Seminar Ski Rad Poslovna Inteligencija

PANEVROPSKI PANEVROPSKI UNIVERZITET APEIRON FAKULTET POSLOVNE INFORMATIKE INFORMATIKE Redovne studije „IT”

Predmet POSLOVNA INTELIGENCIJA

Seminarski rad

Predmetni nastavnik Prof. dr Branko Latinović

Student

Banja Luka, februar 2010 god.

POSLOVNA INTELIGENCIJA

SADRŽAJ I. UVOD ............................................................................................................................... 3 1.1. Predmet i cilj rada .......................................................................................................... 3 1.2. Izvori podataka i metoda prikupljanja ........................................................................... 3 1.3. Sadržaj i struktura rada .................................................................................................. 3 II. POSLOVNA INTELIGENCIJA ..................................................................................... 4 2.1. Pojam poslovne inteligencije ......................................................................................... 4 2.2. Komponente sustava ...................................................................................................... 5 2.3. Koliko traje uvođenje Business Intelligence sustava ..................................................... 6 2.4. Koliko Business Intelligence stoji i gdje se kupuje?...................................................... 6 2.5. Kome treba Business Intelligence sustav? ..................................................................... 7 2.6. Osnovni razlozi za uvođenje Business Intelligence sustava .......................................... 8 2.7. Primjena poslovne inteligencije ..................................................................................... 9 2.8. Poslovna inteligencija u Hrvatskoj ................................................................................ 10 III. DATA MINING - rudarenje podataka ............................................................................ 12 3.1. Osnovni tipovi Data Mininga ......................................................................................... 13 3.2. Osnovne tehnologije za Data Mininga ........................................................................... 14 3.3. Metode Data Mininga .................................................................................................... 15 3.4. Primjene Data Mininga .................................................................................................. 18 3.5. Data Mining u Hrvatskoj................................................................................................ 19 IV. ZAKLJUČAK ................................................................................................................. 20 V. LITERATURA ................................................................................................................. 21

2


I. UVOD I.1.Predmet i cilj rada Da bismo znali što je Business Intelligence, ili Poslovna inteligencija, potrebno je prvo definirati pojam kako bi znali na koji način, u kojim slučajevima upotrebljavati termin i što mislimo kada kažemo Business Intelligence. Poslovna inteligencija kao disciplina osmišljena je sedamdesetih godina dvadesetog stoljeća, a jedna od definicija glasi: 

"Business Intelligence je korištenje kolektivnog znanja organizacije sa ciljem postizanja konkurentske prednosti".

Pojam poslovne inteligencije objedinjava metodologije, tehnologije i platforme za skladištenje podataka (Data Warehousing), OLAP procesiranje podataka (On-line Analytical Processing) i rudarenje podataka (Data Mining) koje omogućavaju tvrtkama kreiranje korisnih upravljačkih informacija iz podataka o poslovanju koji se nalaze disperzirani na različitim transakcijskim sustavima te dolaze iz različitih internih i eksternih izvora.

1.2. Izvori podataka i metoda prikupljanja Korišteni su razni izvori, odnosno literatura kako bi se što bolje napisalo i objasnilo što je Poslovna inteligencija, kao i Data Mining, dio vezan za to područje.

1.3. Sadržaj i struktura rada Na početku bi pošla od samog temelja, a to je definicija poslovne inteligencije, komponentama sustava, trajanje uvođenja BI sustava, koliko BI stoji i gdje se kupuje, kome treba BI sustav, osnovni razlozi za uvođenje BI sustava, primjena poslovne inteligencije, poslovna inteligencija u Hrvatskoj, DATA MINING, osnovni tipovi Data Mininga, osnovne tehnologije za Data Mininga, metode Data Mininga, primjene Data Mininga, Data Mininga u Hrvatskoj. Slikama koje sam koristila, želim što bolje objasniti ono što se teorijom htjelo reći, jer „SLIKA GOVORI VIŠE OD 1000 RIJEČI“.

