14 - Inteligentni Poslovni Sistemi u Turizmu (OLAP, Data Mining, BI)

IIIII I InformacioniInformacioni sistemisistemi u u turzmuturzmu ii hotelijerstvuhotelijerstvu

Prof. dr Angelina Njeguš

Inteligentni poslovni sistemi u turizmu- Nastavak -

Pametno poslovanje

Uvod u skladište podataka

OLAP sistemi

Otkrivanje znanja i data mining

Poslovna inteligencija

Beograd, 2011/2012.

III Informacioni sistemi u turizmu i hotelijerstvuIII Informacioni sistemi u turizmu i hotelijerstvuProf. dr Angelina Njeguš

Plan knjige


OLAP sistemiOLAP sistemi

OLAP sistemi

OLAP arhitektura

OLAP komponente

OLAP interfejsi

Studija slučaja


OLAP sistemi

� OLAP (On-line Analytical Processing) rešenja omogućavaju korisnicima brz i fleksibilan pristup kombinovanim višedimenzionalnim podacima izvučenih iz skladišta podataka

� Poslovni podaci su uskladišteni u OLAP kocku

� Podaci se analiziraju sa različitih perspektiva

� Podaci su modelovani da odgovaraju poslovanju� Podaci su modelovani da odgovaraju poslovanju

� OLAP kocka odgovara na pitanja, npr:

� Da li se dešava isti šablon svake godine?

� Da li se može posmatrati na drugačiji način?


Prikaz OLAP-a


Detaljna analiza (drill down) i hijerarhije


Star šema u kocki podataka


Primer


OLAP arhitektura


OLAP komponente

Prikazivanje informacija

Servisi prezentacije

Relaciona, multidimenzionalna

Servisi skladišta podataka

Postavljanje upita,

izveštavanje, analiziranje

OLAP servisi


Interfejsi OLAP kocke

� Upiti (Query) – mogućnost kreiranja

sopstvenih izveštaja

� Izveštavanje i dashboard (kontrolna tabla) – prikaz bilo kog predefinisanog

izveštaja i ključnih org. podataka u realnom

vremenu koji omogućavaju drill down i druge

OLAP opcijeOLAP opcije

� Analize – mogućnost višedimenzionalne

analize, poređenja ...

� Scorecarding – metrike ključnih poslovnih

indikatora, pomaže korisnicima da shvate šta

se dešava, ko je odgovoran i ko preduzima

akciju ...

� Upravljanje događajima (Event

management)


Različite perspektive kocke kroz studiju slučaja

Beograd

Q4Q1 Q2 Q3Dimenzija Vreme

Skoplje

Niš

Novi Sad

Televizori

FrižideriVeš mašine

Klima


Beograd Fakti o prodaji

Pravljenje upita nad kockom

Q4Q1 Q2 Q3

Dimenzija Vreme

Skoplje

Niš

Novi Sad

Televizori

FrižideriVeš mašine

Klime


Beograd

Definisanje “kriške” (engl. slice) ili podskupa kocke

Televizori

Q4Q1 Q2 Q3

Dimenzija Vreme

Skoplje

Niš

Novi Sad

KlimeFrižideri

Veš mašine


Izveštaj za studiju slučaja

Grad Proizvod VremeBroj prodatih

artikala

Prihod u

hiljadama din.

Svi Svi Sve 113 251.26

15

Novi Sad Svi Sve 64 146.07

Novi Sad Whirlpool veš mašina Sve 38 98.49

Novi Sad Whirlpool veš mašina Sve 13 32.24

Novi Sad Whirlpool veš mašina Kvartal 1 3 7.44

Novi Sad Whirlpool veš mašina Mart 3 7.44


Različiti pogledi na iste podatke

Mesec

GradP r o i z v o dd

Svi proizvodi i meseci za jedan grad

Svi proizvodi i gradovi za jedan mesec

Svi gradovi i meseci za jedan proizvod


Rad sa dimenzijama i hijerarhijama

� Dice

� Hijerarhije vam dozvoljavaju

� Dimenzije vam dozvoljavaju

� Slice

� Hijerarhije vam dozvoljavaju

� Drill Down

� Drill Up


Korisnički pogled


Otkrivanje znanja i data Otkrivanje znanja i data miningmining

Data mining i otkrivanje znanja

Tradicionalni vs evolutivni pristup

Data mining proces

Primene Data mininga

Data mining modeli

Studija slučaja


Data mining i otkrivanje znanja

� Data mining je proces otkrivanja skrivenih veza između vrednosti atributa i pronalaženja obrazaca (šablona) ponašanja iz ogromnih količina podataka

