-
Neboja Tamindid, 2012.
1 SPI skripta za usmeni ispit
1. Poslovna inteligencija i strategijsko upravljanje
Pod strategijom se podrazumeva plan koji integrie ciljeve
organizacije, politike i nizove akcija u
jednu celinu. Osnovne komponente strategije su najvaniji ciljevi
organizacije i najznaajnije
politike. Glavni ciljevi nazivaju se strategijskim ciljevima.
Vrste strategija : 1) Korporativne
strategije uspostavljaju se na najviem nivou organizacije i
imaju dugoroan vremenski
horizont. Korporativne strategije su : a) Strategija stabilnog
rasta primenjuje se kada je
organizacija zadovoljna postignudima i odluuje da sledi iste ili
sline ciljeve. Organizavija
nastavlja da istim proizvodima i uslugama slui iste potroae. b)
Strategija rasta organizacije
imaju bri rast od trita na kojima se njihovi proizvodi prodaju.
Regularno razvijaju nove
proizvode i usluge. c) Strategija okonavanja koriste
organizacije koje se suoavaju sa padom
tranje za proizvodom ili uslugom. d) Strategije skradivanja
koriste se tokom recesija i u
vremenu kad organizacija ima slab finansijski uinak. e)
Kombinacije strategija neki tipovi
strategija su podloni kombinovanju sa drugim strategijama.
Kombinacijama strategija se koristi
vedina organizacija koje opsluuju nekoliko trita. 2) Strategije
poslovnih jedinica su usmerene
na pitanje kako se nadmetati sa konkurentima u datom poslu. Pod
stratekim poslovnim
jedinicama se podrazumeva jedinica organizacije koja prodaje
distinktni skup proizvoda i/ili
usluga jasno definisanoj grupi potroaa, u nadmetanju sa jasno
odreenom konkurencijom.
Postoje 3 strategije poslovnih jedinica : strategija liderstva u
najniim trokovima, strategija
diferencijacije i strategija fokusiranja. 3) Funkcionalne i
operativne strategije su usresreene
na aktivnosti razliitih funkcionalnih oblasti (marketing,
proizvodnja, finansije...). Funkiconalne
strategije su kratkoronije od korporativnih strategija i
strategija poslovnih jedinica i obino su
odreene na period do jedne godine. Unutar funkcionalnih
strategija su operativne strategije,
strategije operativnih jedinica unutar funkcionalnih oblasti. 4)
Globalne strategije se tiu
internacionalne konkurencije, a) viedomicilnih industrija, b)
globalnih industrija. U sluaju
viedomicilnih industrija, industrija je prisutna u mnogim
zemljama, ali se suparnitvo odvija u
svakoj zemlji ponaosob. U sluaju globalne industrije suparnitvo
u raznim zemljama je
meusobno povezano, pa firma mora da razvije integrisane
strategije, koje istovremeno
ukljuuju sve zemlje. Proces strategijskog upravljanja sadri 2
faze : 1) faza formulisanja
strategije organizacije, 2) faza sprovoenja strategije
organizacije. Formulisanje strategije : 1)
Obavljanje untranje analize organizacije i njene interakcije sa
okruenjem, 2) Analiziranje,
opisivanje, ocenjivanje i predvianje promena organizacije (na
osnovu rezultata analize, potrebno
je identifikovati najznaajnije modi i najznaajnije slabosti
organizacije), 3) Postavljanje
strategijskih ciljeva (sa vremenskim horizontom od 5 godina), 4)
Identifikovanje, ocenjivanje i
odabiranje odgovarajudih strategijskih alterntiva. Sprovoenje
izabrane strategije : 1) Priprema i
upravljanje sprovoenjem strategije, 2) Akcije, 3) Kontrolisanje
u strategijskom upravljanju (3 su
osnovna vida kontrole : kontrola pre preduzimanja planiranih
aktivnost, kontrola u toku
planiranih aktivnosti i kontrola posle obavljanja planiranih
aktivnosti).
-
Neboja Tamindid, 2012.
2 SPI skripta za usmeni ispit
2. Opti koncept BSC
BSC metodologija olakava implementaciju strategije tako to
omogudava prevoenje vizije
strategije i ciljeva u merljive ciljeve i sistem mera
performanse, ime doprinosi povezivanju
dugoronih strategijskih ciljeva s kratkoronim akcijma.
Postizanje distalnih strategijskih ciljeva
na najviem hijerarhskom nivou podrazumeva postizanje ciljeva na
prethiodnim, niim,
hijerarhijskim nivoima. Svakoj funkcionalnoj jedinici, svakome
timu i svakome pojedincu se
pripisuju uloge i zadaci, usmereni ka postizanju distalnih
strategijskih ciljeva. Strategijski ciljevi se
preslikavaju u skup kljunih indikatora performanse, koji se
potom prate. Prilikom identifikovanja
kljunih indikatora, u obzir se uzima i finansijska i
nefinansijska perspektiva. Strategijski ciljevi su
grupisani i mereni iz 4 perspektive : finansijske perspektive,
perspektive interesnih grupa,
perspektive znaajnih internih procesa, perspektive uenja
inovacija i razvoja. Iz perspektive
interesnih grupa, orgizacija se posmatra kroz oekivanja i
zadovoljstvo tih interesnih grupa
posebno kupaca. Iz interne perspekive, posmatranje je usresreeno
na unutranje procese
organizacije. Iz perspektive uenja i razvoja, panja je
usresreena na osoblje i infrastrukturu
organizacije. Finansijska perspektiva se tie konanih rezulta
poslovanja. Mnoge organizacije,
zbog tenje za finansijskim uspehom, zanemaruju razvoj. Na kratke
staze, ta smanjenja trokova
uzrokuju povedanje profita, ali de ugroziti njenu sposobnost da
stvori bududu novu ekonomsku
vrednost. Organizacija de, u mnogim sluajevima, maksimizaciju
kratkoronih finansijskih
rezulzata, ostvarivati loijom uslugom ili viim cenama. Ovi
postupci de povedati profitabilnost na
kratke staze, ali de nedostatak lojalnosti i nezadovoljstvo
kupaca prouzrokovati da organizacija
bude ranjiva i sve vie izloena napadima konkurencije. Formuliudi
perspektivu kupaca,
menaderi bi morali imati ideju o ciljnim trinim segmentima,
segmentima kupaca, jer osnovni
skup kupaca nije homogen, nego heterogen. Imajudi na umu te
ciljne segmente, menaderi treba
da odaberu skup mera ponaanja svoje organizacije : 1) udeo na
tritu, 2) zadravanje kupaca, 3)
sticanje novih kupaca, 4) zadovoljstvo novih kupaca, 5)
profitabilnost kupaca. Ciljni segmenti
predstavljaju izvore prihoda za organizaciju. BSC kao opis
strategije organizacije treba da
identifikuje ciljeve kupaca u svakom od ovih ciljnih segmenata.
U okviru perspektive internih
poslovnih procesa menaderi treba da identifikuju procese u
kojima organizacija mora da bude
izvanredno uspena. Konvencionalno merenje uinaka bilo je
usresreeno na pradenje mera koje
se tiu trokova, kvaliteta i produktivnosti. Pristup stanovita
BSC omogudava da zahtevi za
performansom internih procesa budu izvedeni iz oekivanja
spoljanjih inilaca. Preporuljivo je
da menaderi definiu celokupni lanac vrednosti internih procesa
koji ukljuuje : 1) Inovaciju u
procesu inovacije organizacija istrauje nastajude potrebe
kupaca, a onda kreira proizvod ili
usluge koji de zadovoljiti te potrebe. Proces inovacije se
sastoji od 2 komponente : istraivanja
trita i dizinajniranja i razvoja proizvoda / usluge. 2) Proces
operacije postojedi proizvodi i
usluge se proizvode i isporuuju kupcima. Proces otpoinje
prijemom porudbenice kupaca i
zavrava se isporukom proizvoda ili usluga kupcima. 3) Servis
kupcu ukljuuje garanciju,
odravanje, reklamiranje proizvoda i procesuiranje pladanja.
Ciljevi postavljeni u perspektivi
uenja i razvoja su infrastruktura i pokretai postizanja
izvanrednih uspeha u preostalim trima
perspektivama. Da bi organizacija imala mod da postigne
ambiciozne ciljeve, mora investirati u
njihovu infrastrukturu : ljude, sisteme i procedure. 4 glavne
kategorije iz ove perspektive su : mod
osoblja (3 mere : zadovoljstvo, zadravanje i produktivnost
zaposlenih), istraivanje i razvoj,
motivisanost, mod informacionog sistema.
-
Neboja Tamindid, 2012.
3 SPI skripta za usmeni ispit
3. BSC sistem strategijskog upravljanja: prevoenje strategije u
akciju
BSC je okvir povezanih uzrono-posledinih odnosa koji moe da bude
koriden u odreivanju
perspektiva, biranju ciljeva, kritinih faktora uspenosti i mera,
koji de biti konzistentni sa
ciljevima i strategijom vieg nivoa. Vizija je osnova definisanja
optih strategijskih ciljeva i
strategija. Vizija ciljevi i strategije se odmotavaju u celoj
organizaciji, tako to se pre svega
odaberu strategijske perspektive, postavi sistem strategijskih
ciljeva (mogu da budu korideni kao
vodilja u izabiranju ciljeva i mera nieg nivoa), kritinih
faktora uspenosti, strategijskih mera i
postavi plan akcije. U svakom koraku BSC slui kao sredstvo
komunikacije. BSC mora da se, kroz
proces komunikacije, povee sa razliitim elementima organizacije.
