Univerzitet UNION Nikola Tesla

Fakultet za preduzetnički biznis i menadžment nekretnina

POSLOVNI INFORMACIONI
SISTEMI

DR JASMINA PERIŠIĆ

JASMINA.PERISIC52@GMAIL.COM
 SADRŽAJ
2

 ODLUKA I ODLUČIVANJE
 MENADŽERI I DONOŠENJE ODLUKA
 Transakcioni IS – OLTP (On-Line Transaction Processing)
 SISTEMI ZA OBRADU TRANSAKCIJA KAO PODRŠKA
POSLOVNIM OPERACIJAMA
 OLAP SISTEMI
 SAVREMENO POSLOVNO ODLUČIVANJE I NJEGOVA PODRŠKA
 SKLADIŠTE PODATAKA -DATA WAREHOUSING (DW)
 DATA WAREHOUSING KOMPONENTE
 RAVOJ SKLADIŠTA PODATAKA
 ARHITEKTURA SKLADIŠTA PODATAKA
 ANALIA IZVORA PODATAKA
 POSLOVNA INTELIGENCIJA
 SADRŽAJ
3

 MULTIDIMENZIONALNA ANALIZA PODATAKA

 DATA MINING
 PRIMENA DATA MINING-A
 PRIMENJENI DATA MINING ALGORITMI
 DATA MINING – KORACI IZGRADNJE
ODLUKA I ODLUČIVANJE
4

 Odluka i odlučivanje se kao reči javljaju i koriste svakodnevno,

ali kako često u takvim situacijama biva, te reči su u upotrebi, a
da se pri tome i ne zna uvek njihovo pravo značenje.
 Da se radi o značajnoj ljudskoj delatnosti (iza svake odluke
stoji neka delatnost), govori i činjenica da se već pedesetak
godina neguje i razvija posebna naučna disciplina zvana teorija
odlučivanja.
 Odlučivanje je deo poslova koje svaki menadžer mora obavljati
u toku svog rada.
 Odluke se donose stalno, tj. u toku obavljanja, odnosno
izvršavanja poslova vezanih za klasične upravljačke funkcije
(management functions) kao što su: planiranje, organizovanje,
upravljanje kadrovima, rukovođenje i kontrola.
 Odlučivanje nije posebna, izolovana funkcija upravljanja, već je
zajedničko jezgro svim pomenutim poslovnim funkcijama.
ODLUKA I ODLUČIVANJE
5

 Menadžeri (donosioci odluka) svih nivoa donose odluke

koje su nekad "velike", a nekad "male". Međutim bez
obzira da li se one realizuju ili ne, svi koji ih donose
"prolaze" kroz proces donošenja samih odluka. Zbog toga
taj proces treba najpre upoznati, a potom njime i vladati.
 U svim pristupima koji su prisutni u savremenoj teoriji
upravljanja (management theory) pod odlučivanjem se
podrazumeva racionalni izbor jedne, iz skupa raspoloživih
alternativa (akcija).
 Da je pomenuti racionalni i najčešće višekriterijumski
pristup odlučivanju, jako složensled aktivnosti, u nastavku
se ukazuje na njegovu interdisciplinarnost.
ODLUKA I ODLUČIVANJE
6

 Novi pristupi savremenom poslovnom odlučivanju, sa savremenim

integrisanim informacionim sistemima, uključuju nove istraživačke
pravce preko Data warehousa (skladišta podataka) i Data mininga
(otkrivanja znanja).
 Osnovna ideja ovoga pristupa jeste da se iz velike količine podataka
otkriju interesante pojave ponašanja sistema, radi vođenja istoga ka
kontrolisanoj referentnoj tački.
 Prikupljanje podataka u adekvatnu bazu podataka (BP), kroz faze
razvoja posmatranog preduzeća, karakteriše velika količina
podataka.
 Tako BP preduzeća narasta po svom obimu u skladište podataka,
koje prati poslovanje preduzeća.
 Kako se za strategijsko odlučivanje, uglavnom ne koriste
svakodnevni rezultati poslovanja preduzeća, već zbirni i izvedeni iz
predhodnog vremenskog perioda, skladište podataka predstavlja
dobru informatičku osnovu za poslovno odlučivanje.
Menadžeri i donošenje odluka
7

 Menadžment (Management) je proces kojim se postižu ciljevi

organizacije korišćenjem raspoloživih resursa (ljudi, novca, energije,
sirovina, prostora i vremena).
 Resursi su inputi.
 Postizanje ciljeva organizacije naziva se output tog procesa.
 Uspeh menadžera se meri odnosom između inputa i outputa za koji
je on odgovoran. To je glavni pokazatelj produktivnosti organizacije.
 Menadžeri imaju 3 osnovne uloge (Mintzberg, 1973):
 Interpersonalnu (predstavnik, vođa, veza),
 Informacionu (nadzornik, distributer, analitičar),
 Ulogu u odlučivanju (preduzetnik, pregovarač itd.)
 Odluka je izbor koji pojedinac ili grupa čini između dve ili više
alternativa.
 Menadžeri i donošenje odluka
8

 Odlučivanje je sistematičan proces.

 Simon 1977 definiše 3 faze procesa odlučivanja:
 Istraživanje - Menadžeri preispituju situaciju, utvrđuju i definišu
problem.
 Modeliranje - U fazi odlučivanja menadžeri konstruišu model koji
pojednostavljuje problem. Menadžeri potvrđuju model korišćenjem
probnih podataka.
Menadžer koji donosi odluku određuje kriterijum za evaluaciju svih
potencijalnih rešenja koja su predložena.
 Izbor - Vrši se izbor rešenja koje se testira na papiru.
 Imlementacija (dodata kasnije) - Implementacija je uspešna ako
predloženo rešenje reši problem.
 Podrška odlučivanju zasnovana na računaru pokušava da
automatizuje nekoliko zadataka u procesu odlučivanja, a jezgro toga
je modeliranje.
Menadžeri i donošenje odluka 9

 Proces odlučivanja i njegove faze

Menadžeri i donošenje odluka 10

 Odlučivanje postaje sve teže pod uticajem sledećih trendova:

 Ključ dobrog odlučivanja je u tome da se istraže i uporede sve
relevantne alternative.
 Karakteristično je da se odluke donose pod pritiskom kratkih
vremenskih rokova.
 Usled velike neizvesnosti u okruženju odlučivanja, odluke postaju
sve složenije. Potrebno je izvršiti detaljne analize da bi se donela
dobra odluka. Takva vrsta analize podrazumeva modeliranje.
 Menadžeri koji odlučuju i informacije se mogu nalaziti na
različitim mestima. Njihovo dovođenje na jedno mesto je skup i
težak zadatak.
 Menadžeri i donošenje odluka
11

 Okvir za analizu podržanu računarom

 Garry i Scott Morton (1971) klasifikuju odluke menadžera na osnovu 2
dimenzije:
1. struktura problema 2. Priroda odluka
1. Struktura problema gde proces odlučivanja kreće od visokostruktirisanih do
potpuno nestrukturisanih odluka.
 Strukturisane odluke odnose se na rutinske probleme koji se ponavljaju i za
koje postoje standardna rešenja (primer kontrola zaliha).
 Kod strukturisanih problema prve 3 faze odlučivanja (istraživanje,
modeliranje i izbor) smeštene su u određen niz i procedure za dobijanje
najboljih rešenja su poznate.
 Klriterijumi za evaluaciju predloženih rešenja su: min troškova i max profit.
 Nestrukturisane odluke odnose se na kompleksne probleme za koje ne
postoje jasni i konkretni odgovori (primeri: izbor projekata, uvođenje novih
usluga itd).
 U odlučivanju važnu ulogu ima ljudska intuicija.
 Menadžeri i donošenje odluka 12

 Polustrukturisani problemi su oni kod kojih su samo neke od faza u procesu

odlučivanja strukturisane.
 Ovaj tip problema zahteva kombinovanje standardnih procedura za
rešavanje problema i individualnu procenu (primer: evaluacija zaposlenih).
2. Priroda odluka
Mogu se definisati 3 kategorije odluka koje obuhvataju sve menadžerske
odluke:
 Operativna kontrola - efikasno izvršava specifične zadatke.
 Kontrola upravljanja – dolazi do resursa i efikasno ih koristi za
postizanje ciljeva organizacije.
 Strateško planiranje – postizanje dugoročnih ciljeva i politike
organizacije za razvoj i razmeštanje resursa .
 Menadžeri i donošenje odluka
13
 Matrica odluka/Matrica za podršku odlučivanju – čine je 3 klase
strukture problema i 3 kategorije prirode odluka.
Priroda odluke/ Operativna kontrola Kontrola upravljanja Strateško planiranje Potrebna
Tip odluke podrška
Strukturisana Pretraživanja, Analiza budžeta, Upravljanje Uprvaljački IS,
narudžbine Kratkoročno predviđanje, finansijama, Modeli nauke o
izveštavanje o zaposlenima, Lokacija skladišta, menadžemntu i
analiza “kupiti ili napraviti” sistemi distribucije statistički
modeli

