ALATI POSLOVNE INTELIGENCIJE

1. ALATI POSLOVNE INTELIGENCIJE Anamarija Ergović Marija Rukav Ivana Paponja Andrej Miškatović

2. Pojam poslovne inteligencije • Poslovna inteligencija (eng. Business Intelligence) kao disciplina osmišljena je sedamdesetih godina dvadesetog stoljeća Definicije: • „Poslovna inteligencija je korištenje kolektivnog znanja organizacije sa ciljem postizanja konkurentske prednosti.“ • „Poslovna inteligencija je proces prikupljanja raspoloživih internih i relevantnih eksternih podataka, te njihove konverzije u korist informacije koje mogu pomoći poslovnim korisnicima pri donošenju odluke.“

3. Pojam poslovne inteligencije objedinjava metodologije, tehnologije i platforme za skladištenje podataka, OLAP procesiranje podataka i rudarenje podataka koje omogućuju tvrtkama kreiranje korisnih upravljačkih informacija iz podataka o poslovanju • Poslovna inteligencija (BI) je sistematičan i etičan način prikupljanja, pribavljanja, sortiranja i analiziranja javno dostupnih informacija o aktivnostima konkurencije na temelju kojih se mogu predviđati budući poslovni trendovi da bi se održala i učvrstila vlastita kompetentnost na tržištu.

4. Poslovna inteligencija ima 3 značajke: • To je proces prikupljanja podataka i informacija koji nakon odgovarajuće obrade postaju „znanje“. • Usmjerena je na informacije temeljem kojih se mogu anticipirati budući procesi, događaji, akcije ili kretanja. • To je instrument koji ima potpunu ulogu u procesu donošenja odluka.

5. Komponente sustava BI sustav može se podijeliti na četiri osnovne komponente: • Infrastruktura • skladište podataka, ETL alati, Operativno spremište podataka • Funkcionalnost • BI platforme, Data Mining, BI aplikacije (operativne, strateške, analitičke), ad-hoc izvještavanje • Organizacija • mjerenje performansi, informacijska/korporativna kultura, BI metodologije, BI centar (objedinjavanje znanja i vještina) • Poslovanje • ključni pokazatelji uspješnosti, trendovi, transparentnost

6. BI se intenzivno počeo razvijati kada su poduzeća automatizirala svoje poslovne procese koji su se vrlo brzo pokazali kao izvrsni generatori velikih količina podataka. • došlo je do tkz. eksplozije podataka • u takvim podacima leži veliki potencijal i pravo bogatstvo • nastao BI - s tehničke strane proces kojim se sirovi podaci pretvaraju u informacije • te informacije se zatim analiziraju i koriste u procesu odlučivanja.

7. Koliko traje uvođenje BI sustava? • projekt bez kraja • Koliko BI sustav stoji i gdje se kupuje? • ne postoji kao gotov proizvod • proizvođači nude tehnološke platforme i znanje za implementaciju • Tko koristi BI sustav? • izvorno namijenjen decision maherima • poduzeće analizira samo 10% prikupljenih podataka • poslovna inteligencija je način kako iskoristiti preostalih 90%

8. sve jača tržišna konkurencija, razvijeni distribucijski kanali i ponuda robe i usluga • Uz pomoć alata poslovne inteligencije poduzeća uspješnije povezuju ljude s njihovim poslovanjem, s kupcima, dobavljačima i partnerima. • Osnovna značajka - omogućuju poslovnim korisnicima uvid u ogromnu količinu kompleksnih podataka. • U alate poslovne inteligencije ubrajaju se: • Alati za upite (OLAP) • Alati za rudarenje podataka • Vizualizacijski alati (Dashboard / Scorecard alati)

