85833307 Seminar Ski Rad Poslovna Inteligencija

SADRŽAJ

I. UVOD ............................................................................................................................... 31.1. Predmet i cilj rada .......................................................................................................... 31.2. Izvori podataka i metoda prikupljanja ........................................................................... 31.3. Sadržaj i struktura rada .................................................................................................. 3II. POSLOVNA INTELIGENCIJA ..................................................................................... 42.1. Pojam poslovne inteligencije ......................................................................................... 42.2. Komponente sustava ...................................................................................................... 52.3. Koliko traje uvođenje Business Intelligence sustava ..................................................... 62.4. Koliko Business Intelligence stoji i gdje se kupuje?...................................................... 62.5. Kome treba Business Intelligence sustav? ..................................................................... 72.6. Osnovni razlozi za uvođenje Business Intelligence sustava .......................................... 82.7. Primjena poslovne inteligencije ..................................................................................... 92.8. Poslovna inteligencija u Hrvatskoj ................................................................................ 10III. DATA MINING - rudarenje podataka ............................................................................ 123.1. Osnovni tipovi Data Mininga ......................................................................................... 133.2. Osnovne tehnologije za Data Mininga ........................................................................... 143.3. Metode Data Mininga .................................................................................................... 153.4. Primjene Data Mininga .................................................................................................. 183.5. Data Mining u Hrvatskoj................................................................................................ 19IV. ZAKLJUČAK ................................................................................................................. 20V. LITERATURA ................................................................................................................. 21

PANEVROPSKI UNIVERZITET APEIRONFAKULTET POSLOVNE INFORMATIKE

Redovne studije„IT”

Predmet

POSLOVNA INTELIGENCIJA

Seminarski rad

Predmetni nastavnikProf. dr Branko Latinović

Student

Banja Luka, februar 2010 god.


I. UVOD

I.1. Predmet i cilj rada

Da bismo znali što je Business Intelligence, ili Poslovna inteligencija, potrebno je prvo definiratipojam kako bi znali na koji način, u kojim slučajevima upotrebljavati termin i što mislimo kadakažemo 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 postizanjakonkurentske prednosti".

Pojam poslovne inteligencije objedinjava metodologije, tehnologije i platforme zaskladištenje podataka (Data Warehousing), OLAP procesiranje podataka (On-line AnalyticalProcessing) i rudarenje podataka (Data Mining) koje omogućavaju tvrtkama kreiranje korisnihupravljačkih informacija iz podataka o poslovanju koji se nalaze disperzirani na različitimtransakcijskim 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 trebaBI sustav, osnovni razlozi za uvođenje BI sustava, primjena poslovne inteligencije, poslovnainteligencija u Hrvatskoj, DATA MINING, osnovni tipovi Data Mininga, osnovne tehnologije zaData 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“.

2


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 sakupljajute informacije

„Poslovna inteligencija je proces prikupljanja raspoloživih internih i relevantnih eksternihpodataka, te njihove konverzije u korisne informacije koje mogu pomoći poslovnim korisnicima pridonošenju odluka.“

Poznat i pod nazivom competitive intelligence, Business intelligence (BI) je sistematičan ietičan način pribavljanja, prikupljanja, sortiranja i analiziranja javno dostupnih informacija oaktivnostima konkurencije na temelju kojih se mogu predviđati budući poslovni trendovi da bi seodržala i učvrstila vlastita kompetentnost na tržištu.

Business intelligence ima 3 značajke:

To je proces prikupljanja podataka i informacija koji nakon odgovarajuće obradepostaju „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 ćukoristiti kraticu BI.

3


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, BImetodologije, 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 izvrsnigeneratori velikih količina podataka. Došlo je do tzv. eksplozije podataka - podaci su se sve višegomilali, nastajale su nove i nove baze, ali se do njih nije moglo brzo i jednostavno doći pa se nisuniti upotrebljavali. Paralelno s tim, rasla je svijest to tome da u takvim podacima leži velikipotencijal i pravo bogatstvo, ali da je potrebno nešto čime će se ti podaci objediniti, obraditi i stavitina 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. Teinformacije se zatim analiziraju i koriste u procesu odlučivanja.