� Proces otkrivanja znanja � Proces otkrivanja znanja (Knowledge Discovery in Databases- KDD) uzima sirove rezultate iz data mining-a i transformiše ih u korisne i razumljive informacije


Data mining

� Tipična pitanja koja se postavljaju sistemu:� Kakav je profil mojih klijenata?

� Na koje klijente treba da ciljam u promociji?

� Koje proizvode/usluge treba da promovišem?

� Ko će se od mojih klijenata sigurno odazvati promociji?� Ko će se od mojih klijenata sigurno odazvati promociji?

� Kako da poboljšam lojalnost kupaca?

� Koji artikal će kupci najverovatnije kupiti?

� Kako mogu da otkrijem potencijalne prevare?

� ...


Tradicionalni pristup


Data mining – evolutivni pristup


Data mining proces


Primene Data mininga

� Reklamiranje na Internetu� Klasifikovanje grupa klijenata sa sličnim informacijama

� Praćenje kretanja klijenata na Internetu i otkrivanje njihovih želja

� Pretraživanja istih obrazaca klijenata na Internetu: “Ukoliko vam sedopada knjiga x, proverite i sledeće ponuđene knjige”.dopada knjiga x, proverite i sledeće ponuđene knjige”.

� Upravljanje kreditnim rizikom� Predviđanje da li je klijent dobar ili rizičan za davanje kredita


Položaj data mininga


Koraci data mining-a


Data mining algoritmi

� Nekoliko tehnika data mininga omogućava identifikovanjeobrazaca u ogromnom broju podataka

� Neki modeli su:� Drvo odlučivanja

� Pravila asocijacije� Pravila asocijacije

� Naivni Bajes (Naive Bayes)

� Klastering

� Vremenske serije

� Neuronske mreže

� Text Mining

� Linearne regresije


Pravila asocijacije � Pravila asocijacije (Association Rules) – pomaže u identifikovanju relacija

između različitih elemenata� grupiše po sličnosti, odnosno koristi se za pronalaženje grupe artikala koji se

najčešće zajedno događaju u jednoj transakciji

� Koji zapisi se podudaraju sa datim pravilom? (ciljani marketing)

� Koja pravila se poklapaju sa istim zapisom? (Amazon ponuda)


Naive Bayes� Naive Bayes – ovaj algoritam se zasniva na Bayes-ovoj teoremi koji računa uslovnu

verovatnoću između ulaznih i predvidljivih promenljivih i pretpostavlja da supromenljive nezavisne. Pogodna je za otkrivanje relacija između ulaznihpromenljivih i predvidljivih promenljivih.

� Na primer, marketing odelenje je odlučilo da targetira potencijalne klijente slanjem flajera poštom. Žele da pošalju flajere samo onim klijentima koji će najverovatnije odreagovati. Upoređuju potencijalne klijente sa klijentima koji imaju slične karakteristike, a koji su kupili u prethodnom periodu.karakteristike, a koji su kupili u prethodnom periodu.

Naïve BayesNaïve Bayes


Klastering� Sequence Clustering – grupiše zapise podataka koji su slični na osnovu sekvenci

prethodnih događaja

� Kom klasteru/segmentu pripada dati zapis?� Npr., segmentacija klijenata po sličnim karakteristikama kako se kreću kroz veb stranice

jednog sajta. Ovaj algoritam može da grupiše klijente prema njihovom redosledu otvaranja stranica na sajtu kako bi pomogli u analizi korisnika i u određivanju koje su putanje profitabilnije od drugih. Ovaj algoritam se takođe može koristiti u predviđanju koju će sledeću stranicu korisnik posetiti. koju će sledeću stranicu korisnik posetiti.


