the data items.
Data Analysis systems, that support manipulation of data by computerized tools for a specific
task.
Analysis Information systems, that provide access to a series of decision oriented databases
and small models.
Accounting and financial models, that calculates the consequences of possible actions.
Representational model, that estimates the consequences of actions based on simulation
models.
Optimization models, that provide guidelines for action by generating an optimal solution
Suggestion models, that perform the logical processing to a specific suggested decision for a
task.

A Multidiscipline Study
It is clear that DSS belong to an environment with multidisciplinary
foundations, including (but not exclusively):
Database research,
Artificial intelligence,

Human-computer interaction,
Simulation methods,
Software engineering, and

Telecommunications.

Klasifikacija - podjela
Using the mode of assistance as the criterion, Power (2002)
differentiates five types for DSS:

communication-driven DSS,
data-driven DSS,
document-driven DSS,
knowledge-driven DSS, and
model-driven DSS.

A Hypothetical Decision Making Example

A third world country is going to build a railway system to connect a potential inland
industrial area and a good agricultural area with a port.

An international development agency recommended that the iron in the area should
be mined and refined locally and melt using industries which has to be established.
The refined iron is possibly exported to Germany and Japan for car industry.
For success of project it requires supply of skilled labor. To overcome this problem a
training center has to be established to train workers by the time plant gets ready.
The development agency also recommends the fertile land in the area should be
prepared for intensive farming to provide food for the consumption of the people
working in the industry.
The railway should link the industrial area, farm and port.

Pitanjima kojima smo se bavili

Is the route optimum? Are all likely users connected? What are the possible routes?

Growth of traffic: To what extent does development of railway depends on development of port, new town,
airport, industrial area and agricultural area?
Competition: To what extent would development of an improved road would eliminate the need for railway?
Engineering problems: How much electricity is needed for electrical train?
Supply problem: Where will supply of equipment and constructors sought from?
Operational problem: With inadequate supply of local skilled workers where will operating team be obtained
from? Will foreign operating contactors be used?
Time Scale: When to start the project and when it will be finished?
Cost: What will the total cost of project be?
Infrastructure: Will services available include: telephone, fire, water, radio communication, hospitals, hotels

and housing?

Osnovni koraci procesa donoenja odluke

Step 1

Concept of Project is Identified

Decision To Proceed

Step 2

Project assessment. Taking

account of all issues involved
Decision To Proceed

Step 3

Decision To Abandon

Tender Accepted. Construction

Starts
Decision To Proceed

Step 5

Decision To Abandon

Project Goes to Detail

Specification For Tender
Decision To Proceed

Step 4

Decision To Abandon

Decision To Abandon

Operation Starts
Decision To Proceed

Decision To Abandon

Step 1
The conceptual need for a project arise mainly as a result of an basement
of future requirements.
It may be made by a team of experts.
Typically a conceptual study will identify the technical solution required,
the economic merits, and acceptability of project in socio political terms.
It may require discussion with financial institutions wither or not they will
provide necessary funds.

Step 2
Assuming the decision has been made to develop the project further then a detailed
assessment will have to be made of all technical, economic and socio-political factors.

The details may be quantitative and based on subjective knowledge.

A major decision making is about novelty of project.
A project may technically be novel ( making a new airplane ).
The project may employ an established technology in novel environment ( using electrical train in
third world country).

In this step the degree of uncertainty associated with each factor will begin to emerge.
An understanding of uncertainty associated with any proposal is essential for a feasible
decision making.

Step 3
If the outcome of step 2 is to proceed the project, then a tender
specification has to be prepared.
It should define, exactly what work the tender is required to do. Ideally it
has to define every thing that has to be done.
The magnitude of uncertainty associated with this stage is a reason for
possible variations in cost and duration of projects.
Before a tender specification is issued it is prudent to confirm that the
project is acceptable to regulatory authorities and that the adequate
finance is available.
The financer need to be convinced that the project is viable, that the
proposer is sound and has the experience and capability to derive the
project to a successful conclusion.

Step 4 ,5
Step 4
The first action is to decide if one of the tender should be accepted.
The tenderer should have the appropriate experience, capability and
adequate financial resources.
Step 5
Assuming all steps completed satisfactorily, a decision has to be taken
to start the project.
Even if the project starts, it might have to be stopped if the
environment it operates is changed.

Decision making characteristics

Decision is made based on the information available.
At each part of the assessment, there may have to be iterative
development to take account improvement in data that take place as
the project proceeds.
A project will not go ahead unless there is adequate funding.

Management
Management is decision making
The manager is a decision maker
Organizations are filled with decision makers at different level.
Management is considered as art: a talent acquired over years by trial-and-error.
However decision making today is becoming more complicated:
Technology / Information/Computers : increasing More alternative to choose
Structural Complexity / Competition : increasing larger cost of error
International markets / Consumerism : increasing more uncertainty about

future
Changes, Fluctuations : increasing need for quick decision

Management problems
Most management problems for which decisions are sought can be represented
by three standard elements objectives, decision variables, and constraints.
Objective
Maximize profit
Provide earliest entry into market
Minimize employee discomfort/turnover
Decision variables
Determine what price to use
Determine length of time tests should be run on a new product/service
Determine the responsibilities to assign to each worker
Constraints
Cant charge below cost
Test enough to meet minimum safety regulations
Ensure responsibilities are at most shared by two workers

Types of Problems
Structured: situations where the procedures to follow when a decision is needed can be specified in
advance
Repetitive
Standard solution methods exist
Complete automation may be feasible

Unstructured: decision situations where it is not possible to specify in advance most of the decision
procedures to follow

One-time
No standard solutions
Rely on judgment
Automation is usually infeasible

Semi-structured: decision procedures that can be pre specified, but not enough to lead to a definite
recommended decision
Some elements and/or phases of decision making process have repetitive elements

DSS most useful for repetitive aspects of semi-structured problems

DSS in Summary

A MANAGEMENT LEVEL COMPUTER SYSTEM Which:

COMBINES DATA,

MODELS,

USER - FRIENDLY SOFTWARE

FOR SEMISTRUCTURED & UNSTRUCTURED DECISION MAKING.