Polustrukturisana Raspoređivanje Analiza kreditne Izgradnja novog Sistemi za

proizvodnje sposobnosti, planiranje
budžeta,postavljanje plana,
pravljenje rasporeda
projekta,kreiranje sistema
nagrađivanja
postrojenja, preuzete podršku
firme, planiranje novog odlučivanju
proizvoda, planiranje
kompenzacije,
planiranje osiguravanja
kvaliteta

Nestrukturisana Biranje naslovne Pregovaranje, rerutovanje Planiranje istraživačkih Sistemi za

strane časopisa, izvršilaca, projekata, razvoj nove podršku
Kupovina softvera, Kupovina hardvera, tehnologije, planiranje odlučivanju,
Odobravanje zajmova lobiranje društvene Ekspertni
odgovornosti sistemi,
Neuronske
mreže
Potreba podrška Upravljački IS, Nauka o menadžmentu, Neuronske mreže,
Nauka o ekspertni sistemi, sistemi za ekspertni sistemi
menadžmentu podršku odlučivanju
Transakcioni IS – OLTP (On-Line Transaction Processing)
14

 Registrovanje, obrada, arhiviranje, prikaz pojedinacnih

podataka – transakcija
 Manipulacija transakcijama, procesima koji su frekventni i
ponavljajući, paralelno se izvode (primer: bankarski poslovi,
rezervacije letova, narucivanje robe).
 Transakcije najčešce imaju samo jedan ili nekoliko
definisanih koraka.
Transakcioni IS – OLTP (On-Line Transaction Processing)
15

 Kvalitetna i pravovremena informacija je osnov za

donošenje poslovnih odluka od strane menadžmenta
preduzeća.
 Menadžeri su u svom svakodnevnom radu okruženi
mnoštvom različitih podataka i informacija koje mogu biti
manje ili više upotrebljive. Samo uz korišćenje
savremenih softverskih alata za poslovnu analizu
podataka menadžeri mogu imati kvalitetan i brz uvid u
poslovanje.
 OLAP (On Line Analytical Processing) sistemi
predstavljaju softversku tehnologiju koja omogućava
analitičarima i menadžerima brz, interaktivan i sažet uvid
u informacije, putem širokog spektra mogućih pogleda na
informacije.
Transakcioni IS – OLTP (On-Line Transaction Processing)
16

 Analitičko procesiranje podataka se može izvršavati

diektno nad relacionom bazom podataka (ROLAP) ili nad
pripremljenim skladištem podataka (MOLAP).
 Sistemi za analitičko procesiranje podataka (OLAP)
omogućavaju menadžerima da, samostalno, bez znanja
programiranja, u realnom vremenu, obavljaju
višedimenzionu analizu podataka dobijajući pritom
informacije u preglednim tabelarnim i grafičkim formama.
Sistemi za obradu transakcija 17

 Transkacija je bilo koja poslovna aktivnost koja stvara podatke

dovoljno vredne da se zabeleže i sačuvaju u bazi podataka.
 Primeri transakcija:zaposlen novi radnik, proizveden proizvod,
pružena usluga, itd.
 Sistemi za obradu transakcija (Transaction Processing System-
TPS) nadgledaju, prikupljaju, čuvaju i obrađuju podatke prikupljene
od svih poslovnih transakcija.
 Ti podaci jesu ulazi za:
 Funkcionalne informacione sisteme,
 Informacione sisteme za podršku odlučivanju,
 Informacione sisteme za menadžment odnosa sa kupcima,
 Sisteme za menadžment znanja i
 Sisteme e-trgovine.
 Sistemi za obradu transakcija 18

 Sistemi za obradu transakcija funkcionišu na sledeći način:

 Ljudi ili senzori prikaupljaju podatke i unose ih u računar pomoću
bilo kog ulaznog uređaja.
Cilj:automatizacija unosa podataka!
 Sistem obrađuje podatke na dva načina:
 Serijska obrada podataka (Batch Processing) znači da se
podaci o transakcijama prikupljaju, onako kako se pojavljuju i
grupišu se u serije, a zatim sistem periodično obrađuje te
podatke prema nekom unapred definisanom rasporedu ili
kriterijumu.
 Sinhrona obrada podataka ili Obrada transakcija u relanom
vremenu (Online Transactions Processing-OLTP) poslovne
transakcije se obrađuju čim nastanu. (Primer:kupovina knjige
u knjižari).
 Sistemi za obradu transakcija kao
podrška poslovnim operacijama 19

 Transakcija je elementarna aktivnost koja se sprovodi u

poslovnim operacijama. Maloprodaja, rezervacija avio-karte,
kupovina kreditnom karticom, upit nad stanjem zaliha su
transakcije.
 Sistemi za obradu transakcija) vrše obradu poslovnih
transakcija preduzeća i tako podržavaju njegov rad.
Transakcioni IS beleži samu transakciju, kao i sve njene
efekte u bazu podataka i kreira dokumente koji se odnose na
tu transakciju. Danas se mnogi transakcioni dokumenti, kao
što su narudžbenice ili fakture, izrađuju u elektronskoj formi i
nikad se ne pojavljuju na papiru.
 Pristupom bazama podataka, Transakcioni IS takođe
obrađuje transakcije upita i tako pruţa informacije, na primer,
o stanju zaliha proizvoda ili kreditnom rejtingu kupca.
 Sistemi za obradu transakcija kao
podrška poslovnim operacijama 20

 Transakcioni IS sistemi su neophodni za poslovanje u skoro

svakoj savremenoj organizaciji. Kako TPS dovode podatke u
baze podataka organizacije, ovi sistemi su takođe i osnova na
kojoj se zasnivaju drugi, specijalizovani informacioni sistemi.
 Sistemi za obradu transakcija u računovodstvu i obradi
platnog spiska su bili prve aplikacije informacionih sistema,
uvedene sredinom pedesetih.
 Sistemi za obradu transakcija kao
podrška poslovnim operacijama 21

 Modovi obrade transakcija

 Obrada transakcija se može obaviti u jednom od dva moda, on-
line (u realnom vremenu) ili batch, u zavisnosti od potrebe za
trenutnim izlazima i aţuriranjem baze podataka.
 On-line obrada podrazumeva da se svaka transakcija u
potpunosti obradi odmah po unosu.
 “Odmah” znači da se obrada obavlja tokom vremena odgovora
koje očekuje korisnik koji čeka na izvršenje transakcije. U dobro
dizajniranom sistemu, najveći broj transakcija se izvršava u roku
od jedne ili dve sekunde. On-line obrada transakcija (skraćeno:
OLTP) je najčešći mod koji se danas koristi. Ovo je naročito
karakteristično za aplikacije koje pokreću korisnici, kao što su
one koje podržavaju terminale na prodajnim mestima,
automatske mašine za podizanje gotovine ili kompjuterizovane
sisteme za rezervaciju avio-karata.
 Sistemi za obradu transakcija kao
podrška poslovnim operacijama 22

 Neke vrste transakcija ne traţe toliko brz i, uopšteno, relativno

skup odgovor. Alternativni mod obrade, batch obrada, se
zasniva na sakupljanju podataka o transakcijama tokom
određenog vremenskog perioda, a zatim obrada celog skupa
od jednom. Batch obrada je najčešće ciklična:dnevni, nedeljni
ili mesečni ciklus rada se uspostavlja u zavisnosti od prirode
transakcija.
 Pored prednosti niţih troškova, batch obrada je lakša za
kontrolu od on-line obrade.
 Treba imati u vidu bitnu razliku između ova dva moda: baza
podataka je uvek ažurna kod on-line obrade transakcija,
nasuprot batch obradi.
 Sistemi za obradu transakcija kao
podrška poslovnim operacijama 23