3


II. POSLOVNA INTELIGENCIJA Pojam poslovne inteligencije Pojam "Business Intelligence" (BI) počeo se u hrvatskoj prevoditi kao "Poslovna inteligencija". Međutim u engleskom jeziku riječ "Intelligence" ima dva značenja:  sposobnost učenja, razumijevanja, logičkog razmišljanja, sposobnost da se te stvari rade dobro tajna informacija sakupljena o stranoj zemlji, osobito neprijateljskoj, osobe koje sakupljaju te informacije 

„Poslovna inteligencija je proces prikupljanja raspoloživih internih i relevantnih eksternih podataka, te njihove konverzije u korisne informacije koje mogu pomoći poslovnim korisnicima pri donošenju odluka.“ Poznat i pod nazivom competitive intelligence, Business intelligence (BI) je sistematičan i etičan način pribavljanja, prikupljanja, 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.

Business intelligence ima 3 značajke: To je proces prikupljanja podataka i informacija koji nakon odgovarajuće obrade postaju „znanje“. 

Usmjeren je na informacije temeljem kojih se mogu antipicipirati budući procesi, događaji, akcije ili kretanja. 



To je instrument koji ima potpunu ulogu u procesu donošenja odluka.

U pojmu "Business Intelligence" riječ "Intelligence" ima drugo značenje. U nastavku ću koristiti kraticu BI.

4


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

BI se intenzivno počeo razvijati kada su poduzeća automatizirala svoje poslovne procese, odnosno implementirala različite transakcijske sustave, koji su se vrlo brzo pokazali kao izvrsni generatori velikih količina podataka. Došlo je do tzv. eksplozije podataka - podaci su se sve više gomilali, nastajale su nove i nove baze, ali se do njih nije moglo brzo i jednostavno doći pa se nisu niti upotrebljavali. Paralelno s tim, rasla je svijest to tome da u takvim podacima leži veliki potencijal i pravo bogatstvo, ali da je potrebno nešto čime će se ti podaci objediniti, obraditi i staviti na raspolaganje menadžmentu. I tako je nastao BI, kojeg bi, ovaj put s tehničke strane, najjednostavnije mogli opisati kao proces kojim se sirovi podaci pretvaraju u informacije. Te informacije se zatim analiziraju i koriste u procesu odlučivanja.

Opisi nekih ključnih riječi koje ćemo koristiti u daljnjem tekstu

5


Koliko traje uvođenje BI sustava Uvođenje BI sustava je projekt kojemu nema kraja. Kako konkurencija postaje agresivnija, okolina nestabilnija i budućnost neizvjesnija, zahtjevi pred sustavima analize i prognoze postaju složeniji. BI je u funkciji planiranja (budgeting), tj. kratkoročnih poslovnih odluka ali i u funkciji strategije.

Koliko BI sustav stoji i gdje se kupuje? Postavlja se pitanje cijene ovakvih sustava i troškova informacija. U 21. stoljeću, stoljeću informacija i znanja, cijena informacije jednaka je cijeni opstanka na tržištu. Uvođenje sustava za upravljanje poslovnim informacijama je isplativa investicija. Knjigovodstvo ne bilježi oportunitetne troškove loših poslovnih odluka na osnovi nedostatnih informacija. Takve promašaje bilježe burza i konkurencija. Ta dva “mjerna instrumenta” nepogrešivo znaju kazniti slabosti poslovanja. BI sustav ne postoji kao gotov proizvod, postoje proizvođači koji nude tehnološke platforme i znanja za implementaciju. Nema rješenja s police. Razlog tome jest činjenica da modeli odlučivanja jesu slični, ali strategija, segmentacija tržišta i proizvoda, procesi i veze među njima su različite. Heterogeni su također izvori podataka koji “hrane” ove sustave. 6


Tko koristi BI sustav? BI sustav je izvorno bio namijenjen decision makerima, odnosno ljudima koji donose poslovne odluke. U suvremenim poduzećima odluke donose svi. Ne moraju svi odlučivati, ali mogu svi predlagati. To nije povratak u samoupravljanje, već pružanje prilike svima koji mogu dati doprinos očuvanju vitalnosti poduzeća. Informacije i znanje potrebni su svima.