9. Obilježja koncepta poslovne inteligencije • Glavna namjena - generiranje što kvalitetnijih informacija potrebnih poslovnim sustavima za donošenje pravih poslovnih odluka. • Glavno obilježje poslovne inteligencije jest da ona proizlazi iz operativnih podataka, proaktivna je i orijentirana na dostavljanje informacija namijenjenih pojedincima. • Kao primjer iz prakse možemo spomenuti : • Hrvatski autoklub – HAK, • javne službe kao hidrometeorološke • izvještajno prognozna služba

10. Poslovna inteligencija u Hrvatskoj • hrvatsko tržište • nije veliko • u zadnjih dvije do tri godine postalo vrlo bogato ponudom • vrlo velika koncentriranost klijenata na OLAP sustavima • za aplikacijama za rudarenje podataka ne postoji velika potražnja na tržištu. • na hrvatskom tržištu prisutni su osobno ili putem mreže strateških partnera praktički svi vodeći svjetski dobavljači softverskih rješenja.

11. OLAP

12. Online Analytical Processing (E. F. Codd) • Skupina alata za izvođenje znanja iz skladišta podataka • Zasnovan na multidimenzijskoj analizi podataka • Omogućuje obavljanje vrlo brzih analiza – korisnici postavljaju pitanja (upite) i dobivaju odgovore (izvještaje) u vrlo kratkom vremenu

13. OLAP alati obuhvaćaju širok spektar mogućnosti: • jednostavna pretraživanja i navigacije • proračune (kalkulacije) • složenije analize, npr. analize vremenskih nizova, predviđanja, modeliranje

14. Arhitektura OLAP alata OLAP poslužitelj - server Skladište podataka OLAP klijent - korisnik • OLAP server – omogućava kreiranje višedimenzionalnih “kocki” • podataka koje se kasnije mogu analizirati različitim metodama • OLAP klijent – aplikacija koja omogućava različite analize na • učitanim “kockama” podataka

15. Dimenzijska analiza podataka • U OLAP alatima odabiru se i prikazujudimenzijekoje su u informacijskom smislu zanimljive • U OLAP alatima najčešće se koriste ove dimenzije podataka: • proizvod (pojedinačni proizvodi se grupiraju u manje, a zatim i u veće grupe proizvoda) • tržište (npr. proizvodni odjeli, • prodavaonice, gradovi, regije...) • vrijeme (npr. dan, tjedan, mjesec, kvartal, godina)

16. Metode dimenzijske analize • Dicing – presijecanje • (vertikalni presjek kocke) • Slicing – raslojavanje (horizontalni presjek kocke) • Pivoting – • zaokretanje tablice • Drilling – bušenje • (dizanje analize na jednu razinu • više ili niže)

17. Što se može napraviti u OLAP-u • preduvjet: učitati kocku iz skladišta podataka • napraviti upite (ako želi prikazane neke podatke tablično) • napraviti grafičke prikaze podataka iz upita • rotirati tablice, drill-down i drill-up • raditi min-max analize (za traženje uspješnih ili neuspješnih elemenata, te za detekciju problema) • raditi ostale poslovne analize (ABC analize, trend, predviđanja, i dr.) • OLAP alati omogućuju obrade višedimenzijskih i hijerarhijskih podataka • Provođenje brzih tzv. ad – hoc analiza (generiranje odgovora u stvarnom vremenu)

18. ABC analiza (obično se provodi za proizvode, ili dobavljače, ili kupce s ciljem uvida u njihovu značajnost u poslovanju) • Analiza trenda (prati se kretanje prodaje po tjednima od početka poslovanja tvrtke do danas, i nastoji se pronaći linija trenda koja najviše odgovara podacima) • Analiza rangova (provodi se s ciljem pronalaženja vrlo uspješnih (ili neuspješnih) članova (npr. prodavaonica, proizvoda, odjela, i sl.)

19. Upiti u OLAP alatu Ukoliko su menadžeru potrebni neki podaci iz skladišta složeni u tablice postavit će upit iz skladišta putem MDX tehnologije izabrati koje podatke želi u tablicama, koju razinu grupiranja i kako okrenute (što u recima, što u stupcima). Odmah dobiva označene minimalne i maksimalne vrijednosti u tablici radi uvida u kritične točke (eventualna mala prodaja nekih odjela ili nekih prodavaonica, ili dana u tjednu i sl.), te postotne vrijednosti.