It utilizes data, provides an easy-to-use interface, and allows for the

decision maker's own insights.

Taxonomies
Using the mode of assistance as the criterion, Power (2002)
differentiates five types for DSS:

communication-driven DSS,
data-driven DSS,
document-driven DSS,
knowledge-driven DSS, and
model-driven DSS.

Model-driven DSS
A model-driven DSS emphasizes access to and manipulation of a statistical, financial,
optimization, or simulation model. Model-driven DSS use data and parameters provided by
users to assist decision makers in analyzing a situation; they are not necessarily data
intensive. Dicodess is an example of an open source model-driven DSS generator (Gachet
2004).
Other examples:
A spread-sheet with formulas in
A statistical forecasting model
An optimum routing model

Data-driven (retrieving) DSS

A data-driven DSS or data-oriented DSS emphasizes access to and manipulation of a time series
of internal company data and, sometimes, external data.

Simple file systems accessed by query and retrieval tools provides the elementary level of
functionality. Data warehouses provide additional functionality. OLAP provides highest level of
functionality.
Examples:
Accessing AMMIS data base for all maintenance Jan89-Jul94 for CH124
Accessing INTERPOL database for crimes

by .

Accessing border patrol database for all incidents in Sector ...

Model and data-retrieving DSS

Examples:
Collect weather observations at all stations and forecast
tomorrows weather
Collect data on all civilian casualties (civilnih rtava) to predict
casualties over the next month

Communication-driven DSS
A communication-driven DSS use network and comminication
technologies to faciliate collaboartion on decision making. It supports
more than one person working on a shared task.
examples include integrated tools like Microsoft's NetMeeting or
Groove (Stanhope 2002), Vide conferencing.
It is related to group decision support systems.

Document-driven DSS
A document-driven DSS uses storage and processing technologies to
document retrieval and analysis. It manages, retrieves and
manipulates unstructured information in a variety of electronic
formats.
Document database may include: Scanned documents, hypertext
documents, images, sound and video.
A search engine is a primary tool associated with document drivel
DSS.

Knowledge-driven DSS
A knowledge-driven DSS provides specialized problem solving
expertise stored as facts, rules, procedures, or in similar structures. It
suggest or recommend actions to managers.
MYCIN: A rule based reasoning program which help physicians
diagnose blood disease.

Architecture
Three fundamental components of DSS:
the database management system (DBMS),
the model management system (MBMS), and
the dialog generation and management system (DGMS).
the Data Management Component stores information (which can be further subdivided into
that derived from an organization's traditional data repositories, from external sources such
as the Internet, or from the personal insights and experiences of individual users);
the Model Management Component handles representations of events, facts, or situations
(using various kinds of models, two examples being optimization models and goal-seeking
models); and
the User Interface Management Component is of course the component that allows a user to
interact with the system.

A Detailed Architecture
Even though different authors identify different components in a DSS,
academics and practitioners have come up with a generalized
architecture made of six distinct parts:
the data management system,
the model management system,

the knowledge engine,

The user interface,
the DSS architecture and network, and

the user(s)

Typical Architecture
TPS: transaction
processing system
MODEL: representation
of a problem

TPS

DSS DATA
BASE

EXTERNAL
DATA

OLAP: on-line analytical

processing
USER INTERFACE: how
user enters problem &
receives answers

DSS DATABASE: current

data from applications
or groups
DATA MINING:
technology for finding
relationships in large
data bases for
prediction

USER
INTERFACE

DSS SOFTWARE SYSTEM

MODELS
OLAP TOOLS
DATA MINING TOOLS

USER

DSS Model base

Model base
A software component that consists of models used in computational and
analytical routines that mathematically express relations among variables

Examples:
Linear programming models,
Multiple regression forecasting models
Capital budgeting present value models

Applications
There are theoretical possibilities of building such systems in any
knowledge domain.
Clinical decision support system for medical diagnosis.
a bank loan officer verifying the credit of a loan applicant
an engineering firm that has bids on several projects and wants to
know if they can be competitive with their costs.
DSS is extensively used in business and management. Executive
dashboards and other business performance software allow faster
decision making, identification of negative trends, and better allocation
of business resources.
A growing area of DSS application, concepts, principles, and techniques
is in agricultural production, marketing for sustainable development.
A specific example concerns the Canadian National Railway system,
which tests its equipment on a regular basis using a decision support
system.
A DSS can be designed to help make decisions on the stock market, or
deciding which area or segment to market a product toward.