Vremenske serije

� Vremenske serije (Time Series) – ovaj algoritam se koristi za analizu ipredviđanje vremenskih trendova� Npr., određuje procente saobraćajnih nesreća tokom praznika na osnovu

broja nesreća koje su se dogodile tokom istog perioda u protekloj godini.


Neuronske mreže

� Neuronske mreže (Neural Nets) – kao što čovek uči na osnovu iskustva tako možei računar. Neuronske mreže modeluju neuronske veze u ljudskom mozgu i na tajnačin simuliraju učenje.

� Ukoliko sastavljate podatke gde su ulazne i izlazne činjenice poznate, računar može danauči iz tih obrazaca i postavi pravila i matematičke faktore kako bi npr., pomogaoizračunavanje ili predvideo izlaznu vrednost.

� Pretpostavimo da želite da prodate kola, nekoliko faktora utiče na prodajnu cenu kaošto su godine, stanje, proizvođač, model itd. Analizirajući cene kola, neuronske mrežePretpostavimo da želite da prodate kola, nekoliko faktora utiče na prodajnu cenu kaošto su godine, stanje, proizvođač, model itd. Analizirajući cene kola, neuronske mrežemogu da kreiraju seriju ulaznih i izlaznih faktora kako bi predvideli cenu prodaje.

Neural NetNeural Net


Text Mining

� Text Mining – analizira nestruktuirane tekstualne podatke

� Veliki broj nestruktuiranih informacija (text) čini 80% informacija

kompanije

� Beleške call centara

� Izveštaji o problemima� Izveštaji o problemima

� Izveštaji o popravkama

� Potraživanja od osiguranja

� E-mailovi sa klijentima

� Komentari proizvoda ...

� Text mining pretvara nestruktuirane informacije u struktuirane koje se

mogu analizirati zajedno sa struktuiranim

� Npr., kompanije mogu da analiziraju nestruktuirani podatak kao što je deo za

komentare gde klijenti unose svoje utiske, zadovoljstvo o proizvodu i druge

komentare


Linearna regresija

� Regresija koristi postojeće vrednosti varijabli da bi se na bazi njih predvidele vrednosti ostalih varijabli.

� Npr., prema istorijskim podacima klijenata, predviđaju se klijenti koji će biti najprofitabilniji u budućnosti

� U ERP sistemima predviđaju se prodaja i prihodi, potreba za zalihama ...� U realnim situacijama, često ne postoji linearna međuzavisnost sadašnjih i budućih

podataka. Recimo, vrednosti akcija na berzi je jako teško predvideti jer one zavise od složenih interakcija velikog broja varijabli. U tom slučaju, koriste se složene tehnike, kao složenih interakcija velikog broja varijabli. U tom slučaju, koriste se složene tehnike, kao što su logistička regresija, stabla odlučivanja ili neuronske mreže


Koncept modela predviđanja


Neki algoritmi Data Mining-a

Decision TreesDecision Trees ClusteringClustering Time SeriesTime Series Naïve BayesNaïve Bayes

Sequence Sequence ClusteringClustering

AssociationAssociation Neural NetNeural Net LogisticLogisticRegressionRegression

Linear RegressionLinear Regression Text Mining


Kompletno rešenje za poslovnu analitiku

38


Studija slučaja: Text mining

� Lanac restorana od svojih klijenata traži povratne informacije koristeći

sledeću formu:


Studija slučaja

� Podaci će biti uskladišteni u tabelu nad kojom će se postavljati upiti koji će

odrediti:

� Koja lokacija je naprofitabilnija?

� Prosečan broj godina klijenata po lokaciji ...

Međutim, šta da se radi sa kolonom komentari?


Studija slučaja

� Može se kreirati rečnik koji se zasniva na ključnim rečima


Studija slučaja

� Kreira se nova kolona koja će pamtiti komentare klijenata

� Sada se može kreirati upit zajedno sa drugim dimenzijama


Studija slučaja

� Mogu se ekstrakovati i poštanski brojevi klijenata kako bi se uporedile adrese

klijenata sa lokacijama restorana


Uvodni primer

� Koji je ključni atribut za predviđanje da li će svršeni srednjoškolci upisati fakultet ili ne?