 Aktivnosti obrade transakcija

 Obrada pojedinačnih transakcija, zavisi do određenog nivoa
od njihove prirode. Međutim, ovde razmatramo opšte
elemente obrade transakcija: prikupljanje i validacija
podataka, koraci obrade u zavisnosti od transakcije i
odrţavanje baze podataka.
 Sistemi za obradu transakcija kao
podrška poslovnim operacijama 24

 Prikupljanje podataka - Stari metodi beleženja transakcije su

se u najvećem delu oslanjali na ručni unos. Sve manje
sistema danas koristi takve tehnike kao što su unos podataka
sa tastature iz dokumenata.
 Danas se često koristi direktan unos podataka kroz
automatizaciju izvornih podataka. Sve više se sistemi za
obradu transakcija zasnivaju na elektronskoj razmeni
podataka (EDI).
 Zamenom papirnih dokumenata formatiranim podacima o
transakciji poslatih preko telekomunikacionih mreţa, ovi
sistemi obezbeđuju komunikaciju računara bez ponovnih
unosa podataka. Iako se koristi i interno u nekim firmama, EDI
primarno zadovoljava potrebe međukompanijske
komunikacije.
 Sistemi za obradu transakcija kao
podrška poslovnim operacijama 25

 Validacija podataka - Tipični testovi validacije podataka

obuhvataju traţenje nedostajućih elemenata, validnih kodova
(veličina i tip polja) i validnih vrednosti (da li je vrednost ili kod
u datom opsegu?).
 Izlazi obezbeđeni sistemima za obradu transakcija
 Izlazi koji su obezbeđeni Transakcionim IS mogu biti
klasifikovani kao transakcioni dokumenti, odgovori na upit, i
izveštaji.
 Sistemi za obradu transakcija kao
podrška poslovnim operacijama 26

 Transakcioni dokumenti - fakture, narudţbenice, ili računi. Ovi

transakcioni dokumenti određuju da li se akcija odigrala ili
informišu o jednoj ili više transakcija.
 Transakcioni dokumenti zahtevaju ručno rukovanje i, u nekim
slučajevima, distribuciju umnoţenih kopija. Ovaj proces je
skup i vodi ka nedoslednosti ako jedna od kopija ne dospe na
svoje odredište. Elektronska razmena dokumenta eliminše
većinu ovih problema.
 Odgovori na upite i izveštaji– Transakcioni IS nude određene
upitne i jednostavne mogućnosti izveštavanja. Većina upita
proizvodi pun ekran informacija, pošto nije specijalizovana za
određene potrebe korisnika.
Sistemi za obradu transakcija 27

Proces obrade podataka

Sistemi za obradu transakcija 28

Veza između tipova informacionih sistema

Sistemi za obradu transakcija
29

Model ulaza, obrade i izlaza

OLAP SISTEMI 30

 Interaktivno analitičko procesiranje OLAP (On line Analytical

Processing) namenjeno je on line analizama i izveštavanjima i
treba da omogući krajnjem korisniku:
- da može da postavi bilo koje poslovno pitanje;
- da bilo koji podatak iz preduzeća koristi za analizu;
- mogućnost neograničenog izveštavanja.
 Oni omogućuju jednostavnu sintezu, analizu i konsolidaciju
podataka. Koriste se za intuitivnu, brzu i fleksibilnu manipulaciju
transakcionim podacima. Podržavaju kompleksne analize koje
sprovode analitičari i omogućavaju analizu podataka iz različitih
perspektiva (poslovnih dimenzija).
 OLAP sistemi kao skladišta podataka koriste
multidimenzionalnost i denormalizaciju. Podaci se smeštaju u
takozvane kocke podataka u kojima se svaka strana kocke
naziva dimenzijom (kategorija podataka).
OLAP SISTEMI 31

 Interfejs OLAP sistema omogućuju korisniku samostalno izvođenje

analitičkih operacija i dobijanje pregleda i poslovne grafike, bez
znanja programiranja i strukture baze podataka.
 Prema arhitekturi OLAP sistemi se dele na:
 MOLAP – višedimenzioni OLAP;
 ROLAP – relacioni OLAP;
 HOLAP – hibridni OLAP.
 MOLAP i ROLAP se razlikuju po načinu fizičkog čuvanja podataka.
 Kod MOLAP sistema podaci se čuvaju u višedimenzionoj strukturi
(kocke podataka), a u slučaju ROLAP sistema podaci se čuvaju u
relacionim bazama podataka.
 ROLAP sistemi su otvoreni sistemi jer obezbeđuju direktan pristup
podacima iz tabela te ne postoji potreba za dupliciranjem podataka.
 Prednost MOLAP sistema je što obezbeđuju odlične performanse
sistema kada se radi sa već sračunatim podacima (agregacijama).
OLAP SISTEMI 32

 Zahtevi savremenog poslovanja:

1. Pristup SVIM relevantnim strukturama podataka
2. Prezentacija konkretnih sintetičkih informacija
3. Donošenje odluke uz saznanje o uzrocima i posledicama
4. Trenutno raspoložive analize
OLAP SISTEMI 33

 SPEKTAR POSLOVNIH PODATAKA

OLAP SISTEMI 34

 Analitički
IS –On-line Analytical Processing (OLAP)
analiza i obrada podataka, izrada izveštaja
 OLAP SISTEMI 35

 OLAP (On Line Analytical Processing) sistemi

predstavljaju softversku tehnologiju koja omogućava
analitičarima i menadžerima brz, interaktivan i sažet
uvid u informacije, putem širokog spektra mogućih
pogleda na informacije.
 Analitičko procesiranje podataka se može izvršavati
diektno nad relacionom bazom podataka (ROLAP) ili nad
pripremljenim skladištem podataka (MOLAP).
OLAP SISTEMI 36

 Interaktivno analitičko procesiranje OLAP (On line

Analytical Processing) namenjeno je on line analizama i
izveštavanjima i treba da omogući krajnjem korisniku:
 da može da postavi bilo koje poslovno pitanje;
 da bilo koji podatak iz preduzeća koristi za analizu;
 mogućnost neograničenog izveštavanja.

 Oni omogućuju jednostavnu sintezu, analizu i

konsolidaciju podataka. Koriste se za intuitivnu, brzu i
fleksibilnu manipulaciju transakcionim podacima.
Podržavaju kompleksne analize koje sprovode analitičari
i omogućavaju analizu podataka iz različitih perspektiva
(poslovnih dimenzija).
OLAP SISTEMI 37

OLAP sistemi kao skladišta podataka koriste

multidimenzionalnost i denormalizaciju.
Podaci se smeštaju u takozvane kocke podataka u kojima
se svaka strana kocke naziva dimenzijom (kategorija
podataka).
 SAVREMENO POSLOVNO ODLUČIVANJE I
NJEGOVA PODRŠKA 38

 Odluka i odlučivanje se kao reči javljaju i koriste svakodnevno, ali

kako često u takvim situacijama biva, te reči su u upotrebi, a da se
pri tome i ne zna uvek njihovo pravo značenje.
 Da se radi o značajnoj ljudskoj delatnosti (iza svake odluke stoji
neka delatnost), govori i činjenica da se već pedesetak godina
neguje i razvija posebna naučna disciplina zvana teorija odlučivanja.
 Odlučivanje je deo poslova koje svaki menadžer mora obavljati u
toku svog rada.
 Odluke se donose stalno, tj. u toku obavljanja, odnosno izvršavanja
poslova vezanih za klasične upravljačke funkcije (management
functions) kao što su: planiranje, organizovanje, upravljanje
kadrovima, rukovođenje i kontrola.
 Odlučivanje nije posebna, izolovana funkcija upravljanja, već je
zajedničko jezgro svim pomenutim poslovnim funkcijama.
 SAVREMENO POSLOVNO ODLUČIVANJE I
NJEGOVA PODRŠKA 39

 Menadžeri (donosioci odluka) svih nivoa donose odluke koje

su nekad "velike", a nekad"male".
 U svim pristupima koji su prisutni u savremenoj teoriji
upravljanja (management theory) pod odlučivanjem se
podrazumeva racionalni izbor jedne, iz skupa raspoloživih
alternativa (akcija).
 Novi pristupi savremenom poslovnom odlučivanju, sa
savremenim integrisanim informacionim sistemima, uključuju
nove istraživačke pravce preko Data warehousa (skladišta
podataka) i Data mininga (otkrivanja znanja).
 Osnovna ideja ovoga pristupa jeste da se iz velike količine
podataka otkriju interesantne pojave ponašanja sistema, radi
vođenja istoga ka kontrolisanoj referentnoj tački.
 SAVREMENO POSLOVNO ODLUČIVANJE I
NJEGOVA PODRŠKA 40