Characteristics and Capabilities of DSS

The key DSS characteristics and capabilities are as follows:

1. Support for decision makers in semistructured and unstructured
problems.
2. Support managers at all levels.
3. Support individuals and groups.
4. Support for interdependent or sequential decisions.
5. Support intelligence, design, choice, and implementation.
6. Support variety of decision processes and styles.
7. DSS should be adaptable and flexible.
8. DSS should be interactive ease of use.
9. Effectiveness, but not efficiency.
10. Complete control by decision-makers.
11. Ease of development by end users.
12. Support modeling and analysis.
13. Data access.
14. Standalone, integration and Web-based

DSS Characteristics
(DSS In Action 1.5: Houston Minerals Case)

Initial risk analysis (management science)

Model examination using experience, judgment, and intuition
Initial model mathematically correct, but incomplete
DSS provided very quick analysis
DSS: flexible and responsive. Allows managerial intuition and judgment

Information Systems to support decisions

Management
Information
Systems

Decision Support
Systems

Decision
support
provided

Provide information about

the performance of the
organization

Provide information and

techniques to analyze
specific problems

Information
form and
frequency

Periodic, exception,
demand, and push reports
and responses

Interactive inquiries and

responses

Information
format

Prespecified, fixed format

Ad hoc, flexible, and

adaptable format

Information
processing
methodology

Information produced by
Information produced by
extraction and manipulation analytical modeling of
of business data
business data

Definitions
DBMS - System for storing and retrieving data and processing queries
Data warehouse - Consolidated database, usually gathered from multiple primary sources,
organized and optimized for reporting and analysis
MIS - System to provide managers with summaries of decision-relevant information
Expert system - computerized system that exhibits expert-like behavior in a given problem
domain
Decision aid - automated support to help users conform to some normative ideal of rational
decision making
DSS - provide automated support for any or all aspects of the decision making process
EIS (Executive information system) - A kind of DSS specialized to the needs of top executives

Management Information Systems

MIS
Produces information products that support many of
the day-to-day decision-making needs of managers and
business professionals
Prespecified reports, displays and responses
Support more structured decisions

MIS Reporting Alternatives

Periodic Scheduled Reports
Prespecified format on a regular basis

Exception Reports
Reports about exceptional conditions
May be produced regularly or when exception occurs

Demand Reports and Responses

Information available when demanded

Push Reporting
Information pushed to manager

Online Analytical Processing

OLAP
Enables mangers and analysts to examine and manipulate
large amounts of detailed and consolidated data from many
perspectives
Done interactively in real time with rapid response

OLAP Analytical Operations

Consolidation
Aggregation of data

Drill-down
Display detail data that comprise consolidated data

Slicing and Dicing

Ability to look at the database from different viewpoints

Geographic Information Systems

GIS
DSS that uses geographic databases to construct and display
maps and other graphics displays
That support decisions affecting the geographic distribution
of people and other resources
Often used with Global Position Systems (GPS) devices

Data Mining
Main purpose is to provide decision support to
managers and business professionals through
knowledge discovery
Analyzes vast store of historical business data
Tries to discover patterns, trends, and correlations
hidden in the data that can help a company improve its
business performance
Use regression, decision tree, neural network, cluster
analysis, or market basket analysis

Data Visualization Systems

DVS
DSS that represents complex data using interactive threedimensional graphical forms such as charts, graphs, and maps
DVS tools help users to interactively sort, subdivide, combine,
and organize data while it is in its graphical form.

Executive Information Systems

EIS
Combine many features of MIS and DSS
Provide top executives with immediate and easy access to
information
About the factors that are critical to accomplishing an
organizations strategic objectives (Critical success factors)
So popular, expanded to managers, analysts and other
knowledge workers

Features of an EIS
Information presented in forms tailored to the
preferences of the executives using the system

Customizable graphical user interfaces

Exception reporting
Trend analysis
Drill down capability

Enterprise Interface Portals

EIP
Web-based interface
Integration of MIS, DSS, EIS, and other technologies
Gives all intranet users and selected extranet users access to
a variety of internal and external business applications and
services

Typically tailored to the user giving them a personalized

digital dashboard

Knowledge Management
Systems
The use of information technology to help gather,
organize, and share business knowledge within an
organization
Enterprise Knowledge Portals
EIPs that are the entry to corporate intranets that serve as
knowledge management systems

Podjele SPO
Mogue je izvriti sljedeu podjelu (grupisanje) SPO:
(1) prema nainu korienja i
(2) prema funkcionalnim oblastima
(3) prema HW/SW elementima
(4) (GSPO) prema broju (i udaljenosti) uesnika u donoenju odluka
(5) SPO prema tehnikama odluivanja.

Prema nainu korienja SPO se dijele na:

INDIVIDUALNE ili LINE SPO koje upotrebljavaju pojednci kod
odluivanja koja ne trae meuzavisnosti, ve odluke nakon
konsultovanja SPO postaju izvrne.

GRUPNE SPO, koji slue kod odluivanja koja zahtjevaju raspravu i

diskusiju na osnovu koje se donosi odluka.
ORGANIZACIONI SPO se koristi kod odluivanja koje zahtijeva
sekvencijalnu meuzavisnost.

Prema nainu korienja...

Najvei broj danas korienih SPO pripada klasi individualnih.
Ozbiljnija istraivanja u domenu teorije upravljanja upuena su

uglavnom ka korienju grupnih i organizacionih klasa SPO.

Zahvaljujui ekspanziji personalnih raunara, kompatabilnosti i
komunikacionoj integraciji raunara razliitih platformi, zahvaljujui
Internetu, danas se lako integriu sve tri klase SPO u jedinstvene SPO
ambijente.

Prema funkcionalnoj namjeni, odnosno prema

problemima koje rjeavaju, SPO se dijele na:
Sisteme za upite o podacima;
Sisteme za analizu podataka;
Sisteme za analizu informacija;
Simulacione sisteme/reprezentacione sisteme, i
Optimizacione sisteme.

Podjela SPO prema nivou HW i SW

Nivoi SPO tehnologija: Nivoi hardvera/softvera koji se mogu smatrati

SPO:
1) SPO sredstva-alati - elementi hardvera i softvera koji

omoguavaju razvoj SPO-a specifine namjene ili SPO generatora.

