Professional Documents
Culture Documents
UVOD
Poslovna inteligencija ima veliku ulogu u mnogim poslovnim sustavima i omogućuje lakše i
brže zaključivanje, kao i donošenje odluka. U suradnji s metodama ekstrakcije informacija skup
znanja se znatno proširuje i dobiva se potpuno nova slika. Ideja je sakupiti sve podatke koji su
dostupni i obraditi ih na jednom mjestu, neovisno da li se podatak nalazio u strukturiranom
obliku ili u tekstu.
Pojam „business intelligence“ javlja se 1989. godine zahvaljujući Howardu Dresneru koji je
uspostavio koncept koji se temeljio na raznim načinima istraživanja, prikupljanja i analize
informacija u raznim bazama podataka. Nakon uspostavljanja Dresnerovog koncepta IBM
razvija i uspostavlja „sustav business intelligencea“ u poduzećima diljem svijeta. Danas
postoje brojne definicije pojam i samog fenomena poslovne inteligencije (Business
Intelligence). Ovaj sustav označava skupinu metoda, pomagala i aplikacija koje omogućuju
prikupljanje, analizu, raspodjelu i djelovanje na temelju poslovnih informacija, a sve u cilju
donošenja pravilnih poslovnih odluka.
2
Danas se može zaključiti kako je upravo na tom mjestu stvorena prva osiguravajuća
kompanija, koju je osnovalo 79 poduzetnika, prvih dioničara kompanije Lloyd's. Također, to je
bilo mjesto gdje je rođena ideja o poslovnoj inteligenciji.
Poslovna inteligencija predstavlja okvir uspješnosti menadžmenta, stalan i kontinuiran ciklus gdje
poduzeća postavljaju svoje ciljeve, analiziraju napredak, stječu uvid u poslovanje, poduzimaju
radnje, mjere svoju uspješnost i dr. Ova ciklička aktivnost jest u stvari proces sastavljen od
različitih međusobno povezanih faza pri čemu slijedeća može započeti tek tada kada prethodna
uspješno završi. Ciklus počinje planiranjem i upravljanjem, odnosno postavljanjem ciljeva, potom
slijedi prikupljanje podataka i informacija koji se u idućoj fazi analiziraju, a u posljednjoj fazi
rezultati analize se distribuiraju.
Cilj analize podataka jest u tome što se identificiraju trendovi, obrasci i tendencije, a
formuliranjem niza scenarija mogu se predviđati vjerojatni budući ishodi te otkrivati potencijalne
mogućnosti i prepreke. U fazi distribucije raspoloživa se inteligencija putem pristupačnih medija
dostavlja korisnicima odnosno donositeljima odluka. Ciklus poslovne inteligencije ne završava
distribucijom, svojom posljednjom fazom, već se dalje nastavlja, s obzirom da u poslovanju
nikada nema konačnih odgovora, postavljaju se nova pitanja i zadaju novi strateški ciljevi.
3
2.2. VAŽNOST IMPLEMENTACIJE POSLOVNE INTELIGENCIJE
Razne velike i srednje tvrtke konstantno pristupaju pojmu poslovne inteligencije, uče,
razvijaju i integriraju takve sustave te ih u konačnici primjenjuju u svojem poslovanju. Takve
organizacije nazivaju se uspješnima jer uspijevaju pretvarati informacije u poslovnu
inteligenciju, a poslovnu inteligenciju u organizacijsko znanje i na kraju iskorištavajući ta dva
pojma ostvaruju profit. Procjene govore da je svijet u 20.st imao 1 eksabajt podataka online,
oko 20 eksabajta offline podataka na različitim digitalnim medijima (cd, dvd) te oko 300
eksabajta analognih podataka na papiru ili filmu.
da li će se uz pomoć integracije ovog sustava bolje upravljati klijentima? hoće li nam
informacije omogućiti bolje pregovaranje na svakodnevnoj razini?
da li ćemo moći brže reagirati na različite ponude ili događanja te tako smanjiti poslovni
rizik i povećat iskorištavanje poslovnih prilika?
5
2.3. INVESTIRANJE U POSLOVNU INTELIGENCIJU
Sustav poslovne inteligencije je ustvari njegov informacijski sustav koji barata podacima iz
brojnih izvora, iz tvrtke ali i okoline. Glavne karakteristike ovog sustava su laka dostupnost
informacija i saznanja o kupcima, dobavljačima, procesima i njihovim međusobnim odnosima.
Da bi ovaj sustav mogao funkcionirati, potrebni su mu alati (eng. Business Intelligence Tools)
koji se često dijele na naredne skupine:
alati za upite (engl. Query Tools) - predstavljaju programske pakete koji omogućuju
6
softver za multi dimenzijske analize, poznat pod skraćenicom OLAP (engl. Online
S obzirom na izvore podataka koje koristi, poslovna inteligencija može biti tržišna i unutarnja.
