Issuu

IMPLEMENTACIJA

Implementacija menadžmenta znanja

IMPLEMENTACIJA Standardni alati MZ-a – KnowWare [1/2]: Kolaborativni programski alati (Collaborative Knowledge Management – CKM, Groupware) Serveri znanja (Knowledge servers) Portali (poslovnih subjekata) znanja

IMPLEMENTACIJA Integracija MZ sustava u informacijske sustave: DSS/BI sustavi – integrira modele i aktivnosti za nestrukturirane probleme Sustavi/Alati umjetne inteligencije (Artificial Intelligence): -Sustavi za planiranje -Kombinatorno pretraživanje i Natural language Processing (NLP) – Web 3.0 -Sustavi zasnovani na znanju/Ekspertni sustavi – if-then-else kriteriji i pravila u bazama znanja -Neuronske mreže - prepoznavanje uzoraka (npr. u tekstu – razumijevanje teksta) -Inteligentni agenti/roboti, i dr.

Programska rješenja MZ-a: Rezultat su izazova identifikacije i integracije znanje radi njegove ponovne upotrebe Prvi sustavi MZ-a razvijani s: -računalnim mrežama, -grupnim alatima i -bazama podataka Programska rješenja/ alati prate kružni tok MZ-a

IMPLEMENTACIJA Standardni alati MZ-a – KnowWare [2/2]: Sustavi za upravljanje dokumentima/sadržajem (Content management systems) Alati za prikupljanje znanja eksperata intervjuom (Electronic Performance, Support Systems (EPSSs)) Pretraživači (Search engines) Knowledge management dodaci (AddIn)

IMPLEMENTACIJA ICT podrška prijenosu (distribuciji) znanja: Skladištenje i distribucija eksplicitnog znanja: -Groupware – software za timski rad i suradnju -Intranet – vlastiti Internet -Enterprise Information Portal – interni Google Pronalaženje tacit znanja i njegovih nositelja: -Sustavi za on-line suradnju: društvene mreže, blogovi, diskusijski forumi, e-mail diskusijske liste, instant messaging (MSN), whiteboard, video konferencije... -Sustavi za lociranje nositelja: geolokacije, izrada mapa znanja/žutih stranica spiska pojedinaca/timova/organizacijskih jedinica koji posjeduju potrebna znanja/vještine

IMPLEMENTACIJA Automatizacija tijeka poslovnih aktivnosti (Workflow): članovima tima sugerira najbolju poslovnu praksu, menadžerima omogućuje trenutan uvid u status pojedine aktivnosti, predvidiva zakašnjenja i zastoje, te performanse pojedinih aktivnosti, procesa i članova tima Enterprise Information Portal(EIP) omogućava pristup znanju na razini PIS-a aplikacijski sustav za konsolidiranje, analizu i distribuciju informacija, bez obzira na mjesto nastanka i odredište informacije naglasak na "programiranju" tokova znanja da bi se povećala učinkovitost intelektualnog rada

IMPLEMENTACIJA Primjeri integracije MZ sustava u druge podsustave i sredstva poslovnih subjekata: CRM – kreiranje tacit i eksplicitnog znanja o potrošaču Supply Chain Management (SCM) – kombinacija tacit i eksplicitnog znanja radi unapređenja distribucije Korporativni intranet i extranet – načela Web 1.0, Web 2.0, Web 3.0 i Web 4.0 Baze i skladišta podataka – pronalaženje znanja Kombinacijom metapodataka i podataka

IMPLEMENTACIJA Implementacija MZ-a kroz Web tehnologije:

IMPLEMENTACIJA portal je “virtualno” radno mjesto: -jedinstvena prijava na sve segmente informacijskog sustava jednom lozinkom -automatsko “povlačenje" evidentiranih podataka bez obzira na izvor (ERP, Internet...) -prezentacija Web sučeljem Sustavi za prikaz znanja: Umjetnu inteligenciju Ekspertne sustave Prikaz znanja Umjetna inteligencija i Ekspertni sustavi: temelji se na učenju stroja da misli prenose se tacit znanja stroju – transformacija tacit znanja u eksplicitno znanje

IMPLEMENTACIJA Upravljanje znanjem kao servis

PITANJA!

ICT ZA MZ Promjena tehnologije mijenja i način poslovanja

InformacijskoInformacijskokomunikacijske tehnologije za MZ

ICT ZA MZ

Bitne promjene na korisničkoj strani

Bitne promjene u arhitekturi kompletnog sustava:

90te

80te

90te

10te

http://brel54.blogspot.com/2010_11_01_archive.html

ICT ZA MZ

Transformacija poslužiteljske infrastrukture od pojedinačnih servera do klastera servera

Evolucija serverske infrastrukture

90te

danas

http://www.intelliadmin.com/index.php/2006/12/dell-to-produce-green-machines/ http://cloudscaling.com/blog/cloud-computing/debunking-the-no-such-thing-as-a-private-cloud-myth

http://niceware.blogspot.com/2009/10/ubuntu-server-edition.html

ICT ZA MZ

Oblici računalstva u oblacima osnova novih oblika komunikacije – računalne mreže

Vrste mreža s obzirom na udaljenost

http://sysadminworkshop.blogspot.com/2007/10/day-twenty-network-types-and-topologies.html

ICT ZA MZ

Vrste mreža s obzirom na udaljenost

Bežični sustavi prijenosa s obzirom na udaljenost

udaljenost 10 m 100 m 1 km 10 km 100 km 1000 km 10000 km

lokacija soba zgrada niz zgrada grad država kontinent planet

mreža LAN MAN WAN INTERNET

http://en.kioskea.net/contents/wireless/wlintro.php3

ICT ZA MZ Bežični sustavi prijenosa s obzirom na standarde

ICT ZA MZ Drugi sustavi komnikacije:

http://www.vivasemfio.com/blog/category/ieee_institute_electrical_electronics_engineers/ http://computer.yourdictionary.com/is-136

ICT ZA MZ

Potpuno bežično:

Osnove standardizirane komunikacije: TCP/IP model vs. OSI model

http://www.myboxpro.com/notebook-news/3g-the-future-of-laptop-wi-fi

ICT ZA MZ

TCP/IP model - IP Sloj Aplikacijski

http://learn-networking.com/tcp-ip/the-tcpip-stack-and-the-osimodel

Transportni

Protokol DNS, DHCP, TLS/SSL, TFTP, FTP, HTTP, IMAP, IRC, NNTP, POP3, SIP, SMTP, SNMP, SSH, Telnet, BitTorrent, RTP, rlogin, … TCP, UDP, DCCP, SCTP, IL, RUDP,

Mrežni

IP (IPv4, IPv6), ICMP, IGMP, ARP, RARP, …

Podatkovni

Ethernet, Wi-Fi, Token ring, PPP, SLIP, FDDI, ATM, DTM, Frame Relay, SMDS, …

Implikacije razvitka ICT-a na MZ

http://hr.wikipedia.org/wiki/IP

PITANJA! Skladišta podataka u funkciji upravljanja znanjem radi odlučivanja

SKLADIŠTA PODATAKA

Skladišta podataka Baze podataka

Odlučivanje

Baze znanja

Upravljački Informacijski Sustavi

Sustavi za potporu odlučivanju

Menadžmenta znanja u funkciji odlučivanja

KREIRANJE SKLADIŠTA PODATAKA

O čemu je riječ?

Otac koncepta skladištenja podataka W.H. “Bill” Inmon Building the Data Warehouse (1991.)

“A warehouse is a subject-oriented, integrated, timevariant and non-volatile collection of data in support of management's decision making process". Prijevod: “Skladište podataka je subjektno orijentirana, integrirana, vremenski određena i skupina podataka namjenjena pomoći menadžmentu u procesu odlučivanja”

KREIRANJE SKLADIŠTA PODATAKA

Objašnjenje definicije skladištenja podataka Subject Oriented: Podaci koji daju informacije o određenoj temi, umjesto o operativnim poslovima tvrtke. Integrated: Podaci koji se prikupljanjem u DW iz različitih izvora i spajaju u povezanu cjelinu. Time-variant: Svi podaci u DW su identificirani određenom jedinicom vremena. Non-volatile: Podaci su u DW “stabilni” (podaci se dodaju ali se ne brišu), što omogućava menadžmentu konzistentnu sliku poslovanja.

Različiti pogledi na skladištenje podataka U užem smislu DW je način za skladištenje podataka i činjenica u obliku koji je informativan. Relacioni model - tabele i kolone Data Warehouse - činjenice i dimenzije U užem smislu definicija DW se fokusira na proces skladištenja podataka, sukladno tome DW obuhvaća i alate za čitanje i analizu podataka, za izdvajanje, transformaciju i učitavanje podataka (ETL). U širem smislu DW obuhvaća: -alate poslovne inteligencije (BI), -alate za izdvajanje, transformaciju i učitavanje podataka (ETL) u centralno skladište, kao i -alate za upravljanje podacima.