Turban na ovo dodaje samo primjene alata i to: sisteme upita,

generatore sluajnih brojeva, spreadsheet softver i jezike

programiranja

2) SPO generatori - po Sprague i Watson-u: paketi odgovarajueg

hardvera i softvera koji obezbjeuju skup sposobnosti za gradnju
SPO specifine nemjene.
Po Ross, Penelesky i Doney-u to su softverski paketi koji
obezbjeuju mogunost kreiranja SPO specijalne namjene, kao to

su LOTUS1-2-3, Excel, Access, dBASE

3) SPO specifine namjene - su hardver/softver koji dozvoljava

specifinom donosiocu odluke ili grupnom donosiocu rjeavanje

specifinog skupa problema u kome se zahtijeva izbor odluke.

Web bazirani dss

GDSS

GSPO
U analizi GSPO, pored dijaloga, modela i podataka, sree se nova
komponenta u obliku komunikacionih procedura.
Ako je SPO interaktivni raunarski bazirani sistem, koji pomae u
rjeavanju slabo strukturisanih problema, analogno tome GSPO

je interaktivni raunarski bazirani sistem, koji pomae u

rjeavanju nestrukturisanih problema skupa ljudi koji odluuju
radei zajedno kao grupa.

Slika 4. Model GSPO po Spragu i Karlsonu

GSPO
lanovi grupe zajedno sa tzv. grupnim posrednikom, odnosno
medijatorom, predstavljaju grupnu komponentu GSPO.

4. Podjela GSPO prema broju (i udaljenosti) uesnika u

donoenju odluka
Prema obliku sastanka na kojem se donose poslovne odluke, tj.
udaljenosti donosioca odluke i prema tipu informacione podrke,
sisteme za podrku grupnom odluivanju (GSPO) moemo podijeliti
na:

sobe za odluivanje,
povezane sobe odluivanja (tipa telekonferencije) i
mree odluivanja.

Praktina realizacija sistema GSPO (ove druge dvije grupe) esto se

naziva i sistemi za elektronsko voenje sastanaka (Electronic Meeting
System - EMS).

Sistemi za podrku kolektivnom odluivanju ukljuuju

ne samo standardnu tehnologiju za podrku
odluivanju, ve i tzv. Groupware.
Groupware, prema definiciji, je specifian softver i
hardver za podjelu interaktivnog okruenja, namijenjen
da podri i proiri grupnu aktivnost.

Softverske komponente GSPO sadre bazu podataka,

bazu modela, specijalizovane aplikacione programe
za grupno korienje, jezike visokog nivoa i fleksibilne
korisnike interfejse jednostavne za upotrebu.
Specijalizovani softver slui za pomo kolektivnim
aktivnostima, kao to je: davanje ideja, glasanje i
formiranje kolektivnog stava.

Slika 5. Vrste GSPO zavisno od udaljenosti donosilaca odluka

GSPO tipa "Soba odluivanja (1)

Soba za odluivanje (engl. Decision Room): Prostor
koji je adekvatno opremljen specijalnom opremom
koja omoguava kolektivno donoenje odluka.
Uesnici sastanka sjede zajedno za stolom nasuprot
velikom ekranu, koji slui za prikazivanje informacija
(tabela, grafikona, slika i drugih prikaza), te ideja
koje je grupa stvorila.

GSPO tipa "Soba odluivanja (2)

Uesnici se koncentriu na jednom mjestu - sobi odluke.
Svrha ovoga je poveanje interakcije uesnika i donoenje odluke
uz raunarsku podrku u okviru ogranienog vremenskog
intervala.

GSPO tipa Povezane sobe odluivanja

Sistem za podrku grupnom odluivanju zasnovan na "povezanim

sobama odluivanja" (engl. Linked Decisions Rooms) vizualno je

slian video-konferencijama izmeu dva ili vie TV studija i pogodan
je za velika preduzea koja imaju kancelarije irom zemlje ili svijeta.
Svaka soba opremljena je na nain kako je to opisano u prethodnom
sluaju. Videokamere prezentuju diskusije u pojedinim sobama i
prenose ih do drugih lokacija, koje se takoe vide na projekcionom
ekranu.

 Tele/raunarska konferencija: Ako su grupe sastavljene od lanova ili

timova koji su geografski udaljeni, tele/raunarska konferencija daje
interaktivnu vezu izmeu dvije ili vie soba odluka.

Ova interakcija e ukljuivati kompjuterizovane i audiovizuelne

informacije.

GSPO tipa "Mrea odluivanja (1)

"Mrea odluivanja" (engl. Remote Decision Network) je alternativa koja
pomae spajanju pojedinaca u procesu odluivanja bez upotrebe
specijalno pripremljene sobe odluivanja.
lanovi grupe nisu u mogunosti da komuniciraju licem u lice nego se
povezuju putem raunarskih mrea.

Raunarske mree mogu biti lokalne tzv. LAN (Local Area Network) ili
iroko rasprostranjene (WAN), kad se povezuju donosioci odluka koji su
smjeteni na razliitim mjestima (daljinsko odluivanje).

GSPO tipa "Mrea odluivanja (2)

Ovaj tip grupnog ili kolektivnog odluivanja dozvoljava
uesnicima da komuniciraju putem mrea jedni sa drugim ili sa
centralnom bazom podataka.
Aplikacioni softver moe da koristi zajednike modele da bi
pruio podrku.

5. Klasifikacija SPO prema tehnikama

odluivanja
Moe nam biti od pomoi da sve tehnike odluivanja posmatramo pomou
tri kategorije-klase.