 Prikupljanje podataka u adekvatnu bazu podataka (BP), kroz

faze razvoja posmatranog preduzeća, karakteriše velika
količina podataka.
 Tako baza podataka preduzeća narasta po svom obimu u
skladište podataka, koje prati poslovanje preduzeća.
 Kako se za strategijsko odlučivanje, uglavnom ne koriste
svakodnevni rezultati poslovanja preduzeća, već zbirni i
izvedeni iz predhodnog vremenskog perioda, skladište
podataka predstavlja dobru informatičku osnovu za poslovno
odlučivanje.
 SAVREMENO POSLOVNO ODLUČIVANJE I
NJEGOVA PODRŠKA 41

 Skladište podataka, kao noviji tehnološki koncept, ima upravo ulogu

da objedini srodne podatke poslovanja vitalnih funkcija preduzeća u
oblik pogodan za sprovođenje raznih analiza.
 Tako se nasuprot svakodnevnoj operativnoj obradi podataka
(OLTP), javlja potreba za analitičkom obradom podataka (OLAP).
 Sve upravljačke, menadžerske funkcije (planiranje, organizovanje,
vođenje i kontrola), zasnivaju se na protoku informacija unutar i van
organizacije. Samo na osnovu tačnih i pravovremenih informacija
moguće je reagovanje na potencijalne probleme.
 Ako menadžeri ne poseduju najnovije informacije, njihov rad možda
neće dati rezultate ali će puno koštati. Informacioni sistemi
omogućavaju menadžerima kontrolu obavljanja posla.
 Informacioni sistemi na svim nivoima pružaju informacije koje
omogućavaju efikasnost operacija.
 DATA WAREHOUSING (DW)
42

 Skladištenje podataka - DW je proces integracije podataka u jedan

repozitorijum iz kojeg krajnji korisnici mogu sprovoditi ad-hock
analize podataka i praviti izveštaje. Karakteristike DW:
 Organizacija. Podaci su organizovani po predmetu i
sadrže relevantne informacije za podršku odlučivanju.
 Konzistentnost. Podaci u različitim operacionim bazama
podataka se drugačije šifriraju. U DW ti podaci će biti šifrovani
na konzistentan način.
 Vremenski. Podaci se čuvaju mnogo godina kako bi se iskoristili
za praćenje trendova, prognoze i vremensko poređenje.
 Multidimenzionalni. Obično data warehouse koristi
multidimenzionalnu strukturu.
 Web-zasnovani. Danas je DW dizajniran tako da
obezbedi jedno efikasno okruženje za web zasnovane
aplikacije.
 DATA WAREHOUSING (DW)
43

 Warehousing koncept je skladištenje agregiranih,

ekstrahovanih i filtriranih podataka u meta baze, koje
omogućavaju slojevit, multidimenzionalni pristup podacima,
kakav je potreban za donošenje odluka najvišeg strateškog
nivoa.
 Skladište podataka je informaciona baza podataka
dizajnirana za podršku jedne ili više klasa analitičkih
zadataka, kao što su nadgledanje i izveštavanje, analiza i
dijagnoza i simulacija i planiranje.
 DATA WAREHOUSING (DW)
44

 DW sistem sadrži mnoge komponente koje prenose podatke sa izvornih

sistema do korisnika koji izvršavaju analizu podataka:
1. Izvori podataka – Izvorni sistemi su operacioni sistemi, npr. OLTP
sistemi koji mogu biti relacioni.
2.Oblast za pripremu podataka – skup procesa koji čisti, transformiše,
povezuje i priprema izvorne podatke za korišćenje u DW. Podaci se
transformišu u konzistente formate. Oblast za pripremu podataka se nalazi
na jednom ili nekoliko kompjutera, ne mora da bude zasnovana na
relacionoj tehnologiji, ne podržava koristničke izveštaje.
3.Data Mart – je podskup DW koji sadrži podatke specifične za određenu
poslovnu aktivnost kao što su finansije ili analiza klijenata. Data martovi
mogu biti uključeni u DW, mogu se izgraditi u relacionim ili OLAP bazama
podataka i mogu detaljne ili sumarne podatke koje se mogu ili ne deliti kroz
data mart-ove.
4. Data Warehouse – može se definisatii kao virtuelna
unija datamart-ovasa integrisanim informacijama koje su deljive kroz
data mart-ove ili kao centralizovano, integrisano skladište podataka koje
obezbeđuje podatke data mart-ovima.
DATA WAREHOUSING
KOMPONENTE 45
 RAVOJ SKLADIŠTA PODATAKA
46

 Pri izgradnji skladišta podataka najbitniji su sami

podaci,a ne poslovni procesii funkcije, kao što je to slučaj
sa transakcionim sistemima.
 Za razvoj skladišta podataka potrebno je:
1. izvršiti analizu izvora podataka,
2. pripremiti podatake,
3. izgraditi skladište podataka.
ARHITEKTURA SKLADIŠTA PODATAKA
47
 ANALIZA IZVORA PODATAKA
48

 Osnovni izvori podataka za koncept skladišta podataka su operativni

(transakcioni), tzv. OLTP (On-Line Transaction Processing) podaci,
kao i spoljne informacije nastale kao istorija poslovanja ili industrijski
i demografski podaci uzeti iz velikih javnih baza podataka.
 Analiza izvornih podataka se smatra ključnim elementom i oduzima
80% vremena, jer je potrebno definisati odgovarajuća pravila za
preuzimanje podataka iz izvornih podataka.
 Znanja vezana za ovu oblast su najčešće u glavama onih koji treba
da koriste skladište podataka.
 Analiza izvora podataka prolazi kroz sledeće faze:
1.1. Prikupljanje zahteva,
1.2. Planiranje skladišta podataka,
1.3. Izbor tehnike analize podataka.
 Poslovna inteligencija
49

 Poslovna inteligencija (Business Intelligence - BI) odnosi se

na aplikacije i tehnologije za usklađivanje, analizu i
obezbeđenje pristupa ogromnoj količini podataka koje
pomažu korisnicima da donesu bolje poslovne i strateške
odluke.
 Poslovna inteligencija je takvo korišćenje podataka koje vodi
ka donošenju boljih poslovnih odluka.
 Poslovna inteligencija je proces prikupljanja raspoloživih
internih i relevantnih eksternih podataka, i njihova obrada u
korisne informacije koje mogu pomoći poslovnim korisnicima
pri donošenju odluka.
 Poslovna inteligencija je proces kojim se sirovi podaci
pretvaraju u informacije koje se analiziraju i koriste u procesu
odlučivanja.
 Poslovna inteligencija 50

Razlozi za uvođenje poslovne inteligencije su:

 Postojanje potrebe povećanja prihoda, smanjenja troškova i konkurentnijeg
poslovanja,
 Postojanje potrebe modelovanja i upravljanja kompleksnošću savremenog
poslovnog okruženja ,
 Postojanje potrebe smanjenja IT troškova.
Sistemi poslovne inteligencije obuhvataju dva tipa informacionih sistema:
 One koji obezbeđuju alate za analizu podataka (za OLAP analizu, Data Mining i
sisteme za podršku odlučivanju) i
 One koje obezbeđuju lako dostupne informacije u strukturisanom formatu
(primer digitalne kontrolne table).
 Glavni dobavljači softvera poslovne inteligencije su: SAS, Hyperion, SPSS i
drugi.
 Poslovna inteligencija
51
 Arhitektura sistema za poslovnu inteligenciju
 Operativni nivo
• Uglavnom OLTP (online transaction processing) sistemi koji podržavaju
dnevne poslovne operacije
• Relacione baze podataka
 ETL procesi (Extraction, Transformation, Load)
• Komponenta preprocesiranja podataka
 Skladište podataka
• Uglavnom se prave u tradicionalnim sistemima za upravljanje relacionim
bazama podataka (RDBMS)
 Analiza podataka
• Dva osnovna tipa analitičkih funkcija: izveštaji i OLAP (online analytical
processing)
 Upravljanje metapodacima
• Metapodaci su ključni za dobijanje tačnih, konzistentnih informacija i za
održavanje sistema.
 Arhitektura sistema za poslovnu
inteligenciju 52