KREIRANJE SKLADIŠTA PODATAKA

Skladištenje podataka u užem smislu:

Kako nastaje skladište podataka Kopiranjem podataka iz transakcijskih baza podataka i neformatiranih podatkovnih izvora Tipovi Operational Data Store – ODS (repliciranje transakcijske baze podataka) Data Warehouse – DW (podaci subjektno orijentirani – proizvodi, kupci, prodajna mjesta, profitni centri) – integralni oblik Data Mart (DM) – specijalizirani oblik

DSS

Data Warehouse

OLAP Cube

Produkcijski podaci ETL OLAP Cubes Data Marts

DSS

KREIRANJE SKLADIŠTA PODATAKA

Načelna arhitektura skladišta podataka prema Billu Inmonu – uobičajeni pristup:

Alternativni pristup skladištenju podataka Ralph Kimball The Data Warehouse Toolkit (2004)

“Skladišta podataka moraju biti razumljiva i brza” Otac Dimenzijskog modeliranja (Kimball methodology): -logički model obično korišten kod skladišta podataka – razlikuje se od Entitet-veza modeliranja -nije nužno vezan uz relacijski model podataka -tehnika modeliranja baza podataka prilagođene su skladištenju podataka i jednostavnim upitima korisnika

KREIRANJE SKLADIŠTA PODATAKA

Temeljni pojmovi vezani uz skladišta podataka Tablice i Kocke (Cubes) Star shema i Snowflake shema Tablice činjenica (Fact) i dimenzija (Dimension) Temeljni pojmovi vezani uz skladištenje podataka Top – Down proces i Bottom – Up proces Enterprise Data Warehouse i Data Mart ETL proces Temeljni pojmovi vezani uz izvješćivanje iz skladišta podataka (vezano uz poslovnu inteligenciju ) Alati za upite i izvješća (engl. Query and reporting tools) Alati za izravnu analitičku obradu – OLAP alati Data mining alati

Modeliranje dimenzijskih baza podataka: obuhvaća više programskih arhitektura obuhvaća više analitičkih postupaka Metodološka dosljednost: autori u različitim kontekstima koriste pojmove: -skladište podataka, poslovna inteligencija, OLAP radi dosljednosti sljedeće su definicije pojmova: -skladište podataka – fizički repozitorij s logičkom shemom baze podataka -pojedinačne kocke (eng. Data Mart) -alati za izvješćivanje/analitički alati – BI alati: OLAP, DM alati,…

KREIRANJE SKLADIŠTA PODATAKA

Produkcijske baze podataka vs skladište podataka SQL upiti koji se sporo izvršavaju Kocke (Cube) optimizirane za čitanje podataka Opterećivanje produkcionih sistema Minimizovano zaključavanje tabela Ručno pisanje upita Click (and Drag) to Query – nema zahtjeva, posebnog pisanja upita Različiti izvori podataka ETL procesi - svi podaci na jednom mjestu u istom obliku Podaci nisu dostupni svim korisnicima DSS podrazumijeva centraliziran pristup Previše podataka Dobrih podataka nikad dosta

Motivi razvoja teorije skladištenja podataka: Izvješćivanje iz produkcijskih baza podataka: -siromašno (nizovi podataka na papiru) -komplicirano (zahtijeva razumijevanje složenog (normaliziranog) modela podataka, složenog upitnog jezika ili alata temeljenih na njegovoj logici, oni kojima podaci trebaju nisu spremni učiti, a programeri ne mogu baš za sve napraviti programsko rješenje) -sporo (upiti nad velikim tablicama guše performanse stroja) -neekonomično (prostor diska jeftin vrijeme skupo) -skupo Excel nije alat za rad s podacima

KREIRANJE SKLADIŠTA PODATAKA

Razlozi bržeg odziva skladišta podataka na upite: za razliku od relacijske strukture koja mora proći kroz svaki pojedinačni slog kako bi pronašla sve odgovarajuće slogove, dimenzijska struktura “presreće upite na pola puta” time što predstavlja podatke na unaprijed organiziran način Osnovna ideja dimenzijske baze podataka: skoro svaki tip poslovnih podataka može predstaviti kao dio kocke podataka gdje: -ćelije kocke sadrže mjerljive vrijednosti -rubovi kocke određuju prirodne dimenzije podataka

Prednosti BI sustava BI je brz u izvješćivanju (upite) - OLAP vs OLTP BI unapređuje ROI (Return of Investment) Više korisnika, efikasnija upotreba podataka BI je alat koji omogućava korisnicima da nađu što im je potrebno Uzrečica: “It isn't that they can't see the solution, it's that they can't see the problem.“

PITANJA! Proces nastajanja skladišta podataka

PROCES NASTAJANJA SKLADIŠTA

Dva pristupa izgradnji skladišta podataka: Top - Down pristup (Definirao Bill Inmon) Bottom - Up pristup (Definirao Ralph Kimball) Prvi pristup (Top - Down ): 1. Faza: Izgrađuje se centralizirani repozitorij – Enterprise Data Warehouse (EDW) Odlike EDW-a: -podaci su normalizirani da se izbjegnu nekontrolirane redundancije -omogućava uspostavu jedna verzija tablice činjenica -podaci se bilježe na što nižoj razini agregacije (daju više detalja ali uzrokuju kompleksnije rukovanje, zahtijevaju više prostora, procesorske snage što povećava troškove

Top - Down pristup

PROCES NASTAJANJA SKLADIŠTA

2. Faza: Izgradnja subjektno orijentiranih repozitorija iz EDW-a – tzv. Data martova Odlike Data Marta (DM): -podaci su u denormaliziranoj formi (shema zvijezde) radi lakše i brže upotrebe od strane krajnjih korisnika -podaci su sumirani sukladno analitičkim zahtjevima krajnjih korisnika DM-a Kada koristiti Top - Down pristup? -kada su jasno definirani zahtjevi prema budućem skladištu podataka -kada su na raspolaganju potrebno vrijeme i novac za modeliranje i implementaciju

Prednosti Top - Down pristupa: -izgrađuje se centralizirani repozitorij podataka koji sadrži jednu nepromjenjivu verziju činjenica -takvi podaci su vjerodostojni, konzistentni glede subjektne orijentacije, a vjerodostojnost podataka ovisna je argumentiranosti subjektnih odnosa Nedostaci Top - Down pristupa: -ovaj pristup zahtijeva više vremena i inicijalnih sredstava -Vrijeme izgradnje obuhvaća vrijeme izgradnje EDW-a, a potom i izgradnje DM-a, a tek onda je moguće pristupiti izvješćivanju

PROCES NASTAJANJA SKLADIŠTA

Drugi pristup (Bottom – Up): Iterativni pristup izgradnji skladišta podataka Podrazumijeva pojedinačno definiranje Data Marta u različitim vremenskim razdobljima kako i kada se pojavi potreba za takvim podacima DM-i se integriraju ili kombiniraju radi izgradnje DW-a – kombiniraju se DM-i s usaglašenim dimenzijama i činjenicama (zajedničke se dimenzije i činjenice dijele) Usaglašene dimenzije (različitih DM-a) imaju: -usaglašenje ključeve dimenzija -usaglašene nazive atributa -usaglašene vrijednosti atributa

Usaglašene činjenice (različitih DM-a) imaju: -istu definiciju mjera -iste dimenzije povezane s njima -istu granulaciju podataka kroz DM-e

PROCES NASTAJANJA SKLADIŠTA

U svrhu izgradnje usaglašenih dimenzija i usaglašenih činjenica izgrađuje se sabirnička matrica (Bus Matrix): -redovi matrice se odnose na različite DM-e -stupci matrice se na sve tablice dimenzija

Iterativni pristup kod Bottom - Up izgradnje DM-a (skladišta podataka) podrazumijeva da nije potrebno imati definirane sve potrebe glede skladišta podataka Potrebno je s druge strane izgraditi iscrpnu sabirničku matricu već kod izgradnje prvog DM-a s identificiranim i definiranim svim mogućim dimenzijama u protivnom se javljaju problemi u organizaciji podataka Bottom - Up pristup se primjenjuje: -kada su inicijalna sredstva i vrijeme ograničeni -kada nema jasne vizije ukupnosti informacijskih zahtijeva prema skladištu podataka (jasna je potreba za izgradnjom konkretnog DM-a)

PROCES NASTAJANJA SKLADIŠTA Prednosti Bottom - Up pristupa: -niski početni troškovi -kratko vrijeme inicijalne implementacije -brz ulazak u područje BI-a Nedostaci Bottom - Up pristupa: -pohranjeni podaci su u nenormaliziranoj formi -denormalizirana forma onemogućuje deagregirani pristup podacima – time se gubi prednost koju pružaju ne agregirani podaci, a to su detalji vezani uz pojedinu sumarnu i/ili izdvojenu činjenicu

PITANJA!