Prva klasa je analitika orijentisana ka podacima (data-driven analytics),

gdje imamo veliki skup podataka i hoemo da prepoznamo ta nam oni
hoe da pokau.
Druga klasa je modelski orijentisana analitika (model-driven analytics), gdje
su fokus panje model i algoritam.

Trea klasa je analitika poslovnih funkcija (business function analytics) gdje

je tehnika odabrana da nas uputi na odreene dobro definisane poslovne
probleme.

SPO orijentisan ka podacima (Data- driven DSS)

Tip SPO koji istie pristup i manipulaciju vremenskim serijama
internih podataka kompanije i ponekad eksternih podataka.
Jednostavan sistem datoteka sa ulaznim upitom i alat za pretraivanje
obezbjeuju elementarni nivo funkcionalnosti.

DW (Data Warehouse) sistem omoguava efikasan pristup ovim

podacima pomou raunarskih alata prilagoenih specifinim
zadacima, kao i pomou optih alata koji obezbjeuju dodatnu

funkcionalnost.

SPO orijentisani podacima, specijalne

namjene:
Executive Information Systems (EIS) - kompjuterizovani sistemi
namijenjeni da obezbijede tekue i odgovarajue informacije za podrku
odluivanju menaderima koji rade na umreenim radnim mjestima.

Akcenat je na grafikom prikazu i interfejsu lakom za korienje, koji

prezentuje informacije iz korporacijske baze podataka.
Geographic Information Systems (GIS) - sistem podrke koji koristi mape
za prezentovanje podataka. Koristi se u analizi podataka koji imaju
geografsko znaenje.

Sistemi za podrku izvrnim rukovodiocima (Executive

Support Systems ESS)
su vrsta informacionih sistema namijenjenih za podrku odluivanju
vrhovnom menadmentu ("top management"), tj. glavnim
menaderima (direktorima).
Glavni menaderi su zadueni za kompletno rukovoenje
organizacijom; oni utvruju poslovnu politiku i rukovode saradnjom
izmeu organizacije i njenog okruenja, a u tome im podrku prua
ESS, pa ga mnogi smatraju i podskupom sistema za podrku
odluivanju.

 Sistemi za podrku izvrnim rukovodiocima za potrebe izvrnih

rukovodilaca uglavnom prezentuje informacije o kritinim
faktorima uspjenosti (Critical Sucess Factors CSF) preduzea,

kao to su profitabilnost, finansijski indikatori, marketinki

indikatori, ljudski resursi, rizik, trini i potroaki trendovi.

SPO podran dokumentacijom

(Document Driven DSS)
Document - Driven DSS je relativno novo polje u podrci
odluivanju. Orijentisan je na pretraivanje nestrukturisanih
dokumenata i Web stranica velikih baza podataka

dokumenata, baza podataka za hiper tekst, slike, zvuk i video.

Primjeri za ovaj tip su policijske baze podataka, specifikacija
proizvoda, katalozi.
Glavni zadatak ovih SPO je efikasna pretraga.

Sugestivni SPO
(Knowledge Driven DSS)
Sugestivni SPO moe preporuiti ili sugerisati akcije menaderu.

Ovi SPO su sistemi personalnih raunara sa specijalnim iskustvom za

rjeavanje problema. To "iskustvo" sadri znanje o posebnoj oblasti,
razumijevanje problema unutar te oblasti i sposobnost rjeavanja nekih
od ovih problema.
Blizak koncept je DM (Data Mining). To je proces pretraivanja velike
koliine podataka radi pronalaenja kontekstnih veza meu tim
podacima. Ovi sistemi koriste specifine modele za procesiranje pravila
ili za identifikaciju veza izmeu podataka.

Modeli odluivanja
(Model Driven DSS)
Model - Driven SPO stavljaju akcenat na izgradnju i prouavanje modela
(statistikih, finansijskih, simulacionih i sl.). Jednostavni statistiki i
analitiki alati obezbjeuju elementarni nivo funkcionalnosti.
Donoenje odluke je jednostavno ako su razmotreni svi relevantni
faktori koji se tiu odreivanja posljedica, to je uglavnom nemogue,
pa tako ni odgovarajui model ne moe biti sveobuhvatan. U svakom
sluaju, model koji predstavlja realni sistem moe obezbijediti rezultate
koji e biti osnova za donoenje odluke.

Web orijentisani SPO (Web based DSS)

Web orijentisani SPO predstavljaju sisteme koji su implementirani

upotrebom Web tehnologija. Oni omoguavaju menaderima i poslovnim

analitiarima upotrebu SPO alata koristei Web browser-e (Netscape
Navigator, Internet Explorer) na "tankom" klijentu.

Server koji opsluuje SPO je povezan sa korisnikim raunarima mrenim

TCP/IP protokolom.
Ovakvi SPO sistemi omoguavaju velikoj grupi menadera da korienjem
Web browser-a u mrenom klijent - server okruenju, donose pojedinane
ili grupne odluke, kao i da pristupaju bazi podataka kao dijelu SPO

arhitekture.

Moe se rei da Web tehnologije predstavljaju primarne alate za razvoj

interorganizacionih SPO.

Organizacioni model odluivanja

(Inter-Organisational DSS)
Organizacioni modeli odluivanja su relativno nova kategorija SPO nastala sa
pojavom Interneta. Internet daje komunikacionu vezu sa vie tipova

interorganizacionih sistema, ukljuujui i SPO.