20. Vrste OLAP-a • MOLAP (višedimenzijski OLAP) ima vlastiti n-dimenzijski model podataka • ROLAP (relacijski OLAP) počiva na relacijskom modelu podataka • DOLAP (OLAP za stolna računala) prilagođen primjeni na manjim računalima (ne zahtijeva velike servere), namjenjeni za jednog korisnika • HOLAP (hibridni OLAP) kompromisno rješenje, kombinira mogućnosti ROLAP-a i MOLAP-a (ima vlastiti model podataka, ali koristi i relacijski)

21. OLAP alati na tržištu • Cognos • Business Objects • MicroStrategy • Brio Technology • Crystal Decisions • Hummingbird • SoftPro Manager • CubePlayer

22. Data mining

23. RUDARENJE PODATAKA(eng. data mining)- pronalaženje zakonitosti među podacima • Upotrebljava koncepte,metode i tehnike različitih disciplina kao što su baze podataka,statistika i umjetna inteligencija • CILJ: identificirati vrijedne nove,potencijalno korisne veze i uzorke u postojećim podacima

24. Temeljni preduvjeti: • Velike količine kvalitetnih podataka (DW) • Stručnost i kompetencija u tumačenju dobivenih rezultata Uspješnost primjene data mininga ovisi prvenstveno o stručnosti i poslovnoj kompetenciji onih koji tumače dobivene rezultate. Upravo te osobe svojim znanjem i iskustvom mogu biti sposobne neki naizgled besmislen uzorak interpretirati na poslovno korektan i smislen način i pretvoriti ga u vrijednu informaciju.

25. Osnovni tipovi Data mininga • Dva osnovna tipa: • verifikacija hipoteze – cilj je provjeriti da li je neka ideja ili dojam o važnosti odnosa među određenim podacima utemeljen ili ne; • otkrivanje novih znanja – među nekim pojavama mogu postojati neki još nepoznati, a statistički važni odnosi koje čovjek ni iskustvom niti svojim intelektualnim sposobnostima ne može spoznati

26. Rudarenje podataka moguće provesti s 3 tehnologije: • Multiprocesorskom kompjuterskom tehnologijom • Tehnologijom za masivno prikupljanje podataka • Algoritamskim tehnikama

27. Osnovne tehnike data mininga • statističke metode • genetički algoritmi • neuralne mreže • stabla odlučivanja • umjetna inteligencija • asocijacijska pravila, itd.

28. Data mining se može koristiti za: • Sumiranje podataka • Segmentaciju • Klasifikaciju • Predviđanje • Asocijaciju (prepoznavanje uzoraka)

29. Rudarenjem je moguće utvrditi sljedeće vrste informacija: • klase, postupkom klasificiranja prema unaprijed definiranim klasama, • klastere odnosno kategorije, postupkom klasificiranja bez unaprijedzadanihklasa, • asocijacije, koje su uvjetovane događajima (npr. kupci koji kupuju proizvod A u65% slučajeva kupuju i proizvod B), • sekvence, koje ustanovljuju događaje koji u određenoj vjerojatnosti slijede jedanza drugim, • prognoze, kojima se prognozira budućnost iz postojećih podataka.

30. Metode data mininga • Dva osnovna cilja DM projekata se mogu svrstati u dvije kategorije: • Predviđanje • Deskripcija

31. 3 Osnovne Data Mining metode: • Klasifikacija – bavi se svrstavanjem objekata u neku od predefiniranih kategorija • Klastering - se također bavi svrstavanjem objekata u kategorije, samo ovdje te kategorije nisu unaprijed definirane, što problem čini većim. • Asocijacija- se bavi pitanjem koje se stvari događaju istovremeno.