� Postavljana su im sledeća pitanja:

� Kog su pola?� Koliki je prihod njihovih roditelja?� Koliki je prihod njihovih roditelja?� Koliki im je IQ?� Da li ih roditelji ohrabruju da nastave

studiranje ili ne?� Da li planiraju da upišu fakultet?

� Da bi na osnovu prikupljenih podataka utvrdili koliko studenata će nastaviti školovanje, neophodno je da se postavi upit koji broji zapise studenata koji žele i onih koji ne žele da nastave školovanje.


Uvodni primer (nastavak)

� Pretpostavimo da ste zainteresovani da odredite koji atribut ili kombinacijaatributa imaju najveći uticaj da predvidi verovatnoću studenata koji će upisatifakultet. Ovo je složeniji upit i zahteva korišćenje tehnika data mininga.

� Primenjujući algoritam drveta odlučivanja otkrivene su sledeće relacije:

� Najuticajniji atribut je ohrabrivanje njihovih roditelja da upišu fakultet. Oni� Najuticajniji atribut je ohrabrivanje njihovih roditelja da upišu fakultet. Onistudenti koje roditelji ohrabruju da upišu fakultet, 60 % planira da upišefakultet i to uglavnom oni sa visokim IQ.


Drvo odlučivanja

Upisaće fakultet:33% Da

67% Ne

Svi studenti

Podsticajod strane roditelja ?

Ohrabrenje roditelja = Da Ohrabrenje roditelja = Ne?

IQ IQ


43% Ne


94% Ne


26% Ne


71% Ne

Visok IQ Nizak IQ


82% Ne


91% Ne


96% Ne

Visok IQ

Srednji IQ

Nizak IQ


Uvod u scenario Platne kartice

� Direktor marketinga želi da oceni trenutni program platnih kartica. Da bi zadržao

postojeće klijente i ispunio njihova očekivanja, želi da identifikuje mogućnosti kako

bi povećao nivo usluga kod svih kartica: zlatna, srebrna, bronzana i obična

� Raspoložive informacije od klijenata su pol, bračni status, godišnji prihodi, nivo

obrazovanja

� Da bi predvideli faktore koji utiču na izbor odgovarajuće kartice koristićemo Data

mining:

� Koristićemo tehniku drveta odlučivanja da bi pronašli obrazac za izbor platne kartice.

� Odabraćemo Klijente kao dimenziju slučaja (case dimension).

� Odabraćemo Platnu karticu kao informaciju koju će koristiti algoritam DM da biidentifikovao obrasce.

� Iskoristiće se raspoložive informacije o klijentima kako bi se pronašao obrazac.

� Ispitati drvo odlučivanja.


Izbor tehnike Data Mininga


Izbor slučaja (case)


Selektovanje entiteta za predviđanje


Selektovanje podataka za analizu (training data)


Kreiranje dimenzije i virtuelne kocke

� Ukoliko želite na interaktivan ad-hoc način da isptujete drvo odlučivanja onda možete da uključite opcijukreiranja nove dimenzije i uključivanje iste u virtuelnu kocku..


Ispitivanje Data Mining modela

Content Detail – fokus

DM modela

Content Navigator – kompletan

pogled DM modela; koristi se

i za navigaciju kroz drvo

odlučivanja i menjanja sadržaja

u Content Detail.

Atributi – Predstavlja numeričke

ili grafičke prezentacije

entiteta za predviđanje entiteta za predviđanje

za trenutno izabrani čvor.