DIMENZIJSKO MODELIRANJE

Osnovni koncepti dimenzijskog modeliranja podataka

Svojstva skladišta podataka: Velika količina arhivskih podataka Podaci u skladištima podataka rijetko se mjenjaju Koristi ih manji broj korisnika istodobno Omogućavaju efikasno izvještavanje: -brzi odgovori na ad hok upite -shema podataka ako razumljiva korisniku (normalizirana shema nije lako razumljiva korisniku) Nazivi za baze podataka: OLTP (On-Line Transaction Processing) sustavi normalizirane baze podataka baze podataka

DIMENZIJSKO MODELIRANJE Nazivi za skladišta podataka podataka: OLAP (On-Line Analitical Processing) sustavi dimenzijske baze podataka skladišta podataka kocke Baze .vs. Skladišta podataka koncepti: B: entitet, atribut i veze S: tablica činjenica, činjenica i dimenzija predočavanje podataka: B: relacije S: tablice razumljivost: B: teško razumljive korisnicima S: lako razumljiva korisnicima organizacija podataka: B&S: logička i fizička

DIMENZIJSKO MODELIRANJE baze i skladišta podatka vrlo slični, i jedni drugi omogućavaju izvješćivanje, no iz skladišta je to lakše činiti (podaci iz baza podatak pročišćeni prelaze u skladište, i stavljaju na raspolaganje korisnicima u lako razumljivom obliku) relacijska shema može poslužiti i za oblikovanje skladišta podataka (ROLAP) ali i ne mora (MOLAP) dimenzijski model podataka je način razmišljanja u svezi najbolje metode predstavljanja podataka skladišta podataka su namijenjena za obradu brzih (ad hock) upita podaci u skladištu rijetko se ažuriraju činjenična i dimenzijske tablice predstavlja višu organizacijsku razinu od relacijske tablice

DIMENZIJSKO MODELIRANJE Pojam tablice dimenzija: po njima ime za skladišta podataka slične referiranim tablicama u relacijskim bazama podataka jer “opisuje” činjenice (tablice na koje se iz središnje tablice preko vanjskog ključa referira, a služe za “opisivanje”), no imaju drugu namjenu zadatak im je: -smanjiti dupliranje podataka (veličinu činjenične tablice) -osigurati usklađenost podataka -olakšati analizu podataka (sredstvo za izdvajanje potrebnih podataka) sadrže osobine atributa činjenične tablice koji su mjerljivi (mjera: kombinacije vrijednosti dimenzija)

DIMENZIJSKO MODELIRANJE Koje odgovore može dati baza podataka: Kliko je kilograma banana kupio Pero Perić dana 21.1.2009. godine? Koliko je isplaćeno Peri Periću za siječanj 2009. god? Koje odgovore može dati skladište podataka Koje grupe proizvoda donose najveću dobit? U kojoj su služni uposlenici imali najveće plaće za siječanj 2009. godine? Rezime: Baze podataka su u statičnim dijelovima ekvivalentne skladištima podataka (npr. kupci, evidencija knjiga u knjižnici i sl.) Baze podataka pružaju uvid u individualne podatke a skladišta u agregirane

DIMENZIJSKO MODELIRANJE Shema multidimenzijske baze podataka: logičke relacije – tablice: -tablica činjenica (eng. Fact Table) – 1 kom -tablice dimenzija (eng. Dimension Tables) – min. 1kom. Pojam tablice činjenica: sadrži podatke koji se koriste u izradi izvješća obično su to numerički podaci - podaci se agregiraju vrste atributa tablice činjenica: -ključni atributi: vanjski ključevi pomoću kojih je tablica činjenica povezana s dimenzijskim tablicama -činjenični atributi (činjenice): atributi koji sadrže podatke koji se obrađuju (mjere)

DIMENZIJSKO MODELIRANJE Organizacija dimenzijskog modela podataka: činjenična tablica u sredini okolo činjenične tablice dimenzijske tablice Karakteristične organizacijske sheme: zvjezdasta shema (eng. Star schema): -tablica činjenica i dimenzijske tablice neposredno povezane -tablice dimenzija nisu međusobno povezane pahuljasta shema (eng. Snowflake schema): -razdvaja određenu dimenziju na više relacija (normalizira dimenziju) i međusobno povezuje razdvojene dimenzije (relacije) – rijetko se čini -tablica činjenica i dio dimenzijskih tablica neposredno povezani

DIMENZIJSKO MODELIRANJE Zvjezdasta shema:

DIMENZIJSKO MODELIRANJE Pahuljasta shema: Dimenzija

Dimenzija

Tablica činjenica

Dimenzija

Tablica činjenica

Dimenzija

DIMENZIJSKO MODELIRANJE Dio Normalizirane sheme za Narudžbe: Entitet

DIMENZIJSKO MODELIRANJE Zvjezdasta shema definirana temeljem prethodnog relacijskog modela: Dimenzija Činjenica

Veza Narudžba

StavkeNarudžbe

NarudžbaID KupacID DjelatnikID DatumNarudžbe DatumOtpreme OtpremljenoSa Utovareno NazivPrimatelja AdresaPrimatelja GradPrimatelja ZemljaPrimatelja

NarudžbaID ArtikalID JediničnaCijena Količina Rabat

Kupac

StavkaNarudžbe

Djelatnik

KupacID ImeKupca ........

KupacID DjelatinkID NarudžbaID DatumNarudžbeID ArtiklID JediničnaCijena Količina Rabat DatumOtpreme

DjelatnikID ImeDjelatnika ......

Artikl ArtiklID NazivArtikla BarKod .........

Datum DatumID DanUTjednu ......

Mjera

Atribut Atribut

DIMENZIJSKO MODELIRANJE Još neki primjeri – star shema:

DIMENZIJSKO MODELIRANJE Još neki primjeri – snowflake shema:

PITANJA! Predočavanje dimenzijski modeliranih podataka

PREDOČAVANJE DM PODATAKA Oblik predočavanja podataka pomoću kocke: kocka (eng. Cube) predstavlja drugi (fizički) način predstavljanja zvjezdaste sheme činjenične i dimenzijskih tablica podataka struktura koja ima tri ili više (n) dimenzija koristi ga Microsoft nazivi: n-Kocka, hiperkocka, kocka i podatkovna kocka to je samo drugačiji pogled na organizaciju podataka ali ne i drugačija organizacija podataka

PREDOČAVANJE DM PODATAKA Prikaz podataka pomoću kocke: Relacijska tablica... (Podaci organizirani u redove)

... pretvorena u kocku (Podaci organizirani po presjecima)

Tablica prodaje

Mjesto dim

Proizvod

Mjesto

Prodaja €

Klima

Našice

100

Klima

Osijek

200

Našice Klima Frižider

Frižider

Našice

300

Frizider

Osijek

400

Total

Osijek Total

100 200 300 300 400 700 400 600 1000

Proizvod dim Prodaja postaje mjera kocke

PREDOČAVANJE DM PODATAKA

Načela kreiranja kocke: relacijski model se transformira u dimenzijsku strukturu

Kocka kao višedimenzijska struktura:

PREDOČAVANJE DM PODATAKA

Pojmovi vezani uz kocku: Rotacija: -naziva se “komadanje podataka” (engl. data slicing) zato što svaka rotacija predstavlja različit komad (dio) podataka. Broj mogućih pogleda (komada) se povećava eksponencijalno s brojem dimenzija. Rangiranje: -slično je kompleksnim upitima u relacijskom okruženju. Rangiranje se naziva i “izrezati na manje komade” (engl. data dicing) zato što se podaci grupiranjem razlažu na potskupove

Različito dimenzioniranje kocke:

PREDOČAVANJE DM PODATAKA

Isijecanje kocke (pregradci za podatke):

Dvodimenzionalni prikaz kocke:

PITANJA! ETL Proces

ETL PROCES

Extract, Transform i Load (ETL) proces uključuje: “Vađenje” podataka iz “vanjskih” izvora Transformaciju podataka da bi se uklopili u DW model (može da uključuje i određeni nivo kvaliteta) Učitavanje podataka u DW tablice Vanjski podatkovni izvori Produkcijske baze podataka

Skladište podataka

ELT

ELT Scenarij skladišta podataka

ETL PROCES Transform - Drugi dio ETL procesa : Faza transformacije primjenjuje grupe pravila ili funkcija nad podacima preuzetim iz podatkovnih izvora da bi se pripremili podaci za učitavanje u DW tablice. Neki izvori podataka će zahtijevati vrlo malo manipulacija nad podacima, dok će drugi zahtijevati veći broj transformacija prije učitavanja Zadatak transformacije je da uskladi podatke s poslovnim ili tehničkim potrebama ciljnog skladišta podataka. Primjer transformacije: selektiranje (odabiranje) samo određenih kolona za učitavanje - null kolone se ne učitavaju.