Cilj tog procesa je
usklaivanje zaposlenih sa strategijom. Implementacija strategije
otpoinje edukacijom i
ukljuivanjem ljudi koji bi trebali da je sprovedu. Postoje 3
tipina mehanizma za prevoenje
strategije BSC u lokalne ciljeve : 1) komunikacioni i edukacioni
programi rasprostiranja strategija
preduslov je da svi zaposleni razumeju strategiju i zahtevano
ponaanje za postizanje
strategijskih ciljeva, 2) programi postavljanja ciljeva timova i
pojedinaca potrebno je da
organizacija strategijske ciljeve i mere vieg reda, prevede u
ciljeve i akcije svakog ukljuenog
pojedinca i tima 3) povezivanje mera performansi sistema
podsticanja i nagraivanja motivacija
se poboljava kroz sisteme podsticanja i nagraivanja. Menaderi
mogu da ustaove minimalne
nivoe pragove, kroz sve strategijske mere za predstojedi period.
Ako aktuelna performansa ne
dosee prag, nema ispladivanja podsticajne kompenzacije. Da bi se
strategijski ciljevi ostvarili,
kljuni procesi su : planiranje, postavljanje ambicioznih meta
menader treba da postavi
ambiciozne mete za mere koje svi uposleni treba da prihvate i
usvoje. Mete za mere 3 do 5
godina u napred de, ako budu postignute, transformisati
organizaciju., usplaivanje rasporeda
resursa i strategijskih inicijativa i budetiranje. Potrebna su 4
koraka za primenu BSC u procesu
planiranja : 1) postavljanje ambicioznih meta, 2)
identifikovanje i racionalizovanje strategijskih
inicijativa kada su postavljene mete u sve 4 inicijative,
menaderi mogu da procene da li su
tekude inicijative od koristi ili su potrebne nove, 3)
identifikovanje kritinih sinergetskih
inicijativa, 4) povezivanje godinje alokacije resursa i budeta
sa stategijom. Proces strategijskog
uenja u primeni BSC, otpoinje razjanjavanjem zajednike vizije.
BSC olakava timsko uenje.
BSC treba da razvije tim koji de da prati performanse poslovanja
u vidu dvostruke petlje kada
menaderi dovode u pitanje svoje pretpostavke i teoriju koja lei
u osnovi strategije. Informacija
o tome da li je strategija sprovedena onako kako je planirano je
proces uenja u vidu jednostruke
petlje. Menaderima je potrebna povratna informacija, da li je ta
strategija uspena, to ini
proces uenja u vidu dvostruke petrlje. Efektivni proces
strategijskog uenja ima 3 bitne
komponente : 1) zajedniki strategijski okvir doputa svakom
uesniku da vidi kako njegove
aktivnosti i doprinose celokupnoj strategiji, 2) proces
povratnog informisanja, 3) proces timskog
reavanja problema.
-
Neboja Tamindid, 2012.
4 SPI skripta za usmeni ispit
4. BSC sistem strategijske kontrole
Pod kontrolisanjem se podrazumeva upravljaka funkcija merenja,
odnosno procenjivanja
postignuda. Kontrolisanjem se stiu informacije o napredovanju sa
stanovita plana, otkrivaju
mere i anticipiraju odstupanja od planova i biraju korektivne
akcije. 3 su osnovna vida kontrole :
kontrola pre preduzimanja planiranih aktivnosti njom se
obezbeuju neophodni uslovi za
preduzimanje akcija, kontrola u toku planiranih aktivnosti
predupreuju se veda odstupanja od
cilja, kontrola posle obavljanja aktivnosti zasniva se
feedback-u i podrazumeva reaktivno
ponaanje. Merenje performansi se vri da bi se ostvarene veliine
uporedile sa planiranim.
Jedna od najboljih metodologija je BSC, koja najvedi znaaj
pridaje pradenju kljunih indikatora
performantnosti (KIP). Indikatori dugoronih ciljeva su najede
generike prirode (produktivnost
radnika, zadovoljstvo korisnika), i odlikuje ih relatvno spora
promena vrednosti. Indikatori
kratkoronih ciljeva su vedinom specifini za organizaciju.
5. Poslovna inteligencija iz perspektive CRM
CRM oznaava menadment odnosa sa kupcima. To je strategija koja
se koristi da bi se nauilo
vie o potrebama kupaca i njihovom ponaanju, i da bi se tako
razvili jai odnosi sa njima. CRM
podravan odgovaradim softverskim reenjima je proces kojim se
dobija mnotvo informacija o
kupcima, prodajama, marketingu, trinim trendovima. CRM treba da
pomogne poslovanju u
stvaranju vrednosti za kupca : a) obezbeivanjem boljih usluga
kupcima, b) razvijanjem efikasnijih
call centara, c) efektnijom prodajom proizvoda, d) pruanjem
pomodi prodajnom osoblju da bre
zakljui poslove, e) poboljavanjem i uprodavanjem procesa
marketinga i prodaje, f) otkrivanjem
novih kupaca, g) povedanjem prihoda kupaca. Dve prepreke u
procesu CRM su : 1) neitegrisane
aplikacije i izolovane informacije u eCRM, 2) uvedanje koliina
informacija tokom vremena
oteava i usporava traganje. eCRM softversko reenje podraava 3
klase : 1) analitiki
omogudava analizu prodaje, segmentaciju korisnika, analizu cena,
analizu profitabilnosti,
predvianje prodaja, analizu korisnika. Ove funkcionalnosti se
najbolje podravaju sa DW i
aplikacijama SAPM. 2) operativni usresreen je na podrku
operativnih aktivnosti upravljanje
marketnikim programima, kampanjama, povoljnostima, porudbinama,
cenama i usluge.
3) kolaborativni - implicira komunikacije, partnerstvo i
saradnitvo, pre svega koridenjem
internet servisa. Ukljuuje E-mail, E-komerc, Fax, korisniki
portal. Clickstream analiza
podrazumeva analiziranje ponaanja posetilaca Web sajta i
donoenje odluka baziranim na ovim
informacijama. Treba prikupiti i uskladiti sve informacije sa
Web sajta, koje ukljuuju predmete
interesovanja posetilaca, a onda analizirati podatke o
kupcu.
6. Poslovna inteligencija i upravljanje znanjem
Pod upravljanjem podacima podrazumeva se proces planiranja,
organizovanja, koordinisanja i
kontrolisanja resursa podataka i njihova upotreba. Tom stupnju
su svojstveni multidimenzionalni
SUBP, ERP sistemi, upravljanje dokumentima, DW-ing, DM...
Upravljanje informacija od
upravljanja podacima iziskuje usavravanje sistema i procedura
(npr. ODS, SPI, analitike baze
podataka). Vana faza u upravljanju informacijama jeste
ispitivanje informacionih zahteva.
-
Neboja Tamindid, 2012.
5 SPI skripta za usmeni ispit
Analiza informacionih zahteva se preduzima sa ciljem da se
stekne odgovor na pitanje koju vrstu i
koliinu informacije korisnik trai radi uspenog obavljanja posla?
U procesu upravljanja
informacijama, pored utvrivanja informacionih zahteva, su
ukljuene i faze: poreenje
informacionih zahteva sa postojedom snabdevenodu informacijama,
utanivanje i ocenjivanje
utvrenih informacionih zahteva, odreivanje prioriteta
nezadovoljenih informacionih zahteva i
izrada izvetaja o rezultatima analiza. 2 osnovna procesa
upravljanja informacijama u organizaciji
su proizvoenje informacija i integrisanje informacija. 2 osnovna
procesa upravljanja znanjima u
organizaciji su proizvoenje znanja i integrisanje znanja.
Proizvoenje i integrisanje informacija
ne sadri validiranje, kakvo se zahteva u sluaju znanja. Proces
upravnjanja znanjem ine koraci :
1) identifikovanje potrebe za znanjem, 2) otkrivanja postojedeg
znanja, 3) akvizicija znanja, 4)
kreacija novog znanja, 5) skladitenje i organizovanje znanja, 6)
deljenje znanja, 7) koridenje i
primena znanja. 3 pristupa upravljanja znanjem : pristup usmeren
ka tehnologiji, pristup usmeren
ka ljudima i sintetiki pristup. Za razliku od prve generacije
upravljanja znanjem, koja je
prevashodno bila usmerena na tehnologiju, druga generacija
znatno vie ukljuuje ljude,
procese i socijalne inicijative. Umesto da, kao to to ine
pripadnici i zastupnici prve generacije
upravljanja znanjem, smatraju da vredno znanje ved postoji,
pripadnici druge generacije
upravljanja znanjem podrazumevaju da je znanje neto to se
proizvodi u ljudskim socijalnim
sistemima. 4 su izazova u implementaciji upravljanja znanjem: a)
znanje je esto uvano i nije
deljeno, b) vredno znanje koje su razvili drugi, esto se
zanemaruje, c) znanje i ekspertiza esto
nisu cenjeni u kulturi organizacije, d) osobe koje dele znanje i
ekspertnost se esto smatraju
naivnim. Faze praktinog uvoenja funkcija sistema upravljanja
znanjem : a) uvoenje osnovnih
funkcionalnosti povezanih s upravljanjem znanjem, b) uvoenje
integrativnih sistema upravljanja
znanjem, c) uvoenje interaktivnih sistema upravljanja znanjem,
d) uvoenje premodujudih
sistema upravljanja znanjem. U projektovanju budude generacije
sistema upravljanja znanjem,
treba izabrati holistiki pristup. Tehnologija poslovne
inteligencije i tehnologije upravljanja
znanjem su skladno i nerazdvojno povezani, a tako objedinjenu
tehnologiju nazivaju BIKM
(business intellgence knowledge management). U sistemu poslovne
inteligencije, podaci se
pomodu aplikacija poslovne inteligencije preobraavaju u
informacije. Informacije se potom
primenom ekspertize postojedih znanja na te informacije,
preobraavaju u znanje. Upravljanje
znanjima objedinjuje tehnologije portala, urpavljanja sadrajem,
kolaboracije i poslovne
inteligencije u jedinstven okvir. Poslovna inteligencija ima
vrlo znaajnu, centralnu ulogu u
upravljanju znanjima.