Kome treba BI sustav? Tipično poduzeće analizira samo 10% prikupljenih podataka. Business Intelligence je način kako iskoristiti preostalih 90%. BI je krovni naziv za skupinu metoda, alata i aplikacija koje omogućavaju prikupljanje, analizu, distribuciju i djelovanje na osnovi poslovnih informacija, s ciljem donošenja boljih poslovnih odluka.

Osnovni razlozi za uvođenje BI sustava 











Okolina nije više statična. Ponuda proizvoda i usluga je ogromna, konkurencija je velika. Istraživanja pokazuju da danas ponuda roba i usluga barem 30% nadmašuje potražnju. Tržišta su zasićena. Nove okolnosti traže nova rješenja, novi izazovi nove napore. Prošla su vremena kada je bilo dovoljno proizvesti robu ili uslugu. Globalizacijom tržišta, razvojem distribucijskih kanala, “uplitanjem” Interneta u svaku poru gospodarstva, stvari su se promijenile. Sada su kupac i prodavač na udaljenosti jednog klika mišem. Danas su poduzeća pretrpana podacima, dok s druge strane, postoji nedostatak korisnih informacija. Da bi se smanjio raskorak između količine raspoloživih podataka i informacija, potrebno je definirati procese prikupljanja podataka i njihovu “preradu” u informacije. Vrijeme reakcije na podražaje iz okoline treba skratiti! Resursi su uvijek ograničeni. Vrijeme kao najvažniji čimbenik gotovo uvijek je presudno. Stoga treba znati gdje postaviti polugu da bi se pomaknuo veliki kamen. Kako treba djelovati da bismo s najmanje napora riješili najveće probleme? Dekompozicija lanca vrijednosti (nabava, skladištenje, proizvodnja, prodaja, postprodajne aktivnosti) omogućava pravilnu upotrebu efekta poluge. Osim toga ona nam omogućava pronalaženje fundamentalnih rješenja za postojeće probleme, a ne ublažavanje simptoma. Obično je efekt poluge najveći u prodaji. Nalaženje novih kupaca je deset puta skuplje nego zadržavanje postojećih. Ako poduzeće uspije smanjiti odlazak kupaca konkurenciji za 5%, može udvostručiti svoju zaradu. Velika opasnost poduzeću prijeti od pritajenog nezadovoljstva kupaca. Samo 4% nezadovoljnih kupaca izravno se žali na lošu kvalitetu proizvoda ili usluga. 90% kupaca koji nisu zadovoljni kvalitetom proizvoda, izbjegavat će taj proizvod. Svaki od nezadovoljnih kupaca obavijestit će drugih deset do dvadeset osoba!

7




Kupci odlaze jer su nezadovoljni, iako se nikada nisu žalili. Kupac koji kompaniju napusti, više se ne vraća.



Kupci (uz zaposlenike i njihovo znanje) predstavljaju najveću vrijednost koju poduzeće posjeduje. Kako ih zadržati? Stabilni odnosi s kupcima ključ su dugoročne uspješnosti poduzeća.



Osiguranje i održavanje likvidnosti operativni je upravljački problem. Rješenja ovog problema izravno utječu na upravljanje poslovnim rezultatom. Da bi se ovladalo ovim operativnim problemima treba poznavati svoje kupce, dobavljače, procese i veze među njima.



Da bi cijeli ciklus operativnog kontrolinga (prikupljanje podataka, planiranje, analiza i kontrola te upravljanje) u poduzeću funkcionirao, treba imati informacijsku infrastrukturu.