ETL PROCES Prikaz ETL procesa :

Extract - Prvi dio ETL procesa : Obuhvaća “izvlačenje” podataka iz podatkovnih izvora. Većina DW projekata obuhvata podatke iz različitih izvora podataka (produkcijske aplikacije, baze podataka). Svaki zasebni podatkovni izvor može koristiti različit format podataka. Uobičajeni izvori podataka su relacijske baze podataka i flat fajlovi. Izvlačenjem se podaci formatiraju za transformaciju, pri čemu se parsiraju i provjerava da li se rezultat obrade uklapa u očekivanu strukturu, ako ne, podaci mogu biti djelomično ili u cijelosti odbačeni.

ETL PROCES Load - Trći dio ETL procesa : Faza učitavanja podatke u ciljnu “bazu” podataka. Ovisno od zahtjeva/potreba organizacije ovaj proces: -prepisuje stare podatke novim, ažurnim, -dodaje nove podatke u povijesnoj formi (vremenska komponenta). Primjer: DW treba da održava podatke o prodaji na godišnjoj razini. Tada će DW prepisivati podatke koji su stariji od godinu dana, međutim, unos podataka u okviru jedne godine će biti upisan u povijesnom obliku, od kad do kad je neki podatak aktualan. Akceptira ograničena modela baze podataka (npr. referencijalni integritet, obavezna polja i sl.)

ETL PROCES Uobičajena razrada ETL procesa na faze: Otkrivanje promjena u izvornim podacima potrebnim za skladište podataka Izdvajanje podataka iz izvornih sustava Čišćenje i transformiranje podataka Restrukturiranje ključeva podataka Indeksiranje podataka Sumiranje podataka Održavanje metapodataka Učitavanje podataka u skladište podataka

ETL PROCES Razrada ETL procesa na 11 faza prema Kemballu: Primarno izdvajanje (čitanje operativnih formata); Identificiranje promijenjenih slogova; Generaliziranje ključeva za promijenjene dimenzije; Transformiranje u slogove za učitavanje; Migriranje iz operativnog u sustav skladišta podataka; Sortiranje i agregiranje; Generaliziranje ključeva za agregiranje: Učitavanje; Obrada izuzetaka; Osiguravanje kakvoće podataka; Stavljanje podataka na raspolaganje.

ETL PROCES Metapodaci kao dio ETL procesa:

PITANJA! Alati za korisnički pristup skladištu podataka

ALATI ZA PRISTUP PODACIMA Klasifikacija alata za pristup podacima u DW-u: Alati za upite i izvješća (engl. Query and reporting tools) Alati za izravnu analitičku obradu – OLAP alati Data mining alati Vizualizacijski alati (Scorecards i Dashboard tools) Odlike alata za upite i izvješćivanje: Najjednostavniji sustavi izvješćivanja Zahtijevaju stalno učešće informatičara u procesu izrade i održavanja Poteškoće kod složenih upita glede poslovanja Nedostatak koncepta vremena, konsolidiranja i agregiranja

ALATI ZA PRISTUP PODACIMA OLAP alati (temeljni oblik izvješćivanja): Omogućavaju korisnicima da iskoriste sve prednosti multidimenzijskog modela podataka Omogućavaju promatranje podataka na različite načine (kao mreže ili ukrštene tablice koje se mogu jednostavno okretati što omogućava analiziranje podataka iz različitih kutova) Omogućavaju interaktivno pretraživanje podataka (korisnik može slijediti tijek svojih razmišljanja i promatrati informaciju na agregatnoj razini ( na primjer: Prodajna regija) i zatim ići (“svrdlati”) do detaljnijih informacija (na primjer: grad, prodavaonica i sl.) OPAP sustavi: ROLAP, MOLAP i HOLAP.

ALATI ZA PRISTUP PODACIMA Struktura MOLAP sustava:

ALATI ZA PRISTUP PODACIMA Struktura ROLAP sustava:

PITANJA! Umjetna inteligencija

UMJETNA INTELIGENCIJA Inteligentno ponašanje stroja (Turingov test): Alan Turing, 1950.: Computing Machinery and Intelligemnce, Mind, 59, 433-460,1950 omogućava provjeru inteligencije računala ili programske potpore osnovna zamisao Turing-ova testa - igra imitacije Interpretacija: igrač C-ispitivač, pokušava utvrditi koji igrač, A ili B je računalo, a koji čovjek. Odgovori se postavljaju i dobivaju od igrača A i B u pisanom obliku. Ako ispitivač C sa sigurnošću ne može utvrditi koji je sugovornik stroj, smatra se da je stroj prošao test.

UMJETNA INTELIGENCIJA Aspekti umjetne inteligencije: Pojam: Inteligencija (eng. Intelligence) -sposobnost čovjeka za snalaženjem u novim (nepoznatim) prilikama -sposobnost čovjeka za rješavanje problema i nalaženja novih, prilagođenih reakcija -sposobnost čovjeka za otkrivanje zakonitosti u odnosima između, predmeta, činjenica, događaja (socijalni aspekt inteligencije) Inteligencija se razlikuje od: -znanja -vještina -sposobnosti (velikoj mjeri utječe na njihovo stjecanje)

UMJETNA INTELIGENCIJA Definicija inteligencije iskazuje tri stajališta: -biološko - naglašava opću mentalnu adaptabilnost -pedagoško - sposobnost učenja -psihološko - analizira intelektualni proces i ističe stvaralačke odlike Umjetna inteligencija (eng. Artificial Intelligence) -dio informacijskih znanosti koji se bavi oblikovanjem i izgradnjom računalnih programa za one zadatke koji zahtijevaju inteligenciju kad ih obavlja čovjek -djelatnost kojom se primarno ispituju sposobnosti elektroničkih uređaja ili sustava za one funkcionalnosti koje su prirodno povezane s ljudskom inteligencijom

UMJETNA INTELIGENCIJA Spoznajne znanosti(eng. Cognitive Science) pod kišobranom umjetne inteligencije

UMJETNA INTELIGENCIJA -na računalu temeljen proces rješenja složenih problema takvih aplikacijskih procesa koji su inače odvijaju u čovjekovim mentalnim procesima (Rolston, 1988) -proučava zamisli koje omogućavaju računalima obavljanje zadataka koji se ljudima čine inteligentnim (Winston, 1979) Kišobran “Umjetne inteligencije” (Winston, 1979): -Robotika(eng. Robotics) - psihomotorna značajka -Sustavi gledanja(eng. Vision System) -Stručnost (znanje) (eng. Expert System) -Komunikacija prirodnim govorom(eng. Natural Language)

UMJETNA INTELIGENCIJA Područje umjetne inteligencije (prema ACM – Association of Computing Machinery) Ekspertni sustavi Formalizmi i metode za prikaz znanja Strojno učenje Razumijevanje i obrada prirodnih i umjetnih jezika Rješavanje problema Robotika Automatsko programiranje Računalni vid, raspoznavanje uzoraka Neuronske mreže i genetski algoritmi Inteligentni tutorski sustavi (sustavi za učenje i poučavanje)

PITANJA! Baze znanja i prikazivanje znanja

BAZE ZNANJA I PRIKAZIVANJE ZNANJA Svrha znanja u organizaciji Organiziranje elemenata strukture Vođenje procesa (poslovno odlučivanje) Razine organiziranja Poslovni ustroj (službe, odjeli, organizacijske jedinice, ….) – obavlja pravna služba Ustroj elemenata poslovnog procesa (ustroj sredstava za rad, predmeta rada, radne snage) – obavlja tehnička priprema Ustroj poslovnog procesa (doprema sredstava za rad, vođenje poslovnog procesa, otprema gotovih proizvoda) – obavlja menadžment Informacijski ustroj – informacijski menadžment

BAZE ZNANJA I PRIKAZIVANJE ZNANJA Suvremene globalne mreže vrijednosti

BAZE ZNANJA I PRIKAZIVANJE ZNANJA Baza podataka .vs. Baza znanja Baza podataka vremenski promjenjiv skup podataka Baza znanja Vremenski nepromjenjiv skup podataka

BAZE ZNANJA I PRIKAZIVANJE ZNANJA Organizacija lanca/mreže vrijednosti

BAZE ZNANJA I PRIKAZIVANJE ZNANJA Odnos informacije i znanja s obzirom na vrijeme

BAZE ZNANJA I PRIKAZIVANJE ZNANJA Transformacija informacija u znanje

Stabilne baze podataka – baze znanja

BAZE ZNANJA I PRIKAZIVANJE ZNANJA Kada informacija postaje znanje Informacije se mogu smatrati znanjem samo ako su strukturirane tako da budu prikladne za upotrebu pri rješavanju problema u nekom području Znanje je informacija o svijetu koja ekspertu omogućuje donošenje odluke Transformacija znanja Tacit2Explicit Znanje se mora uobličiti tako da ga je moguće prenijeti u računalo Objedinjava: -definiranje načina prikazivanja znanja -definiranje načina povezivanja elementa znanja

BAZE ZNANJA I PRIKAZIVANJE ZNANJA Prikaz znanja prevođenje ili kodiranje ili formaliziranje znanja u format pogodan za rad računala brojne se tehnike koriste za prikaz znanja prikaz znanja uvijek mora ispuniti ove uvjete: -izravno modeliranje tehnika koje bi ekspert primijenio u rješavanju problema -eksplicitno predstavljanje strategija i tehnika rješavanja problema Neki načini strukturiranja i prikazivanja znanja pravila stabla odlučivanja semantičke mreže .