Organizaciono donoenje odluke predstavlja posebnu klasu procesa odluivanja u
odnosu na individualno odluivanje.
Interorganizacioni sistemi SPO omoguavaju udaljenim korisnicima da pristupe
kompanijskom intranetu i, ukoliko imaju autorizovanu privilegiju, da koriste
odreene SPO servise. Tako, npr., kompanija moe uiniti dostupnim SPO
zasnovan na podacima za svoje dobavljae ili SPO zasnovan na modelima za
kupce, kako bi im se omoguilo da dizajniraju ili izaberu odgovarajui proizvod.

Interorganizacioni SPO (2)

Ukoliko postoji potreba da se poveu informacioni sistemi dvije ili
vie organizacija, tada se govori o interorganizacionim
informacionim sistemima (IOS Interorganizational Information
System).
Ovakvi sistemi podravaju mnoge interorganizacione aktivnosti, ali

najvie su orijentisani na upravljanje lancem snabdjevanja (engl.

Supply Chain).

Funkcionalni SPO
(Function Specific DSS)
Funkcionalno-specifini SPO predstavljaju sisteme koji su specijalno
dizajnirani da podre odreene poslovne funkcije ili tipove poslovanja. To
mogu biti sistemi za podrku neke funkcionalne oblasti u poslovnom
sistemu, kao to su marketing ili finansije.
Ovi sistemi se obino dizajniraju za jedan specifian zadatak, kao to je,
raspored letenja u avio kompaniji i sl.

Sa druge strane, oni se po svojoj prirodi mogu svrstati u neku od glavnih

kategorija SPO sistema, kao to su SPO zasnovani na podacima, modelima
ili sugestivni SPO.

Koristi od primjene SPO

su mnogostruke, naveemo najznaajnije:
Bolje razumijevanje problema;

Bolje komuniciranje;
Vea produktivnost kreativnog rada strunjaka;

Manji trokovi kreativnog (analitikog) rada;

Pouzdanije i efikasnije odluke;
Brze reakcije (odgovori) na neoekivane situacije;
Olakana decentralizacija procesa odluivanja itd.

Prednosti SPO
Prednosti SPO zavise od prirode donosioca odluka i situacije po

pitanju odluka (situacije odluivanja).

Autori, Holsapple i Whinston (1996), izdvajaju sljedee osobine

sistema za podrku odluivanju kao njihove prednosti:

 SPO poveava uroene sposobnosti rukovoenja donosioca odluka,

SPO moe da rijei probleme koji bi donosiocu odluka oduzeli mnogo vie
vremena ili koje on ne bi ni pokuao da rjeava,
SPO se pribliava rjeenju problema bre i pouzdanije od donosioca odluka,
ak i kada SPO ne moe da rijei problem, moe da stimulie donosioca odluka

da dublje razmilja o dotinom problemu,

Izgradnja SPO moe ukazati na nove naine razmiljanja u oblasti odluivanja,
SPO moe da obezbijedi dokaze o opravdanosti stava donosioca odluka,
U cilju unapreenja produktivnosti, SPO moe pruiti znaajne konkurentske
prednosti.

Ogranienja SPO (1)

Isti autori (Holsapple, Whinston, 1996) navode:

Neke uroene ljudske vjetine i talenti se ne mogu ugraditi u

dananje SPO (misli se na fazu projektovanja SPO),
SPO je ogranien na znanje koje posjeduje. Ograniene su
sposobnosti SPO da stekne nova znanja,
SPO je ogranien vrstama obrade znanja koju njegov softver moe da

izvri,
Mogunosti SPO su ograniene mogunostima raunara (hardvera i

operativnog sistema) koji se koriste,

Ogranienja SPO (2)

Jezik kojim korisnici treba da saopte svoje zahtjeve ograniava broj
korisnika na one koji prihvataju ovakav nain izraavanja. Nain
prezentacije takoe ograniava broj korisnika,
SPO mogu biti napravljeni za prilino usku i specifinu oblast

primjene. Mogue je da se zahtijeva vie SPO u rijeavanju razliitih

zadataka u toku rada. Tada se postavlja pitanje ko treba da koordinira
rad nekoliko SPO.

Ekspertni sistem za podrku odluivanju (1)

SPO moe imati ugraenu bazu znanja i sistem za zakljuivanje.
Kae se da je to inteligentni sistem ili ekspertni sistem za podrku
odluivanju.
Ekspertni sistem kao inteligentni softverski sistem moe da procesira
ugraeno znanje u cilju uspjenog rjeavanja problema iz odreenog

domena, na nain slian ovjeku-ekspertu.

Ekspertni sistem za podrku odluivanju (2)

Ekspertni sistemi su softver koji oponaaju eksperta time to su uspjeni
konsultanti u nekoj oblasti znanja.

Ovi sistemi su pogodni tamo gdje postoje nekompletne informacije i

gdje je za davanje savjeta rezonovanje bitnije od proraunavanja.

U jednom od narednih predavanja demonstrirau vam jedan takav SPO,

koji slui za davanje savjeta kod trgovanja na berzi HOV.

Ekspertni sistem za podrku odluivanju (3)

Ne koriste se svi ekspertni sistemi kao podrka odluivanju. Mnogi od ovih
sistema se koriste za obuavanje osoblja, za sticanje bitnih znanja u
organizaciji i drugo.

Korienje ekspertnih sistema u podrci odluivanja se poveava u svim

sferama.
Ekspertni sistemi za podrku odluivanju e biti bitna oblast vjetake
inteligencije korieni u poslovanju.

Ekspertni sistem za podrku odluivanju (4)

Za ekspertne sisteme je karakteristino da je ugraeno znanje
smjeteno u tzv. bazu znanja.
Baza znanja je razdvojena od programa za zakljuivanje (sistem sa
mehanizmima za zakljuivanje) koji arhivirana znanja u bazi zna da
koristi pri rjeavanju nekog konkretnog problema.