8


BI omogućuje organizacijama sustavno promoviranje kulture razumijevanja i poduzimanje akcija kroz:  Donošenje odluka bazirano na činjenicama  Kvalitetu informacija  Smislenost oblika informacija  Kvantitetu informacija  Dijeljenje informacija Primjena poslovne inteligencije Mnoge velike i srednje tvrtke aktivno pristupaju pojmu poslovne inteligencije, razvijaju i implementiraju takve sustave i koriste ih u svojem elektroničkom poslovanju. Tvrtke uspijevaju pretvarati informacije u poslovnu inteligenciju, poslovnu inteligenciju u organizacijsko znanje, a kolektivno organizacijsko znanje u povećani profit. Svakodnevno smo svjedoci raznih primjena koncepata poslovne inteligencije u raznim područjima djelatnosti. Obzirom je ovaj rad orijentiran i na rudarenje podataka, ukratko će biti izložen odnos sustava poslovne inteligencije i rudarenja podataka.

9


Model sustava poslovne inteligencije vezan je uz transakcijsku bazu podataka i vanjske podatke prikupljene iz različitih izvora. Posrednik između tržišta i transakcijske baze podataka te metoda koje generiraju pravila jest segment koji je zadužen za čišćenje i skladištenje podataka. Podaci potom ulaze u dio modela koji je zadužen za generiranje pravila, a u sebi ima integrirane spomenute metode koje mu to omogućuju (lista postupaka). Sljedeći segment modela jest modul koji pravila prilagođuje formatu kojega iziskuje konkretni ekspertni sustav. Tako su ona nakon upisa u bazu znanja spremna za korištenje.

Poslovna inteligencija u Hrvatskoj Hrvatsko tržište ponuđača BI platformi je u zadnjih dvije do tri godine postalo vrlo bogato ponudom, odnosno mnogobrojnim ponuđačima hardwarea, softwarea i usluga, tako da potencijalni klijenti imaju zaista širok izbor. Ponekad je preširok izbor ponude možda najveća prepreka kvalitetnom izboru rješenja. Hrvatske tvrtke zaista se ne mogu požaliti da nemaju mogućnost izbora, budući da se na rijetke javne natječaje za implementaciju BI sustava javlja i po desetak dobavljača. Specifičnost hrvatskog tržišta je vrlo velika koncentriranost klijenata na OLAP tehnologije i izvještavanje, te na analizu podataka prikupljenih raznim CRM sustavima (ponajviše putem call-centara), dok za aplikacijama za rudarenje podataka ne postoji velika potražnja na tržištu. Razlog tome je činjenica da je razmišljanje o «skrivenim» vezama među podacima tek slijedeći korak. Velike hrvatske tvrtke još uvijek uglavnom muku muče s pouzdanim dnevnim i mjesečnim praćenjem poslovnih aktivnosti i rezultata.

Dobavljači se ugrubo dijele u dvije grupe: veliki dobavljači baza podataka - IBM, Oracle i Microsoft - čije baze služe kao temelj za izgradnju skladišta podataka. Tu platformu oni koriste kao osnovicu. Klijentima također nude i front-end alate za krajnjeg korisnika kao i implementaciju i poslovne modele.  «izvorni» BI dobavljači, od kojih treba izdvojiti četiri velika koji imaju značajnu prisutnost na hrvatskom tržištu – SAS, Cognos, Business Objects i Micro Strategy. Njihov glavni fokus su front-end alati za krajnje korisnike koji se mogu vezati na bilo koju od platformi za bazu podataka. Oni su, izuzev SAS-a koji je prisutan s lokalnim uredom, u Hrvatskoj prisutni preko ovlaštenih distributera. 

10


Na temelju podataka koje je objavio Nigel Pendse mogu se vidjeti razvoj BI tržišta kroz posljednjih 10 godina i prognoze njegova rasta.