BAZE ZNANJA I PRIKAZIVANJE ZNANJA Pravila [2/2] Dobre strane: jednostavan čitljiv prikaz, modularnost i nezavisnost, izmjena jednog pravila ne utječe na ostala pravila, baza znanja je nezavisna od mehanizma upravljanja Loše strane: skup pravila nije lako razumjeti (kao cjelinu), teško je stvoriti hijerarhiju među pravilima, pravila mogu biti nepouzdana Faktor pouzdanosti (FP) - stupanj pouzdanosti pravila: FP = 0.7; AKO mjesec = Siječanj & temperatura <= 3oC TADA cesta je klizava;

BAZE ZNANJA I PRIKAZIVANJE ZNANJA Korištenje eksplicitnog znanja objedinjava Stjecanje znanja (prikupljanje i povezivanje znanja u bazu znanja) obuhvaća: -strukturiranje znanja -povezivanje znanja s prethodno pohranjenim znanjem (to odgovara učenju kod čovjeka) Pretraživanje znanja (pronalaženje određenih grupiranih i povezanih činjenica i relacija među činjenicama) Zaključivanje (mentalni proces temeljen na korištenju strukturiranog znanja – znanja iz baza znanja)

BAZE ZNANJA I PRIKAZIVANJE ZNANJA Pravila [1/2] jedna od najstarijih metoda prikazivanja znanja temelji se na propozicijskoj logici specificiraju događaj i reakciju na događaj, odnosno reakciju izlaza na ulaz: -ulaz “pada kiša” -izlaz “otvori kušbran“ prikaz znanja s pomoć pravila -znanje se sastoji od skupa pravila AKO uvjet (jednostavan i složen) TADA akcija -kada je uvjeti (nekog pravila) zadovoljen uz pomoć činjenica iz baze podataka (opisuje stanje objekta) tada pravilo postaje primjenjivo

BAZE ZNANJA I PRIKAZIVANJE ZNANJA Stabla odlučivanja [1/4] prikazivanje znanje s grafom (stablo) hijerarhijski prikaz prirodna metoda za klasifikaciju objekata prikaz znanja [1/2]: -znanje se opisuje pomoću skupa atributa nekog objekta ili problema -unutarnji vrhovi stabla (tj. oni vrhovi koji nisu listovi) opisuju testiranje atributa i nazivaju se i «čvorovi odlučivanja» -ishodi testa (odluke) mogu biti «da» ili «ne», a mogu biti i izbori između više od dviju mogućih vrijednosti (složeni uvjeti)

BAZE ZNANJA I PRIKAZIVANJE ZNANJA Stabla odlučivanja [2/4] prikaz znanja[2/2]: -svaki ishod testa (odluke) ima jedan izlazni luk koji vodi do “djeteta” -na luku je označen ishod testa (tj. odgovarajuća vrijednosti atributa) -ishodi za koje se još ne može donijeti odluka o tome kojoj kategoriji objekt pripada vode na unutarnje vrhove u kojima se provodi daljnje testiranje atributa -ishodi kod kojih znamo kojoj kategoriji objekt pripada vode na listove stabla nazvanih i “čvorovi odgovora”

BAZE ZNANJA I PRIKAZIVANJE ZNANJA Stabla odlučivanja [4/4] testiranje se provodi od gore prema dole (po razinama) sve do “čvora odgovora” kod ove vrste zaključivanja baza činjenica se obično ne formira unaprijed već se postepeno popunjava odgovorima na pitanja u čvorovima odlučivanja kroz koje se prolazi tijekom procesa zaključivanja stabla odlučivanja mogu se mehanički prevesti u pravila tako da se za svaki čvor odlučivanja i svaki njegov ishod formira jedno pravilo: AKO Ima … nasilja?=da TADA ne AKO Ima … nasilja?=ne TADA Je li film strave?

BAZE ZNANJA I PRIKAZIVANJE ZNANJA

BAZE ZNANJA I PRIKAZIVANJE ZNANJA Stabla odlučivanja [3/4]

BAZE ZNANJA I PRIKAZIVANJE ZNANJA Semantičke mreže [1/2] čvorovi i veze - temeljne komponente čvorovi služe za prikazivanje objekata znanja veze prikazuju odnose između objekata veza je u načelu tvrdnja da je za stanoviti objekt nešto istina u odnosu na drugi objekt radi poboljšavanja semantičke strukture nekog objekta, u kombinaciji sa semantičkim mrežama, koriste se i okviri okviri su u načelu opisani s: -objektom (ili objektima) atributom (atributima) -objektom (ili objektima) sa vrijednostima atributa

BAZE ZNANJA I PRIKAZIVANJE ZNANJA

Semantička mreža [2/2] ŽIVOTINJA

BEZOPASNA VRSTA

PTICA

Baze znanja

SISAVAC MOŽE TRČATI

dio od podskup od podskup od

svojstvo

podskup od

PINGVIN

PAS

svojstvo

Skladišta podataka MOŽE UGRISTI

svojstvo NE LETI

PLAŠLJIV

član od svojstvo

Sustavi za potporu odlučivanju

KRILA

svojstvo

VIKTOR voli

podskup od

PUDLICA

TERIJER svojstvo

voli član od

FLIP

Baze podataka

Odlučivanje

MOŽE LETJETI

podskup od

Upravljački Informacijski Sustavi

podskup od

NE GRIZE svojstvo

CRN

BAZE ZNANJA I PRIKAZIVANJE ZNANJA Elementi baze znanja: činjenice i pravila Vrijednost upravljanja znanjem: očituje u povećanju efikasnosti s kojom članovi neke organizacije s pomoću baze znanja rješavaju trenutačne situacije i uspješno predviđaju Važnost znanja: osigurava bolje funkcioniranje neke organizacije Upravljanje znanjem u užem smislu - upravljanje bazama znanja u širem smislu – povećanje efikasnosti neke organizacije

BAZE ZNANJA I PRIKAZIVANJE ZNANJA Ekspertni sustavi .vs. konvencionalni programi Program = Podaci + Algoritam Ekspertni sustav = Znanje + Proces zaključivanja = pravila + činjenice = modeli + podaci korisnički program i operacijski sustav u konvencionalnih programa zamijenjen kod ekspertnog sustava je s bazom znanja, strojem za zaključivanje i korisničkim sučeljem. Inteligencija .vs. Znanje inteligencija: -opća mentalna efikasnost -sposobnost za obavljanje složenih kognitivnih – spoznajnih aktivnosti

ZNANJE U FUNKCIJI ODLUČIVANJA PRIMJER EKSPERTNOG SUSTAVA: http://www.exsyssoftware.com/FlashDemos/CaribbeanIslandSelector/IslandSelector.html

BAZE ZNANJA I PRIKAZIVANJE ZNANJA Ekspertni sustavi računalni programi koji rješavaju probleme na osnovi znanja iz nekog užeg problemskog područja (eng. problem domain) i pritom se ponašaju slično kao i čovjek - ekspert iz problemskog područja oponašaju čovjekov način rješavanja problema, dakle zaključivanje, prosuđivanje i odlučivanje koje često treba izvršiti na osnovi nepouzdanih i nepotpunih informacija. podrazumijevaju računalom podržan sustav, utemeljen na znanju i iskustvu stručnjaka, u takvom obliku da može pružiti inteligentan savjet ili donijeti inteligentnu odluku o određenom problemu

BAZE ZNANJA I PRIKAZIVANJE ZNANJA Primjer ekspertnog sustava uporabe svjetlosne signalizacije: Pravilo

Simptom ili činjenica

Objašnjenje

Je li svjetlo zeleno?

Prođi raskrižjem.

Idi na pravilo 2.

Trebalo bi biti sigurno ako je svjetlo zeleno, ako ne treba više informacija.

Je li svjetlo crveno?

Idi na pravilo 4.

Idi na pravilo 3.

Trebalo bi stati možda neće biti moguće.

Izgleda li da će se svjetlo promijeniti u crveno prije no što prođeš raskrižjem?