Ekspertni sistem za podrku odluivanju (5)

U kojoj e mjeri jedan SPO u radu ispoljavati sposobnost inteligentnog
rjeavanja problema odluivanja koji mu se zadaje, zavisi prije svega od
znanja koje je u njega ugraeno.

Ekspertni sistemi, ne mogu u potpunosti da zamijene eksperte, naroito

u pogledu kreativnosti, korienja dopunskih znanja iz bliskih i srodnih
oblasti, obinog zdravorazumskog znanja, irine sagledavanja problema i
slino.

Slika 5. SPO

Slika 6. Inteligentni SPO

Spreadsheet-based decision support systems

A DSS is made up of a model (or models), a source of data, and a user
interface.
When a model is implemented in Excel, it is possible to use Visual
Basic for Applications (VBA) to make the system more efficient by

automating interactive tasks that users would otherwise have to

repeat routinely.
VBA can also make the system more powerful by extending the

functionality of a spreadsheet model and by customizing its use.

Paketi programa za tabelarna izraunavanja (1)

Raunarski programi za tabelarna izraunavanja ( MS Excel) su trend u
razvoju SPO-a i predstavljaju jedan od najmonijih i najire korienih
programa.
Pogodni su kao pomo pri donoenju finansijskih i raunovodstvenih
odluka.
Kao i standardne aritmetike funkcije, veina programa za tabelarna
izraunavanja ima mogunost izraunavanja finansijskih odnosa, kao i
statistike funkcije, kao to su standardna devijacija i druge.
Podaci se predstavljaju u vidu kolona i tabela to pogoduje izvjetavanju,
kao i prikazivanje grafikih, dijagramskih kartografskih podataka.

Paketi programa za tabelarna izraunavanja (2)

Veina modernih programa za tabelarna izraunavanja omoguava razvoj
modela koji interaguju i izvlae podatke smjetene u bazi podataka.
Takoe, ovi paketi programa sadre sopstvene programske jezike visokog
nivoa koji omoguavaju korisniku da ispie razliite aplikacione programe.

U nekim od narednih predavanja radiemo na raunaru i praviti SPO u

Excel-u.

Ekspertni sistemi

Expert Systems
ES
A knowledge-based information system (KBIS) that uses
its knowledge about a specific, complex application to
act as an expert consultant to end users
KBIS is a system that adds a knowledge base to the
other components on an IS

Expert System Components

Knowledge Base
Facts about specific subject area
Heuristics that express the reasoning procedures of an expert
(rules of thumb)

Software Resources
Inference engine processes the knowledge and makes inferences
to make recommend course of action
User interface programs to communicate with end user
Explanation programs to explain the reasoning process to end user

Using DSS
What-if Analysis
End user makes changes to variables, or relationships among
variables, and observes the resulting changes in the values of
other variables

Sensitivity Analysis
Value of only one variable is changed repeatedly and the
resulting changes in other variables are observed

Using DSS
Goal-Seeking
Set a target value for a variable and then repeatedly change
other variables until the target value is achieved

Optimization
Goal is to find the optimum value for one or more target
variables given certain constraints
One or more other variables are changed repeatedly until the
best values for the target variables are discovered

Note on DSS
Decision support systems quite literally refer to applications that are
designed to support, not replace, decision making.
Unfortunately, this is too often forgotten by decision support system
users, or these users simply equate the notion of intelligent support
of human decision making with automated decision making.

Ekspertni sistemi (1)

Ekspertni sistemi su olakali rad na mjestima odluivanja gdje se

donose veoma sloene odluke.

Ekspertni sistem je raunarski program koji djeluje kao ljudski
ekspert u dobro definisanom specifinom zadatku, na bazi znanja.
(Liebowitz Jay, 1992).

Ekspertni sistemi (2)

Pod ekspertnim sistemom se podrazumijeva uspostavljanje unutar
raunara dijela vjetine nekog eksperta koja se bazira na znanju i u obliku
je da sistem (raunar) moe da ponudi inteligentan savjet ili da
preduzme inteligentnu odluku o funkciji koja je u postupku.
Dopunska karakteristika je sposobnost sistema da na zahtjev verifikuje
svoju liniju rezonovanja, tako da direktno obavjetava onog korisnika koji
postavlja pitanje. Usvojeni nain da se ostvare ove karakteristike je
programiranje na bazi pravila.
(Milai ,1990).

Ekspertni sistemi (3)

Ekspertni sistemi su programski sistemi (softver) koji sadre

(upisano) ljudsko znanje i koriste ga u rjeavanju problema iz

oblasti vjetake inteligencije. Ovi sistemi koriste simuliranje

ljudskog znanja.
(Stoiljkovi, Milosavljevi. 1995).

Ekspertni sistemi (4)

Ekspertni sistem je modeliranje unutar raunara, ekspertnog

znanja, tako da rezultujui sistem moe ponuditi inteligentan savjet

ili donijeti inteligentne odluke.

(Goodwin i Wright, 1992).

Ekspertni sistemi (5)

Izraz ekspertni sistem se danas upotrebljava sa vie znaenja, a

takvi sistemi su nastali tako to su od priznatih eksperata u nekoj

oblasti, intervjuisanjem i drugim postupcima nabavljana, a potom

organizovana njihova znanja.

(Risti, 1993).

Ekspertni sistemi (6)

Ekspertni sistemi su specijalizovani automati sa obradom znanja za
interaktivno i kooperativno rjeavanje problema koji se mogu
formalizovati, na nivou prirodnih (strunih) jezika, sa mogunou
prezentacije znanja u formi algoritamskih problema, sa jedne strane, i
nealgoritamskih injenica i pravila kao i logikog zakljuivanja, sa druge
strane.
(Roth, 1992).

