Informatika za podjetnikebojan/GEA-IP/PPT/IP_06.pdf · 2 Informatika za podjetnike prof. dr. Bojan Cestnik gea 4 college E-poslovanje Informatika za podjetnike prof. dr. Bojan Cestnik

1

Informatika za podjetnike

prof. dr. Bojan Cestnik

1

geacollege



[email protected]

Borut Seničar, asistent

[email protected]



2

geacollege

Vsebina

• Informatika in poslovni sistemi

• Strateški načrt informatike v podjetju

• Načrtovanje IS z uporabo RUP

• Modeliranje IS z UML (Use case in ERD) • e-Poslovanje in CRM

• Računalništvo v oblaku

• Varnost informacijskih sistemov



3

geacollege

E-poslovanje

• Vrste e-poslovanja

• Arhitektura e-poslovanja in spletne storitve

• Upravljanje odnosov s strankami (CRM)

– Kaj so marketinški odnosi

– “Data mining” – odkrivanje zakonitosti v podatkih

– Uporaba odkrivanja zakonitosti v podatkih v marketingu pri upravljanju odnosov s strankami

2



4

geacollege

E-poslovanje



5

geacollege

Vrste e-poslovanja

e-poslovanje s strankami e-poslovanje v organizaciji

e-trgovanje

Podjetje

Stranke Kupci, Dobavitelji B2B B2B, B2C

e-nabava e-storitve digitalni izdelki m-poslovanje



6

geacollege

Arhitekture e-poslovanja I

internet

gostitelj spletne strani

internet

internet

,

intranet

P2P

ponudnik spletnih storitev

požarni zid

požarni zid

3



7

geacollege

Arhitekture e-poslovanja II

internet

internet

ponudnik storitev e-tržnice

poslovanje med podjetji

internet

požarni zid požarni zid

požarni zid požarni zid



8

geacollege

Servisno-orientirana arhitektura (SOA)

Service

provider

Service

consumer

Service

broker

bind:

• describe via WSDL

• connect via SOAP publish via UDDI

find via UDDI



9

geacollege

SOA meta-model

4



10

geacollege

Protokoli spletnih storitev

Vir: http://roadmap.cbdiforum.com/reports/protocols/



11

geacollege

Donosnost potencialnih sprememb

Vir: E-Government Guide Germany, A. Zechner (ed.), Shared services, G. Lietz

Changes in the organisation

Econ

om

ic e

ffic

ien

cy

Low

Low

High

High

In-house

optimisation

Shared

services Outsourcing

Centralisation

Profit centre

orientation

Restructuring

Standardisation Process

reengineering

Change of location

Consolidation of

resources

Specialization

Standardisation

Services, quality and

prices can be flexibly

negotiated, based on

benchmarks

Concentration on

leadership and

management



12

geacollege

CRM - Upravljanje odnosov s strankami

• Marketinški odnosi in marketing

• Vloga “Data mining” tehnologij

• Praktični primeri

5



13

geacollege

Kaj so marketinški odnosi (MO)?

• “Marketing odnosov, omrežij in interakcij”

• Razvijanje dolgoročnih odnosov s strankami

• Ustvarjanje vrednosti preko interakcije s strankami

• “Win – win” koncept: vsi akterji v odnosu pridobijo

(vir: Total Relationship Marketing, Gummesson 1999)



14

geacollege

Kaj so marketinški odnosi (MO)?

• Uporabna tehnologija za komuniciranje in vodenje izdelkov / storitev za posamezne stranke

• Rast in razvoj preko usmerjanja in partnerstva

• Izbiranje in zavračanje strank

• Verige odnosov

• Nov marketinški splet

• Uporaba managerja odnosov za upravljanje odnosov



15

geacollege

8 sestavin MO

1. Kultura in vrednote

2. Vodenje

3. Strategija

4. Struktura

5. Ljudje

6. Tehnologija

7. Znanje in vpogled

8. Procesi

(Vir: Relationship Marketing: New Strategies, Techniques …, Gordon 1998)

6



16

geacollege

Perspektiva menjave in odnosa

perspektiva odnosa

perspektiva menjave

PROCESI

IZIDI

USTVARJANJE

VREDNOSTI

DISTRIBUCIJA

VREDNOSTI



17

geacollege

Dejavniki razvoja in rasti MO

• Širitev globalizacije

• Večja konkurenca

• Zahtevnejši potrošniki

• Nenehna drobitev trgov potrošnikov

• Hitro spreminjanje potrošnikovih navad

• Višanje standardov kakovosti

• Vpliv tehnologije na izdelke in storitve

• Nezadovoljiva učinkovitost klasičnega marketinga

(Vir: Relationship Marketing Theory and Practice, Buttle 1996)



18

geacollege

Primarni in sekundarni odnosi

dobavitelj delničar

stranka zaposleni

podjetje

7



19

geacollege

Kaj je “Data mining”?