Idi na pravilo 4.

Prođi raskrižje m.

Dosegnut ćeš ovu točku ako je svjetlo žuto, tada imaš dvije opcije.

Možeš li se zaustaviti prije raskrižja?

Stani.

Idi na pravilo 5.

Trebalo bi stati jer će biti problem ako ne uspiješ.

Ima li prometa s druge strane?

Pripremi se za sudar.

Prođi raskrižje m.

Dok je raskrižje bez prometa slobodno se sudari.

BAZE ZNANJA I PRIKAZIVANJE ZNANJA Arhitektura ekspertnog sustava: korisnik – eng. User korisničko sučelje – eng. User Interface stroj za zaključivanje – eng. Ingference Engine baza znanja – eng. Knowledge Base radna memorija – eng. Working Memory

BAZE ZNANJA I PRIKAZIVANJE ZNANJA Baza znanja(eng. Knowledge Base) ekspertnog sustava: sastoji se od znanja iz nekog problemskog područja koje je potrebno za uspješno djelovanje ekspertnog sustava. znanje može općenito biti iskazano: -činjenicama -postupkovnim pravilima -heurističkim pravilima Činjenice: izjave iz problemskog područja, koje opisuju znanje aksiomatskog tipa (primjer: Mlijeko je bijelo. Lastavica je ptica.)

BAZE ZNANJA I PRIKAZIVANJE ZNANJA Proceduralno (Postupkovno) .vs. Deklarativno znanje (eng. Procedural Versus Declarative Knowledge) Proceduralno (Postupkovno) znanje: -znanje o procedurama koje opisuju slijed akcija, načine promjene stanja radne okoline i znanje o postupcima za uporabu znanja. Deklarativno znanje: -znanje o odnosima i načinima dekompozicije objekata, pojmova, događaja ili procesa. U konvencionalnim obradama podataka proceduralno znanje je u programima, a deklarativno u podacima smještenim u datotekama ili bazama podataka

BAZE ZNANJA I PRIKAZIVANJE ZNANJA Postupkovno (proceduralno) pravilo: pravilo koje opisuje osnovne dijelove radnji i odnosa (primjer: Prije ulaska na autocestu treba provjeriti promet.) Heurističko pravilo, ili heuristika pravilo za koja bi prije mogli reći da su sugestije jer ih se ne može dovoljno čvrsto obrazložiti, a ekspert ih stječe svojim višegodišnjim iskustvom primjenjuju se u slučajevima kada zbog nepotpunih ili nepouzdanih informacija nemamo odgovarajućih postupkovnih pravila (primjer: Ako motorna pila s lancem izgleda kao da je u redu ali se ipak ne može uključiti, treba popustiti napetost lanca)

BAZE ZNANJA I PRIKAZIVANJE ZNANJA Programski jezici za programiranje znanja

PITANJA! Metode nestrukturiranog i polustrukturiranog bilježenja znanja

METODE NESTRUK. I POLUSRTUK. BILJ.

Oblici bilježenja znanja Nestrukturirano – dokumenti (formati: txt, pdf) Polu strukturirano – polustrukturirani dokumenti (formati: HTML) Strukturirano – baze podataka + baze znanja – podaci + metapodaciReader Human Machine -formati: XML, RDF, Language HTML XML RDF schema, OWL)

Dokument lat. documentum – pisani dokaz, isprava, dokazno sredstvo, vjerodostojan podatak postojani medij + podaci zabilježeni na njemu zapisani realni sadržaj namijenjen: -komuniciranju i informiranju -čuvanju znanja s obzirom na nositelja: -fizički (list papira) i -virtualni (datoteka) načini nastajanja dokumenta -pisanjem (generiranjem) -snimanjem (capturiranjem) dokumentiranje –proces kreiranja dokumenta dokumenti su fokus i interes administracije

Protocol

HTTP

SOAP

METODE NESTRUK. I POLUSRTUK. BILJ. Primjeri dokumenata

http://www.perfekta.hr/m1-04.htm

http://uollibraryblog.wordpress.com/tag/training/

METODE NESTRUK. I POLUSRTUK. BILJ. Podjela dokumenta s obzirom na izvornost: -izvornik (original) i -kopija (preslika) s obzirom na sadržaj: -skice (eng. draft) i -dokaze (eng. proof) Izgled dokumenata ovisi o primjeni svako područje ljudskog djelovanja ima svoj izričaj i način zapisivanja podataka (znanja) obrasci (eng. template) definiraju načelni izgled dokumenta (način strukturiranja znanja)

METODE NESTRUK. I POLUSRTUK. BILJ.

Načelna područja obrazaca dokumenata akademsko okruženje: -teza, disertacija, znanstveni i stručni radovi, članci (časopis), znanstveni projekti, … poslovanje i knjigovodstvo: -(pred)računi, narudžbenice, ponude, ugovori, … pravo i politika: -pozivi, certifikati, licence, zakoni, novine, … izvršna vlast i javna administracija: -formulari, tiskanice, direktive, nalozi, … mediji i marketing: -sažetci, članci, oglasi, plakati, časopisi, virtualne novine, blogovi, ….

Strukturiranje znanja u pravnim dokumentima

METODE NESTRUK. I POLUSRTUK. BILJ. Poslovna dokumentacija stari naziv za poslovne dokumente: -poslovne isprave bitni sastojci (elementi forme): -naziv i adresa izdavatelja -naziv isprave -datum izdavanja isprave -imena osoba koje sudjeluju u izvršavanju poslovne promjene -sadržaj poslovne promjene -osnova za njeno izvršenje (ugovor, narudžba…) -količina i vrijednost izražena u nacionalnoj valuti -potpisi ovlaštenih osoba -ostali podaci

METODE NESTRUK. I POLUSRTUK. BILJ. Poslovna dokumentacija i proces reprodukcije

METODE NESTRUK. I POLUSRTUK. BILJ. Nastanak poslovnih dokumenata A B

FORMALNI

POSLOVNI

DOGAĐAJ DOKUMENT EVIDENCIJA POSLOVNIH DOGAĐAJA

METODE NESTRUK. I POLUSRTUK. BILJ. Hodogram dokumenata (potreba upravljanja)

Razredi ili klase

Stalna imovina

Novac, surogati novca, potraživanja i AVR

Tekuće obveze i PVR

Zalihe tekuće imovine

Troškov i po pojavnom obliko odn. po prirodnoj vrsti

Rasčlanjivanje troškova na VT i FT Obračun troškova po mjestima

Zalihe proizvoda i robe

Rezultat poslovanja obračunskog razdoblja

POL) Obračun troškova po nosiocima

Rashodi prodanih učinaka

Prihodi prodanih učinaka

Utjecaj na interni obračun rezultata Metode vrednovanja imovine i ulaganja resursa u procese

Sustavi i metode obračuna troškova (kalkulacije)

Metode priznavanja prihoda, te obračun parcijalnih i ukupnog rezultata poslovanja

METODE NESTRUK. I POLUSRTUK. BILJ. Evolucija dokumentacije:

METODE NESTRUK. I POLUSRTUK. BILJ. Zadaci poslovne dokumentacije: Nedvojbeno i istinito predstaviti poslovnu promjenu Obuhvaća sve relevantne podatke Temeljem dokumenta se formiraju poslovna evidencija (poslovne knjige) TKO KOME PREDMET SADRŽAJ OVJERA

SVEUČILIŠTE J.J.STROSSMAYERA U OSIJEKU ODJEL ZA MATEMATIKU Gajev trg 6 31000 Osijek RAČUN: 29-0090-03-4 Osijek, 20.03.2003. Valuta: 29.03.2003 R.br.

Šifra PROJ ASK C40

1980

PROJEKTOR ASK C40

JMJ

KOL

kom

CIJENA

UKUPNO: PDV: SVUKUPNO ZA UPLAT U:

IZNOS kn

14.948,25

22%

14.948,25 3.288,62 18.236,87

Slov ima:dvijetisućetristodv adesetpet kuna

Fakturirao:

1940

Opis

Direktor:

2020

METODE NESTRUK. I POLUSRTUK. BILJ. Tipologija poslovne dokumentacije Poslovna dokumentacija Komunikacijska dokumentacija Tehnička i tehnološka dokumentacija Pravna i upravna dokumentacija Opća dokumentacija (dokumentacija opće namjene) Interna i eksterna dokumentacija Izvorna i sintetizirana dokumentacija Vlastita i tuđa dokumentacija Pouzdana i nepouzdana dokumentacija Uređena i neuređena dokumentacija Samostalna i vezana dokumentacija Originalna i kopirana dokumentacija itd.