Ekspertni sistemi (7)

Poeci razvoja sistema zasnovanih na znanju koji su prethodili
ekspertnim sistemima javljaju se polovinom 60-ih godina.
Razvoj ekspertnih sistema zavisio je od performansi raunara.

Tek 80-ih godina ekspertni sistemi se upotrebljavaju na

komercijalnom tritu.

Podjela ekspertnih sistema (1)

Uoptena podjela ekspertnih sistema:

- Ekspertni sistemi koji analiziraju neki problem i

- Ekspertni sistemi koji vre sintezu u procesu rjeavanja problema.

(Stojiljkovi, 1995):

Podjela ekspertnih sistema (2)

Prema vrsti informacija koje pruaju, ES-i se dijele:
-Samostalne - samostalno izvode proces donoenja odluke i planiranja buduih pravaca
akcije, a korisnika obavjetavaju o primijenjenim postupcima i razlozima za usvajanje
odreene procedure.
-Konsultanske - pruaju konsultantske usluge, pomagajui korisniku na nain kako bi i

pravi ekspert iznio svoje miljenje (stvara se atmosfera poput formiranja tima eksperata).
-Savjetnike - mogu koristiti i eksperti ali i oni ostali korisnici kojima je potreban savjet u
odgovarajuim situacijama.
-Sistemi za ispitivanje tipa ta bi bilo ako...- omoguava razmatranje odreenih
situacijama u kojima je potrebno predvidjeti efekte primjene alternativnih akcija.
(Stoiljkovi, Milosavljevi, 1995).

Turban i Anderson dijele ekspertne sisteme:

-ES zasnovani na znanju (Expert Systems Versus Knowledge-based
Systems, Knowledge-based Expert Systems)
-ES zasnovani na pravilima
-ES zasnovani na okvirima (Frame-based Expert Systems)
-Hibridni sistemi

-ES zasnovani na modelima (Model-based systems)

-ES spremni za rad (Ready-made, off-the-shelf Systems)

-ES koji rade u realnom vremenu (Real-time Expert Systems).

Goodwin i Wright(1992) istiu da postoje dvije grupe ekspertnih

sistema:
- Prvi se javljaju kod komplikovanih istraivakih projekata ili
potencijalno nerjeivih problema, gdje je potrebno razviti novi
nain prezentovanja ili izlaganja znanja.

- Drugi niz sistema su oni koje su izgradili konsultanti i to putem

korienja komercijalno razvijen koljki (shell) ekspertnih sistema.

 koljke ekspertnih sistema se razlikuju od razvijenih ekspertnih

sistema po tome to im je baza znanja prazna (zato se i nazivaju
prazni ili okvirni sistemi).
Korisnik (npr. tim eksperata u nekom preduzeu) koljke
ekspertnih sistema sam popunjava bazu znanja unosei u nju
pravila koja se odnose na probleme koje je potrebno da njegov
ekspertni sistem rjeava.

Poznate koljke ES-a:

U svijetu:
- XiPlus,
- bz ekspertech ltd9,
- EXSYS Professional...,
a kod nas je poznata koljka
- BEST(Blackboard-based Expert System Toolkit).

Zadaci ekspertnih sistema:

- Evidentiranje i interpretacija podataka kojim se opisuju razliite situacije ili
stanja sistema,
- Dijagnostika i servisiranje,
- Planiranje, predvianje i prognoziranje,
- Dizajn,
- Mjerenje,
- Otkrivanje kvarova u sloenim tehnikim sistemima,
- Analiza i konsultacije (u oblastima: osiguranja, kreditiranja, finansiranja,
investicione i poreske politike, marketinga i analize trita, uvoenje novih
tehnologija)
- Kontrola (upravljanje ponaanjem sistema).

Model jednostavnog ekspertnog sistema sastoji se samo od etiri

dijela, a to su:
baza znanja,
mehanizam za zakljuivanje,
korisniki interfejs i
radna memorija...
(Doukidis, 1991)

Primjer rada ES-a sadri slijedee korake:

Korisnik pozove ekspertni sistem preko korisnikog interfejsa.
Ekspertni sistem uz pomo mehanizma za zakljuivanje upravlja pravilima u bazi znanja. Svaki novi podatak koji se
pojavi kao izlaz mehanizma za zakljuivanje takoe se uva u radnoj memoriji.
Odvija se proces funkcionisanja ekspertnih sistema, koji se dijeli na pet komponenti:
- Akvizicija (sticanje) znanja- najznaajniji zadataka za ekspertni sistem, jer putem dijaloga sa korisnikom sistem mora
primiti i sintaktiki-formalno ispravne, ali i semantiki adekvatne razne informacije.
- Reprezentacija (memorisanje) znanja- vri se dugim procesom memorisanja programskih modula sastavljenih od
injenica i pravila i naina za rjeavanje problema(mehanizmi zakljuivanja), za odreenu oblast..
- Obrada znanja (rjeavanje problema)- predstavlja izvravanje programa radi dobijanja rjeenja sa objanjenjima
putem logikog procesa za rjeavanje problema.
- Komponente za objanjenje (predstavljanje znanja)-omoguavaju pregled unutranjih meuzavisnosti, aktivnih i

neaktivnih pravila za rjeavanje problema i pruaju razumijevanje zakljuka koji je dao ekspertni sistem.
- Interfejs (jedinica za dijalog) - omoguuje komunikaciju korisnika sa ekspertnim sistemom putem tastature i ekrana,
ali postoje i druge varijante: putem slike, tona, mjernih signala.