7. Znaenje izraza data mining
Eksplozivni rast koliine podataka i eksplozivni rast broja baza
podataka, prevazilazi modi oveka da
tradicionalnim sredstvima obrauje i analizira tako velike
koliine i naslage podataka, to je proizvelo
potrebu za novim, drugaijim tehnikama i sredstvima automatske
analize podataka u raspoloivim
bazama podataka. Neki od mogudih razolga su to raspoloiva glavna
memorija moe biti nedovoljna
za datu koliinu podataka, podaci mogu da budu u bazi na nekom
udaljenom serveru, skup podataka
moe da bude smeten u vie tabela... U meuvremenu su razvijene
procedure automatizovane
analize podataka kojima se otkrivaju skriveni sloajevi u velikim
skupovima podataka. Proces kojim se
to postie, oznaen je izrazom Data Mining rudarenje podataka.
Izraz Data Mining se esto
upotrebljava da oznai automatizovani analitiki proces, oblikovan
za efektivnu i efikasnu
-
Neboja Tamindid, 2012.
6 SPI skripta za usmeni ispit
eksploraciju u velikim zbirkama podataka, s ciljem otktrivanja i
crpljenja skrivenih informacija, koje
se tiu dotle nepoznatih sloajeva, injenica i relacija. Data
mining se koristi algoritmima. Prema
takvom shvatanju, Data Mining i otkrivanje znanja u velikim
bazama podataka su poistovedeni i
predstavljaju automatizovani proces koji proizvodi znanje bez
ukljuivanja saznavaoca u taj proces.
Prema drugaijim shvatanjima, Data Mining je samo jedna faza u
procesu otkrivanja znanja u velikim
bazama podataka. Proces ukljuuje nekojiko faza i po svojoj
prirodi je interaktivan i iterativan, pri
emu je ovek-korisnik duboko ukljuen u svaku od tih faza. Ovo
shvatanje podrazumeva da se
posredstvom Data Mininga mogu otkriti samo hipoteze o sloajevima
i odnosima. Ti sloajevi i odnosi
su predmet interpretacija i evaluacija pre nego to (eventualno)
budu proglaeni znanjima. U ovako
shvadenom procesu Data Mininga, algoritmi imaju bitnu ulogu u
sloenim iterativnim interakcijama
izmeu oveka i baze podataka. Data mining je proces odabiranja,
eksploracije i modelovanja velikih
koliiina podataka, radi otkrivanja prethodno nepoznatih sloajeva
za unaprenje poslovanja. Data
Mining se koristi tehnikama i algoritmima iz oblasti statistike,
vetake inteligencije i drugih oblasti.
8. Funkcije Data Mining
Data mining slui slededim osnovnim svrhama :
1) Klasifikovanju ispitivanju svojstva entiteta i njihovom
razvrstavanju u unapred
odreene klase
2) Klasterizovanju segmentiranju heterogenog skupa entiteta u
homogene podgrupe,
klastere
3) Ocenjivanju predvianju nepoznatih vrednosti kontinuiranih
varijabli
4) Detekciji promena i odstupanja otkrivanju najznaajnijih
promena u podacima od
prethodno izmerenih ili normativnih vrednosti
5) Otkrivanju asocijacija nalaenju stavki u transakciji koje
implikuju prisutnost drugih
stavki u istoj transakciji
6) Opisivanju i vizualizovanju i dr...
(Berry i Linoff) klasifikuju funkcije Data Mininga u 2 skupine :
1) usmerena analiza (zasnovana na
nadziranom uenju) : klasifikacija, ocenjivanje, predvianje i 2)
neusmerena analiza (zasnovana na
nenadziranom uenju) : grupisanje, asocijaciona pravija,
deskripcija i vizualizacija. 3 osnovna stuba
Data Mining : tehnike Data Mining, podaci i modelovanje.
9. Tehnike i algoritmi Data Mining1
Klasifikaciona stabla upotrebljava se za klasifikovanje,
predvianje i opisivanje, a koriste se
uenjem s nadgledanjem da bi odabrala kombinaciju predikatskih
varijabli s ciljem najboljeg
klasifikovanja. Da bi se odluilo kojoj klasi neki sluaj pripada,
potrebno je odgovoriti na niz
pitanja, smetenih na vorovima stabla, kredudi se od korena ka
vrhu stabla. Stablo raste iz vora
korena, koji se nalazi na vrhu, razgranavajudi se nanie deobom
podataka na svakom nivou da bi
se formirali novi vorovi. vorovi stabla povezani su granama, a
vorovi na kraju grana nazivaju
se vorovima listova. Nerazgovetna logika klasina dvovrednosna,
binarna logika ima 2
1 10. pitanje je sadrano u 9. pitanju, tj. neuronske mree su
takoe tehnika Data Mining koju treba opisati
-
Neboja Tamindid, 2012.
7 SPI skripta za usmeni ispit
vrednosti ili stanja, npr. istinito ili lano. U njoj vai princip
neprotivrenosti i princip iskljuenja
tredeg oekuje se da neki iskaz bude istinit ili laan, a ne
istiniti ili laan u odreenoj meri. No, u
sloenoj stvarnosti, promenljiva se esto ne moe opisati tim dvema
vrednostima. Nerazgovetna
logika je vievrednosna logika koja nam omogudava odreivanje
prelaznih vrednosti izmeu
istinito/lano, da/na, ukljueno/iskljueno. Nerazgovetna logika
doputa koridenje kvalitativnih
izraza, lingvistikih varijabli. Dvovrednosna logika se oslanja
na klasinu binarnu teoriju skupova,
a nerazgovetna logika na teoriju nerazgovetnih, rasplinutih
skupova. Grubi skupuvi tehnika se
uspeno koristi u prepoznavanju sloajeva u velikim skupovima
podataka. Koristi se uglavnom za
analizu podataka i reavanje problema kao to su redukcija
podataka, otkrivanje zavisnosti meu
podacima, priblino klasifikovanje podataka... Prema standardnoj
teoriji grubih skupova, objekti
koji se razmatraju su shvadeni kao skupovi vrednosti koje
uzimaju njihovi prethodno izabrani
atributi. Objekti koji imaju identine skupove vrednosti za dati
skup atributa smatraju se
nerazliivim. Genetiki algoritmi zasnovani su na analogiji sa
zamislima teorije bioloke
evolucije, teorije o prirodnoj selekciji i genetici. Polazi od
inicijalne populacije (Pi) mogudih
reenja ('organizama') datog problema ('sredine'), pri emu je
skup deskriptivnih parametara
shvaden kao skup hromozoma, koji odreuju kvalitet organizma
reenja postavljenog
problema. Hromozomi se ocenjuju da bi se odredilo u kojoj meri
je neki organizam prilagoen
sredini tj. koliko je neko reenje dobro reenje datog problema.
Odabiraju se oni skupovi
hromozoma, koji su svojstveni najboljim reenjima, proizvode se
novi organizmi meanjem skupa
hromozoma roditelja (rekombinacija) i nastaje promena gena u
nekim organizmima populacije
(mutacija). Tehnika najblieg suseda snana je u prepoznavanju
sloajeva u velikim skupovima
podataka. Primenljiva je u reavanju novih problema na osnovu
pamdenja iskuenih prethodnih
sluajeva. U predvianju situacije ili u donoenju odluke, tehnikom
najblieg suseda se u prolosti
nalazi najblia situacija za sadanju situaciju, i odabira ista
solucija, koja se pokazala uspenom u
prolosti, pa se prilagoava i predlae za novi problem.
10. Neuronske mree kao tehnika Data Mining
Pretee dananjih neuronskih mrea nastale su 1950. godine i zvale
su se perceptroni. Pod naletom
kritike, 1969. Istraivanja u ovoj oblasti su zamrla. 80-ih je
pokazano da se malim preinaenjima mogu
izbedi prigovori, pa su istraivanja obnovljena. 1992. neuronska
mrea, kao komercijalni proizvod,
primenjena je u funkciji skenera za ekove. Neuronska mrea je
model kompjutacije koji se sastoji od
mnotva prostih procesora, povezanih adaptivnim ponderima. To je
nelinearan dinamiki sistem
neurona i sinapsi koji prepbraava ulazne vrednosti (inpute) u
ihsode (autpute). Neuronske
mree ue na osnovu primera i na osnovu velike koliine kompleksnih
podataka (esto istorijske
prirode). Proces uenja neuronskih mrea se odvija uz koridenje
povratnih informacija za
podeavanje internih konekcija, to utie na ishod. Na osnovu
razlike izmeu eljenog i akutelnog
ishoda (koji je mrea dala), modifikuju se konekcioni ponderi
mree. Ovo modifikovanje se obavlja
automatski, pomodu algoritma uenja. Neuronska mrea je model
kompjutacije zasnovan na
sposobnosti raspoznavanja sloajeva podataka. Neke od osnovnih
funkcija neuronske mree su :
klasifikacija (pravljenje distinkcija izmeu stavki),
klasterizacija (grupisanje slinih stavki u grupe
klastere), asocijativna memorija (povezivanje dveju ili vedeg
broja stavki), modelovanje (predvianje
zasnovano na primerima) i predvianje na osnovu vremenske serije.
Proces dokuivanja informacija
iz podataka posredstvom neuronskih mrea, odvija se u 3 faze: 1)
pripreme podataka, 2) otkrivanje
-
Neboja Tamindid, 2012.