Operativni nivo ETL procesi Skladište podataka Analiza podataka

HR
Ekstrakcija Izveštaji

Finansije
Transformacija Data OLAP
Warehouse

Nasleđeni
sistemi Punjenje Data mining

Upravljanje metapodacima
 Arhitektura sistema za poslovnu
inteligenciju 53

 Operativni nivo
 Koristi konvencionalne baze podataka, koje se uglavnom
zasnivaju na relacionom modelu. Karakterišu ih maksimalno
normalizovani podaci, kako bi se obezbedila konzistentnost i
izbeglo udvajanje (ponavljanje) podataka.
 Dovodi do povećanja vremena izvršenja transakcija i upita.
 Nad tim bazama rade aplikacije koje su transakciono
orijentisane, i koriste se za unos novih podataka ili
generisanje prostih statičkih izveštaja - OLTP (On Line
Transaction Processing).
 OLTP – Opisuje način na koji računarski sistemi i krajnji
korisnici obrađuju podatke.
 OLTP je orijentisan na detalje, sa čestim ažuriranjem od
strane krajnjih korisnika.
 OLTP se opisuje kao način korišćenja računara za vođenje
neprekidnih (trajnih) poslovnih procesa.
Arhitektura sistema za poslovnu 54

inteligenciju
 ETL procesi
 Uključuje tri procesa:
 Extract (“izvlačenje” podataka)
 Transform (transformacija podataka)
 Load (učitavaje podataka)
 ETL proces je najznačajnija komponenta sistema za
poslovnu inteligenciju – kvalitet rezultata svih ostalih
komponenti se zasniva na ovom procesu.
 Glavni zahtevi prilikom razvoja i dizajniranja ETL procesa su
kvalitet podataka, fleksibilnost sistema i vreme procesiranja.
ETL procesi 55
 Arhitektura sistema za poslovnu 56

inteligenciju
 Skladište podataka (DataWarehouse)
 Predmetno-orijentisan, integrisan, vremenski promenljiv i
održiv skup podataka.
 Podaci iz OLTP sistema se ekstrakuju, transformisu i onda
smeštaju u skladišta podataka prema predefinisanoj šemi.
 Najkorišćenija šema: zvezdasta šema.
 Bez obzira na tip šeme na kojem je skladište podataka
izgrađeno, skladište podataka uvek sadrži dva osnovna tipa
tabela:
 Tabelu činjenica i
 Dimenzionu tabelu
 Arhitektura sistema za poslovnu
inteligenciju 57

 Analiza podataka
 Tipovi aplikacija poslovne inteligencije su:
 Izveštajne aplikacije - obezbeđuju statističke ili parametrizovane izveštaje.
 Ad hoc upiti i izveštavanje - pružaju korisniku najviši mogući stepen
interakcije sa podacima.
 OLAP alati - imaju mogućnost realizacije mnogo složenijih upita.
 Kontrolne table kao interaktivni vizuelni ulazno-izlazni medijum.
 Business activity monitoring (BAM) – softver koji prati poslovne aktivnosti.
 Aplikacije za planiranje - omogućuju korisnicima da predvide rezultate
poslovanja .
 Radna okruženja koja obezbeđuju potpunu kontrolu poslovne inteligencije.
 Aplikacije za pomoć u pretrazi, pravljenju upita i analizi rezultata.
 Arhitektura sistema za poslovnu
inteligenciju 58

 Upravljanje metapodacima
 Metapodaci su specijalni podaci o podacima. Podaci o
izvorima podataka, skladištu podataka, poslovnim
pravilima, pravima pristupa i drugo.
 Metapodaci su ključni za dobijanje tačnih, konzistentnih
informacija kao i za održavanje sistema.
 Utiču na ceo proces dizajniranja razvoja, testiranja,
dopremanja i korišćenja sistema poslovne inteligencije.
 Komercijalna rešenja –
SAS Business Intelligence
59
 Komercijalna rešenja –
IBM Cognos Business Intelligence 60
Multidimenzionalna analiza podataka 61

 Multidimenzionalna analiza podataka

 Pruža korisniku preled onoga što se događa ili ono što
se dogodilo sa podacima u skladištu.
 Korisnik pravi presek kocke i tako dobija konkretne
podatke.
 Kocka (multidimenzionalna struktura podataka) se dobija
povezivanjem tabela iz relacionih baza podataka u
skladištu podataka.
 Statistički alati pružaju korisnicima matematičke modele
koji se primenjuju na podatke kako bi se dobili još tačniji
rezultati.
 Multidimenzionalna analiza podataka 62

 OLAP kocka predstavlja način organizovanja podataka u

multidimenzionalne nizove.
 Svaka kocka predstavlja logički povezanu celinu (poslovni
proces).
 Postoje tri osnovne vrste dimenzija:

Rim
 Standardne dimenzije

lokacija

Pariz
 Vremenske dimenzije

Beograd
 Mere
Januar Februar Mart

Vremenski period
 63

  Data Mart
 Skladište podataka sadrži veliku količinu podataka
organizovanih u manje logičke jedinice koje se nazivaju data
mart-ovi.

 Data Mart je podskup logički povezanih podataka iz skladišta

podataka koji se odnose na određenu oblast poslovanja.

 Unutar svakog skladišta podataka kreira se više podskupova

podataka – data mart-ova, koji su optimizovani za specifične
zahteve korisnika.
64
65
 DATA MINING
66

 Korisnici informacionih sistema s pravom zaključuju da su im

uvođenjem automatizovanog informacionog sistema obećavali sve i
svašta, a dobili su samo gomilu podataka. Čak i najboljem analitičaru
je teško da identifikuje ključne informacije koje su relevantne za
upravljanje poslovanjem.
 Data mining je automatski ili poluautomatski proces koji izvodi
značajna pravila ili obrasce iz ogromne količine podataka. Data mining
programi analiziraju delove podataka da bi identifikovali veze između
naizgled "nepovezanih podataka".
 Data mining je proces otkrivanja znanja (Knowledge Discovery in
Databases - KDD). koji omogućuje korisnicima da shvate sisteme i
veze između njihovih podataka.
 Data mining otkriva oblike i trendove u sadržaju ove informacije.
 Data mining otkriva relacije našeg svakodnevnog komuniciranja sa
podacima.
 DATA MINING
67

 Osnovna poruka data mininga jeste da je potrebno da iz ogromne

količine operativnih podataka i veza koje se ne mogu odmah
sagledati definišu odgovarajuće relacije, obrasci ponašanja, što u
krajnjem slučaju treba da od podataka da potrebne informacije.
 Data mining se može definisati kao proces podrške odlučivanju u
kojem se traže šabloni infomacija u podacima.
 Osnovni cilj data mininga jeste otkrivanje skrivenih veza, predvidivih
sekvenci i tačnih klasifikacija.
 Ovo pretraživanje može vršiti korisnik, na primer izvođenjem upita
(tada je to zaista teško) ili ga može vršiti neki "pametni" program koji
automatski pretražuje bazu umesto korisnika i nalazi značajne
šablone. Kada se ona nađe, informacija treba da se prezentuje na
odgovarajući način, sa grafikonima, izveštajima itd.
 Data Mining 68

 Data mining (DM) podrazumeva traganje za važnim poslovnim

informacijama u velikim bazama podataka, skladištima
podataka i lokalnim skladištima podataka.
 Data mining je proces ekstrakcije tačnih, prethodno nepoznatih
i razumljivih informacija, naizgled nepovezanih u velikim
bazama podataka, te njihovog korišćenja za donošenje
kritičnih poslovnih odluka.
 Data mining je sistemski, interaktivan i iterativan proces
izvođenja i prikazivanja korisnog, implicitnog i inovativnog
znanja iz podataka.
 Osnovna ideja data mining-a je efikasno otkrivanje značajnih
prikrivenih struktura (modela i lokalnih obrazaca) u ogromnim
količinama podataka smeštenim u bazama i skladištima
podataka.
 69

 DM obuhvata dve osnovne operacije:

 Predviđanje trendova i ponašanja,
 Otkrivanje ranije nepoznatih obrazaca pnašanja sistema
 Multidimenzionalna analiza pruža korisniku pregled šta se
događa a DM otkriva razloge zašto se nešto događa i predviđa
šta se sve može dogoditi u budućnosti.
 Cilj DM-a je da automatizuje proces pronalaženja informacija
koje mogu da predvide buduće događaje u bazama podataka.
 Isto tako DM se u velikoj meri koristi kako bi se otkrile nove
poslovne mogućnosti i ostvarila održiva konkurentska
prednost.
 70

 Proces Data mining-a

 Transformacija sadržaja iz skladišta podataka u informacije
koje pomažu donošenju odluka je složen proces, koji se
može podeliti u četiri osnovna koraka:
 selekcija,
 Transformacija,
 data mining,
 interpretacija i evaluacija

Skladište Selektovani Transformisani Mining

Selekcija Transformacija Prilagođavanje
podataka podaci podaci

Izvedene Prilagođene
informacije informacije
 71

 Selekcija – od mnoštva različitih podataka biraju se oni koji su

adekvatni cilju data mining-a.