• (Pol)avtomatski proces odkrivanja in analize znanja iz velikih količin podatkov s ciljem odkriti smiselne vzorce in pravila



20

geacollege

Kaj “Data mining” zna?

• Klasificiranje

• Ocenjevanje

• Napovedovanje

• Razvrščanje po skupinah

• Povezovanje (“clustering”)

• Opisovanje in vizualiziranje



21

geacollege

Poslovni vidiki DM

• Področja uporabe:

– kot raziskovalno orodje

– za izboljšave v poslovnih procesih

– v marketingu (“database marketing”)

– za upravljanje z odnosi s strankami (CRM – “Customer Relationship Management”)

8



22

geacollege

Tehnični vidiki DM

• DM in Strojno učenje

• DM in statistika

• DM in Podpora odločanju

– podatkovna skladišča

– OLAP, Večdimenzionalne baze podatkov

• DM in Računalniška tehnologija



23

geacollege

Izhodišča za “Data Mining” v MO

• Informacijska tehnologija omogoča zbiranje velikega števila podatkov

• Veliko koristnih vpogledov v lastnosti strank, njihovo nakupovalno vedenje in uporabo izdelkov in storitev ostaja skrito in neuporabljeno

• Nove tehnologije so: – korenito spremenile izvajanje marketinga

– povzročile pazljivo upravljanje informacij o strankah in kupcih

– omogočile uporabo podatkov za oblikovanje (večanje) konkurenčnih prednosti



24

geacollege

Izhodišča II

• Znanje, skrito v datotekah, je:

– osnova za različne poslovne odločitve

– kritičnega pomena za marketinško funkcijo podjetja

• Veliko tega znanja ostane skritega ali nedotaknjenega v datotekah

9



25

geacollege

Izhodišča III

• Večanje konkurence in možnosti potrošnikov zahteva od potrošnikov:

– graditev dolgoročnih odnosov - upravljanje odnosov s strankami (CRM – “Customer Relationship Management”)

– upravljanje interakcij, osnovanih na dejanskih preferencah strank in ne ne splošnih značilnostih

– učinkoviti odnosi so lahko osnovani le na resničnem razumevanju potreb vsake stranke

• Premik iz splošne obravnave (statistika) na individualno obravnavo (DM)



26

geacollege

CRM – upravljanje odnosov s strankami

• Novejši koncept marketinga in managementa

• Idealno področje za uporabo metod “Data Mining” in “Knowledge Management”:

– upravljanje marketinškega znanja v podjetju

– podpora v procesu odločanja na področju marketinga

• CRM je usmerjen na iskanje vmesnika med:

– strankami (razumevanje potreb, vedenja)

– interakcijami med ponudniki in povpraševalci



27

geacollege

Kakšno vlogo ima “Data mining” (DM)

• Močna nova tehnologija

• Velika potencialna moč podjetjem

• Ovrednotenje skritih prediktivnih informacij

• Napovedovanje prihodnjih trendov in vedenj

• Omogočanje proaktivnih poslovnih odločitev

• Korak naprej od analize preteklih dogodkov

• Iskanje skritih vzorcev

10



28

geacollege

Značilnosti DM

• DM je pripravljen na poslovno uporabo

• Je podprt s tremi dozorelimi tehnologijami:

– množično zbiranje podatkov

– močni računalniki z več procesorji

– DM algoritmi

• Ključne kompetence DM tehnologije se se razvijale na področjih statistike, umetne inteligence in strojnega učenja



29

geacollege

DM v MO

• Orodja DM pomagajo tržnikom:

– odkriti skrito znanje

– izboljšati in poglobiti razumevanje strank

– oboje skupaj pretvoriti v učinkovite strategije marketinga

• Tri osnovna področja uporabe DM kot orodij za generiranje marketinškega znanja so:

– profiliranje strank

– analiziranje odstopanj

– analiziranje trendov



30

geacollege

Profiliranje strank I

• Novo odkrito znanje se lahko uporabi za:

– analizo odvisnosti

– identifikacijo razredov

– opis koncepta

11



31

geacollege

Profiliranje strank II

DATOTEKA

STRANK

DATOTEKA

TRANSAKCIJ

KLASIFIKACIJA

KLASIFIKACIJA

KLASIFIKACIJA

DISKRIMINACIJA

SUMARIZACIJA

SUMARIZACIJA STRANK

DISKRIMINACIJA KATEGORIJ

POPULARNIH

LASTNOSTI

IZDELKA

LASTNOSTI

STRANKE

UREDITEV PREFERENCE

STRANK

IZDELEK

NAPOVED PRODAJE

KOLIČINA PRODANEGA IZDELKA

DATOTEKA

IZDELKOV



32

geacollege

Profiliranje strank III

• Lastnosti transakcij, ki tržniku omogočijo oblikovati koristne in predvsem uporabne profile strank, so:

– frekvenca nakupov

– velikost nakupa

– zadnji identificiran nakup

– izračun doživljenjskih vrednot stranke

– potencialne stranke

– (ne)uspeh preteklega marketinškega programa



33

geacollege

Analiziranje odstopanj

• Z uporabo orodij DM:

– odkriva odklone

– klasificira odklone

– išče izjeme

• Primer: nakup s kreditno kartico v nakupovalnem centru v Puli

12



34

geacollege

Analiza trendov

• Uporabimo za:

– ocenjevanje uspešnosti marketinških akcij

– napovedovanje prihodnje / pričakovane prodaje

• Metafora za analizo trendov: vožnja v avtu naprej, gledamo samo v vzvratno ogledalo



35

geacollege

Dejavniki uporabe DM

• Za uspešno uporabo sta kritičnega pomena dva dejavnika:

– velike, dobro povezane podatkovne baze, organizirane v podatkovnih skladiščih

– dobro opredeljeni in razumljeni poslovni procesi, v katerih bo DM uporabljen



36

geacollege

Metafora: iskanje potopljenih galej I

• Iskanje potopljenih španskih galej v oceanu

• Iščemo okoli mest, kjer so v preteklosti že našli potopljene ladje

• Opazimo, da so bile potopljene predvsem okoli Bermudskih otokov

• Tam ima ocean določene značilnosti; predpostavimo, da so kapitani galeje vodili po določenih morskih poteh

13



37

geacollege

Metafora: iskanje potopljenih galej II

• Opazimo podobnosti modelov ladij in krajev, kjer so bile potopljene

• S takšnim modelom iščemo potopljene zaklade samo na mestih, kjer je največja verjetnost, da so bile potopljene

• V primeru, da je naš model točen, bomo zagotovo našli zaklad



38

geacollege

Primer izdajatelja kreditnih kartic

• Uporaba podatkov o preteklih nakupih svojih strank za identificiranje tistih, ki jih bo najverjetneje zanimala nova storitev

• Z uporabo vzorčnega mailinga dovolj natančno identificira stranke s povsem določeno stopnjo naklonjenosti do nove ponudbe

• Zadnji projekti so pokazali, da je mogoče doseči tudi 20-kratno znižanje stroškov ciljanih mailing akcij – v primerjavi s klasičnimi pristopi



39

geacollege

Druţbeni vidiki DM

• Individualne napovedi

• Odprta vprašanja:

– Lastništvo podatkov?

– Zasebnost: grožnja ali pravna obveza?

– Etika?

14



40

geacollege

Štirje pristopi k DM

• Nakup rezultatov (polaroidni fotoaparat)

• Nakup DM programskih paketov za posamezna področja (avtomatski fotoaparat)

• Najem zunanjih ekspertov (poročni fotograf)

• Obvladovanje DM znanj v podjetju (svoja temnica,

sam izkušen fotograf)



41

geacollege

DM metodologija

• Dva stila:

– Usmerjeni DM – uporabnik pozna količino, ki jo želi modelirati

– Neusmerjeni DM – uporabnik določi, kateri vzorci v podatkih so smiselni in kateri ne



42

geacollege

Kreativna zanka DM

Pretvorba podatkov v

uporabno informacijo s

pomočjo DM

Uporaba dobljene

informacije

Vrednotenje rezultatov,

nove ideje o uporabi

podatkov

Izbira poslovnega

problema, ki potrebuje

analizo podatkov

15



43

geacollege

Izbira poslovnega problema

• Najpomembnejši del uspešnega DM projekta

• Pogovor z eksperti, ki razumejo poslovni proces

• Odgovoriti na vprašanja:

– Ali je DM na tem procesu potreben?

– Ali obstaja podproblem, ki je najbolj zanimiv?

– Katera so ustrezna poslovna pravila?

– Kaj eksperti vedo o podatkih? Kje podatki nastajajo?

– Kaj je pomembno s stališča ekspertnih izkušenj in intuicije?



44

geacollege

Informacije iz podatkov

• Določiti in pridobiti podatke

• Preveriti in prečistiti podatke

• Dodati izpeljane spremenljivke

• Določiti množico podatkov za modeliranje

• Izbrati metodo in izdelati model

• Preveriti izdelani model

• Izbrati najboljši model



45

geacollege

Uporaba nove informacije

• Novo znanje, nov vpogled

• Pravočasni rezultati

• Shranjeni rezultati (znanje)

• Periodične napovedi

• Napovedi v realnem času

• Odprava napak v podatkih

16



46

geacollege

Vrednotenje rezultatov

• Vizualizacija podatkov in modelov

• Kdaj je model uspešen?