11


III. DATA MINING Za bolje razumijevanje istraživanja i samog područja rudarenja podataka prvo je potrebno objasniti njegovo značenje. „Rudarenje podataka (eng. data mining) možemo definirati kao pronalaženje zakonitosti u podacima.“ 5 Rudarenje podataka je prirodna evolucija tehnologije, a koja upotrebljava koncepte, metode i tehnike različitih disciplina kao što su baze podataka, statistika i umjetna inteligencija. Tehnologija baza podataka se razvila iz primitivnih u sofisticirane i moćne sustave baza podataka kakve danas poznajemo. Taj razvoj omogućio je bilježenje i sakupljanje ogromnih količina podataka što je neizbježno dovelo i do potrebe obrade i analize tih podataka, a sve u svrhu dobivanja korisnih informacija i znanja. Same tehnike rudarenja podataka rezultat su dugog procesa istraživanja i razvoja statističkih algoritama. Ova evolucija je započela još kad su poslovni podaci prvi puta uskladišteni u kompjutore, a nastavlja se kontinuirano s unapređenjem pristupa podacima i u zadnje vrijeme, generiranjem tehnologija koje omogućuju korisnicima navigaciju kroz podatke u realnom vremenu. Proces rudarenja podataka danas je moguće provoditi iz razloga što je potpomognut s tri tehnologije koje su sada dovoljno sazrele:   

moćnom multiprocesorskom kompjutorskom tehnologijom, tehnologijom za masivno prikupljanje podataka i algoritamskim tehnikama za rudarenje podataka .

U evoluciji od poslovnih podataka do poslovnih informacija i znanja, svaki novi korak građen je na prethodnom. Primjerice, dinamični pristup podacima je kritična točka za svrdlanje (eng. drill-through) u aplikacijama za navigaciju podacima, a osposobljenost za skladištenje ogromnih baza podataka je kritična za proces rudarenja podataka.

12


Tablica 2.: Prikaz četiri revolucionarna koraka koja su pružila mogućnost brzih i preciznih odgovora kakve danas zahtijeva suvremeno poslovanje Izvor: Panian, Ž., Klepac, G.: Poslovna inteligencija, MASMEDIA, Zagreb, 2003., str. 78

Osnovni tipovi Data Mininga Dva osnovna tipa rudarenja podataka: 



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

Rudarenje podataka je izrazito multidisciplinarno područje i obuhvaća: baze podataka, ekspertne sustave, teoriju informacija, statistiku, matematiku, logiku, te čitav niz pridruženih područja. Područja u kojima se rudarenje podataka može uspješno primjenjivati su raznolika, primjerice, poslovanje poduzeća, ekonomija, mehanika, medicina, genetika itd. Rudarenje podataka primjenjivo je u svim onim područjima gdje se raspolaže velikom masom podataka na osnovu kojih se žele otkriti određene pravilnosti, veze i zakonitosti. Čitav niz faktora može utjecati na ishod nekog događaja, a zadatak je rudarenja podataka otkriti najznačajnije među njima i njihove karakteristike s obzirom na ciljana stanja. Bez obzira na područje primjene dobro iskorištene metode rudarenja podataka sposobne su otkriti zakonitosti iz velike mase podataka pri čemu područje primjene ostaje u drugom planu što zapravo jest snaga primjene metoda rudarenja podataka – naglasak je na podacima, a ne na području provođenja analiza. 13


Osnovne tehnologije za Data Mining      

Osnovne tehnike za rudarenje podataka su: statističke metode, genetički algoritmi, neuralne mreže, stabla odlučivanja, umjetna inteligencija, asocijacijska pravila, itd.

Analitička statistika je jezgra tih novih procesa za otkrivanje znanja. Iz statističke perspektive, rudarenje podataka se može opisati kao računalski automatizirana istraživačka analiza podataka iz (obično) velikih i složenih baza podataka s različitih platformi, lokacija, operacijskih sistema i softvera. Rudarenje podataka je iznimno značajno kod sustava s velikom količinom podataka, u kojima je moguće pronaći činjenice za koje se nije ni znalo da postoje.