 Transformacija – nad izabranim podacima vrše se transformacije. Tip

transformacije koju treba izvršiti, određuje vrsta data mining operacije i
tehnike koja se koristi.

 Data mining – izbor optimalne tehnike.

 Interpretacija i evaluacija - informacije dobijene procesom data mining-

a se analiziraju u skladu sa potrebama korisnika. Vrši se izbor najbolje
informacije i njena prezentacija preko sistema za podršku odlučivanju.
 72

 Sa razvojem koncepta data mining-a pojavljuje se širok spektar analitičkih

tehnika namenjenih ispunjavanju osnovnih zadataka u procesu otkrivanja znanja
u podacima.
 Vrste tehnika data mining-a su:
• Stabla odlučivanja (decision tree)
• Pravila pridruživanja (association rules)
• Analiza povezivanja (link analysis)
• Klasterovanje (clastering)
• Konrolisana indukcija (controlled induction)
• Neuronske mreže (neural networks)
• Genetski algoritmi (genetic algorythms)
• Zaključivanje zasnovano na prošlosti (memory based reasoning)
 73

 Nestrukturirani podaci označavaju one računarske podatke

čija je struktura takva da se ne mogu jednostavno obraditi i
čitati od strane ”mašine”.
 Data mining nestrukturiranih podataka se na osnovu vrste
podataka koji se koriste kao ulaz mogu podeliti na:
 Tekst data mining,
 Web data mining,
 Visual data mining,
 Multimedijalni data mining.
 74

 Tekst Data mining

 Predstavlja traženje skrivenih paterna (obrazaca) i
šablona u tekstu sa prirodnim jezikom.

 Tekst data mining predstavlja sublimaciju koncepata

izdvajanja informacija, statistčke analize i procesiranja
prirodnog jezika.
 75

 Primer: analiza poziva u call centar, sledeće sadržine: ”Kvalitet

usluga vaše kompanije je veoma loš. Zvao sam 10 puta i niko se
nije javio. Interesuje me kako da izvršim sinhronizaciju između vaša
dva softvera” .

 Nakon izvršenog tekst data mining-a rezultati su:

 Tema: sinhronizacija
 Slab kvalitet usluge. Deset poziva.

 Nakon toga ažurira se broj žalbi i poziva u vezi sa sinhronizacijom i

preduzimaju određene akcije.
 76

 Web data mining

 Web mining se definiše kao ekstrakcija interesantnih i
potencijalno korisnih obrazaca i skrivenih informacija iz
aktivnosti i podataka vezanih za Web.

 Razlikuju se tri tipa:

 otkrivanje sadržaja na Web-u (Web Content Mining)
 otkrivanje strukture veza na Web-u (Web Structure
Mining)
 otkrivanje obrazaca u korišćenju Web-a (Web Usage
Mining)
 77

 Otkrivanje sadržaja na Webu

 Predstavlja otkrivanje korisnih informacija iz Web
sadržaja, podataka i dokumenata.

 Dva pristupa:
 pristup zasnovan na agentima
 pristup zasnovan na bazama podataka

 Agenti su inteligentni softveri koji krstare po internetu i

skupljaju korisne informacije.
 78

 Otkrivanje strukture veza na Web-u

 Nastoji da otkrije fundamentalni model strukture linkova na

web-u.

 Model mora biti zasnovan na topologiji hiperlinkova sa, ili

bez opisa linkova.

 Koristi se za kategorizaciju web strana i generalizaciju

informacija - sličnosti i veze između različitih web sajtova.

 Dva pravca:
 pronalaženje šablona u hiperlinkovima na Web-u
 mining strukture dokumenta
 79

 Otkrivanje obrazaca u korišćenju web-a

 Otkriva sekundarne podatke izvedene iz interakcija korisnika u
toku njihovog rada na web-u.
 Koristi podatke iz pristupnih logova web servera, logova proksi
servera, logova pretraživača, korisničkih profila, korisničkih
sesija, korisničkih upita, pritiskanja tastera miša i bilo koje
druge podatke koji nastaju kao rezultat interakcije korisnika.
 Web usage Mining-a se može podeliti na dva dela:
1) Predprocesiranje
2) Otkrivanje i analiza paterna
 80

 Click stream analiza

 Jedna od najzastupljenijih analiza u vezi sa ponašanjem korisnika
na Web-u je click stream analiza.
 Traže se odgovori na pitanja o ponašanju i motivaciji posetilaca:
 ko su oni i kada dolaze;
 sa kojih stranica dolaze i  koliko se dugo zadržavaju;
 kako su saznali za stranicu;
 da li je moguće u realnom vremenu sugerisati im neke
proizvode

 Najjednostavniji oblik korišćenja click stream podataka je analiza

korisnosti i kvaliteta Web stranice.
 Identifikuju se stranice koje je najteže pronaći, koje se predugo
učitavaju, na koje se posetioci ne vraćaju a istovremeno, pronalaze
se i najposjećenije stranice i izvode neki generalni zaključci o
interesima svih posetilaca.
 Putanja do kupovine utvrđuje koliko je ”klikova” potrebno učiniti do
proizvoda koji se najbolje prodaju i zatim se taj put skraćuje.
 81

 Online profiling – prepoznavanje profila posetilaca

 Složeniji oblik analiza click stream podataka je
prepoznavanje profila posetilaca (online profiling).
 Klijenti ispunjavaju Web forme sa specifičnim
pitanjima, a svakom od njih dodeljuje se jedinstveni
identifikator.
 Generiše se personalizovana Web stranica s različitim
informacijama, poput preporučenih proizvoda i
oglasnih poruka.
 Kada posetilac pretražuje stranicu,  beleže se ”klikovi”
i dodaju već poznatim podacima, a svaki sledeći put
kad se vrati na stranicu, njen sadržaj je usklađen
sa njegovim profilom !!!
 Personalizacija stranica se vrši na osnovu pravila.
 82

 Visual data mining

 Vizuelni data mining je kolekcija interaktivnih metoda

koje podržavaju istraživanje podataka na osnovu
dimanički podesivih parametara, da bi se videlo kako
oni utiču na prezentovane informacije.

 Kombinacija automatizovanih analitičkih metoda sa

tehnologijama vizuelizacije.
 83

 Multimedijalni data mining

 Obuhvata mining i analizu raznih tipova podataka, od

fotografija, video snimaka do animacija.

 Formira se multimedijalna kocka podataka koja se koristi

za konverziju podataka multimedijalnog tipa u podatke
čija forma je podesnija za analizu preko neke od klasičnih
data-mining tehnika.
 84
 Oblasti primene DM-a su:
 Maloprodaja i prodaja - predviđanje prodaje,
sprečavanje krađa, utvrđivenje tačnih količina zaliha
itd.
 Bankarstvo – predviđanje nivoa nesigurnih zajmova,
korišćenje lažnih kreditnih kartica, predviđanje
zaduženja na kreditnim karticama novih korisnika,
određivanje tipova klijenata koji će najbolje ispunjavati
uslove za kredit i drugo.
 Proizvodnja – predviđanje kvarova mašina i opreme
za proizvodnju i pronalaženje ključnog faktora koji će
pomoći da se optimizira proizvodni kapacitet.
 85
 Osiguranje – predviđanje potraživanja od osguranja,
predviđanje klijenata koji će kupiti novu polisu
osiguranja i drugo.
 Policijskiposao – praćenje obrazaca činjenja krivičnih
dela, lokacija itd.
 Zdravstvena zaštita – povezivanje demografskih
karakteristika sa bolestima i razvijanje strategije za
otkrivanje ranih simptoma bolesti idr.
 Marketing – demografsko klasifikovanje kupaca za
predviđanja tipa kako će kupci reagovati na reklamnu
poštu itd.
 PRIMENA DATA MINING-A
86