8 SPI skripta za usmeni ispit
informacija posredstvom algoritma dokuivanja informacija iz
podataka, 3) analize rezultata
proishoda primene tog algoritma. Priprema podataka ukljuuje : 1)
odabiranje podataka,
2) proidavanje podataka (proces u kojem se nedostajudi ili
netani podaci zamenjuju
valjanim podacima)
3) prethodna obrada podataka (faza u kojoj se podaci kombinuju
da bi se stvorile nove
vrijablje, ili podaci drugaije transformiu)
4) reprezentacija podataka (preobraavanje izvornih podataka u
format prihvatljiv za
algoritam dokuivanja informacija iz podataka. Podaci mogu da
budu kategorijski, diskretni
numeriki, kontinuirani numeriki, simboliki...)
Osnovni pristupi uenju neuronske mree su :
1) Uenje sa nadgledanjem neuronskoj mrei se prikazuju ulazni
sloaj i eljeni izlazni
sloaj. eljeni izlazni sloaj se uporeuju sa izlaznim sloajem koga
je proizvela neuronska
mrea, pa se informacije o grekama koriste za prilagoavanje
pondera.
2) Uenje bez nadgledanja neuronskoj mrei se prikazuju samo
ulazni podaci (bez eljenog
ishoda), pa neuronska mrea sama obrazuje klastere (segmente
podataka)
3) Uenje potkrepljivanjem prikazivanje sekvence ulaznih podataka
pradeno signalima koji
predstavljaju potkrepljenja.
U neuronskoj mrei tipa feedforward podaci dolaze u ulazne
jedinice, teku kroz skrivene slojeve i
potom u izlazne jedinice gde se pojavljuje proishod (odgovor
neuronske mree). Mrea se sastoji od 2
ili vie slojeva neuronskih procesorskih jedinica, povezanih tako
da ulazni podaci teku kroz konekcije i
porocesorske jedinice u jednom smeru od ulaza ka izlazu. Ukupni
ulazni signal prolazi kroz jednu
aktivacionu funkciju da bi se odredio proishod procesorske
jedinice, koji biva ulaz u durgi sloj
procesorskih jedinica. Aktivaciona funkcija je funkcija koja
slui da bu se izraunao izlaz jedinice.
Efekat pondera praga, zavisno od znaka pondera praga, promeni
krivu levo ili desno, inedi tako
izlaznu vrednost manjom ili vedom.
Rekurentne (feedback) neuronske mree imaju topologiju u kojoj su
jedinice povezane tako da ulazni
signali teku unazad i unapred izmeu neuronskih procesorskih
jedinica, sve dok se neuronske mree
ne umire. Ograniene rekurentne neuronske mree imaju neke
povratne konekcije koje se koriste za
obezbeivanje informacija o prethodnom stanju. Potpuno rekurentne
neuronske mree imaju
dvosmerne konekcije izmeu svih procesorskih jedinica. Najede
korideni model neuronskih mrea
je neurosnka mrea sa propagacijom unatrag. Neuronska mrea sa
propagacijom unatrag je
feedforward neuronska mrea s mnotvom slojeva, koja se za
prilagoavanje konekcionih pondera
koristi uenjem s nadgledanjem. Osnovni algoritmi propagacije
unatrag, sastoji se od 3 koraka : 1)
ulazni sloajevi se prikau sloju ulaznih procesora i ire kroz
mreu dok ne dou do izlaznih jedinica,
2) Aktuelni proishodi mree se oduzimaju od eljenih proiskoda i
proizveden je signal o greci, 3)
greke prolaze unatrag kroz mreu, putem izraunavanja doprinosa
svake skrivene procesorske
jedinice i izvoenja odgovarajudeg prilagoavanja potrebnog da
proizvede ispravan ishod. Konekcioni
ponderi se tada prilagoavaju i neuronska mrea je upravo neto
nauila iz iskustva. Kohonenove
mape crta su feedforward neuronske mree koje se koriste uenjem
bez nadgledanja. Model
neuronske mree zasnovane na teoriji adaptivne rezonance je
rekurentna mrea koja se obuava
uenjem bez nadgledanja. Izbor odgovarajudeg modela neuronske
mree zavisi od : funkcije koju bi
trebalo obaviti, prorode ulaznih podataka, koliine podataka i
dr... Proishodi dokuivanja informacija
su relativno lako shvatljivi korisniku. Ali, ono to neuronske
mree naue nije uvek jednostavno
doznati. Pristupi doznavanju sadraja onoga to je neuronska mrea
nauila su : analiza osetljivosti
(odreivanje doprinosa ili efekta koji neka ulazna promenljiva
ima na ishod u datom modelu),
-
Neboja Tamindid, 2012.
9 SPI skripta za usmeni ispit
generisanje pravila neuronskom mreom i vizuelizacija. Vanija
svojstva neuronskih mrea su :
uspene su u koridenju podataka sa umovima, funkcioniu veoma
brzo, vreme za njihovo
obuavanje nije dugo.
11. Proces Data Mining : koraci 1-8
1. Prepoznavanje i razumevanje problemske situacije Za ovaj
korak, prosuivanje oveka ima
sutinsku vanost. Na prisutnost problema organizacije ukazuje
razlika izmeu onoga to organizacija
postie i onog to je naumila da postigne. Informacije o ovim
razlikama, trebalo bi da obezbedi sistem
kontrole. inioci koji oteajvaju identifikovanje i analizu
problema su : nevoljna obrada negativnih
informacija (informaciona predrasuda), apsorpcija neizvesnosti
vremenom informacija gubi
neizvesnost, usled ega izgleda preciznija nego to jeste,
izbegavanje nekih informacija, naroito
nejasnih (selektivna percepcija), stereotipi, (ograniena)
koliina informacija koje ljudi mogu da
obrade istovremeno (kongitivna kompleksnost). Nuni uslov uspenog
reenja problema jeste
ispravno postavljanje i formulisanje problema. U reavanju
problema odluivanja, heuristici mogu
voditi predvidljivim grekama. Npr. : Ukotvljavanje i
prilagoavanje Osoba pamti slian reen
problem. Koristi istu strategiju i nastoji je prilagotditi novom
problemu. Ali, problem ima neke
znaajne razlike u odnosu na prethodni, usled ega je pokuaj
neuspean. Reprezentativnost Osoba
procenjuje pojave saobrazno slinom skupu poznatih pojava, i bira
alternative sline onima u ranijim
tekim problemima. Raspoloivost Osoba je sklona da izabere
pristup koji ju je ranije vodio ka vrlo
vidnom uspehu.
2. Identifikovanje i formulisanje odgovarajudeg problema Data
Mining - Problem Data Mining nije
istovetan sa problemom odluivanja. Problem Data Mining je u
nedostatku informacija, saznanja,
modela za reavanje cilja problema odluivanja.
3. Postavljanje ciljeva Data Mining u poslovnom kontekstu
Ciljevi Data Mining su eljena stanja na
koja su usmerene aktivnosti u Data Mining, i potrebno je da budu
jasno odreeni. Potrebno je
odrediti prirodu odnosa izmeu ciljeva. Odnos izmeu ciljeva moe
da bude takav da postizanje
jednog cilja ni na koji nain ne utie na postizanje drugog cilja,
ali i takav da postizanje jednog cilja
zavisi od postizanja drugog cilja. Potrerbno je razlikovati
uzajamno iskljuujude od uzajamno
neiskljuujudih ciljeva, osnovne i iz njih izvedene ciljeve,
uporedne (mogu se postizati uporedo,
istodobno), od sekvencijelnih ciljeva (mogu se postizati samo u
sledu, neposredni ciljevi posredni
ciljevi konani ciljevi). Ako se stablom ciljeva ele predstaviti
kompozicioni odnosi meu ciljevima
(odnosi celine i delova), uputno je drati se ovih pravila : 1)
Gravni cilj se ralanjava u hijerarhijsku
strukturu, tako da postizanje ciljeva na niem hijerarhijskom
nivou, predstavlja nuan i dovoljan uslov
postizanja cilja na slededem, viem hijerarhijskom nivou. 2) Na
svakom hijerarhijskom nivou,
podciljevi moraju biti meusobno nezavisni, 3) Ralanjivanje se
obustavlja kada se doe do nekog
elementarnog hijerarhijskog nivoa. Cilj Data Mining moe da bude
segmentacija, klasifikacija,
predvianje ili neto drugo.
4. Eksploracija i razumevanje prostora mogudih dopustivih reenja
problema Pre nego to se
otpone traganje za reenjem postavljenog problema odluivanja,
potrebno je odrediti kako bi
trebalo da izgleda reenje tog problema, ka i gde (u kojoj
oblasti prostora mogudih reenja) bi trebalo
tragati za reenjem. Potrebno je odrediti kriterijume za
ocenjivanje vrednosti reenja (informativnost,
novina, praktika primenljivost, etika vrednost).
5. Postavljanje problema i ciljeva Data Mining Potrebno je
ispravno i izriito postaviti probleme
koje bi poduhvatom Data Mining trebali reiti i ciljeve koje bi
tim poduhvatom trebalo postidi.
-
Neboja Tamindid, 2012.
10 SPI skripta za usmeni ispit
6. Odreivanje tipa i svrhe Data Mining Izbor odgovarajudeg tipa
Data Mining je odreen
postavljenim problemom i ciljevima, odnosno funkcijama.
7. Odreivanje osnovnog skupa i/ili uzorka znaajnih podataka U
mnogim sluajevima za analizu
ne uzimamo sve raspoloive podatke (osnovni skup), nego neki
uzorak. Neophodno je definistanje
populacije, odabiranje odgovarajudeg naina uzorkovanja i
odreivanje potrebne veliine uzorka.