32. Poznato otkriće rudarenja podataka za P&G: Pelene kupuju očevi petkom poslijepodne, i uz njih obično kupe pivo za gledanje utakmice preko vikenda! Korist od ovog otkrića: Reklame za pelene treba slati očevima a ne majkama! Zalihe treba planirati tako da petkom bude najviše robe na policama.

33. Primjeri upotrebe data mininga • Ako smo vlasnik ili manager u lancu trgovina i želimo saznati postoji li pravilnost u trendovima prodaje u nekoj od trgovina početkom tjedna ili krajem tjedna i zašto ili želimo saznati da li će se povećati prodaja nekog artikla Xako se prodaje u paru s artiklom Y • Ako smo manager u banci i želimo saznati profil klijenata koji će vjerojatno otići u minus na tekućem računu ili profil onih koji neće vraćati kredit • Ako smo vlasnik proizvodne tvrtke i želimo znati koje su karakteristike proizvoda koji prolaze na tržištu i dr.

34. Slučaj primjene data mininga • Tvrtka Petrol napravila je dvije analize: • analizu veleprodaje i identificirala kupce za koje je vjerojatno da će biti slabi platiše u budućnosti • analizu računa kupaca kako bi otkrila u kojim danima u tjednu treba imati veće zalihe goriva

35. Alati za data mining • Statistički softverski paketi • SAS,Statistika, SPSS, i dr. • Matematički softverski paketi • MathLab,Mathematica • Alati uključeni u skladištenje podataka (OLAP) ili sustav za upravljanje bazom podataka • Microsoft SQL Server Business Intelligence – uključuje i Enterprise Miner) • Specijalizirani alati za općenite ili poslovne primjene • DataMiner, IntelliMiner, i sl.

36. Data mining opcija u excelu

37. Dashboard

38. osmišljen je 80-tih godina prošlog stoljeća kao element sustava za potporu odlučivanju • radna ploča za prikaz bitnih zbirnih podataka • proširuje raspon poslovne inteligencije • uvodi svakog zaposlenika u postupak upravljanja performansama putem personaliziranih kartica s rezultatima temeljenih na webu

39. Scorecard

40. predstavljaju kombinacije kategorija i pitanja koja se mogu definirati kako bi se izdvojile najbitnije informacije o projektima i ponudama • vrlo su korisni prilikom mjerenja otklona od poslovne strategije tvrtke, analize rizika i drugih bitnih faktora poslovanja. • svakom odgovoru dodjeljuje se određeni rezultat; zatim se svako pitanje i kategorija ocjenjuju kako bi na kraju producirali finalni rezultati

41. Zaključak

42. nudi rješenje za jedan od najvećih problema managmenta – donošenje kvalitetnih poslovnih odluka. • čuva informacije i znanje o konkurenciji, kupcima, dobavljačima, procesima i vezama među procesima • omogućava kvalitetno operativno planiranje, praćenje ponašanja konkurencije, kupaca, dobavljača, promatranje pojedinih tržišnih segmenata i predviđanje budućih pojava

43. Uvođenje BI sustava u poduzeće može pomoći u barem četiri područja: • Bolje razumijevanje poslovanja • Mjerenje koristi od uvođenja sustava • Poboljšavanje veza sa svim zainteresiranim stranama u stvaranju lanca vrijednosti • Omogućavanje prilika za povećanjem vrijednosti Zaključak je definitivno “to BI”

44. LITERATURA • Dukić, B. : Baze podataka i poslovni procesi, Osijek, 2010. • Javorović, B., Bilandžić, M. : Poslovne informacije i business intelligence, Golden marketing, Tehnička knjiga, Zagreb, 2007. • Panian, Ž., Klepac, G. : Poslovna inteligencija, MASMEDIA, Zagreb, 2003. • http://axiss.hr/poslovna_inteligencija.html, 19.1.2012. • http://www.efos.hr/nastavnici/mzekic/poslovna_inteligencija, 21.1.2012.