Opisi nekih ključnih riječi koje ćemo koristiti u daljnjem tekstu

4


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 postajusloženiji. BI je u funkciji planiranja (budgeting), tj. kratkoročnih poslovnih odluka ali i ufunkciji strategije.

Koliko BI sustav stoji i gdje se kupuje?

Postavlja se pitanje cijene ovakvih sustava i troškova informacija. U 21. stoljeću, stoljećuinformacija i znanja, cijena informacije jednaka je cijeni opstanka na tržištu. Uvođenje sustava zaupravljanje poslovnim informacijama je isplativa investicija. Knjigovodstvo ne bilježioportunitetne troškove loših poslovnih odluka na osnovi nedostatnih informacija. Takve promašajebilježe burza i konkurencija. Ta dva “mjerna instrumenta” nepogrešivo znaju kazniti slabostiposlovanja.

BI sustav ne postoji kao gotov proizvod, postoje proizvođači koji nude tehnološkeplatforme i znanja za implementaciju. Nema rješenja s police. Razlog tome jest činjenica damodeli odlučivanja jesu slični, ali strategija, segmentacija tržišta i proizvoda, procesi i veze međunjima su različite. Heterogeni su također izvori podataka koji “hrane” ove sustave.

5


Tko koristi BI sustav? BI sustav je izvorno bio namijenjen decision makerima, odnosnoljudima koji donose poslovne odluke. U suvremenim poduzećima odluke donose svi. Ne moraju sviodlučivati, ali mogu svi predlagati. To nije povratak u samoupravljanje, već pružanje prilike svimakoji 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 načinkako 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 boljihposlovnih 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!

6


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.

7


BI omogućuje organizacijama sustavno promoviranje kulture razumijevanja ipoduzimanje 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 iimplementiraju takve sustave i koriste ih u svojem elektroničkom poslovanju. Tvrtke uspijevajupretvarati informacije u poslovnu inteligenciju, poslovnu inteligenciju u organizacijsko znanje, akolektivno organizacijsko znanje u povećani profit.

Svakodnevno smo svjedoci raznih primjena koncepata poslovne inteligencije u raznimpodručjima djelatnosti. Obzirom je ovaj rad orijentiran i na rudarenje podataka, ukratko će bitiizložen odnos sustava poslovne inteligencije i rudarenja podataka.

8


Model sustava poslovne inteligencije vezan je uz transakcijsku bazu podataka i vanjskepodatke prikupljene iz različitih izvora. Posrednik između tržišta i transakcijske baze podataka temetoda 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 imaintegrirane spomenute metode koje mu to omogućuju (lista postupaka). Sljedeći segment modelajest modul koji pravila prilagođuje formatu kojega iziskuje konkretni ekspertni sustav. Tako su onanakon 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 bogatoponudom, odnosno mnogobrojnim ponuđačima hardwarea, softwarea i usluga, tako da potencijalniklijenti imaju zaista širok izbor. Ponekad je preširok izbor ponude možda najveća preprekakvalitetnom izboru rješenja. Hrvatske tvrtke zaista se ne mogu požaliti da nemaju mogućnostizbora, budući da se na rijetke javne natječaje za implementaciju BI sustava javlja i po desetakdobavljača. Specifičnost hrvatskog tržišta je vrlo velika koncentriranost klijenata na OLAPtehnologije i izvještavanje, te na analizu podataka prikupljenih raznim CRM sustavima (ponajvišeputem call-centara), dok za aplikacijama za rudarenje podataka ne postoji velika potražnja natržištu. Razlog tome je činjenica da je razmišljanje o «skrivenim» vezama među podacima tekslijedeći korak. Velike hrvatske tvrtke još uvijek uglavnom muku muče s pouzdanim dnevnim imjesečnim praćenjem poslovnih aktivnosti i rezultata.

Dobavljači se ugrubo dijele u dvije grupe:

veliki dobavljači baza podataka - IBM, Oracle i Microsoft - čije baze služe kao temeljza izgradnju skladišta podataka. Tu platformu oni koriste kao osnovicu. Klijentimatakođer nude i front-end alate za krajnjeg korisnika kao i implementaciju i poslovnemodele. «izvorni» BI dobavljači, od kojih treba izdvojiti četiri velika koji imaju značajnuprisutnost 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 bilokoju od platformi za bazu podataka. Oni su, izuzev SAS-a koji je prisutan s lokalnimuredom, u Hrvatskoj prisutni preko ovlaštenih distributera.