 Reklamiranje na Internetu
1. Data mining se može koristiti za klasifikovanje grupa klijenata
sa sličnim informacijama, kako bi se ciljno reklamiralo.
2. Kada se korisnik na primer registruje na e-commerce Web sajt
koji prodaje sportsku opremu tada DBMS prikuplja informacije o
klijentu, kao što su pol, godine, omiljeni sport i dr. Korišćenjem
tehnika data mininga, web sajt će prikazivati baner sa motivima
golfa za muškarce i dr.
3. Kada kupujete putem Interneta, ponekad vam se ponude i
dodatni proizvodi za koje je Web sajt predvideo da ćete možda biti
zainteresovani. Takva preporuka se zasniva na tehnikama data
mininga koji pretražuje obrasce klijenata koji su na primer kupili istu
knjigu koju vi sada kupujete. Sistem preporučuje: “Ukoliko vam se
dopada x knjiga, proverite i sledeće ponuđene knjige”.
 PRIMENA DATA MINING-A
87

 Upravljanje kreditnim rizikom

 Kada uzimate kredit, banka prikuplja širok opseg informacija o
vama, kao na primer prihodi, godine staža, bračni status, kreditna
sposobnost itd. Koriščenjem data mining tehnika, banka može da
predvidi da li ste dobar ili rizičan klijent za davanje kredita i takva
informacija će odlučivati o odobravanju kredita.
 PRIMENJENI DATA MINING ALGORITMI
88

Decision Trees Clustering Time Series Naïve Bayes

Sequence Association Neural Net Logistic

Clustering Regression

Linear Regression Text Mining

 DATA MINING – KORACI IZGRADNJE
89

 DATA MINING – KORACI IZGRADNJE

1. Izbor tehnike data mininga

2. Identifikovanje slučaja (case)
3. Izbor entiteta koji treba da se predvidi
4. Identifikovanje podataka za analizu
5. Opciono kreiranje dimenzije i virtuelne kocke iz rezultujućeg
modela
6. Obrada modela i prikupljanje rezultata.
 Sistemi za podršku odlučivanju
90
 Sistemi za podršku odlučivanju
 Sistemi za podršku odlučivanju (Decision Support System-DSS)
kombinuje modele i podatke da reši polustrukturiane i nestrukturisane
probleme uz uključivanje korisnika.
 Model je apstrakcija stvarnosti ili pojednostavljena prezentacija.
 DSS omogućavaju interaktivan pristup podacima, rad sa podacima i
omogućavaju menadžerima i analitičarima da vrše adekvatne analize
podataka.
 DSS može da kontroliše podatke, uveća učenje i doprinosi svim
nivoima donošenja odluka.
 DSS može koristiti matematičke modele.
 DSS vrši tri vrste analiza podataka:
 Analiza osetljivsti,
 Analiza “Šta ako”,
 Analiza traženja cilja.
 91

 Analiza osetljivosti (Sensitivity Analysis)

 ispituje uticaj koje imaju promene varijabli ulaznih na izlazne varijable.
 omogućava sistemu da se prilagodi promenljivim uslovima i zahtevima
različitih situacija u kojim se odluke donose.
 omogućava bolje razumevanje modela i problema koji treba da se opiše.
 Model treba da bude što manje osetljiv na promene.
Osetljiv model znači da male promene u uslovima diktiraju različita rešenja.
 Analiza “Šta ako” (What-if Analysis) pokušava da predvidi uticaj
promene na u pretpostavci tj. ulazne podatke na predloženo rešenje.
 Analiza traženja cilja (Goal-seeking Analysis) je obrnut pristup
rešenju i pokušava da pronađe vrednosti inputa koje su potreban da
bi se postigao željeni nivo outputa.
 92

 Sistemi za podršku grupnom odlučivanju (Group Decision Support

System-GDSS)
 je interaktivan sistem zasnovan na računaru koji omogućava grupi
ljudi da nađu rešenje za polustrukturisane i nestrukturisane probleme.
 Pomaže jednoj tačno određenoj grupi unutar organizacije.
 su posebno projektovani da podržavaju odlučivanje koje obavlja
grupa.
 je elektronska podrška za odlučivanje u koje je uključeno više ljudi.
 Dve vrste grupa se mogu oslanjati na elektronsku podršku:
 Gupa iz jedne prostorije čiji se članovi nalaze na istom mestu,
 Virtuelna grupa čiji se članovi nalaze na različitim lokacijama.
 93

 Prva generacija GDSS-a je bila projektovana da pruži podršku

na sastancima “licem u lice” u sobama za odlučivanje gde su
svi učesnici sastanka imali svoj terminal za praćenje sastanka.

 Sistemi za podršku organizacionom odlučivanju (Organizational

Decision Support System-ODSS) usmeren je na organizacioni
zadatak ili aktivnost koja obuhvata niz operacija i donosilaca
odluka.

 U ODSS sistemima aktivnosti svakog pojedinca moraju biti

usklađene sa aktivnostima drugih pojedinaca.
 94

 Digitalne kontrolne table

 Digitalna kontrolna tabla (Digital Dashboard) obezbeđuje brz pristup
ažurnim informacijama i direktan pristup menadžerskim izveštajima.
 95
 Mogućnosti digitalne kontrolne table

Mogućnost Opis

Mogućnost da traži detalje u nekoliko

Detaljni izveštaj nivoa dubine pomoću izbora iz
menija ili direktnih pitanja
Kritični faktori uspeha Faktori koji su najvažniji za postizanje
(Critical Success Factors -CSF) uspeha organizacije

Ključni pokazatelji performansi Specifična mera ključnih faktora

(Key Performance Indicators-KPI) uspeha

Najsvežiji podaci o ključnim

Trenutno stanje pokazateljima performansi ili neke
Kratkotrajni,metrike
srednji i dugotrajni
trendovi u ključnim pokazateljima
Analiza trendova performansi ili metrici koji se
procenjuju uz pomoć metoda
Analize kojepredviđanja
se obavljaju u bilo koje
Ad hoc analiza vreme, na zahtev i za bilo koji faktor
ili odnos
95
Izveštaji koji pokazuju na devijacije 95
Izveštaji o izuzecima
veće od praga tolerancije
Tehnologije vizuelizacije podataka
 Vizuelizacija podataka je predstavljanje obrađenih podataka korisnicima u vizuelnom
96
formatu (tekst, tabela i grafika).
 Najpoznatije tehnologije su:
 Geografski informacioni sistemi
 Virtuelna stvarnost
 Geografski informacioni sistemi (Geographic Information System-GIS) je računarski
sistem za sakupljanje, integrisanje, manipulisanje i prikaz podataka korišćenjem digitalnih
mapa.
 Osnovna karakteristika GIS-a je da svaki zapis ili digitalni objekat ima utvrđenu
geografsku lokaciju.
 Geokodiranje je proces koji omogućava korisnicima da generišu informacije planiranje,
rešavanje problema i odlučivanje.
 Reprezentativni dobavljači GIS softvera su:Mapinfo, Intergraph i drugi.
 Trend:integracija GPS sistema i GIS sistema. To se zove geoprostorna tehnologija.
97
 98

 Virtuelna stvarnost (Virtual Reality-VR) je interaktivni

trodimenzionalni grafički prikaz generisan pomoću računara koji se
do korisnika prenosi pomoću uređaja postavljenog na glavu
korisnika.
 Virtuelnu realnost može da deli više ljudi.
 Virtuelna realnost predstavlja značajan medijum za komunikaciju,
zabavu i učenje.
 Displej virtuelne realnosti stvara iluziju okruženja tako što ažurira
displej u realnom vremenu.
 Oprema:stereo zvučnici, rukavice, kompjuterski displej, senzori.
 99
 Primena virtuelne stvarnosti
 U proizvodnji:
 Obuka,
 Provera projekata i tumačenje rezultata,
 Analiza bezbednosti,
 Kreiranje virtuelnog prototipa,
 Analiza inženjerskog projektovanja,
 Virtuelna simulacija procesa proizvodnje, montaže i održavanja i drugo.
 U poslovanju:
 Prezentacija i evaluacija nekretnina,
 Oglašavanje,
 Prezentacije za e-tgovinu
 Prikaz finansijskih podataka
 Drugo.
 100

 U medicini:
 Obuka hirurga pomoću simulatora
 Tumačenje medicinskih podataka
 Planiranje operacija
 Fizikalna terapija
 Drugo.
 U obrazovanju:
 Virtuelne laboratorije
 Vizuelizacija složenih pojmova
iz matematike
 Drugo.
 Inteligentni sistemi 101