Razlikujemo 2 naina uzorkovanja : 1) Verovatnosno uzorkovanje
zasniva se na teoriji verovatnode
(pri svakoj etapi je poznata verovatnoda sa kojom neki lan
osnovnog skupa ulazi u uzorak), 2)
Neverovatnosno uzorkovanje nije zasnovano na teoriji
verovatnode. Raspoloivi uzorak se deli na 3
podskupa : 1) podskup za obuavanje algoritma i procedura Data
Mining, 2) podskup za testiranje, 3)
podskup za evaluaciju performansi modela. Model ocenjen kao
uspean, posle se primenjuje na
novom, nepoznatom skupu podataka.
8. Izabiranje najpodesnijih tehnika i sredstava za reavanje
postavljenog problema Data Mining
Izbor je odreen u prvom redu : 1) problemom i ciljevima Data
Mining, 2) pretpostavkama ispravne
primene metoda, tehnike i sredstava. Ova faza podrazumeva ocenu
i uporeivanje adekvatnosti
alternativnih metoda, tehnika i sredstava za Data Mining. U
zavrnom delu ove faze je potrebno
navesti izabrane metode, tehnike i sredstva, koji de se
koristiti u poduhvatu Data Mining.
12. Proces Data Mining koraci 9-17
9. Odreivanje toka poduhvata Data Mining obino ukljuuje : a)
identifikovanje glavnih kontrolnih
taaka projekta, b) pretpostavke o trajanju aktivnosti radi
izrade vremenskog plana, c) identifikovanje
ogranienja projketa, d) identifikovanje meuzavisnosti aktivnosti
u projektu, e) definisanje
vremenskog plana i budeta, f) odreivanje kriterijuma za ocenu
znaajnosti odstupanja od projekta i
g) dokumentovanje vremenskog plana i budeta projekta.
10. Odreivanje sastava tima za obavljanje poduhvata Data Mining
sastav tima sainjavaju znalac
u oblasti kojoj pripada problem odluivanja, znalac u oblasti IT
i znalac u oblasti Data Minig.
11. Specifikovanje aktivnosti, dunosti uesnika i okvirnog
vremenskog plana
12. Prikupljanje, eksploracija, razumevanje i ocenjivanje
podataka 1) Prikupljanje poetnih
podataka poetni korak u prikupljanju podata je lociranje
potrebnih podataka. Podaci se najede
nalaze u DW ili u martu podataka, ponekad u ODS. Ako se podaci
uzimaju iz vie izvora, potrebna je
integracija podataka. 2) Opisivanje podataka odnosi se na
pitanja granularnosti podataka, formata
podataka i opsega vrednosti varijabli. 3) Ekpsploracija podataka
omogudava sticanje uvida u to gde
se u podacima nalaze kljuni odnosi meu varijablama i uvid u
nedostatke ili netanosti podataka. 4)
Ocenjivanje kvaliteta podataka Kvalitet podataka pokazuje u
kojoj meri izvor podataka podrava
potrebe za informacijama. Osnovne komponente podataka su:
integritet, tanost i potpunost
podataka. 4) Pisanje saetog izvetaja o rezultazima eksploracije
i ocenjivanja kvaliteta podataka,
5) Prireivanje podataka za Data Mining 5.1) Proidavanje podataka
je proces u kojem se biraju
isti podskupovi podataka, unose nedostajudi podaci, a netani
zamenjuju. Postoji vie pristupa u
tretiranju nedostajudih podataka, npr. iskljuivanje sluajeva
(redova) s nedostajudim podacima,
zamenjivanje nedostajudih podataka interpoliranim vrednostima.
Autlejer je pojedinana pojava
vrednosti neke varijable, koja je vrlo udaljena od osnovne mase
vrednosti te varijable. Autlejerima se
moe pristupati kao da su valjane vrednosti, tretirati ih kao
nedostajude vrednosti, zameniti ih drugim
vrednostima (min/max), preobraziti kvantitativnu vajrijablu u
kvalitativnu kategorijsku... Podaci bi
trebalo da budu na odgovarajudem nivou granularnosti. 5.2)
Konstruisanje novih podataka
-
Neboja Tamindid, 2012.
11 SPI skripta za usmeni ispit
podrazumeva proizvoenje izvedenih varijabli ili transformisanje
vrednosti postojedih varijabli. 5.3)
Integrisanje podataka spajanje dveju ili vie tabela. 5.4)
Formatiranje podataka podaci mogu da
budu : kategorijski, diskretni numeriki (mogu uzimati samo
fiksirani skup vrednsoti), kontinuirani
numeriki (mogu da budu skalarni (npr. varijabla sa vrednostima
0-100 je skalirana 0.0-1.0), sa
pragovima (npr. varijabla ima domen 0-300, i elimo da vidimo
koliko je vrednosti iznad 40, moemo
vrednosti 0-40 skalirati 0.0-1.0, a ostale vrednosti dobijaju
vrednost 1) ili pereobraeni u diskretne)
5.5) Konana priprema skupa podataka.
14. Izgraivanje modela Model je pasivan ako ne prima inpute, ne
daje proishodne, ne menja bilo
ta, a aktivni modal obavlja najmanje jednu aktivnost. Pasivni
modeli izraavaju povezanosti, dok
aktivni primaju uzorak inputa i uzvradaju predvianjima oekivanih
proishoda. Za izbor odgovarajude
tehnike modelovanja se obino koriste Monte Carlo metodi. Zatim
se odruje nain proveravanja i
ocenjivanja modela i postavljaju parametri za izgraivanje
modela.
15. Tumaenje, razumevanje i ocenjivanje modela rezultata
poduhvata Data Mining Tumaenje
i zakljuivanje koje zanemaruje kako je skup podataka izabran,
moe voditi pogrnom zakljuku.
Neopravdano je poistovedivanje verovatnode greke u statistikom
testiranju hipoteze, s
verovatnodom greke dobijene primenom neke procedure u poduhvatu
Data Mining. Umesto
uobiajenog odabira vrednosti =0,05 i =0.01, potrebno je uzeti u
obzir i snagu testa i smanjiti
vrednost kada je uzorak veliki. Potrebno je imati na umu da
informacije steene analizom mogu da
budu neistinite. Prilikom ocenjivanja modela, pripisuju mu se
brojevi ija vrednost korespondira sa
prihvatljivodu modela. Neki od osnovnih kriterijuma su : tanost
klasifikacije, jasnoda, lakoda
tumaenja, potrebno vreme i jednostavnost modela. Kombinovanje
vedeg broja modela se sprovodi
sa ciljem poboljavanja pouzdanosti i tanosti
predvianja/klasifikovanja. U istraivanjima je naeno
da su skupovi modela esto znazno uspeniji od ma kog svog
pojedinanog lana. Takvi skupovi
modela se obino nazivaju ansamblima modela.
16. Primena modela rezultata Data Mining, pradenje i ocenjivanje
efekata primene modela
sadri plan sporvoenja primene rezultata Data Mining i plan
pradenja i ocenjivanja efekata primene
rezultata Data Mining.
17. Pisanje zavrnog izvetaja o celokupnom projektu Data Minig
stuktura izvetaja sadri saetke
o problemskoj situaciji, problemu odluivanja, problemu Data
Mining, ciljevima odluivanja i
ciljevima Data Mining, saeti pregled postavljenih kriterijuma
uspenosti reenja, saeti opis toka
obavljenog poduhvata, saeti pregled rezultata steenih
poduhvatom, saezi pregled ocenjivanja
rezultata, saeti izvetaj o nainu i efektima primene steenih
rezulzata, optu ocenu efektivnosti i
efikasnosti poduhvata i sugestije za predstojede poduhvate Data
Mining.
13. Otkrivanje znanja
Otkrivanje znanja u bazama podataka (KDD Knownedge Databases
Discovery), se definie kao
netrivijalni, iterativni i interaktivni proces identifikovanja
do tada nepoznatih sloajeva u podacima.
Ukljuuje 9 etapa : 1) razumevanje domena primene prethodnog
znanja i ciljeva koje bi trebalo
postidi, 2) kreiranje i odabiranje ciljnog skupa podataka, 3)
otklanjanje ili ispravljanje neispravnih
podataka i prethodna obrada podatka, 4) transformisanje i
redukovanje podataka, 5) izbor zadataka
DM odluivanje da li je cilj KDD klasifikacija, klasterizovanje
ili neto drugo, 6) izbor odgovarajudih
algoritama DM, 7) DM, 8) tumaenje i ocenjivanje otkrivenih
sloajeva i 9) koridenje otkrivenih
znanja. Neophodno je da baza sa sadri to je mogude manje umova,
a DW, posredstvom internih
-
Neboja Tamindid, 2012.
12 SPI skripta za usmeni ispit
mehanizama to obezbeuje. Znanja steena na ovaj nain, mogu da
budu uskalditena u knowledge
warehouse integrisano, konzistentno i ka korisniku usmereno
skladite informacija i znanja, lako
dostupnih korisnicima. Predstavlja osnovni sainilac strukture
sistema upravljanja znanjem. Sistem
upravljanja znanjem bi trebalo da korisnika u organizaciji uputi
na znalce u odreenoj oblasti.
14. Pojam, priroda i svrha DSS
Upravljaki informacioni sistemi (MIS), pomau menaderima da
efektivno i efikasno upravljaju
organizacijom. Mada su oni razvijani sa svrhom da obezbeuju
upravljake informacije za donoenje
odluka, ovaj cilj nisu uspeno realizovali u vedini organizacija.
Pojavili su se novi, drugaiji
informacioni sistemi DSS, vie kao nadgradnja MIS. DSS su
sposobni da uklone nedostatke koji su se
pojavili kod MIS. DSS je usresreen na podrku donoenja odluka u
kontekstu menaderskog
pristupa otkrivanja i reavanja problema odluivanja svih nivoa.