METODE NESTRUK. I POLUSRTUK. BILJ. Podjela poslovnih procesa u poslovnom subjektu Operativno tehnički poslovni (procesi) Upravni i opći (zajednički procesi): -generalni strateško upravljački poslovi -financije -računovodstvo -pravni poslovni -ljudski resursi -marketing -prodaja -distribucija -nabava -ostalo (daktilografski poslovi, arhivistika, i sl.) Računovodstvo – prvi uređeni dokumentacijski sustav

METODE NESTRUK. I POLUSRTUK. BILJ.

Izdavaštvo Odnosi se na: -nestrukturirane dokumente i -polustrukturirane dokumente Serijsko izdavaštvo (prevladavalo u prošlosti) Više-Varijantno izdavaštvo (danas aktualno) S obzirom na način prezentiranja znanja -monomedijalna, multimedijalna i hiprmedijalna Više-Format izdavaštvo -Ispis: PDF, RTF, PPT -On-line: CHM, IETM, HTML, SCORM Upravljanje verzijama objavljenih materijala Razmještaj objavljenih materijala

Dokument menadžment Proces koji uključuje svaku radnju poduzetu s dokumentom u okviru organizacije, a odnosi se na stvaranje, distribuciju i brisanje dokumenata Sinonimi za dokument menadžment DMS (Document Management Systems) DIS(Document Information Systems) IDM(Integrated Document Management) EDM(Electronic Document Management) ECM(Enterprise Content Management) Content Management i Knowledge Management CMS (Content Management System) Paperless Office

METODE NESTRUK. I POLUSRTUK. BILJ.

Razlozi upotrebe dokument menadžmenta statistika Gartner Group-e -većina uredskih djelatnika potroši preko 500 sati godišnje tražeći dokumente -u prosjeku profesionalci provedu 50% vremena tražeći informacije Gartner procjenjuje da prosječna organizacija: -utroši $20 u radu za pohranu dokumenta -utroši $120 u radu tražeći zagubljeni dokument -izgubi se jedan na dvadeset dokumenta, a utroši se 25 sati za ponovnu izradu dokumenta U skoroj budućnosti preko 90% organizacija će koristiti neki od DMS-a

Temeljne mogućnosti DMS-a traženje: brzo pronalaženje dokumenta/datoteke dijeljenje: omogućava zajednički rad više djelatnika na istom dokumentu kontrola verzija: praćenje izmjena dokumenta i mogućnost vraćanja prethodnih verzija centralizacija: svi dokumenti su svima dostupni sigurnost: dodjela prava uvida i izmjene dokumenta pojedincima, grupama i kolektivu revizija: provjera pristupa i ažuriranja dokumenta arhiviranje: definiranje razdoblja čuvanja, arhivski raspored i raspored uklanjanja dokum.

METODE NESTRUK. I POLUSRTUK. BILJ. Temeljni procesi DMS-a prikupljanje i digitaliziranje dokumenata pohrana i arhiviranje dokumenata indeksiranje i traženje dokumenata i sadržaja u dokumentima distribucija dokumenata unutar sustava i njihov “izvoz” izvan sustava sigurnost i zaštita od neovlaštenog pristupa revizije

METODE NESTRUK. I POLUSRTUK. BILJ. Upravljanje dokumentacijom

http://www.caci.com/fed_civilian/fed_civ_law_enforce.shtml

http://www.gottman.cl/BPM.html

METODE NESTRUK. I POLUSRTUK. BILJ. Digitaliziranje papirnih dokumenata manualno prepisivanje scaniranje i OCR Kreiranje bilješki vezanih uz dokument Automatske (vrijeme kreiranja, veličina, …) Ručne (izvornik, autor izvornika, verzija, ….) Pohrana i arhiviranje dokumenata magnetski mediji/tvrdi diskovi -RAID - Redundant Array of Independent Disks -NAS Network Attached Storage -SAN Storage Area Networks optički mediji -CR, DVD, Blu Ray

METODE NESTRUK. I POLUSRTUK. BILJ. Pregled seijzmičkih zona

METODE NESTRUK. I POLUSRTUK. BILJ. Indeksiranje i alati za pretraživanje Through Indeks (indeksiranje datoteka) Full Text Indexing (indeksiranje sadržaja) Folder File structure (datotečni sustav) Temeljna prava Access Rights (prava otvaranja dokumenata) Feature Rights (prava izmjene dokumenta) Sigurnost, arhiviranje i osiguranje dokumenata Disaster Management (politika, planiranje i provedba akcijskih planova za zaštitu od gubitka) -backup na različitim medijima -backup na različitim seijzmičkim zonama -zaštita od krađe dokumenata

METODE NESTRUK. I POLUSRTUK. BILJ. Automatizacija poslovnih procesa (dokumentacija)

http://www.tractusconsultoria.com.br/softwares/se-process.html

METODE NESTRUK. I POLUSRTUK. BILJ.

Baze podataka vs. baze dokumenta

Extensible Markup Language - XML: tehnologija za razmjenu podataka sadrži podatke okružene oznakama oznake definiraju strukturu i značenje podataka – ono što podaci prestaljaju prednost: kompatibilan je sa svim hardverskim platformama i operacijskim sustavima Jezik za označavanje podataka Format oznaka u XML-u je vrlo sličan formatu oznaka u HTML-u. Namjena XML-a: -odvajanje podataka od prezentacije -razmjena i pohrana podataka -povećanje dostupnosti podataka

http://w http://www.jjmahon.net/html/database.html ww.mailsystems.fi/index.asp?lang=en

METODE NESTRUK. I POLUSRTUK. BILJ.

Prednosti i nedostaci XML-a prednosti: -čitljivo na svakoj platformi -neosjetljiv na tehnološke promjene -međunarodno prihvaćen standard nedostaci: -opširnost -računalo obrađuje puno podataka što ga dodatno usporava -nije definirano označavanje decimalnih brojeva

Razlika XML-a i HTML-a: u HTML-u oznake definiraju izgled i dojam podataka (položaj naslova, mjesto na kojem započinje novi odlomak) HTML se ne može koristiti umjesto XML-a HTML je ograničen na unaprijed definirani skup oznaka koje dijele svi korisnici

http://www.mulberrytech.com/papers/fromHTMLtoXML/slide012.html

METODE NESTRUK. I POLUSRTUK. BILJ.

XML u sustavu Microsoft Office: Excel, Word i PowerPoint 2007 koriste XML kao zadane formate. Prednosti: -manje veličine datoteka -XML je čitljiv i ako se datoteka ošteti (može se otvoriti u drugom programu za čitanje)

Primjer XML-a:

PITANJA! Kolaboracijski alati

KOLABORACIJSKI ALATI

Primjer višefunkcionalnog alata MZ-a

KOLABORACIJSKI ALATI

Sadržaj SharePoint kolaboracijskog alata

Namjena

Groupware softver: kolaboracijski alat (timska suradnja) - podržava odvijanje tipičnih poslovnih procesa na razini grupe/tima ili organizacijske jedinice funkcije su mu: -organizacija i usklađuje dokumente koje proizvode članovi tima -automatizacija tijeka poslovnih aktivnosti (Workflow), elektroničke pošte i drugih oblika suradnje (forumi - conferencing) -planiranje vremena i obveza (Scheduling)

Primjer SharePoint-a:

Sadržaj

KOLABORACIJSKI ALATI Knowledge management dodatci (AddIn): GroupWise - kompletno out-of-the-box rješenje

KOLABORACIJSKI ALATI Implementacija MZ 2.0 kroz Web 2.0:

PITANJA! Semantički Web kao globalna baza znanja

SEMNATIČKI WEB Semantički Web Web – značajna baza nestrukturiranog znanja Pristupanje online bazama podataka Danas rješenje pronalaženja znanja: -opći pretraživači (npr. Google) i -domenski pretraživači mogu pomoći Semantički Web je poboljšanje sadašnjeg Web-a u kojem je informacijama bolje definirano značenje, te omogućuje da računala i ljudi bolje surađuju Tim Berners-Lee i Eric Miller: "Web će doseći svoj puni potencijal kada postane okruženje gdje se podaci mogu dijeliti i obrađivati automatiziranim alatima, na način na koji to čine ljudi."