 Inteligentni sistem (Intelligent System) opisuje primenu veštačke inteligencije u

različite komercijalne svrhe.
 Veštačka inteligencija (Artificial Intelligence-AI) je podoblast računarskih
nauka koja se bavi izučavanjem procesa učenja, mišljenja i pamćenja kod ljudi
i pokušava da te iste procese primeni i na računarima.
 Veštačka inteligencija se definiše kao ponašanje mašine koje bismo nazvali
inteligentnim ponašanjem da ga obavlja čovek.
 Inteligentno ponašanje znači razumevanje ili učenje iz iskustva, razumevanje
dvosmislenih poruka i brzo reagovanje na nove situacije.
 Krajnji cilj veštačke inteligencije je da se naprave mašine koje će funkcionisati
po principu ljudske inteligencije.
 Tjuringov test (Alan Tjuring) je test pomoću kojeg se utvrđuje da li mašina
pokazuje inteligentno ponašanje ili ne.
102
 103

Sposobnosti Prirodna inteligencija Veštačka inteligencija

Čuvanje znanja Može da nestane sa Stalno
stanovišta organizacije
 Poređenje sposobmosti prirodne i veštačke inteligencije
Reprodukovanje i širenje Teško, skupo i iziskuje Brzo, lako i jeftino kada se
znanja dosta vremena jednom unese u računar
Ukupna cena znanja Nrstalna i nekonzistentna Konzistentna i temeljna

Dokumentovanje procesa Teško i skupo Lako i jeftino

i znanja
Kreativnost Može biti vrlo visoka Niska, neinspirativna

Korišćenje čulnog Direktno i ima široke Ograničeno

iskustva mogućnosti
Prepoznavanje obrazaca Brzo i lako se objasni Sposobnost učenja mašina
i odnosa još nije kao ljudska
Rezonovanje Koristi se širi kontekst Dobro je samo u uskom
iskustva domenu
103
 104

 Inteligentni sistemi se dele na:

 Ekspertni sistemi,
 Sistemi za obradu prirodnog jezika,
 Sistemi za prepoznavanje govora,
 Veštačke neuronske mreže.
 EKSPERTNI SISTEMI
105

 Eksperti imaju specifična znanja i iskustvo u određenoj sferi

problema.
 Ekspertiza se odnosi na široko znanje u specifičnim oblastima
koje se stiče obukom, čitanjem i iskustvom.
 Ekspertni sistemi (Expert Systems-ES) su računarski sistemi koji
podržavaju ljude koji donose odluke ili ih potpuno zamenjuju.
 Ekspertni sistem je softver koji prenosi ekspertizu od stručnjaka
do računara. Računar čuva znanje u sistemu i može da ga
koristi i donosi zaključke , nudi savete i preporuke ako je
korisniku taj vid pomoći potreban.
 Ekspertni sistemi mogu objasniti i logiku koja je u pozadini
određenog saveta.
 106

 Prenos ekspertize do računara i korisnika obuhvata četiri

aktivnosti:
 Sticanje znanja – znanje se preuzima od stručnjaka ili iz
dokumentovanih izvora
 Reprezentacije znanja – preuzeto znanje je organizovano u
prvila i čuva se elektronski u bazi znanja
 Zaključivanje na osnovu znanja – korišćenje znanja –
računar je programiran da može da donosi zaključke na
osnovu sačuvanog znanja
 Prenos znanja –izvedena ekspertiza se prenosi do korisnika
u obliku preporuke.
 EKSPERTNI SISTEMI
107

 Komponentne ekspertnih sistema su:

 Baza znanja,
 Mehanizam za zaključivanje,
 Korisnički interfejs,
 Tabla (radno mesto),
 Podsistem objašnjenja.
 Baza znanja sadrži znanje koje je neophodno za razumevanje,
izražavanje i rešavanje problema.
Obuhvata dva elementa:činjenice i pravila koja određuju korišćenje znanja
za rešavanje specifičnih problema u određenoj oblasti.
 Mehanizam za zaključivanje je program koji omogućava sistemu da
donosi zaključke na osnovu sačuvanog znanja. On je mozak ekspertnog
sistema.
 EKSPERTNI SISTEMI
108

 Korisnički interfejs omogućava komunikaciju računara

i korisnika.Komunikacija se obavlja pomoću prirodnog
jezika korišćenjem formata pitanja i odgovora.

 Tabla je područje radne memorije koja služi za opis

trenutnog problema kako je određeno ulaznim
podacima. To je vrsta baze podataka.

 Osnovna karaketristika ekespertnog sistema je

njegova spsosbnost da objasni svoje preporuke. Za
to je zadužen podsistem objašnjenja.
 PREDNOSTI EKSPERTNIH SISTEMA
Prednost Opis 109

Povećan izlaz i produktivnost ES mogu da konfigurišu komponente za svaki specifičan zahtev i

time povećaju produktivnost
Bolji kvalitet ES mogu da daju dosledne savete i samnje stopu grešaka
Beleženje i širenje potrebne Mogu se pronaći i koristiti ekspertize iz celog sveta
ekspertize
Rad u opasnim uslovima Senzori mogu da prikupljaju informacije koje ES tumači i
omogućava radnicima da izbegnu pretoplo ili toksično okruženje
Dostupnost znanja i centra za ES može da poveća prduktivnost zaposlenih u centru za podršku
podršku
Pouzdanost ES se ne može umoriti
Sposobnost d radi sa Čak iako odgovor glasi ne znam, ES će iz toga proizvesti drugi
nepotpunim informacijama odgovor
Omogućavanje obuke Sposobnost objašnjavanja ES može poslužiti kao nastavno
sredstvo i baza znanja za novog radnika
Proširenje sposbnosti ES dozvoljava integrisanje procene stručnjaka u analizu
odlučivanja i rešavanja
problema
Smanjenje vremena ES obično može brže doneti odluku nego ljudi
odlučivanja
Smanjeno vreme ES bzo može utvrditi u čemu je kvar i predložiti popravku 109
nefunkcionisanja sistema
 EKSPERTNI SISTEMI 110

Kategorija Specifičan problem

Interpretacija Obrada opisa situacije na osnovu posmatranja
 Deset generičkih kategorija ekspertnog sistema
Predviđanje Zaključak koje su verovatne posledice date
situacije
Dijagnoza Obrada kvara sistema na osnovu posmatranja
Projektovanje Konfiguracija objekata pod ograničenjima
Planiranje Razvoj plana radi postizanja ciljeva
Praćenje Poređenje svega, od posmatranja do planiranja
Otklanjanje grešaka Preporuka sredstava za uklanjanje kvara
Popravka Izvršenje preporučene popravke
Instrukcija Dijagnoza, otklanjanje grešaka i korekcija
performansi
Kontrola Tumačenje, predviđanje, popravka i praćenje
ponašanja sistema 110
 EKSPERTNI SISTEMI
111

 Obrada prirodnog jezika i glasovne tehnologije

 Obrada prirodnog jezika (Natural Language Processing-NLP)
odnosi se na komunikaciju sa računarom pomoću prirodnog jezika korisnika.
Postoje dva tipa NLP-a:
1. Razumevanje prirodnog jezika kao ulaz
2. Generisanje prirodnog jezika kao izlaz
3. Razumevanje prirodnog jezika (Natural Language Understanding) ili
prepoznavanje govora/glasa (Speech/Vboice-Recognition) omogućava
računaru da shvati glasovne isntrukcije koje korisnik izgovara na jeziku
koji svakodnevno koristi.
Prednosti: brzina, slobodne ruke, nema kucanja itd.
Nedostaci:problme prepoznavanja dugačkih rečenica, skupi sistemi.
 EKSPERTNI SISTEMI
112

 Generisanje prirodnog jezika (Natural Lnaguage Generation) ili sinteza

glasa (Voice Synthesis) omogućavaju računarima da stvaraju
svakodnevni govorni jezik pomoću glasa ili na ekranu tako da ljudi
lakše mogu da razumeju računare.
 Neuronske mreže
 Neuronska mreža je sistem programa i struktura podataka koji simulira
način funkcionisanja ljudskog mozga.
 Neuronska mreža obuhvata veliki broj procesora koji rade istovremeno
i svaki od njih ima svoju oblast znanja i pristup podacima u svojoj
memoriji.
 Karakteristika neuronskih mreža je da dobro prepoznaju skrivene,
nepotpune i nove obrasce u složenim podacima i tumače ih efikasno.
 Fazi logika (Fuzzy Logic) je grana matematike koja se bavi procesima
aproksimativnog rezonovanja. Bavi se analizom informacija sa
nepreciznim vrednostima.