Za potrebe tržišne inteligencije koriste se izvori podataka kao što su klijenti poduzeća,
konkurencija te poslovni partneri u opskrbi poduzeća. Unutarnja inteligencija nastaje podacima iz
operativnih poslovnih te upravljačkih procesa. Uzevši sve u obzir navedeno, može se zaključiti
kako je poslovna inteligencija ustvari skup različitih inteligencija, ovisno o području rada i
izvorima podataka na:
klijentska inteligencija
kompetitivna inteligencija
7
Kako je vidljivo iz slike br. 1 sustavi poslovne inteligencije postaju sve složeniji, sve je više
industrijski specifičnih zahtjeva. Velike tvrtke imaju mnoštvo različitih izvora podataka, koriste
se različite platforme, od tehnološki zastarjelih, preko relacijskih, do nestrukturiranih izvora.
Infrastruktura- koju čine skladišta podataka, ETL alati i operativna spremišta podataka.
8
U ovoj komponenti koja je najvidljivija, povrat na investicije očituje se u osiguravanju
konkurentske prednosti.
4. OLAP ALATI
Puni naziv navedene skupine proizvoda proizlazi iz engleskih riječi On-Line Analytical
Processing, što se uobičajeno prevodi kao "online analitička obrada". Karakteristika je OLAP
proizvoda da se međusobno razlikuju mnogo više od međusobne razlike relacijskih baza
podataka, programskih jezika, tekst procesora itd. Stoga je bitno da pri vrednovanju ovih alata
u cilju odabira najpovoljnije solucije sudjeluju i odlučuju zajedno korisnici i IT stručnjaci
Sam model OLAP alata zasniva se na sustavu multidimenzijske analize, pri čemu se podaci
mogu istovremeno promatrati kroz veći broj dimenzija. Naime, podaci su organizirani u dvije
skupine: mjere i dimenzije. Mjere su poslovni pokazatelji (indikatori), brojevi, kao što su,
primjerice, iznos realizacije, planirani iznos, postotak rabata, broj komada itd. Dimenzije su
poslovni aspekti koji omogućuju analizu poput, primjerice, artikala, kupaca, organizacijske
strukture, vremena, itd. U poslovnim aplikacijama uvijek postoji vremenska dimenzija, jer je
usporedivost s prethodnim razdobljima uvijek preporučljiva. Vremenska razina koja se želi
implementirati može biti dan, mjesec, tromjesečje (kvartal) ili godina, što ovisi o zahtjevima
projekta.
OLAP alati dopuštaju korisniku pisanje jednostavnih formula koje će se primjenjivati duž
nekoliko dimenzija, a pritom je potrebno napisati tek nekoliko jednostavnih programskih
9
instrukcija. Bitna karakteristika OLAP alata je velika brzina rada što omogućuje njegovim
korisnicima, najčešće stručnjacima i menadžerima postavljanje upita i dobivanja odgovora u
najkraćem mogućem vremenu, praktički trenutno, što nije slučaj kod drugih alata. U pravilu su
tako modelirani da se najveći broj odgovora dobije unutar pet sekundi, za jednostavnije analize
ne više od sekunda, a u složenijim slučajevima ponekad je potrebno više od trideset sekundi.
Daljnja je karakteristika ovih alata sposobnost analiziranja velikog broja dimenzija, pri čemu
se u praksi taj broj kod kvalitetnih OLAP alata i u zahtjevnim analizama kreće na deset ili čak
i više dimenzija. Budući da to nadilazi spoznajne mogućnosti prosječnog čovjeka, može se reći
da navedeni alati omogućuju proširenje ljudske inteligencije. Spektar mogućnosti koje
obuhvaćaju OLAP alati je vrlo širok, počevši od jednostavnog pretraživanja, preko proračuna
do sofisticiranih analiza kao što su vremenske serije i kompleksno modeliranje. Time oni
obuhvaćaju kompletan slijed koji započinje podacima, nastavlja se informacijama i završava
poslovnom inteligencijom. Slijedeća slika prikazuje OLAP arhitekturu kako bi se lakše shvatio
ovaj alat. Naime, prikazan je karakteristična OLAP arhitektura koju sačinjava OLAP poslužitelj
smješten između korisnika i skladišta, odnosno spremišta podataka s online vezom
Danas se na tržištu OLAP alata može pronaći nekoliko njegovih varijanti kao što su23:
MOLAP alati
Desktop OLAP
HOLAP alati.