Rudarenjem je moguće utvrditi sljedeće vrste informacija:  klase, postupkom klasificiranja prema unaprijed definiranim klasama,  klastere odnosno kategorije, postupkom klasificiranja bez unaprijed zadanih klasa,  asocijacije, koje su uvjetovane događajima (npr. kupci koji kupuju proizvod A u 65% slučajeva kupuju i proizvod B),  sekvence, koje ustanovljuju događaje koji u određenoj vjerojatnosti slijede jedan za drugim,  prognoze, kojima se prognozira budućnost iz postojećih podataka

14


Metode Data Mininga Dva osnovna cilja DM projekata se mogu svrstati u dvije kategorije:  Predviđanje  Deskripcija Predviđanjem se pokušava iz postojećih podataka prognozirati buduće vrijednosti varijabli (npr. prodaje), dok se deskripcijom nastoje pronaći uzorci u podacima čijim se interpretiranjem može objasniti ponašanje čitavog sustava. Jedna od faza u cijelom procesu otkrivanja znanja je i mapiranje konkretnih ciljeva analize s Data Mining metodama. Ipak mogu se definirati 3 osnovne Data Mining metode:   

klasifikacija, klastering i asocijacija

Klasifikacija se bavi svrstavanjem objekata u neku od predefiniranih kategorija. Primjer klasifikacije je razvrstavanje tražitelja kredita u nisko, srednje ili visoko rizičnu skupinu. Ono što će se desiti ispod haube je da će Data Mining algoritam proći kroz bazu bivših korisnika kredita te utvrditi koje to karakteristike imaju recimo, korisnici koji nisu uredno vraćali kredit. Pomoću tih karakteristika banka može tražitelja kredita svrstati u neku od kategorija, te tražiti veće ili manje osiguranje povrata sredstava. Klasteriranje se također bavi svrstavanjem objekata u kategorije, samo ovdje te kategorije nisu unaprijed definirane, što problem čini većim. Primjer primjene te metode je razvrstavanje kupaca u kategorije prema kojima se onda mogu definirati različite marketinške strategije. Kupci su različiti, različitih ukusa, uvjerenja, stila kupovine i, što je najvažnije, različite profitabilnosti. Zato kupce treba i različito tretirati! Asocijacija se bavi pitanjem koje se stvari dešavaju istovremeno. Tako je npr. u Data Mining-u poznata metoda potrošačke košarice gdje se gleda koji se proizvodi često kupuju zajedno. Analizom podataka možete otkriti da se često uz pjenu za brijanje kupuju i britvice što je očigledno. Međutim, mogu se otkriti i neke skrivene veze poput primjera piva i pelena. .aime, prije otprilike 10 godina, Teradata (jedan od DM pionira) je vršeći analize podataka jednog svog klijenta utvrdila da se u večernjim satima često zajedno kupuju pivo i pelene. Objašnjenje ovog uzorka ostavljamo Vama na razmišljanje.

15


Proces rudarenja podataka sastoji se od više faza koje jedna osoba samostalno ne može izvršiti. Te faze možemo promatrati iz tri perspektive: 

 

problemska perspektiva koja je važna na samom početku i kraju rudarenja podataka. Sastoji se od odabira problema, njegova definiranja te procjene i primjene znanja. Osoba koja obavlja ove zadatke može se jednostavno nazvati korisnik. podatkovna perspektiva koja obuhvaća sve zadatke vezane uz pripremu podataka za njihovo rudarenje, a obavlja je informatičar. metodološka perspektiva se sastoji od svih zadataka vezanih uz analizu podataka, metode selekcije, implementacije, prezentacije i interpretacije rezultata. Osoba zadužena za te zadatke je stručnjak rudarenja podataka (eng. data miner).