Kljuni akpekt je podizanje
sposobnosti donosioca odluke, ostavljajudi raunaru da uradi ono
to radi najbolje kvantitativne
analize. Sistem omogudava pristup kvantitativnim modelima,
jezicima modelovanja i analitikim
bazama podataka. Sistem mora biti jednostavan, robusan, lak za
kontrolu, adaptivan, lak za
komunikaciju. DSS se moe definisati kao 1) proiriv sistem, 2)
sposoban podravati ad hoc analizu
podataka i modeliranje odluka, 3) orjentisan ka bududem
planiranju, 4) koristi se u iregularnim,
neplanskim intervalima. DSS sistem se sastoji iz slededih
sainitelja : 1) jezikog sistema mehanizma
koji obezbeuje komunikaciju izmeu korisnika i drugih komponenti
DSS, 2) sistema znanja ini ga
znanje iz problemskog domena i 3) sistema za procesiranje
problema veza izmeu 2 prethodno
navedena sistema. Svaki DSS je unikatna aplikacija i ne moe se
razvijati i isporuivati kao standardni
softverski paket. Ove sisteme razvijaju korisnici koji su veoma
dobri poznavaoci problema odluivanja
i graditelji DSS.
Poreenje sistema podrke odluivanju (DSS) sa upravljakim
informacionim sistemima (MIS), kroz
5 kljunih dimenzija
Dimenzije DSS MIS
Upotreba Aktivna Pasivna
Korisnik Menadment preduzeda Slubenici
Cilj Efikasnost Mehanika efikasnost
Vremenski horizont Sadanjost, bududnost Prolost
Osobenost Fleksibilnost Konzistentnost
16. Aktivnosti i vrste DSS
Upravljake aktivnosti se mogu svrstati u 3 kategorije :
strategijsko upravljanje (postavljanje ciljeva,
izbor strategija, izrada planova, razvoj politika...),
upravljaka kontrola (proces obezbeivanja da
ciljevi i strategije budu efektivno i efikasno realizovani),
operativno planiranje (program
obezbeivanja da operativni planovi, programi i konkretni zadaci
budu uspeno realizovani). DSS se, s
obzirom na upravljake aktivnosti koje podravaju mogu razvrstati
na : DSS za strategijsko
upravljanje, DSS za upravljaku kontrolu, DSS za operativno
planiranje i kontrolu. DSS za strategijsko
upravljanje bududnost de biti era velikih i radikalnih promena.
4 dolazeda i najvanija kompleksa
promena, ticade se : demografskih kretanja, promena u ekonomiji
i tehnologiji, nestaice prirodne
energije, razvojnih trendova svetskog ekonomskog sistema.
Strategijsko upravljanje je proces
-
Neboja Tamindid, 2012.
13 SPI skripta za usmeni ispit
postavljanja ciljeva organizacije, izbora strategije i
obezbeivanja resursa za postizanje postavljenih
ciljeva. Strategijsko upravljanje je dunost najvieg rukovodstva.
DSS za strategijsko upravljanje
poseduje takve funkcionalnosti koje obezbeuju sve vrste
relevantnih informacija, potrebnih
vrhovnom rukovodstvu u izvrenju zadataka u domenu strategijskog
upravljanja. DSS za upravljaku
kontrolu Upravljaka kontroja je proces kojim sredinji nivo
menadmenta obezbeuje da se
resursi organizacije angauju i koriste efektivno i efikasno,
kako bi se postigli postavljeni dugoroni i
srednjoroni ciljevi organizacije. Implementacija sistema
upravljake kontrole podrazumeva 2 kljuna
zahteva : 1) identifikovanje vanih elemenata radnih procesa i
naina donoenja odluka koje se
moraju inkorporirati u kontrolni sistem i 2) delegiranje
upravljake odgovornosti. Ova vrsta DSS
omogudava menaderima srednjeg nivoa : a) identifikovanje i
reavanje nastalih poslovnih problema,
b) otkrivanje novih problema i njihovo uspeno reavanje podrkom
poslovnih i matematiko-
statistikih modela, c) komuniciranje sa radnim timovima,
motvacija zaposlenih i kontrola tokova
aktivnosti. DSS za operativno planiranje i kontrolu Operativno
planiranje i kontrola je proces
obezbeivanja efektivnosti i efikasnosti u izvravanju tekudih
poslova i operacija. DSS obezbeuje
informacije za nie nivoe upravljanja u cilju potpomaganja
operativnog planiranja i kontrole. Re je o
podrci donoenja programibilnih odluka koje su uestale i
rutinske. Raunar ima vanu ulogu da
podrava izvravanje ovakvih zadataka, npr. kontrola zaliha,
termiranje porudbina, analiza prodaje u
objektima... Grupni sistemi za podrku odluivanja (GDSS) proces
donoenaja odluka je deljiv
proces i u njemu obino uestvuje vedi broj osoba. GDSS tipologiju
sainjavaju slededi delovi : 1) Soba
za odluivanje u kojoj se analizira problem odluivanja i donosi
grupna odluka, 2) Lokalna mrea za
odluivanje u njoj su umreena sva radna mesta i personalni
raunari. Centralni raunar server
dri GDSS server, baze podataka i baze modela, a lokalna mrea
omogudava komunikaciju. 3)
Telekonferencija koristi se u situacijama kada su lanovi grupe
za odluivanje geografski veoma
udaljeni. 4) Udaljeno donoenje odluka GDSS omogudava neprekidne
komunikacije izmeu
udaljenih stanica za odluivanje.
17. Arhitektura DSS
Sistemi za podrku odluivanja su sainjeni od slededa 3 glavna
elementa : 1) podsistem podataka i
upravljanja podacima ukljuuje u svoju strukturu bazu podataka.
Logiki aspekt ovih baza
uspostavlja se na dimenzionalnom modelovanju, a fizika
implementacija je relaciona baza. Resurs
podataka je struktuiran i organizovan kao DW i podacima upravlja
SUBP ; 2) podsistem modela i
upravljanja modelima softverski paketi ukljuuju modele vetake
inteligencije, finansijske,
statistike, OLAP, DM i druge modele ; 3) komunikacioni (dijalog)
podsistem posredstvom njega
korisnik komunicira i upravlja sa DSS. Podsistem podataka i
upravljanja podacima sadri sledede
module : DSS baza podataka, SUBP, renik podataka, mogudnost
upita. Podsistem podataka i
upravljanja podacima koristi 3 nivoa arhitekture : konceptualni
nivo, logiki nivo i fiziki nivo.
1) Konceptualni nivo projektovanja baza podataka se reava
dimenzionalnim modelovanjem. Ovim
modelima se opisuju svi podaci relevantni za neku oblast
preduzeda, koji de biti u jednoj bazi
podataka. 2) Logiki nivo se odnosi na predstavljanje logike
strukture baze podataka. Koriste se 2
modela podataka : entitet-odnos model i semantiki model. Sutina
je identifikacija i imenovanje
entiteta, atributa koji pripadaju svakom entitetu i ukazivanje
na vrstu i nazive veza izmeu entiteta.
3) Fiziki nivo arhitekture baze bodataka DW tie se fizike
organizacije podataka i njihovog
smetaja na memorijske ureaje. Fiziki nivo je relaciona baza
podataka, urpavljana odgovarajudim
-
Neboja Tamindid, 2012.
14 SPI skripta za usmeni ispit
SUBP. Baza podataka se kreira i njoj se pristupa i ona se aurira
skupom softverskih programa SUBP,
vrednih i do 100.000$. SUBP izvrava 3 standardne funkcije : a)
formiranje (skladitenje), b)
pretraivanje, c) kontrola (zatita pristupa). Renik podataka je
katalog svih podataka u bazi. Sadri
definicije podataka. Renici podataka su meta podaci u DW.
Sposobnost upita obezbeuje osnovu za
pristup podacima. Sposobnosti su odreene posebnim query
jezicima, kao to je na primer SQL.
Podsistem modela i upravljanja modelima - sastoji se iz slededih
elemenata : 1) baza modela, 2)
sistema za upravljanje bazom modela (SUBM, ili eng. MBMS), 3)
renik modela, izvrenje modela,
integracija i upravljanje. Baza modela sadri subrutine,
statistike, finansijske modele, modele
poslovne inteligencije i druge kvantitativne metode i tehnike
koji doprinose analitikim
performansama DSS. Mogudnost manipulacije modelima je bitna
karakteristika DSS, koja ga znaajno
razlikuje od tradicionalnih upravljakih informacionih sistema
(MIS). MBMS je softverski sistem sa
slededim funkcijama : kreiranje modela, koridenje subrutina i
izgraenih blokova modela,
generisanje novih rutina i izvetaja, auriranje i promena modela,
manipulisanje podacima. Modeli u
DSS se integriu i koriste na 2 naina : 1) zaseban podsistem baze
modela, povezan sa drugim
podsistemima i 2) modeli uljueni u proirivu tehnologiju baze
podataka. Renik modela je katalog
svih modela u bazi modela, za definicijama, glavnim funkcijama
modela i slino. Podsistem dijaloga
dijalog komponente DSS su softver i hardver koji omogudavaju
korisniki interfejs sa DSS. Termin
korisniki interfejs pokriva sve aspekte komunikacija izmeu
korisnika i DSS. Podsistem korisnikog
interfejsa se najede deli u 3 komponente : PC/Terminal, softver
i korisnik. Proces dijaloga se deli u
slededa 3 dela : 1) jezik akcije (kako korisnik moe komuicirati
sa sistemom), 2) jezik prezentacije (ono
to korisnik vidi i uje), 3) baza znanja (ukljuuje informacije
koje korisnik mora posedovati ili znati.
Znanja mogu biti u korisnikovoj glavi, uputsvima ili u Help
sekciji). Podsistemom dijaloga upravlja
softver koji je poznat kao softver za upravljanje i generisanje
dijaloga (DGMS). Korisnici mogu biti
menaderi ili specijalisti analitiari. Prvi trae od sistema da su
vie frendli, a drugi da su analitiniji i
kompleksniji.