10
Relacijski OLAP alati čije skraćenica je ROLAP imaju relacijski model baze podataka koji
se može definirati na način, da za razliku od više dimenzijskog OLAP alata, vrlo vjerno
odražava stvarni svijet. MOLAP ili višedimenzionalni OLAP (engl. Multidimensional
/database/ OLAP) sačinjava skup alata za koje je karakteristično da koriste svoju vlastitu bazu
podataka n-dimenzijske matrične strukture. Karakteristika ove baze jest da nije izgrađena na
nekom općem modelu ili standardu, npr. relacijskom. Desktop OLAP odnosno OLAP za stolna
računala predstavljaju jednostavne OLAP alate, nižih cijena, koji su prilagođeni primjeni na
stolnim računalima skromnijih kapaciteta memorije i obradbenih mogućnosti u odnosu na velika
poslužiteljska računala. HOLAP alati (engl. Hybrid OLAP) predstavljaju hibridni proizvod
pomoću kojeg je moguće provoditi multidimenzijske analize simultano iz podataka
uskladištenih u više dimenzijskoj bazi i onih iz sustava upravljanja relacijskim bazama
podataka. Osim komercijalnih alata (vodeći dobavljači: IBM, Oracle, Microsoft, SAP), postoje
i takozvani „open source alati (Jaspersoft, Pentaho) koji mogu biti potpuno besplatni, no s nekim
ograničenjima kao što su npr. izostanak podrške u slučaju možebitnih problema pri radu
softvera, ograničenje na količinu podataka koji se mogu pohraniti i slično.
Upiti služe za izvlačenje podataka iz tablica koji su zadovoljili neki uvjet, mogu služiti i za
promjenu podataka te analizu istih. Također, rezultati upita mogu biti izvori podataka za obrasce
i izvještaje.
Praksa nam pokazuje da članovi uprave poduzeća na stol dobivaju beskrajna izvješća iz
kojih ne mogu vidjeti relevantne podatke pomoću kojih bi odlučivali. S druge strane
menadžeri- dakle oni od kojih se izvještaji očekuju, izrađuju i obrađuju tone podataka koje
uprava često niti ne prouči. Na tom principu razvili su se vizualizacijski alati, prvi koji ćemo
spomenuti je:
Desktop applications
Možemo zaključiti da daje jasnu sliku poslovanja, pravce kojima treba krenuti, promjene koje
treba poduzeti za ispravno poslovno odlučivanje i naravno poboljšanje poslovnih rezultata.
Sve to na jasan, jednostavan i razumljiv način.
Vrlo su korisni prilikom mjerenja otklona od poslovne strategije tvrtke, analize rizika i drugih
bitnih faktora poslovanja. Svakom odgovoru dodjeljuje određeni rezultat, zatim se svako pitanje
i kategorija ocjenjuju kako bi na kraju producirali finalni rezultati.
Data Warehousing ili skladištenje podataka predstavlja proces integracije podataka koji se nalaze
u cjelokupnoj poslovnoj organizaciji, u jedinstveni rječnik iz kojega krajnji korisnici mogu dobiti
izvještaje i provoditi ad-hoc analize podataka. Podaci potrebni za donošenje odluka najčešće se
nalaze na različitim mjestima. U većoj organizaciji podaci su često smješteni na nekoliko različitih
relacijskih baza podataka kojima upravljaju različiti operacijski sustavi (primjerice: MS Excel,
MS Access tablice), a koriste se u raznim aplikacijama, na Internetu, itd. Proces definiranja koji
su to podaci, gdje se oni nalaze, kako ih izvući i strukturirati vrlo je važna faza izgradnje svakog
sustava poslovne inteligencije. U tu se svrhu koriste alati za ekstrakciju, transformaciju i punjenje
– ETL (engl. Extract, Transform, Load). Svi relevantni podaci se zatim spremaju u skladište
podataka koje može biti izgrađeno u relacijskom ili dimenzijskom modelu. Dimenzijska struktura
podataka, omogućava visok stupanj vizualizacije podataka, a to je upravo ono što menadžeri žele
12
vidjeti. Za brzo i kvalitetno donošenje odluka menadžerima su potrebni integrirani i vremenski
pravovremeni podaci, a sustavi poslovne inteligencije upravo to omogućavaju. Dimenzijska
struktura skladišta podataka omogućava sagledavanje podataka kombinirajući više relevantnih
faktora, npr. prodaja određenog proizvoda po regijama u nekom vremenskom roku.
Data Mining ili rudarenje podataka možemo definirati kao pronalaženje zakonitosti u podacima.
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 započela je još kad su poslovni
podaci prvi puta uskladišteni u računala, a nastavlja se kontinuirano, s unapređenjem pristupa
podacima i 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 računalnom 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. Osnovne tehnike za rudarenje podataka su:
statističke metode, genetički algoritmi, neuralne mreže, stabla odlučivanja, umjetna inteligencija,
asocijacijska pravila, 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
13
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.
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.
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.
14
6. ZAKLJUČAK
15
LITERATURA
5. ) https://hr.wikipedia.org/wiki/Poslovna_inteligencija
16