Podjednaki broj poduzeća želi zaposliti osobe sa diplomom (40%) i magisterijem (40%). Prilično veliki broj poslodavaca traži i doktorat (20%). Vezano uz godine radnog iskustva, rezultati pokazuju da su jednako traženi oni sa manje od 5 godina iskustva i oni sa 5 do 10 godina iskustva. Samo u 3% slučajeva zahtjeva se više od 10 godina iskustva.

16


Grafikon 2.: Zastupljenost potrebne stručne spreme10 Izvor: Panian, Ž., Klepac, G.: Poslovna inteligencija, MASMEDIA, Zagreb, 2003., str. 77

Zadaci unutar procesa rudarenja podataka koji se očekuju od zaposlenika su najčešće prezentiranje rezultata (29%), izgradnja novih modela (15%) i priprema podataka (13%). Znanje klasifikacijske metode rudarenja podataka je najtraženije (18%). Metode predviđanja i statističke tehnike su jednako zastupljene sa po 8%. Znanje softvera koje je potrebno imati najviše odlazi na SQL (44%) i SAS (42%). Zanimljivo je spomenuti da specifični softver za rudarenje podataka (primjerice Clementine) se vrlo rijetko spominje. Dodatne vještine koje se zahtijevaju su analitičke vještine (42%), konzalting (19%), projektni menadžment (16%), profiliranje korisnika (15%) i iskustvo u području (15%).

Grafikon 3.: Statistika radnih zadataka11

17


Primjene Data Mining-a U znanosti je recimo popularna primjena Data Mining-a u astronomiji gdje se vrši automatska klasifikacija nebeskih objekata. Trenutno je vrlo popularna primjena Data Mining metoda u bioinformatici, genetičkom inženjeringu i farmaceutici. U posljednje vrijeme (posebno poslije 11.9.2001.) sve se više i državne agencije zanimaju za Data Mining. Data Mining se može zlonamjerno iskoristiti, prije svega narušavajući privatnost. Postoje strahovi da bi osiguravajuće tvrtke mogle koristiti Data Mining tehnike kako bi određenim grupama korisnika uskratile pravo na zdravstveno osiguranje. Glavno područje primjene Data Mining-a je ipak biznis. Marketing je područje gdje se Data Mining vjerojatno najviše koristi, kako bi se identificirale pojedine grupe kupaca i predvidjelo njihovo ponašanje. Primjerice, budući da je izračunato da je prosječno 6 puta teže dobiti novog kupca nego zadržati postojećeg, korisno je znati zašto kupci odlaze. Međutim, također je izračunato da se u prosjeku samo 4% kupaca žali. Data Mining može pružiti odgovor na pitanje zašto preostalih 96% kupaca odlazi.

18


Još jedna česta primjena je otkrivanje prijevara koju koriste porezne službe i državne agencije za sprečavanje organiziranog kriminala. Specijalizirana služba američkog ministarstva financija koristi takav jedan sustav za otkrivanje pranja novca još od 1993. godine. Otkrivanje prijevara pomoću Data Mining-a se često koristi i u telekomunikacijskoj industriji, te tvrtkama koje izdaju kreditne kartice. Jedna od nekonvencionalnih primjena Data Mining-a su sustavi NBA klubova New York Knicksa i Miami Heata koji analiziraju uzorke u igri protivničkih momčadi.