18. Metodoloki pristup razvoju poslovne inteligencije L. Moss
& S. Atre koraci 1-5
1. Definisanje potreba/ciljeva poslovanja i potrebnih solucija
poslovne inteligencije u prvom
koraku, potrebno je izriito definisati poslovni problem i
mogudnosti, svrhu aplikacija poslovne
inteligencije, obaviti analizu poslovanja i zashteva za
informacijama, kao i sveobuhvatnu analizu
rizika. Aktivnosti2: 1 Definisanje poslovnih potreba (2a, 2b,
2c), 2a Ocenjivanje postojedih DSS
solucija, 2b Ocenjivanje operativnih izvora i procedura (3), 2c
Ocenjivanje PI inicijativa
konkurenata, 3 Odreivanje ciljeva aplikacija PI (4a, 4b, 4c), 4a
Predlog solucije PI, 4b Obavljanje
kost-benefit analize (5), 4c Ocenjivanje rizika, 5 Pisanje
izvetaja o poslovnim potrebama i
poslovnim solucijama.
2. Ocena infrastrukture preduzeda Ocenjuju se obe komponente
infrastrukture : tehnike (hardver,
softver, SUBP, operativni sistemi, mree...), i netehnike
(standardi metapodataka, standardi
imenovanja podataka, logiki model podataka, metodologije,
uputstva, procedure testiranja...).
Aktivnosti ocenjivanja tehnike infrastrukture : 1a Ocenjivanje
postojedih platformi (2), 1b
Ocenjivanje i izbor novih proizvoda (2), 2 Pisanje izvetaja o
oceni tehnike infrastrukture (3), 3
2 Aktivnosti su predstavljne tako da redni broj oznaava poziciju
po vertikalnoj, hronolokoj, liniji, a slovo
poziciju s leva na desno, u situacijama gde se najverovatnije
radi o paralelnim aktivnostima. u zagradi oznaava da datu aktivnost
sledi neka druga, ija je, ili ije su oznake date iza simbola.
-
Neboja Tamindid, 2012.
15 SPI skripta za usmeni ispit
Proirivanje postojedih platformi. Aktivnosti ocenjivanja
netehnike infrastrukture : 1 Ocenjivanje
efikasnosti komponenti netehnike infrastrukture (2), 2 Pisanje
izvetaja o ocenji netehnike
infrastrukture (3), 3 Unapreivanje netehnike infrastrukture.
3. Planiranje projekta Aktivnosti 1 Odreivanje zahteva projekta
(2), 2 Odreivanje stanja
izvornih fajlova i baza podataka (3a, 3b), 3a Odreivanje ili
revidiranje procene trokova (4), 3b
Revidiranje ocene rizika (4), 4 Identifikovanje kljunih faktora
uspenosti (5a, 5b), 5a Priprema
dokumenata o projektu (6), 5b Kreiranje plana projekta, (6)
Startovanje projekta
4. Definisanje zahteva projekta postoji razlika izmeu optih
poslovnih zahteva (odreivanje
poslovnih potreba organizacije za okruenjem podrke odluivanju u
okruenju poslovne
inteligencije), i zahteva specifinih za projekat (specifine
funkcije i podaci koje bi trebalo imati na
raspolaganju na kraju projekta poslovne inteligencije).
Aktivnosti: 1a Definisanje zahteva za
unapreivanje tehnike infrastrukture (2), 1b Definisanje zahteva
za unapreivanje netehnike
infrastrukture (2), 1c Definisanje zahteva za izvrenjem (2), 1d
Definisanje zahteva za izvorima
podataka (2), 2 Pregled opsega podataka (3a, 3b), 3a Definisanje
zahteva za unapreivanje
netehnike infrastrukture (4), 3b Definisanje zahteva za
izvrenjem (4), 4 Pisanje dokumenta o
zahtevima.
5. Analiza projekta Kvalitet podataka je veliki izazov pa autori
metodologije smatraju da je analiza
projekta najkritiniji od svih 16 koraka u razvoju. Analiza
podataka nije usmerena na sistem nego na
poslovanje, pa stoga ovaj korak predstavlja kljunu razliku imeu
razvoja tradicionalnog sistema
podrke odluivanju i razvoja solucije poslovne inteligencije.
Aktivnosti: 1 Analiza eksternih izvora
podataka ( 2a, 2b), 2a Analiza kvaliteta podataka u izvorima
(3a), 2b Rafinisanje logikog
modela podataka (3b), 3a Razreavanje diskrepancija (4), 3b
Proirivanje logikog modela
podataka preduzeda (4), 4 Pisanje specifikacija proidavanja
podataka.
19. Metodoloki pristup razvoju poslovne inteligencije L. Moss
& S. Atre koraci 6-10
6. Prototajping aplikacije svrha ovog koraka je da oceni da li
su dizajn baze podataka, dizajn
prisupa, aplikacije i izabrane tehnologije poslovne
inteligencije u stanju da zadovolje zahteve nakon
implementacije. Aktivnosti: 1a Analiza zahteva za pristupom (2),
1b Odreivanje opsega prototipa
(2), 1c Izabiranje alata za prototip (2), 2 Priprema dokumenta
prototipa (3a, 3b), 3a Dizajn
upita i izvetaja (4), 3b Izgraivanje prototipa (4), 4
Definisanje prototipa.
7. Analiza repozitorijuma metapodataka standardizovanje izvornih
podataka neizbeno vodi ka
promenama podataka. Razumeti te promene ne bi bilo mogude bez
odgovarajudih metapodataka.
Aktivnosti: 1a Analiza zahteva repozitorijuma metapodataka (2),
1b Analiza zahteva interfejsa za
repozitorijumom metapodataka (2), 1c Analiza pristupa
repozitorijumu metapodataka i zahteva
izvetavanja (2), 2 Kreiranje logikog meta modela (3), Kreiranje
meta-metapodataka.
8. Dizajn baze podataka U bazama podataka u okruenju poslovne
inteligencije su uskladiteni
poslovni podaci u detaljnom ili agregiranom vidu. Sheme dizajna
baze podataka bi trebalo da
udovolje zahtevima za pristupom podacima. Zahtevi u okruenju
poslovne inteligencije nalau tip
dizajna baze podataka i nain skladitenja podataka, kojima se moe
pristupiti bilo posredstvom SQL
upita, bilo multidimenzionalno-OLAP alatom. Aktivnosti: 1a
Pregled zahteva za pristupom podacima
(2), 1b Odreivanje zahteva za agregiranjem/sumarizovanjem (2), 2
Dizajn ciljnih baza podataka
PI (3), 3 Dizajn fizikih struktura baze podataka (4), 4 Gradnja
ciljnih baza podataka PI (5), 5
-
Neboja Tamindid, 2012.
16 SPI skripta za usmeni ispit
Razvoj procedura za odravanje baze podataka (6a, 6b), 6a
Priprema za monitorisanje i
podeavanje dizajna baze podataka, 6b Priprema za monitorisanje i
podeavanje dizajna upita.
9. Dizajn ETL ovo je najkomplikovaniji proces u celokupnom
projektu poslovne inteligencije. Izvori
podataka su najede heterogeni. Osnovna svrha procesa ETL je
spajanje podataka iz razliitih
platformi u standardni format za baze podataka u okruenju
poslovne inteligencije. Aktivnosti:
1a Kreiranje dokumenata za mapiranje od izvora ka meti (2), 1b
Testiranje funkcija alata ETL (2),
2 Dizajniranje programa toka procesa ETL (3a, 3b), 3a
Dizajniranje programa ETL, 3b
Uspostavljanje oblasti prireivanja ETL.
10. Dizajn repozitorijuma metapodataka Dizajni repozitorijuma
metapodataka bi trebalo da
udovolji zahtevima meta modela razvijanog u 7. koraku analizi
repozitorijuma metapodataka.
Aktivnosti: 1 (a) Dizajniranje baze repozitorijuma metapodataka
(2a, 2b), ili (b) Instaliranje i
testiranje proizvoda repozitorijuma meta podataka (2b), 2a
Dizajn aplikacije metapodataka, 2b
Dizajn procesa migracije metapodataka.
20. Metodoloki pristup razvoju poslovne inteligencije L. Moss
& S. Atre koraci 11-16
11. Razvoj ETL Aktivnosti: 1 Izgradnja procesa ETL (2), 2
Integracija ili regresija testa procesa ETL
(3), 3 Test performanse procesa ETL (4a, 4b), 4a Test
obezbeivanja kvaliteta procesa ETL, 4b
Test prihvatljivosti procesa ETL.
12. Razvoj aplikacije mogudnosti aplikacija poslovne
inteligencije su znatno pojaane OLAP
tehnologijom koja omogudava multidimenzionalne analize i
funkcionalnosti kao to su: what-if
analize, konverzija numerikih podataka u grafike prikaze...
Aktivnosti: 1a Odreivanje zahteva
finalnog projekta (2), 1b Dizajn programa aplikacije (2), 2
Izgradnja testa programa aplikacije
(3a, 3b), 3a Testiranje programa aplikacije, 3b Obezbeivanje
treninga za pristup podacima i
obradu podataka.
13. Data Mining eksplozivni rast koliine podataka proizvodi
ogromne skupove podataka za koje se
opravdano pretpostavlja da sadre skrivene informacije, potrebne
za uspeno poslovanje.
Otkrivanje takvih informacija moe predstavljati znaajnu
kompetitivnu prednost organizacije.
Aktivnosti: 1 Postavljanje poslovnog problema (2b), 2a
Prikupljanje podataka (3), 2b
Konsolidovanje i proidavanje podataka (3), 2c Priprema podataka
(3), 3 Izgradnja analitikog
modela podataka (4a, 4b), 4a Tumaenje rezultata DM (5), 4b
Obavljanje eksterne validacije
rezultata (5), 5 Monitorisanje analitikog modela tokom
vremena.