9


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

10


III. DATA MINING

Za bolje razumijevanje istraživanja i samog područja rudarenja podataka prvo je potrebnoobjasniti njegovo značenje. „Rudarenje podataka (eng. data mining) možemo definirati kaopronalaženje zakonitosti u podacima.“5

Rudarenje podataka je prirodna evolucija tehnologije, a koja upotrebljava koncepte, metode itehnike različitih disciplina kao što su baze podataka, statistika i umjetna inteligencija.

Tehnologija baza podataka se razvila iz primitivnih u sofisticirane i moćne sustave bazapodataka kakve danas poznajemo. Taj razvoj omogućio je bilježenje i sakupljanje ogromnihkoličina podataka što je neizbježno dovelo i do potrebe obrade i analize tih podataka, a sve u svrhudobivanja korisnih informacija i znanja. Same tehnike rudarenja podataka rezultat su dugog procesaistraživanja i razvoja statističkih algoritama.

Ova evolucija je započela još kad su poslovni podaci prvi puta uskladišteni u kompjutore, anastavlja se kontinuirano s unapređenjem pristupa podacima i u zadnje vrijeme, generiranjemtehnologija koje omogućuju korisnicima navigaciju kroz podatke u realnom vremenu. Procesrudarenja podataka danas je moguće provoditi iz razloga što je potpomognut s tri tehnologije kojesu 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 korakgrađen je na prethodnom. Primjerice, dinamični pristup podacima je kritična točka za svrdlanje(eng. drill-through) u aplikacijama za navigaciju podacima, a osposobljenost za skladištenjeogromnih baza podataka je kritična za proces rudarenja podataka.

11


Tablica 2.: Prikaz četiri revolucionarna koraka koja su pružila mogućnost brzih i preciznih odgovora kakve danaszahtijeva suvremeno poslovanjeIzvor: 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 pridruženihpodručja. 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 velikommasom podataka na osnovu kojih se žele otkriti određene pravilnosti, veze i zakonitosti. Čitav nizfaktora može utjecati na ishod nekog događaja, a zadatak je rudarenja podataka otkritinajznačajnije među njima i njihove karakteristike s obzirom na ciljana stanja.

Bez obzira na područje primjene dobro iskorištene metode rudarenja podataka sposobne suotkriti zakonitosti iz velike mase podataka pri čemu područje primjene ostaje u drugom planu štozapravo jest snaga primjene metoda rudarenja podataka – naglasak je na podacima, a ne napodručju provođenja analiza.

12


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 statističkeperspektive, rudarenje podataka se može opisati kao računalski automatizirana istraživačka analizapodataka iz (obično) velikih i složenih baza podataka s različitih platformi, lokacija, operacijskihsistema i softvera. Rudarenje podataka je iznimno značajno kod sustava s velikom količinompodataka, 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

13


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 interpretiranjemmože objasniti ponašanje čitavog sustava. Jedna od faza u cijelom procesu otkrivanja znanja je imapiranje konkretnih ciljeva analize s Data Mining metodama. Ipak mogu se definirati 3 osnovneData 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 korisnikakredita 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 većeili manje osiguranje povrata sredstava.

Klasteriranje se također bavi svrstavanjem objekata u kategorije, samo ovdje te kategorijenisu unaprijed definirane, što problem čini većim.Primjer primjene te metode je razvrstavanje kupaca u kategorije prema kojima se onda mogudefinirati različite marketinške strategije. Kupci su različiti, različitih ukusa, uvjerenja, stilakupovine 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 proizvodičesto kupuju zajedno. Analizom podataka možete otkriti da se često uz pjenu za brijanje kupuju ibritvice 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 analizepodataka jednog svog klijenta utvrdila da se u večernjim satima često zajedno kupuju pivo i pelene.Objašnjenje ovog uzorka ostavljamo Vama na razmišljanje.

14


Proces rudarenja podataka sastoji se od više faza koje jedna osoba samostalno ne možeizvršiti. 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, rezultatipokazuju 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.