– časovni okviri delovanja modela

– predpostavke:

• preteklost je dobra napovedovalka prihodnosti

• podatki so na voljo

• podatki vsebujejo to, kar želimo napovedovati



47

geacollege

CRM – kdo je kupec?

• Potrošnik

– Različne vloge: izvedba, lastništvo, odločanje

• Poslovni partner

– Distribucijske mreže

• Segmentiranje kupcev

– V segmentu so podobni kupci (npr. lastniki zlatih kartic)



48

geacollege

Ţivljenjski cikel kupca I

• Potencialni kupec

• Novi kupec

• Uveljavljeni kupec

– visoka vrednost

– visok potencial

– nizka vrednost

• Bivši kupec

17



49

geacollege

Ţivljenjski cikel kupca II

Ciljno

tržišče

Novi

kupec

Začetni

kupec

Visoka

vrednost

Visok

potencial

Nizka

vrednost

Prostovoljni

izstop

Načrtovan

izstop

Potencialni kupec

Novi kupec

Uveljavljeni kupec

Bivši kupec

Ponovna

pridobitev



50

geacollege

Dogodki v ciklu

• Pridobivanje novih kupcev (kampanja)

• Odgovori na kampanjo (pošta, telefon, web-obrazec, …)

• Prvi nakup, ostali nakupi

• Kampanje za razširitev spektra uporabljanih izdelkov in storitev, nakup izboljšanih verzij, …

• Izstopi kupcev: načrtovani, prostovoljni, tihi

• Kampanje za ponovno pridobitev bivših kupcev



51

geacollege

Podatki v ciklu

• Zgodovina kampanj, demografski podatki, …

• Uporaba izdelkov in storitev, plačilni podatki, odgovori na kampanje, …

• Razlogi za izstop (prekinitev)

18



52

geacollege

Primer I – Ponudba novega izdelka

• Pošiljanje pošte po seznamu znanih strank

• Tipičen odziv: – 1% strank, ki so prejele pošto, se odzove in kupi

ponujeni izdelek

• 100,000 pisem bo prineslo okoli 1,000 nakupov

• Data mining: – ugotovitev, katere stranke se bodo najverjetneje

odzvale na ponujeni izdelek z nakupom (glede na pretekle izkušnje)

• Povečanje odziva od 1% na 1.25%: – prodajo 1,000 izdelkov lahko dosežemo s samo

80,000 pismi, kar zmanjša stroške pošiljanja za petino



53

geacollege

Primer II – Avtomobilsko zavarovanje

• Lastniki hitrih športnih avtomobilov spadajo v skupino z visokim tveganjem

• Data mining iz zbranih podatkov: če imajo lastniki hitrih športnih avtomobilov še drugi (navaden) avto, potem njihovo tveganje ni večje od preostale populacije – lahko jim ponudimo ugodno zavarovalno polico

• Kot rezultat odkrite niše med lastniki hitrih športnih avtomobilov je zavarovalnica spremenila politiko določanja cen pri zavarovanju športnih avtomobilov



54

geacollege

Primer III – Obnašanje strank

• Trije tipi lastnikov kreditnih kartic glede na njihovo donosnost:

– “Revolvers”: visoki zneski na računih, zamude pri plačilih (limit), visoka donosnost zaradi obresti na visoke zneske

– “Transactors”: visoki zneski, redno plačevanje; majhne obresti, samo članarina

– “Convenience users”: občasno visoki računi (potovanja, večji nakupi, …), obročno odplačevanje

• Podatki: 18 mesecev zgodovine

• Segmentacija glede na oceno donosnosti in potencial

19



55

geacollege

Primer IV – Modeliranje prestopov

• “Churn” – stranka mobilnega operaterja, ki bo v bližnji prihodnosti zamenjala ponudnika

• Cena zadržanja stranke je bistveno manjša kot cena ponovne pridobitve stranke

• Tradicionalni pristop: – prepričevanje dobrih strank (darilo), da podpišejo

pogodbo še za eno leto

• Data mining: – segmentiranje strank, ocena vrednosti stranke,

ponuditi stranki to, kar potrebuje (zanesljivost, sodobno funkcionalnost, ugodno ceno nočnih pogovorov, …)

• Upoštevanje časa: izbira pravega trenutka



56

geacollege

Zaključek

• Vse širša vrzel med

– zmožnostjo zbiranja in hranjenja podatkov o strankah, izdelkih, …

– zmožnostjo analiziranja in identificiranja uporabnih informacij (“actionable information”) iz podatkov

• Vloga Data mininga: premoščanje nastale vrzeli

Documents

Informatika za podjetnikebojan/GEA-IP/PPT/IP_06.pdf · 2 Informatika za podjetnike prof. dr. Bojan Cestnik gea 4 college E-poslovanje Informatika za podjetnike prof. dr. Bojan Cestnik