Data Mining u Hrvatskoj Hrvatska i nije baš svjetski lider na području Data Mining-a. I u svijetu su Data Mining projekti još relativno rijetki, kao i kod BI. Najveća zapreka široj upotrebi Data Mining-a je to što u dobrom dijelu slučajeva kod nas ne prevladava ekonomski kriterij. Osim toga, preduvjet za takve projekte je konkurencija. Data Mining projekti su skupi, kompleksni, dugotrajni i postoji velik rizik da uopće neće završiti uspješno. Bez prisile konkurencije, nitko se neće upuštati u takav rizik. Jedina dva sektora u nas u kojima vlada prava konkurencija, trgovina i bankarstvo, ujedno su i dva sektora iz kojih dolazi najveći broj BI projekata. Većina velikih trgovačkih i financijskih kuća u nas su već prije nekoliko godina počele s prvim Business Intelligence projektima. .pr. Raiffeisen banka se Data Mining-om služi za različite marketinške analize.

19


IV. ZAKLJUČAK To BI or not to BI ? Nema razmišljanja - odgovor je svakako «to BI». Business Intelligence (BI) sustavi postali su neizostavno oruđe svih razina managementa u procesima odlučivanja. Pojam poslovne inteligencije u zadnjih je nekoliko godina toliko «in» da ga je gotovo nemoguće izbjeći, što i ne čudi, s obzirom da nudi rješenje za jedan od najvećih problema managementa – donošenje kvalitetnih poslovnih odluka. Upravo BI sustavi pomažu u rješavanju upravljačkih problema. BI sustav je takav sustav koji čuva informacije i znanje o konkurenciji, kupcima, dobavljačima, procesima i vezama među procesima, te omogućava poslovno pregovaranje, argumentirani nastup prema kupcima i dobavljačima. Omogućava kvalitetno operativno planiranje, praćenje ponašanja konkurencije, kupaca, dobavljača, promatranje pojedinih tržišnih segmenata i predviđanje budućih pojava. BI sustav omogućava bolje razumijevanje vlastitih kupaca i spoznavanje što ih potiče na takvo ponašanje. (BI)TI ili NE (BI)TI? Svaki poslovni subjekt, tijelo državne uprave ili javna institucija koji svoje poslovanje podupiru nekim informacijskim sustavom mogu koristiti i poslovnu inteligenciju. Uvođenje BI sustava pomaže u rješavanju upravljačkih problema poduzeća, a upotrebom informacija i znanja o konkurenciji, kupcima, dobavljačima, procesima i vezama među procesima te omogućava poslovno pregovaranje i argumentirani nastup. Također je u funkciji kvalitetnog operativnog i strateškog planiranja, praćenje ponašanja konkurencije, kupaca, dobavljača, promatranja pojedinih tržišnih segmenata i predviđanja budućih pojava. Uvođenje BI sustava u poduzeće može pomoći u barem četiri područja:  Bolje razumijevanje poslovanja – što pokreće poslovanje, koji trendovi, ponašanja i anomalije su prisutne u poslovanju  Mjerenje koristi od uvođenja sustava – kada znamo gdje i što mjeriti, imamo i jasne koristi ovakvog sustava  Poboljšavanje veza sa svim zainteresiranim stranama u stvaranju lanca vrijednosti – osiguravanjem korisnih informacija o poslovanju i poduzeću kupcima, dobavljačima, zaposlenima, dioničarima i ostaloj javnosti stvara se povjerenje i osjećaj informiranosti  Omogućavanje prilika za povećanjem vrijednosti – informacije u današnjem dobu predstavljaju resurs odnosno vrijednost kako za samo poduzeće tako i za ostale sudionike na tržištu koji su spremni platiti/kupiti određene informacije

20


V. LITERATURA Knjige:  

Javorović, B., Bilandžić, M.: Poslovne informacije i business intelligence, Golden marketing – Tehnička knjiga, Zagreb 2007. Panian, Ž., Klepac, G.: Poslovna inteligencija, MASMEDIA, Zagreb, 2003.

Internet: http://hr.wikipedia.org/wiki/Rudarenje_podataka http://www.poslovniforum.hr/about02/hr_bi.asp - 29k http://www.trend.hr/clanak.aspx?BrojID=43&KatID=5&ClanakID=504

21

Seminar Ski Rad Poslovna Inteligencija

Recommend Documents