15


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 najčešćeprezentiranje rezultata (29%), izgradnja novih modela (15%) i priprema podataka (13%). Znanjeklasifikacijske metode rudarenja podataka je najtraženije (18%). Metode predviđanja i statističketehnike 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 vrlorijetko 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

16


Primjene Data Mining-a

U znanosti je recimo popularna primjena Data Mining-a u astronomiji gdje se vršiautomatska klasifikacija nebeskih objekata. Trenutno je vrlo popularna primjena Data Miningmetoda u bioinformatici, genetičkom inženjeringu i farmaceutici. U posljednje vrijeme (posebnoposlije 11.9.2001.) sve se više i državne agencije zanimaju za Data Mining.

Data Mining se može zlonamjerno iskoristiti, prije svega narušavajući privatnost. Postojestrahovi da bi osiguravajuće tvrtke mogle koristiti Data Mining tehnike kako bi određenim grupamakorisnika uskratile pravo na zdravstveno osiguranje. Glavno područje primjene Data Mining-a jeipak biznis. Marketing je područje gdje se Data Mining vjerojatno najviše koristi, kako bi seidentificirale pojedine grupe kupaca i predvidjelo njihovo ponašanje.

Primjerice, budući da je izračunato da je prosječno 6 puta teže dobiti novog kupca negozadržati postojećeg, korisno je znati zašto kupci odlaze. Međutim, također je izračunato da se uprosjeku samo 4% kupaca žali. Data Mining može pružiti odgovor na pitanje zašto preostalih 96%kupaca odlazi.

17


Još jedna česta primjena je otkrivanje prijevara koju koriste porezne službe i državneagencije za sprečavanje organiziranog kriminala. Specijalizirana služba američkog ministarstvafinancija koristi takav jedan sustav za otkrivanje pranja novca još od 1993. godine. Otkrivanjeprijevara pomoću Data Mining-a se često koristi i u telekomunikacijskoj industriji, te tvrtkama kojeizdaju kreditne kartice. Jedna od nekonvencionalnih primjena Data Mining-a su sustavi NBAklubova 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 Miningprojekti još relativno rijetki, kao i kod BI. Najveća zapreka široj upotrebi Data Mining-a je to što udobrom dijelu slučajeva kod nas ne prevladava ekonomski kriterij. Osim toga, preduvjet za takveprojekte je konkurencija.

Data Mining projekti su skupi, kompleksni, dugotrajni i postoji velik rizik da uopće nećezavršiti uspješno. Bez prisile konkurencije, nitko se neće upuštati u takav rizik. Jedina dva sektora unas u kojima vlada prava konkurencija, trgovina i bankarstvo, ujedno su i dva sektora iz kojih dolazinajveći broj BI projekata. Većina velikih trgovačkih i financijskih kuća u nas su već prije nekolikogodina počele s prvim Business Intelligence projektima..pr. Raiffeisen banka se Data Mining-om služi za različite marketinške analize.

18


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 problemamanagementa – donošenje kvalitetnih poslovnih odluka.

Upravo BI sustavi pomažu u rješavanju upravljačkih problema. BI sustav je takav sustavkoji čuva informacije i znanje o konkurenciji, kupcima, dobavljačima, procesima i vezama međuprocesima, te omogućava poslovno pregovaranje, argumentirani nastup prema kupcima idobavljačima. Omogućava kvalitetno operativno planiranje, praćenje ponašanja konkurencije,kupaca, dobavljača, promatranje pojedinih tržišnih segmenata i predviđanje budućih pojava. BIsustav omogućava bolje razumijevanje vlastitih kupaca i spoznavanje što ih potiče na takvoponašanje.

(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 procesimate omogućava poslovno pregovaranje i argumentirani nastup. Također je u funkciji kvalitetnogoperativnog 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 ianomalije su prisutne u poslovanju Mjerenje koristi od uvođenja sustava – kada znamo gdje i što mjeriti, imamo i jasne koristiovakvog 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 dobupredstavljaju resurs odnosno vrijednost kako za samo poduzeće tako i za ostale sudionikena tržištu koji su spremni platiti/kupiti određene informacije

19


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

20

Documents

85833307 Seminar Ski Rad Poslovna Inteligencija