Upload
others
View
7
Download
0
Embed Size (px)
Citation preview
1
Informatika za podjetnike
prof. dr. Bojan Cestnik
1
geacollege
Informatika za podjetnike
prof. dr. Bojan Cestnik
Borut Seničar, asistent
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
4
geacollege
E-poslovanje
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
6
geacollege
Arhitekture e-poslovanja I
internet
gostitelj spletne strani
internet
internet
,
intranet
P2P
ponudnik spletnih storitev
požarni zid
požarni zid
3
Informatika za podjetnike
prof. dr. Bojan Cestnik
7
geacollege
Arhitekture e-poslovanja II
internet
internet
ponudnik storitev e-tržnice
poslovanje med podjetji
internet
požarni zid požarni zid
požarni zid požarni zid
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
9
geacollege
SOA meta-model
4
Informatika za podjetnike
prof. dr. Bojan Cestnik
10
geacollege
Protokoli spletnih storitev
Vir: http://roadmap.cbdiforum.com/reports/protocols/
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
12
geacollege
CRM - Upravljanje odnosov s strankami
• Marketinški odnosi in marketing
• Vloga “Data mining” tehnologij
• Praktični primeri
5
Informatika za podjetnike
prof. dr. Bojan Cestnik
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)
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
16
geacollege
Perspektiva menjave in odnosa
perspektiva odnosa
perspektiva menjave
PROCESI
IZIDI
USTVARJANJE
VREDNOSTI
DISTRIBUCIJA
VREDNOSTI
Informatika za podjetnike
prof. dr. Bojan Cestnik
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)
Informatika za podjetnike
prof. dr. Bojan Cestnik
18
geacollege
Primarni in sekundarni odnosi
dobavitelj delničar
stranka zaposleni
podjetje
7
Informatika za podjetnike
prof. dr. Bojan Cestnik
19
geacollege
Kaj je “Data mining”?
• (Pol)avtomatski proces odkrivanja in analize znanja iz velikih količin podatkov s ciljem odkriti smiselne vzorce in pravila
Informatika za podjetnike
prof. dr. Bojan Cestnik
20
geacollege
Kaj “Data mining” zna?
• Klasificiranje
• Ocenjevanje
• Napovedovanje
• Razvrščanje po skupinah
• Povezovanje (“clustering”)
• Opisovanje in vizualiziranje
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
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)
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
30
geacollege
Profiliranje strank I
• Novo odkrito znanje se lahko uporabi za:
– analizo odvisnosti
– identifikacijo razredov
– opis koncepta
11
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
39
geacollege
Druţbeni vidiki DM
• Individualne napovedi
• Odprta vprašanja:
– Lastništvo podatkov?
– Zasebnost: grožnja ali pravna obveza?
– Etika?
14
Informatika za podjetnike
prof. dr. Bojan Cestnik
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)
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
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?
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
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)
Informatika za podjetnike
prof. dr. Bojan Cestnik
48
geacollege
Ţivljenjski cikel kupca I
• Potencialni kupec
• Novi kupec
• Uveljavljeni kupec
– visoka vrednost
– visok potencial
– nizka vrednost
• Bivši kupec
17
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
51
geacollege
Podatki v ciklu
• Zgodovina kampanj, demografski podatki, …
• Uporaba izdelkov in storitev, plačilni podatki, odgovori na kampanje, …
• Razlogi za izstop (prekinitev)
18
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
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
Informatika za podjetnike
prof. dr. Bojan Cestnik
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