14. Razvoj repozitorijuma metapodataka neophodni uslov uspene
navigacije kroz okruenje jeste
valjani repozitorijum metapodataka i odgovarajudi pristup istom.
Kada je implementiran,
repozitorijum mora da bude odravan i proirivan tokom vremena.
Repozitorijum meta podataka bi
trebalo da bude punjen i osavremenjavan tokom svakog ciklusa
procesa ETL. Aktivnosti: 1 Graenje
baze repozitorijuma metapodataka (2a, 2b), 2a Graenje testa
procesa migracije metapodataka
(3), 2b Graenje testa aplikacije metapodataka (3), 3 Testiranje
programa repozitorijuma
metapodataka (4a, 4b), 4a Priprema repozitorijuma metapodataka
za produkciju, 4b
Obezbeivanje obuavanja za repozitorijum metapodataka.
15. Implementacija implementacija nove aplikacije poslovne
inteligencije nakon testiranja se moe
obaviti dvojako : sve odjednom ili inkrementalno iterativnim
pristupom koji umanjuje rizik da se
efektima mogudih nedostataka aplikacije izloi cela organizacija.
Valjana implementacija ukljuuje i
odgovarajude obuavanje osoblja i svih aktera koji se koriste
aplikacijom i repozitorijumom
-
Neboja Tamindid, 2012.
17 SPI skripta za usmeni ispit
metapodataka. Aktivnosti: 1 Plan implementacije (2), 2
Uspostavljanje okruenja produkcije (3a,
3b), 3a Instaliranje svih komponenti aplikacija PI (4), 3b
postavljanje vremenskog rasporeda
produkcije (4), 4 Punjenje baza (5), 5 Priprema za tekudu
podrku.
16. Ocena verzije autori metodologije istiu da je gradnja
okruenja poslovne inteligencije za
podrku odluivanju trajni, neokonivi proces. Poto prilikom
dizajniranja okruenja ili aplikacije nije
mogude anticipirati sve mogue potrebe za informacijama, potrebno
je da se to okruenje lako
prilagoava novim potrebama. Aktivnosti: 1a Priprema
postimplementacionog pregleda (2), 1b
Organizovanje sesije postimplementacionog pregleda (2), 2
Sprovoenje sesije
postimplementacionog pregleda (3), 3 Pradenje
postimplementacionog pregleda.
21. Metodologija ivotnog ciklusa poslovni dimenzionalni ciklus
R. Kimballa: koraci 1-6
1. Upravljanje projektom je proces koji otpoinje definisanjem
projekta i nastavlja se tokom svih
faza ivotnog ciklusa DW. Definisanje projekta ukljuuje: ocenu
spremnosti za gradnju DW, razvijanje
preliminarnog delokruga projekta i poslovno opravdanje.
2. Planiranje projekta ivotni ciklus otpoinje planiranjem
projekta. Planiranje projekta se odnosi
an definisanje delokruga projekta DW. Planiranje projekta
ukljuuje definisanje projekta i izradu
plana projekta.
3. Odreivanje poslovnih i informacionih zahteva osnovu
celokupnog poduhvata gradnje DW ine
doznavanje i razumevanje poslovnih i informacionih zahteva
krajnjeg korisnika. Na prikupljenim
poslovnim i informacionim zahtevima se zasnivaju 3 uporedne
linije u graenju DW : 1) linija
podataka ukljuuje: modelovanje podataka, fiziki dizajn baze
podataka i dizajn i razvoj prireivanja
podataka ; 2) linija tehnologije ukljuuje: oblikovanje tehnike
arhitekture, odabiranje i instaliranje
specifinih komponenti tehnilke arhitekture ; 3) linija
aplikacija ukljuuje: specifikovanje korisnikih
aplikacija i razvijanje aplikacija krajnjeg korisnika.
4. Dimenzionalno modelovanje otpoinje konstruisanjem matrice
koja predstavlja kljune poslovne
procese i njihovu dimenzionalnost. Model identifikuje tabelu
injenica, povezane dimenzije, atribute i
putanje hijerarhijskog drilovanja. Logiki dizajn baze podataka
se upotpunjava odgovarajudim
strukturama tabele i odnosima primarni/strani klju. Pored toga,
razvija se preliminarni plan
agregacije. Na posletku se razvija mapiranje podataka od izvora
ka odreditu u DW.
5. Oblikovanje tehnike arhitekture i mera zatite radi
postavljanja tehnike arhitekture DW,
neophodno je istovremeno razmatranje 3 inilaca : 1)
identifikovanih poslovnih zahteva, 2) aktuelnog
tehnikog okruenja, 3) planiranih stratekih tehnikih usmerenja.
Oblast arhitekture podataka
definie granularnost, obim i tajming podataka u raznim takama
DW. Tehniku arhitekturu ine 2
dela : 1) akvizicija podataka (back room) deo DW odgovoran za
prikupljanje i pripremu podataka i
2) pristupanje podacima (front room) deo DW odgovoran za
dostavljanje podataka korisnicima.
Pod infrastrukturom se podrazumevaju hardver i softver
operativnog nivoa.
6. Odabiranje i instaliranje proizvoda tehnike arhitekture
zavisno od razvijenog dizajna tehnike
arhitekture kao okvira, odabiraju se specifine komponente
arhitekture, kao to su: hardverska
platforma, SUBP, alati prireivanja podataka, alati za pristup
podacima u DW i crpljenja informacija iz
DW (ROLAP) i dr. Instaliranje proizvoda tehnike arhitekture se
ponavlja za svaki proizvod i ukljuuje:
a) planiranje instaliranja, b) pripremu instaliranja, c)
instaliranja hardvera/softvera, d) testiranje
hardvera/softvera.
-
Neboja Tamindid, 2012.
18 SPI skripta za usmeni ispit
22. Metodologija ivotnog ciklusa poslovni dimenzionalni ciklus
R. Kimballa: koraci 7-12
7. Fiziki dizajn i implementacija baze podataka fiziki dizajn
baze podataka je usresreen na
definisanje fizikih infrastruktura, neophodnih za podrku logikom
dizajnu baze podataka. Osnovni
elementi ovog procesa su definisanje standarda imenovanja i
postavljanje okruenja baze podataka.
Pojedinosti fizikog modela podataka i implementacija baza
podataka veoma zavise od svojstava
pojedinnog projekta. Fizika implementacija baza podataka
podrazumeva: a) odreivanje fiksiranih
parametara SUBP, b) instaliranje SUBP, c) optimiziranje
promenljivih parametara SUBP, d) izgradnju
fizike strukture skladita, e) postavljanje RAID, f) odreivanje
veliina tabela i indeksa i g) kreiranje
tabela i indeksa.
8. Dizajn i razvoj prireivanja podataka proces prireivanja
podataka sainjavaju : ekstrahovanje,
transformisanje i unoenje, punjenje ETL. Punjenje dimenzija
podacima : a) izgradnja i testiranje
punjenja statine dimezione tabele, b) izgradnja i testiranje
punjenja sporo promenljive dimenzione
tabele, c) izgradnja i punjenje preostalih tabela dimenzija.
Punjenje tabele einjenica i automatizacija:
a) izgradnja i testiranje punjenja istorijske tabele fakata,
ukljuujudi zamenu surogat kljueva, b)
izgradnja i testiranje inkrementalnog procesa punjenja, c)
izgradnja i testiranje punjenja agregatnih
tabelia i/ili MOLAP punjenja, d) dizajn, izgradnja i testiranje
automatizacije aplikacije predvianja.
Punjenje i validiranje baze podataka ukljuuje: a) postavljanje
okruenja, b) punjenje inicijalnim test
podacima, c) inicijalna validacija podataka, d) punjenje
istorijskim podacima, e) obavljanje validiranja
podataka.
9. Specifikovanje korisnikih aplikacija potrebno je
specifikovati skup standardnih aplikacija
krajnjih korisnika koji opisuje ablone izvetaja i zahtevana
izraunavanja. Pre svega, trebalo bi
identifikovati potrebne izvetaje. Potom bi trebalo oblikovati
pristup za navigaciju. Takoe je
potrebno izraditi specifikaciju aplikacija krajnjeg
korisnika.
10. Razvijanje aplikacija krajnjeg korisnika razvijanje
aplikacija krajnjeg korisnika ukljuuje: a) izbor
pristupa implementacije, b) odreivanje neophodnih metapodataka,
c) izgraivanje aplikacija krajnjih
korisnika, d) razvijanje navigacije, e) dokumentovanja
aplikacija krajnjeg korisnika i f) razvoj
procedura odravanja krajnjeg korisnika.
11. Deploajiranje Data Warehouse proces deploajiranja bi trebalo
da obezbedi valjano i skladno
susticanje tehnologije, podataka i aplikacija krajnjeg
korisnika. Deploajiranje ukljuuje sledede
aktivnosti : a) ocenjivanje spremnosti za deploajiranje, b)
konfigurisanje i testiranje infrastrukture
desktopa, c) uspostavljanje bezbednosnih privilegija, d)
obuavanje korisnika.
12. Odravanje i razvoj Data Warehouse posle poetnog
deploajiranja DW potrebno je : a)
kontinuirano usreivanje na poslovne korisnike i obezbeivanje
adekvatne edukacije i potpore, b)
usredsreivanje na akviziciju podataka, kako bi tekude
funkcionisanje DW bilo efektivno, c) merenje
prihvadenosti i performanse DW tokom vremena. Za dalji razvoj DW
u organizaciji potrebno je: a)
obrazovati grupu koja de biti odgovorna za taj razvoj, b)
uspostaviti strategiju odreivanja prioriteta u
irenju i uvedavanju DW i c) iterativno upotrebljavati koncepciju
ivotnog ciklusa razvoja DW.