SEMNATIČKI WEB Problemi današenjeg Web-a Istraživanja na jednoj razini danas zahtijevaju istraživanje rezultata različitih razina Traženje znanja u jednom polju podrazumijeva traženje znanja u svim poljima Prisutan problem poznavanja i prepoznavanja pravih ključnih riječi za pretraživanje Informacije i znanje su često rezultat integracije informacija i znanja iz više Web mjesta Problem pronalaženja ne-tekstualnih informacija Kreiranje takvih podataka koji su "strojno čitljivi" (zahtjva transformaciju HTML-a u XML)

SEMNATIČKI WEB Svojstva semantičkogWeb-a Poboljšava komunikaciju između ljudi koji koriste različite tehnologije Pospješuje interoperabilnost baze podataka Nudi alate za interakciju s multimedijskim sadržajima Osigurava mehanizme za potporu "agent-based" računalstvu Omogućava interaktivni rad ljudi i strojeva Semantičko Web mjesto uključuje: -rječnik (Thesaurus) - strojno čitljiva ontologija -prošireni rječnik koji ocrtava odnose između rječnika i predmeta -bazu znanja – obično u XML-u def. ontologija

SEMNATIČKI WEB Što je potrebno za izgradnju semantičkogWeb-a? Ontologije Jezici kao što su RDF, OWL, XML za kreiranje ontologije Programske alate za razvoj and rasuđivanje vezano za ontologije Agente i pretraživačke (search) tehnologije Što je ontologija? Izraz koji se koristi za opisivanje i predstavljanje određenih područja znanja Koriste ga ljudi, baze podataka i aplikacije za opisivanje područja znanja Računalno-upotrebljive definicije osnovnih pojmova iz domene i odnosa među njima

SEMNATIČKI WEB Kreiranje ontologije Iterativan proces Ne postoji samo jedan način izgradnje domene za kojeg možemo tvrditi da je točan Rješenje ovisi o namjeni domene Koncepti ontologije bi trebali na najbolji mogući način predstavljati objekte i odnose u domeni Što nije ontologija? Nije nekakav rječnik -najmanje što je potrebno je veza dio-cjelina -ne radi se o skupu riječi već koncepata Nije taksonomija (grč. tassein - "svrstati”) -nije jednostavna klasifikacija već sadrži koncepte s kojima se može objasniti realan svijet

SEMNATIČKI WEB Načela rad semantičkog Web mjesta

SEMNATIČKI WEB Pojam ontologije Pojam nastao u 17. stoljeću kao znanost o biću Izrasla iz Aristotelove "prve filozofije“-metafizika Ne postoji opće prihvaćena definicija, stoga nejasni zadataka, predmet, ciljevi i granice Smatra se granom metafizike Bavi identificiranjem stvari koje doista postoje, u najopćenitijim terminima Osnovni principi ontologije Jasnoća Proširljivost Minimalna ontološka vezanost (samo neophodni pojmovi) Standardizacija imena

SEMNATIČKI WEB Taksonomija vs. Ontologija Vozila -zemljana vozila -motorna vozila -4 i više kotača -automobil -kamion -motocikli -vlakovi -brodovi -zrakoplovi

Svijet vozila -tip *zemljana vozila *brodovi *zrakoplovi -funkcija *prijevoz putnika *prijevoz tereta -atributi *snaga *veličina -glavni dijelovi - ….

SEMNATIČKI WEB Mjesto pojave ontologija Taksonomije na webu (npr. Yahoo! Kategorije) Katalozi za on-line kupovinu (npr. Amazon.com katalog proizvoda) Domene sa specifičnom standardnom terminologijom: -SNOMED Klinički termini - terminologija u kliničkoj medicini -UNSPSC - terminologija za proizvode i usluge Koriti od ontologija – olakšava rad agentima Omogućava semantiku dokumenata Standardizira meta podatke - jednoznačnost Omogućava ponovnu uporabu domene znanja Postavke domena čini eksplicitnim

SEMNATIČKI WEB Gdje je ontologija korisna? Kod združivanja pojmova Kod ekstrakcije informacija Kod integracije informacija Kod automatskog zaključivanja Primjer: -Roditelj je generalniji odnos od majke -Marija je majka Marku -Zaključak: Marija je roditelj Marku -Zaključivanje omogućuje odgovor na pitanje: "Tko su Markovi roditelji?”

SEMNATIČKI WEB Pozadina ontologija u Web okruženju XML-sintaksa za strukturirane dokumente, ali nema semantičkih ograničenja XML Schema-jezik za ograničavanje strukturu XML dokumenata RDF - model podataka za objekte "resursa" i odnosa između njih RDF Schema - vokabular za opisivanje svojstava i klasa RDF izvora Ono što nedostaje: -prikazivanje složenijih odnosa -domena/područje -više-na-jedan vs. više-premaviše, itd.

SEMNATIČKI WEB Dva načina upotrebe ontologije Ontologies

Declare structure

Databases

Knowledge bases Provide domain description

Software agents

Problemsolving methods

Domainindependent applications

SEMNATIČKI WEB Rješenje nedostataka XML-a i RDF-a u smislu ontologija: DAML – DARPA Markup Language OIL – Ontology Inference Layer Dodaci za XML i RDF koji mogu precizno izraziti ograničenja nad klasama i svojstvima OWL - Web Ontology Language Izveden iz DAML-a i OIL-a Proširuje RDF na način da: -bilježi odnose između klasa -bilježi kardinalnost veza -osigurava jednakost i bogatu tipizaciju svojstava -bilježi karakteristike svojstva -definira nabrojive razrede

SEMNATIČKI WEB Razvijen čitav niz OWL alata:

PITANJA! Suvremeni integralni MZ sustavi

SUVREMENI INTEGRALNI MZ SUSTAVI Paradigme suvremenih MZ sustava: Promjena načina rada a kroz to i organizacije Involviranje distribuirane projektne organizacije Novi izazovi: -ujednačena kvaliteta isporuke (WW) -ponovno korištenje (reuse) postojećeg znanja -podrška radu dislociranih projektnih timova, 24/7 -povezivanje s ključnim ekspertima -učenje na daljinu -odnosi u stjecanju zanja: 70:20:10 Novo rješenje: -izgradnja novog programskog sustava

SUVREMENI INTEGRALNI MZ SUSTAVI Odnosi u stjecanju znanja 70:20:10:

SUVREMENI INTEGRALNI MZ SUSTAVI Paradigme stjecanja znanja: Kroz posao 70%: -stvaranje znanja kroz projektne aktivnosti -prikupljanje i kodiranje znanja -evaluacija znanja Od drugih 20%: -pronalaženje eksperata (SME) -virtualne (tematske) zajednice -baze znanja Kroz treninge 10%: -konferencije i učionice vs. udaljeno učenje -Role / Technical Roadmap

SUVREMENI INTEGRALNI MZ SUSTAVI Suvremeni model upravljanja znanjem: Ljudi i ekspertiza Unaprjeđenje

Kodiranje znanja

usvojenih znanja Projektni angažmani

Usvojena znanja i int. kapital

Znanje s projekata

Evaluacija i odobravanje znanja

SUVREMENI INTEGRALNI MZ SUSTAVI MicroSoft-ovo rješenje:

Campus: platforma za povezivanje eksperata, virtualne zajednice, evaluaciju znanja

Internal Processes drive and evolve Organizational IP into Community-based & and Organizational Knowledge Personal Knowledge Team-based collaboration

MSEngage: platforma za projektnu kolaboraciju i prikupljanje znanja Engagement-based collaboration

SUVREMENI INTEGRALNI MZ SUSTAVI Stjecanje znanja kroz učenje 10% integrira: Tehnološke i poslovne konferencije - on-site Obavezni kvartalni edukativni paketi - udaljeno -zakonske i druge obaveze -interne politike i procedure -tehnološke novosti Repozitorij snimljenih treninga - udaljeno -tehnički treninzi -Konferencije „Learning roadmaps” - kombinacija

SUVREMENI INTEGRALNI MZ SUSTAVI Stjecanje znanja kroz posao 70% integrira: službena projektna dokumentacija predefinirani predlošci i metodologija kontekst vremena i posla „nominiranje” znanja meta-tagiranje vrednovanje (evaluacija) znanja dijeljenje znanja (obaveza svakog pojedinca uključeno u osobne ciljeve i ocjenjivanje) Stjecanje znanja od drugih 20% integrira: Virtualne tematske zajednice Pretraživanje

SUVREMENI INTEGRALNI MZ SUSTAVI MicroSoft-ov okvir za implementaciju sustava upravljanja znanjem i udaljenog učenja Tehnološka platforma:

SUVREMENI INTEGRALNI MZ SUSTAVI MicroSoft-ov okvir za implementaciju sustava upravljanja znanjem i udaljenog učenja

Faza 1

Faza 2

Faza 3 Virtualne tematske zajednice

Ljudi, ekspertiza, kompetencije Napredna komunikacija i kolaboracija

Upravljanje inovacijama

Baze znanja

Udaljeno učenje

Virtualne radionice

SUVREMENI INTEGRALNI MZ SUSTAVI MicroSoft-ove procesne komponente: Izrada organizacijske politike upravljanja znanjem i edukacije Zašto = poslovni cilj, vizija Tko = za koje korisnike ili grupe korisnika Kada = koja dinamika, obaveze Kako = kojim alatima i kanalima komunikacije Procesi upravljanja znanjem Stvaranje i prikupljanje Evaluacija i organizacija Distribucija – udaljeno učenje Analiza učinaka i unaprjeđenje edukacije Motivacija za sudjelovanje

PITANJA!