Node Path


Ispitivanje zavisnosti mreže


Poslovna inteligencijaPoslovna inteligencija


Kome je BI sistem namenjen

BI alati na tržištu

Demo BI rešenja

Zanimanje: BI konsultant



� Poslovna inteligencija ili inteligentni poslovni sistemi (Business Intelligence – BI) je arhitektura koja predstavlja zbirni naziv za:� kolekciju integrisanih alata,

� aplikacija i

� baza podataka

koje obezbeđuju organizaciji:koje obezbeđuju organizaciji:

� efikasan i lak pristup poslovnim podacima

� analizu i

� međusobno deljenje informacija

u cilju donošenja kvalitetnijih, brzih i relevantnijih odluka i poboljšanja sveukupne poslovne efektivnosti

� BI softver je opšti pojam koji opisuje sisteme za podršku odlučivanju (Decision Support Systems - DSS), ranije izvršne informacione sisteme (Executive Information Systems – EIS), data warehouse softvere, ekspertne sisteme i data mining tehnike za interpretiranje podataka


BI daje odgovor na

pet pitanja

• Šta se desilo?

• Šta se dešava?Prošlost

• Šta se dešava?

• Zašto se to desilo?

• Šta će se desiti?

• Šta ja želim da se dogodi?

ERPERP CRMCRM 3Pty3PtySCMSCM DocDoc

Sadašnjost

Budućnost

Data


Frontend alati

58


Kome je BI namenjen


BI alati na tržištu

� Oracle - Siebel Business Analytics Applications

� SAS - Business Intelligence

� SAP - BusinessObjects XI

� IBM - Cognos 8 BI

� Oracle - Hyperion System 9 BI+� Oracle - Hyperion System 9 BI+

� Microsoft - Analysis Services

� MicroStrategy - Dynamic Enterprise Dashboards

� Pentaho - Open BI Suite

� Information Builders - WebFOCUS Business Intelligence

� QlikTech – QlikView

� TIBCO Spotfire - Enterprise Analytics

� Sybase – InfoMaker

� KXEN – IOLAP

� SPSS - ShowCase 60


Studija slučaja: BIST

� Sistem poslovne inteligencije u turizmu (Business Intelligence System for

Tourism, BIST) je razvijen od strane Instituta za turizam iz Zagreba koji je iskoristio poslovnu inteligenciju da bi obezbedio Web zasnovane turističke informacije o destinacijama u Hrvatskoj

� BIST je online menadžment informacioni sistem za turističke destinacije:� BIST je online menadžment informacioni sistem za turističke destinacije:

� Sistem nudi informacije o razvoju turizma, tržišnim trendovima, smeštajnim kapacitetima i dr.

� Omogućava brzu analizu konkurentnosti turističkih destinacija i druge vrste online analiza

� Korisnici mogu lako pratiti trendove vezane za prosečnu dužinu boravka, strukturu gostiju, stopu iskorišćenosti turističke destinacija na lokalnoj, regionalnoj ili nacionalnoj osnovi, praćenje trendova po sezonama, tržišnog udela, pratiti pokazatelje turističke razvijenosti itd.

� BIST korisniku osigurava postavljanje zahteva prema trenutnim potrebama, ali i kontinuirano izveštavanje prema unapred definisanim pokazateljima.



BIST nudi informacije o različitim obeležjima turističke destinacije, koje korisnik može da pregleda, vrši analize i upoređuje podatke preko nekoliko dimenzija:

Geografska dimenzija:

� Administrativna podela (regioni, gradovi, opštine, naselja)� Turistička podela (turističke regije, kategorije turističkih mesta, rivijere)� Geografska podela (kontinent, obala, ostrva)� Geografska podela (kontinent, obala, ostrva)

Tržišna dimenzija:

� Pojedinačna tržišta (obuhvata 43 tržišta)� Tržišta prema važnosti (domaća, inostrana, primarna, sekundarna i sl.)� Tržišta pojedinih grupa zemalja (EU, Zapadna Evropa, Skandinavija, Zemlje Nove Evrope i

sl.)

Vremenska dimenzija:

� Godina, mesec, turističke sezone

Vrste smeštajnih kapaciteta – obuhvata 32 vrste smeštajnih kapaciteta

Način dolaska:

� Organizovano� Individualno



Broj dolazaka i noćenja po godinama



Dolasci i noćenja po regionima

Documents

14 - Inteligentni Poslovni Sistemi u Turizmu (OLAP, Data Mining, BI)